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.

Lavorare quattro giorni alla settimana ci renderebbe più sani?

E se lavorare meno non significasse soltanto avere più tempo libero, ma anche vivere meglio e più a lungo?

Negli ultimi anni, la settimana lavorativa di quattro giorni è diventata oggetto di un crescente dibattito. La discussione si concentra soprattutto sulla produttività: è possibile lavorare un giorno in meno mantenendo invariati salari e produzione?

Ma c’è una domanda altrettanto importante, spesso trascurata: quali sarebbero le conseguenze sulla nostra salute?

Un articolo pubblicato nel 2025 su Nature Human Behaviour, intitolato “How the four-day working week could affect health”, affronta proprio questa questione. Sotiris Vandoros e colleghi esaminano i possibili meccanismi attraverso i quali una riduzione della settimana lavorativa potrebbe influenzare la salute fisica e mentale.

Perché lavorare meno potrebbe farci stare meglio?

L’intuizione è semplice: il tempo è una risorsa scarsa e il modo in cui lo distribuiamo tra lavoro, riposo e altre attività può avere conseguenze importanti sul nostro benessere.

Una settimana lavorativa più corta potrebbe ridurre lo stress e il rischio di burnout, migliorare la qualità del sonno e lasciare più tempo per l’attività fisica, la preparazione di pasti sani e le relazioni familiari.

Potrebbe anche favorire la prevenzione sanitaria. Avere più tempo a disposizione significa poter effettuare visite mediche e controlli che spesso vengono rimandati per difficoltà a conciliarli con gli impegni lavorativi.

Esistono inoltre possibili benefici indiretti. Meno giornate di pendolarismo potrebbero significare meno incidenti stradali e una minore esposizione all’inquinamento atmosferico.

Alcune evidenze empiriche sono incoraggianti. Gli autori citano, per esempio, un esperimento randomizzato condotto in Svezia nel quale una riduzione del 25% dell’orario lavorativo ha migliorato la qualità del sonno, aumentandone la durata media di circa 23 minuti, e ridotto lo stress percepito.

Ma lavorare quattro giorni non significa necessariamente lavorare meno

Questo è un punto fondamentale.

Se la settimana lavorativa passa da cinque a quattro giorni, ma le stesse 40 ore vengono concentrate in giornate più lunghe, i benefici potrebbero essere molto diversi.

Anche mantenendo invariato il numero di ore giornaliere, le imprese potrebbero cercare di compensare il giorno in meno aumentando l’intensità del lavoro.

Una maggiore pressione durante le giornate lavorative potrebbe quindi ridurre, o persino annullare, alcuni dei benefici attesi.

Inoltre, più tempo libero non implica automaticamente comportamenti più salutari. Potrebbe tradursi in maggiore attività fisica e riposo, ma anche in un aumento del consumo di alcol o di altre attività potenzialmente dannose.

Gli effetti potrebbero variare significativamente tra lavoratori, settori e condizioni familiari.

Cosa sappiamo davvero?

L’aspetto più interessante dell’articolo è che gli autori distinguono chiaramente tra benefici già documentati e conseguenze ancora da verificare.

Diversi studi sulla riduzione dell’orario lavorativo hanno osservato miglioramenti nel benessere psicologico, nello stress e nel sonno.

Ma le evidenze sugli effetti di lungo periodo sulla salute cardiovascolare, sulle malattie croniche e sulla mortalità sono ancora limitate.

Molti studi utilizzano inoltre questionari e misure autodichiarate, mentre sarebbero necessarie valutazioni basate anche su indicatori sanitari oggettivi.

Per questo gli autori propongono di accompagnare la diffusione della settimana lavorativa corta con esperimenti rigorosi e valutazioni degli effetti sulla salute.

Una questione economica, non soltanto organizzativa

La settimana lavorativa di quattro giorni viene spesso presentata come una scelta tra produttività e tempo libero.

Ma questa contrapposizione rischia di essere troppo semplicistica.

Se lavorare meno migliora la salute, i benefici potrebbero estendersi ben oltre i singoli lavoratori: minori assenze per malattia, minori costi sanitari, maggiore benessere familiare e potenzialmente una vita lavorativa più sostenibile.

