Strategia

~ Marco Piovesan ~ Leave a comment

Questa immagine sotto propone un’idea di strategia sorprendentemente semplice: la strategia non è un piano complicato, ma un ponte chiaro tra il presente e un futuro desiderato.

Tutto parte dal “current”, da dove siamo oggi, e arriva al “future”, dove vogliamo arrivare. In mezzo non c’è una lista infinita di iniziative, ma poche scelte chiave. La strategia serve esattamente a questo: decidere cosa conta davvero.

Il primo passo è il perché del cambiamento. Prima ancora di parlare di obiettivi o soluzioni, bisogna saper incorniciare il problema e la sua urgenza. Qual è il vero nodo, non il sintomo? Cosa succede se non cambiamo nulla? Una buona strategia nasce quando il bisogno di cambiare è chiaro, condiviso e difficile da ignorare.

Il secondo passo è chiarire cosa significa vincere. Il futuro non è una direzione vaga, ma un’ambizione precisa: un risultato concreto, misurabile, con un orizzonte temporale chiaro. È la “north star”, l’esito attorno a cui le persone possono allinearsi. Senza questa chiarezza, ogni sforzo rischia di disperdersi.

Solo a questo punto entra in gioco il come. La strategia non è fare tutto, ma scegliere poche “big boulder choices”: 3–5 decisioni forti che definiscono il percorso verso l’obiettivo. Devono essere scelte diverse da ciò che si è fatto finora, sufficientemente focalizzate da guidare l’allocazione di tempo, persone e risorse. Qui la strategia diventa concreta.

Il messaggio di fondo è potente: la strategia non è complessità, è sottrazione. È dire no a molte cose per poter dire sì a quelle che contano davvero. È rendere esplicito il perché, il cosa e il come, in quest’ordine. Quando questi tre elementi sono allineati, la strategia smette di essere un documento e diventa una storia chiara che orienta le decisioni quotidiane.

Produttività

~ Marco Piovesan ~ Leave a comment

L’immagine sotto riassume bene un equivoco comune sulla produttività: non è solo questione di lavorare di più, ma di lavorare meglio e sulle cose giuste.

La produttività nasce dall’incontro di due dimensioni diverse. Da un lato l’efficienza: quanto lavoro riesci a fare in un certo tempo. Dall’altro l’efficacia: quanto valore produce quel lavoro.

L’efficienza dipende da fattori molto concreti. Il tempo che dedichi al lavoro e la velocità con cui lavori, certo, ma soprattutto da ciò che li rende sostenibili: disciplina, sistemi e lucidità mentale. La disciplina non è un tratto innato, ma il risultato delle decisioni difficili prese in passato. Ogni scelta impegnativa fatta oggi rende quelle future un po’ più facili. I sistemi contano più della motivazione: pianificare orari, tracciare il lavoro, ridurre le decisioni inutili. E senza salute e chiarezza mentale, la velocità è un’illusione.

Al centro c’è poi il ruolo delle competenze e degli strumenti. Le abilità crescono con la ripetizione. Gli strumenti giusti amplificano le abilità. Template, dati, intelligenza artificiale non sostituiscono il pensiero, ma lo liberano da compiti ripetitivi, aumentando la resa dello sforzo.

L’efficacia riguarda invece il ritorno sull’impegno investito: risultato diviso per sforzo. Qui entrano in gioco il feedback, dai dati e dalle persone, e i mentori, che aiutano a correggere la direzione. Il punto non è solo ottenere risultati, ma scegliere opportunità ad alta leva, quelle in cui piccoli input generano output che scalano nel tempo.

Il messaggio finale è semplice ma scomodo: puoi essere molto efficiente e poco efficace, oppure efficace ma inefficiente. La vera produttività richiede entrambe le cose. Non si costruisce con sprint occasionali, ma con decisioni difficili, sistemi intelligenti e una continua attenzione a dove vale davvero la pena investire il proprio tempo.

Teorema di Stokes, scopo della vita e genitorialità

~ Marco Piovesan ~ Leave a comment

Il teorema di Stokes è una delle idee più profonde della matematica moderna, non tanto per la sua formula, quanto per la visione del mondo che suggerisce.

