Metodo scientifico e organizzazioni

Perché il metodo scientifico dovrebbe entrare nelle stanze in cui si prendono le decisioni.

C’è una cosa che mi ha sempre colpito del modo in cui vengono prese molte decisioni, nelle imprese ma anche nelle università e nelle istituzioni pubbliche. Si discute a lungo, si raccolgono opinioni, si ascoltano le persone con maggiore esperienza e, alla fine, qualcuno decide. Spesso sulla base di ciò che ritiene ragionevole, di quello che ha funzionato in passato o semplicemente della propria intuizione.

Non c’è necessariamente nulla di sbagliato. L’esperienza conta, e in molte situazioni dobbiamo decidere senza avere tutte le informazioni che vorremmo. Il problema nasce quando confondiamo ciò che pensiamo di sapere con ciò che sappiamo davvero.

È da questa distinzione che parte The Scientific Mindset: How Thinking Scientifically Drives Better Business Decisions, il libro di Stefan Thomke, professore alla Harvard Business School.

L’idea di fondo è semplice: dovremmo affrontare molte delle decisioni che prendiamo ogni giorno con lo stesso atteggiamento con cui uno scienziato affronta una domanda di ricerca.

Non significa trasformare ogni manager in uno statistico, né pretendere che qualsiasi scelta sia preceduta da un esperimento randomizzato. Significa, prima di tutto, cambiare il nostro rapporto con le convinzioni.

Quando uno scienziato formula un’ipotesi, il suo compito non è dimostrare a tutti i costi che ha ragione. È cercare di capire se quell’ipotesi resiste al confronto con i dati. E quando i risultati non confermano le aspettative, almeno in linea di principio, dovrebbe essere disposto a cambiare idea.

Sembra ovvio. Nella pratica lo è molto meno.

Pensiamo a un’impresa che vuole introdurre un nuovo sistema di incentivi per i dipendenti. Il management è convinto che legare una parte maggiore della retribuzione ai risultati individuali aumenterà la produttività. È una convinzione plausibile, sostenuta anche da alcuni modelli economici. Ma sappiamo che gli incentivi possono avere effetti inattesi: modificare la collaborazione tra colleghi, spostare l’attenzione verso ciò che è facilmente misurabile o ridurre la motivazione intrinseca.

Come facciamo a sapere quale effetto prevarrà?

Possiamo discuterne per settimane, consultare esperti, leggere studi condotti in altre organizzazioni. Oppure, quando le condizioni lo consentono, possiamo progettare un esperimento.

La differenza non è banale. Nel primo caso cerchiamo argomenti per scegliere. Nel secondo produciamo informazioni che prima non avevamo.

Da economista sperimentale, trovo particolarmente interessante questo passaggio. Siamo abituati a considerare gli esperimenti come strumenti per rispondere a domande scientifiche. Thomke ci invita a considerarli anche come strumenti ordinari di gestione delle organizzazioni.

Ma c’è un ostacolo che viene prima della statistica e della progettazione sperimentale: la nostra difficoltà ad ammettere di avere torto.

Le persone tendono a cercare informazioni coerenti con le proprie convinzioni, a sovrastimare l’accuratezza dei propri giudizi e a interpretare le evidenze ambigue in modo favorevole alle proprie aspettative. Sono fenomeni ben documentati dalla psicologia e dall’economia comportamentale.

Nelle organizzazioni questi problemi possono diventare ancora più seri. Se un dirigente ha sostenuto pubblicamente una certa strategia, riconoscere che non funziona può avere un costo reputazionale. Se un progetto ha già assorbito risorse importanti, interromperlo può sembrare un’ammissione di fallimento. E se un’idea arriva dalla persona più autorevole nella stanza, metterla in discussione può risultare difficile anche quando ci sono buone ragioni per farlo.

Il metodo scientifico offre una possibile via d’uscita: separare il valore di una persona dalla correttezza delle sue ipotesi.

Un esperimento che non conferma le aspettative non è necessariamente un esperimento fallito. Può essere un esperimento che ci ha evitato di investire tempo e denaro in una soluzione inefficace.

Naturalmente, non basta dire alle persone di sperimentare. Bisogna creare le condizioni perché possano farlo. Se un’organizzazione premia soltanto chi ottiene risultati positivi e penalizza chi porta evidenze contrarie alle aspettative, sarà difficile sviluppare una vera cultura della sperimentazione.

C’è poi un’altra questione, forse ancora più importante: decidere quando vale la pena sperimentare.

Gli esperimenti hanno un costo. Richiedono tempo, risorse e competenze. Non tutte le decisioni sono reversibili, non tutti i contesti permettono di costruire gruppi di controllo e non sempre i risultati ottenuti in una situazione sono trasferibili a un’altra.

Per questo il punto non dovrebbe essere sperimentare sempre, ma capire quando il valore delle informazioni che possiamo ottenere supera il costo necessario per produrle.

È una domanda profondamente economica.

