Category: Future

L’intelligenza artificiale e eterogeneità

~ Marco Piovesan ~ Leave a comment

Chiedere se l’intelligenza artificiale aumenti la produttività o distrugga posti di lavoro è probabilmente il modo sbagliato di impostare il problema. Le evidenze che abbiamo non descrivono un’unica tecnologia con un effetto uniforme, ma una tecnologia i cui risultati cambiano radicalmente a seconda del compito, dell’esperienza del lavoratore, dell’organizzazione in cui viene introdotta e del livello al quale misuriamo le conseguenze. L’intelligenza artificiale può accelerare alcune attività, rallentarne altre, ridurre le differenze di produttività tra colleghi e, nello stesso tempo, rendere più difficile l’ingresso dei giovani nel mercato del lavoro. Il dato economicamente più importante non è quindi il suo effetto medio, ma la sua eterogeneità.

La produzione non è organizzata per professioni, bensì per insiemi di compiti. Un avvocato consulta documenti, interpreta norme, scrive testi, formula strategie e interagisce con il cliente. Un ricercatore raccoglie informazioni, analizza dati, costruisce ipotesi e decide quali domande meritino di essere studiate. Un insegnante trasmette conoscenze, valuta l’apprendimento, motiva gli studenti e adatta le spiegazioni alle loro difficoltà. L’intelligenza artificiale può sostituire alcune di queste attività, aumentare la produttività in altre ed essere quasi irrilevante nelle restanti.

Per questa ragione, l’esposizione di una professione all’IA non misura la probabilità che quella professione scompaia. Indica soltanto che una parte dei suoi compiti potrebbe essere modificata. L’effetto sull’occupazione dipenderà da come le imprese ricomporranno le attività, da quanto diminuirà il costo del servizio e da come reagirà la domanda. L’automazione riduce il lavoro necessario per produrre una quantità data, ma l’aumento di produttività può abbassare i prezzi, espandere il mercato e creare nuovi compiti nei quali il lavoro umano mantiene un vantaggio comparato. Nel modello di Acemoglu e Restrepo, il risultato dipende dall’equilibrio tra displacement effect, productivity effect e reinstatement effect: sostituzione di compiti umani, espansione della produzione e creazione di nuove attività affidate al lavoro.

I primi esperimenti sull’IA generativa hanno documentato guadagni notevoli. In uno studio su attività di scrittura professionale, l’accesso a ChatGPT ha ridotto di circa il 40 per cento il tempo necessario per completare i compiti, migliorando anche la qualità media dei testi. In un esperimento con GitHub Copilot, i programmatori assistiti dall’IA hanno completato un esercizio il 55,8 per cento più rapidamente rispetto al gruppo di controllo. In un’azienda di assistenza clienti, l’introduzione di un sistema generativo ha aumentato del 14 per cento il numero di problemi risolti ogni ora.

Questi risultati dimostrano che i guadagni di produttività sono possibili, non che siano automatici. Gli esperimenti misurano solitamente compiti circoscritti, con un obiettivo chiaro e un risultato facilmente valutabile. Il lavoro reale è invece composto da attività interdipendenti, conoscenze contestuali, standard qualitativi impliciti e responsabilità difficili da codificare. Se un’attività che occupa il 10 per cento della giornata viene svolta nel 50 per cento del tempo, il guadagno potenziale sull’intera giornata non è del 50 per cento, ma del 5 per cento. E anche quel 5 per cento può essere assorbito dalla verifica dei risultati, dal coordinamento con i colleghi o da colli di bottiglia presenti altrove.

La distinzione tra capacità tecnica e convenienza economica è essenziale. Un compito può essere tecnicamente automatizzabile, ma non esserlo economicamente perché l’integrazione è costosa, gli errori sono difficili da individuare o la responsabilità non può essere delegata. Per valutare l’impatto macroeconomico non basta quindi contare i compiti sui quali un modello riesce a produrre una risposta plausibile. Bisogna stimare quanti possano essere svolti in modo affidabile, quale sia il risparmio netto dopo i costi di controllo e quanto pesino nel processo produttivo complessivo.

Le capacità dei modelli presentano inoltre una frontiera irregolare. In un esperimento con consulenti di Boston Consulting Group, l’intelligenza artificiale ha migliorato velocità e qualità quando i compiti rientravano nelle sue capacità. Su un problema collocato appena oltre quella frontiera, invece, gli utilizzatori dell’IA hanno ottenuto risultati peggiori. Compiti apparentemente simili possono quindi produrre effetti opposti. Il rischio non deriva soltanto dall’errore del modello, ma dalla capacità del modello di presentare una risposta sbagliata in forma credibile, inducendo il lavoratore ad accettarla.

