L’ AI ci rende tutti umani

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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


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

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

Una società mediocre

C’è un aspetto del dibattito politico che continua a sorprendermi: la facilità con cui discutiamo delle finalità delle politiche pubbliche senza preoccuparci abbastanza di come queste modifichino il comportamento delle persone e, attraverso questo, il funzionamento della società. Una politica viene spesso considerata desiderabile perché persegue un obiettivo condivisibile, come ridurre le disuguaglianze, ampliare l’accesso all’istruzione o proteggere i lavoratori. Molto meno spazio viene dedicato a una domanda che, da economista, considero fondamentale: quali incentivi produce quella politica e quali saranno le sue conseguenze quando milioni di persone inizieranno ad adattare le proprie decisioni alle nuove regole?

È una domanda particolarmente importante quando discutiamo di istruzione, lavoro e merito, tre ambiti nei quali una parte della cultura politica progressista ha progressivamente attribuito grande importanza all’inclusione e alla riduzione delle differenze nei risultati. Si tratta di obiettivi che possono avere solide giustificazioni etiche ed economiche, ma che diventano problematici quando l’ampliamento delle opportunità viene confuso con la necessità di garantire a tutti gli stessi traguardi, indipendentemente dalle competenze effettivamente acquisite.

Prendiamo l’università. Consentire a un numero crescente di giovani di accedere all’istruzione superiore è una conquista importante, soprattutto in una società nella quale le opportunità educative dipendono ancora molto dalle condizioni economiche e culturali della famiglia di origine. Tuttavia, aumentare il numero dei laureati e aumentare il capitale umano di un paese non sono necessariamente la stessa cosa. Se l’obiettivo politico e istituzionale diventa incrementare il numero di persone che conseguono un titolo, senza prestare altrettanta attenzione alle conoscenze e alle capacità che quel titolo dovrebbe certificare, rischiamo di produrre un’espansione delle credenziali che non corrisponde a un miglioramento delle competenze.

Il problema non è che troppe persone studino. Al contrario, sarebbe auspicabile che molte più persone avessero la possibilità di sviluppare il proprio potenziale. Il problema nasce quando, per favorire l’inclusione o migliorare gli indicatori di successo del sistema educativo, si indebolisce il legame tra il conseguimento di un titolo e il raggiungimento di determinati standard. In quel momento non stiamo necessariamente creando una società più istruita, ma potremmo semplicemente distribuire un numero maggiore di certificazioni, riducendone progressivamente il contenuto informativo.

Lo stesso ragionamento vale per il mercato del lavoro, soprattutto nelle professioni nelle quali le competenze individuali producono conseguenze importanti per gli altri. Un insegnante impreparato non danneggia soltanto la reputazione della scuola nella quale lavora, ma può compromettere le opportunità educative di generazioni di studenti. Un dirigente incapace può ridurre la produttività di decine o centinaia di lavoratori. Un medico, un magistrato o un funzionario pubblico che non possiede le competenze necessarie può generare costi sociali molto superiori al proprio stipendio.

In questi casi, selezionare sulla base delle competenze non è una forma di ingiustizia nei confronti di chi non viene selezionato. È anche una responsabilità nei confronti di tutti coloro che dipenderanno dalla qualità del lavoro svolto.

Naturalmente, questo presuppone che la selezione sia effettivamente basata sulle competenze, e non sulle relazioni personali, sull’origine sociale o su indicatori arbitrari. Il merito non coincide necessariamente con un voto, un titolo accademico o il risultato di un concorso. Ma la difficoltà di misurarlo non può diventare una giustificazione per rinunciare a distinguerlo. Dovrebbe piuttosto spingerci a progettare sistemi di valutazione migliori.

C’è poi un aspetto che nel dibattito pubblico viene spesso sottovalutato: le persone reagiscono agli incentivi, e lo fanno non soltanto nel breve periodo. Le regole che adottiamo oggi influenzano le decisioni che prenderanno domani, quanto investiranno nella propria formazione, quali professioni sceglieranno, quanto si impegneranno per migliorare e quali comportamenti considereranno normali o socialmente accettabili.

