Con gli annunci presentati ad Articuland 2026, Articulate ha delineato una trasformazione significativa della propria piattaforma e, più in generale, del modello attraverso il quale immagina la produzione della formazione digitale nei prossimi anni. Al centro di questa evoluzione vi sono Frontline, prodotto nativamente basato sull’intelligenza artificiale e rivolto dichiaratamente ai team che producono formazione al di fuori delle funzioni Learning & Development; Articulate 360 AI, destinato ai team L&D; e Nova, l’agente di intelligenza artificiale che opera trasversalmente all’interno dei due ambienti. La promessa è quella di ridurre sensibilmente tempi e complessità della produzione, trasformando documenti e conoscenze aziendali in kit formativi composti da presentazioni, guide, video, scenari e verifiche dell’apprendimento. Articulate descrive inoltre Nova come un sistema costruito sulla base di oltre vent’anni di esperienza nelle learning sciences, le scienze dell’apprendimento.

La questione interessante, tuttavia, non riguarda semplicemente la capacità tecnica di generare questi materiali, ma il modello di produzione della formazione che tale capacità presuppone. Frontline viene presentato come uno strumento destinato a chi opera fuori dal perimetro L&D, consentendo a esperti della materia (subject matter expert) e funzioni aziendali di produrre direttamente formazione senza passare necessariamente attraverso una funzione specializzata. La stessa architettura, però, può essere utilizzata anche all’interno dell’L&D: un responsabile della formazione può immettere materiali nel sistema e ottenere rapidamente un prodotto formativo, riducendo o eliminando alcuni passaggi precedentemente affidati a instructional designer ed e-learning developer. Frontline può quindi essere letto non soltanto come uno strumento di democratizzazione dell’authoring, ma anche come espressione di una possibile disintermediazione della produzione formativa.

La distinzione è importante: un conto è utilizzare l’intelligenza artificiale per aumentare le capacità di un professionista, accelerando la prototipazione, generando varianti di uno scenario, producendo materiali, analizzando dati, costruendo simulazioni o rendendo economicamente sostenibili forme di personalizzazione prima troppo complesse; un altro è assumere che una parte significativa dell’expertise professionale possa essere incorporata nel sistema e, di conseguenza, rimossa dal processo. Nel primo caso, l’AI è una tecnologia di potenziamento; nel secondo diventa, almeno in parte, una tecnologia di sostituzione.

Efficienza produttiva ed efficacia formativa

Il vantaggio operativo della seconda soluzione è evidente: generare in pochi minuti una presentazione, un video, una verifica delle conoscenze o una guida significa comprimere fortemente tempi e costi di sviluppo. Sarebbe difficile contestare il valore di questa efficienza; il problema nasce quando efficienza produttiva ed efficacia formativa vengono trattate come se fossero la stessa cosa.

Produrre un corso e progettare un’esperienza di apprendimento non sono attività equivalenti. Un sistema può sintetizzare correttamente cinquanta pagine di documentazione e trasformarle in dieci schermate, generare domande coerenti con il contenuto o costruire uno scenario plausibile; rimane però da stabilire se quelle schermate siano necessarie, se le domande misurino effettivamente ciò che dovrebbe essere appreso e se lo scenario eserciti il comportamento che il partecipante dovrà mettere in atto nel proprio contesto professionale.

La progettazione reale richiede di analizzare e interpretare una situazione specifica: distinguere un problema di conoscenza da un problema di prestazione, identificare il comportamento atteso, comprendere i vincoli organizzativi, selezionare ciò che merita di essere appreso e ciò che dovrebbe invece essere reso semplicemente disponibile nel momento del bisogno. Il valore delle teorie pedagogiche e dei modelli di riferimento emerge proprio nella capacità di utilizzarli come cornici interpretative di problemi concreti.

Expertise, conoscenza tacita e decisione progettuale

È qui che il tema dell’automazione incontra quello dell’expertise. Una parte della competenza professionale può essere esplicitata attraverso procedure, criteri, modelli e linee guida; un’altra si costruisce attraverso l’esperienza e diventa progressivamente tacita e situata. Polanyi sintetizzava questo problema osservando che possiamo conoscere più di quanto siamo in grado di esplicitare; Schön, studiando il lavoro dei professionisti, descriveva invece la pratica esperta come una forma di reflection-in-action, nella quale il professionista interpreta e riformula il problema mentre agisce, anziché limitarsi ad applicare una sequenza prestabilita di regole.

