La Cina sta passando dalla sperimentazione dell’intelligenza artificiale nelle università alla sua adozione coordinata su scala nazionale. L’Artificial Intelligence + Education Action Plan, pubblicato nell’aprile 2026, punta a costruire entro il 2030 un sistema di “istruzione intelligente”, migliorare la qualità dei laureati e rafforzare la capacità del Paese di competere nell’economia della conoscenza.
Il possibile vantaggio cinese risiede nella combinazione tra direzione centrale e sperimentazione locale. Il governo coordina infrastrutture, standard, investimenti e priorità; province e università mantengono margini per adattare strumenti e programmi alle esigenze delle discipline e degli studenti. La prova decisiva sarà trasformare le esperienze dei principali atenei in capacità condivise, evitando che l’innovazione resti concentrata nelle istituzioni più ricche.
Dai progetti pilota alla diffusione nazionale
Dal 2024, il Ministero dell’Educazione ha selezionato tre serie di casi modello dedicati all’integrazione tra IA e istruzione superiore, arrivando a ottanta esperienze entro ottobre 2025. Le università candidate devono dimostrare l’effettiva applicazione degli strumenti, documentarne i risultati e proporre un piano per la loro diffusione.
Il meccanismo crea un percorso che porta dalla sperimentazione locale alla visibilità nazionale. Le amministrazioni provinciali segnalano i progetti, gruppi di esperti li valutano e le esperienze selezionate vengono pubblicate sulla piattaforma nazionale dell’istruzione superiore.
Il modello può accelerare la circolazione delle pratiche migliori, ma presenta un rischio: privilegiare iniziative facilmente presentabili e misurabili, senza verificare se abbiano prodotto reali miglioramenti nell’apprendimento.
Una piattaforma comune per ridurre i costi
La National Smart Education Platform rappresenta uno degli strumenti centrali della strategia. Il suo “AI Test Field” permette a docenti e studenti di accedere gratuitamente ad applicazioni sviluppate da università e aziende per didattica, ricerca, amministrazione e gestione degli atenei.
Alla fine del 2025, la piattaforma riuniva quattordici grandi modelli specializzati per disciplina, oltre ad agenti didattici prodotti dalle singole università. Il piano prevede anche un servizio nazionale di calcolo intelligente per condividere capacità computazionale, dati, modelli e strumenti.
Questa infrastruttura può ridurre i costi per gli atenei regionali, che non sarebbero obbligati a sviluppare autonomamente ogni sistema. La condivisione del calcolo e dei modelli rafforza però anche la capacità dello Stato di definire standard, controllare gli accessi e orientare l’ecosistema educativo.
Tsinghua e Fudan come laboratori della trasformazione
Tsinghua University è passata da otto corsi sperimentali assistiti dall’IA nell’autunno 2023 a 451 nella primavera 2026. La sua architettura collega modelli di base, motori di conoscenza disciplinare e applicazioni per le attività in aula, riducendo la dipendenza da un unico modello generalista.
I motori dedicati a settori come circuiti integrati, ingegneria industriale e ingegneria ambientale sarebbero già condivisi o sviluppati insieme a ottanta università. Il riuso tra istituzioni costituisce un indicatore più significativo rispetto al semplice numero di strumenti adottati in un singolo campus.
Anche Fudan University ha costruito un sistema esteso a 116 corsi e rivolto a studenti di tutte le discipline. Tsinghua e Fudan dispongono tuttavia di docenti, finanziamenti, capacità di calcolo e competenze difficilmente replicabili negli atenei periferici. La vera scalabilità dipenderà dalla possibilità di trasferire metodi e capacità, non soltanto prodotti finiti.
Docenti, industria e nuove competenze
Il piano prevede standard di alfabetizzazione all’IA per gli insegnanti, attività formative e valutazioni delle competenze. Promuove inoltre la collaborazione tra università e imprese e un modello di investimento proveniente da più fonti sotto la direzione pubblica.
