Il Robodog che ha svelato la crisi dell'educazione all'IA in India

Internet rideva a crepapelle, ma le risate avevano un'acidità.

Il 17 febbraio 2026, al Bharat Mandapam, la principale sala congressi dell'India, una professoressa della Galgotias University ha detto davanti a una telecamera di DD News che la sua università aveva costruito "Orion", un elegante robodog a quattro zampe, come parte di un Centro di Eccellenza per l'IA da ₹350 crore.

La dichiarazione non ha retto fino al pomeriggio.

I media cinesi e osservatori tecnologici hanno rapidamente sostenuto che la macchina fosse il Go2 della Unitree, un robot venduto online, e la vetrina è rapidamente passata dalla pubblicità all'imbarazzo.

Sembra che l'alimentazione dello stand sia stata interrotta, l'università sia stata fatta uscire, sia seguito un rammarico formale e sia stata annunciata un'inchiesta.

Per un Paese classificato terzo nello strumento Global AI Vibrancy 2025 di Stanford, lo spettacolo non è stato solo una gaffe di PR; è stato un test di resistenza.

Quando i meme si sono spenti, è rimasta una domanda: che tipo di ecosistema di IA produce una dimostrazione che non resiste a una ricerca via browser?

La pagella che nessuno voleva

Oggi la narrazione sull'IA in India è supportata da convalide serie.

Lo strumento Global AI Vibrancy di Stanford per il 2025 ha collocato l'India al terzo posto, un balzo che i media indiani hanno letto come prova che il Paese sta salendo su molteplici indicatori dell'IA.

Quella classifica è importante perché riflette ampiezza: attività di talento, segnali di ricerca e scala dell'ecosistema, non solo un lancio di prodotto appariscente.

Ma l'IA è uno di quei campi dove la scala può nascondere la superficialità.

Un Paese può avere molti utilizzatori di IA in grado di adottare strumenti pronti all'uso e trovarsi comunque in difficoltà nel produrre creatori di IA: ricercatori e ingegneri che sviluppano nuovi metodi, pubblicano risultati duraturi e generano proprietà intellettuale difendibile.

È qui che la storia dell'India si scontra con la nota a piè di pagina.

Diverse compilazioni e sintesi rivolte alla politica hanno evidenziato quanto rimanga piccola la quota indiana di brevetti globali sull'IA rispetto alle due maggiori potenze dell'IA.

Il rapporto AI Index 2025 di Stanford colloca l'India a circa lo 0,37% dei brevetti globali sull'IA, contro circa il 70% della Cina e circa il 14% degli Stati Uniti.

I brevetti sono una misura imperfetta: molti sono di bassa qualità, alcune scoperte restano senza brevetto e l'open-source è reale.

Ma come proxy per chi possiede la tecnologia di base, sono la migliore misura disponibile, e la fetta dell'India è incredibilmente piccola.

Se la quota di brevetti dell'India è così ridotta, l'implicazione non è che manchi talento. È che l'ecosistema è stato più bravo a formare persone a usare la tecnologia che a crearla su scala.

Per questo l'episodio del Robodog ha avuto un impatto così forte. Comprare un robot e costruire un robot non sono la stessa cosa.

La prima è procurement. La seconda è ricerca, produzione, ingegneria dei sistemi, test e iterazione, lavoro che richiede laboratori, budget e mentori esperti.

Quando un sistema investe costantemente poco nella seconda, comincia a premiare l'apparenza d'innovazione rispetto alla sua pratica.

​

La base finanziaria sotto l'«innovazione»

Dietro alla maggior parte delle storie di «falsa innovazione» c'è una reale storia di scarsità.

La spesa indiana per ricerca e sviluppo è di circa lo 0,6% del PIL, come citato nei resoconti basati sull'Economic Survey 2025–26.

La stessa copertura collegata all'Economic Survey indica una seconda limitazione: il settore privato indiano contribuisce solo per circa il 41% alla spesa totale in R&S.