In termini semplici (e imprecisi), Stokes dice che ciò che accade sul bordo di una superficie è interamente determinato da ciò che accade al suo interno. Il comportamento globale, visibile e sintetico, non è qualcosa di aggiunto dall’esterno: è il risultato necessario delle dinamiche locali. Il bordo non comanda l’interno, ma lo rende leggibile.

Questa struttura ha implicazioni filosofiche forti, soprattutto sul piano teleologico. In Stokes, il “fine” non è una causa che guida il processo. Il risultato finale non precede ciò che accade, non lo orienta, non lo governa. Al contrario, il fine emerge come riassunto coerente di ciò che è avvenuto punto per punto. È una teleologia immanente: il senso nasce dal processo, non da un progetto.

Questo indebolisce l’idea di una finalità imposta dall’alto e rafforza una visione anti-dualista del mondo. Non c’è separazione tra meccanismo e significato, tra locale e globale, tra causa ed esito. Il senso non sta altrove: è già inscritto nelle relazioni interne. Il limite, il bordo, non crea il significato, ma lo manifesta.

Se spostiamo questa intuizione sul piano dell’esperienza umana, emerge una metafora potente per pensare la generazione e il fatto di avere figli.

Avere figli non significa realizzare uno scopo esterno, né completare un progetto, né “dare un senso” alla vita dall’esterno. Come nel teorema di Stokes, non si impone un fine: si trasmette una struttura. I figli sono uno dei modi principali attraverso cui ciò che siamo interiormente – valori, abitudini, modi di stare al mondo – attraversa un confine temporale e si rende visibile oltre la nostra vita.

In questo senso, i figli non sono un fine, ma un passaggio. Non sono il risultato da ottimizzare, ma il bordo attraverso cui il flusso della vita continua. Il senso non nasce dal controllo dell’esito, ma dalla continuità del processo.

Questo chiarisce anche perché la generazione è così strettamente legata alla finitezza. Ogni vita ha un limite. Il bordo è inevitabile. Avere figli non è un tentativo di negare questo limite, ma uno dei modi (non l’unico) di abitarlo in modo coerente: io finisco, ma ciò che ho messo in moto continua secondo regole che non controllo più.

Da qui deriva l’importanza esistenziale, ma non l’obbligo morale. Come il teorema di Stokes vale solo quando c’è una superficie con un bordo, così non tutte le vite devono necessariamente articolarsi attraverso la genitorialità. Tuttavia, questa prospettiva spiega perché, per molti, avere figli è percepito come profondamente significativo: perché rende visibile l’unità tra ciò che si è stati e ciò che verrà, senza bisogno di uno scopo imposto, di una promessa di immortalità o di una giustificazione esterna.

Conoscere il mondo: modelli, residui e limiti della mente umana

~ Marco Piovesan ~ Leave a comment

Ogni epoca cerca di capire il mondo costruendo modelli. Non modelli nel senso tecnico ristretto, ma strutture concettuali che riducono la complessità della realtà per renderla comprensibile, comunicabile, abitabile. La storia della conoscenza non è la storia di una verità che si avvicina alla completezza, ma di modelli che diventano progressivamente più affidabili, pagando però il prezzo dell’incompletezza.

La vera rottura del metodo scientifico

La nascita della scienza moderna non coincide semplicemente con l’uso della matematica o con l’osservazione sistematica. La rottura decisiva è più radicale: l’accettazione consapevole di modelli incompleti.

Prima della modernità, un buon modello del mondo doveva spiegare tutto. Nel mito, nella metafisica classica, nella teologia naturale, ciò che restava fuori era un fallimento. Non era ammesso un “residuo”: ogni evento doveva avere una causa, un fine, un significato.

Con Galileo e Newton accade qualcosa di nuovo. La legge scientifica non pretende più di essere totale. Dice meno, ma lo dice meglio. Rinuncia alla spiegazione ultima per guadagnare precisione, replicabilità e potere predittivo. In termini formali, la scienza moderna scrive un modello sapendo che non è un’identità del reale, ma un’approssimazione.

