L’ AI ci rende tutti umani

Nel 1997, a New York, Garry Kasparov perde una partita a scacchi contro un computer. Non un computer qualsiasi, ma Deep Blue, un gigantesco sistema costruito da IBM, capace di analizzare 200 milioni di posizioni al secondo. Kasparov era il campione del mondo, probabilmente il più famoso scacchista vivente. Per batterlo serviva una macchina costosissima, progettata appositamente, con 32 processori e un’intera squadra di ingegneri alle spalle. Deep Blue vince l’incontro per 3,5 a 2,5. La notizia fa il giro del mondo. Per la prima volta una macchina ha battuto il campione del mondo in un incontro disputato con tempi regolamentari.

Otto anni dopo succede una cosa ancora più curiosa. Nel 2005 viene organizzato un torneo di scacchi in cui i partecipanti possono utilizzare liberamente i computer. Si affrontano grandi maestri, programmi e squadre composte da esseri umani e macchine. A vincere sono due dilettanti americani, Steven Cramton e Zackary Stephen, che utilizzano tre computer per analizzare le mosse. Non sono grandi maestri e non sono neppure lontanamente tra i migliori giocatori del mondo. Eppure riescono a battere squadre molto più forti. Per qualche tempo sembra che il futuro degli scacchi sia proprio questo: non l’uomo contro la macchina, ma l’uomo insieme alla macchina.

Oggi siamo già oltre. Un buon programma di scacchi installato su uno smartphone è molto più forte di qualsiasi essere umano. Magnus Carlsen, uno dei più grandi giocatori della storia, non avrebbe realisticamente possibilità di vincere una partita contro un motore moderno utilizzato alla massima potenza, in condizioni normali. Quello che nel 1997 richiedeva un supercomputer oggi lo possiamo fare con un oggetto che teniamo in tasca e che usiamo soprattutto per mandare messaggi e guardare video.

A questo punto ci si potrebbe aspettare che gli scacchi abbiano perso buona parte del loro fascino. Perché dedicare anni a imparare qualcosa che il proprio telefono sa fare infinitamente meglio? E invece è successo il contrario. Nel dicembre 2022 Chess.com aveva raggiunto 100 milioni di utenti registrati. Nel febbraio 2026 ha annunciato di aver superato i 250 milioni. Nel solo ultimo trimestre del 2025, sulla piattaforma sono state giocate 2,5 miliardi di partite. Naturalmente questa crescita ha molte spiegazioni: le piattaforme online, gli streamer, la pandemia, il successo della serie La regina degli scacchi. Ma resta un fatto curioso: mentre le macchine diventavano imbattibili, sempre più persone si mettevano a giocare.

Mi chiedo se dietro questo apparente paradosso non ci sia qualcosa che riguarda il modo in cui percepiamo le nostre capacità e quelle degli altri.

Per molto tempo il grande maestro di scacchi è stato una figura quasi mitologica. Qualcuno capace di vedere cose che noi non riusciamo nemmeno a immaginare, dotato di un’intelligenza apparentemente diversa dalla nostra. Uno di quegli esseri umani che sembrano appartenere a un’altra specie. Poi arriva una macchina che lo batte sistematicamente. E improvvisamente anche il grande maestro torna a essere un essere umano. Certo, è immensamente più bravo di zia Pina, che gioca a scacchi due volte all’anno dopo pranzo. Ma rispetto alla macchina sono entrambi piuttosto scarsi. Uno molto più scarso dell’altro, naturalmente, ma nessuno dei due può competere.

La distanza tra il grande maestro e zia Pina non è cambiata di un millimetro. È cambiato il modo in cui possiamo guardarla. Quella capacità straordinaria, che prima sembrava quasi soprannaturale, diventa una differenza di grado all’interno di una categoria, quella degli esseri umani, che nel frattempo ha scoperto di essere molto lontana dal vertice.

Forse una delle conseguenze meno ovvie dell’intelligenza artificiale sarà proprio questa: togliere alle attività umane una parte della loro aura di difficoltà. Non perché diventino necessariamente più facili, ma perché diventano meno intimidatorie. Se anche il migliore del mondo perde contro il mio smartphone, forse posso permettermi di giocare senza sentirmi un incapace. Posso provare, sbagliare, imparare e divertirmi. Non devo essere un genio per avere il diritto di partecipare.

E forse questo vale anche per scrivere, programmare, disegnare, comporre musica e molte altre attività. Per anni abbiamo guardato chi eccelle in questi campi con una certa soggezione, convincendoci che fossero cose riservate a persone particolarmente dotate. L’AI potrebbe cambiare questo rapporto. Non soltanto perché ci mette a disposizione strumenti che ci aiutano, ma perché ridimensiona psicologicamente la distanza tra chi è bravissimo e chi non lo è.