Questo aspetto è particolarmente rilevante per l’instructional design. L’esperto non seleziona necessariamente una teoria da un catalogo prima di ogni decisione: anni di progettazione, osservazione, valutazione ed errori modificano progressivamente il modo stesso in cui legge un problema. L’expertise permette di riconoscere che una richiesta di “corso” non corrisponde necessariamente a un bisogno formativo; che un’informazione non deve per forza essere memorizzata; che una valutazione basata sul semplice riconoscimento di una risposta corretta può non fornire elementi sufficienti per stabilire la capacità di agire; oppure che un contenuto apparentemente importante per uno stakeholder può essere irrilevante rispetto alla prestazione attesa.

È quindi ragionevole chiedersi se una simile expertise possa essere trasferita a un sistema artificiale. La risposta non deve essere necessariamente negativa, né è possibile sostenere che ciò che oggi richiede un professionista umano debba richiederlo per sempre: la questione rimane aperta, ma non possiamo dedurre l’avvenuto trasferimento dell’expertise dalla sola qualità apparente degli output generati.

LLM, linguaggio e comprensione

Su questo punto è necessario evitare una semplificazione frequente. I Large Language Models (LLM) contemporanei hanno alla base meccanismi di apprendimento predittivo: durante il pre-training apprendono distribuzioni e regolarità linguistiche attraverso compiti di predizione dei token. Descrivere i sistemi attuali esclusivamente come “predittori della parola successiva” è tuttavia riduttivo, perché i modelli vengono successivamente sottoposti a differenti forme di post-training, possono utilizzare strumenti esterni, operare su più modalità e interagire con ambienti e fonti informative. Le loro rappresentazioni interne consentono inoltre comportamenti linguistici, inferenziali e combinatori che non possono essere descritti adeguatamente come un semplice recupero di frasi già osservate.

Da ciò, tuttavia, non segue automaticamente che tali sistemi possiedano una forma di comprensione equivalente a quella implicata nella progettazione professionale. La distinzione tra forma linguistica e significato è al centro del lavoro di Bender e Koller (2020), mentre il più generale problema del grounding — cioè di come simboli e rappresentazioni acquisiscano un significato ancorato a qualcosa che non siano soltanto altri simboli — precede l’attuale generazione di modelli e trova una formulazione classica nel lavoro di Harnad (1990). Studi più recenti invitano inoltre a distinguere le capacità linguistiche da quelle riconducibili più propriamente al pensiero, alla costruzione di modelli del mondo o al ragionamento. Mahowald et al. (2024), per esempio, mostrano come prestazioni linguistiche molto elevate possano coesistere con risultati più fragili in altri domini cognitivi.

La domanda «un LLM comprende ciò che scrive?» non dispone quindi, allo stato attuale, di una risposta sufficientemente semplice da poter essere assunta come premessa indiscussa. Per la formazione è più utile formulare il problema in termini operativi: una prestazione linguisticamente corretta dimostra che il sistema ha compreso la funzione pedagogica e l’intenzionalità della scelta che propone? Le evidenze disponibili non consentono di assumere automaticamente questa equivalenza.

Un sistema può generare un’ottima domanda a risposta multipla, ma la qualità formale della domanda non stabilisce se essa fornisca una prova valida dell’apprendimento rispetto all’obiettivo definito. Può generare uno scenario realistico senza che ciò garantisca che lo scenario eserciti la decisione rilevante; può riprodurre formalmente i passaggi di una metodologia senza che questo dimostri che ne abbia ricostruito il valore all’interno dell’intera architettura dell’intervento. Il problema non riguarda quindi la capacità di produrre singoli materiali di qualità, ma quella di collocare ciascun elemento all’interno di un disegno intenzionale più ampio.

Il rischio di automatizzare un modello formativo già obsoleto

Il modello tradizionale di e-learning è relativamente facile da formalizzare: presentazione del contenuto, avanzamento sequenziale, qualche interazione, verifica finale e attestazione del completamento. A partire da una fonte, un sistema generativo può sintetizzare le informazioni, distribuirle in schermate, creare elementi multimediali, generare domande e produrre una valutazione finale. L’intera catena si presta molto bene all’automazione.

Se il criterio principale diventa la velocità con cui questa catena viene prodotta, l’intelligenza artificiale rischia di industrializzare proprio il paradigma formativo che potrebbe invece contribuire a superare. Il problema non sarebbe più soltanto avere corsi standardizzati e poco significativi, ma poterli produrre in quantità enormemente maggiori e a costi molto inferiori.

