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.

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.

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.

Studiare nell’era dell’intelligenza artificiale: che cosa dovremmo dire oggi ai nostri studenti?

Se le macchine diventano sempre più capaci di svolgere il lavoro intellettuale, quali competenze dovremmo sviluppare? E che cosa significa prepararsi a un futuro che nessuno è davvero in grado di prevedere?

Per molti anni abbiamo dato agli studenti un consiglio relativamente semplice: studiate, impegnatevi, diventate bravi in qualcosa. Acquisite competenze difficili da trovare e il mercato del lavoro, prima o poi, le riconoscerà.

Era un consiglio ragionevole. E probabilmente lo è ancora.

Ma oggi dobbiamo aggiungere una domanda: che cosa succede se le competenze che stiamo cercando di acquisire diventano improvvisamente disponibili a tutti, a un costo prossimo allo zero?

Ho riflettuto su questo interrogativo ascoltando una lunga conversazione tra l’economista Michele Boldrin e il programmatore Salvatore Sanfilippo (qui sotto il video).

Una discussione che parte dall’intelligenza artificiale, attraversa l’economia e la politica, e arriva a una questione che mi interessa particolarmente come economista e come professore universitario: come dovremmo preparare i giovani al futuro?

La risposta, credo, è meno scontata di quanto sembri.

Questa volta potrebbe essere diverso. Oppure no.

La storia economica è piena di innovazioni che avrebbero dovuto distruggere il lavoro umano.

Le macchine agricole hanno ridotto drasticamente il numero di persone necessarie per coltivare la terra. L’automazione industriale ha sostituito molte attività manuali. I computer hanno trasformato il lavoro negli uffici. Internet ha rivoluzionato interi settori.

Eppure il lavoro non è scomparso.

Sono scomparse alcune professioni, ne sono nate altre e molte sono cambiate profondamente. Nel lungo periodo, il progresso tecnologico ha contribuito a un enorme aumento della produttività e del tenore di vita.

Perché l’intelligenza artificiale dovrebbe essere diversa?

Non sappiamo se lo sarà. Diffiderei di chiunque sostenga di conoscere con certezza il futuro del lavoro.

Ma una differenza importante esiste.

Per molto tempo abbiamo costruito macchine per sostituire la forza fisica. Oggi stiamo costruendo macchine capaci di svolgere attività che consideravamo tipicamente intellettuali.

Scrivere un programma informatico, analizzare un documento, sintetizzare una ricerca scientifica, costruire un modello, proporre una soluzione.

Non tutte queste attività vengono svolte correttamente e non tutte possono essere automatizzate. Ma il confine di ciò che una macchina è in grado di fare si sta spostando rapidamente.

Per uno studente universitario, questo significa che non è più sufficiente chiedersi quali professioni saranno richieste tra dieci anni.

Dovrebbe chiedersi quali capacità gli permetteranno di adattarsi a professioni che oggi non conosciamo.

Il valore di una buona domanda

Uno dei passaggi più interessanti della conversazione riguarda la distinzione tra avere un’intuizione e realizzarla.

Pensiamo a un architetto.

C’è una differenza tra immaginare un edificio, comprenderne la struttura, individuare una soluzione originale e produrre tutti i disegni e i calcoli necessari per costruirlo.

Fino a ieri entrambe le attività richiedevano molto lavoro umano. Oggi una parte crescente dell’esecuzione può essere affidata alle macchine.

Qualcosa di simile sta accadendo nella programmazione informatica. Scrivere codice era una competenza rara e preziosa. Ora l’intelligenza artificiale può produrne quantità enormi in pochi secondi.

Questo non significa che non serviranno più programmatori. Significa che potrebbe cambiare ciò per cui vengono pagati.

La capacità di comprendere un problema, progettare una soluzione, identificare errori e valutarne le conseguenze potrebbe diventare relativamente più importante della capacità di scrivere ogni singola istruzione.

Lo stesso ragionamento vale per la ricerca scientifica, l’economia, il diritto e molte altre discipline.

