Democrazia, mercato e scienza

August 15, 2026 ~ Marco Piovesan ~ Leave a comment

Il nuovo libro di Daron Acemoglu, What Happened to Liberal Democracy?, parte da una domanda politica, ma contiene un’idea ancora più profonda.

Una società libera funziona solo se prende sul serio un fatto fondamentale: siamo fallibili e la conoscenza è dispersa. Nessuno possiede tutte le informazioni necessarie per decidere per gli altri. Per questo servono sperimentazione, discussione aperta, possibilità di dissentire e meccanismi capaci di mettere insieme conoscenze distribuite. Sono elementi centrali della concezione del liberalismo proposta da Acemoglu. (Financial Times)

Questa idea si collega a una convinzione che trovo sempre più importante.

Gran parte dello straordinario salto di benessere delle società moderne può essere interpretato come il risultato di tre grandi invenzioni istituzionali: scienza, democrazia e mercato.

A prima vista fanno cose completamente diverse. Ma hanno una caratteristica profonda in comune: sono tre modi di affrontare lo stesso problema, quello della conoscenza dispersa.

La scienza aggrega conoscenza su come funziona il mondo. Osservazioni ed esperimenti sono prodotti localmente, messi in comune, sottoposti a controllo empirico e critica, replicati quando possibile e continuamente corretti. La sua forza non deriva dall’infallibilità degli scienziati, ma esattamente dal contrario: dall’aver costruito istituzioni che assumono che ciascuno di noi possa sbagliare.

La democrazia mette in comune informazioni diverse: preferenze, bisogni, conoscenze locali e giudizi sulla performance di chi governa. Rappresentanza, competizione politica, libertà di espressione ed elezioni creano feedback. Non garantiscono decisioni corrette, ma rendono possibile sostituire chi sbaglia e correggere una politica senza dover presumere l’esistenza di un decisore onnisciente. L’idea della democrazia come meccanismo di aggregazione di conoscenza distribuita ha una lunga tradizione nella teoria della “epistemic democracy”. (Cambridge)

Il mercato affronta un terzo tipo di conoscenza dispersa: scarsità, costi, opportunità e valutazioni individuali. Prezzi, profitti e perdite permettono di coordinare milioni di decisioni senza che nessuna autorità centrale debba conoscere tutte le circostanze locali. È il problema reso celebre da Hayek: utilizzare una conoscenza che nessun singolo individuo possiede integralmente. (Associazione Economica Americana)

Scienza, democrazia e mercato sono quindi tre tecnologie sociali molto diverse, ma condividono una stessa architettura: decentralizzazione, sperimentazione, feedback e correzione degli errori.

Ed è qui che il ragionamento si incontra con Acemoglu.

La sua tesi è che la democrazia liberale abbia funzionato meglio quando è riuscita a combinare autogoverno, libera ricerca della conoscenza e prosperità condivisa. È entrata in crisi quando questa promessa si è indebolita: deindustrializzazione e tecnologie digitali hanno modificato la distribuzione dei benefici della crescita, una parte della working class ha perso peso economico e politico e le élite altamente istruite sono diventate sempre più separate dal resto della società. La risposta di Acemoglu è quello che chiama “working-class liberalism”: ricostruire prosperità condivisa, good jobs, comunità e partecipazione senza rinunciare alle libertà fondamentali e al pluralismo. (Penguin Random House)

Vista da questa prospettiva, la crisi della democrazia liberale non è soltanto una crisi di valori. È anche una crisi dei meccanismi di feedback.

Quando il sistema politico smette di ascoltare parti consistenti della popolazione, perde informazione.

Quando concentrazioni di potere economico riducono concorrenza e sperimentazione, il mercato perde informazione.

Quando conformismo, incentivi sbagliati o chiusura al dissenso prevalgono sulla critica, anche la scienza perde capacità di correggersi.

Nessuno dei tre sistemi è automaticamente efficiente. Proprio perché sono costruzioni istituzionali, possono produrre errori, cattura, polarizzazione, monopoli, esternalità, conformismo e cattiva informazione.

Questo è il punto che trovo più interessante.

Difendere scienza, democrazia e mercato in modo ideologico serve relativamente poco. Bisogna capire quali condizioni permettono loro di funzionare bene, quali incentivi ne distorcono il funzionamento e quali istituzioni preservano diversità, sperimentazione, feedback e capacità di correzione.

