L’intelligenza è la capacità di prevedere il futuro?

Che cos’è l’intelligenza? Siamo abituati ad associarla alla capacità di ragionare, risolvere problemi, comprendere concetti complessi o apprendere rapidamente. Ma esiste un’altra possibilità, tanto semplice quanto affascinante: l’intelligenza potrebbe essere, prima di tutto, la capacità di fare previsioni.

Pensiamoci un momento. Gran parte delle nostre attività quotidiane richiede di anticipare ciò che accadrà. Quando attraversiamo una strada, prevediamo la velocità delle automobili. Quando parliamo con qualcuno, anticipiamo le sue reazioni. Quando decidiamo se risparmiare o spendere, immaginiamo le conseguenze future delle nostre scelte.

Persino le interazioni sociali più semplici richiedono continue previsioni. Se facciamo una battuta, ci aspettiamo che qualcuno rida. Se chiediamo un favore, cerchiamo di anticipare la risposta. Se decidiamo di fidarci di una persona, formuliamo implicitamente una previsione sul suo comportamento futuro.

In fondo, vivere significa continuamente anticipare ciò che potrebbe accadere.

Il cervello come macchina predittiva

Questa idea ha radici profonde nelle neuroscienze contemporanee.

Secondo una prospettiva conosciuta come predictive processing, il cervello non si limita a ricevere passivamente informazioni dall’ambiente. Costruisce continuamente modelli del mondo e li utilizza per formulare previsioni.

Quando le previsioni si rivelano sbagliate, il cervello può aggiornare i propri modelli. È attraverso questo processo che impariamo dall’esperienza.

Un bambino che lascia cadere un oggetto scopre qualcosa sulla gravità. Un adolescente che viene escluso da un gruppo impara qualcosa sulle relazioni sociali. Un adulto che commette un errore finanziario può modificare le proprie aspettative sui rischi futuri.

In tutti questi casi, l’apprendimento è strettamente collegato alla capacità di prevedere e correggere gli errori.

Da questa prospettiva, una persona intelligente non è necessariamente quella che possiede più informazioni, ma quella che riesce a costruire modelli del mondo utili e ad aggiornarli quando la realtà li contraddice.

Ma prevedere significa essere intelligenti?

Immaginiamo due persone.

La prima è straordinariamente brava a prevedere il comportamento degli altri. Riesce ad anticipare le loro decisioni, a riconoscere regolarità e a individuare segnali che molti non notano. Tuttavia, quando deve prendere una decisione, spesso sceglie male.

La seconda è meno accurata nelle previsioni, ma riesce a utilizzare meglio le informazioni disponibili e a prendere decisioni che la avvicinano ai propri obiettivi.

Chi delle due è più intelligente?

La risposta non è ovvia.

Se definiamo l’intelligenza esclusivamente come accuratezza predittiva, la prima persona è più intelligente. Se invece consideriamo l’intelligenza come capacità di adattarsi all’ambiente e raggiungere i propri obiettivi, potremmo preferire la seconda.

Questa distinzione è particolarmente importante in economia.

Gli economisti distinguono tra le aspettative degli individui e le decisioni che prendono sulla base di quelle aspettative. Possiamo avere previsioni corrette e prendere decisioni sbagliate. Oppure possiamo prendere decisioni perfettamente coerenti con le nostre preferenze, ma basate su aspettative errate.

La capacità di prevedere e quella di decidere sono quindi strettamente collegate, ma non coincidono.

Prevedere il mondo o prevedere le conseguenze delle nostre azioni?

C’è una distinzione ancora più interessante.

Un conto è prevedere ciò che accadrà indipendentemente da noi. Un altro è prevedere ciò che accadrà come conseguenza delle nostre decisioni.

Prevedere che domani pioverà è un problema di previsione.

Prevedere come cambierà il comportamento di un collega dopo una nostra decisione è un problema più complesso. Dobbiamo comprendere non soltanto le regolarità del mondo, ma anche le relazioni causali tra le nostre azioni e le reazioni degli altri.

Questa seconda forma di previsione è fondamentale nelle interazioni economiche e sociali.

Un imprenditore deve anticipare come reagiranno i consumatori a un nuovo prodotto. Un insegnante deve immaginare come gli studenti risponderanno a un diverso metodo didattico. Un genitore deve valutare le conseguenze di una regola sul comportamento del figlio.

In tutti questi casi, non basta prevedere il futuro. Bisogna comprendere come possiamo modificarlo.

È qui che previsione, ragionamento causale e capacità decisionale si incontrano.

E l’intelligenza artificiale?