La risposta alla domanda iniziale diventa quindi relativamente chiara. Strumenti di questo tipo possono rispondere efficacemente alle esigenze della formazione aziendale se l’esigenza continua a essere prevalentemente quella di trasferire contenuti, verificarne il riconoscimento attraverso quiz e registrare il completamento; risultano invece meno adeguati a una concezione della formazione orientata al cambiamento della prestazione, alla pratica, alla capacità decisionale e all’adattamento dell’esperienza alle necessità del partecipante.

Paradossalmente, sono proprio i sistemi generativi a rendere oggi possibile andare oltre questo modello. L’AI può sostenere simulazioni conversazionali non predeterminate, feedback generati sulla risposta specifica del partecipante, simulazioni di ruolo vocali, adattamento dinamico della difficoltà, accesso contestuale alla conoscenza, scenari variabili e percorsi che si modificano sulla base delle prestazioni. In questo caso, l’intelligenza artificiale non viene utilizzata per produrre più rapidamente le schermate di un corso, ma diventa una componente dell’esperienza stessa.

Dall’authoring all’interaction design

Questa trasformazione porta il problema oltre i confini tradizionali dell’instructional design e lo avvicina sempre più all’Learning Experience Design e alla Human-Computer Interaction. Quando un sistema è capace di interpretare input non completamente predeterminati, generare risposte e assumere iniziativa, il progettista non definisce più soltanto una sequenza di contenuti e interazioni, ma deve progettare una relazione dinamica tra persona e sistema digitale.

Il tema non è nuovo. Licklider (1960) immaginava già una “simbiosi” uomo-computer nella quale persone e sistemi svolgessero funzioni differenti ma complementari; Horvitz (1999) ha successivamente formalizzato il concetto di mixed-initiative interaction, interrogandosi su come distribuire opportunamente iniziativa e controllo tra utente e sistema. La ricerca contemporanea sulla Human-AI Interaction ha sviluppato ulteriormente questo problema: Amershi et al. (2019) sottolineano la necessità di rendere comprensibili capacità, limiti e comportamento dei sistemi AI; Shneiderman (2020) propone un paradigma di Human-Centered AI, nel quale elevati livelli di automazione non comportano necessariamente una riduzione del controllo umano; Yang et al. (2020), infine, mostrano come l’incertezza sulle capacità dell’AI e la variabilità dei suoi output producano problemi progettuali specifici.

Applicato alla formazione, questo significa che il futuro non consisterà soltanto nel progettare interfacce più semplici attraverso le quali interrogare un modello, ma nel decidere quando il sistema debba intervenire, quanto debba adattarsi, quali informazioni possa utilizzare, quale iniziativa possa assumere, come debba rendere visibile la propria incertezza e quando sia invece necessario richiedere una decisione umana. Occorrerà inoltre progettare modalità che consentano al partecipante di correggere l’interpretazione del sistema. In un’esperienza educativa, queste sono contemporaneamente decisioni di interazione e decisioni pedagogiche.

Anche la personalizzazione cambia significato. Nel corso digitale tradizionale coincide prevalentemente con ramificazioni progettate in anticipo; nei sistemi generativi, invece, una parte dell’esperienza può essere costruita durante l’interazione: il feedback può dipendere dalla risposta specifica, una simulazione può evolvere dinamicamente e una spiegazione può cambiare in funzione della difficoltà incontrata. Il progettista non deve quindi necessariamente definire ogni output, ma progettare lo spazio entro il quale gli output possono essere prodotti, i criteri con cui valutarli e i confini che il sistema non deve oltrepassare.

Il significato strategico della direzione di Articulate

In questo quadro assume rilievo anche la posizione relativamente secondaria occupata da Storyline nell’annuncio strategico del 2026. Storyline continua a essere un prodotto attivo e non sarebbe corretto descriverlo come abbandonato; rimane inoltre, nell’ecosistema Articulate, lo strumento che offre il maggiore controllo sulle logiche dell’esperienza attraverso variabili, trigger, condizioni, stati e ramificazioni. Tuttavia, il centro della trasformazione annunciata ad Articuland è altrove: generazione automatica, agenti, produzione in più formati, integrazione, traduzione, analytics e distribuzione delle capacità di authoring.

