Il pensiero computazionale è il processo cognitivo con cui si progettano le soluzioni; la programmazione è il compito meccanico di tradurre quelle soluzioni in un linguaggio che il computer capisce. Per anni la didattica dell'informatica li ha trattati come la stessa cosa. Ma l'ascesa dell'intelligenza artificiale generativa li ha separati nettamente.

Oggi memorizzare la sintassi di un linguaggio di programmazione è un capitale che si svaluta rapidamente. L'IA scrive codice Python, C++ o Scratch pulito in millisecondi. Quello che l'IA non sa fare è comprendere un problema umano, scomporlo in passaggi logici e decidere che cosa vada costruito, prima di tutto. Questo è il pensiero computazionale, ed è l'unica parte dell'equazione «coding e robotica» che garantisca ancora valore di lungo periodo agli studenti sudafricani.

La differenza, senza gergo

Per cogliere la distinzione, prendiamo una sfida concreta di una classe sudafricana: gestire il laboratorio informatico della scuola durante un load-shedding di Stage 4. L'obiettivo è garantire che 40 studenti riescano a salvare il proprio lavoro e a spegnere le macchine in sicurezza prima che le batterie dell'inverter si scarichino.

Risolvere questo problema richiede pensiero computazionale. Bisogna:

• Scomporre il problema: spezzare la sfida in parti. Quanta energia assorbono i computer? Quanto durano le batterie? Quanto tempo richiede uno spegnimento sicuro?
• Riconoscere gli schemi ricorrenti: notare che gli studenti più piccoli impiegano cinque minuti a salvare e disconnettersi, mentre i più grandi ne impiegano due.
• Astrarre dai dettagli: ignorare la marca dei computer o il colore dei banchi; concentrarsi solo sui consumi e sui vincoli di tempo.
• Progettare un algoritmo: creare una regola passo per passo: «Se la capacità della batteria scende al 20%, attiva un avviso visivo. Se scende al 10%, avvia il backup automatico su cloud e spegni il terminale».

Una volta costruita questa impalcatura logica, il problema è risolto. La programmazione è soltanto il passaggio finale, impiegatizio, di scrivere quell'algoritmo in Python o in codice a blocchi perché il software di gestione del laboratorio possa eseguirlo. Il pensiero computazionale è l'architettura; programmare è posare i mattoni.

Perché l'IA ha invertito il valore dei due

Nell'ultimo decennio la narrazione educativa globale è stata «tutti devono imparare a programmare». Bootcamp e scuole si sono concentrati sulla sintassi: memorizzare dove va il punto e virgola, come si dichiara una variabile, come si scrive un ciclo. È sempre stata una strategia fragile, ma l'IA generativa l'ha resa obsoleta.

Se chiedete a un moderno Large Language Model (LLM) di scrivere uno script Python che monitori il livello della batteria e spenga un sistema, genererà codice impeccabile all'istante e gratis. L'abilità di tradurre un'istruzione chiara in sintassi è stata automatizzata. Di conseguenza, il valore economico del «programmatore puro» — chi sa soltanto tradurre istruzioni in codice — sta crollando.

Al contrario, il valore di chi sa formulare le istruzioni è schizzato in alto. Per ottenere un risultato utile da un'IA, uno sviluppatore deve definire con precisione ingressi, uscite, vincoli e casi limite del sistema. Deve pensare in modo computazionale. Se non sapete scomporre un problema da soli, non saprete nemmeno chiedere a un'IA di risolverlo per voi.

«Insegnare ai bambini la programmazione partendo dalla sintassi nell'era dell'IA è come insegnare loro le tabelle della divisione lunga ignorando a che cosa serva davvero l'aritmetica. Li stiamo preparando a un mondo che non esiste più».

La realtà nelle classi sudafricane

Questa distinzione non è solo accademica: ha implicazioni enormi sul modo in cui applichiamo il curricolo CAPS di Coding e Robotica del Department of Basic Education. Molte scuole sudafricane affrontano forti vincoli di risorse: budget limitati, carrelli di portatili condivisi, internet instabile ed elettricità imprevedibile.

Se una scuola definisce il proprio programma di robotica come «tempo passato a digitare codice su uno schermo», andrà in difficoltà. Quando manca la corrente o cade il Wi-Fi, la lezione si ferma. Inoltre, comprare un portatile per ogni singolo studente è finanziariamente impossibile per la stragrande maggioranza delle nostre scuole.

Ma quando ci si concentra sul pensiero computazionale, i vincoli diventano gestibili. Il pensiero computazionale si può insegnare «unplugged». Gli studenti possono progettare algoritmi con cartoncini fisici, mappare porte logiche alla lavagna o fare debug manuale di sistemi fisici. Quando finalmente si siedono al computer, non sprecano tempo prezioso davanti allo schermo a scervellarsi su dove metter due punti: usano il computer per eseguire una soluzione che hanno già progettato.

Come insegnare ciò che conta davvero

Per preparare gli studenti al futuro, scuole e famiglie devono spostare l'attenzione dai tutorial pieni di sintassi al pensiero a livello di sistema. Ecco come compiere questa transizione:

Impostazione tradizionale «imparare a programmare»	Impostazione «pensiero computazionale», a prova di futuro
Memorizzare comandi Python e regole di sintassi.	Comprendere concettualmente porte logiche, cicli e istruzioni condizionali.
Costruire progetti generici da copia e incolla (come una calcolatrice di base).	Scomporre problemi reali del territorio (come il risparmio idrico o la mitigazione del load-shedding).
Esercizi di coding a blocchi solo a schermo, senza contesto fisico.	Usare ingressi fisici (sensori) e uscite (motori) per vedere come la logica interagisce con il mondo reale.

In Sheen Robotics abbiamo progettato il curricolo della nostra Sheen Academy proprio attorno a questa filosofia. Non addestriamo gli studenti a fare da compilatori di sintassi. Usiamo invece il physical computing e l'hardware IoT per insegnare la logica di fondo dei sistemi. Quando uno studente capisce come strutturare un anello di retroazione con un sensore di umidità del suolo e una pompa dell'acqua, il linguaggio di programmazione specifico con cui lo scrive diventa un dettaglio secondario: qualcosa che può facilmente cercare o generare con l'IA.

Se vogliamo che i giovani sudafricani siano creatori di tecnologia e non semplici consumatori di software importato, dobbiamo smettere di insegnare loro a imitare le macchine. A fare le macchine, le macchine sono già eccellenti. Il nostro compito è insegnare agli studenti a pensare.