La formazione dei docenti è decisiva perché l’aggiunta di un assistente digitale non modifica automaticamente la qualità dell’insegnamento. Occorre riprogettare corsi, verifiche e obiettivi formativi, distinguendo le attività delegabili alla macchina da quelle necessarie per sviluppare autonomia critica.
Microprogrammi e microcredenziali sull’IA possono facilitare l’incontro con il mercato del lavoro, ma qualifiche generiche rischiano di diventare rapidamente obsolete. Il loro valore dipenderà dall’integrazione tra competenza disciplinare, conoscenza degli strumenti e capacità di verificare o contestare le risposte dei modelli.
Regole per apprendimento e ricerca
La governance deve crescere insieme all’adozione. Tsinghua incoraggia la sperimentazione, ma richiede ai docenti di stabilire gli usi ammessi, agli studenti di non presentare come propri contenuti copiati dai modelli e ai supervisori di garantire l’originalità dei lavori accademici.
La Chinese Academy of Sciences consente di utilizzare l’IA per ricerca e organizzazione delle informazioni, imponendo però verifica e dichiarazione dell’assistenza ricevuta. Questo modello di “semafori verdi e rossi” appare più realistico di un divieto generale.
Con l’uso pervasivo dei sistemi generativi, gli atenei dovranno ampliare prove orali, discussioni, esercizi applicativi e attività nelle quali gli studenti spieghino il proprio ragionamento. La valutazione dovrà accertare non soltanto la qualità del prodotto finale, ma ciò che la persona ha effettivamente compreso.
Il rischio di una università a più velocità
La strategia può accentuare il divario tra grandi atenei urbani e università regionali. Le prime dispongono di ricercatori, dati, relazioni industriali e infrastrutture computazionali; le seconde potrebbero limitarsi a utilizzare soluzioni progettate altrove, senza sviluppare competenze proprie.
La condivisione nazionale può ridurre questa distanza, ma soltanto se accompagnata da assistenza tecnica, formazione e libertà di adattamento. Una standardizzazione eccessiva potrebbe cancellare differenze territoriali e disciplinari, trasformando l’adozione in conformità amministrativa.
Gli indicatori più utili non saranno quindi il numero di accessi o di corsi “abilitati dall’IA”, ma i miglioramenti verificabili nell’apprendimento, la riproducibilità della ricerca e la capacità degli atenei meno dotati di progettare autonomamente gli usi della tecnologia.
La prospettiva geostrategica
La riforma collega direttamente istruzione superiore, politica industriale e competizione tecnologica. Integrare l’IA nella formazione significa preparare personale per semiconduttori, manifattura avanzata, biotecnologie, energia e amministrazione pubblica. Le università diventano una parte dell’infrastruttura nazionale necessaria a trasformare capacità computazionale in produttività e potere.
La piattaforma condivisa permette inoltre alla Cina di sperimentare un modello alternativo a quello dominato da servizi commerciali decentralizzati. Pechino può coordinare risorse e diffusione più rapidamente di molti sistemi occidentali, ma una maggiore centralizzazione può limitare pluralismo scientifico, trasparenza e autonomia accademica.
La competizione non sarà vinta dall’attore che introduce per primo il Lixianang Ymaggior numero di strumenti. Dipenderà dalla capacità di produrre laureati in grado di lavorare con i modelli senza diventarne dipendenti, docenti capaci di riprogettare la formazione e istituzioni in grado di verificare i risultati.
Il vantaggio potenziale della Cina risiede nella trasformazione di esperimenti isolati in una capacità educativa nazionale. Il suo limite sarà la difficoltà di garantire che la velocità dell’adozione corrisponda a miglioramenti reali, distribuiti anche negli atenei regionali e compatibili con l’integrità della ricerca.
East Asia Forum/Lixiang Yan
The Global Eye è in partnership con SIOI – Società Italiana per l’Organizzazione Internazionale