Un esperimento del 2025 con programmatori esperti rende il quadro ancora più complesso. Sedici sviluppatori hanno svolto 246 attività su repository open source ai quali contribuivano abitualmente. Quando potevano utilizzare strumenti di IA, hanno impiegato in media il 19 per cento di tempo in più. Prima dell’esperimento prevedevano di risparmiare il 24 per cento del tempo; dopo averlo concluso, continuavano a ritenere di essere stati più veloci. La maggiore fluidità soggettiva del lavoro non coincideva con la produttività misurata.

Il risultato non dimostra che l’IA rallenti generalmente i programmatori. Riguarda professionisti esperti, progetti maturi e strumenti disponibili nei primi mesi del 2025. Evidenze successive suggeriscono che gli strumenti potrebbero essere migliorati, ma le nuove stime sono ancora troppo imprecise per misurare la dimensione dell’accelerazione. L’esperimento mostra però che produttività percepita e produttività effettiva possono divergere. Ridurre lo sforzo cognitivo può far sembrare un’attività più rapida anche quando il tempo complessivo aumenta.

La stessa cautela è necessaria quando si passa dalla produttività individuale a quella dell’organizzazione. In un esperimento condotto su 7.137 lavoratori di 66 imprese, l’accesso a un assistente generativo integrato negli strumenti di lavoro ha ridotto il tempo dedicato alla posta elettronica di circa due ore alla settimana tra coloro che lo utilizzavano effettivamente. È diminuito anche il lavoro svolto fuori dall’orario ordinario. Non sono però emersi cambiamenti significativi nella quantità o nella composizione complessiva delle attività.

Un risultato analogo emerge dai dati danesi. Nonostante l’adozione diffusa degli assistenti generativi e la comparsa di nuovi compiti legati all’IA, nei primi due anni non sono stati osservati effetti superiori al 2 per cento su salari o ore lavorate. Il risparmio di tempo su una singola attività, quindi, non si trasforma necessariamente in maggiore produzione, salari più elevati o riduzione dell’orario. Può essere assorbito da altre attività, da standard qualitativi più esigenti o semplicemente da una maggiore intensità del lavoro.

È una nuova versione del paradosso della produttività. Le tecnologie di portata generale possono diffondersi rapidamente senza produrre subito un’accelerazione visibile della produttività aggregata. I benefici emergono dopo investimenti in capitale intangibile: dati, competenze, procedure, sistemi di controllo e nuove strutture organizzative. L’intelligenza artificiale può essere installata in pochi minuti, ma ridisegnare un’organizzazione richiede molto più tempo. Inserire un modello linguistico in una procedura inefficiente rischia semplicemente di automatizzare l’inefficienza.

Anche gli effetti sulle competenze sono ambivalenti. Nel servizio clienti, il guadagno di produttività prodotto dall’IA raggiungeva circa il 35 per cento tra i lavoratori meno esperti, mentre era molto più contenuto tra quelli con maggiore esperienza. Il sistema sembrava trasferire ai primi una parte delle conoscenze tacite e delle pratiche sviluppate dai colleghi migliori. Altre evidenze recenti indicano che gli incrementi possono essere maggiori anche per le persone con livelli di istruzione più bassi.

Nel breve periodo, l’IA può quindi comprimere le differenze di produttività e rendere accessibili attività precedentemente riservate a chi possedeva più esperienza. Nel lungo periodo, però, emerge un problema diverso. Se la tecnologia assorbe i compiti attraverso i quali i giovani imparavano il mestiere, le imprese potrebbero ridurre le posizioni di ingresso. La stessa tecnologia che permette a un principiante di comportarsi più rapidamente come un esperto può indebolire il processo attraverso il quale si diventa realmente esperti.

Le prime evidenze sul mercato del lavoro sono coerenti con questa possibilità, anche se non consentono ancora conclusioni causali. I dati statunitensi disponibili fino a giugno 2026 non mostrano una sostituzione generalizzata del lavoro. L’occupazione dei lavoratori tra 22 e 25 anni nelle professioni maggiormente esposte all’IA si trova però circa il 19 per cento al di sotto del livello che avrebbe raggiunto seguendo l’andamento delle professioni meno esposte. Per i lavoratori più esperti non emerge una differenza analoga. La divergenza sembra dipendere soprattutto da una riduzione delle assunzioni, non da un aumento dei licenziamenti.