Se produrre una risposta diventa economico, formulare la domanda giusta può diventare ancora più prezioso.

Ma attenzione: non basta dire agli studenti di essere creativi.

La creatività non nasce dal nulla.

Per formulare una buona domanda bisogna conoscere un argomento, averne compreso i problemi, sapere quali tentativi sono già stati fatti e riconoscere ciò che manca.

Le intuizioni migliori arrivano spesso dopo anni di studio e di lavoro.

L’intelligenza artificiale può ridurre il costo dell’esecuzione. Non elimina automaticamente il valore della conoscenza necessaria per orientarla.

Il paradosso: per usare bene l’AI bisogna sapere ciò che l’AI può fare

Immaginiamo due studenti che devono analizzare un problema economico.

Il primo conosce la teoria, sa interpretare i dati, comprende le ipotesi dei modelli e utilizza l’intelligenza artificiale per accelerare alcune operazioni.

Il secondo non possiede queste conoscenze e chiede semplicemente alla macchina di produrre un’analisi.

Entrambi potrebbero ottenere un documento apparentemente convincente.

Ma soltanto il primo avrà gli strumenti per capire se il risultato è corretto, se le ipotesi sono plausibili e se le conclusioni sono giustificate dalle evidenze.

Questo è uno dei paradossi più importanti dell’intelligenza artificiale.

Più diventa facile produrre conoscenza apparente, più diventa importante possedere conoscenza reale per valutarla.

Non è detto che questo vantaggio rimanga invariato nel tempo. Sistemi futuri potrebbero diventare molto più affidabili di quelli attuali. Ma anche in quel caso qualcuno dovrà decidere quali obiettivi perseguire, quali compromessi accettare e quali conseguenze considerare rilevanti.

Il rischio, soprattutto per gli studenti, è confondere la disponibilità immediata di una risposta con la comprensione del problema.

Sono due cose molto diverse.

Chi farà il lavoro necessario per diventare esperto?

C’è poi una questione di cui si discute ancora troppo poco.

Come si diventa bravi in qualcosa?

Di solito non si comincia dalle intuizioni geniali. Si comincia dai compiti più semplici, spesso noiosi, a volte frustranti.

Un ricercatore impara a fare ricerca anche raccogliendo dati, scrivendo codice, leggendo articoli difficili e commettendo errori.

Un medico sviluppa esperienza attraverso anni di pratica supervisionata.

Un economista impara a riconoscere i limiti di un modello anche dopo aver provato a costruirne molti che non funzionavano.

Queste attività non servono soltanto a produrre un risultato. Servono a formare le persone.

Se domani l’intelligenza artificiale svolgesse gran parte di questi compiti, potremmo trovarci davanti a un problema inatteso: eliminare proprio le esperienze attraverso cui si acquisiscono le competenze necessarie per supervisionare la tecnologia.

È un problema economico, ma anche educativo.

Nel breve periodo può essere efficiente affidare un compito all’AI. Nel lungo periodo, però, potrebbe essere necessario che qualcuno continui a svolgerlo per imparare.

Non tutto ciò che è inefficiente oggi è inutile per il futuro.

Questa distinzione dovrebbe entrare nelle nostre università.

Non dobbiamo necessariamente chiedere agli studenti di rinunciare all’intelligenza artificiale. Dobbiamo capire quando utilizzarla per aumentare le loro capacità e quando, invece, chiedere loro di lavorare senza assistenza, proprio per svilupparle.

L’obiettivo non è produrre più elaborati in meno tempo.

È formare persone che sappiano ragionare anche quando la macchina non è disponibile, sbaglia o propone una soluzione inadeguata.

L’intelligenza artificiale aumenterà le disuguaglianze?

Da economista, questa è probabilmente la domanda che trovo più importante.

Siamo abituati a pensare che una tecnologia capace di aumentare la produttività sia una buona notizia. E, in termini di possibilità produttive, generalmente lo è.

Ma l’aumento della produttività non ci dice come verranno distribuiti i benefici.