Se in un’organizzazione la qualità del lavoro conta poco per la progressione di carriera, mentre l’anzianità o l’appartenenza garantiscono benefici relativamente prevedibili, non dovremmo sorprenderci se nel tempo diminuisce l’incentivo a investire nel miglioramento delle proprie competenze. Questo non significa che tutti smetteranno di impegnarsi, perché le persone sono motivate anche dall’interesse per il proprio lavoro, dal senso di responsabilità e dal desiderio di contribuire al benessere degli altri. Significa però che stiamo costruendo un sistema nel quale l’impegno aggiuntivo e la qualità possono ricevere un riconoscimento insufficiente, mentre le differenze di performance hanno conseguenze limitate.

Gli effetti diventano ancora più importanti quando consideriamo che gli incentivi influenzano anche chi decide di entrare in una professione e chi sceglie di abbandonarla. Se una carriera offre poche possibilità di riconoscimento delle competenze e dell’impegno, può diventare meno attraente proprio per alcune delle persone che avrebbero maggiori opportunità altrove. Nel lungo periodo, quindi, non cambia soltanto il comportamento di chi già lavora in un’organizzazione, ma anche la composizione delle persone che ne fanno parte.

Questi meccanismi possono contribuire a generare equilibri di bassa produttività dai quali diventa difficile uscire. Organizzazioni che selezionano poco e valutano male possono offrire servizi di qualità inferiore, utilizzare le risorse in modo inefficiente e avere minori capacità di innovazione. Una produttività più bassa limita, a sua volta, lo spazio economico per aumentare stabilmente le retribuzioni. Salari poco attraenti possono rendere ancora più difficile reclutare e trattenere persone qualificate, alimentando un circolo vizioso.

Non sostengo che questa sia l’unica spiegazione della stagnazione economica o dei salari bassi. La produttività dipende da molti fattori, tra cui gli investimenti, la tecnologia, la concorrenza, la qualità del management e l’organizzazione della produzione. Sarebbe altrettanto sbagliato immaginare che basti introdurre qualche premio individuale per risolvere problemi strutturali. Ma proprio perché la produttività è il risultato dell’interazione tra molti fattori, non possiamo permetterci di ignorare il ruolo della selezione, delle competenze e degli incentivi.

La questione diventa particolarmente delicata quando le politiche vengono valutate prevalentemente sulla base delle loro intenzioni distributive. Proteggere un lavoratore dal rischio di perdere il proprio impiego può essere desiderabile per molte ragioni, ma se quella protezione rende estremamente difficile intervenire anche nei casi di incompetenza persistente, dobbiamo considerare i costi che ne derivano per i colleghi, gli utenti e la collettività. Rendere più semplice conseguire un titolo di studio può aumentare il numero di persone formalmente qualificate, ma se questo avviene abbassando gli standard dobbiamo chiederci che cosa accada al valore delle qualifiche e alla qualità del capitale umano. Garantire una maggiore uniformità retributiva può ridurre alcune disuguaglianze, ma dobbiamo anche comprendere come quella scelta influenzi l’impegno, la selezione e la permanenza dei lavoratori più produttivi.

Questo non significa che le politiche di protezione o redistribuzione siano necessariamente inefficienti. Un sistema di assicurazione sociale ben progettato può favorire l’assunzione di rischi produttivi, una maggiore sicurezza economica può permettere alle persone di investire nella formazione e condizioni di lavoro più stabili possono migliorare la cooperazione. Gli incentivi, inoltre, non sono soltanto monetari e non sempre una maggiore competizione individuale produce risultati migliori. Il punto è che questi effetti devono essere compresi e valutati, anziché essere dati per scontati sulla base dell’orientamento politico di chi propone una determinata misura.

È proprio qui che vedo uno dei limiti di una certa concezione dell’uguaglianza, quando finisce per considerare ogni differenza nei risultati come un problema da correggere e ogni meccanismo selettivo come un ostacolo all’inclusione. Le differenze possono certamente riflettere privilegi, discriminazioni e opportunità distribuite in modo diseguale, ma possono anche derivare da competenze, preferenze, impegno e contributi differenti. Una società giusta dovrebbe cercare di ridurre il peso delle prime senza cancellare necessariamente le conseguenze delle seconde.

La distinzione è essenziale perché l’uguaglianza delle opportunità e l’uguaglianza dei risultati non sono obiettivi equivalenti. Garantire a tutti un’istruzione di qualità, indipendentemente dal reddito familiare, può aumentare contemporaneamente equità ed efficienza, permettendo a talenti altrimenti esclusi di emergere. Garantire invece il conseguimento di un titolo o l’accesso a una posizione indipendentemente dalle competenze rischia di indebolire proprio quei meccanismi attraverso i quali l’istruzione e il lavoro contribuiscono al benessere collettivo.