Il confronto può risentire del ciclo economico, dei tassi di interesse, della diversa composizione settoriale e di tendenze iniziate prima della diffusione dell’IA generativa. Non dimostra quindi che la tecnologia abbia causato il calo relativo dell’occupazione giovanile. Segnala tuttavia dove potrebbero apparire per primi i suoi effetti: non necessariamente nei licenziamenti di massa, ma nel mancato ingresso di nuovi lavoratori nelle professioni più esposte.

Questa distinzione modifica il modo in cui dovremmo pensare alla disuguaglianza. L’IA può ridurre le differenze di performance tra persone che occupano già lo stesso ruolo, ma aumentare la distanza tra chi riesce a entrare in una professione e chi ne rimane escluso. Può essere egualitaria condizionatamente all’occupazione e, contemporaneamente, rendere più selettivo l’accesso all’occupazione stessa.

Un’altra tensione riguarda la creatività. Gli esperimenti mostrano che i suggerimenti generati dall’IA possono migliorare la qualità media delle idee, soprattutto tra le persone che partono da livelli più bassi. Quando molti individui utilizzano modelli simili, tuttavia, i risultati tendono ad assomigliarsi. È possibile avere un aumento della creatività misurata a livello individuale e, nello stesso tempo, una riduzione della varietà collettiva. La media migliora, ma la distribuzione si restringe.

Ciò che conta, quindi, non è soltanto se l’IA venga adottata, ma come venga utilizzata. Un sistema che propone una risposta completa e invita implicitamente ad accettarla tende a sostituire il giudizio umano. Un sistema che presenta alternative, segnala l’incertezza e rende più semplice la verifica può rafforzarlo. La complementarità tra persone e macchine non è una proprietà intrinseca della tecnologia: dipende dalla progettazione degli strumenti, dagli incentivi e dall’organizzazione del lavoro.

Neppure l’esposizione teorica coincide con l’adozione effettiva. Alla fine del 2024 quasi il 40 per cento degli adulti statunitensi tra 18 e 64 anni aveva utilizzato strumenti generativi, ma soltanto il 23 per cento degli occupati li aveva usati per lavoro nella settimana precedente e circa il 9 per cento li utilizzava quotidianamente. Dati più recenti mostrano che gli indici di esposizione spiegano soltanto una parte delle differenze nell’adozione tra professioni e compiti. Esposizione, adozione, intensità d’uso e automazione sono quattro grandezze distinte, anche se vengono spesso trattate come equivalenti.

Dal punto di vista macroeconomico, l’errore più comune consiste nel trasformare una vasta esposizione potenziale in un grande aumento certo del prodotto. L’effetto sul PIL dipende dalla quota di attività effettivamente adottabili, dal risparmio netto prodotto in ciascuna attività e dalla velocità con cui le organizzazioni riescono a ristrutturarsi. Le stime più prudenti suggeriscono che l’impatto nel prossimo decennio potrebbe essere significativo, ma molto più contenuto di quanto lascino intendere le dimostrazioni tecnologiche.

Queste valutazioni potrebbero però trascurare il canale più importante e più difficile da misurare: l’effetto dell’IA sulla produzione di conoscenza. Se la tecnologia aumenta la produttività di scienziati, ricercatori e ingegneri, non accelera soltanto la produzione corrente, ma sposta la frontiera delle possibilità future. In questo caso, i benefici maggiori non deriverebbero dalla scrittura più rapida di testi o codice, bensì dalla scoperta di nuovi farmaci, materiali e processi produttivi. È anche il canale sul quale abbiamo meno evidenze affidabili.

Rimane infine il problema distributivo. Una tecnologia può aumentare il surplus complessivo senza migliorare nella stessa misura il benessere dei lavoratori. Se i modelli, i dati e la capacità di calcolo sono controllati da pochi soggetti, una parte rilevante dei guadagni di produttività può trasformarsi in rendite. La concentrazione può emergere lungo tutta la filiera: semiconduttori, infrastrutture cloud, modelli di base e piattaforme di distribuzione. In mercati poco concorrenziali, l’aumento della produttività non si trasferisce automaticamente in prezzi più bassi o salari più elevati.

Il problema economico dell’intelligenza artificiale non consiste dunque nello stabilire se essa sostituirà oppure completerà il lavoro. In alcuni compiti farà la prima cosa, in altri la seconda. La questione è capire come questi effetti vengono ricomposti nelle professioni, nelle imprese e nell’intera economia, e chi possiede il potere di appropriarsi dei benefici.