Naturalmente potrebbe anche accadere il contrario. Se una macchina fa tutto meglio di noi, potremmo perdere la voglia di imparare. Non sappiamo ancora quale dei due effetti prevarrà, né se l’esempio degli scacchi si ripeterà altrove. Ma credo che valga la pena prendere sul serio questa possibilità.

Siamo abituati a discutere dell’intelligenza artificiale chiedendoci quali lavori sostituirà, quali competenze renderà inutili e quali attività smetteremo di fare. Forse dovremmo chiederci anche quali attività cominceremo a fare proprio grazie alla sua esistenza.

Perché scoprire che siamo tutti un po’ imbecilli rispetto a una macchina potrebbe, paradossalmente, farci sentire meno imbecilli gli uni rispetto agli altri. E convincere molte più persone a provare cose che prima sembravano riservate a pochi.

Che cosa significa essere intelligenti nell’era dell’intelligenza artificiale?

Chi è la persona più intelligente che abbiate mai conosciuto? È una domanda apparentemente semplice, alla quale molti di noi risponderebbero pensando a qualcuno particolarmente brillante, capace di risolvere problemi complessi, dotato di una memoria straordinaria o di conoscenze fuori dal comune. Quando Jodi Shelton ha posto questa domanda a Jensen Huang, fondatore e CEO di NVIDIA, durante un’intervista per il podcast A Bit Personal (video qui sotto), la risposta è stata sorprendente. Huang non ha fatto alcun nome. Ha invece messo in discussione il significato stesso della parola intelligenza. Siamo abituati a considerare intelligente una persona che possiede elevate competenze tecniche, ragiona velocemente e sa risolvere problemi difficili. Ma queste capacità stanno diventando sempre più accessibili grazie all’intelligenza artificiale. Pensiamo alla programmazione informatica, per decenni considerata una delle attività intellettuali per eccellenza e oggi uno degli ambiti nei quali l’intelligenza artificiale sta facendo progressi straordinari. Se una macchina può svolgere attività che fino a pochi anni fa consideravamo espressione di un’intelligenza superiore, forse dobbiamo ripensare che cosa significhi essere intelligenti.

La parte più interessante della risposta di Huang arriva quando propone una definizione alternativa. La persona veramente intelligente, secondo lui, è quella che riesce a combinare competenze tecniche, empatia umana e capacità di comprendere ciò che non viene esplicitamente detto. È qualcuno che sa anticipare i problemi prima ancora che diventino evidenti, che riesce, usando una sua espressione particolarmente efficace, a see around corners, vedere dietro gli angoli. Non si tratta di una capacità misteriosa, ma del risultato dell’integrazione di informazioni, ragionamento analitico, esperienza, intuizione e comprensione delle altre persone. Una persona può essere straordinariamente competente dal punto di vista tecnico e tuttavia non comprendere le conseguenze delle proprie decisioni, le motivazioni degli altri o il contesto nel quale si trova ad agire. Al contrario, qualcuno che non eccelle nei tradizionali test di intelligenza potrebbe possedere una capacità eccezionale di interpretare situazioni complesse, anticipare conflitti e individuare soluzioni che altri non riescono nemmeno a immaginare. È interessante che una riflessione di questo tipo arrivi proprio da una delle persone che più hanno contribuito allo sviluppo delle tecnologie che stanno trasformando il nostro modo di lavorare e di pensare.

Queste considerazioni richiamano un concetto studiato da tempo in psicologia: l’intelligenza emotiva, intesa come la capacità di riconoscere, comprendere e regolare le proprie emozioni, oltre a riconoscere e interpretare quelle degli altri. L’intelligenza emotiva non significa semplicemente essere gentili o sensibili, ma saper utilizzare le informazioni emotive per orientare il comportamento, prendere decisioni e gestire le relazioni. Le emozioni non sono necessariamente un ostacolo alla razionalità. Possono rappresentare una fonte importante di informazioni sulle nostre preferenze, sulle intenzioni degli altri e sulle conseguenze delle nostre scelte. Da questo punto di vista, la tradizionale contrapposizione tra persone razionali e persone emotive appare piuttosto limitante. Una persona intelligente dovrebbe essere capace di integrare entrambe le dimensioni, ed è proprio questa integrazione che sembra emergere dalla definizione proposta da Huang.

Ma l’intelligenza artificiale può possedere intelligenza emotiva? Oggi un sistema di AI può riconoscere segnali emotivi nel linguaggio, interpretare il tono di una conversazione, formulare risposte empatiche e suggerire strategie per affrontare situazioni interpersonali difficili. In alcuni contesti può persino sembrare più paziente, comprensivo e attento di una persona. Esiste però una differenza importante tra riconoscere un’emozione e provarla. Un sistema di intelligenza artificiale può descrivere la paura, interpretare un messaggio carico di tristezza o suggerire come affrontare un conflitto, ma questo non dimostra che sperimenti quelle emozioni come le sperimenta un essere umano. Naturalmente, la questione della possibile esperienza soggettiva delle intelligenze artificiali rimane aperta sul piano scientifico e filosofico. Tuttavia, la distinzione tra riprodurre un comportamento emotivamente intelligente e vivere direttamente un’esperienza emotiva mi sembra fondamentale. E ci porta a una domanda ancora più generale: quali caratteristiche rendono l’intelligenza umana diversa da quella artificiale?