Se una tecnologia permette a poche imprese di produrre enormi quantità di valore utilizzando relativamente pochi lavoratori, chi riceverà il reddito generato?

I proprietari del capitale? I lavoratori altamente qualificati? I consumatori, attraverso prezzi più bassi? La collettività, attraverso il sistema fiscale?

La risposta dipende dalla struttura dei mercati, dalla concorrenza, dalle istituzioni e dalle politiche pubbliche.

Nella conversazione, Boldrin propone un’intuizione interessante: il problema non è soltanto che una lavoratrice possa perdere il proprio impiego. È anche che potrebbe non possedere alcuna quota del capitale che beneficia della sua sostituzione.

È una distinzione fondamentale.

Una società può diventare molto più ricca e, contemporaneamente, lasciare una parte della popolazione con minori opportunità economiche.

Esiste però anche una possibilità opposta.

L’intelligenza artificiale potrebbe ridurre alcune disuguaglianze, offrendo strumenti straordinari a persone che oggi non hanno accesso a risorse costose.

Pensiamo a uno studente che non può permettersi lezioni private, a un piccolo imprenditore che non può assumere consulenti specializzati, oppure a un ricercatore che lavora in un’università con risorse limitate.

Per tutti loro, l’AI potrebbe rappresentare un’opportunità enorme.

La stessa tecnologia può dunque ampliare oppure ridurre le disuguaglianze.

Non è una contraddizione. Dipende da chi riesce a utilizzarla, da quali attività vengono trasformate e da come si distribuiscono i guadagni di produttività.

Ed è proprio per questo che l’istruzione conta.

L’università non dovrebbe insegnare soltanto a utilizzare gli strumenti

Quando si discute di intelligenza artificiale e istruzione, la soluzione proposta più frequentemente è introdurre corsi dedicati all’AI.

È certamente utile.

Ma credo che il problema sia più profondo.

Non basta insegnare agli studenti a scrivere istruzioni efficaci per un modello linguistico. Non sappiamo nemmeno se questa competenza, nella forma in cui la conosciamo oggi, sarà ancora particolarmente rilevante tra cinque anni.

Dovremmo invece concentrarci su capacità più fondamentali.

Comprendere un problema prima di cercarne la soluzione. Distinguere una correlazione da una relazione causale. Valutare la qualità di un’evidenza. Riconoscere un’ipotesi implicita. Cambiare opinione quando emergono nuovi dati. Comunicare un ragionamento in modo chiaro. Collaborare con persone che possiedono competenze diverse.

Sono capacità che non appartengono esclusivamente a una disciplina.

E non sono nuove.

La novità è che l’intelligenza artificiale potrebbe renderle ancora più importanti.

Questo non significa abbandonare le conoscenze tecniche o disciplinari. Al contrario, significa costruire basi solide sulle quali sviluppare queste capacità.

Un buon giudizio richiede conoscenza. Il pensiero critico non può esistere nel vuoto.

E non dovremmo nemmeno contrapporre cultura scientifica e cultura umanistica. La matematica, la statistica, la storia, la filosofia e la letteratura offrono strumenti differenti per comprendere il mondo.

In un futuro caratterizzato da cambiamenti tecnologici rapidi, la capacità di collegare questi strumenti potrebbe essere particolarmente preziosa.

Studiare non serve soltanto a trovare lavoro

C’è infine una domanda che va oltre l’economia.

Perché studiamo?

Una risposta è evidente: per acquisire competenze che ci permettano di lavorare, ottenere un reddito e costruire una vita autonoma.

Ma non è l’unica.

Studiamo anche per comprendere il mondo, sviluppare interessi, esercitare il giudizio e partecipare consapevolmente alla società.

L’istruzione ha un valore economico, ma anche un valore personale e civile.

Se l’intelligenza artificiale riducesse il tempo necessario per svolgere molte attività, potremmo avere più risorse da dedicare alla ricerca, alla creatività, alle relazioni e alla conoscenza.

Non è un risultato garantito.