Le evidenze disponibili non giustificano né l’idea di una rivoluzione già pienamente visibile nei dati aggregati né la conclusione opposta secondo cui nulla starebbe cambiando. Le trasformazioni più importanti potrebbero manifestarsi inizialmente nei margini meno evidenti: nelle assunzioni che non avvengono, nelle competenze che non vengono più apprese, nel tempo risparmiato che non diventa tempo libero e nelle decisioni che vengono progressivamente delegate.

L’intelligenza artificiale amplia l’insieme delle possibilità produttive, ma non stabilisce quale organizzazione del lavoro prevarrà. Questo dipenderà dalle scelte delle imprese, dalla struttura dei mercati, dalle istituzioni formative e dalle politiche pubbliche. La tecnologia determina ciò che può essere fatto. L’economia politica determina chi lo farà, a quali condizioni e chi ne riceverà i benefici.

Riferimenti bibliografici

Acemoglu, D. (2024), “The Simple Macroeconomics of AI”, NBER Working Paper n. 32487.

Acemoglu, D. e Restrepo, P. (2018), “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment”, American Economic Review, 108(6), 1488–1542.

Becker, J., Rush, N., Barnes, B. e Rein, D. (2025), “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, Model Evaluation & Threat Research.

Bick, A., Blandin, A. e Deming, D. J. (2024), “The Rapid Adoption of Generative AI”, NBER Working Paper n. 32966, revisione 2025.

Bick, A., Blandin, A., Deming, D. J. e Schumacher, T. R. (2026), “What Work Does Generative AI Do?”, NBER Working Paper n. 35677.

Brynjolfsson, E., Chandar, B. e Chen, R. (2026), “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab.

Brynjolfsson, E., Li, D. e Raymond, L. R. (2025), “Generative AI at Work”, The Quarterly Journal of Economics, 140(2), 889–942.

Brynjolfsson, E., Rock, D. e Syverson, C. (2019), “Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics”, in A. Agrawal, J. Gans e A. Goldfarb (a cura di), The Economics of Artificial Intelligence: An Agenda, University of Chicago Press, 23–57.

Dell’Acqua, F. et al. (2026), “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality”, Organization Science, 37(2), 403–423.

Dillon, E. W., Jaffe, S., Immorlica, N. e Stanton, C. T. (2025), “Shifting Work Patterns with Generative AI”, NBER Working Paper n. 33795.

Doshi, A. R. e Hauser, O. P. (2024), “Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content”, Science Advances, 10, eadn5290.

Humlum, A. e Vestergaard, E. (2025), “Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI”, NBER Working Paper n. 33777, revisione 2026.

Noy, S. e Zhang, W. (2023), “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”, Science, 381(6654), 187–192.

Peng, S., Kalliamvakou, E., Cihon, P. e Demirer, M. (2023), “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot”, arXiv:2302.06590.

Una super-competenza: clarity

~ Marco Piovesan ~ Leave a comment

La clarity non è semplicemente una qualità del linguaggio. È una competenza cognitiva. Significa saper rendere un’idea comprensibile, ordinata, precisa, non ambigua. In altre parole, significa dare forma chiara al pensiero.

Oggi questa capacità conta più che mai. Viviamo in un ambiente saturo di informazioni, accelerato dalla tecnologia, attraversato da continue richieste di sintesi, interpretazione e decisione. Studiare, lavorare, scrivere, parlare, usare strumenti digitali, dialogare con sistemi di intelligenza artificiale: tutto questo richiede chiarezza. Non come ornamento stilistico, ma come condizione di efficacia.

Dal punto di vista scientifico, la clarity è importante perché riduce il carico cognitivo. La mente umana ha risorse limitate: attenzione, memoria di lavoro, capacità di selezione. Quando un’informazione è confusa, il cervello spende energia per decifrarla prima ancora di valutarla. Quando invece un contenuto è chiaro, l’elaborazione migliora. Si capisce meglio, si ricorda meglio, si decide meglio. Per questo la chiarezza è collegata non solo alla comunicazione, ma anche alla qualità del ragionamento.

Nel mondo del lavoro contemporaneo questo aspetto è decisivo. Non perché serva “parlare bene” in senso superficiale, ma perché ogni attività complessa richiede di formulare problemi, distinguere l’essenziale dal secondario, costruire domande precise, interpretare risposte, rendere condivisibile un’idea. La clarity è una skill trasversale: serve a chi scrive, a chi studia, a chi analizza dati, a chi insegna, a chi progetta, a chi usa strumenti avanzati di calcolo o di intelligenza artificiale.