Se proviamo a immaginare una persona intelligente non soltanto in termini di capacità cognitive, ma considerando ciò che caratterizza l’esperienza umana, emergono diverse dimensioni. C’è naturalmente l’intelligenza emotiva, ma anche l’empatia, intesa come capacità di comprendere il punto di vista degli altri e, in alcuni casi, condividerne le esperienze emotive. C’è il giudizio morale, cioè la capacità di valutare le conseguenze delle proprie azioni, scegliere sulla base di valori e assumersi la responsabilità delle decisioni. C’è il pensiero critico indipendente, che non consiste semplicemente nell’applicare regole o risolvere problemi, ma anche nel mettere in discussione le premesse, le convinzioni e gli obiettivi stessi. E poi c’è la capacità di attribuire significato alle esperienze, costruire una propria identità, elaborare progetti di vita e decidere che cosa consideriamo importante. Infine, c’è quella che potremmo chiamare saggezza pratica: la capacità di integrare conoscenze, emozioni, esperienza e consapevolezza del contesto per prendere decisioni in condizioni di incertezza. Non tutte queste capacità sono esclusivamente umane dal punto di vista dei comportamenti osservabili. L’intelligenza artificiale può già riprodurre alcune delle prestazioni associate a ciascuna di esse. La questione è se riprodurre un comportamento equivalga a possedere la capacità nello stesso senso in cui la possiede una persona.

Credo che sia proprio qui che la riflessione di Huang diventi particolarmente interessante. Per molto tempo abbiamo associato l’intelligenza alla capacità di trovare risposte corrette. La scuola e l’università, almeno in parte, hanno costruito i propri sistemi di valutazione attorno a questa idea: risolvere esercizi, rispondere a domande, applicare modelli, dimostrare conoscenze. Ma se l’intelligenza artificiale diventa sempre più efficace nel fornire risposte, il valore relativo di queste competenze potrebbe cambiare. Questo non significa che le conoscenze tecniche diventino inutili. Al contrario, restano indispensabili per valutare la qualità delle risposte, riconoscere gli errori e comprendere i limiti degli strumenti che utilizziamo. Significa però che potrebbe diventare ancora più importante una capacità diversa: individuare quali domande meritano di essere poste. Pensiamo, per esempio, a un problema economico. Un sistema di intelligenza artificiale può analizzare enormi quantità di dati, stimare modelli, identificare correlazioni e suggerire soluzioni per massimizzare un determinato obiettivo. Ma chi stabilisce quale obiettivo debba essere massimizzato? L’efficienza, il benessere collettivo, l’equità, la libertà individuale o la sostenibilità nel lungo periodo? Queste domande non sono soltanto tecniche. Richiedono giudizi di valore, comprensione delle preferenze individuali e collettive e capacità di valutare le conseguenze delle scelte. L’intelligenza artificiale può aiutarci a ragionare anche su questi aspetti, ma questo non elimina la necessità di decidere quali valori vogliamo perseguire e di assumerci la responsabilità delle nostre decisioni.

Questa riflessione ha conseguenze importanti anche per l’educazione. Se una parte crescente delle competenze cognitive tradizionali può essere svolta o potenziata dall’intelligenza artificiale, dobbiamo chiederci quali capacità sia particolarmente importante sviluppare nei bambini, negli adolescenti e negli studenti universitari. Non credo che la risposta sia insegnare meno matematica, meno programmazione o meno capacità analitiche. Il punto è affiancare a queste competenze altre dimensioni dello sviluppo individuale: capacità di cooperare, comprendere le emozioni, esercitare il pensiero critico, affrontare l’incertezza, formulare giudizi autonomi e assumersi responsabilità. Dovremmo forse prestare maggiore attenzione non soltanto a quanto velocemente uno studente trova una soluzione, ma anche a come identifica un problema, interpreta il contesto, considera prospettive differenti e giustifica le proprie scelte. È una sfida educativa particolarmente interessante perché molte di queste capacità sono difficili da misurare attraverso i tradizionali strumenti di valutazione. Eppure potrebbero diventare sempre più importanti, soprattutto in un mondo nel quale la capacità di produrre risposte corrette sarà sempre meno una prerogativa esclusivamente umana.