Questi numeri modellano tutto ciò che viene dopo. Quando il capitale privato non finanzia in modo significativo la ricerca universitaria, il sistema si appoggia pesantemente sui budget governativi e sulle entrate delle tasse universitarie.

Questo tende a produrre comportamenti prevedibili: le università ottimizzano per ciò che è economico da mostrare e facile da contare: nuovi centri, nuovi MoU, nuovi programmi di laurea «IA» e articoli di conferenza, piuttosto che ciò che è costoso da costruire, come l'accesso al calcolo, dataset di alta qualità, laboratori hardware e supervisione di ricerca sostenuta.

I confronti con economie simili rendono la posizione dell'India ancora più evidente e sentita.

Resoconti basati sull'Economic Survey hanno messo a confronto l'intensità in R&S dello 0,6% dell'India con livelli molto più alti negli Stati Uniti, in Cina e in Corea del Sud.

Il contrasto diventa più netto se guardiamo più da vicino alla quota del settore privato in quei Paesi, con una partecipazione privata molto più alta.

In altre parole, l'India cerca di vincere una gara nel deep-tech con una base di R&S superficiale e con aziende che non stanno ancora assumendosi la maggior parte del rischio di ricerca.

Qui la responsabilità si distorce. Quando le risorse sono scarse e i metriche sono rumorose, le istituzioni inseguono segnali.

Ridenominano droni importati come «piattaforme indigene». Trattano partnership con fornitori come «risultati di ricerca».

Deposito brevetti di bassa qualità per gonfiare dashboard di innovazione. Spingono il corpo docente verso obiettivi di pubblicazione basati sulla quantità.

Nessuno di questi comportamenti è difendibile. Ma sono comprensibili in un sistema che premia output che sembrano progresso, anche se la capacità sottostante manca.

Dove si rompe il flusso: aule, mentori e risorse di calcolo

Se vuoi capire perché il momento «Orion» è plausibile, devi allontanarti dalla sala espositiva e entrare nella classe media di ingegneria.

Invezz ha parlato con il Prof. Naveen Garg, Direttore del Dipartimento di Informatica e Ingegneria all'IIT Delhi, che inquadra la rottura come un problema di fondamenti e mentorship.

L'India, dice, ha bisogno di «un numero maggiore di laureati con solide basi in matematica e informatica» e «un pool più ampio di persone in grado di fornire la mentorship per una ricerca di qualità sull'IA».

È altrettanto schietto sugli incentivi:

«Il governo non sembra fornire seriamente gli incentivi necessari per farci diventare un paese guidato dalla ricerca nel dominio dell'IA. I grandi attori come Cina e Stati Uniti hanno effettivamente investito una grande quantità di risorse nella creazione di ricercatori di qualità. Questo non è ancora accaduto nel Paese», ha detto.

Il problema del «pool di mentori» non è un'appunto accademico. Decide se gli studenti imparano ricette o ragionamento.

Il lavoro moderno sull'IA richiede pensiero statistico, ottimizzazione e solide conoscenze di sistemi.

Richiede anche giudizio: come valutare un modello, come testarlo in condizioni reali, come rilevare errori e come comunicare responsabilmente l'incertezza.

Poi c'è la limitazione infrastrutturale, che plasma silenziosamente ciò che gli studenti possono fare.

Hardeep, un Senior AI Engineer e laureato dell'IIIT Prayagraj, attribuisce al suo corso di studi il merito di avergli dato «solide basi teoriche in Machine Learning (ML), Natural Language Processing (NLP) e algoritmi.»

Ma aggiunge un dettaglio cruciale parlando con Invezz: «I Transformers e gli LLM moderni non venivano trattati allora, e il lavoro pratico su progetti era limitato a causa dei costi infrastrutturali.»

Per i lettori non specialisti: i "Transformers" sono un'architettura di modelli che alimenta molti sistemi IA moderni, inclusi i grandi modelli di linguaggio (LLM) che generano testo.

Allenare e testare questi modelli a una scala significativa richiede spesso costoso calcolo (GPU) e ingegneria attenta, risorse che molte università non possiedono.