Ed è proprio qui che emerge un punto nuovo. L’AI non sostituisce la chiarezza: la rende ancora più importante. Per interagire bene con strumenti intelligenti bisogna saper formulare richieste nette, definire il contesto, scegliere le parole giuste, riconoscere le ambiguità. Un prompt vago produce spesso una risposta vaga. Una domanda ben costruita, invece, aumenta la qualità dell’output. In questo senso, la clarity è anche una competenza tecnologica: non solo umana, ma umana nel rapporto con la macchina.

La buona notizia è che la clarity si può sviluppare. Non è un talento misterioso riservato a pochi. È una disciplina del pensiero che si allena.

Si allena anzitutto con la lettura. Leggere testi solidi, ben argomentati, rigorosi, abitua la mente a riconoscere strutture chiare: una definizione ben formulata, un passaggio logico pulito, una distinzione concettuale ben costruita. La lettura non arricchisce solo il vocabolario: forma il modo in cui organizziamo le idee.

Si allena poi con la scrittura. Scrivere costringe a scegliere. Costringe a capire cosa si vuole davvero dire. Molto spesso scopriamo di non avere le idee chiare proprio nel momento in cui proviamo a metterle su carta. Per questo la scrittura è uno dei migliori strumenti di chiarificazione mentale. Riassumere un concetto, spiegare una teoria in poche righe, riscrivere un passaggio complesso in modo più limpido: sono tutti esercizi di precisione.

Un’altra pratica essenziale è spiegare agli altri ciò che si è capito. Quando si prova a insegnare un’idea, anche informalmente, emergono subito i punti deboli del proprio ragionamento. Le zone confuse affiorano. I collegamenti mancanti diventano evidenti. In questo senso, la clarity cresce nel dialogo, non solo nello studio solitario.

Anche alcune letture possono aiutare molto in questo percorso. George Pólya, in How to Solve It, mostra che pensare con chiarezza significa anzitutto impostare bene un problema: comprenderlo, scomporlo, costruire una strategia, verificare il risultato. È una lezione preziosa perché ci ricorda che la chiarezza non è solo espressione, ma metodo.

Strunk e White, con The Elements of Style, insegnano una disciplina diversa ma complementare: togliere il superfluo, scegliere parole precise, rispettare il lettore attraverso una prosa sobria e nitida. Anche qui il messaggio è forte: la chiarezza non nasce dall’improvvisazione, ma dal lavoro.

Bertrand Russell, infine, rappresenta un modello raro di pensiero chiaro applicato a problemi profondi. Leggerlo significa incontrare una scrittura filosofica capace di essere rigorosa senza diventare oscura. E questo è forse uno dei punti più importanti dell’intera discussione: la chiarezza non è banalizzazione. Non vuol dire semplificare male. Vuol dire rendere intelligibile la complessità.

In un’epoca in cui spesso si confonde la profondità con l’opacità, la clarity è quasi una forma di rigore morale oltre che intellettuale. Essere chiari significa assumersi la responsabilità di pensare bene, e quindi di farsi capire senza tradire la complessità delle cose.

Per questo la clarity merita di essere considerata una competenza fondamentale del presente. Non serve solo a comunicare meglio. Serve a studiare meglio, a ragionare meglio, a lavorare meglio, a usare meglio la tecnologia. In definitiva, serve a vivere in modo più consapevole dentro un mondo complesso.

Se c’è un’idea da portare con sé, è questa: la chiarezza non viene dopo il pensiero. È una delle sue forme più alte.

Le narrazioni tossiche del nostro tempo (e perché la scienza è l’unico antidoto)

~ Marco Piovesan ~ Leave a comment

C’è una differenza profonda tra un problema reale e la storia che raccontiamo su quel problema.

Il cambiamento climatico è reale. Le disuguaglianze sono reali. Le trasformazioni tecnologiche sono reali. Le tensioni identitarie sono reali. Ma tra la realtà e il racconto pubblico si apre uno spazio in cui accade qualcosa di decisivo: i fatti vengono sostituito dalla narrazione.

Una narrazione non è, di per sé, un male. È una forma inevitabile di semplificazione. Diventa tossica quando smette di essere uno strumento per capire e diventa uno strumento per appartenere. Quando non serve più a cercare la verità, ma a segnalare identità. Quando trasforma problemi complessi in drammi morali con personaggi fissi: vittime permanenti, colpevoli permanenti, salvatori permanenti. Il punto non è stabilire quali temi siano “giusti” o “sbagliati”. Il punto è capire quando il modo in cui li trattiamo smette di essere scientifico — e diventa ideologico.