L’intelligenza artificiale rende la questione ancora più urgente. Acemoglu e coautori hanno recentemente mostrato teoricamente come un’AI capace di fornire risposte sempre migliori possa, paradossalmente, ridurre gli incentivi degli esseri umani ad acquisire e condividere conoscenza, impoverendo nel lungo periodo lo stock di conoscenza collettiva. (MIT Stone Center)

Come scienziati, quindi, il nostro compito è duplice: comprendere questi meccanismi – inclusi i loro failure modes – e contribuire a disegnare istituzioni e incentivi che li facciano funzionare meglio.

Forse il grande vantaggio istituzionale della modernità non è stato trovare persone che sapessero abbastanza da governare sistemi sempre più complessi.

È stato inventare sistemi che permettono alla società di sapere più di quanto possa sapere qualunque singolo individuo.

Il progresso comincia dal riconoscimento che nessuno è onnisciente.
E continua solo se costruiamo istituzioni capaci di scoprire e correggere i propri errori.

Democrazia, mercato e scienza

August 15, 2026 ~ Marco Piovesan ~ Leave a comment

Il nuovo libro di Daron Acemoglu, What Happened to Liberal Democracy?, parte da una domanda politica, ma contiene un’idea ancora più profonda.

Questa idea si collega a una convinzione che trovo sempre più importante.

Gran parte dello straordinario salto di benessere delle società moderne può essere interpretato come il risultato di tre grandi invenzioni istituzionali: scienza, democrazia e mercato.

A prima vista fanno cose completamente diverse. Ma hanno una caratteristica profonda in comune: sono tre modi di affrontare lo stesso problema, quello della conoscenza dispersa.

Scienza, democrazia e mercato sono quindi tre tecnologie sociali molto diverse, ma condividono una stessa architettura: decentralizzazione, sperimentazione, feedback e correzione degli errori.

Ed è qui che il ragionamento si incontra con Acemoglu.

Vista da questa prospettiva, la crisi della democrazia liberale non è soltanto una crisi di valori. È anche una crisi dei meccanismi di feedback.

Quando il sistema politico smette di ascoltare parti consistenti della popolazione, perde informazione.

Quando concentrazioni di potere economico riducono concorrenza e sperimentazione, il mercato perde informazione.

Quando conformismo, incentivi sbagliati o chiusura al dissenso prevalgono sulla critica, anche la scienza perde capacità di correggersi.

Questo è il punto che trovo più interessante.

Forse il grande vantaggio istituzionale della modernità non è stato trovare persone che sapessero abbastanza da governare sistemi sempre più complessi.

È stato inventare sistemi che permettono alla società di sapere più di quanto possa sapere qualunque singolo individuo.

Il progresso comincia dal riconoscimento che nessuno è onnisciente.
E continua solo se costruiamo istituzioni capaci di scoprire e correggere i propri errori.

Democrazia, mercato e scienza

August 15, 2026 ~ Marco Piovesan ~ Leave a comment

Il nuovo libro di Daron Acemoglu, What Happened to Liberal Democracy?, parte da una domanda politica, ma contiene un’idea ancora più profonda.

Questa idea si collega a una convinzione che trovo sempre più importante.

Gran parte dello straordinario salto di benessere delle società moderne può essere interpretato come il risultato di tre grandi invenzioni istituzionali: scienza, democrazia e mercato.

A prima vista fanno cose completamente diverse. Ma hanno una caratteristica profonda in comune: sono tre modi di affrontare lo stesso problema, quello della conoscenza dispersa.

Scienza, democrazia e mercato sono quindi tre tecnologie sociali molto diverse, ma condividono una stessa architettura: decentralizzazione, sperimentazione, feedback e correzione degli errori.

Ed è qui che il ragionamento si incontra con Acemoglu.

Vista da questa prospettiva, la crisi della democrazia liberale non è soltanto una crisi di valori. È anche una crisi dei meccanismi di feedback.

Quando il sistema politico smette di ascoltare parti consistenti della popolazione, perde informazione.

Quando concentrazioni di potere economico riducono concorrenza e sperimentazione, il mercato perde informazione.

Quando conformismo, incentivi sbagliati o chiusura al dissenso prevalgono sulla critica, anche la scienza perde capacità di correggersi.

