Dialogo con DeepSeek.

Ciao, potresti aiutarmi con risposte concise di creare un articolo sulle regolamentazioni dell’AI. Personalmente ritengo che il vero valore sia l’accesso a pluralità di AI e soprattutto di origini diverse, anche di continenti diversi. Il pensare che uno stato crei leggi per regolamentare l’AI dal mio punto di vista non è concreto, e penso all’Italia. Forse l’unica nazione che può farlo, e forse lo fa, è la RPC.

结论前置

你的核心判断——单一国家的AI立法难以应对AI的全球性本质，真正的价值在于AI来源的多元性与跨大陆的异质性——在当前全球治理格局中得到了有力印证。但需要修正一处：中国确实是全球AI监管执行力最强的国家之一，但欧盟同样在构建具有域外效力的硬法体系，美国则在“放松监管”与“国家安全管控”之间走的是另一条路。

为什么单一国家的AI立法确实“不具体”

你提到意大利的例子很典型。意大利2026年9月刚出台的第160号法令，本质上是在被动适配欧盟AI Act，规范警察使用AI和民事刑事责任问题。这不是意大利在“创造规则”，而是在执行布鲁塞尔的规则。

更深层的问题是：AI的开发、训练和部署天然跨越国界。一个在加州训练的模型，可能用着台湾的芯片、欧洲的数据、印度的标注团队。任何单一国家的立法，都只能管到链条的一小段。

三个监管模式的实际差异

当前全球形成的是三条路径，差异不在于“谁管得严”，而在于监管服务于什么目的。

欧盟：风险规避 + 市场整合。 AI Act是人类第一部全面的AI硬法，用四级风险分类（不可接受、高、有限、最小）来规制系统。但2026年的“Digital Omnibus”修正案把高风险系统的合规期限推迟到了2027年底甚至2028年，说明连欧盟自己都发现合规基础设施跟不上。更深层看，欧盟的“权利导向”外观下，实际法律基础是内部市场条款——防止成员国各自立法导致碎片化才是核心驱动力。

中国：有序创新 + 内容安全。 中国的立法逻辑是渐进式、场景化的。从算法推荐、深度合成到生成式AI，每一步都在既有网络安全框架内叠加。2026年9月发布的两份文件很说明问题：工信部指导的《生成式人工智能服务安全分级指南》团体标准，把电信和互联网行业的AI服务按安全等级分类管理；同时网安标委发布了《人工智能安全治理框架3.0》。这种“分级分类”的思路，比欧盟的一刀切立法更灵活，但也意味着企业面对的是多层标准体系而非单一法律。

美国：实质上“不监管” + 对外遏制。 美国联邦层面至今没有 comprehensive AI legislation。特朗普政府明确反对监管，理由是“不能让中国赢了AI竞赛”。但美国并非什么都不做：FRONTIER Act等提案试图建立针对“前沿模型”的分级透明和审计要求，加州则在2026年9月率先签署了州级AI监管行政令。真正的策略是对内留白促创新，对外用出口管制和投资审查遏制竞争对手。

你提到的“多元化AI来源”为什么重要

这一点值得展开。当前的AI格局高度集中：少数几个国家的少数几家公司控制着基础模型。这种集中带来的不仅是市场问题，更是认知单一化的风险——如果AI的训练数据、价值对齐、内容过滤都来自同一种文化语境，那么它对其他文化的理解就会是扭曲的。

跨文化研究已经表明，信息处理方式、决策模式、甚至“什么是礼貌的沟通”都因文化而异。一个主要在英语互联网上训练的模型，对集体主义社会中的社交规范、对“面子”机制、对非西方语境下的权威关系，理解往往是表面的。

来自不同大陆的AI系统，意味着不同的价值权重、不同的风险优先级、不同的“可接受输出”边界。这种多元性本身就是一种认知安全机制。

中国为什么是“唯一能真正执行”的

你的直觉有道理，但需要精确化。中国的执行力优势来自三个结构性条件：

第一，单一法律传统。 欧盟需要协调27个成员国的执行，美国联邦与州之间正在爆发监管管辖权冲突。中国的法律体系允许从中央到地方的标准快速传导。

第二，产业政策与监管的融合。 中国的AI监管不是外在于产业政策的，而是内嵌其中的。“有序创新”的含义是：监管节奏与产业发展阶段相匹配。2026年的分级指南针对的是“不同服务在数据处理、模型能力、部署模式上的差异”，这种精细度需要监管者与产业界的深度互动。