Questa discussione diventa ancora più interessante se pensiamo all’intelligenza artificiale.

I grandi modelli linguistici, come quelli alla base di ChatGPT, vengono addestrati attraverso compiti che includono la previsione del testo. Imparando a prevedere quali parole o token siano plausibili in un determinato contesto, acquisiscono rappresentazioni statistiche estremamente sofisticate del linguaggio e di molti aspetti del mondo.

Da un compito apparentemente semplice, la previsione, emergono capacità che assomigliano al ragionamento, alla comprensione e alla risoluzione di problemi.

Questo non dimostra che prevedere sia sufficiente per essere intelligenti. Ma suggerisce qualcosa di importante: alcune capacità che associamo all’intelligenza possono svilupparsi attraverso processi di apprendimento predittivo.

Resta aperta una domanda fondamentale: quanto delle capacità di ragionamento dipende dall’abilità di riconoscere regolarità e anticipare risultati, e quanto richiede invece meccanismi ulteriori, come la costruzione di modelli causali, la pianificazione e l’interazione con l’ambiente?

L’intelligenza come capacità di adattamento

Forse, allora, possiamo proporre una definizione più completa.

L’intelligenza è la capacità di costruire e aggiornare modelli del mondo, utilizzarli per anticipare le conseguenze delle proprie azioni e adattare il proprio comportamento agli obiettivi che si vogliono raggiungere.

Questa definizione mette insieme tre elementi: previsione, apprendimento e decisione.

Ma introduce anche un aspetto fondamentale: l’intelligenza non è soltanto una proprietà di ciò che sappiamo. È una proprietà di come utilizziamo ciò che sappiamo per interagire con il mondo.

E soprattutto ci ricorda che essere intelligenti non significa avere sempre ragione.

Significa anche riconoscere quando le nostre previsioni sono sbagliate, modificare le nostre convinzioni e imparare dagli errori.

Forse è proprio questa una delle caratteristiche più importanti dell’intelligenza: non la capacità di prevedere perfettamente il futuro, ma quella di migliorare continuamente le nostre previsioni.

Perché il futuro è incerto. E l’intelligenza potrebbe essere, almeno in parte, la nostra capacità di imparare a convivere con questa incertezza.

Mercati volatili

Quando i mercati scendono, viene spontaneo controllare più spesso come stanno andando i propri investimenti. Si apre l’app della banca, si legge qualche commento, si torna a guardare dopo un’ora. È comprensibile: quando qualcosa ci preoccupa, cerchiamo informazioni per capire che cosa sta succedendo e decidere come comportarci.

Le forti oscillazioni dei titoli legati all’intelligenza artificiale, seguite dal rimbalzo di Wall Street del 6 novembre, offrono un esempio di quanto rapidamente possano cambiare le notizie e il clima sui mercati. Per chi segue ogni movimento, è facile passare dalla preoccupazione al sollievo nel giro di una seduta.

Siamo abituati a pensare che prestare attenzione sia una buona cosa, soprattutto quando sono in gioco i nostri risparmi. Avere più informazioni dovrebbe aiutarci a prendere decisioni migliori. Eppure, la ricerca in economia comportamentale suggerisce che non sempre è così. La frequenza con cui controlliamo i nostri investimenti può influenzare il modo in cui percepiamo il rischio e, di conseguenza, le nostre decisioni.

Le perdite tendono a pesarci più di quanto ci facciano piacere guadagni dello stesso importo. Se a questa sensibilità aggiungiamo l’abitudine di valutare continuamente gli investimenti, otteniamo quella che gli economisti Shlomo Benartzi e Richard Thaler hanno chiamato “avversione miope alle perdite” (myopic loss aversion). Possiamo avere un obiettivo a vent’anni e, allo stesso tempo, giudicare le nostre scelte sulla base di quello che è successo nelle ultime ventiquattr’ore.

Nel loro articolo del 1995, pubblicato sul Quarterly Journal of Economics, Benartzi e Thaler mostrano come la combinazione tra avversione alle perdite e valutazioni frequenti possa contribuire a spiegare perché gli investitori richiedano un premio elevato per detenere azioni anziché attività meno rischiose.

Il punto è che la frequenza dei controlli può cambiare il modo in cui viviamo lo stesso investimento. Guardando ogni giorno, valutiamo separatamente tante piccole variazioni, comprese quelle negative. Guardando su un periodo più lungo, ne osserviamo il risultato complessivo. Il rischio dell’investimento rimane, ma cambia il modo in cui lo percepiamo.