Il metodo come linea di demarcazione

La scienza non è un insieme di risposte definitive. È un metodo: basato su prove, falsificabilità, autocorrezione e gestione esplicita dell’incertezza  . Questo metodo non garantisce infallibilità. Garantisce qualcosa di più prezioso: la possibilità di correggersi.

Le narrazioni tossiche condividono una caratteristica comune: non si lasciano correggere. Sono impermeabili alla smentita. Ogni fatto contrario viene riassorbito come conferma. Ogni dubbio viene interpretato come ostilità morale. È qui che il metodo si interrompe.

Clima: tra apocalisse e negazione

Il cambiamento climatico è un fatto fisico robustamente documentato. Ma attorno a questo fatto si sono costruite due narrazioni speculari e tossiche.

La prima è apocalittica: “Siamo già oltre il punto di non ritorno, chi discute costi e alternative è complice del disastro.” La seconda è identitaria: “È un’esagerazione costruita per controllare l’economia.”

Entrambe tradiscono il metodo. La prima confonde diagnosi e terapia: la scienza può stabilire che esiste un problema; non può decretare quale politica sia moralmente obbligatoria senza analisi dei trade-off. La seconda ignora il principio basilare secondo cui una teoria deve essere falsificabile: negare sistematicamente l’evidenza accumulata non è scetticismo, è rifiuto della prova.

La postura scientifica è più esigente. Chiede: quali politiche riducono le emissioni in modo misurabile? Con quali costi? Con quali effetti distributivi? Con quali incentivi? Non cerca purezza morale, ma efficacia empirica.

Disuguaglianza: tra struttura onnipotente e responsabilità nulla

La disuguaglianza è un tema legittimo e complesso. Ma anche qui la narrazione tende a polarizzarsi.

Da un lato: “Ogni differenza è il prodotto di un sistema oppressivo.” Dall’altro: “Ogni differenza è il risultato di scelte individuali.”

Entrambe le versioni falliscono sul piano metodologico. La prima spesso confonde correlazione e causalità, ignora variabili confondenti  e trasforma categorie sociali in essenze morali. La seconda cancella il ruolo dei contesti, delle reti, degli shock, dell’accesso alle opportunità.

Il metodo impone domande più precise: disuguaglianza di cosa? Reddito, ricchezza, consumi? In quale arco temporale? In quali coorti? Con quali strumenti di misura? È un problema di mediana o di coda della distribuzione? 

La realtà sociale è quasi sempre probabilistica e contributoria, non deterministica. Le cause non sono necessarie né sufficienti: aumentano probabilità. Chi pretende spiegazioni totali sta già tradendo la complessità.

Genere e identità: quando la categoria diventa destino

Le discriminazioni esistono. Negarlo sarebbe antiscientifico. Ma altrettanto antiscientifico è trasformare ogni esito differente in prova automatica di oppressione.

Quando una teoria spiega qualsiasi risultato possibile, smette di essere informativa. Se qualunque differenza conferma l’ipotesi, non esiste più un criterio di smentita. È la violazione più grave del principio di falsificabilità. A questo si aggiunge il bias di conferma, amplificato dagli algoritmi  . In una filter bubble, ogni informazione sembra confermare ciò che già crediamo. La narrativa si autoalimenta. Il dissenso viene interpretato come aggressione morale.

Il metodo impone un esercizio più difficile: cercare attivamente prove contrarie. Chiedersi quali dati mi farebbero cambiare idea. Distinguere tra gap grezzi e gap aggiustati. Non ridurre l’individuo alla categoria.

AI e lavoro: il fascino del determinismo

L’intelligenza artificiale è forse il terreno più fertile per le narrazioni estreme.

Da un lato: “Scompariranno quasi tutti i lavori.” Dall’altro: “La tecnologia risolve sempre tutto.”

Entrambe le affermazioni sono premature. La storia economica mostra distruzione e creazione simultanea di compiti, adattamenti istituzionali, trasformazioni graduali. L’AI non è una forza naturale inevitabile: i suoi effetti dipendono da politiche, regole, incentivi, distribuzione del potere.

In più, i Large Language Models producono testo plausibile anche quando non dispongono di informazioni corrette  . La fluenza non è prova. La sicurezza retorica non è evidenza. Il metodo chiede dati longitudinali, replicazioni, analisi di impatto. Non profezie.

Stato e protezione: tra salvezza totale e rifiuto totale

Anche il dibattito sul ruolo dello Stato oscilla tra due eccessi.

“La politica deve proteggere tutti da ogni rischio.” “Ogni intervento pubblico genera dipendenza e distorsione.”

Entrambe le posizioni ignorano gli incentivi  . Ignorano che le politiche producono effetti comportamentali. Ignorano che le risorse sono finite. Ignorano che la significatività statistica non equivale alla rilevanza pratica  .