L’intervista a Huang suggerisce quindi un possibile cambiamento nel modo in cui pensiamo all’intelligenza. Quando le macchine diventano sempre più capaci di svolgere attività cognitive complesse, ciò che distingue una persona non è necessariamente la velocità con cui elabora informazioni o la quantità di conoscenze che possiede. Potrebbe essere piuttosto la capacità di combinare competenze analitiche, comprensione degli altri, esperienza, giudizio e consapevolezza delle conseguenze. Naturalmente, non possiamo sapere quali capacità l’intelligenza artificiale svilupperà in futuro. Sarebbe ingenuo definire l’intelligenza umana esclusivamente attraverso ciò che le macchine non sanno ancora fare, perché il confine rischierebbe di spostarsi continuamente. Forse, allora, la domanda più utile non è che cosa l’intelligenza artificiale non sarà mai in grado di fare, ma che cosa vogliamo continuare a sviluppare negli esseri umani, indipendentemente dai progressi tecnologici.

Una persona intelligente, in questa prospettiva, non è soltanto qualcuno che sa trovare le risposte migliori. È qualcuno che sa riconoscere quali domande meritano di essere poste, quali obiettivi vale la pena perseguire e quali conseguenze è disposto ad assumersi. Forse il futuro dell’intelligenza umana non dipenderà soltanto dalla nostra capacità di risolvere problemi, ma soprattutto dalla nostra capacità di attribuire significato e valore ai problemi che scegliamo di affrontare. E questa potrebbe essere una delle sfide più importanti per l’educazione nell’era dell’intelligenza artificiale.


Jensen Huang, intervista a cura di Jodi Shelton, A Bit Personal, gennaio 2026. La riflessione sull’intelligenza inizia intorno al minuto 74.

Approfondimento: https://www.leadershipnow.com/leadingblog/2026/02/whos_the_smartest_person_youve.html

Il rischio che non possiamo permetterci

Immaginate cento persone che entrano in un casinò. Ognuna gioca con il proprio denaro, seguendo la stessa strategia. La strategia è apparentemente ragionevole: nella maggior parte dei casi si guadagna qualcosa, ma esiste una piccola probabilità di perdere tutto.

Dopo un certo numero di giocate, una delle cento persone finisce in rovina. Le altre continuano a giocare. Se osserviamo il gruppo, possiamo calcolare quanti hanno guadagnato, quanti hanno perso e quale sia stato il rendimento medio.

Adesso immaginiamo un esperimento diverso.

Una sola persona entra nello stesso casinò e ripete la stessa strategia, giorno dopo giorno. Il ventottesimo giorno perde tutto.

Che cosa succede il ventinovesimo giorno?

Niente. Non c’è un ventinovesimo giorno di gioco.

Questa semplice differenza contiene una delle lezioni più importanti dell’economia del rischio: ciò che accade a cento persone in un momento non è necessariamente ciò che accade a una persona nel corso del tempo.

Il problema non è soltanto la probabilità

Quando prendiamo una decisione rischiosa, tendiamo a ragionare in termini di probabilità. Quanto è probabile perdere? Quanto potremmo guadagnare? Il rendimento atteso è positivo?

Sono domande importanti, ma non sempre sufficienti.

Supponiamo che qualcuno ci proponga una scommessa nella quale abbiamo il 99% di probabilità di guadagnare una piccola somma e l’1% di probabilità di perdere tutto il capitale.

Una probabilità dell’1% può sembrare trascurabile. Ma cosa succede se ripetiamo la scommessa cento volte?

Se gli eventi sono indipendenti, la probabilità di non subire mai la perdita catastrofica è pari a 0,99 elevato alla centesima potenza: circa il 36,6%.

In altre parole, la probabilità di incontrare almeno una volta l’evento catastrofico supera il 63%.

E dopo mille scommesse? La probabilità di evitarlo è inferiore allo 0,005%.

Un rischio piccolo, ripetuto abbastanza a lungo, può diventare quasi una certezza.

Naturalmente, questo non significa che ogni rischio debba essere evitato. Significa che dobbiamo distinguere tra rischi che possiamo sostenere ripetutamente e rischi che, anche una sola volta, possono escluderci definitivamente dal gioco.

Perché le nostre nonne capiscono il rischio meglio di quanto pensiamo

Nassim Nicholas Taleb utilizza un esempio particolarmente efficace.

Immaginiamo di chiedere a qualcuno se sia razionale fumare una sigaretta.

Se consideriamo esclusivamente quella sigaretta, il rischio aggiuntivo per la salute è molto piccolo. Il piacere immediato, per chi fuma, può essere maggiore del costo atteso di quel singolo episodio.

Ma una nonna potrebbe rispondere: il problema è che difficilmente ti fermerai a una sigaretta.

La nonna non sta necessariamente facendo un calcolo più preciso delle probabilità. Sta considerando qualcosa che il nostro esperimento mentale ha escluso: il tempo.

