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.

Isn’t it ironic?

Da economista cerco di ridurre le diseguaglianze. Da padre, probabilmente, contribuisco ad aumentarle.

È una contraddizione con cui convivo ogni giorno e sulla quale mi ritrovo spesso a riflettere.

Come economista, una parte importante del mio lavoro consiste nel cercare di capire come migliorare le opportunità delle persone, soprattutto di quelle che partono da condizioni meno favorevoli. Mi occupo di istruzione, di formazione delle preferenze, di comportamenti e di decisioni. Cerco di diffondere conoscenze scientifiche, promuovere iniziative e, quando possibile, valutarne rigorosamente gli effetti. Voglio capire quali politiche funzionano, per chi funzionano e, soprattutto, perché.

L’idea di fondo è semplice: il destino di una persona dovrebbe dipendere il meno possibile dalle circostanze in cui nasce.

Poi torno a casa. E sono un padre.

Come padre, cerco di offrire alle mie figlie tutte le opportunità che posso. Esperienze, stimoli, conoscenze, occasioni per scoprire il mondo. Cerco di rispondere alle loro domande, ma soprattutto di aiutarle a formularne di nuove. Discutiamo di quello che succede intorno a noi, proviamo a capire perché le persone si comportano in un certo modo, quali siano le conseguenze delle nostre decisioni, come funzionino le regole, gli incentivi e le relazioni.

Cerco di trasmettere loro non soltanto quello che so, ma soprattutto un modo di ragionare.

E provo, insieme a loro, a costruire comportamenti, principi e abitudini che possano migliorare la loro vita e, spero, anche quella delle persone che incontreranno.

Fin qui, nulla di particolarmente sorprendente. È quello che molti genitori cercano di fare.

Il problema è che non tutti i genitori possono farlo allo stesso modo.

Non tutti hanno le stesse risorse economiche, lo stesso tempo, le stesse conoscenze, le stesse reti sociali. Non tutti hanno la possibilità di offrire ai propri figli determinate esperienze o di accompagnarli nella comprensione del mondo con gli stessi strumenti.

E così, mentre da economista cerco di ridurre il peso delle condizioni familiari sulle opportunità individuali, da padre investo quotidianamente proprio in quei meccanismi attraverso i quali i vantaggi familiari si trasmettono da una generazione all’altra.

La cosa più interessante è che utilizzo sostanzialmente gli stessi strumenti per perseguire due obiettivi potenzialmente in conflitto.

Istruzione, conoscenza, pensiero critico, comprensione dei meccanismi causali, capacità di prendere decisioni.

Come economista vorrei che fossero accessibili a tutti. Come padre cerco di assicurarmi che le mie figlie ne abbiano il più possibile.

In termini economici, cambia la funzione obiettivo.

Come economista, mi interessa la distribuzione delle opportunità nella società. Come padre, mi interessa soprattutto la posizione delle mie figlie all’interno di quella distribuzione.

Naturalmente, non è detto che migliorare le opportunità delle proprie figlie significhi necessariamente peggiorare quelle degli altri. La conoscenza non è una torta di dimensioni fisse. Un bambino che impara a ragionare meglio non sottrae automaticamente qualcosa a un altro bambino.

Ma le opportunità non sono tutte indipendenti dalla posizione relativa.

L’accesso alle scuole migliori, alle università più selettive, a determinate professioni e a molte altre opportunità dipende anche dal confronto con gli altri. In questi contesti, i vantaggi accumulati all’interno della famiglia possono tradursi in differenze persistenti nei risultati.

E non si tratta soltanto di denaro.

Una parte importante delle diseguaglianze si costruisce attraverso piccoli investimenti quotidiani, spesso invisibili e difficilmente misurabili. Una conversazione durante la cena. Una domanda posta al momento giusto. Un libro letto insieme. Un errore trasformato in occasione di apprendimento. Un genitore che spiega perché una decisione ha prodotto un certo risultato invece di limitarsi a dire che cosa sia giusto o sbagliato.

Sono investimenti che si accumulano nel tempo.

E che, proprio perché incorporati nelle relazioni familiari, sono particolarmente difficili da replicare attraverso le politiche pubbliche.

Questo rende il problema delle diseguaglianze delle opportunità molto più complesso di quanto possa sembrare.