Questo è il punto che trovo più interessante.

Forse il grande vantaggio istituzionale della modernità non è stato trovare persone che sapessero abbastanza da governare sistemi sempre più complessi.

È stato inventare sistemi che permettono alla società di sapere più di quanto possa sapere qualunque singolo individuo.

Il progresso comincia dal riconoscimento che nessuno è onnisciente.
E continua solo se costruiamo istituzioni capaci di scoprire e correggere i propri errori.

Pensare per sistemi

July 8, 2026July 8, 2026 ~ Marco Piovesan ~ Leave a comment

Molti problemi che incontriamo nella vita personale, nelle organizzazioni e nella società sembrano resistere a ogni soluzione. Cambiamo persone, introduciamo nuove regole, aumentiamo risorse, correggiamo procedure, ma dopo qualche tempo il problema riappare, magari sotto una forma leggermente diversa. Il motivo, spesso, è che stiamo guardando il problema nel modo sbagliato.

Il pensiero sistemico, reso accessibile da Donella H. Meadows in Thinking in Systems, parte da un’intuizione semplice ma profonda: il comportamento di un sistema dipende in larga misura dalla sua struttura. Non basta osservare gli eventi. Bisogna capire quali relazioni, incentivi, informazioni, ritardi e obiettivi producono quegli eventi nel tempo.

Un sistema non è solo un insieme di parti. È un insieme di elementi interconnessi che, insieme, producono un comportamento. Una scuola, un’università, un mercato, una famiglia, un ecosistema, un dipartimento, una carriera scientifica: tutti questi sono sistemi. In ciascuno ci sono elementi visibili, come persone, edifici, risorse e strumenti; ma ci sono anche connessioni meno visibili, come regole, aspettative, informazioni, incentivi e culture condivise. Ed è spesso lì, nelle connessioni invisibili, che si trova la vera spiegazione del comportamento del sistema.

Un errore frequente è concentrarsi sugli elementi. Se un’organizzazione funziona male, cambiamo il dirigente. Se una politica pubblica fallisce, cerchiamo il responsabile. Se un team non produce risultati, sostituiamo alcune persone. A volte è necessario. Ma se le regole del gioco restano le stesse, il nuovo attore finirà spesso per produrre gli stessi risultati del precedente. È come cambiare i giocatori senza cambiare il gioco.

Meadows invita invece a guardare tre cose: gli elementi, le interconnessioni e lo scopo del sistema. Tra queste, lo scopo è spesso il più potente. Non lo scopo dichiarato, ma quello reale, dedotto dal comportamento. Un’università può dichiarare di voler promuovere conoscenza e apprendimento; ma se premia quasi esclusivamente pubblicazioni, ranking e fondi ottenuti, il sistema tenderà a produrre pubblicazioni, ranking e fondi. Non necessariamente migliore apprendimento. Questo vale ovunque. I sistemi producono ciò che sono organizzati per produrre, non ciò che dicono di voler produrre.

Un altro concetto fondamentale è la distinzione tra stock e flussi. Uno stock è qualcosa che si accumula nel tempo: denaro, reputazione, fiducia, conoscenza, salute, capitale umano, inquinamento, competenze. Un flusso è ciò che aumenta o diminuisce quello stock: entrate e uscite, assunzioni e dimissioni, apprendimento e oblio, emissioni e assorbimento.

Questa distinzione è utile perché ci ricorda che molti fenomeni non cambiano subito. La reputazione richiede anni per essere costruita. La fiducia cresce lentamente e può crollare rapidamente. Le competenze si accumulano con pratica e tempo. L’inquinamento può continuare a produrre effetti molto dopo che abbiamo ridotto le emissioni.

I sistemi hanno memoria. Per questo, quando interveniamo su un sistema, dobbiamo considerare i ritardi. Una riforma educativa può richiedere anni prima di mostrare effetti. Un cambiamento culturale in un’organizzazione può richiedere molto più tempo di una modifica formale dell’organigramma. Una politica ambientale può essere corretta ma sembrare inefficace nel breve periodo perché agisce su stock molto lenti. Se ignoriamo i ritardi, rischiamo due errori opposti: abbandonare troppo presto una buona soluzione, oppure continuare troppo a lungo con una soluzione sbagliata.