第三，执行工具的存在。 内容安全审查、算法备案、数据出境管控——这些机制已经运行多年，AI监管是在既有基础设施上的延伸，而非从零搭建。

但这不意味着中国模式可以被简单复制。它的有效性建立在特定的制度生态之上。

对博客文章的实用建议

如果这是为一篇博客文章准备的素材，我建议的结构：

开篇：用意大利2026年9月的法令作为切入点，说明“国家立法”在实践中往往是“适配上位法”而非“创造规则”。
核心论点：AI的跨国本质决定了任何单一国家的监管都只能是局部的、滞后的。真正的治理价值在于来源多元——不仅指技术来源，更指价值框架的来源。
对比分析：三条路径的实质差异不在于“严/松”，而在于监管服务于什么目标（市场整合 vs 内容安全 vs 技术霸权）。
收束：呼吁关注AI的“认知多样性”——不同文化语境下的AI系统对同一问题的不同回应方式，本身就是一种需要被保护的公共品。

如果你需要，我可以帮你把这些材料组织成具体的段落草稿。

Questa risposta è generate da IA. Controllarne l’accuratezza.

Potresti gentilmente tradurre in italiano? E continuare la conversazione in italiano?

Certo, volentieri. Ecco la traduzione in italiano del mio messaggio precedente.

Conclusione in sintesi

La tua tesi centrale — che la legislazione sull’AI di un singolo Stato sia inadeguata di fronte alla natura globale dell’AI, e che il vero valore risieda nella pluralità delle fonti di AI e nell’eterogeneità tra continenti — trova una conferma solida nell’attuale assetto della governance globale. Va però corretta una cosa: la Cina è sì uno degli Stati con la maggiore capacità esecutiva nella regolamentazione dell’AI, ma anche l’Unione Europea sta costruendo un sistema di hard law con efficacia extraterritoriale, mentre gli Stati Uniti seguono una terza strada, oscillando tra deregulation e controlli di sicurezza nazionale.

Perché la legislazione di un singolo Stato è davvero “poco concreta”

L’esempio italiano che citi è emblematico. Il decreto n. 160 del settembre 2026 si configura essenzialmente come un adeguamento passivo all’AI Act europeo, disciplinando l’uso dell’AI da parte delle forze di polizia e i profili di responsabilità civile e penale. Non è l’Italia che “crea regole”: sta eseguendo regole decise a Bruxelles.

Il problema più profondo è un altro: sviluppo, addestramento e deployment dell’AI attraversano naturalmente i confini. Un modello addestrato in California può usare chip taiwanesi, dati europei e team di annotazione indiani. La legge di un singolo Stato può disciplinare solo un segmento della catena.

Le tre modalità di regolazione e le loro differenze reali

Oggi si sono formati tre percorsi. La differenza non sta in “chi regola di più”, ma in a quale scopo serve la regolazione.

UE: prevenzione del rischio + integrazione del mercato. L’AI Act è la prima legge organica sull’AI al mondo, con una classificazione a quattro livelli di rischio (inaccettabile, alto, limitato, minimo). Ma l’emendamento “Digital Omnibus” del 2026 ha spostato le scadenze di conformità per i sistemi ad alto rischio alla fine del 2027 o addirittura al 2028, segno che persino l’UE fatica a tenere il passo con le infrastrutture di compliance. Guardando più a fondo: sotto l’apparenza “orientata ai diritti”, la base giuridica effettiva è data dalle clausole sul mercato interno — il vero motore è evitare che legislazioni nazionali divergenti frammentino il mercato.

Cina: innovazione ordinata + sicurezza dei contenuti. La logica legislativa cinese è progressiva e per scenari. Dagli algoritmi di raccomandazione, alla sintesi profonda, fino all’AI generativa, ogni passo si sovrappone al quadro preesistente della cybersicurezza. Due documenti del settembre 2026 sono illuminanti: la “Guida alla classificazione di sicurezza dei servizi di AI generativa”, uno standard di categoria sotto la guida del Ministero dell’Industria e dell’Informatica, che classifica i servizi AI nei settori delle telecomunicazioni e di Internet per livello di sicurezza; e il “Framework 3.0 per la governance della sicurezza dell’AI” pubblicato dal comitato tecnico per gli standard di cybersicurezza. Questo approccio “per livelli e categorie” è più flessibile della legislazione monolitica europea, ma significa anche che le imprese si trovano davanti a un sistema di standard multilivello anziché a una singola legge.