Non basta redistribuire risorse. Non basta migliorare l’accesso all’istruzione. Bisogna anche comprendere come si formano le competenze, le preferenze, le aspirazioni e le capacità di prendere decisioni. E come questi processi interagiscono con l’ambiente familiare.

Ma c’è un’altra questione, forse ancora più difficile.

Sarei disposto a rinunciare a un’opportunità per le mie figlie se sapessi che questo contribuirebbe a rendere la società più equa?

È facile sostenere l’uguaglianza delle opportunità quando il costo è astratto. Diventa molto più complicato quando il costo ha il volto delle persone che ami di più.

Non credo che la soluzione sia chiedere ai genitori di fare meno per i propri figli. E non vorrei vivere in una società in cui l’affetto, l’attenzione e il desiderio di trasmettere conoscenze fossero considerati un problema da correggere.

Vorrei piuttosto vivere in una società in cui ciò che oggi rappresenta un privilegio familiare diventasse, per quanto possibile, un’opportunità accessibile a tutti.

Forse è proprio qui che le mie due prospettive possono incontrarsi.

Come padre, cerco di capire che cosa possa aiutare le mie figlie a crescere, imparare e vivere meglio.

Come economista, dovrei cercare di capire come rendere quelle stesse opportunità disponibili anche ai figli degli altri.

Resta però una tensione che non posso eliminare con una buona intenzione o con un modello economico.

Voglio una società in cui il futuro dei bambini dipenda il meno possibile dalla famiglia in cui nascono. E, allo stesso tempo, faccio tutto quello che posso perché il futuro delle mie figlie dipenda anche dalla fortuna di essere nate nella nostra.

Isn’t it ironic?

Come cantava Alanis Morissette.

E se l’università del futuro fosse progettata dagli studenti (e dall’intelligenza artificiale)?

L’idea radicale di Tyler Cowen: meno lezioni tradizionali, più intelligenza artificiale, più scrittura e soprattutto più sperimentazione.

Cosa succederebbe se chiedessimo agli studenti di progettare una parte della propria formazione universitaria utilizzando l’intelligenza artificiale, lasciando ai professori il compito di valutare non soltanto ciò che hanno imparato, ma soprattutto come lo hanno imparato?

È una delle provocazioni più interessanti avanzate dall’economista Tyler Cowen in una recente intervista a The Chronicle of Higher Education, pubblicata il 27 ottobre 2026.

Cowen sostiene che l’università debba cambiare radicalmente. Non perché i professori siano diventati inutili, ma perché sta cambiando la tecnologia con cui produciamo, trasmettiamo e utilizziamo la conoscenza. E quando cambia una tecnologia così fondamentale, continuare a organizzare l’istruzione come abbiamo sempre fatto rischia di diventare una scelta sempre meno difendibile.

La sua proposta merita attenzione, soprattutto perché mette in discussione non soltanto cosa insegniamo, ma anche chi debba decidere come si impara.

Un terzo di intelligenza artificiale, un terzo di scrittura

Cowen propone di dedicare circa un terzo del tempo universitario a imparare a utilizzare l’intelligenza artificiale. Non semplicemente a conoscere gli strumenti disponibili, ma a lavorarci, comprenderne i limiti e imparare a ottenere risultati migliori.

La seconda proposta è apparentemente in contraddizione con la prima: dedicare un altro terzo del tempo a imparare a scrivere, in modo rigoroso, senza l’aiuto dell’AI.

È un accostamento interessante.

Da un lato, dobbiamo imparare a utilizzare una tecnologia che rende sempre più semplice produrre testi, analisi e risposte. Dall’altro, dobbiamo continuare ad allenare le capacità cognitive che ci permettono di valutare la qualità di quei risultati.

Scrivere non significa soltanto comunicare qualcosa che abbiamo già pensato. Spesso è proprio attraverso la scrittura che impariamo a organizzare un ragionamento, riconoscere le contraddizioni e capire cosa non abbiamo ancora compreso.

Se deleghiamo interamente questo processo all’intelligenza artificiale, rischiamo di ottenere risultati migliori senza diventare necessariamente più competenti.

È una distinzione fondamentale: la produttività non coincide con l’apprendimento.

Un corso senza professore?