Il residuo come conquista epistemica

Il vero gesto rivoluzionario della scienza è rendere legittimo il residuo. In una regressione, il termine di errore non è un incidente: è strutturale. Anche con dati perfetti e parametri stimati senza errore, il residuo non scompare. Questo non indica ignoranza, ma consapevolezza del limite. Un modello scientifico funziona proprio perché accetta di non catturare tutto. Il residuo, in origine, è una conquista epistemica: il segno matematico che il modello non coincide con il mondo.

Il successo straordinario della scienza produce però un effetto collaterale. Poiché i modelli funzionano, il residuo tende a essere reinterpretato come qualcosa di transitorio: rumore, errore di misura, mancanza temporanea di dati. Progressivamente, il residuo perde dignità concettuale. Non è più ciò che eccede il modello, ma ciò che verrà prima o poi assorbito da un modello migliore. Questa convinzione non è scientifica: è metafisica. Nessun modello garantisce che, aumentando dati e complessità, il residuo tenda a zero. Alcuni residui non dipendono dalla qualità dei dati, ma dalla struttura stessa del modello.

Arte, letteratura e mito: non spiegazioni concorrenti

Qui si collocano gli altri modi di comprendere il mondo. Arte, musica, letteratura e mito non sono tentativi primitivi di spiegazione causale, destinati a essere sostituiti dalla scienza. Sono risposte a una domanda diversa.

La scienza riduce la complessità per stimare relazioni affidabili. L’arte non riduce: esplora. Non spiega il residuo, ma lo rende esperibile. Non aumenta la capacità predittiva, ma la capacità di abitare ciò che non è riducibile a legge.

Il progresso della conoscenza non elimina questi linguaggi: li differenzia. Il mito spiegava tutto e spiegava male. La scienza spiega poco e spiega bene. L’arte non spiega, ma mostra.

Il vero limite della scienza: la mente umana

Il limite ultimo della scienza non è il metodo, ma chi lo utilizza. I modelli scientifici sono prodotti di una mente umana finita, evolutivamente adattata a problemi locali, incline a semplificare.

La regressione lineare è una buona metafora cognitiva. È semplice, potente, sorprendentemente efficace. Ma tenta continuamente di descrivere fenomeni non lineari, dinamici, emergenti.

Non è un errore: è una necessità. Senza una drastica riduzione della complessità, non esisterebbe alcuna conoscenza condivisibile. Ma questa stessa riduzione genera residui che non dipendono dai dati, bensì dai limiti del nostro modo di pensare.

Il paradosso moderno

Il paradosso della modernità scientifica è che il successo dei modelli rende facile confondere affidabilità locale con completezza ontologica. Un alto livello di spiegazione viene scambiato per una descrizione esaustiva del reale.

Ma nessun valore di bontà del modello dice nulla su ciò che il modello non può, in linea di principio, catturare.

La scienza ha migliorato radicalmente il nostro modo di conoscere il mondo accettando modelli parziali. Ha avuto successo rendendo il residuo operativamente irrilevante. Rischia di diventare dogmatica quando dimentica che quel residuo nasce anche — e forse soprattutto — dai limiti della mente che modella. La realtà non è lineare. Lineare è il nostro modo di pensarla. E il progresso della conoscenza non consiste nell’eliminare il residuo, ma nel riconoscerlo senza smettere di migliorare i modelli.

Intelligenza Artificiale e istruzione universitaria

~ Marco Piovesan ~ Leave a comment

L’Intelligenza Artificiale sta entrando nei nostri corsi universitari con una rapidità che fino a pochi anni fa sarebbe sembrata fantascienza. Non è un’aggiunta marginale, né un semplice strumento utile per velocizzare qualche passaggio. È un cambiamento che riguarda le fondamenta stesse dell’insegnamento, soprattutto in discipline come l’economia, dove dati, modelli e scenari sono parte essenziale del metodo di lavoro. La novità più significativa non è che gli studenti possano generare grafici in pochi secondi o chiedere a un assistente digitale di riformulare un concetto. La vera trasformazione è nel modo in cui si costruisce l’apprendimento: meno lineare, meno uniforme, più dinamico e più adattabile.