Questo meccanismo è stato studiato anche sperimentalmente. In un articolo pubblicato nel 2005 sul Journal of Finance, Michael Haigh e John List hanno coinvolto 54 persone provenienti dal Chicago Board of Trade e 64 studenti. Alcuni partecipanti decidevano quanto investire in una lotteria e ne osservavano l’esito a ogni turno; altri prendevano la decisione per tre turni consecutivi e ricevevano il risultato aggregato.

Con feedback meno frequente, i trader investivano in media circa il 74% della dotazione disponibile, contro il 46% di chi riceveva un aggiornamento a ogni turno. Anche tra gli studenti emergeva una differenza, ma più contenuta. Il risultato interessante era proprio questo: il comportamento coerente con l’avversione miope alle perdite risultava più marcato tra i professionisti. L’esperienza dei mercati, in quel contesto, non bastava a eliminarlo.

Naturalmente, da questi risultati a stabilire ogni quanto dovremmo controllare i nostri risparmi c’è un passaggio ulteriore. Nell’esperimento cambiavano sia la frequenza delle informazioni sia la possibilità di modificare le decisioni. Lo studio non dimostra che esista un intervallo ottimale per controllare il portafoglio o che guardare meno garantisca rendimenti migliori.

La ricerca suggerisce però una riflessione utile: possiamo decidere in anticipo quando e perché rivedere le nostre scelte, anziché lasciare che sia l’andamento quotidiano dei mercati a dettare i tempi. Un cambiamento nel lavoro, una spesa imprevista o un nuovo obiettivo possono essere buone ragioni per farlo. Un titolo allarmante letto sul telefono può suscitare la stessa urgenza, anche quando non ci aiuta a prendere una decisione utile.

Prima di aprire ancora una volta l’app, possiamo allora chiederci che cosa stiamo cercando e che cosa potremmo fare con quell’informazione. A volte avremo una risposta precisa. Altre volte ci accorgeremo che stiamo soltanto cercando di sentirci più tranquilli.

Per chi investe con un orizzonte lungo, anche il modo di seguire gli investimenti dovrebbe tenere conto di quell’orizzonte. Decidere quando fare il punto è parte della scelta, soprattutto nei giorni in cui ogni notizia sembra richiedere una reazione immediata.

Fatti non foste a viver come bruti

«Considerate la vostra semenza:
fatti non foste a viver come bruti,
ma per seguir virtute e canoscenza».

Dante Alighieri, Inferno, Canto XXVI

In questi tre versi Dante racchiude una delle idee più profonde sulla natura umana: non siamo fatti soltanto per sopravvivere, soddisfare bisogni o seguire istinti. Siamo fatti anche per conoscere, comprendere, interrogarci e scegliere.

La conoscenza non è soltanto uno strumento per ottenere qualcosa. È parte di ciò che ci rende umani. Ci permette di ampliare i nostri orizzonti, mettere in discussione le nostre convinzioni e immaginare possibilità che prima non riuscivamo a vedere.

Ma Dante aggiunge una parola fondamentale: virtute.

Non basta sapere. Occorre anche saper scegliere come utilizzare ciò che sappiamo. La conoscenza senza responsabilità può diventare pericolosa, proprio come dimostra il destino di Ulisse, che pronuncia queste parole prima di condurre i suoi compagni verso un viaggio senza ritorno.

È una riflessione sorprendentemente attuale, soprattutto per chi si occupa di ricerca e formazione.

Educare non significa soltanto trasmettere informazioni o sviluppare competenze. Significa coltivare curiosità, pensiero critico, autonomia e capacità di giudizio.

Perché il vero valore della conoscenza non risiede soltanto in ciò che ci permette di fare, ma anche nella capacità di comprendere ciò che vale la pena fare.

Forse è proprio questo il messaggio più importante: non accontentarsi di sapere di più, ma aspirare a comprendere meglio e a scegliere con maggiore consapevolezza.

Non conta solo quello che otteniamo, ma quello che ci aspettavamo

Perché lo stesso risultato può renderci felici oppure deluderci? Uno dei contributi più importanti dell’economia comportamentale mostra come le nostre aspettative influenzino il valore che attribuiamo alle cose.

Quando le aspettative cambiano tutto

Immaginiamo due persone che ricevono un bonus di 1.000 euro.

La prima non si aspettava nulla ed è piacevolmente sorpresa. La seconda era convinta che avrebbe ricevuto 2.000 euro e rimane delusa.

Il risultato economico è identico: entrambe ricevono 1.000 euro. Eppure, la loro soddisfazione può essere molto diversa. Perché?

La risposta sembra intuitiva: non valutiamo ciò che otteniamo soltanto in termini assoluti, ma anche rispetto a ciò che ci aspettavamo.