A mio avviso, la responsabilità della politica consiste anche nel riconoscere che una società è un sistema complesso, nel quale ogni intervento modifica gli incentivi e genera adattamenti che possono amplificare, attenuare o persino rovesciare gli effetti inizialmente desiderati. Non possiamo giudicare una politica soltanto chiedendoci chi riceva un beneficio oggi. Dobbiamo domandarci come cambieranno i comportamenti domani, quali competenze verranno sviluppate, quali persone saranno attratte da determinate professioni e quale sarà l’effetto complessivo sulla capacità della società di produrre ricchezza e benessere.

Una politica che distribuisce benefici immediati ma indebolisce progressivamente gli incentivi a formarsi, impegnarsi e innovare può finire per ridurre le risorse disponibili per sostenere proprio gli obiettivi sociali che intende perseguire. E quando la produttività ristagna, le conseguenze non ricadono soltanto su chi avrebbe potuto guadagnare di più grazie al proprio merito, ma anche, e spesso soprattutto, sulle persone che dipendono maggiormente dalla qualità dei servizi pubblici, dalla crescita dei salari e dalle opportunità offerte dal sistema economico.

Forse dovremmo quindi smettere di considerare inclusione e merito come due principi necessariamente contrapposti. Una società dovrebbe essere inclusiva nell’offrire opportunità di apprendimento e rigorosa nel certificare le competenze, aperta nel permettere alle persone di sviluppare il proprio talento ed esigente quando assegna responsabilità che hanno conseguenze sugli altri.

Il problema non è decidere se vogliamo una società più uguale o più meritocratica, ma capire quali istituzioni permettano al maggior numero possibile di persone di sviluppare capacità reali e di utilizzarle in modo produttivo. Per farlo dobbiamo prendere sul serio il funzionamento degli incentivi, i problemi di selezione e le conseguenze di lungo periodo delle nostre decisioni collettive.

Perché le buone intenzioni non garantiscono buoni risultati e una società che rinuncia a comprendere come le proprie regole influenzino il comportamento delle persone rischia, anche perseguendo obiettivi condivisibili, di costruire istituzioni che producono meno competenze, servizi peggiori, minore produttività e, alla fine, meno benessere per tutti.

Il rischio che non possiamo permetterci

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

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

Adesso immaginiamo un esperimento diverso.

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

Che cosa succede il ventinovesimo giorno?

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

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

Il problema non è soltanto la probabilità

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

Sono domande importanti, ma non sempre sufficienti.

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

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

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

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

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

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

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

Perché le nostre nonne capiscono il rischio meglio di quanto pensiamo

Nassim Nicholas Taleb utilizza un esempio particolarmente efficace.

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

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

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

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

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

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

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

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

La media non racconta tutta la storia

Il problema ha anche una dimensione matematica.

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

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

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

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

Sembra un buon investimento.

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

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

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

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

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

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

La sopravvivenza non è un obiettivo come gli altri

Immaginiamo due imprenditori.

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

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

Chi sta prendendo la decisione migliore?

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

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

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

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

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

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

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

Prepararsi è diverso dal prevedere

Gran parte delle nostre decisioni economiche dipende da previsioni.

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

Ma le previsioni sono inevitabilmente imperfette.

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

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

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

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

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

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

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

Essere prudenti per poter rischiare

C’è un’apparente contraddizione in tutto questo.

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

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

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

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

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

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

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

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

La domanda che dovremmo farci più spesso

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

Forse dovremmo aggiungere una terza domanda.

Se le cose andassero male, potrei ancora giocare domani?

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

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

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

Essere bravi non basta. Bisogna anche riuscire a dimostrarlo.

Immaginate due studenti che stanno per laurearsi.

Hanno frequentato la stessa università, seguito gli stessi corsi e ottenuto voti simili. Entrambi sono intelligenti, preparati e motivati.

Uno dei due, però, durante gli studi ha partecipato a un progetto di ricerca, ha collaborato all’organizzazione di un evento e ha realizzato una piccola analisi utilizzando dati pubblici. L’altro ha dedicato tutto il proprio tempo alla preparazione degli esami.