Il cuore del pensiero sistemico è però il feedback. Un feedback è un circuito di retroazione: il risultato di un’azione torna indietro e influenza le azioni successive. Alcuni feedback stabilizzano il sistema. Sono feedback bilancianti. Per esempio, un termostato misura la temperatura e accende o spegne il riscaldamento per mantenere un livello desiderato. Altri feedback amplificano il cambiamento. Sono feedback rinforzanti. Più reputazione ottengo, più opportunità ricevo; più opportunità ricevo, più risultati produco; più risultati produco, più reputazione ottengo. Questo può generare circoli virtuosi. Ma lo stesso meccanismo può produrre circoli viziosi: meno risorse ho, meno opportunità posso cogliere; meno opportunità colgo, meno risorse avrò in futuro. Molte disuguaglianze, personali e sociali, funzionano così.

Il pensiero sistemico ci aiuta anche a riconoscere alcune trappole ricorrenti. Una è la “tragedia dei beni comuni”: ciascun attore trae beneficio dall’uso di una risorsa condivisa, mentre il costo del degrado è distribuito su tutti. È il caso della pesca eccessiva, dell’inquinamento atmosferico, del consumo di suolo, ma anche di risorse organizzative come tempo, attenzione e fiducia.

Un’altra trappola è lo “spostare il peso sull’interventore”: si introduce una soluzione rapida che allevia il sintomo, ma indebolisce la capacità del sistema di risolvere il problema alla radice. Un’organizzazione può affidarsi sempre a consulenti esterni senza sviluppare competenze interne. Una persona può usare stimolanti per compensare la mancanza di riposo. Un governo può sostenere indefinitamente un settore senza affrontarne le inefficienze strutturali. La soluzione immediata diventa dipendenza.

Un’altra trappola ancora è “cercare l’obiettivo sbagliato”. I sistemi sono molto bravi a produrre ciò che viene misurato e premiato. Se misuriamo la qualità della ricerca solo con il numero di pubblicazioni, otterremo più pubblicazioni. Se misuriamo la qualità della sanità solo con il numero di prestazioni, otterremo più prestazioni. Se misuriamo la qualità dell’istruzione solo con test standardizzati, otterremo preparazione ai test. Ma più output non significa necessariamente più valore.

Da qui deriva una lezione cruciale: gli indicatori non sono neutrali. Cambiano il comportamento delle persone. Possono illuminare ciò che conta, oppure deformarlo.

Dove intervenire, allora? Meadows propone una gerarchia di “punti di leva”. Gli interventi più superficiali riguardano i parametri: tasse, sussidi, budget, numeri, soglie. Sono importanti, ma raramente trasformano il sistema. Interventi più profondi riguardano i flussi di informazione, le regole, gli incentivi, la capacità del sistema di auto-organizzarsi, gli obiettivi e, al livello più profondo, i paradigmi: le idee fondamentali attraverso cui interpretiamo il mondo. Cambiare un numero può modificare un risultato. Cambiare una regola può modificare un comportamento. Cambiare un obiettivo può modificare un sistema. Cambiare un paradigma può modificare ciò che riteniamo possibile.

Il pensiero sistemico non promette controllo totale. Anzi, insegna umiltà. I sistemi complessi non si governano come macchine semplici. Si osservano, si ascoltano, si comprendono progressivamente. Bisogna imparare dai feedback, accettare l’incertezza, evitare soluzioni troppo rapide e chiedersi sempre quali conseguenze indirette stiamo producendo.

Questa prospettiva è utile in economia, nella politica pubblica, nella gestione delle organizzazioni, nell’università, nell’ambiente e nella vita personale. Ci invita a smettere di cercare soltanto colpevoli e a iniziare a cercare strutture. Ci spinge a non confondere sintomi e cause. Ci ricorda che i problemi più difficili non si risolvono spingendo più forte nello stesso punto, ma cambiando il modo in cui il sistema è organizzato.

In definitiva, pensare per sistemi significa porsi domande migliori. Non solo: “Che cosa è successo?”
Ma: “Quale schema si ripete?” Non solo: “Chi ha sbagliato?”
Ma: “Quali incentivi hanno reso probabile questo comportamento?” Non solo: “Quale soluzione rapida possiamo applicare?” Ma: “Quale struttura dobbiamo cambiare perché il problema non continui a riprodursi?” E soprattutto: “Qual è lo scopo reale del sistema che abbiamo costruito?”

