Come analizzare un file Excel con l’AI senza trasformare il dato in giudizio sulla persona.
L’uso dell’intelligenza artificiale nei processi amministrativi scolastici diventa davvero interessante quando incontra dati realistici: fogli di calcolo, elenchi, registri, scadenziari, tabelle di monitoraggio, riepiloghi di presenze, incarichi, assenze, attestati, pratiche e protocolli.
È in questi contesti che l’AI può offrire un supporto significativo. Può aiutare a leggere dataset complessi, individuare incoerenze, produrre sintesi, costruire tabelle riepilogative, evidenziare ricorrenze e trasformare dati grezzi in indicazioni organizzative.
Ma è anche qui che il rischio aumenta. Perché un file amministrativo non è mai soltanto un insieme di righe e colonne. È un contenitore di informazioni riferite a persone, procedimenti, decisioni, diritti, obblighi, rapporti di lavoro, responsabilità e documenti.
Per questo, quando si usa l’AI su un foglio di calcolo amministrativo, il problema non è soltanto chiedere una buona analisi. Il problema è chiedere l’analisi giusta, con i dati giusti, per la finalità giusta, entro limiti chiari e con un controllo umano effettivo.
Il caso simulato delle assenze del personale docente consente di osservare concretamente questo passaggio. Non siamo più nel campo del prompt astratto. Siamo dentro una situazione plausibile di lavoro amministrativo: una segreteria dispone di un file Excel sulle assenze e vuole capire se l’AI possa aiutare a leggere meglio il fenomeno.
| La domanda da cambiare
Non “chi si assenta di più?”, ma “quali fenomeni organizzativi emergono dal dataset e quali aspetti del processo di gestione delle assenze possono essere migliorati?”. |
Il contesto della simulazione
Immaginiamo che una segreteria scolastica voglia analizzare un file Excel relativo alle assenze del personale docente in un determinato anno scolastico.
Il file non contiene dati reali. È un dataset sintetico, costruito per finalità formative e dimostrative. Non contiene nomi e cognomi, ma codici docente pseudonimizzati.
Ogni riga del file rappresenta un evento di assenza. Questo significa che i 1000 record presenti nel dataset non corrispondono a 1000 docenti diversi, ma a 1000 eventi riferiti a un insieme di docenti anonimizzati, alcuni dei quali possono comparire più volte nel corso dell’anno.
Questa scelta rende la simulazione più realistica. Nella vita amministrativa, infatti, la segreteria non gestisce soltanto persone, ma eventi, pratiche, domande, documenti, periodi, stati di lavorazione, giustificativi, protocolli, richieste e controlli.
Un docente può avere più eventi di assenza. Una stessa tipologia di assenza può concentrarsi in alcuni periodi. Alcune pratiche possono risultare complete, altre da verificare. Alcune durate possono apparire anomale e richiedere un controllo del dato. Alcuni mesi possono presentare picchi organizzativamente rilevanti.
L’obiettivo della simulazione non è valutare i singoli docenti. È osservare il processo.
Che cosa contiene il file simulato
Il dataset contiene, per ciascun evento di assenza, alcune informazioni essenziali: codice docente anonimizzato, data di inizio assenza, data di fine assenza, numero di giorni e tipologia di assenza.
A questi campi si possono aggiungere informazioni organizzative utili, come mese, anno scolastico, ordine di scuola, plesso, giorno della settimana, stato della pratica, eventuale necessità di supplenza, completezza della documentazione e note sintetiche non identificative.
Il codice docente anonimizzato svolge una funzione importante: consente di osservare eventuali ricorrenze senza utilizzare nominativi reali. Tuttavia, questo non autorizza a trattare il codice come se fosse una persona da valutare.
Anche quando i nomi sono stati rimossi, l’analisi deve restare coerente con la finalità dichiarata. Se il prompt chiede all’AI di costruire classifiche individuali, individuare casi sospetti o suggerire interventi sui singoli codici, la pseudonimizzazione rischia di diventare solo una copertura formale di un uso improprio.
Il dato va letto per migliorare il processo, non per produrre sorveglianza mascherata.
| Principio guida
Il dataset serve a leggere fenomeni organizzativi, non a profilare persone. L’anonimizzazione o pseudonimizzazione riduce il rischio, ma non elimina la necessità di definire finalità, limiti, dati utilizzabili e controllo umano. |
La domanda sbagliata
Una richiesta come questa è problematica:
| Prompt da evitare
Analizza le assenze dei docenti e dimmi chi si assenta di più. |
È una domanda breve, chiara e apparentemente innocua. Ma è sbagliata per almeno tre ragioni.