Il tempo liberato dal progresso tecnologico può essere utilizzato in molti modi. E non tutti producono necessariamente benessere.

Ma sarebbe un errore considerare il valore di una persona esclusivamente in funzione della sua produttività sul mercato del lavoro.

Forse l’intelligenza artificiale ci costringerà a riflettere proprio su questo.

Per molto tempo abbiamo considerato l’istruzione soprattutto come un investimento per il futuro professionale.

Dovremmo ricordarci che è anche uno strumento per costruire una vita interessante, autonoma e consapevole.

Cinque consigli agli studenti

Se oggi dovessi dare qualche consiglio a uno studente che sta iniziando l’università, partirei da cinque idee.

Primo: studia le basi, anche quando sembrano inutilmente difficili.

La matematica, la statistica, la logica, la capacità di scrivere e di argomentare non diventano irrilevanti perché esiste una macchina capace di eseguire molti compiti al posto nostro. Sono gli strumenti che ci permettono di comprendere ciò che la macchina produce.

Secondo: usa l’intelligenza artificiale, ma non delegarle il tuo apprendimento.

Utilizzala per esplorare argomenti, ricevere spiegazioni alternative, verificare intuizioni e mettere alla prova le tue idee. Ma continua a fare lo sforzo di risolvere problemi autonomamente. L’obiettivo non è ottenere una risposta. È diventare una persona capace di comprenderla.

Terzo: impara a formulare problemi, non soltanto a risolverli.

Molte attività esecutive diventeranno più semplici. Individuare quali problemi meritano attenzione, quali domande sono rilevanti e quali conseguenze dobbiamo considerare potrebbe diventare una capacità sempre più importante.

Quarto: non identificarti troppo con una singola competenza tecnica.

Le tecnologie cambiano. Alcune competenze che oggi sembrano preziosissime potrebbero diventare comuni. Investi anche nella capacità di apprendere, adattarti e collaborare. Non cercare soltanto di diventare bravo a fare una cosa. Cerca di diventare bravo a impararne di nuove.

Quinto: coltiva interessi che non abbiano necessariamente un ritorno economico immediato.

Leggi, esplora discipline lontane dalla tua, fai domande, sviluppa passioni. Non tutto ciò che vale deve essere remunerato dal mercato. E non tutto ciò che oggi sembra economicamente inutile lo sarà domani.

Il futuro non è scritto

Quando si parla di intelligenza artificiale, il dibattito tende spesso a dividersi tra due posizioni.

Da una parte chi immagina un futuro straordinario, in cui le macchine ci libereranno dal lavoro e renderanno tutti più ricchi.

Dall’altra chi teme una società caratterizzata da disoccupazione, disuguaglianze e concentrazione del potere.

Entrambi gli scenari sono possibili, ma nessuno è inevitabile.

La storia economica ci insegna che le tecnologie modificano le opportunità disponibili. Non determinano da sole come una società sceglierà di utilizzarle.

Le istituzioni, la concorrenza, l’istruzione e le decisioni collettive continueranno ad avere un ruolo fondamentale.

Per questo credo che il messaggio più importante da trasmettere agli studenti non sia né quello di avere paura dell’intelligenza artificiale né quello di affidarsi completamente a essa.

È un messaggio più semplice.

Continuate a studiare. Continuate a essere curiosi. Imparate a utilizzare le nuove tecnologie, ma soprattutto imparate a ragionare.

Non sappiamo quali professioni esisteranno tra vent’anni. Non sappiamo quali competenze saranno meglio remunerate. Non sappiamo nemmeno quanto rapidamente cambierà il mondo del lavoro.

Ma c’è una cosa sulla quale possiamo ragionevolmente scommettere.

In un mondo in cui ottenere risposte diventa sempre più facile, la capacità di capire quali domande porre, valutare le risposte e decidere che cosa farne resterà una risorsa fondamentale.

E forse è proprio questo il compito più importante dell’università: non preparare gli studenti a un futuro che pretendiamo di conoscere, ma fornire loro gli strumenti per affrontare quello che arriverà.