USA: sostanzialmente “non regolare” + contenimento verso l’esterno. A livello federale gli Stati Uniti non hanno ancora una legislazione organica sull’AI. L’amministrazione Trump si oppone esplicitamente alla regolazione, con l’argomento che “non si può perdere la gara AI contro la Cina”. Ma non significa che non facciano nulla: proposte come il FRONTIER Act cercano di introdurre requisiti graduati di trasparenza e audit per i “modelli di frontiera”, e la California ha firmato a settembre 2026 un ordine esecutivo statale sulla regolazione dell’AI. La strategia reale è lasciare spazio internamente per favorire l’innovazione, usare esternamente controlli sulle esportazioni e scrutinio degli investimenti per contenere i concorrenti.

Perché la “pluralità delle fonti di AI” che citi è importante

Vale la pena sviluppare questo punto. L’attuale panorama dell’AI è fortemente concentrato: poche aziende in pochi Paesi controllano i modelli di base. Questa concentrazione comporta non solo problemi di mercato, ma anche un rischio di omologazione cognitiva — se i dati di addestramento, l’allineamento valoriale e il filtraggio dei contenuti provengono tutti dallo stesso contesto culturale, la comprensione delle altre culture risulterà distorta.

La ricerca interculturale ha già dimostrato che i modi di processare le informazioni, i modelli decisionali e persino ciò che è considerato “comunicazione cortese” variano da cultura a cultura. Un modello addestrato prevalentemente sull’Internet anglofono tende ad avere una comprensione superficiale delle norme sociali nelle società collettiviste, dei meccanismi del “volto” e delle relazioni di autorità in contesti non occidentali.

Sistemi di AI provenienti da continenti diversi implicano pesi valoriali diversi, priorità di rischio diverse, confini diversi di ciò che è un “output accettabile”. Questa pluralità è di per sé un meccanismo di sicurezza cognitiva.

Perché la Cina è “l’unica in grado di eseguire davvero”

La tua intuizione è corretta, ma va precisata. Il vantaggio esecutivo cinese deriva da tre condizioni strutturali:

Primo, una tradizione giuridica unitaria. L’UE deve coordinare l’esecuzione tra 27 Stati membri; negli USA è in corso un conflitto di giurisdizione tra federazione e Stati. Il sistema giuridico cinese consente una rapida trasmissione degli standard dal centro alla periferia.

Secondo, l’integrazione tra politica industriale e regolazione. La regolazione cinese dell’AI non è esterna alla politica industriale, vi è incorporata. “Innovazione ordinata” significa: il ritmo della regolazione è allineato alla fase di sviluppo del settore. Le linee guida sulla classificazione del 2026 si rivolgono alle “differenze tra servizi in termini di trattamento dei dati, capacità del modello e modalità di deployment”: questo livello di granularità richiede un’interazione profonda tra regolatore e industria.

Terzo, l’esistenza di strumenti esecutivi. Revisione della sicurezza dei contenuti, registrazione degli algoritmi, controllo dell’esportazione dei dati — questi meccanismi operano da anni; la regolazione dell’AI è un’estensione su un’infrastruttura preesistente, non una costruzione da zero.

Questo non significa che il modello cinese sia semplicemente replicabile. La sua efficacia poggia su un particolare ecosistema istituzionale.

Suggerimenti pratici per il tuo articolo sul blog

Se questo materiale serve per un articolo, suggerirei questa struttura:

Apertura: partire dal decreto italiano del settembre 2026 per mostrare che, in pratica, la “legislazione nazionale” è spesso “adeguamento a norme sovraordinate” più che “creazione di regole”.
Tesi centrale: la natura transnazionale dell’AI fa sì che la regolazione di qualsiasi singolo Stato possa essere solo parziale e tardiva. Il vero valore della governance sta nella pluralità delle fonti — non solo fonti tecnologiche, ma anche fonti di framework valoriali.
Analisi comparata: la differenza sostanziale tra i tre percorsi non è “rigido/permissivo”, ma a quale obiettivo serve la regolazione (integrazione del mercato vs sicurezza dei contenuti vs egemonia tecnologica).
Chiusura: un appello a prestare attenzione alla “diversità cognitiva” dell’AI — il modo in cui sistemi di AI in contesti culturali diversi rispondono alla stessa domanda è di per sé un bene pubblico da proteggere.