La proposta più radicale di Cowen riguarda però l’organizzazione dei corsi.

Immaginiamo che uno studente possa scegliere un argomento, progettare un percorso di studio con l’intelligenza artificiale e seguirlo autonomamente, senza lezioni tradizionali.

Alla fine, un professore valuterebbe non soltanto le conoscenze acquisite, ma anche il processo attraverso cui lo studente ha utilizzato l’AI per imparare.

In altre parole, l’oggetto della valutazione diventerebbe anche il percorso di apprendimento.

È un cambiamento importante.

Oggi valutiamo prevalentemente i risultati: un esame, un elaborato, una presentazione. Ma quando una tecnologia può produrre molti di questi risultati in pochi secondi, il loro valore come indicatori delle competenze individuali diminuisce.

Diventa quindi più importante capire quali domande lo studente ha formulato, quali errori ha riconosciuto, quali informazioni ha verificato e come è arrivato alle proprie conclusioni.

Naturalmente, osservare il processo non basta. Anche una sequenza di interazioni con l’AI può essere costruita artificialmente. Per questo sarebbe necessario affiancare alla valutazione del percorso momenti di verifica individuale, discussioni orali e prove nelle quali lo studente debba dimostrare di saper ragionare autonomamente.

Ma il principio rimane interessante: valutare non soltanto il prodotto finale, ma la capacità di costruire conoscenza.

Gli studenti potrebbero saperne più dei professori

Un altro elemento provocatorio della proposta di Cowen riguarda chi dovrebbe guidare questa trasformazione.

La sua risposta è sorprendente: gli studenti.

Secondo Cowen, molti studenti conoscono già gli strumenti di intelligenza artificiale meglio dei loro professori. Per questo potrebbero essere proprio loro a individuare gli utilizzi più efficaci della nuova tecnologia.

Non è detto che questa superiorità nell’utilizzo degli strumenti corrisponda a una maggiore capacità di valutarne l’affidabilità. Saper usare bene un modello linguistico non significa necessariamente comprendere meglio l’economia, la storia o la statistica.

Tuttavia, l’intuizione di Cowen solleva una questione importante.

L’università è tradizionalmente organizzata intorno a una relazione asimmetrica: il professore possiede conoscenze che lo studente deve acquisire.

L’intelligenza artificiale non elimina questa asimmetria, ma ne modifica alcune componenti. Uno studente può avere maggiore familiarità con gli strumenti, mentre il professore conserva una competenza disciplinare ed epistemologica più profonda.

La sfida diventa mettere insieme queste due forme di conoscenza, anziché contrapporle.

Forse dovremmo creare più occasioni nelle quali studenti e professori sperimentano insieme, imparando gli uni dagli altri.

Il problema degli incentivi

Da economista, credo che ci sia un ulteriore aspetto da considerare: gli incentivi.

Gli studenti rispondono agli incentivi creati dal sistema universitario. Se premiamo soprattutto la capacità di consegnare un elaborato convincente, non possiamo sorprenderci quando utilizzano una tecnologia che permette di produrlo rapidamente.

Se invece premiamo la capacità di formulare domande originali, identificare errori, difendere un ragionamento e dimostrare ciò che si è realmente imparato, gli incentivi cambiano.

Il problema, quindi, non è soltanto stabilire se consentire o vietare ChatGPT durante un corso.

È ripensare il sistema di valutazione.

Lo stesso vale per i professori. Innovare la didattica richiede tempo, sperimentazione e disponibilità ad accettare risultati incerti. Ma nelle università questi sforzi non sempre ricevono riconoscimenti adeguati.

Chiedere ai docenti di cambiare senza modificare gli incentivi istituzionali rischia di produrre soprattutto innovazioni superficiali.

Sperimentare, ma misurando i risultati

La parte della proposta di Cowen che trovo più convincente non è l’idea di sostituire un corso tradizionale con uno gestito dall’intelligenza artificiale.

È l’invito a sperimentare.

Non sappiamo ancora quale sia il modo migliore per integrare l’AI nell’istruzione universitaria. E non possiamo presumere che una tecnologia capace di migliorare la qualità di un elaborato migliori automaticamente anche le competenze di chi lo produce.

Per scoprirlo servono esperimenti.