Perché ogni sistema, prima o poi, rivela la verità non attraverso ciò che dichiara, ma attraverso ciò che produce.

Apprendimento fragile e superficiale

June 19, 2026 ~ Marco Piovesan ~ Leave a comment

Negli ultimi anni mi capita sempre più spesso di vedere studenti che consegnano testi scritti e presentazioni quasi perfette: slide ordinate, testo ben scritto, struttura chiara, flusso apparentemente logico, conclusioni ben formulate. A guardarle, sembrano ottimi lavori. Poi però arriva il momento della presentazione orale. E lì emerge il problema.

Gli studenti leggono quello che c’è scritto, seguono la scaletta, passano da una slide all’altra. Ma appena si chiede loro di spiegare davvero un concetto, di collegarlo a quello precedente, di applicarlo a un esempio diverso, molti si bloccano. Basta una domanda semplice: “Perché questo risultato segue da questa ipotesi?” “Che cosa c’entra questo concetto con quello visto la settimana scorsa?” “Qual è il meccanismo economico dietro questa affermazione?” “Come si collega questo punto alla struttura generale del corso?” Spesso la risposta non arriva. E non arriva perché, dietro la presentazione ben costruita, non c’è una comprensione altrettanto solida.

Il problema non è che alcuni studenti non sanno presentare, molti sono davvero bravi. Il problema è che non hanno capito fino in fondo quello che stanno presentando. Questo è uno degli effetti più preoccupanti che vedo oggi nella didattica universitaria: il prodotto finale sembra buono, a volte molto buono, ma il processo di apprendimento è debole. La forma è migliorata. La sostanza no. Molti studenti restano in superficie. Studiano i concetti uno alla volta, separati tra loro, spesso a memoria. Imparano una definizione, poi un modello, poi un grafico, poi un risultato, come se fossero blocchi indipendenti. Ma faticano a vedere la connessione tra quei blocchi.

In economia questo è un problema enorme. Capire economia non significa memorizzare una lista di concetti. Significa capire relazioni: tra incentivi e comportamenti, tra vincoli e scelte, tra preferenze e decisioni, tra istituzioni e risultati, tra teoria e dati. Eppure, vedo studenti che hanno difficoltà evidenti a collegare più di due concetti alla volta. Se chiedo di spiegare un concetto isolato, magari riescono a farlo. Se chiedo di collegarne due, a volte ci arrivano. Ma appena bisogna tenere insieme tre elementi — per esempio un’ipotesi teorica, un meccanismo comportamentale e un’implicazione empirica — molti perdono il filo. È come se mancasse la mappa.

Conoscono pezzi del programma, ma non vedono la scaletta del corso. Hanno studiato (male) capitoli, paragrafi, slide, appunti, ma non hanno capito perché un argomento viene prima di un altro, perché un modello prepara quello successivo, perché una certa distinzione ritorna più avanti, perché il libro o il corso sono costruiti in quel modo. Hanno forse informazioni, ma non struttura. E senza struttura, anche le informazioni corrette diventano fragili.

La tecnologia, e oggi soprattutto l’AI, rende tutto questo più visibile. Uno studente può produrre slide pulite, testo fluido, una presentazione con un buon flow. Può ottenere un output che sembra coerente anche se lui o lei non ha costruito davvero quella coerenza nella propria testa. Questo è il punto centrale. L’AI può scrivere una scaletta. Può migliorare il testo. Può rendere più elegante una spiegazione. Può suggerire una transizione tra una slide e l’altra. Può trasformare materiale confuso in una presentazione convincente. Ma non può imparare al posto dello studente. O meglio: può produrre il risultato esterno dell’apprendimento, senza produrre l’apprendimento interno. Ed è qui che nasce il rischio.

Se uno studente usa l’AI per chiarire qualcosa che ha già provato a capire, può essere uno strumento utile. Se la usa per sostituire il lavoro di comprensione, diventa una scorciatoia pericolosa. Perché la prima volta consegna un buon lavoro. La seconda volta sarà ancora più tentato di farlo. La terza volta avrà ancora meno basi per lavorare da solo. A quel punto il problema si accumula. Se non hai capito i concetti iniziali, come puoi capire quelli avanzati? Se non hai costruito le connessioni nelle prime settimane, come puoi interpretare un modello più complesso alla fine del corso? Se non sai spiegare perché un argomento viene dopo un altro, come puoi davvero dire di aver seguito il corso?

