Mentre il dibattito sull’intelligenza artificiale si concentra su prompt, agenti e modelli multimodali, Simone Scardapane, professore associato all’Università Sapienza di Roma, riporta l’attenzione su qualcosa che sta alla base: gradienti, derivate e differenziazione automatica. Le fondamenta matematiche, spiega, restano il livello su cui si costruisce ogni competenza successiva, dalla comprensione di un large language model fino al funzionamento degli agenti più recenti. È così che inizia la nostra intervista, realizzata in occasione di Coderful 2026.

Uno stack che non perdona scorciatoie

Scardapane si occupa di reti neurali e intelligenza artificiale e il suo modo di guardare alla materia riflette direttamente il lavoro in aula: l’intelligenza artificiale, spiega, è uno stack in cui ogni componente si costruisce sopra un altro. Capire un agente richiede di capire un large language model; capire un LLM richiede di sapere come è stato allenato e post-allenato. Persino un tema attuale come la comunicazione tra agenti riporta, in ultima istanza, alle stesse basi matematiche. Saltare questi passaggi, significa costruire competenze fragili, capaci magari di funzionare nel breve termine ma destinate a incrinarsi appena la tecnologia cambia.

Studenti tra entusiasmo e rifiuto

Alla domanda su come reagiscano gli studenti universitari all’intelligenza artificiale, Scardapane descrive un quadro composito. Nelle discipline umanistiche, artistiche e legate allo spettacolo, prevale un rifiuto più marcato, che secondo il professore ha spesso ragioni fondate. Nelle discipline ingegneristiche, invece, convivono spaesamento e curiosità: da un lato la sorpresa nel vedere modelli capaci di svolgere rapidamente compiti complessi, dall’altro un carico di studio già pesante che spinge molti studenti ad affidarsi agli strumenti AI per necessità, più che per scelta.

Accanto a questo, esiste una componente entusiasta, che utilizza l’intelligenza artificiale per costruire e sperimentare. In questo scenario, il compito dei docenti diventa centrale: mostrare i limiti degli strumenti e adattare la didattica, per orientare consapevolmente il sentiment generale.

Cosa si rischia di perdere delegando troppo presto

Per Scardapane il rischio più concreto, per chi arriva all’università già abituato a delegare compiti all’intelligenza artificiale, riguarda competenze di base: saper scrivere, risolvere problemi matematici o di programmazione, mantenere il focus su un problema per un periodo prolungato. È una perdita silenziosa, alimentata dalla comodità di poter sempre delegare al modello. Per questo, sottolinea, diventa importante dedicarsi ad esercizi e scrittura autonoma, in modo che le competenze di base vengano acquisite prima di essere eventualmente combinate con gli strumenti di intelligenza artificiale.

Community tech contro aula universitaria

Muovendosi costantemente tra università, ricerca e community tecniche, Scardapane individua una differenza precisa nel tipo di scambio che questi contesti permettono. L’università, per sua natura, mantiene ruoli definiti – studenti, professori, aziende – che rendono più complesso costruire reti orizzontali. Le community e i meetup, al contrario, offrono un networking alla pari, capace di far incontrare rapidamente punti di vista di grandi e piccole aziende, ricercatori e semplici appassionati.

Etica e responsabilità: nessuna delega possibile

Sul tema della responsabilità etica e legale dell’intelligenza artificiale, la posizione di Scardapane è netta: non è corretto attribuire a questi strumenti una dignità che non possiedono. Ogni volta che vengono utilizzati, è l’essere umano a scegliere di usarli e a esporsi per ciò che viene generato. La responsabilità, ribadisce, resta sempre e unicamente in capo a chi decide di affidarsi allo strumento, qualunque sia l’ambito in cui questo avviene.

L’appiattimento che si comincia a percepire solo ora

Interpellato sul tema dell’appiattimento dei contenuti nell’era dell’intelligenza artificiale, Scardapane sposta il discorso dal cinema e dalle serie TV alla letteratura scientifica e al giornalismo. È lì, spiega, che capita sempre più spesso di riconoscere immediatamente un testo generato da uno strumento, ritrovando gli stessi pattern di scrittura. Se in passato erano solo alcune frasi specifiche a tradire l’origine artificiale di un contenuto, oggi si comincia a percepire un appiattimento più profondo e meno visibile, un fenomeno di assuefazione che, secondo Scardapane, è solo agli inizi.