Potremmo confrontare studenti che seguono un corso tradizionale con studenti che utilizzano percorsi di apprendimento personalizzati attraverso l’AI. Potremmo misurare non soltanto i voti finali, ma anche la comprensione dei concetti, la capacità di applicarli a problemi nuovi e la persistenza delle conoscenze nel tempo.

Sarebbe particolarmente interessante capire per quali studenti questi strumenti funzionano meglio.

L’intelligenza artificiale potrebbe ridurre le disuguaglianze educative, offrendo un tutor personalizzato a chi non può permetterselo. Ma potrebbe anche ampliarle, se gli studenti con maggiori competenze iniziali fossero quelli più capaci di utilizzarla efficacemente.

Non è una questione che possiamo risolvere attraverso intuizioni o dichiarazioni di principio. È una domanda empirica.

E l’università dovrebbe essere il luogo ideale per cercare una risposta.

Che cosa rimane dell’università?

C’è infine una questione più generale.

Se una parte crescente della trasmissione delle conoscenze può essere affidata all’intelligenza artificiale, qual è il valore aggiunto dell’università?

La risposta non può essere soltanto il titolo di studio.

L’università è anche un luogo nel quale impariamo a confrontarci con persone diverse, a collaborare, a discutere idee, a gestire l’incertezza e a sviluppare un’identità personale e professionale.

Sono dimensioni dell’educazione che non si esauriscono nella capacità di rispondere correttamente a una domanda.

Anzi, proprio perché l’intelligenza artificiale rende sempre meno costoso ottenere risposte, potrebbe diventare ancora più importante imparare a formulare buone domande, esercitare il giudizio e assumersi la responsabilità delle proprie decisioni.

Non credo che il futuro dell’università debba essere un’università senza professori. Ma nemmeno un’università nella quale i professori continuano a insegnare esattamente come prima, fingendo che nulla sia cambiato.

La provocazione di Cowen ci invita a considerare una terza possibilità: un’università nella quale l’intelligenza artificiale amplia le opportunità di apprendimento, gli studenti assumono un ruolo più attivo e i professori dedicano più attenzione a ciò che conta davvero.

La domanda, allora, non è se l’intelligenza artificiale sostituirà i professori.

È se sapremo utilizzare questa trasformazione per costruire un’università nella quale gli studenti imparino di più, e non semplicemente producano di più.


Fonte: Scott Carlson, Tyler Cowen’s Radical AI University, The Chronicle of Higher Education, 27 ottobre 2026.

L’economia dei prediction markets

Elezioni, recessioni, decisioni delle banche centrali, risultati sportivi. Possiamo utilizzare un mercato per prevedere cosa accadrà?

L’idea alla base dei prediction markets, o mercati previsionali, è semplice e affascinante: aggregare le informazioni disperse tra molte persone attraverso un sistema di prezzi.

Come funziona un mercato previsionale?

Immaginiamo di voler prevedere se la Banca Centrale Europea ridurrà i tassi di interesse entro la fine dell’anno.

Potremmo chiedere a un gruppo di economisti, consultare le previsioni degli analisti oppure realizzare un sondaggio.

Esiste però un’altra possibilità: creare un mercato nel quale le persone possano acquistare e vendere contratti il cui valore dipende dal verificarsi dell’evento.

Supponiamo che un contratto paghi 1 euro se la BCE riduce i tassi entro una determinata data e zero altrimenti.

Se il contratto viene scambiato a 70 centesimi, il mercato sta attribuendo all’evento una probabilità implicita del 70%.

Chi ritiene che la probabilità sia superiore al 70% potrebbe trovare conveniente acquistare il contratto. Chi ritiene che sia inferiore potrebbe preferire venderlo.

Attraverso gli scambi, le informazioni e le aspettative dei partecipanti contribuiscono alla formazione di un prezzo.

Perché un mercato dovrebbe prevedere meglio di un esperto?

L’idea ha radici profonde nella teoria economica.

Nel 1945, Friedrich Hayek pubblica “The Use of Knowledge in Society”, uno degli articoli più influenti della storia dell’economia.

Hayek osserva che le informazioni rilevanti per prendere decisioni economiche sono disperse tra milioni di individui. Nessuna autorità centrale può conoscerle tutte.

Il sistema dei prezzi permette di utilizzare queste informazioni senza che debbano essere raccolte e comunicate esplicitamente.