Le decisioni non sono sempre eventi isolati. Creano abitudini, modificano le nostre preferenze e influenzano le decisioni successive.

Una sigaretta può diventare cento. Un debito può portare a un altro debito. Una scommessa fortunata può incoraggiarci ad aumentare la posta.

Il rischio di una decisione non dipende soltanto dalle sue conseguenze immediate, ma anche dalla sequenza di decisioni che può mettere in moto.

In economia comportamentale studiamo spesso come le persone valutano le probabilità. Ma è altrettanto importante capire come valutano le conseguenze cumulative delle proprie scelte.

La media non racconta tutta la storia

Il problema ha anche una dimensione matematica.

In economia siamo abituati a ragionare in termini di valori attesi: moltiplichiamo ogni possibile risultato per la sua probabilità e sommiamo.

Questo approccio è utile in moltissime situazioni. Ma quando le decisioni sono ripetute nel tempo, soprattutto se i risultati si accumulano in modo moltiplicativo, il rendimento atteso può raccontare una storia molto diversa dall’esperienza di un singolo individuo.

Consideriamo un investimento che abbia il 50% di probabilità di guadagnare il 50% e il 50% di probabilità di perdere il 40%.

Il rendimento atteso di un singolo periodo è positivo: +5%.

Sembra un buon investimento.

Ma immaginiamo di investire ogni volta l’intero capitale e di ottenere, in due periodi, prima un guadagno del 50% e poi una perdita del 40%.

Partiamo da 100 euro. Dopo il guadagno ne abbiamo 150. Dopo la perdita ne rimangono 90.

Abbiamo perso il 10%, nonostante la media aritmetica dei due rendimenti sia positiva.

Non è un paradosso. È una conseguenza del fatto che i rendimenti si compongono moltiplicativamente.

Questa distinzione è alla base di un importante filone di ricerca sull’economia del tempo e sull’ergodicità: la media dei risultati osservati tra molte persone non coincide necessariamente con il risultato che una persona sperimenta ripetendo la stessa decisione.

E quando entra in gioco la possibilità di rovina, la differenza diventa ancora più importante.

La sopravvivenza non è un obiettivo come gli altri

Immaginiamo due imprenditori.

Il primo sceglie una strategia molto aggressiva. Ha buone probabilità di ottenere profitti elevati, ma corre un rischio non trascurabile di fallire.

Il secondo sceglie una strategia meno redditizia nel breve periodo, ma conserva liquidità, limita l’indebitamento e mantiene la capacità di affrontare eventi inattesi.

Chi sta prendendo la decisione migliore?

Non possiamo rispondere senza conoscere le loro preferenze, le opportunità e le conseguenze di un eventuale fallimento.

Ma c’è un elemento che spesso trascuriamo: il secondo imprenditore potrebbe avere la possibilità di continuare a investire anche quando il primo sarà uscito dal mercato.

La sopravvivenza ha un valore particolare perché preserva le opportunità future.

Una perdita del 10% può essere recuperata. Una perdita del 100%, se non disponiamo di altre risorse, interrompe la possibilità di continuare a investire.

Taleb chiama questi punti di non ritorno barriere assorbenti: situazioni dalle quali non è possibile proseguire il processo nelle stesse condizioni.

La rovina finanziaria è un esempio. Ma il concetto può estendersi alla salute, all’ambiente e alla sopravvivenza di organizzazioni e comunità.

Non tutti gli errori sono uguali. Alcuni ci insegnano qualcosa e ci permettono di riprovare. Altri ci impediscono di avere una seconda possibilità.

Prepararsi è diverso dal prevedere

Gran parte delle nostre decisioni economiche dipende da previsioni.

Cerchiamo di capire come andranno i mercati, quali settori cresceranno, quali investimenti offriranno i rendimenti migliori.

Ma le previsioni sono inevitabilmente imperfette.

Una strategia alternativa consiste nel chiedersi non tanto che cosa succederà, ma come potremo affrontare scenari diversi, compresi quelli che oggi non riusciamo a immaginare.

Avere riserve di liquidità, evitare un indebitamento eccessivo, diversificare le fonti di reddito e limitare le perdite potenzialmente irreversibili sono modi per ridurre la dipendenza dalle nostre capacità previsive.

Naturalmente, la prudenza ha un costo. Conservare liquidità significa talvolta rinunciare a rendimenti più elevati. E non tutte le strategie prudenti sono necessariamente efficienti.

Ma questo costo può essere interpretato come il prezzo che paghiamo per conservare flessibilità e possibilità di scelta.

Taleb propone anche un approccio che chiama strategia del bilanciere: combinare una componente molto prudente con una componente esposta a opportunità rischiose, evitando di concentrare tutto su un rischio intermedio.

L’idea non è che questa combinazione sia sempre superiore. È che, in determinate condizioni, può permetterci di limitare le perdite più gravi senza rinunciare completamente a risultati molto favorevoli.

