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.

L’intelligenza è la capacità di prevedere il futuro?

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

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

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

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

Il cervello come macchina predittiva

Questa idea ha radici profonde nelle neuroscienze contemporanee.

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

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

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

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

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

Ma prevedere significa essere intelligenti?

Immaginiamo due persone.

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

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

Chi delle due è più intelligente?

La risposta non è ovvia.

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

Questa distinzione è particolarmente importante in economia.

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

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

Prevedere il mondo o prevedere le conseguenze delle nostre azioni?

C’è una distinzione ancora più interessante.

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

Prevedere che domani pioverà è un problema di previsione.

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

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

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

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

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

E l’intelligenza artificiale?

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

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

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

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

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

L’intelligenza come capacità di adattamento

Forse, allora, possiamo proporre una definizione più completa.

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

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

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

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

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

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

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

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

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

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

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

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

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

Un terzo di intelligenza artificiale, un terzo di scrittura

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

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

È un accostamento interessante.

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

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

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

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

Un corso senza professore?

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

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

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

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

È un cambiamento importante.

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

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

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

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

Gli studenti potrebbero saperne più dei professori

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

La sua risposta è sorprendente: gli studenti.

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

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

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

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

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

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

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

Il problema degli incentivi

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

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

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

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

È ripensare il sistema di valutazione.

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

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

Sperimentare, ma misurando i risultati

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

È l’invito a sperimentare.

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

Per scoprirlo servono esperimenti.

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

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

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

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

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

Che cosa rimane dell’università?

C’è infine una questione più generale.

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

La risposta non può essere soltanto il titolo di studio.

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

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

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

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

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

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

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


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

4 ore alla settimana nel 2026

Nel 2007 Timothy Ferriss pubblicava “4 ore alla settimana” (The 4-Hour Workweek), un libro che ha influenzato profondamente la mia vita, sia professionale sia personale.

Il messaggio era tanto semplice quanto rivoluzionario: non dobbiamo necessariamente lavorare di più per ottenere risultati migliori. Dobbiamo imparare a eliminare ciò che non serve, automatizzare le attività ripetitive, delegare quello che altri possono fare al posto nostro e, soprattutto, riprenderci il controllo del nostro tempo.

Negli anni ho cercato di applicare questi principi al mio lavoro e alla mia vita quotidiana. Non sempre con successo, ma quel libro ha cambiato il mio modo di pensare alla produttività, alle priorità e al rapporto tra tempo e lavoro.

Oggi, nel 2026, credo che quelle idee siano ancora più attuali. Anzi, l’intelligenza artificiale e gli agenti AI potrebbero rendere finalmente realizzabili molte delle intuizioni di Ferriss.

Pensiamo al lavoro.

Nel 2007 delegare significava soprattutto affidare attività ad altre persone, spesso attraverso l’outsourcing. Oggi strumenti come ChatGPT, Claude e Gemini possono aiutarci a scrivere, analizzare documenti, sintetizzare informazioni e sviluppare idee. Ma il cambiamento più interessante riguarda gli agenti AI: sistemi capaci di utilizzare strumenti, eseguire sequenze di operazioni e gestire processi con un certo grado di autonomia.

Un agente può monitorare la posta elettronica, distinguere le comunicazioni importanti da quelle secondarie, preparare risposte e proporre appuntamenti. Strumenti come Microsoft Copilot, integrati con Outlook, Teams e altri applicativi, possono ridurre il tempo dedicato a email, riunioni e documenti.

Con piattaforme come n8n, Make e Zapier possiamo collegare applicazioni diverse e costruire flussi di lavoro automatizzati: raccogliere informazioni, aggiornare database, preparare report, gestire scadenze e attivare azioni quando si verificano determinate condizioni.