E riguarda anche il settore pubblico e le università. Quante iniziative vengono introdotte perché sembrano una buona idea, senza che sia previsto un modo credibile per valutarne gli effetti? Quanti programmi vengono riproposti anno dopo anno semplicemente perché sono sempre stati fatti? E quante volte confondiamo la soddisfazione dei partecipanti con l’efficacia di un intervento?

Non servono necessariamente esperimenti complessi per cominciare a cambiare approccio. A volte basta formulare una domanda precisa prima di avviare un progetto: quale risultato ci aspettiamo? Come potremmo misurarlo? Quale evidenza ci convincerebbe che la nostra idea non sta funzionando?

Quest’ultima domanda è probabilmente la più difficile.

Perché ci obbliga a immaginare, prima ancora di cominciare, la possibilità di avere torto.

La lezione che ricavo dalla prospettiva proposta da Thomke è che il pensiero scientifico non consiste soltanto nel raccogliere dati o utilizzare tecniche sofisticate. È soprattutto una forma di disciplina intellettuale. Richiede curiosità, disponibilità a mettere in discussione le proprie idee e una certa dose di umiltà.

In fondo, la differenza tra un’organizzazione che impara e una che continua a ripetere gli stessi errori potrebbe stare proprio qui: nella capacità di distinguere una buona decisione da una decisione che, per fortuna, ha prodotto un buon risultato.

Possiamo prendere una decisione ragionevole e ottenere un risultato negativo. Possiamo anche prendere una pessima decisione e avere successo. Se giudichiamo la qualità delle nostre scelte soltanto dai risultati, rischiamo di imparare le lezioni sbagliate.

Il metodo scientifico non elimina l’incertezza e non garantisce decisioni corrette. Ci offre però qualcosa di forse più utile: un modo per riconoscere gli errori, aggiornare le nostre convinzioni e migliorare le decisioni successive.

E forse è proprio questa la domanda che dovremmo porci più spesso, prima di difendere un’idea: che cosa dovrebbe succedere per convincermi a cambiarla?

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.

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.

L’economia dei prediction markets

Elezioni, recessioni, decisioni delle banche centrali, risultati sportivi. Possiamo utilizzare un mercato per prevedere cosa accadrà?

L’idea alla base dei prediction markets, o mercati previsionali, è semplice e affascinante: aggregare le informazioni disperse tra molte persone attraverso un sistema di prezzi.

Come funziona un mercato previsionale?

Immaginiamo di voler prevedere se la Banca Centrale Europea ridurrà i tassi di interesse entro la fine dell’anno.

Potremmo chiedere a un gruppo di economisti, consultare le previsioni degli analisti oppure realizzare un sondaggio.

Esiste però un’altra possibilità: creare un mercato nel quale le persone possano acquistare e vendere contratti il cui valore dipende dal verificarsi dell’evento.

Supponiamo che un contratto paghi 1 euro se la BCE riduce i tassi entro una determinata data e zero altrimenti.

Se il contratto viene scambiato a 70 centesimi, il mercato sta attribuendo all’evento una probabilità implicita del 70%.

Chi ritiene che la probabilità sia superiore al 70% potrebbe trovare conveniente acquistare il contratto. Chi ritiene che sia inferiore potrebbe preferire venderlo.

Attraverso gli scambi, le informazioni e le aspettative dei partecipanti contribuiscono alla formazione di un prezzo.

Perché un mercato dovrebbe prevedere meglio di un esperto?

L’idea ha radici profonde nella teoria economica.

Nel 1945, Friedrich Hayek pubblica “The Use of Knowledge in Society”, uno degli articoli più influenti della storia dell’economia.

Hayek osserva che le informazioni rilevanti per prendere decisioni economiche sono disperse tra milioni di individui. Nessuna autorità centrale può conoscerle tutte.

Il sistema dei prezzi permette di utilizzare queste informazioni senza che debbano essere raccolte e comunicate esplicitamente.

I prediction markets applicano un principio simile alle previsioni.

Ogni partecipante può possedere informazioni differenti: dati economici, conoscenze specifiche, esperienza professionale oppure semplicemente un’interpretazione diversa delle informazioni pubbliche.

Il mercato offre un incentivo a utilizzare queste conoscenze.

Chi ritiene che il prezzo non rifletta correttamente la probabilità di un evento può assumere una posizione e, se la previsione si rivela corretta, ottenere un guadagno.

Naturalmente, il fatto che le persone rischino denaro non garantisce che abbiano ragione. Ma può incentivare una valutazione più attenta delle informazioni rispetto a una semplice dichiarazione di opinione.

Cosa dice la ricerca economica?

Uno dei lavori di riferimento è quello di Justin Wolfers ed Eric Zitzewitz, “Prediction Markets”, pubblicato nel 2004 sul Journal of Economic Perspectives.

Gli autori esaminano il funzionamento di questi mercati e mostrano come i prezzi possano sintetizzare informazioni utili sulle probabilità di eventi futuri.

Un altro contributo importante è quello di Berg, Nelson e Rietz (2008), pubblicato sull’International Journal of Forecasting, che analizza le previsioni elettorali dell’Iowa Electronic Markets.