La conclusione di Hardeep è la linea che dovrebbe preoccupare maggiormente i responsabili politici:

«Oggi costruire prodotti IA reali è molto più accessibile; il successo dipende in gran parte dalla curiosità individuale e dall'autoapprendimento piuttosto che dalla sola formazione universitaria.»

L'autoapprendimento non è un difetto; è una virtù nella tecnologia.

Il problema è quando l'autoapprendimento diventa un surrogato della capacità istituzionale.

Quando le università esternalizzano costantemente le parti più difficili della formazione a YouTube, corsi aperti e laptop personali, continuano a raccogliere i benefici di reputazione, ma gli studenti pagano il prezzo reale in termini di tempo, incertezza e risultati disomogenei.

Per questo l'accesso al calcolo è diventato la nuova linea di demarcazione. La politica indiana ha cominciato a riconoscere questo vincolo.

I resoconti attorno alla IndiaAI Mission hanno indicato un dispiegamento su larga scala di GPU, circa 18.000 GPU già distribuite nell'ambito della missione.

Questo è importante perché il calcolo condiviso può abbassare la barriera per ricercatori e startup che altrimenti non potrebbero eseguire esperimenti seri.

Ma l'acquisto di GPU non è la stessa cosa della capacità di ricerca.

Il calcolo senza mentori produce disordine: persone che eseguono esperimenti senza una guida solida su valutazione, etica e riproducibilità.

I mentori senza calcolo generano frustrazione: studenti che comprendono la teoria ma non possono svolgere lavori pratici significativi.

Una strategia credibile per l'educazione all'IA ha bisogno di entrambi, estesa a più di uno strato sottile di campus d'élite.

Il problema di credibilità: una cultura della ricerca che non puoi disconnettere

Un robodog può essere staccato dalla presa. Una crisi di credibilità no.

L'ecosistema di pubblicazione indiano ha subito crescenti controlli per l'integrità della ricerca, compreso il ruolo di "paper mills" e la manipolazione della peer review in alcuni casi.

Uno studio peer-reviewed di settembre 2025 pubblicato nel Journal of Data Science, Computing and Information Sciences ha utilizzato i dati di Retraction Watch ed esaminato 2.853 articoli ritirati da studiosi indiani dal 2010 al 2024.

Lo studio ha rilevato che le ritrattazioni sono aumentate dopo il 2021, con il 57,55% che si è verificato tra il 2021 e il 2024.

La stessa analisi elenca i motivi citati più frequenti, che includono peer review falsa (1.007 articoli), plagio (880) e manipolazione/falsificazione dei dati (746).

Per i lettori non familiari con la «peer review falsa»: la peer review dovrebbe essere un controllo indipendente di esperti prima della pubblicazione.

Quando è falsa o compromessa, lavori inaffidabili possono entrare nel record scientifico.

Le ritrattazioni sono il freno d'emergenza del sistema, ma rivelano anche il costo di incentivi deboli e di una scarsa applicazione delle regole.

Perché questo importa per l'IA? Perché il progresso dell'IA dipende da ricerca affidabile.

Se la pipeline della ricerca è rumorosa, articoli che non si possono riprodurre, risultati esagerati e dataset discutibili rallentano l'adozione industriale e la credibilità globale ne risente.

Il Paese finisce per passare più tempo a inseguire metriche che a costruire capacità durature.

L'episodio del robodog, in questo senso, è il cugino visivo di un pattern più profondo: la forma sulla prova.

Quando le istituzioni vengono ricompensate per essere viste in prima linea piuttosto che per fare lavoro d'avanguardia, investiranno prevedibilmente nell'ottica.

Per questo la risposta politica non può fermarsi alla punizione. Deve cambiare gli incentivi: cosa valorizzano le classifiche, cosa esaminano le verifiche di accreditamento e a cosa è legato il finanziamento.

Se il sistema continua a pagare per il volume, continuerà a ricevere volume, a volte onesto, a volte no.