Quando si candidano per lo stesso lavoro, chi verrà assunto?

Non possiamo saperlo. Dipende da molte cose, comprese le caratteristiche del lavoro e le preferenze dell’impresa.

Ma possiamo porci una domanda interessante: come farà il datore di lavoro a capire quale dei due candidati sarà più produttivo?

Il problema è che le capacità delle persone non sono direttamente osservabili.

Ed è proprio qui che entra in gioco l’economia.

Il problema di assumere qualcuno che non conosciamo

Nel 1973 Michael Spence pubblicò un articolo intitolato Job Market Signaling, che contribuì a trasformare il modo in cui gli economisti studiano il mercato del lavoro.

L’idea di partenza era semplice: quando un’impresa assume un lavoratore, non conosce la sua produttività futura.

Può leggere il curriculum, osservare i titoli di studio, organizzare colloqui e somministrare test. Ma non può sapere con certezza come quella persona lavorerà, quali problemi saprà risolvere o come reagirà alle difficoltà.

Il candidato possiede informazioni su se stesso che l’impresa non possiede.

Gli economisti chiamano questa situazione asimmetria informativa.

In presenza di asimmetria informativa, le persone cercano di comunicare le proprie caratteristiche attraverso segnali osservabili.

Una laurea può essere uno di questi segnali.

Conseguire un titolo universitario richiede tempo, impegno e il superamento di una serie di prove. Nella teoria di Spence, il titolo può consentire alle imprese di distinguere tra candidati con caratteristiche differenti, anche quando l’istruzione non aumenta direttamente la loro produttività.

Il meccanismo, però, funziona soltanto a determinate condizioni. In particolare, ottenere il segnale deve essere relativamente meno costoso per alcune tipologie di candidati rispetto ad altre.

Non basta quindi che qualcosa sia difficile o richieda molto tempo per renderlo un segnale credibile.

E soprattutto non bisogna confondere due questioni: quanto una persona è capace e quanto è facile per gli altri riconoscerne le capacità.

Il valore di una competenza e il valore di un segnale

Facciamo un esperimento mentale.

Immaginate di essere responsabili delle assunzioni di un’impresa e di ricevere cento candidature.

Novanta candidati dichiarano di possedere ottime capacità di lavorare in gruppo.

Quanti di loro le possiedono davvero?

Non lo sapete.

La dichiarazione, da sola, contiene poche informazioni, perché chiunque può scriverla.

Ora immaginate che uno dei candidati vi racconti di aver coordinato un progetto con altri cinque studenti. Vi mostra il risultato, spiega come sono stati distribuiti i compiti e descrive un problema che il gruppo ha dovuto affrontare.

Questo candidato è necessariamente migliore degli altri?

No.

Ma avete a disposizione informazioni aggiuntive per valutarlo.

Il punto non è che un’esperienza pratica dimostri automaticamente una competenza. Anche le esperienze possono essere raccontate in modo selettivo, esagerate o difficili da verificare.

Il punto è che alcuni segnali contengono più informazioni di altri.

E nel mercato del lavoro la qualità delle informazioni può influenzare le decisioni.

Un mercato in cui tutti cercano di distinguersi

C’è però un secondo problema, forse ancora più interessante.

Supponiamo che tutti gli studenti inizino a seguire il consiglio di distinguersi attraverso attività extracurriculari.

Tutti partecipano ad associazioni, organizzano eventi, realizzano progetti e pubblicano contenuti professionali.

Che cosa succede?

Quelle attività potrebbero continuare a sviluppare competenze utili, ma perdere parte della loro capacità di distinguere i candidati.

È una conseguenza importante della teoria dei segnali: il valore informativo di un comportamento dipende anche da quanto quel comportamento permette di separare persone con caratteristiche differenti.

Pensiamo a ciò che può accadere quando un titolo di studio diventa molto più diffuso.

Il titolo non perde necessariamente il proprio valore formativo. Tuttavia, se quasi tutti i candidati lo possiedono, può diventare meno utile per distinguerli.

Le imprese potrebbero allora iniziare a cercare ulteriori segnali.

E i candidati potrebbero sentirsi spinti ad accumulare nuove certificazioni, esperienze e attività per mantenere la propria posizione relativa.