La domanda scientifica non è “Stato sì o no”. È: quale strumento? Con quale disegno? Con quale valutazione controfattuale? Con quali effetti misurabili?

Declinismo e ottimismo cieco

Viviamo anche sotto due narrazioni opposte sullo stato del mondo.

Una è declinista: “È tutto peggio di prima.” L’altra è ingenuamente progressista: “I dati mostrano miglioramenti, quindi i problemi attuali sono esagerati.”

Entrambe soffrono dell’euristica della disponibilità  e della selezione opportunistica degli indicatori. Il metodo richiede di guardare serie storiche, distribuzioni, comparazioni internazionali. E di accettare l’incertezza. Accettare l’incertezza non è debolezza. È maturità epistemica.

La tossicità come rifiuto della revisione

Una narrazione diventa tossica quando:

– non è falsificabile;

– moralizza il dissenso;

– ignora variabili confondenti;

– confonde rischio relativo e assoluto  ;

– seleziona solo le prove favorevoli;

– si diffonde per engagement, non per robustezza empirica;

– non si aggiorna alla luce di nuove evidenze.

La scienza è fragile, ma è fragile in modo virtuoso: si espone alla smentita. Le narrazioni tossiche sono robuste in modo vizioso: non si lasciano toccare dai fatti.

Una competenza civica, non accademica

Il punto finale è questo: il pensiero scientifico non è un lusso per ricercatori. È una competenza civica  . In una democrazia, la qualità delle decisioni collettive dipende dalla capacità di distinguere prove da opinioni, correlazione da causalità, significatività da rilevanza, rischio relativo da rischio assoluto.

Non serve sostituire una narrazione con un’altra. Serve sostituire la certezza tribale con la domanda esigente. Non: “Chi ha ragione?” Ma: “Quali sono le prove? Quanto sono forti? Quali alternative sono state escluse? Quali incentivi sono in gioco? Cosa mi farebbe cambiare idea?”

Pensare come uno scienziato non elimina il conflitto. Ma lo disciplina. E in un’epoca in cui le convinzioni si diffondono più velocemente delle verifiche, questa disciplina è una forma di libertà. Ed è, forse, l’unica vera alternativa alle narrazioni tossiche del nostro tempo.

Responsabilità, competenze e ambizione nell’era globale

~ Marco Piovesan ~ Leave a comment

Immaginate uno studente che ha accesso a tutto: lezioni online, riassunti, video, intelligenza artificiale, risposte immediate a qualsiasi domanda. Non è mai stato così facile ottenere informazioni. Eppure non è mai stato così difficile costruire competenze. Questa è la tensione centrale del nostro tempo.

Nell’era dell’accesso universale all’informazione, il vero vantaggio competitivo non è sapere di più. È saper trasformare ciò che si sa in capacità reale. Informazione e competenza non sono la stessa cosa. Leggere non è comprendere. Guardare contenuti non è apprendere. Usare uno strumento non è padroneggiarlo. La competenza richiede tempo, ripetizione, errore, feedback. Richiede la disponibilità a non essere immediatamente brillanti. Richiede disciplina.

La tecnologia, inclusa l’intelligenza artificiale, amplifica questa distinzione. Può fornire risposte rapide, ma non può sostituire la struttura mentale necessaria per formulare buone domande. Può assistere nell’esecuzione di compiti, ma non elimina il bisogno di giudizio, contesto, responsabilità. Diventare complementari alla tecnologia è molto diverso dal diventarne dipendenti.

Viviamo anche in una società che misura continuamente la performance: voti, certificazioni, ranking, indicatori, follower. Questi segnali hanno una funzione, ma possono diventare una funzione obiettivo sbagliata. Ottimizzare l’apparenza di competenza non equivale a costruirla. E nel lungo periodo, i sistemi competitivi premiano la sostanza più dell’immagine.

In un contesto globale, la competizione non è locale. I mercati del lavoro sono integrati, il capitale è mobile, la tecnologia riduce le barriere geografiche. Questo non deve generare ansia, ma consapevolezza. Le opportunità esistono, ma non sono distribuite casualmente: premiano chi investe in capacità profonde, non superficiali.

Qui entra in gioco la responsabilità individuale. La libertà adulta non è fare ciò che è più facile o immediatamente gratificante. È scegliere consapevolmente come investire tempo e attenzione, sapendo che ogni scelta ha un costo opportunità. Non decidere è già una decisione.