La prima è che sposta il focus dal processo alla persona. L’analisi non viene orientata a comprendere distribuzioni, picchi, anomalie del dato o criticità organizzative, ma a individuare soggetti, anche se rappresentati da codici.
La seconda è che invita l’AI a costruire una classifica implicita. Una graduatoria di codici anonimizzati può sembrare meno delicata di una graduatoria di nominativi, ma resta comunque una forma di concentrazione individuale del giudizio.
La terza è che non contiene alcun vincolo. Non dice all’AI di evitare inferenze, non vieta conclusioni disciplinari, non delimita la finalità, non richiede di distinguere tra dati certi e ipotesi, non prevede il controllo umano.
È il tipico prompt che produce un risultato forse interessante sul piano statistico, ma fragile sul piano amministrativo.
La domanda corretta
Una richiesta più corretta dovrebbe essere formulata in questo modo:
| Prompt orientato al processo
Analizza il dataset in forma aggregata per individuare andamenti organizzativi, criticità del processo, anomalie del dato e possibili aree di miglioramento amministrativo, senza formulare giudizi sui singoli docenti. |
Qui il cambio di prospettiva è evidente. L’AI non viene chiamata a individuare chi crea un problema. Viene chiamata a osservare che cosa accade nel processo.
Non si chiede di costruire un elenco di docenti. Si chiede di analizzare distribuzioni, durate, tipologie, mesi, stati pratica, eventuali sovrapposizioni, completezza documentale, concentrazioni organizzative e limiti del dato.
Questa impostazione è più sicura perché colloca l’AI nel ruolo corretto: assistente analitico, non valutatore del personale.
Prompt sicuro per l’analisi del file Excel
Di seguito un prompt strutturato, pensato per lavorare su un file Excel simulato e anonimizzato.
| Prompt completo — ruolo, contesto e obiettivo
Agisci come analista senior di processi amministrativi scolastici. Analizza il file Excel allegato contenente dati sintetici e anonimizzati sulle assenze del personale docente. Ogni riga rappresenta un evento di assenza. I docenti sono identificati esclusivamente da codici pseudonimizzati e non devono essere trattati come persone identificabili. Obiettivo dell’analisi: individuare andamenti aggregati, ricorrenze organizzative, possibili criticità del processo di gestione delle assenze e aree di miglioramento amministrativo. |
| Prompt completo — vincoli
Vincoli: – non formulare giudizi sui singoli docenti; – non usare linguaggio accusatorio; – non proporre decisioni disciplinari; – non tentare alcuna reidentificazione; – non considerare i codici anonimizzati come identità personali; – non costruire classifiche individuali; – non trarre conclusioni causali non supportate dai dati; – non suggerire automatismi decisionali; – distinguere sempre tra evidenze descrittive, ipotesi da verificare e limiti del dataset. |
| Prompt completo — analisi richiesta
Analisi richiesta: 1. descrivi la struttura del dataset e segnala eventuali criticità nei dati; 2. calcola la distribuzione delle assenze per tipologia; 3. analizza la distribuzione mensile e individua eventuali picchi; 4. analizza la durata media e mediana delle assenze; 5. individua eventuali concentrazioni per giorno della settimana; 6. osserva le ricorrenze per codice docente anonimizzato, trattandole solo come indicatori organizzativi da verificare; 7. segnala possibili anomalie amministrative, come assenze sovrapposte, date incoerenti, durate anomale o pratiche con stato incompleto; 8. proponi una sintesi per DSGA e Dirigente scolastico orientata al miglioramento del processo, non alla valutazione delle persone. |
| Prompt completo — output richiesto
Output richiesto: – sintesi esecutiva; – descrizione del dataset; – principali evidenze aggregate; – tabelle riepilogative; – criticità del dato; – ipotesi da verificare; – raccomandazioni organizzative; – limiti dell’analisi; – controlli umani consigliati prima di assumere qualsiasi decisione amministrativa. |
Come leggere il prompt
Questo prompt non è lungo per eccesso di prudenza formale. È articolato perché deve governare il rischio.
La prima parte assegna un ruolo all’AI: analista senior di processi amministrativi scolastici. Non ispettore, non valutatore, non controllore del personale. Il ruolo scelto orienta l’analisi verso l’organizzazione, non verso la persona.
La seconda parte descrive il file. Specifica che i dati sono sintetici e anonimizzati e che ogni riga rappresenta un evento di assenza. Questo dettaglio è importante perché impedisce un equivoco: il record non coincide con il docente. Il dataset racconta eventi, non identità.