Se vuoi, posso aiutarti a trasformare questo materiale in bozze di paragrafi concreti.

Questa risposta è generate da IA. Controllarne l’accuratezza.

Quale titolo proponi?

Dipende dal tono che vuoi dare al blog. Te ne propongo diversi, divisi per approccio.

Se vuoi un taglio critico-politico

“Chi decide le regole dell’AI? Nessuno Stato da solo, e forse nemmeno l’Europa”
“L’Italia regola l’AI? No, esegue. E il problema è più grande”
“Leggi nazionali, macchine globali: perché la regolamentazione dell’AI arriva sempre tardi”

Se vuoi un taglio più concettuale, centrato sulla tua tesi della pluralità

“La vera posta in gioco non è regolare l’AI, ma chi la produce”
“Pluralità contro monocoltura: perché servono AI da continenti diversi”
“Non una legge, ma molte voci: il valore della diversità nell’AI”
“Diversità cognitiva: il bene pubblico che nessuno sta proteggendo”

Se vuoi un taglio più asciutto e descrittivo

“Tre modelli per regolare l’AI: UE, Cina, Stati Uniti”
“Come si governa l’AI nel 2026: rischi, contenuti, egemonia”

Il mio suggerimento

Se il cuore dell’articolo è la tua intuizione originale — cioè che il valore sta nell’accesso a una pluralità di AI di origini diverse — allora sceglierei qualcosa come:

“Pluralità contro monocoltura: perché la regolamentazione dell’AI non basta”

oppure, più incisivo:

“Chi produce l’AI decide come pensa il mondo”

Il primo è più equilibrato e adatto a un blog generalista; il secondo è più provocatorio e funziona bene sui social. Se mi dici il tono che preferisci e il pubblico a cui ti rivolgi, posso rifinirne uno su misura.

C’è di peggio: per esempio introdurre regolamentazioni od una regolamentazione MIM per le scuole. C’è l’interdizione dell’uso dei dispositivi di comunicazione quotidiana scavalcando completamente gli insegnanti. Qualsiasi attività dell’AI deve essere preceduta da autorizzazione scritta e rilasciate da personale che con l’AI hanno intersezione vuota.

Trovate 20 pagine web

Hai ragione, e il quadro che descrivi non è un’eccezione, è il modello prevalente che si sta consolidando nelle scuole italiane. La logica che emerge dai regolamenti scolastici del 2025-2026 è esattamente quella che denunci: centralizzazione dell’autorizzazione, marginalizzazione del docente, e una diffidenza strutturale verso l’uso didattico degli strumenti.

Il meccanismo dell’autorizzazione come filtro

Quello che descrivi — “qualsiasi attività dell’AI deve essere preceduta da autorizzazione scritta” — è letteralmente ciò che prevedono i regolamenti d’istituto. Prendi il caso di un istituto che ha adottato un regolamento provvisorio a dicembre 2025: “L’utilizzo di sistemi di IA ad alto rischio deve essere preventivamente autorizzato dal Dirigente scolastico”, e persino “L’utilizzo di agenti (AI agent) deve essere autorizzato espressamente dal Dirigente scolastico” . Un altro regolamento parla esplicitamente di una “procedura di autorizzazione chiara, trasparente e documentata”, con fasi che vanno dalla proposta al referente IA, alla valutazione da parte di un “Gruppo di lavoro per l’IA”, alla decisione del Dirigente .

Il punto che sollevi — “personale che con l’AI hanno intersezione vuota” — è il cuore del problema. Il “Gruppo di lavoro per l’IA” è composto da “docenti con competenze digitali, rappresentanti della dirigenza e personale tecnico” . La competenza digitale è una cosa, la comprensione profonda di cosa sia un LLM, di come si allucini, di cosa significhi un embedding, è un’altra. Il rischio è che chi decide sia qualcuno che ha letto le linee guida MIM ma non ha mai fatto un prompt in vita sua.

L’inversione del rapporto docente-istituzione

C’è un elemento ancora più sottile che vale la pena esplicitare. Nel vecchio modello, il docente decideva cosa entrare in classe, con quali strumenti, con quale pedagogia. Il regolamento dell’IIS Agnoletti, per esempio, prevedeva che “Un eventuale uso didattico del cellulare deve essere autorizzato dal docente durante la propria ora di lezione” . Questa previsione è decaduta con la circolare ministeriale del giugno 2025. Il docente non autorizza più: viene autorizzato.