Prima proteggiamo ciò che non possiamo permetterci di perdere. Poi possiamo assumerci rischi dove le perdite sono sostenibili e i guadagni potenzialmente elevati.

Essere prudenti per poter rischiare

C’è un’apparente contraddizione in tutto questo.

Se vogliamo ottenere risultati importanti, dobbiamo essere disposti a rischiare. Ma se rischiamo troppo, potremmo perdere la possibilità di ottenere qualunque risultato futuro.

La soluzione non è eliminare il rischio. È scegliere quali rischi assumere e soprattutto quanto esporsi.

Possiamo permetterci molti piccoli fallimenti, se nessuno di essi compromette la nostra capacità di continuare.

Anzi, in numerose attività — dalla ricerca scientifica all’imprenditorialità — sperimentare, sbagliare e imparare è essenziale.

Il problema nasce quando confondiamo la disponibilità a rischiare con la disponibilità a perdere tutto.

Un buon ricercatore può permettersi molte ipotesi sbagliate. Un imprenditore può permettersi molti progetti falliti. Un investitore può permettersi numerose decisioni poco fortunate.

Ma devono poter continuare a fare ricerca, avviare progetti e investire.

La capacità di rimanere nel gioco è ciò che rende possibili i successi futuri.

La domanda che dovremmo farci più spesso

Quando valutiamo una decisione rischiosa, ci chiediamo normalmente: quanto posso guadagnare? Quanto è probabile perdere?

Forse dovremmo aggiungere una terza domanda.

Se le cose andassero male, potrei ancora giocare domani?

È una domanda semplice, ma cambia radicalmente il modo in cui pensiamo al rischio.

Perché nella vita, a differenza di molti esperimenti economici, non possiamo sempre ricominciare con una nuova dotazione iniziale.

E una strategia che funziona molto bene fino al giorno in cui perdiamo tutto potrebbe non essere, dopotutto, una buona strategia.

La locomotiva e il carbone: una metafora per il futuro dei nostri figli

Oggi ho provato a spiegare a mia figlia come immagino il mondo del lavoro che la aspetta. Un mondo probabilmente molto diverso da quello in cui siamo cresciuti noi. Un mondo in cui l’intelligenza artificiale cambierà profondamente il valore delle competenze, le carriere saranno sempre meno lineari e il lavoro sarà sempre più organizzato intorno a progetti, anziché a occupazioni stabili e continuative.

Per farlo, ho usato una metafora: quella di un vecchio treno a vapore.

Immagina che la tua vita sia un treno. Per viaggiare hai bisogno innanzitutto di una buona locomotiva. La locomotiva sei tu: la tua intelligenza, le tue capacità cognitive e analitiche, la tua curiosità, la tua determinazione e la tua capacità di affrontare problemi nuovi. Più la locomotiva è potente, più sarai in grado di affrontare percorsi difficili, salite impegnative e destinazioni ambiziose.

Ma anche la locomotiva più potente del mondo non può andare da nessuna parte senza carbone.

Per questo, subito dietro la locomotiva, devi avere un vagone pieno di carbone. Quel carbone rappresenta le tue risorse economiche: i risparmi, il capitale e la liquidità che ti permettono di vivere, sostenere le tue spese, finanziare i tuoi progetti e, soprattutto, continuare a viaggiare.

Noi genitori possiamo fare due cose importanti. Possiamo aiutarti a costruire una locomotiva potente, investendo nella tua educazione e nella tua capacità di pensare autonomamente. E possiamo darti un primo carico di carbone, sufficiente per cominciare il viaggio senza l’ansia di rimanere immediatamente senza energia.

Da quel momento, però, il treno sarà tuo.

Nel mondo che ti aspetta, probabilmente non esisterà più un unico binario da percorrere per quarant’anni. Il tuo treno attraverserà territori diversi, cambierà direzione, si fermerà in stazioni differenti. Alcune stazioni saranno opportunità professionali, altre progetti imprenditoriali, altre ancora esperienze di apprendimento o iniziative personali.

In alcune stazioni lavorerai e guadagnerai molto. In altre guadagnerai meno. In altre potresti decidere di non guadagnare affatto, perché starai studiando, sperimentando, costruendo qualcosa di nuovo o semplicemente dedicandoti a ciò che ti interessa.

La cosa importante sarà imparare a gestire il carbone.

Quando arriverai in una stazione che offre buone opportunità economiche, dovrai approfittarne per riempire il tuo vagone. Non soltanto per consumare di più, ma soprattutto per accumulare l’energia necessaria a proseguire il viaggio.

Quando il vagone sarà pieno, avrai qualcosa di molto prezioso: la libertà di scegliere la stazione successiva senza essere costretta a fermarti alla prima che offre carbone.