Naturalmente, questi benefici devono essere confrontati con gli eventuali costi organizzativi e produttivi. Non è detto che la settimana corta sia ugualmente efficace in tutti i settori.

La questione più interessante riguarda però il modo in cui scegliamo di utilizzare i guadagni di produttività.

Storicamente, una parte del progresso tecnologico ed economico si è tradotta in una riduzione delle ore lavorate. Ma non esiste una ragione economica per cui ogni aumento di produttività debba trasformarsi esclusivamente in maggiore produzione o reddito.

Una parte potrebbe essere utilizzata per acquistare qualcosa di altrettanto prezioso: tempo.

E se questo tempo producesse anche benefici per la salute, il suo valore sociale potrebbe essere maggiore di quello che emerge da una semplice valutazione dei salari e della produttività.

La domanda che dovremmo porci

La settimana lavorativa di quattro giorni non è una soluzione miracolosa. I suoi effetti dipendono dalle modalità di implementazione e devono essere misurati con attenzione.

Ma la ricerca suggerisce che il dibattito dovrebbe andare oltre la domanda se possiamo permetterci di lavorare meno.

Dovremmo chiederci anche quali costi economici e sociali sosteniamo continuando a lavorare come oggi.

Perché il benessere di una società non dipende soltanto da quanto produce, ma anche da come le persone vivono e utilizzano il proprio tempo.


Riferimento bibliografico

Vandoros, S., Barros, P. P., Skordis, J., Burchell, B., Fontinha, R., & Gomes, P. (2025). “How the four-day working week could affect health.” Nature Human Behaviour, 9, 1997–1998.

L’intelligenza artificiale cambierà il mondo. Ma chi ci guadagnerà davvero?

Una riflessione a partire dall’ultimo memorandum di Howard Marks.

L’intelligenza artificiale è probabilmente una delle innovazioni tecnologiche più importanti della nostra generazione. Ma questo significa che investire oggi nelle aziende che la sviluppano sia necessariamente un buon affare?

La risposta è meno scontata di quanto sembri.

Howard Marks, cofondatore di Oaktree Capital Management e uno degli investitori più rispettati al mondo, ha dedicato a questa domanda il suo ultimo memorandum, pubblicato l’11 novembre 2026 e intitolato A Layman Thinks About AI.

Il documento contiene undici domande e poche risposte definitive. Ed è proprio questo il suo punto di forza: in un momento in cui tutti sembrano avere certezze sul futuro dell’intelligenza artificiale, Marks ci ricorda quanto sia difficile prevedere non soltanto l’evoluzione di una tecnologia, ma soprattutto le sue conseguenze economiche.

Una grande innovazione non è necessariamente un grande investimento

La prima distinzione, fondamentale, è tra il valore economico e sociale di una tecnologia e i profitti delle imprese che la producono.

La storia economica è piena di innovazioni che hanno trasformato il mondo senza garantire rendimenti straordinari a tutti gli investitori.

Le ferrovie hanno rivoluzionato i trasporti. Internet ha trasformato il modo in cui comunichiamo, lavoriamo e consumiamo. Eppure, molte delle imprese protagoniste di queste rivoluzioni sono scomparse, mentre altre hanno generato rendimenti deludenti.

Il motivo è semplice: creare valore non significa necessariamente appropriarsene.

L’intelligenza artificiale potrebbe aumentare enormemente la produttività delle imprese, ridurre i costi di produzione e migliorare la qualità di beni e servizi. Ma chi beneficerà di questi guadagni?

Le aziende che sviluppano i modelli? Quelle che producono i semiconduttori? Le imprese che utilizzano l’AI nei propri processi produttivi? Oppure i consumatori, attraverso prezzi più bassi?

Dal punto di vista economico, questa è soprattutto una questione di concorrenza e distribuzione del surplus.

Se diversi modelli di intelligenza artificiale offriranno prestazioni simili, la concorrenza potrebbe comprimere i prezzi e trasferire buona parte dei benefici agli utilizzatori. Se invece poche imprese riusciranno a costruire vantaggi competitivi difficilmente replicabili, potrebbero appropriarsi di una quota molto maggiore del valore creato.

La tecnologia può essere rivoluzionaria in entrambi gli scenari. Ma le implicazioni per i profitti sono radicalmente diverse.