Questa semplice osservazione ha conseguenze profonde per la teoria economica.

Nel 2006, Botond Kőszegi e Matthew Rabin pubblicano sul Quarterly Journal of Economics un articolo destinato a diventare uno dei riferimenti fondamentali dell’economia comportamentale: A Model of Reference-Dependent Preferences.

Il loro contributo è mostrare come le aspettative possano entrare direttamente nella funzione di utilità e influenzare le decisioni economiche.

Perché perdere pesa più che guadagnare

La teoria economica tradizionale assume generalmente che le persone valutino le alternative sulla base dell’utilità associata ai risultati finali.

Ma decenni di ricerca in psicologia ed economia hanno mostrato che le nostre valutazioni dipendono anche da un punto di riferimento.

Un contributo fondamentale è la prospect theory di Daniel Kahneman e Amos Tversky (1979).

Secondo questa teoria, le persone distinguono tra guadagni e perdite rispetto a un riferimento e tendono a essere più sensibili alle perdite che ai guadagni equivalenti.

Perdere 100 euro, in altre parole, può farci stare peggio di quanto guadagnarne 100 ci faccia stare bene. Questo fenomeno è noto come loss aversion.

Ma rimane una domanda fondamentale: che cosa determina il punto di riferimento?

Spesso si assume che sia la nostra situazione attuale, lo status quo. Kőszegi e Rabin propongono invece una risposta diversa: il punto di riferimento può essere rappresentato da ciò che ci aspettiamo di ottenere.

L’intuizione di Kőszegi e Rabin

Gli autori sviluppano un modello nel quale l’utilità individuale dipende da due componenti.

La prima è l’utilità tradizionale associata al consumo di un bene o al reddito ricevuto.

La seconda è l’utilità derivante dal confronto tra il risultato effettivo e quello atteso.

Se otteniamo più di quanto prevedevamo, sperimentiamo un guadagno rispetto al nostro riferimento. Se otteniamo meno, sperimentiamo una perdita. E poiché le perdite pesano più dei guadagni, le aspettative possono modificare significativamente il modo in cui valutiamo le alternative.

La parte più originale del modello è che le aspettative non sono semplicemente date dall’esterno.Dipendono dalle decisioni che prevediamo di prendere.

Gli autori introducono così il concetto di personal equilibrium: un equilibrio nel quale le aspettative dell’individuo sono coerenti con il comportamento che sceglie di adottare, tenendo conto proprio di quelle aspettative.

Le aspettative influenzano le decisioni, ma le decisioni previste contribuiscono a formare le aspettative.

Perché siamo disposti a pagare di più per qualcosa che ci aspettiamo di avere?

Consideriamo una persona che sta pensando di acquistare un biglietto per un concerto. Se è convinta che andrà al concerto, l’idea di non riuscire ad acquistare il biglietto può essere percepita come una perdita.Se invece considera il concerto soltanto una possibilità remota, rinunciarvi potrebbe non provocare lo stesso dispiacere.

Il valore del biglietto non dipende quindi soltanto dal piacere di assistere al concerto, ma anche dalle aspettative precedenti.

Questo meccanismo può influenzare la disponibilità a pagare e le decisioni di acquisto. Un aspetto particolarmente interessante è che due persone con le stesse preferenze di consumo possono compiere scelte differenti semplicemente perché hanno aspettative diverse.

E anche la stessa persona può modificare le proprie decisioni quando cambiano le sue aspettative, pur rimanendo invariate le caratteristiche oggettive delle alternative.

Le aspettative influenzano anche quanto lavoriamo

Il modello offre implicazioni interessanti anche per l’offerta di lavoro.

Immaginiamo un tassista che, in una determinata giornata, guadagni molto più di quanto aveva previsto.

Se il suo reddito supera le aspettative, potrebbe decidere di interrompere anticipatamente il lavoro.

Ma se prevedeva già una giornata particolarmente redditizia, il suo comportamento potrebbe essere differente.

Il punto non è soltanto quanto guadagna, ma quanto il guadagno effettivo si discosta da quello atteso.

Questa intuizione permette di interpretare alcuni comportamenti difficili da spiegare utilizzando esclusivamente i modelli tradizionali di offerta di lavoro.

Naturalmente, si tratta di predizioni teoriche: la loro rilevanza empirica dipende dal contesto e dalla capacità di misurare correttamente le aspettative individuali.

Perché questo paper è importante

Il contributo di Kőszegi e Rabin non consiste nell’aver scoperto che le aspettative influenzano le nostre emozioni. Questa idea era già ben nota.