Potrai dedicarti a un progetto rischioso, imparare qualcosa di nuovo, avviare un’attività, lavorare a un’idea che non produce immediatamente reddito. Potrai persino decidere di rallentare, perché avrai accumulato abbastanza energia per farlo.

C’è però un aspetto ancora più importante.

Un treno che si ferma continuamente perché ha esaurito il carbone consuma tempo ed energia per ripartire. Un treno che mantiene una velocità regolare può percorrere distanze molto maggiori.

Nella vita accade qualcosa di simile. Quando le risorse economiche finiscono, non perdiamo soltanto la possibilità di spendere. Perdiamo anche libertà, concentrazione, capacità di pianificare e, spesso, la possibilità di rifiutare opportunità poco interessanti.

Siamo costretti a prendere decisioni di breve periodo, magari rinunciando a progetti che avrebbero potuto avere un grande valore nel lungo periodo.

Il carbone, quindi, non serve a diventare ricchi. Serve a evitare che il treno debba fermarsi per necessità.

E questo cambia profondamente il modo di pensare al lavoro.

L’obiettivo non sarà necessariamente trovare un impiego che garantisca uno stipendio ogni mese per tutta la vita. Sarà costruire una locomotiva capace di creare valore e imparare a trasformare una parte di quel valore in riserve di energia.

Lavorare quando ci sono buone opportunità, accumulare risorse quando è possibile e utilizzarle con intelligenza quando si vuole esplorare qualcosa di nuovo.

In questa prospettiva, il risparmio non è semplicemente consumo rinviato. È libertà futura. È la possibilità di scegliere progetti per il loro interesse, per il loro significato o per il loro potenziale, e non soltanto per la necessità di pagare le spese del mese successivo.

Naturalmente, durante il viaggio bisognerà anche prendersi cura della locomotiva. Continuare a imparare, aggiornare le proprie competenze, adattarsi alle nuove tecnologie. Perché avere molto carbone non serve a nulla se la locomotiva non è più capace di muoversi.

E viceversa, avere una locomotiva straordinaria ma nessuna riserva di carbone significa rischiare di rimanere fermi proprio quando si presenta il percorso più interessante.

Il futuro dei nostri figli potrebbe essere molto più incerto del nostro. Ma potrebbe anche offrire molte più possibilità di scegliere cosa fare, quando farlo e con chi.

Per coglierle serviranno due cose: una locomotiva potente e un vagone di carbone gestito con intelligenza.

Il nostro compito di genitori è aiutarli a costruire la prima e offrire loro il primo carico del secondo. Il loro compito sarà imparare a rifornirsi lungo il percorso, senza perdere la libertà di decidere dove andare.

Perché, alla fine, il carbone non è la destinazione del viaggio.

È ciò che permette di continuare a scegliere la propria destinazione.

Metodo scientifico e organizzazioni

Perché il metodo scientifico dovrebbe entrare nelle stanze in cui si prendono le decisioni.

C’è una cosa che mi ha sempre colpito del modo in cui vengono prese molte decisioni, nelle imprese ma anche nelle università e nelle istituzioni pubbliche. Si discute a lungo, si raccolgono opinioni, si ascoltano le persone con maggiore esperienza e, alla fine, qualcuno decide. Spesso sulla base di ciò che ritiene ragionevole, di quello che ha funzionato in passato o semplicemente della propria intuizione.

Non c’è necessariamente nulla di sbagliato. L’esperienza conta, e in molte situazioni dobbiamo decidere senza avere tutte le informazioni che vorremmo. Il problema nasce quando confondiamo ciò che pensiamo di sapere con ciò che sappiamo davvero.

È da questa distinzione che parte The Scientific Mindset: How Thinking Scientifically Drives Better Business Decisions, il libro di Stefan Thomke, professore alla Harvard Business School.

L’idea di fondo è semplice: dovremmo affrontare molte delle decisioni che prendiamo ogni giorno con lo stesso atteggiamento con cui uno scienziato affronta una domanda di ricerca.

Non significa trasformare ogni manager in uno statistico, né pretendere che qualsiasi scelta sia preceduta da un esperimento randomizzato. Significa, prima di tutto, cambiare il nostro rapporto con le convinzioni.

Quando uno scienziato formula un’ipotesi, il suo compito non è dimostrare a tutti i costi che ha ragione. È cercare di capire se quell’ipotesi resiste al confronto con i dati. E quando i risultati non confermano le aspettative, almeno in linea di principio, dovrebbe essere disposto a cambiare idea.

Sembra ovvio. Nella pratica lo è molto meno.

Pensiamo a un’impresa che vuole introdurre un nuovo sistema di incentivi per i dipendenti. Il management è convinto che legare una parte maggiore della retribuzione ai risultati individuali aumenterà la produttività. È una convinzione plausibile, sostenuta anche da alcuni modelli economici. Ma sappiamo che gli incentivi possono avere effetti inattesi: modificare la collaborazione tra colleghi, spostare l’attenzione verso ciò che è facilmente misurabile o ridurre la motivazione intrinseca.