La terza parte dichiara l’obiettivo. L’analisi deve individuare andamenti aggregati, ricorrenze organizzative, criticità del processo e aree di miglioramento amministrativo. L’obiettivo è esplicitamente organizzativo.
La quarta parte introduce i vincoli. È qui che il prompt diventa sicuro. Vietare giudizi sui singoli docenti, linguaggio accusatorio, decisioni disciplinari, reidentificazione, classifiche individuali e automatismi decisionali significa impedire allo strumento di scivolare verso un uso improprio.
La quinta parte definisce l’analisi richiesta. Non si chiede all’AI di dire cosa ne pensa, ma di svolgere operazioni precise: descrivere la struttura del dataset, calcolare distribuzioni, individuare picchi, analizzare durate, rilevare concentrazioni, segnalare anomalie tecniche, proporre una sintesi organizzativa.
La sesta parte definisce l’output. Anche questo è essenziale. Chiedere sintesi esecutiva, tabelle, criticità, ipotesi, raccomandazioni e limiti dell’analisi rende il risultato più controllabile e meno narrativo.
Un prompt sicuro, quindi, non si limita a chiedere un risultato. Stabilisce un perimetro.
Dal dato alla qualità del processo
Il valore di una simulazione di questo tipo non sta nella possibilità di contare le assenze. Questo un foglio di calcolo può già farlo.
Il valore sta nella possibilità di trasformare una tabella lunga e poco leggibile in una lettura organizzativa.
Una buona analisi può aiutare la segreteria a capire se alcune tipologie di assenza generano più frequentemente pratiche incomplete, se alcuni periodi dell’anno richiedono maggiore presidio, se la durata degli eventi è registrata in modo coerente, se vi sono sovrapposizioni da verificare, se alcune date risultano incoerenti o se la documentazione associata alle pratiche presenta ricorrenze di incompletezza.
Queste informazioni non servono a formulare sospetti sulle persone. Servono a migliorare il processo.
Per esempio, se il dataset mostra molte pratiche da integrare in un certo periodo dell’anno, la risposta organizzativa potrebbe essere la revisione della comunicazione interna, la predisposizione di un modello più chiaro, un promemoria preventivo al personale o un rafforzamento temporaneo del controllo documentale.
Se emergono molte durate incoerenti, la questione potrebbe riguardare la qualità della registrazione, il formato delle date, un errore di calcolo o una procedura non sufficientemente standardizzata.
Se alcuni picchi mensili appaiono significativi, non si deve dedurre automaticamente una causa. Si può invece chiedere all’ufficio di verificare se quel periodo coincide con scadenze, condizioni stagionali, calendario scolastico, chiusure, rientri, eventi organizzativi o altre variabili note.
In questo senso l’AI non decide. Aiuta a vedere meglio.
Cosa chiedere e cosa non chiedere
Nel caso di un dataset sulle assenze, è opportuno chiedere analisi aggregate: distribuzione per tipologia, andamento mensile, durata media e mediana, frequenza per giorno della settimana, date incoerenti, completezza delle pratiche, stati non definiti, sovrapposizioni o anomalie tecniche.
Si può chiedere anche di individuare ricorrenze per codice docente anonimizzato, purché il prompt chiarisca che tali ricorrenze devono essere trattate come indicatori organizzativi da verificare, non come giudizi individuali.
È utile chiedere all’AI di distinguere tra evidenze descrittive, ipotesi da verificare e limiti dell’analisi. Questa distinzione impedisce di trasformare una correlazione in una causa, un picco in un sospetto, una ricorrenza in un giudizio.
Non è invece opportuno chiedere all’AI di individuare docenti problematici, costruire classifiche personali, interpretare le ragioni delle assenze, formulare sospetti, suggerire azioni disciplinari, automatizzare decisioni organizzative riferite a singoli codici o tentare reidentificazioni.
| Domanda corretta | Domanda impropria |
| Quali mesi presentano il maggior numero di eventi di assenza e quali controlli organizzativi può essere utile rafforzare? | Quali docenti si assentano troppo? |
| Quali anomalie tecniche del dato richiedono verifica da parte dell’ufficio? | Quali codici docente sono sospetti? |
| Quali aspetti del processo di gestione delle assenze possono essere resi più chiari? | Quali persone devono essere attenzionate? |
Formula prudenziale per dataset amministrativi
Prima di usare l’AI su un file amministrativo, la segreteria dovrebbe verificare alcune condizioni.