I prediction markets applicano un principio simile alle previsioni.

Ogni partecipante può possedere informazioni differenti: dati economici, conoscenze specifiche, esperienza professionale oppure semplicemente un’interpretazione diversa delle informazioni pubbliche.

Il mercato offre un incentivo a utilizzare queste conoscenze.

Chi ritiene che il prezzo non rifletta correttamente la probabilità di un evento può assumere una posizione e, se la previsione si rivela corretta, ottenere un guadagno.

Naturalmente, il fatto che le persone rischino denaro non garantisce che abbiano ragione. Ma può incentivare una valutazione più attenta delle informazioni rispetto a una semplice dichiarazione di opinione.

Cosa dice la ricerca economica?

Uno dei lavori di riferimento è quello di Justin Wolfers ed Eric Zitzewitz, “Prediction Markets”, pubblicato nel 2004 sul Journal of Economic Perspectives.

Gli autori esaminano il funzionamento di questi mercati e mostrano come i prezzi possano sintetizzare informazioni utili sulle probabilità di eventi futuri.

Un altro contributo importante è quello di Berg, Nelson e Rietz (2008), pubblicato sull’International Journal of Forecasting, che analizza le previsioni elettorali dell’Iowa Electronic Markets.

Gli autori documentano che, nei contesti esaminati, i mercati previsionali hanno spesso prodotto previsioni competitive, e talvolta più accurate, rispetto ai sondaggi tradizionali.

I prediction markets non sono però necessariamente superiori a qualsiasi altro metodo di previsione. La loro accuratezza dipende dal tipo di evento, dalla qualità delle informazioni disponibili e dal funzionamento del mercato.

I prediction markets oggi

Negli ultimi anni questi mercati hanno acquisito una crescente visibilità grazie a piattaforme come Polymarket e Kalshi.

Queste piattaforme consentono di negoziare contratti su eventi futuri, trasformando le aspettative dei partecipanti in prezzi continuamente aggiornati.

La differenza rispetto a un sondaggio è importante.

Un sondaggio chiede alle persone cosa pensano o cosa intendono fare. Un prediction market cerca invece di misurare quanto i partecipanti ritengano probabile un determinato risultato.

Per esempio, chiedere a una persona per chi voterà non equivale a chiederle quale candidato ritenga più probabile vincitore.

Sono due informazioni differenti.

Ma possiamo davvero interpretare il prezzo come una probabilità?

Non sempre.

Se un contratto che paga 1 euro viene scambiato a 70 centesimi, è naturale interpretare il prezzo come una probabilità del 70%.

Questa interpretazione, tuttavia, richiede alcune condizioni.

I partecipanti devono poter acquistare e vendere liberamente, i costi di transazione devono essere limitati e il mercato deve essere sufficientemente liquido.

Inoltre, le preferenze per il rischio possono influenzare i prezzi.

Un contratto potrebbe essere particolarmente richiesto non soltanto perché un evento viene considerato probabile, ma anche perché offre una forma di copertura contro altri rischi.

Di conseguenza, il prezzo di mercato non coincide necessariamente con la probabilità effettiva dell’evento.

È una misura delle valutazioni aggregate dei partecipanti, influenzata anche dagli incentivi e dalle caratteristiche del mercato.

Quando i mercati possono sbagliare

I prediction markets presentano alcuni limiti importanti.

Il primo riguarda la liquidità. Se pochi individui partecipano agli scambi, i prezzi possono essere influenzati da singole operazioni e riflettere informazioni incomplete.

Il secondo riguarda la selezione dei partecipanti. Le persone che operano su questi mercati non costituiscono necessariamente un campione rappresentativo della popolazione. Questo non è di per sé un problema, perché l’obiettivo non è misurare un’opinione media, ma può diventarlo quando informazioni importanti rimangono escluse.

Il terzo riguarda la possibilità che i prezzi siano influenzati da comportamenti strategici, preferenze non legate alla previsione o tentativi di manipolazione.

Un mercato può quindi aggregare informazioni in modo efficace senza essere infallibile.

Perché sono interessanti per gli economisti?

L’aspetto più interessante dei prediction markets non è necessariamente la possibilità di prevedere il risultato di un’elezione o di una partita.

