Dieci ore,dieci blocchi.

Un modello linguistico non cerca, non consulta, non sa. Predice il pezzo di testo successivo. Si parte da lì, senza matematica: il testo viene spezzato in token, il modello ha imparato quali token tendono a seguire quali altri, e genera un pezzo alla volta.

Il token viene introdotto come unità di misura di tutto: di quello che il modello legge, di quello che scrive, di quanto costa, di quanto si ricorda.

Chiusura sulla finestra di contesto raccontata come una scrivania: ci sta quello che ci sta, e quando è piena qualcosa cade per terra.

Tutti su tiktokenizer.vercel.app, che mostra in tempo reale come un testo viene spezzettato e colorato. Esercizi dal più stupido al più illuminante.

1. Il proprio nome. Ognuno incolla nome e cognome. Quasi sempre si spezza in tre o quattro pezzi assurdi. Prima risata, primo insight: il modello non vede il tuo nome, vede dei frammenti.
2. Italiano contro inglese. Stessa frase nelle due lingue. L'italiano costa sistematicamente molti più token. Da qui: perché a volte conviene lavorare in inglese, perché i limiti si raggiungono prima, perché costa di più.
3. Il gioco della lettera. Quante S ci sono in "sussurrandosi"? Quante R in "arrotondare"? Spesso sbaglia. Si torna su Tiktokenizer e si vede perché: quella parola, per lui, non è fatta di lettere, è fatta di due o tre blocchi. Non sa contare quello che non vede.
4. La gara. Chi trova la parola italiana più corta che genera più token. Vincono sempre i termini scolastici tipo "sovrapponibilità" o i nomi propri. Premio simbolico.
5. Coda sui numeri. Un calcolo con cifre lunghe, sbaglia, si guarda come ha spezzato il numero. Morale operativa: la matematica non gliela chiedi, o gliela fai fare con uno strumento.

Il punto dell'ora non è imparare Tiktokenizer. È smontare in sessanta minuti l'idea che la macchina sia intelligente o stupida: è semplicemente fatta in un altro modo, e da lì discende tutto il resto del corso.

Le allucinazioni non sono un bug: sono la stessa funzione che lo fa funzionare. Il modello completa in modo plausibile, e il plausibile a volte è falso.

Temperatura e variabilità, cioè perché due risposte alla stessa domanda sono diverse. Cutoff della conoscenza. Differenza fra modello che ragiona, modello che cerca sul web, modello che legge i tuoi documenti. Panoramica onesta degli strumenti (ChatGPT, Claude, Gemini, NotebookLM), chi fa cosa meglio, senza tifoserie.

Tutto il prompting che si fa dopo discende da questa mezza pagina di teoria: il modello indovina, e il tuo lavoro è restringergli il campo delle ipotesi.

Struttura in cinque pezzi: ruolo, contesto, compito, formato, vincoli.

Esercizio a coppie sullo stesso obiettivo didattico, output confrontati sullo schermo condiviso. Poi si itera: non si riscrive il prompt da capo, si corregge la risposta parlandoci.

Ognuno esce dalla giornata con tre prompt funzionanti sulla propria materia, salvati.

La regola che tiene tutta la giornata: l'AI è uno stagista velocissimo, instancabile, sicuro di sé e senza titolo di studio. Gli dai le attività a basso valore, ricontrolli sempre, non gli dai mai la responsabilità finale.

Le citazioni inventate si mostrano dal vivo: fa più effetto che raccontarle.

Ognuno porta un testo o una unità che deve fare davvero a settembre. Si lavora su quello, non su esempi finti.

1. Progettazione dell'unità, con obiettivi e tempi.
2. Differenziazione dello stesso contenuto su tre livelli, per la classe reale che hanno davanti.
3. Semplificazione di un testo per BES e DSA con vincoli espliciti: lunghezza delle frasi, lessico, struttura.

Alla fine dell'ora ognuno ha un materiale usabile lunedì, non un esercizio da corso.

Venti minuti su come si costruisce una verifica decente con l'AI, e perché i distrattori plausibili sono la parte difficile.

Quaranta minuti di laboratorio: prova a scelta multipla con distrattori ragionati, griglia di valutazione, e un tentativo di far dare al modello un feedback formativo su un elaborato vero e anonimizzato. Poi si discute se è utile o se è fuffa. Chiusura con condivisione veloce di due o tre risultati.

Decisione aperta: tenere il blocco misto 20 + 40, oppure spaccarlo in mezz'ora di voce e mezz'ora di laboratorio.

Dati degli studenti: cosa non entra mai in un chatbot, e perché anonimizzare non è opzionale. Differenza fra account personale e account istituzionale, e cosa succede ai dati in ciascuno dei due.

Che cosa dice l'AI Act sui sistemi usati in ambito educativo e quali obblighi ricadono sulla scuola. Linee guida ministeriali, stato dell'arte a settembre 2026.

Il tutto in versione operativa e non normativa: tre cose che puoi fare, tre che non devi fare mai.

Esperimento, non dibattito.

1. Ognuno prende una consegna vera che ha assegnato l'anno scorso e la dà al modello. Poi valuta l'output con la propria griglia e dichiara il voto. Di solito viene un sei e mezzo o un sette, e il silenzio in aula fa il lavoro da solo.
2. Si mostra che i rilevatori di AI non funzionano: falsi positivi sui testi di studenti stranieri o dislessici, falsi negativi banali da ottenere. Inseguire il barare è una guerra persa.
3. Parte utile: si riscrive la consegna in modo che l'AI da sola non basti. Vincoli di processo, materiale di classe, dati locali, oralità, difesa del lavoro.

Ognuno esce con una consegna riprogettata, pronta per la prima settimana di scuola.

A gruppi da quattro, quarantacinque minuti per scrivere le regole d'uso dell'AI per la propria scuola: cosa è consentito agli studenti, cosa va dichiarato, cosa fa il docente, cosa non si carica mai. Poi si uniscono i pezzi in un documento unico condiviso, che resta a loro.

Ultimi quindici minuti: giro di chiusura e la domanda finale, cosa provi in classe la prossima settimana.