Gli autori documentano che, nei contesti esaminati, i mercati previsionali hanno spesso prodotto previsioni competitive, e talvolta più accurate, rispetto ai sondaggi tradizionali.

I prediction markets non sono però necessariamente superiori a qualsiasi altro metodo di previsione. La loro accuratezza dipende dal tipo di evento, dalla qualità delle informazioni disponibili e dal funzionamento del mercato.

I prediction markets oggi

Negli ultimi anni questi mercati hanno acquisito una crescente visibilità grazie a piattaforme come Polymarket e Kalshi.

Queste piattaforme consentono di negoziare contratti su eventi futuri, trasformando le aspettative dei partecipanti in prezzi continuamente aggiornati.

La differenza rispetto a un sondaggio è importante.

Un sondaggio chiede alle persone cosa pensano o cosa intendono fare. Un prediction market cerca invece di misurare quanto i partecipanti ritengano probabile un determinato risultato.

Per esempio, chiedere a una persona per chi voterà non equivale a chiederle quale candidato ritenga più probabile vincitore.

Sono due informazioni differenti.

Ma possiamo davvero interpretare il prezzo come una probabilità?

Non sempre.

Se un contratto che paga 1 euro viene scambiato a 70 centesimi, è naturale interpretare il prezzo come una probabilità del 70%.

Questa interpretazione, tuttavia, richiede alcune condizioni.

I partecipanti devono poter acquistare e vendere liberamente, i costi di transazione devono essere limitati e il mercato deve essere sufficientemente liquido.

Inoltre, le preferenze per il rischio possono influenzare i prezzi.

Un contratto potrebbe essere particolarmente richiesto non soltanto perché un evento viene considerato probabile, ma anche perché offre una forma di copertura contro altri rischi.

Di conseguenza, il prezzo di mercato non coincide necessariamente con la probabilità effettiva dell’evento.

È una misura delle valutazioni aggregate dei partecipanti, influenzata anche dagli incentivi e dalle caratteristiche del mercato.

Quando i mercati possono sbagliare

I prediction markets presentano alcuni limiti importanti.

Il primo riguarda la liquidità. Se pochi individui partecipano agli scambi, i prezzi possono essere influenzati da singole operazioni e riflettere informazioni incomplete.

Il secondo riguarda la selezione dei partecipanti. Le persone che operano su questi mercati non costituiscono necessariamente un campione rappresentativo della popolazione. Questo non è di per sé un problema, perché l’obiettivo non è misurare un’opinione media, ma può diventarlo quando informazioni importanti rimangono escluse.

Il terzo riguarda la possibilità che i prezzi siano influenzati da comportamenti strategici, preferenze non legate alla previsione o tentativi di manipolazione.

Un mercato può quindi aggregare informazioni in modo efficace senza essere infallibile.

Perché sono interessanti per gli economisti?

L’aspetto più interessante dei prediction markets non è necessariamente la possibilità di prevedere il risultato di un’elezione o di una partita.

È il fatto che rappresentino un laboratorio per studiare come le informazioni vengono aggregate.

La teoria economica ci insegna che i prezzi coordinano decisioni decentralizzate. I prediction markets permettono di osservare questo meccanismo in un contesto nel quale il valore finale del contratto dipende da un evento verificabile.

Possiamo quindi confrontare le probabilità implicite nei prezzi con gli eventi effettivamente realizzati e valutare quanto siano accurate le previsioni.

Questi mercati hanno anche applicazioni interessanti all’interno delle organizzazioni.

Un’impresa potrebbe utilizzarli per prevedere le vendite di un nuovo prodotto, la probabilità di rispettare una scadenza oppure il successo di un progetto.

In questo modo, informazioni disperse tra dipendenti e reparti potrebbero emergere attraverso un meccanismo di mercato, anziché attraverso una procedura gerarchica.

La lezione economica

I prediction markets ci ricordano un’intuizione fondamentale: per produrre una buona previsione non è sempre necessario individuare la persona che conosce meglio un determinato fenomeno.

A volte può essere più efficace costruire un meccanismo capace di aggregare le informazioni possedute da molte persone.

Il valore di questi mercati non risiede quindi nella capacità di conoscere il futuro, ma nella possibilità di utilizzare informazioni disperse per formulare previsioni continuamente aggiornate.

La domanda più interessante non è se i mercati sappiano prevedere il futuro. È se possano aggregare le informazioni meglio dei metodi alternativi.

Ed è proprio questa una delle questioni centrali dell’economia: comprendere come le istituzioni e gli incentivi trasformino conoscenze individuali in risultati collettivi.

Riferimenti bibliografici

Hayek, F. A. (1945). “The Use of Knowledge in Society.” American Economic Review, 35(4), 519–530.

Wolfers, J., & Zitzewitz, E. (2004). “Prediction Markets.” Journal of Economic Perspectives, 18(2), 107–126.
https://doi.org/10.1257/0895330041371321

Berg, J. E., Nelson, F. D., & Rietz, T. A. (2008). “Prediction Market Accuracy in the Long Run.” International Journal of Forecasting, 24(2), 285–300.
https://doi.org/10.1016/j.ijforecast.2008.03.007