L’innovazione è aver costruito un modello economico rigoroso nel quale il punto di riferimento è determinato endogenamente dalle aspettative razionali.

Il lavoro ha contribuito a sviluppare un’intera letteratura sulle expectations-based reference-dependent preferences, con applicazioni alle decisioni di consumo, alle scelte lavorative, al rischio e alle assicurazioni.

Ha inoltre aperto nuove domande empiriche.

Le persone utilizzano davvero le aspettative come punto di riferimento? Quanto contano rispetto allo status quo, alle esperienze passate o agli obiettivi personali? E come possiamo distinguere sperimentalmente queste spiegazioni?

Non esiste una risposta unica valida per ogni situazione. Ma il modello di Kőszegi e Rabin ha fornito strumenti teorici fondamentali per affrontare queste domande.

La lezione economica

Siamo abituati a pensare che migliorare le condizioni materiali delle persone significhi necessariamente aumentare il loro benessere. Ma il rapporto tra risultati economici e soddisfazione individuale è più complesso.

Un aumento di reddito può essere vissuto come un successo oppure come una delusione. Un’opportunità può apparire particolarmente preziosa quando ci aspettiamo di ottenerla. E una perdita può essere percepita anche quando, rispetto alla situazione iniziale, non abbiamo materialmente perso nulla.

Le aspettative non influenzano soltanto il modo in cui interpretiamo ciò che accade. Possono modificare le decisioni che prendiamo.

In economia, quindi, non conta soltanto ciò che abbiamo o ciò che otteniamo. Conta anche ciò che pensavamo sarebbe successo.

Ed è proprio questa l’intuizione fondamentale di Kőszegi e Rabin: per comprendere le scelte delle persone, dobbiamo considerare non soltanto le loro opportunità, ma anche le aspettative con cui le affrontano.


Riferimenti bibliografici

Kőszegi, B., & Rabin, M. (2006). “A Model of Reference-Dependent Preferences.” Quarterly Journal of Economics, 121(4), 1133–1165.

Kahneman, D., & Tversky, A. (1979). “Prospect Theory: An Analysis of Decision under Risk.” Econometrica, 47(2), 263–291.

Kőszegi, B., & Rabin, M. (2007). “Reference-Dependent Risk Attitudes.” American Economic Review, 97(4), 1047–1073.

Studiare nell’era dell’intelligenza artificiale: che cosa dovremmo dire oggi ai nostri studenti?

Se le macchine diventano sempre più capaci di svolgere il lavoro intellettuale, quali competenze dovremmo sviluppare? E che cosa significa prepararsi a un futuro che nessuno è davvero in grado di prevedere?

Per molti anni abbiamo dato agli studenti un consiglio relativamente semplice: studiate, impegnatevi, diventate bravi in qualcosa. Acquisite competenze difficili da trovare e il mercato del lavoro, prima o poi, le riconoscerà.

Era un consiglio ragionevole. E probabilmente lo è ancora.

Ma oggi dobbiamo aggiungere una domanda: che cosa succede se le competenze che stiamo cercando di acquisire diventano improvvisamente disponibili a tutti, a un costo prossimo allo zero?

Ho riflettuto su questo interrogativo ascoltando una lunga conversazione tra l’economista Michele Boldrin e il programmatore Salvatore Sanfilippo (qui sotto il video).

Una discussione che parte dall’intelligenza artificiale, attraversa l’economia e la politica, e arriva a una questione che mi interessa particolarmente come economista e come professore universitario: come dovremmo preparare i giovani al futuro?

La risposta, credo, è meno scontata di quanto sembri.

Questa volta potrebbe essere diverso. Oppure no.

La storia economica è piena di innovazioni che avrebbero dovuto distruggere il lavoro umano.

Le macchine agricole hanno ridotto drasticamente il numero di persone necessarie per coltivare la terra. L’automazione industriale ha sostituito molte attività manuali. I computer hanno trasformato il lavoro negli uffici. Internet ha rivoluzionato interi settori.

Eppure il lavoro non è scomparso.

Sono scomparse alcune professioni, ne sono nate altre e molte sono cambiate profondamente. Nel lungo periodo, il progresso tecnologico ha contribuito a un enorme aumento della produttività e del tenore di vita.

Perché l’intelligenza artificiale dovrebbe essere diversa?

Non sappiamo se lo sarà. Diffiderei di chiunque sostenga di conoscere con certezza il futuro del lavoro.

Ma una differenza importante esiste.