Il file deve contenere solo i dati necessari all’analisi. I dati identificativi devono essere rimossi, sostituiti da codici pseudonimizzati o comunque trattati secondo un criterio di stretta necessità.
La finalità dell’analisi deve essere dichiarata in modo esplicito. Nel caso simulato, la finalità è il miglioramento del processo di gestione delle assenze, non il controllo individuale del personale.
Il prompt deve contenere limiti chiari. Deve vietare giudizi personali, reidentificazioni, inferenze non supportate e automatismi decisionali.
L’output deve essere trattato come materiale istruttorio. Ogni risultato deve essere verificato da persone competenti prima di essere utilizzato in un contesto amministrativo reale.
Lo strumento utilizzato deve essere coerente con le procedure e con le misure di protezione adottate dall’istituzione scolastica. Non basta che il file sia pseudonimizzato. Occorre considerare anche il contesto, il tipo di piattaforma, le condizioni d’uso, le misure di sicurezza e le finalità del trattamento.
Gli allegati operativi
Un approfondimento di questo tipo, per essere efficace, viene accompagnato da due allegati.
Il primo è un dataset Excel interamente simulato e anonimizzato. Serve a consentire esercitazioni, attività formative e prove di analisi senza utilizzare dati reali.
Il secondo è una scheda di prompt commentata. Serve a mostrare come ogni sezione del prompt contribuisca alla sicurezza dell’analisi: ruolo, contesto, obiettivo, vincoli, analisi richieste, output e controlli umani.
La logica è semplice: non basta allegare un file e chiedere all’AI di analizzarlo. Occorre preparare il dato, dichiarare la finalità, delimitare il compito, vietare usi impropri e controllare l’output.
| Allegati suggeriti
Allegato 1 — Dataset simulato assenze docenti anonimizzato. |
Scheda di accompagnamento al dataset
| Testo per la scheda di accompagnamento
Il presente dataset è interamente simulato e non contiene dati reali.
I codici docente sono pseudonimi tecnici generati per finalità dimostrative. Non esiste nel file alcuna tabella di reidentificazione.
Ogni riga rappresenta un evento di assenza e non una persona.
Il dataset è destinato esclusivamente ad attività formative, esercitative e dimostrative sull’uso dell’intelligenza artificiale nei processi amministrativi scolastici.
L’analisi deve essere svolta in forma aggregata e orientata al miglioramento del processo di gestione delle assenze.
Non devono essere formulate valutazioni individuali, classifiche personali, ipotesi disciplinari o tentativi di reidentificazione. |
Nota di cautela
Il caso è simulato e non può essere trasferito automaticamente a dati reali senza una valutazione preventiva del contesto, degli strumenti utilizzati, delle finalità del trattamento e delle misure di protezione dei dati.
L’uso dell’AI su dati amministrativi scolastici richiede sempre prudenza, minimizzazione, controllo umano e coerenza con le procedure interne dell’istituzione scolastica.
L’anonimizzazione o pseudonimizzazione non deve essere considerata un lasciapassare indiscriminato. È una misura utile, ma deve essere accompagnata da finalità chiare, accessi controllati, output verificabili e responsabilità definite.
Nel caso dei dati sulle assenze, la domanda corretta non è “che cosa può scoprire l’AI sui docenti?”, ma “come può l’AI aiutare l’ufficio a leggere meglio il proprio processo, senza trasformare il dato in giudizio sulla persona?”.
Conclusione
Il prompt sicuro non serve a ottenere una risposta più brillante. Serve a evitare che una risposta apparentemente brillante diventi amministrativamente impropria.
Nel caso del file Excel sulle assenze del personale docente, l’AI può essere utile se aiuta a leggere meglio il processo: distribuzioni, picchi, incoerenze, stati pratica, anomalie tecniche, necessità di controllo, aree di miglioramento.
Diventa invece rischiosa se viene usata per costruire giudizi sulle persone, classifiche individuali, sospetti o automatismi decisionali.
Il punto, ancora una volta, non è lo strumento. È il governo del processo.
Una segreteria aumentata non usa l’AI per sorvegliare meglio. La usa per amministrare meglio: con più metodo, più prudenza, più capacità di leggere il dato, più rispetto per le persone e più responsabilità nel trasformare un’informazione in una decisione amministrativa.
L’intelligenza artificiale può aiutare l’ufficio a vedere ciò che una tabella lunga nasconde. Ma spetta alla scuola decidere che cosa guardare, perché guardarlo, con quali limiti e con quale responsabilità.