Gli economisti studiano questi fenomeni anche attraverso il concetto di credential inflation, l’aumento delle credenziali richieste per accedere a determinate opportunità.

Questo processo può generare un risultato paradossale: le persone investono sempre più risorse per distinguersi, senza che aumenti necessariamente, nella stessa misura, la produttività complessiva.

Non tutte le attività utili per ottenere un lavoro sono altrettanto utili per imparare a svolgerlo.

Un consiglio diverso per chi inizia l’università

A questo punto qualcuno potrebbe pensare che il suggerimento sia riempire il curriculum di esperienze.

In realtà, vorrei suggerire quasi il contrario.

Non scegliete un’attività soltanto perché pensate che farà bella figura sul curriculum.

Chiedetevi prima di tutto se vi permetterà di imparare qualcosa, scoprire un interesse o sviluppare una capacità.

La differenza è importante.

Se partecipate a un progetto soltanto per ottenere un certificato, state principalmente cercando di produrre un segnale.

Se partecipate perché volete imparare a gestire un progetto, lavorare con altre persone o risolvere un problema, state investendo nel vostro capitale umano.

Naturalmente, le due cose possono coincidere. Ed è probabilmente questa la situazione più interessante.

Un’esperienza che sviluppa competenze e permette anche di renderle riconoscibili produce un doppio beneficio.

Ma il primo obiettivo dovrebbe rimanere l’apprendimento.

Perché un segnale può aiutarvi a ottenere un colloquio. Le competenze vi serviranno anche dopo essere stati assunti.

E se il mercato non riconoscesse il merito?

C’è un ultimo aspetto che vorrei sottolineare.

La teoria dei segnali non ci dice che il mercato del lavoro sia perfettamente meritocratico.

Anzi, nasce proprio dal riconoscimento che le imprese prendono decisioni sulla base di informazioni incomplete.

Questo significa che possono commettere errori.

Possono assumere persone meno produttive e scartarne altre più capaci. Possono attribuire troppo valore a determinate credenziali e troppo poco ad altre esperienze.

Inoltre, non tutti hanno le stesse opportunità di produrre segnali.

Uno studente che deve lavorare per mantenersi agli studi potrebbe avere meno tempo per partecipare ad attività extracurriculari rispetto a uno studente che dispone di maggiori risorse economiche.

Le reti familiari e sociali possono facilitare l’accesso a esperienze che, successivamente, vengono interpretate come segnali di merito individuale.

Di conseguenza, ciò che osserviamo in un curriculum può riflettere non soltanto le capacità e l’impegno di una persona, ma anche le opportunità di cui ha potuto beneficiare.

Questo dovrebbe far riflettere sia chi cerca lavoro sia chi seleziona i candidati.

E dovrebbe far riflettere anche le università, che possono contribuire a rendere più accessibili le occasioni di apprendimento e di sviluppo professionale.

Una domanda per i prossimi tre anni

Se state iniziando l’università, probabilmente è troppo presto per preoccuparvi di come scrivere il vostro curriculum.

Ma non è troppo presto per comprendere una distinzione fondamentale.

Il mercato del lavoro non osserva direttamente tutto ciò che sapete fare. Osserva informazioni, comportamenti, risultati e segnali, cercando di formulare previsioni sulle vostre capacità future.

Per questo, durante gli anni universitari, vale la pena investire in esperienze che abbiano un valore reale, indipendentemente dalla loro utilità immediata in una candidatura.

Un progetto che non funziona può insegnarvi molto. Un’attività che scoprite di non amare può aiutarvi a scegliere meglio. Un’esperienza che non produce alcun certificato può sviluppare competenze importanti.

Non tutto ciò che ha valore deve necessariamente diventare una riga del curriculum.

E non tutto ciò che compare in un curriculum rappresenta necessariamente un valore.

Forse è proprio questa la distinzione più importante da comprendere all’inizio dell’università.

Non cercate soltanto di diventare candidati migliori. Cercate di diventare persone più capaci.

E, lungo il percorso, imparate anche a rendere riconoscibili le capacità che state sviluppando.

Sono due obiettivi diversi. E vale la pena perseguirli entrambi.


Riferimenti: Spence, M. (1973), “Job Market Signaling”, Quarterly Journal of Economics; Becker, G. S. (1964), Human Capital; Arrow, K. J. (1973), “Higher Education as a Filter”, Journal of Public Economics.