Come facciamo a sapere quale effetto prevarrà?

Possiamo discuterne per settimane, consultare esperti, leggere studi condotti in altre organizzazioni. Oppure, quando le condizioni lo consentono, possiamo progettare un esperimento.

La differenza non è banale. Nel primo caso cerchiamo argomenti per scegliere. Nel secondo produciamo informazioni che prima non avevamo.

Da economista sperimentale, trovo particolarmente interessante questo passaggio. Siamo abituati a considerare gli esperimenti come strumenti per rispondere a domande scientifiche. Thomke ci invita a considerarli anche come strumenti ordinari di gestione delle organizzazioni.

Ma c’è un ostacolo che viene prima della statistica e della progettazione sperimentale: la nostra difficoltà ad ammettere di avere torto.

Le persone tendono a cercare informazioni coerenti con le proprie convinzioni, a sovrastimare l’accuratezza dei propri giudizi e a interpretare le evidenze ambigue in modo favorevole alle proprie aspettative. Sono fenomeni ben documentati dalla psicologia e dall’economia comportamentale.

Nelle organizzazioni questi problemi possono diventare ancora più seri. Se un dirigente ha sostenuto pubblicamente una certa strategia, riconoscere che non funziona può avere un costo reputazionale. Se un progetto ha già assorbito risorse importanti, interromperlo può sembrare un’ammissione di fallimento. E se un’idea arriva dalla persona più autorevole nella stanza, metterla in discussione può risultare difficile anche quando ci sono buone ragioni per farlo.

Il metodo scientifico offre una possibile via d’uscita: separare il valore di una persona dalla correttezza delle sue ipotesi.

Un esperimento che non conferma le aspettative non è necessariamente un esperimento fallito. Può essere un esperimento che ci ha evitato di investire tempo e denaro in una soluzione inefficace.

Naturalmente, non basta dire alle persone di sperimentare. Bisogna creare le condizioni perché possano farlo. Se un’organizzazione premia soltanto chi ottiene risultati positivi e penalizza chi porta evidenze contrarie alle aspettative, sarà difficile sviluppare una vera cultura della sperimentazione.

C’è poi un’altra questione, forse ancora più importante: decidere quando vale la pena sperimentare.

Gli esperimenti hanno un costo. Richiedono tempo, risorse e competenze. Non tutte le decisioni sono reversibili, non tutti i contesti permettono di costruire gruppi di controllo e non sempre i risultati ottenuti in una situazione sono trasferibili a un’altra.

Per questo il punto non dovrebbe essere sperimentare sempre, ma capire quando il valore delle informazioni che possiamo ottenere supera il costo necessario per produrle.

È una domanda profondamente economica.

E riguarda anche il settore pubblico e le università. Quante iniziative vengono introdotte perché sembrano una buona idea, senza che sia previsto un modo credibile per valutarne gli effetti? Quanti programmi vengono riproposti anno dopo anno semplicemente perché sono sempre stati fatti? E quante volte confondiamo la soddisfazione dei partecipanti con l’efficacia di un intervento?

Non servono necessariamente esperimenti complessi per cominciare a cambiare approccio. A volte basta formulare una domanda precisa prima di avviare un progetto: quale risultato ci aspettiamo? Come potremmo misurarlo? Quale evidenza ci convincerebbe che la nostra idea non sta funzionando?

Quest’ultima domanda è probabilmente la più difficile.

Perché ci obbliga a immaginare, prima ancora di cominciare, la possibilità di avere torto.

La lezione che ricavo dalla prospettiva proposta da Thomke è che il pensiero scientifico non consiste soltanto nel raccogliere dati o utilizzare tecniche sofisticate. È soprattutto una forma di disciplina intellettuale. Richiede curiosità, disponibilità a mettere in discussione le proprie idee e una certa dose di umiltà.

In fondo, la differenza tra un’organizzazione che impara e una che continua a ripetere gli stessi errori potrebbe stare proprio qui: nella capacità di distinguere una buona decisione da una decisione che, per fortuna, ha prodotto un buon risultato.

Possiamo prendere una decisione ragionevole e ottenere un risultato negativo. Possiamo anche prendere una pessima decisione e avere successo. Se giudichiamo la qualità delle nostre scelte soltanto dai risultati, rischiamo di imparare le lezioni sbagliate.

Il metodo scientifico non elimina l’incertezza e non garantisce decisioni corrette. Ci offre però qualcosa di forse più utile: un modo per riconoscere gli errori, aggiornare le nostre convinzioni e migliorare le decisioni successive.

E forse è proprio questa la domanda che dovremmo porci più spesso, prima di difendere un’idea: che cosa dovrebbe succedere per convincermi a cambiarla?