È il fatto che rappresentino un laboratorio per studiare come le informazioni vengono aggregate.

La teoria economica ci insegna che i prezzi coordinano decisioni decentralizzate. I prediction markets permettono di osservare questo meccanismo in un contesto nel quale il valore finale del contratto dipende da un evento verificabile.

Possiamo quindi confrontare le probabilità implicite nei prezzi con gli eventi effettivamente realizzati e valutare quanto siano accurate le previsioni.

Questi mercati hanno anche applicazioni interessanti all’interno delle organizzazioni.

Un’impresa potrebbe utilizzarli per prevedere le vendite di un nuovo prodotto, la probabilità di rispettare una scadenza oppure il successo di un progetto.

In questo modo, informazioni disperse tra dipendenti e reparti potrebbero emergere attraverso un meccanismo di mercato, anziché attraverso una procedura gerarchica.

La lezione economica

I prediction markets ci ricordano un’intuizione fondamentale: per produrre una buona previsione non è sempre necessario individuare la persona che conosce meglio un determinato fenomeno.

A volte può essere più efficace costruire un meccanismo capace di aggregare le informazioni possedute da molte persone.

Il valore di questi mercati non risiede quindi nella capacità di conoscere il futuro, ma nella possibilità di utilizzare informazioni disperse per formulare previsioni continuamente aggiornate.

La domanda più interessante non è se i mercati sappiano prevedere il futuro. È se possano aggregare le informazioni meglio dei metodi alternativi.

Ed è proprio questa una delle questioni centrali dell’economia: comprendere come le istituzioni e gli incentivi trasformino conoscenze individuali in risultati collettivi.

Riferimenti bibliografici

Hayek, F. A. (1945). “The Use of Knowledge in Society.” American Economic Review, 35(4), 519–530.

Wolfers, J., & Zitzewitz, E. (2004). “Prediction Markets.” Journal of Economic Perspectives, 18(2), 107–126.
https://doi.org/10.1257/0895330041371321

Berg, J. E., Nelson, F. D., & Rietz, T. A. (2008). “Prediction Market Accuracy in the Long Run.” International Journal of Forecasting, 24(2), 285–300.
https://doi.org/10.1016/j.ijforecast.2008.03.007

Longitudine

Come un orologiaio autodidatta, un premio pubblico e quarant’anni di tentativi cambiarono la navigazione. E cosa questa storia ci insegna sugli incentivi all’innovazione.

Nel 1714 il Parlamento britannico mise in palio una somma straordinaria: 20.000 sterline (diversi milioni di euro attuali) per chi fosse riuscito a risolvere uno dei problemi più importanti dell’epoca, determinare con precisione la longitudine di una nave in mezzo all’oceano.

Il problema aveva impegnato per secoli alcune delle menti più brillanti della storia della scienza. Galileo, Huygens, Cassini, Newton e Halley avevano contribuito, in modi diversi, alla ricerca di una soluzione. A riuscirci fu un uomo che non aveva frequentato l’università, non era un astronomo e non apparteneva all’élite scientifica britannica. Si chiamava John Harrison. Era un orologiaio autodidatta.

La sua storia è un esempio straordinario di come funzionano, e qualche volta non funzionano, gli incentivi all’innovazione.

Un problema da milioni di sterline

All’inizio del Settecento, attraversare l’oceano era un’impresa rischiosa. I marinai sapevano determinare abbastanza bene la latitudine, cioè quanto si trovavano a nord o a sud dell’equatore. Ma stabilire la longitudine, la posizione est-ovest, era molto più difficile.

Un errore di navigazione poteva significare mancare un porto, finire contro una costa o perdere un’intera flotta.

Nel 1707 quattro navi britanniche naufragarono presso le isole Scilly, al largo della Cornovaglia. Morirono circa 1.400–2.000 marinai. Le cause furono complesse, ma la tragedia contribuì a rendere evidente quanto fosse urgente migliorare la navigazione.

La soluzione teorica al problema della longitudine, in realtà, era già conosciuta.

La Terra compie un giro completo, 360 gradi, in 24 ore. Questo significa che ogni ora di differenza tra due luoghi corrisponde a 15 gradi di longitudine.