La presentazione perfetta diventa allora una maschera. E per un docente è una maschera difficile da gestire, perché non basta più guardare il prodotto finale. Bisogna andare dietro il prodotto. Bisogna chiedere: sai difendere quello che hai scritto? Sai spiegarlo con parole tue? Sai collegarlo al resto del corso? Sai usarlo in un contesto diverso? Sai dirmi perché questo passaggio è importante? Preferisco una presentazione meno elegante, ma in cui lo studente dimostra di aver capito. Preferisco una risposta esitante ma ragionata a una frase impeccabile che non appartiene davvero a chi la pronuncia.

Il problema, però, non riguarda solo gli studenti. Riguarda anche noi docenti. Se assegniamo compiti che possono essere completati producendo un buon output formale, otterremo buoni output formali. Se valutiamo troppo la chiarezza apparente, premieremo la chiarezza apparente. Se costruiamo corsi in cui gli studenti possono sopravvivere studiando tutto a compartimenti stagni, molti studieranno a compartimenti stagni. Dobbiamo quindi ripensare la valutazione.

Non possiamo limitarci a chiedere una presentazione. Dobbiamo chiedere una difesa della presentazione. Non solo “che cosa avete scritto?”, ma “perché lo avete scritto?” Non solo “qual è la definizione?”, ma “come si collega a quello che abbiamo visto prima?” Non solo “qual è il risultato?”, ma “quale meccanismo lo produce?” Dobbiamo fare domande che costringano a uscire dalla superficie. Domande che obblighino a collegare concetti. Domande che rivelino se lo studente ha una mappa mentale del corso o solo una lista di contenuti. Domande che distinguano chi ha memorizzato da chi ha capito.

Questo non significa demonizzare l’AI. Non credo che la soluzione sia semplicemente vietarla. Gli studenti useranno questi strumenti. Probabilmente li useranno nel lavoro. Il punto è insegnare loro a usarli senza rinunciare al pensiero. Il vero problema non è che l’AI aiuta a fare testi e slide migliori. Il problema è che può aiutare a nascondere il fatto che non si è imparato.

E allora la domanda diventa: quali attività didattiche costringono ancora gli studenti a pensare davvero? Quali compiti non possono essere risolti solo con una bella forma? Quali valutazioni mostrano se uno studente sa collegare, applicare, criticare, ricostruire? Perché l’apprendimento profondo non è sapere ripetere un contenuto. È sapere dove quel contenuto sta dentro una struttura più ampia.

Un deep learner non studia un concetto e poi lo dimentica quando passa al successivo. Cerca relazioni. Si chiede perché quel concetto è lì, che cosa spiega, che cosa non spiega, come si collega agli altri pezzi del corso. Un surface learner, invece, procede per blocchi separati. Studia per la prossima scadenza, per la prossima slide, per la prossima domanda possibile. Può anche ottenere buoni risultati formali, ma resta fragile appena il contesto cambia. Oggi vedo troppi studenti in questa seconda condizione.

Non tutti, naturalmente. Ci sono ancora studenti curiosi, profondi, capaci di fare domande vere, di collegare teoria e realtà, di andare oltre la richiesta minima. Ma sono pochi. O comunque meno di quanti vorrei. E questo dovrebbe preoccuparci. Perché l’università non dovrebbe servire solo a produrre materiali ben confezionati. Dovrebbe servire a costruire menti capaci di orientarsi tra concetti complessi.

In economia, come in molte altre discipline, il valore non sta nel sapere ripetere un modello, ma nel capire quando usarlo, quando non usarlo, che cosa illumina e che cosa lascia fuori. Una slide perfetta può dare l’impressione di competenza. Ma la competenza vera si vede quando la slide non basta più. Quando arriva una domanda imprevista. Quando bisogna collegare tre concetti. Quando bisogna spiegare la logica del corso, non solo il contenuto di una pagina. Quando bisogna ragionare.

Ed è lì che oggi, troppo spesso, scopriamo che sotto una superficie molto lucida c’è un apprendimento molto fragile.