Il paradosso della produttività

C’è poi una questione che va oltre i mercati finanziari.

L’intelligenza artificiale promette di aumentare la produttività, ma non sappiamo ancora con quale velocità questi miglioramenti si tradurranno in crescita economica aggregata.

Un conto è dimostrare che un lavoratore, grazie all’AI, può completare un compito in metà tempo. Un altro è osservare un aumento equivalente della produttività di un’intera organizzazione.

Per ottenere questi benefici, le imprese devono spesso modificare processi, competenze, incentivi e modelli organizzativi. E questi cambiamenti richiedono tempo.

Inoltre, un aumento della produttività non implica automaticamente un aumento proporzionale dei salari o dei profitti.

Dipende da come cambiano la domanda di lavoro, la concorrenza tra imprese e il potere contrattuale dei diversi attori economici.

Potremmo assistere a una fase in cui l’AI genera enormi benefici per i consumatori, ma rendimenti relativamente modesti per alcune delle imprese che hanno finanziato la rivoluzione.

Oppure a una fase in cui pochi operatori concentrano una parte significativa dei guadagni.

Sono scenari molto diversi, entrambi compatibili con una tecnologia di enorme successo.

Stiamo investendo troppo?

Un altro punto centrale del memorandum riguarda la quantità di capitale destinata all’intelligenza artificiale.

Le grandi imprese tecnologiche stanno investendo somme gigantesche in data center, semiconduttori, energia e infrastrutture di calcolo.

Questi investimenti contribuiscono già alla crescita economica, ma incorporano aspettative molto elevate sulla domanda futura.

Il problema è che la capacità produttiva viene costruita oggi, mentre i ricavi necessari a giustificarla dovranno arrivare domani.

E non è affatto certo che arrivino nella misura prevista.

La questione diventa ancora più complessa considerando la rapidità del progresso tecnologico. Un’infrastruttura costruita oggi potrebbe diventare economicamente obsoleta molto prima del previsto. Oppure nuove tecniche potrebbero ridurre drasticamente la quantità di capacità di calcolo necessaria per ottenere determinati risultati.

Questo non significa che gli investimenti siano necessariamente eccessivi. Significa che la loro redditività dipende da variabili difficili da prevedere.

E quando molti investitori condividono le stesse aspettative, il rischio non riguarda soltanto le singole imprese, ma può estendersi all’intero sistema finanziario.

Il problema delle aspettative

Qui entra in gioco un tema particolarmente interessante per l’economia comportamentale.

I mercati finanziari non reagiscono soltanto ai risultati economici, ma soprattutto alla differenza tra i risultati osservati e quelli attesi.

Un’impresa può crescere rapidamente, aumentare i ricavi e migliorare i margini, ma vedere comunque diminuire il proprio valore di mercato se gli investitori si aspettavano risultati ancora migliori.

Il successo di una tecnologia e il successo di un investimento sono quindi due cose distinte.

Quando una narrativa diventa dominante, gli investitori rischiano di confondere ciò che è possibile con ciò che è probabile.

L’intelligenza artificiale potrebbe cambiare radicalmente il mercato del lavoro, la ricerca scientifica e l’organizzazione delle imprese. Ma da questa possibilità non discende automaticamente che ogni investimento nel settore sia giustificato.

C’è anche un problema di eccessiva fiducia nelle proprie previsioni.

Marks propone un esercizio semplice: provate a stimare gli utili per azione di un’azienda AI tra cinque anni. Sareste disposti a scommettere che il valore effettivo sarà compreso tra la metà e una volta e mezza la vostra previsione?

Se la risposta è no, quanto possiamo fidarci delle valutazioni che attribuiamo oggi a quelle imprese?

La domanda è importante perché spesso siamo molto più bravi a costruire spiegazioni convincenti del futuro che a prevederlo.

Una bolla può accompagnare una rivoluzione autentica

Una delle osservazioni più interessanti di Marks riguarda il dibattito sulla possibile bolla dell’intelligenza artificiale.

La domanda viene spesso formulata in modo sbagliato: l’AI è una rivoluzione oppure una bolla?

Le due cose non si escludono.