Nel mio lavoro accademico, immagino agenti che monitorano la letteratura scientifica, individuano nuovi articoli rilevanti, preparano sintesi, organizzano materiali didattici, aiutano a verificare codice e analisi statistiche o coordinano le attività amministrative dei progetti di ricerca. Naturalmente, lasciando al ricercatore il controllo scientifico e le decisioni importanti.

Ma la rivoluzione potrebbe essere altrettanto significativa nella vita personale.

Immaginiamo un assistente digitale che organizza un viaggio confrontando voli, treni e alberghi, costruisce un itinerario sulla base delle nostre preferenze e prepara le prenotazioni per la nostra approvazione.

Oppure un agente che tiene traccia delle scadenze familiari, coordina calendari, prepara la lista della spesa in base ai pasti programmati, monitora le spese domestiche e segnala abbonamenti inutilizzati.

O ancora un sistema che ci aiuta a organizzare l’attività fisica, pianificare il tempo libero e proteggere gli spazi che vogliamo dedicare alle persone importanti.

Non è fantascienza. Molti elementi di questi sistemi sono già disponibili, anche se integrarli in modo affidabile richiede ancora lavoro, supervisione e attenzione alla privacy.

La differenza rispetto al 2007 è enorme: allora dovevamo trovare qualcuno a cui delegare. Oggi possiamo iniziare a costruire una piccola squadra di collaboratori digitali, disponibili continuamente e capaci di occuparsi di una parte crescente del lavoro operativo.

Ma c’è un punto che considero fondamentale.

Se grazie all’AI riusciamo a svolgere in due ore un’attività che prima ne richiedeva otto, che cosa facciamo delle sei ore risparmiate?

Le utilizziamo per aggiungere altre attività, altre riunioni, altri progetti? Oppure scegliamo di lavorare meno, leggere di più, stare con la famiglia, fare sport, viaggiare o semplicemente avere tempo per pensare?

Da economista, trovo questa domanda particolarmente interessante. Un aumento della produttività non si traduce automaticamente in una riduzione del tempo lavorato. Dipende dagli incentivi, dalle aspettative e, soprattutto, dalle nostre preferenze.

Il rischio è che l’intelligenza artificiale finisca per renderci ancora più occupati.

Per questo credo che servirebbe una nuova edizione di “4 ore alla settimana”, pensata per il 2026.

Un libro che non insegni soltanto a utilizzare ChatGPT o a costruire agenti AI, ma che ci aiuti a ripensare radicalmente il modo in cui organizziamo il lavoro e la vita personale.

Perché il vero obiettivo non dovrebbe essere fare in quattro ore quello che prima facevamo in quaranta, per poi riempire le altre trentasei con nuovi impegni.

Dovrebbe essere recuperare la libertà di scegliere come utilizzare il nostro tempo.

Quasi vent’anni dopo, credo che questa sia ancora la lezione più importante di Ferriss. E forse oggi abbiamo finalmente strumenti abbastanza potenti per metterla in pratica su una scala completamente diversa.

Longitudine

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

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

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

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

Un problema da milioni di sterline

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

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

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

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

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

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

Semplice, almeno sulla carta.

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

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

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

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

Quando lo Stato decide di premiare una soluzione

Nel 1714 il Parlamento britannico approvò il Longitude Act.

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

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

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

L’idea economica è interessante.

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

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

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

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

Come John Harrison.

L’orologiaio che sfidò gli astronomi

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

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

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

Harrison dedicò decenni a questa impresa.

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

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

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

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

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

La storia avrebbe potuto finire qui.

Ma non finì qui.

Avere ragione non basta

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

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

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

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

C’era poi un problema di interessi scientifici.

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

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

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

La controversia durò anni.

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

Harrison morì nel 1776.

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

La lezione economica: gli incentivi non bastano

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

La prima riguarda il potere degli incentivi.

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

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

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

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

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

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

La terza lezione riguarda le istituzioni.

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

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

Inventare non significa innovare

C’è infine un ultimo elemento.

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

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

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

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

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

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

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

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

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

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


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