Per molto tempo abbiamo costruito macchine per sostituire la forza fisica. Oggi stiamo costruendo macchine capaci di svolgere attività che consideravamo tipicamente intellettuali.

Scrivere un programma informatico, analizzare un documento, sintetizzare una ricerca scientifica, costruire un modello, proporre una soluzione.

Non tutte queste attività vengono svolte correttamente e non tutte possono essere automatizzate. Ma il confine di ciò che una macchina è in grado di fare si sta spostando rapidamente.

Per uno studente universitario, questo significa che non è più sufficiente chiedersi quali professioni saranno richieste tra dieci anni.

Dovrebbe chiedersi quali capacità gli permetteranno di adattarsi a professioni che oggi non conosciamo.

Il valore di una buona domanda

Uno dei passaggi più interessanti della conversazione riguarda la distinzione tra avere un’intuizione e realizzarla.

Pensiamo a un architetto.

C’è una differenza tra immaginare un edificio, comprenderne la struttura, individuare una soluzione originale e produrre tutti i disegni e i calcoli necessari per costruirlo.

Fino a ieri entrambe le attività richiedevano molto lavoro umano. Oggi una parte crescente dell’esecuzione può essere affidata alle macchine.

Qualcosa di simile sta accadendo nella programmazione informatica. Scrivere codice era una competenza rara e preziosa. Ora l’intelligenza artificiale può produrne quantità enormi in pochi secondi.

Questo non significa che non serviranno più programmatori. Significa che potrebbe cambiare ciò per cui vengono pagati.

La capacità di comprendere un problema, progettare una soluzione, identificare errori e valutarne le conseguenze potrebbe diventare relativamente più importante della capacità di scrivere ogni singola istruzione.

Lo stesso ragionamento vale per la ricerca scientifica, l’economia, il diritto e molte altre discipline.

Se produrre una risposta diventa economico, formulare la domanda giusta può diventare ancora più prezioso.

Ma attenzione: non basta dire agli studenti di essere creativi.

La creatività non nasce dal nulla.

Per formulare una buona domanda bisogna conoscere un argomento, averne compreso i problemi, sapere quali tentativi sono già stati fatti e riconoscere ciò che manca.

Le intuizioni migliori arrivano spesso dopo anni di studio e di lavoro.

L’intelligenza artificiale può ridurre il costo dell’esecuzione. Non elimina automaticamente il valore della conoscenza necessaria per orientarla.

Il paradosso: per usare bene l’AI bisogna sapere ciò che l’AI può fare

Immaginiamo due studenti che devono analizzare un problema economico.

Il primo conosce la teoria, sa interpretare i dati, comprende le ipotesi dei modelli e utilizza l’intelligenza artificiale per accelerare alcune operazioni.

Il secondo non possiede queste conoscenze e chiede semplicemente alla macchina di produrre un’analisi.

Entrambi potrebbero ottenere un documento apparentemente convincente.

Ma soltanto il primo avrà gli strumenti per capire se il risultato è corretto, se le ipotesi sono plausibili e se le conclusioni sono giustificate dalle evidenze.

Questo è uno dei paradossi più importanti dell’intelligenza artificiale.

Più diventa facile produrre conoscenza apparente, più diventa importante possedere conoscenza reale per valutarla.

Non è detto che questo vantaggio rimanga invariato nel tempo. Sistemi futuri potrebbero diventare molto più affidabili di quelli attuali. Ma anche in quel caso qualcuno dovrà decidere quali obiettivi perseguire, quali compromessi accettare e quali conseguenze considerare rilevanti.

Il rischio, soprattutto per gli studenti, è confondere la disponibilità immediata di una risposta con la comprensione del problema.

Sono due cose molto diverse.

Chi farà il lavoro necessario per diventare esperto?

C’è poi una questione di cui si discute ancora troppo poco.

Come si diventa bravi in qualcosa?

Di solito non si comincia dalle intuizioni geniali. Si comincia dai compiti più semplici, spesso noiosi, a volte frustranti.

Un ricercatore impara a fare ricerca anche raccogliendo dati, scrivendo codice, leggendo articoli difficili e commettendo errori.

Un medico sviluppa esperienza attraverso anni di pratica supervisionata.

Un economista impara a riconoscere i limiti di un modello anche dopo aver provato a costruirne molti che non funzionavano.

Queste attività non servono soltanto a produrre un risultato. Servono a formare le persone.

Se domani l’intelligenza artificiale svolgesse gran parte di questi compiti, potremmo trovarci davanti a un problema inatteso: eliminare proprio le esperienze attraverso cui si acquisiscono le competenze necessarie per supervisionare la tecnologia.