​

Costruttori vs utenti: la perdita di talento

Il dibattito sull'IA in India si divide sempre più in due campi: gli ottimisti che sostengono che l'India sta diventando un costruttore, e gli scettici che dicono che l'India è ancora per lo più un utilizzatore su larga scala.

Il Prof. M Jagadesh Kumar, ex presidente dell'UGC e presidente del Comitato di revisione della NEP 2020, sostiene con convinzione il caso ottimista:

«Oggi le istituzioni indiane non sono solo utilizzatrici di IA. Stanno diventando rapidamente costruttrici di IA. Le istituzioni indiane stanno collaborando sempre più con l'industria per sviluppare soluzioni di IA in istruzione, salute, governance, agricoltura e città intelligenti. Posso fornirvi alcuni esempi», ha detto il Prof. Kumar a Invezz.

«Il Ministero dell'Istruzione ha sostenuto Centri di Eccellenza per l'IA, come TANUH all'IISc. Questo centro lavora su soluzioni IA scalabili per la sanità (soprattutto per le malattie non trasmissibili). L'IIT Madras Global Research Foundation ha annunciato un Applied AI Innovation Centre per accelerare l'IA applicata. Il centro collega la ricerca con un uso responsabile nel mondo reale», ha aggiunto.

Ha inoltre sottolineato la IndiaAI Mission, che promuove innovazione IA, accesso e soluzioni centrate sull'India in collaborazione con istituti educativi indiani.

«Questi esempi mostrano che molte università indiane stanno lavorando su un'IA inclusiva e applicabile.»

Riguardo all'incidente di Galgotias, il Prof. Kumar è misurato senza nominare alcuna istituzione:

«Se qualche istituto oltrepassa le sue affermazioni, le misure mitigative dovrebbero essere proporzionate, educative e correttive. Le istituzioni dovrebbero anche formare i loro team in etica, integrità della ricerca e comunicazione responsabile. Questo approccio è il modo più sicuro per proteggere la reputazione dei veri innovatori dell'India», ha detto.

«Previene anche che affermazioni gonfiate creino una narrazione falsa. Ma non ho dubbi che gli istituti di istruzione superiore indiani stiano rapidamente costruendo capacità in IA e creando soluzioni inclusive», ha aggiunto.

D'altra parte, il punto degli scettici è difficile da ignorare: le eccezioni d'élite non definiscono la mediana. Una manciata di istituti di alto livello può davvero costruire e pubblicare.

Ma il sistema dell'istruzione superiore indiano è vasto e disomogeneo. Se la maggior parte dei campus non può offrire reale accesso al calcolo, mentorship credibile e una cultura della ricerca che antepone l'integrità, lo status di «costruttore» rimane concentrato in cima.

Aule prima delle cerimonie

E anche quando l'India produce talento IA forte, il Paese fatica a trattenerlo.

Resoconti che riassumono i metriche sul talento collegate all'AI Index di Stanford hanno evidenziato il punteggio di migrazione netta di talento IA dell'India a -1,55, segnalando un deflusso netto secondo quella misura.

Questo conta perché la fuga di cervelli non è solo un titolo di giornale.

È una perdita cumulativa di mentori, fondatori e leader della ricerca, esattamente le persone necessarie a rafforzare il flusso nazionale.

In termini finanziari, l'India investe nella formazione di talento ma non riesce a catturare abbastanza dei ritorni a lungo termine.

E quando i ritorni fuoriescono, le istituzioni sentono ancora più pressione a performare per classifiche e PR, perché il risultato più profondo, un ecosistema di ricerca stabile, resta difficile da mostrare rapidamente.

Il Unitree Go2 (che fosse quel modello o no) è in definitiva un prop in una storia più grande.

L'India non è a corto di ambizione. Non le mancano studenti brillanti. Le manca il tipo di architettura educativa e di ricerca che trasforma l'ambizione in tecnologia posseduta.

Il robodog non è stato lo scandalo. Lo è il sistema che lo ha reso plausibile.