E infine l’ambizione. L’ambizione non è arroganza. Non è desiderio di status. È la volontà di misurarsi con standard elevati, anche quando nessuno obbliga a farlo. È accettare che la qualità richiede fatica. In un mondo che rende tutto immediato, scegliere la profondità è una forma di ambizione.

Responsabilità, competenza e ambizione non sono concetti astratti. Sono scelte quotidiane. Nell’era globale non possiamo controllare tutto, ma possiamo controllare quanto seriamente prendiamo la nostra formazione e il nostro lavoro. L’informazione è abbondante. La competenza no. Ed è su questa differenza che si giocherà gran parte del futuro individuale e collettivo.

Coppa d’Africa, norme sociali ed economia

~ Marco Piovesan ~ Leave a comment

La finale di Coppa d’Africa è stata segnata da una sequenza di eventi che, presi singolarmente, potrebbero essere liquidati come episodi controversi di una partita tesa. Considerati nel loro insieme, però, questi eventi assumono un significato più profondo e rivelano dinamiche istituzionali che vanno ben oltre il calcio.

Nel corso della gara si sono susseguite decisioni arbitrali incerte e tardive, un gol annullato dopo revisione, la concessione di un rigore fortemente contestato, proteste collettive, l’abbandono temporaneo del campo da parte di una squadra, il ritorno in campo solo dopo lunghe negoziazioni informali, e infine la prosecuzione della partita fino ai tempi supplementari. In altri momenti del torneo, si erano già verificati episodi di interferenza esterna, come la rimozione dell’asciugamano del portiere prima di una serie di rigori, un gesto formalmente vietato o quantomeno irregolare, ma tollerato senza conseguenze chiare.

Ciò che colpisce non è la presenza di regole violate, bensì l’assenza di un meccanismo credibile che coordini le aspettative degli attori su cosa accade quando una regola viene violata. Le regole del gioco esistono, sono note a tutti, ma non producono comportamenti stabili perché non sono sostenute da norme sociali condivise e da un enforcement prevedibile. Ogni decisione appare negoziabile, reversibile, esposta alla pressione collettiva.

La letteratura sulle norme sociali mostra che le regole funzionano solo quando gli individui si aspettano che gli altri le rispettino e che le violazioni siano sanzionate. In questo caso, invece, il comportamento degli attori sembra guidato da aspettative opposte: protestare, interrompere il gioco o forzare l’autorità arbitrale diventa una strategia razionale, perché spesso paga. La disorganizzazione osservata non è quindi un fallimento temporaneo, ma un equilibrio.

Questo equilibrio è tipico di contesti istituzionali deboli. Quando l’autorità non è percepita come legittima o vincolante, l’ordine formale viene sostituito da un ordine informale basato su pressione, negoziazione e forza relativa. Il risultato è un sistema costoso, inefficiente e imprevedibile, in cui le risorse vengono sprecate nel tentativo di influenzare decisioni anziché nel perseguire l’obiettivo principale del gioco.

Il parallelismo con le istituzioni economiche e giudiziarie di molti Paesi a basso reddito è immediato. Anche lì le leggi esistono, ma sono applicate lentamente, in modo selettivo e spesso sotto pressione politica o sociale. L’incertezza non deriva dall’assenza di norme, ma dall’assenza di credibilità. In tali contesti, l’opportunismo non è una deviazione morale, ma una risposta razionale agli incentivi.

Un ulteriore elemento riguarda il capitale umano. La finale ha mostrato atleti di altissimo livello operare in un contesto incapace di trasformare il talento individuale in coordinamento collettivo. Questo è uno dei paradossi centrali dello sviluppo: competenze elevate non generano crescita quando mancano istituzioni che consentano cooperazione, fiducia e rispetto delle regole. La bassa istruzione istituzionale e civica non implica ignoranza delle regole, ma incapacità di interiorizzarne la funzione di coordinamento.

In questo senso, la finale di Coppa d’Africa rappresenta una metafora empiricamente potente dell’arretratezza istituzionale ed economica. In poche ore di gioco si sono concentrati problemi che normalmente richiedono anni di dati per essere osservati: norme sociali fragili, enforcement debole, autorità contestata, incentivi distorti.

Se il Premio Nobel per l’Economia fosse assegnato alla capacità di rendere visibili i meccanismi profondi dello sviluppo mancato, questa manifestazione sportiva avrebbe fornito una dimostrazione esemplare. Non perché spieghi tutto, ma perché mostra con chiarezza cosa accade quando le regole non coordinano il comportamento e le istituzioni non riescono a vincolare gli attori. In quel vuoto, il caos non è un’eccezione: è l’equilibrio.