Se a bordo di una nave è mezzogiorno, ma a Londra sono le due del pomeriggio, la nave si trova a 30 gradi a ovest del meridiano londinese.

Semplice, almeno sulla carta.

Per applicare questo principio bisognava però sapere che ora fosse a Londra mentre ci si trovava in mezzo all’Atlantico.

Oggi sembra banale. Nel Settecento era una sfida tecnologica formidabile.

Gli orologi dell’epoca erano troppo imprecisi. Le oscillazioni delle navi, l’umidità e le variazioni di temperatura ne compromettevano il funzionamento. Un errore di appena quattro minuti poteva tradursi in uno spostamento di circa 111 chilometri all’equatore.

Serviva un orologio capace di conservare l’ora esatta per mesi, in condizioni estremamente difficili.

Quando lo Stato decide di premiare una soluzione

Nel 1714 il Parlamento britannico approvò il Longitude Act.

La legge prevedeva tre premi: 10.000 sterline per chi avesse determinato la longitudine entro 60 miglia nautiche, 15.000 per una precisione di 40 miglia e 20.000 per una precisione di 30 miglia.

Non veniva imposto un metodo particolare. Chiunque poteva proporre una soluzione.

Era un esempio di quello che oggi gli economisti chiamano inducement prize: un premio destinato a incentivare la ricerca di una soluzione a un problema ben definito.

L’idea economica è interessante.

Normalmente, quando finanziamo la ricerca, paghiamo qualcuno affinché provi a raggiungere un risultato. Finanziamo laboratori, assumiamo ricercatori, acquistiamo strumenti. Il finanziamento arriva prima, mentre il risultato è incerto.

Un premio funziona diversamente. L’istituzione definisce il problema e promette una ricompensa a chi riesce a risolverlo.

In questo modo non deve necessariamente sapere in anticipo chi sia il ricercatore migliore, quale approccio abbia più probabilità di successo o quale tecnologia si rivelerà vincente.

Il premio può attirare idee da persone che nessuno avrebbe pensato di finanziare.

Come John Harrison.

L’orologiaio che sfidò gli astronomi

Harrison nacque nel 1693 nello Yorkshire. Era figlio di un artigiano e imparò a costruire orologi sviluppando autonomamente le proprie competenze.

Mentre molti astronomi cercavano di utilizzare la posizione della Luna e delle stelle per determinare la longitudine, Harrison perseguì una strada diversa: costruire un orologio sufficientemente preciso da conservare l’ora del meridiano di riferimento durante una lunga traversata.

L’idea di utilizzare un orologio non era nuova. Il problema era riuscire a costruirne uno che funzionasse davvero.

Harrison dedicò decenni a questa impresa.

Il primo prototipo, completato nel 1735, era una macchina complessa, con grandi bilancieri oscillanti. Ne costruì poi un secondo e un terzo, introducendo progressivamente nuove soluzioni meccaniche.

Soltanto nel 1759 realizzò il suo capolavoro: l’H4, un cronometro relativamente piccolo, simile a un grande orologio da tasca.

Nel 1761 il cronometro partì per una traversata verso la Giamaica, accompagnato dal figlio William.

Il risultato fu eccezionale. All’arrivo, dopo 81 giorni, lo scarto registrato era di circa cinque secondi.

Un risultato che superava ampiamente la precisione richiesta per ottenere il premio massimo.

La storia avrebbe potuto finire qui.

Ma non finì qui.

Avere ragione non basta

Nonostante il successo, Harrison non ricevette immediatamente le 20.000 sterline.

Il Board of Longitude, l’organismo incaricato di valutare le proposte, continuò a richiedere verifiche, nuove prove e informazioni tecniche.

Harrison riteneva di aver soddisfatto le condizioni previste dalla legge. I suoi interlocutori, invece, volevano essere certi che il risultato fosse replicabile.

Un orologio costruito da un artigiano eccezionale poteva funzionare perfettamente. Ma questo non significava necessariamente che altri orologiai fossero in grado di produrne copie altrettanto precise.

C’era poi un problema di interessi scientifici.

Nevil Maskelyne, astronomo reale dal 1765, sosteneva il metodo alternativo delle distanze lunari. Questo metodo, basato sull’osservazione della posizione della Luna rispetto ad altri corpi celesti, era scientificamente valido e sarebbe stato effettivamente utilizzato dai navigatori.