È un problema economico, ma anche educativo.

Nel breve periodo può essere efficiente affidare un compito all’AI. Nel lungo periodo, però, potrebbe essere necessario che qualcuno continui a svolgerlo per imparare.

Non tutto ciò che è inefficiente oggi è inutile per il futuro.

Questa distinzione dovrebbe entrare nelle nostre università.

Non dobbiamo necessariamente chiedere agli studenti di rinunciare all’intelligenza artificiale. Dobbiamo capire quando utilizzarla per aumentare le loro capacità e quando, invece, chiedere loro di lavorare senza assistenza, proprio per svilupparle.

L’obiettivo non è produrre più elaborati in meno tempo.

È formare persone che sappiano ragionare anche quando la macchina non è disponibile, sbaglia o propone una soluzione inadeguata.

L’intelligenza artificiale aumenterà le disuguaglianze?

Da economista, questa è probabilmente la domanda che trovo più importante.

Siamo abituati a pensare che una tecnologia capace di aumentare la produttività sia una buona notizia. E, in termini di possibilità produttive, generalmente lo è.

Ma l’aumento della produttività non ci dice come verranno distribuiti i benefici.

Se una tecnologia permette a poche imprese di produrre enormi quantità di valore utilizzando relativamente pochi lavoratori, chi riceverà il reddito generato?

I proprietari del capitale? I lavoratori altamente qualificati? I consumatori, attraverso prezzi più bassi? La collettività, attraverso il sistema fiscale?

La risposta dipende dalla struttura dei mercati, dalla concorrenza, dalle istituzioni e dalle politiche pubbliche.

Nella conversazione, Boldrin propone un’intuizione interessante: il problema non è soltanto che una lavoratrice possa perdere il proprio impiego. È anche che potrebbe non possedere alcuna quota del capitale che beneficia della sua sostituzione.

È una distinzione fondamentale.

Una società può diventare molto più ricca e, contemporaneamente, lasciare una parte della popolazione con minori opportunità economiche.

Esiste però anche una possibilità opposta.

L’intelligenza artificiale potrebbe ridurre alcune disuguaglianze, offrendo strumenti straordinari a persone che oggi non hanno accesso a risorse costose.

Pensiamo a uno studente che non può permettersi lezioni private, a un piccolo imprenditore che non può assumere consulenti specializzati, oppure a un ricercatore che lavora in un’università con risorse limitate.

Per tutti loro, l’AI potrebbe rappresentare un’opportunità enorme.

La stessa tecnologia può dunque ampliare oppure ridurre le disuguaglianze.

Non è una contraddizione. Dipende da chi riesce a utilizzarla, da quali attività vengono trasformate e da come si distribuiscono i guadagni di produttività.

Ed è proprio per questo che l’istruzione conta.

L’università non dovrebbe insegnare soltanto a utilizzare gli strumenti

Quando si discute di intelligenza artificiale e istruzione, la soluzione proposta più frequentemente è introdurre corsi dedicati all’AI.

È certamente utile.

Ma credo che il problema sia più profondo.

Non basta insegnare agli studenti a scrivere istruzioni efficaci per un modello linguistico. Non sappiamo nemmeno se questa competenza, nella forma in cui la conosciamo oggi, sarà ancora particolarmente rilevante tra cinque anni.

Dovremmo invece concentrarci su capacità più fondamentali.

Comprendere un problema prima di cercarne la soluzione. Distinguere una correlazione da una relazione causale. Valutare la qualità di un’evidenza. Riconoscere un’ipotesi implicita. Cambiare opinione quando emergono nuovi dati. Comunicare un ragionamento in modo chiaro. Collaborare con persone che possiedono competenze diverse.

Sono capacità che non appartengono esclusivamente a una disciplina.

E non sono nuove.

La novità è che l’intelligenza artificiale potrebbe renderle ancora più importanti.

Questo non significa abbandonare le conoscenze tecniche o disciplinari. Al contrario, significa costruire basi solide sulle quali sviluppare queste capacità.

Un buon giudizio richiede conoscenza. Il pensiero critico non può esistere nel vuoto.

E non dovremmo nemmeno contrapporre cultura scientifica e cultura umanistica. La matematica, la statistica, la storia, la filosofia e la letteratura offrono strumenti differenti per comprendere il mondo.

In un futuro caratterizzato da cambiamenti tecnologici rapidi, la capacità di collegare questi strumenti potrebbe essere particolarmente preziosa.

Studiare non serve soltanto a trovare lavoro

C’è infine una domanda che va oltre l’economia.

Perché studiamo?