Il segnale strategico appare quindi sufficientemente chiaro: il valore si sta spostando dalla possibilità di costruire manualmente interazioni sempre più sofisticate alla possibilità di generare rapidamente prodotti formativi a partire dalla conoscenza disponibile. È una scelta comprensibile sul piano industriale, poiché risponde a un bisogno reale di velocità e scalabilità, ma presuppone che una parte sufficientemente ampia della competenza necessaria a trasformare conoscenza in apprendimento possa essere incorporata nel sistema. È precisamente questo presupposto che dovrebbe essere sottoposto a verifica.

Se il lavoro del progettista viene ridotto al trasferimento di informazioni all’interno di schermate, alla scelta di qualche interazione e alla produzione di un test, tecnologie come Frontline rappresentano una forma credibile di sostituzione. Se, invece, l’expertise consiste nell’interpretare il bisogno, distinguere informazione e prestazione, selezionare una metodologia, progettare attività pratiche e sistemi di feedback, allineare valutazione e obiettivi, leggere il contesto e costruire intenzionalmente le condizioni nelle quali l’apprendimento possa prodursi, la sostituzione appare molto meno evidente.

L’intelligenza artificiale può certamente modificare questa expertise e incorporarne progressivamente alcune componenti, ma la qualità linguistica e formale degli output disponibili oggi non costituisce, da sola, una prova sufficiente.

La questione posta da Articuland 2026 non è dunque se l’AI sia capace di creare un corso, capacità ormai ampiamente sviluppata, ma se creare un corso e creare un’esperienza di apprendimento siano la stessa attività.

Strade possibili per il futuro della formazione digitale

Questa analisi resta necessariamente preliminare, ma evidenzia una scelta che le aziende del settore dovranno affrontare con sempre maggiore chiarezza. La prima riguarda che cosa intendiamo scalare: la velocità con cui produciamo contenuti formativi oppure la qualità, la personalizzazione e la significatività dell’esperienza di apprendimento. La seconda riguarda quale ruolo attribuiamo all’intelligenza artificiale: sostituire progressivamente l’expertise professionale oppure potenziarla all’interno di nuovi modelli di interazione uomo-macchina.

Da queste due scelte dipenderà anche la forma futura delle aziende del settore. Se il valore continuerà a concentrarsi sulla rapidità di produzione, sull’automazione e sulla riduzione dei costi, l’AI spingerà verso una crescente standardizzazione e disintermediazione; se, invece, verrà utilizzata per ampliare le possibilità progettuali, il baricentro si sposterà dalla produzione di corsi alla progettazione di esperienze di apprendimento più adattive, contestuali e significative.

La domanda, quindi, non è semplicemente quanto velocemente saremo in grado di produrre formazione, ma quale formazione vorremo rendere possibile attraverso l’intelligenza artificiale.

Riferimenti bibliografici

Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (2019). Guidelines for Human-AI Interaction. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 1–13. doi:10.1145/3290605.3300233.

Harnad, S. (1990). The symbol grounding problem. Physica D: Nonlinear Phenomena, 42(1–3), 335–346. doi:10.1016/0167-2789(90)90087-6.

Horvitz, E. (1999). Principles of mixed-initiative user interfaces. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 159–166. doi:10.1145/302979.303030.

Licklider, J. C. R. (1960). Man-computer symbiosis. IRE Transactions on Human Factors in Electronics, HFE-1(1), 4–11. doi:10.1109/THFE2.1960.4503259.

Mahowald, K., Ivanova, A. A., Blank, I. A., Kanwisher, N., Tenenbaum, J. B., & Fedorenko, E. (2024). Dissociating language and thought in large language models. Trends in Cognitive Sciences, 28(6), 517–540. doi:10.1016/j.tics.2024.01.011.

Mayer, R. E. (2021). Multimedia Learning (3rd ed.). Cambridge University Press.

Merrill, M. D. (2002). First principles of instruction. Educational Technology Research and Development, 50, 43–59. doi:10.1007/BF02505024.

Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.

Schön, D. A. (1983). The Reflective Practitioner: How Professionals Think in Action. Basic Books.

Shneiderman, B. (2020). Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. doi:10.1080/10447318.2020.1741118.

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. doi:10.1207/s15516709cog1202_4.

Yang, Q., Steinfeld, A., Rosé, C. P., & Zimmerman, J. (2020). Re-examining Whether, Why, and How Human-AI Interaction Is Uniquely Difficult to Design. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–13. doi:10.1145/3313831.3376301.

Marco Cocciatelli
Project Manager di TABILIA
Pedagogista