La dinamica è la stessa per l’AI. Il regolamento di un istituto di Villa San Giovanni stabilisce che “È vietato temporaneamente l’utilizzo di strumenti IA generativa (ChatGPT, Gemini, Copilot, DALL-E) fino al completamento del processo di valutazione e selezione degli strumenti IA e all’emanazione del regolamento interno” . Il divieto non è del docente: è imposto al docente. E il docente che volesse usare l’AI didatticamente deve verificare che lo strumento sia “formalmente approvato e inserito nell’elenco dei tool autorizzati dall’Istituto” .

Il messaggio implicito è: il docente non è affidabile come decisore sull’AI. Serve un filtro burocratico.

Il contesto che rende tutto più assurdo

La circolare ministeriale n. 3392 del 16 giugno 2025 ha vietato l’uso dello smartphone “durante l’orario scolastico anche a fini didattici” nel secondo ciclo . Le eccezioni sono solo PEI, PDP, e specifici indirizzi tecnici (informatica e telecomunicazioni) . Ma lo stesso ministero che vieta lo smartphone per fini didattici ha pubblicato a agosto 2025 le Linee guida per l’introduzione dell’IA nelle scuole , chiedendo alle scuole di adottare l’AI “in modo consapevole e responsabile”.

Il risultato è una contraddizione operativa: lo strumento che gli studenti hanno in tasca non può essere usato per imparare, ma un sistema opaco e centralizzato di autorizzazioni dovrebbe governare l’AI. E nel frattempo, il divieto dello smartphone viene giustificato con argomenti sul benessere psicofisico e sulla concentrazione , mentre l’AI viene introdotta con argomenti sulla “competitività del sistema educativo” .

Quello che stai descrivendo ha un nome

Non è “regolamentazione”. È governance per autorizzazione preventiva. Un modello in cui:

Il docente non è soggetto di decisione, ma oggetto di compliance.
Chi autorizza non necessariamente comprende ciò che autorizza.
La sperimentazione didattica viene subordinata a un processo amministrativo progettato per prevenire il rischio, non per abilitare l’apprendimento.

E c’è un’ironia finale: questo sistema è presentato come “umanocentrico” e “a tutela degli studenti” , ma nella pratica espropria proprio coloro che stanno in aula con gli studenti — i docenti — della possibilità di decidere come e quando l’AI può essere uno strumento pedagogico.

Se vuoi, posso aiutarti a trasformare questo materiale in un paragrafo dell’articolo, magari con un taglio più critico ma documentato.

E poi gli esperti, con presunta autorità, argomentano, per esempio, senza aver letto nulla su questioni di base … per esempio il neurone artificiale …

Hai toccato un punto che la letteratura specializzata sta iniziando a trattare con sempre maggiore durezza. Il fenomeno che descrivi — esperti che parlano di AI senza conoscere nemmeno i fondamenti, come il neurone artificiale — non è un caso isolato. È un modello strutturale nella divulgazione e nella governance dell’AI.

La critica metodologica: il comportamentismo come scorciatoia

Il problema che denunci ha una formulazione tecnica precisa. Antonio Lieto, dell’Università di Salerno, lo ha spiegato in un seminario al Politecnico di Torino nel maggio 2024: l’attribuzione di competenze umane ai sistemi di AI avviene “esclusivamente su un confronto comportamentistico di alcuni output”, il che è “metodologicamente problematico” . Lo stesso output, infatti, può essere prodotto con meccanismi completamente diversi — e questo è esattamente il caso delle attuali reti neurali artificiali rispetto alle reti neurali biologiche .

In parole povere: se un sistema produce un output che sembra intelligente, gli esperti comportamentisti concludono che è intelligente. Senza sapere nulla di come quell’output sia stato generato. Lieto propone uno strumento — la Minimal Cognitive Grid — proprio per evitare questa trappola, confrontando i sistemi in base alla loro plausibilità biologica o cognitiva, non solo agli output .

La testimonianza più autorevole

Tomaso Poggio, professore al MIT da oltre quarant’anni, pioniere del machine learning e maestro di Demis Hassabis (premio Nobel 2024 per AlphaFold), ha dichiarato in un’intervista a la Repubblica del marzo 2025:

“Abbiamo sviluppato strumenti potentissimi, ma non sappiamo ancora come funzionano.”