Chi insegna economia sa bene quanto sia difficile bilanciare le differenze di preparazione tra gli studenti. Alcuni arrivano già forti in matematica o statistica, altri faticano con le basi. C’è chi comprende i modelli astratti con naturalezza e chi ha bisogno di molti più passaggi intermedi. L’IA rende possibile affrontare questa eterogeneità in modo nuovo, offrendo spiegazioni personalizzate e modulando la complessità del contenuto sulla base delle difficoltà individuali. Questo non sostituisce il lavoro del docente, anzi lo valorizza: liberati dal compito di ripetere definizioni e procedure standard, possiamo concentrarci sul cuore dell’insegnamento, cioè sul far pensare gli studenti.

La parte più interessante del cambiamento riguarda il ruolo del docente. Per decenni l’università ha funzionato con un modello che metteva al centro la trasmissione frontale del sapere. Oggi questo modello non basta più. L’IA fornisce informazioni, esempi e persino bozze di ragionamento. Quel che manca, e che resta competenza esclusiva dell’insegnante, è la capacità di dare forma a un percorso intellettuale coerente. È il docente a interpretare gli errori degli studenti, a capire da dove nascono, a individuare gli snodi concettuali, a insegnare cosa significa davvero ragionare in termini causali, costruire un modello, distinguere un risultato plausibile da un errore elegante ma infondato.

Con l’IA, il tempo in aula diventa molto più prezioso. Non serve dedicarlo alle parti meccaniche di un corso, che possono essere gestite fuori dall’aula con strumenti intelligenti. Quando ci si vede di persona, si può lavorare su ciò che richiede confronto, intuizione, giudizio: le implicazioni dei modelli, l’interpretazione dei dati, le domande che non hanno una risposta unica, i dilemmi di policy, le dinamiche strategiche. L’economia torna a essere un laboratorio intellettuale, non un percorso a tappe fisse.

C’è poi un’altra dimensione che spesso non viene colta subito, ma che ha un valore enorme: l’IA costringe gli studenti a diventare più critici. I modelli generativi producono risposte convincenti ma non sempre corrette; sanno usare un linguaggio impeccabile ma possono proporre analisi fuorvianti. In un contesto così, gli studenti devono imparare a verificare, a controllare le fonti, a riconoscere la coerenza interna di un ragionamento. Devono, in altre parole, sviluppare una competenza epistemica più profonda. Non basta più conoscere una definizione: occorre saper valutare il processo che porta a una conclusione. Questo è un cambiamento pedagogico decisivo, e nessuna macchina lo può sostituire.

Infine, l’IA introduce un elemento di giustizia educativa. In corsi sempre più eterogenei, dove gli studenti arrivano da percorsi scolastici e background molto diversi, la tecnologia può offrire un sostegno personalizzato e continuo, disponibile in ogni momento. Non elimina le differenze, ma permette di ridurne l’impatto, offrendo a tutti la possibilità di recuperare lacune e approfondire ciò che non è chiaro senza paura di esporsi o di rallentare il gruppo.

L’università, quella di qualità, non sta diventando meno umana. Sta diventando più umana nel senso più interessante del termine, perché mette al centro ciò che le macchine non possono fare: guidare la formazione del pensiero, stimolare la curiosità, coltivare il dubbio, costruire mappe concettuali solide. L’economia, con il suo equilibrio tra astrazione e realtà, tra modelli e scelte, è uno dei campi dove questo potenziale appare più evidente.

L’IA non sostituisce il docente. Trasforma il docente in ciò che avrebbe dovuto essere sempre: un architetto dell’apprendimento, capace di costruire percorsi complessi, interpretare gli errori, creare connessioni e allenare le competenze che contano davvero. Chi saprà abbracciare questa trasformazione potrà offrire ai propri studenti un’esperienza più ricca, più stimolante, più formativa. E l’università, invece di temere la tecnologia, potrà finalmente usarla per avvicinarsi alla sua missione più autentica: insegnare a pensare.