Una tecnologia può essere realmente trasformativa e, contemporaneamente, attirare investimenti eccessivi e generare valutazioni finanziarie difficili da giustificare.

La bolla delle dot-com non dimostrò che Internet fosse inutile. Dimostrò che molte aspettative sui profitti futuri erano sbagliate, o incorporate in prezzi troppo elevati.

Con l’AI potrebbe verificarsi qualcosa di simile.

Non sappiamo se accadrà, ma dovremmo distinguere almeno tre domande: la tecnologia manterrà le sue promesse? Gli investimenti effettuati produrranno rendimenti adeguati? I prezzi pagati oggi dagli investitori sono ragionevoli?

Una risposta positiva alla prima domanda non implica una risposta positiva alle altre due.

Il valore economico dell’incertezza

Il messaggio conclusivo del memorandum non è che dovremmo evitare di investire nell’intelligenza artificiale.

È che dovremmo riconoscere i limiti delle nostre conoscenze.

In economia, l’incertezza non è semplicemente una complicazione da eliminare attraverso modelli sempre più sofisticati. È una caratteristica fondamentale delle decisioni che riguardano il futuro.

E nel caso dell’intelligenza artificiale questa incertezza è particolarmente elevata, perché cambiano contemporaneamente la tecnologia, i modelli di business, la struttura della concorrenza e le modalità con cui imprese e consumatori utilizzano i nuovi strumenti.

Per questo credo che la domanda più interessante non sia se l’intelligenza artificiale cambierà il mondo.

È molto probabile che lo farà, e in parte lo sta già facendo.

La domanda è come verrà distribuito il valore generato da questa trasformazione.

Tra capitale e lavoro. Tra imprese e consumatori. Tra chi sviluppa la tecnologia e chi la utilizza. Tra i pochi operatori dominanti e il resto dell’economia.

È su queste domande che gli economisti dovrebbero concentrare una parte importante della propria attenzione.

Perché il futuro dell’intelligenza artificiale non dipenderà soltanto da quanto diventeranno intelligenti le macchine, ma anche dagli incentivi, dalle istituzioni e dai mercati all’interno dei quali verranno utilizzate.

E forse questa è la lezione più importante del memorandum di Marks: possiamo essere molto ottimisti sul futuro di una tecnologia senza esserlo necessariamente sui rendimenti finanziari di chi la sta finanziando.


Per approfondire: Howard Marks, A Layman Thinks About AI, Oaktree Capital Management, 11 novembre 2026.

Isn’t it ironic?

Da economista cerco di ridurre le diseguaglianze. Da padre, probabilmente, contribuisco ad aumentarle.

È una contraddizione con cui convivo ogni giorno e sulla quale mi ritrovo spesso a riflettere.

Come economista, una parte importante del mio lavoro consiste nel cercare di capire come migliorare le opportunità delle persone, soprattutto di quelle che partono da condizioni meno favorevoli. Mi occupo di istruzione, di formazione delle preferenze, di comportamenti e di decisioni. Cerco di diffondere conoscenze scientifiche, promuovere iniziative e, quando possibile, valutarne rigorosamente gli effetti. Voglio capire quali politiche funzionano, per chi funzionano e, soprattutto, perché.

L’idea di fondo è semplice: il destino di una persona dovrebbe dipendere il meno possibile dalle circostanze in cui nasce.

Poi torno a casa. E sono un padre.

Come padre, cerco di offrire alle mie figlie tutte le opportunità che posso. Esperienze, stimoli, conoscenze, occasioni per scoprire il mondo. Cerco di rispondere alle loro domande, ma soprattutto di aiutarle a formularne di nuove. Discutiamo di quello che succede intorno a noi, proviamo a capire perché le persone si comportano in un certo modo, quali siano le conseguenze delle nostre decisioni, come funzionino le regole, gli incentivi e le relazioni.

Cerco di trasmettere loro non soltanto quello che so, ma soprattutto un modo di ragionare.

E provo, insieme a loro, a costruire comportamenti, principi e abitudini che possano migliorare la loro vita e, spero, anche quella delle persone che incontreranno.

Fin qui, nulla di particolarmente sorprendente. È quello che molti genitori cercano di fare.

Il problema è che non tutti i genitori possono farlo allo stesso modo.