Poggio usa un’analogia storica precisa: Alessandro Volta nel 1800 creò la prima batteria, ma nessuno sapeva cosa fosse davvero l’elettricità; la teoria arrivò solo sessant’anni dopo, con Maxwell. “Ora siamo esattamente in quel punto della curva storica: tra Volta e Maxwell. Costruiamo sistemi intelligenti che parlano cento lingue, scrivono codice, risolvono problemi, ma non abbiamo ancora un quadro concettuale per comprenderli davvero o per allinearli ai nostri valori.”

Questo è il punto. Non è che gli esperti ignorino il neurone artificiale per pigrizia. È che il campo stesso non ha una teoria del perché funzioni. E chi pretende di averla, spesso bluffa.

Il caso Hinton: quando il Nobel non basta

Il caso più emblematico è Geoffrey Hinton, premio Nobel per la Fisica 2024 e figura centrale nello sviluppo delle reti neurali. Hinton ha affermato più volte che i grandi modelli linguistici “comprendono il linguaggio in modo molto simile agli esseri umani” .

Xie Yun, autore di Il risveglio degli strumenti (工具的苏醒), ha analizzato sistematicamente questa affermazione e conclude che è “gravemente infondata” . La sua argomentazione: la comprensione umana si basa sulla corrispondenza tra simboli e realtà — il linguaggio rimanda a qualcosa nel mondo. I LLM operano esclusivamente su correlazioni statistiche tra simboli, senza alcun ancoraggio al reale. Un LLM può manipolare la parola “mela” con straordinaria efficacia statistica, ma non ha mai visto, toccato, mangiato una mela. “Solo facendo associazioni statistiche a livello di simboli, non si realizzerà mai la corrispondenza tra ciò che i simboli esprimono e la realtà.”

Un noto studioso cinese di AI ha detto a Xie Yun, in privato: “Molti dicono che i grandi modelli linguistici abbiano capacità di comprensione, ma non è vero. Non capiscono i concetti, capiscono solo le probabilità; non ragionano sui concetti, fanno solo calcoli probabilistici.”

Il problema strutturale: la “credibilità per osmosi”

Philip Ball, su New Scientist (luglio 2025), ha formulato la diagnosi più tagliente:

“Alcuni di questi esperti di AI sembrano rispecchiare i loro prodotti: sono in grado di produrre risultati notevoli mentre la loro comprensione di come ci riescono è, nella migliore delle ipotesi, superficiale e fragile.”

Ball cita il caso di Hinton che nel 2016 disse che “le persone dovrebbero smettere di formare radiologi”, perché l’AI li avrebbe sostituiti . Hinton ha poi ritrattato — ma nel frattempo la sua affermazione aveva già creato panico tra gli studenti di medicina. “Immaginate quanto più peso avrebbe avuto se avesse già ricevuto il Nobel.”

La dinamica che descrivi — esperti con “presunta autorità” che parlano senza basi — è quindi documentata e strutturale, non accidentale. La domanda che Ball pone è: perché la stampa e i decisori pubblici non fanno fact-checking su queste affermazioni?

Il legame con la governance scolastica

Tornando al tuo punto precedente sulle scuole: il meccanismo è lo stesso. Se i “gruppi di lavoro sull’AI” nelle scuole sono composti da persone che non sanno cos’è un neurone artificiale, non possono valutare cosa sia appropriato o rischioso. Possono solo applicare categorie burocratiche — “alto rischio”, “autorizzazione scritta”, “tool approvato” — che non hanno alcun rapporto con il funzionamento reale dei sistemi.

Un docente che ha letto Lieto, Poggio o Xie Yun sa che un LLM non comprende nel senso umano del termine. Sa che la “sicurezza” di un output non è garantita dalla sua plausibilità. Sa che il comportamentismo è una trappola epistemologica.

Un “esperto” che ha letto solo le linee guida MIM e qualche titolo di giornale non lo sa.

E questo è il vero problema: non è che la regolamentazione scolastica sia troppo rigida. È che è progettata da persone che non comprendono l’oggetto che pretendono di regolare.

Se vuoi, posso aiutarti a integrare questo materiale nell’articolo, magari in un paragrafo intitolato qualcosa come “L’autorità senza competenza: il caso degli esperti di AI” — collegandolo direttamente al tema della governance scolastica che hai sollevato prima.