Una risposta è evidente: per acquisire competenze che ci permettano di lavorare, ottenere un reddito e costruire una vita autonoma.

Ma non è l’unica.

Studiamo anche per comprendere il mondo, sviluppare interessi, esercitare il giudizio e partecipare consapevolmente alla società.

L’istruzione ha un valore economico, ma anche un valore personale e civile.

Se l’intelligenza artificiale riducesse il tempo necessario per svolgere molte attività, potremmo avere più risorse da dedicare alla ricerca, alla creatività, alle relazioni e alla conoscenza.

Non è un risultato garantito.

Il tempo liberato dal progresso tecnologico può essere utilizzato in molti modi. E non tutti producono necessariamente benessere.

Ma sarebbe un errore considerare il valore di una persona esclusivamente in funzione della sua produttività sul mercato del lavoro.

Forse l’intelligenza artificiale ci costringerà a riflettere proprio su questo.

Per molto tempo abbiamo considerato l’istruzione soprattutto come un investimento per il futuro professionale.

Dovremmo ricordarci che è anche uno strumento per costruire una vita interessante, autonoma e consapevole.

Cinque consigli agli studenti

Se oggi dovessi dare qualche consiglio a uno studente che sta iniziando l’università, partirei da cinque idee.

Primo: studia le basi, anche quando sembrano inutilmente difficili.

La matematica, la statistica, la logica, la capacità di scrivere e di argomentare non diventano irrilevanti perché esiste una macchina capace di eseguire molti compiti al posto nostro. Sono gli strumenti che ci permettono di comprendere ciò che la macchina produce.

Secondo: usa l’intelligenza artificiale, ma non delegarle il tuo apprendimento.

Utilizzala per esplorare argomenti, ricevere spiegazioni alternative, verificare intuizioni e mettere alla prova le tue idee. Ma continua a fare lo sforzo di risolvere problemi autonomamente. L’obiettivo non è ottenere una risposta. È diventare una persona capace di comprenderla.

Terzo: impara a formulare problemi, non soltanto a risolverli.

Molte attività esecutive diventeranno più semplici. Individuare quali problemi meritano attenzione, quali domande sono rilevanti e quali conseguenze dobbiamo considerare potrebbe diventare una capacità sempre più importante.

Quarto: non identificarti troppo con una singola competenza tecnica.

Le tecnologie cambiano. Alcune competenze che oggi sembrano preziosissime potrebbero diventare comuni. Investi anche nella capacità di apprendere, adattarti e collaborare. Non cercare soltanto di diventare bravo a fare una cosa. Cerca di diventare bravo a impararne di nuove.

Quinto: coltiva interessi che non abbiano necessariamente un ritorno economico immediato.

Leggi, esplora discipline lontane dalla tua, fai domande, sviluppa passioni. Non tutto ciò che vale deve essere remunerato dal mercato. E non tutto ciò che oggi sembra economicamente inutile lo sarà domani.

Il futuro non è scritto

Quando si parla di intelligenza artificiale, il dibattito tende spesso a dividersi tra due posizioni.

Da una parte chi immagina un futuro straordinario, in cui le macchine ci libereranno dal lavoro e renderanno tutti più ricchi.

Dall’altra chi teme una società caratterizzata da disoccupazione, disuguaglianze e concentrazione del potere.

Entrambi gli scenari sono possibili, ma nessuno è inevitabile.

La storia economica ci insegna che le tecnologie modificano le opportunità disponibili. Non determinano da sole come una società sceglierà di utilizzarle.

Le istituzioni, la concorrenza, l’istruzione e le decisioni collettive continueranno ad avere un ruolo fondamentale.

Per questo credo che il messaggio più importante da trasmettere agli studenti non sia né quello di avere paura dell’intelligenza artificiale né quello di affidarsi completamente a essa.

È un messaggio più semplice.

Continuate a studiare. Continuate a essere curiosi. Imparate a utilizzare le nuove tecnologie, ma soprattutto imparate a ragionare.

Non sappiamo quali professioni esisteranno tra vent’anni. Non sappiamo quali competenze saranno meglio remunerate. Non sappiamo nemmeno quanto rapidamente cambierà il mondo del lavoro.

Ma c’è una cosa sulla quale possiamo ragionevolmente scommettere.

In un mondo in cui ottenere risposte diventa sempre più facile, la capacità di capire quali domande porre, valutare le risposte e decidere che cosa farne resterà una risorsa fondamentale.

E forse è proprio questo il compito più importante dell’università: non preparare gli studenti a un futuro che pretendiamo di conoscere, ma fornire loro gli strumenti per affrontare quello che arriverà.