Non tutti hanno le stesse risorse economiche, lo stesso tempo, le stesse conoscenze, le stesse reti sociali. Non tutti hanno la possibilità di offrire ai propri figli determinate esperienze o di accompagnarli nella comprensione del mondo con gli stessi strumenti.

E così, mentre da economista cerco di ridurre il peso delle condizioni familiari sulle opportunità individuali, da padre investo quotidianamente proprio in quei meccanismi attraverso i quali i vantaggi familiari si trasmettono da una generazione all’altra.

La cosa più interessante è che utilizzo sostanzialmente gli stessi strumenti per perseguire due obiettivi potenzialmente in conflitto.

Istruzione, conoscenza, pensiero critico, comprensione dei meccanismi causali, capacità di prendere decisioni.

Come economista vorrei che fossero accessibili a tutti. Come padre cerco di assicurarmi che le mie figlie ne abbiano il più possibile.

In termini economici, cambia la funzione obiettivo.

Come economista, mi interessa la distribuzione delle opportunità nella società. Come padre, mi interessa soprattutto la posizione delle mie figlie all’interno di quella distribuzione.

Naturalmente, non è detto che migliorare le opportunità delle proprie figlie significhi necessariamente peggiorare quelle degli altri. La conoscenza non è una torta di dimensioni fisse. Un bambino che impara a ragionare meglio non sottrae automaticamente qualcosa a un altro bambino.

Ma le opportunità non sono tutte indipendenti dalla posizione relativa.

L’accesso alle scuole migliori, alle università più selettive, a determinate professioni e a molte altre opportunità dipende anche dal confronto con gli altri. In questi contesti, i vantaggi accumulati all’interno della famiglia possono tradursi in differenze persistenti nei risultati.

E non si tratta soltanto di denaro.

Una parte importante delle diseguaglianze si costruisce attraverso piccoli investimenti quotidiani, spesso invisibili e difficilmente misurabili. Una conversazione durante la cena. Una domanda posta al momento giusto. Un libro letto insieme. Un errore trasformato in occasione di apprendimento. Un genitore che spiega perché una decisione ha prodotto un certo risultato invece di limitarsi a dire che cosa sia giusto o sbagliato.

Sono investimenti che si accumulano nel tempo.

E che, proprio perché incorporati nelle relazioni familiari, sono particolarmente difficili da replicare attraverso le politiche pubbliche.

Questo rende il problema delle diseguaglianze delle opportunità molto più complesso di quanto possa sembrare.

Non basta redistribuire risorse. Non basta migliorare l’accesso all’istruzione. Bisogna anche comprendere come si formano le competenze, le preferenze, le aspirazioni e le capacità di prendere decisioni. E come questi processi interagiscono con l’ambiente familiare.

Ma c’è un’altra questione, forse ancora più difficile.

Sarei disposto a rinunciare a un’opportunità per le mie figlie se sapessi che questo contribuirebbe a rendere la società più equa?

È facile sostenere l’uguaglianza delle opportunità quando il costo è astratto. Diventa molto più complicato quando il costo ha il volto delle persone che ami di più.

Non credo che la soluzione sia chiedere ai genitori di fare meno per i propri figli. E non vorrei vivere in una società in cui l’affetto, l’attenzione e il desiderio di trasmettere conoscenze fossero considerati un problema da correggere.

Vorrei piuttosto vivere in una società in cui ciò che oggi rappresenta un privilegio familiare diventasse, per quanto possibile, un’opportunità accessibile a tutti.

Forse è proprio qui che le mie due prospettive possono incontrarsi.

Come padre, cerco di capire che cosa possa aiutare le mie figlie a crescere, imparare e vivere meglio.

Come economista, dovrei cercare di capire come rendere quelle stesse opportunità disponibili anche ai figli degli altri.

Resta però una tensione che non posso eliminare con una buona intenzione o con un modello economico.

Voglio una società in cui il futuro dei bambini dipenda il meno possibile dalla famiglia in cui nascono. E, allo stesso tempo, faccio tutto quello che posso perché il futuro delle mie figlie dipenda anche dalla fortuna di essere nate nella nostra.

Isn’t it ironic?

Come cantava Alanis Morissette.

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.