La competizione, quindi, non era semplicemente tra una soluzione corretta e una sbagliata. Era tra due tecnologie, ciascuna con vantaggi e limiti differenti.

Harrison vedeva nelle richieste del Board una resistenza ingiustificata. I suoi valutatori sostenevano di dover accertare che la tecnologia fosse affidabile e riproducibile.

La controversia durò anni.

Nel 1773, quando Harrison aveva ormai ottant’anni, il Parlamento gli riconobbe un ulteriore pagamento di 8.750 sterline. Nel corso della sua vita aveva già ricevuto altri finanziamenti e ricompense, ma non gli fu mai formalmente attribuito il premio massimo secondo la procedura originaria.

Harrison morì nel 1776.

Aveva contribuito a cambiare per sempre la navigazione, ma aveva trascorso una parte considerevole della propria vita a dimostrare che la sua invenzione meritava di essere riconosciuta.

La lezione economica: gli incentivi non bastano

Questa storia contiene almeno tre lezioni importanti per chi si occupa di economia.

La prima riguarda il potere degli incentivi.

Un premio può mobilitare conoscenze che si trovano al di fuori delle istituzioni tradizionali. Harrison non era un astronomo accademico. Era un artigiano con competenze particolari, un approccio diverso e la determinazione necessaria per affrontare un problema considerato quasi impossibile.

La seconda riguarda la difficoltà di definire cosa significhi davvero «risolvere un problema».

Il Longitude Act aveva stabilito un obiettivo apparentemente chiaro: determinare la longitudine con un certo grado di precisione.

Ma quando Harrison dimostrò di poterlo raggiungere, emersero altre domande. Il suo orologio avrebbe funzionato in tutte le condizioni? Altri avrebbero potuto costruirne uno uguale? Quanto sarebbe costato produrlo?

In termini economici, siamo di fronte a un problema di contratti incompleti.

È difficile prevedere e specificare in anticipo tutte le condizioni che permetteranno di stabilire se un risultato futuro soddisfi davvero le aspettative.

La terza lezione riguarda le istituzioni.

Un premio non elimina il bisogno di valutare i risultati. E chi valuta può avere convinzioni, preferenze e interessi propri.

Per questo, quando progettiamo incentivi all’innovazione, non basta stabilire quanto pagare. Dobbiamo anche decidere chi giudicherà il risultato, quali prove saranno richieste e come gestire eventuali controversie.

Inventare non significa innovare

C’è infine un ultimo elemento.

Il cronometro di Harrison funzionava, ma era estremamente costoso e difficile da costruire.

Perché i cronometri marini diventassero strumenti diffusi sulle navi commerciali, furono necessari ulteriori progressi tecnologici, nuovi produttori e una significativa riduzione dei costi.

Altri orologiai, tra cui John Arnold e Thomas Earnshaw, contribuirono a rendere questa tecnologia più accessibile.

La differenza è fondamentale: inventare qualcosa non significa necessariamente renderlo disponibile a tutti.

Un’invenzione può essere tecnicamente straordinaria e avere inizialmente un impatto economico limitato. Per produrre benefici su larga scala deve diventare affidabile, replicabile e sufficientemente economica.

È un problema che ritroviamo ancora oggi, dalle tecnologie energetiche ai farmaci, fino all’intelligenza artificiale.

La storia di Harrison ci ricorda che il progresso tecnologico non dipende soltanto dalle grandi intuizioni individuali. Dipende anche dagli incentivi, dalle istituzioni, dalla capacità di verificare i risultati e dai processi che trasformano un prototipo in una tecnologia diffusa.

Nel 1714 il Parlamento britannico cercava un modo per conoscere la posizione di una nave nell’oceano.

Finì per contribuire a una delle più importanti innovazioni della storia della navigazione.

E ci lasciò una domanda che, tre secoli dopo, rimane attuale: come possiamo progettare istituzioni capaci non soltanto di incentivare le idee migliori, ma anche di riconoscerle quando arrivano da dove meno ce le aspettiamo?


Per approfondire: Dava Sobel, Longitudine (1995); William J. H. Andrewes (a cura di), The Quest for Longitude (1996); Royal Museums Greenwich, collezione dedicata a John Harrison e alla storia della longitudine.