1. In che misura la conoscenza tacita e i processi impliciti sono centrali e insuperabili nella formazione della competenza esperta, oppure possono essere resi espliciti, formalizzati e trasferiti tramite regole e modelli?
2. Qual è il ruolo dell’intuizione, delle emozioni e dei processi automatici nelle decisioni e nelle prestazioni degli esperti rispetto alla conoscenza dichiarativa e alle regole esplicite?
3. In che modo è possibile trasmettere, insegnare e valutare le competenze esperte: attraverso pratiche situate e mentoring oppure tramite formalizzazione, analisi e modelli computazionali?

---

La questione di come si formi, si trasmetta e si valuti la competenza esperta è diventata centrale non solo nelle scienze cognitive e nell’educazione, ma anche nelle organizzazioni, nella formazione professionale e nello sviluppo dell’intelligenza artificiale. Le domande su quanto la conoscenza tacita e i processi impliciti siano insuperabili nella formazione dell’expertise, sul ruolo dell’intuizione e delle emozioni nelle decisioni degli esperti, e sulle modalità più efficaci per insegnare e valutare le competenze, sono oggi al centro di un acceso dibattito interdisciplinare. È davvero possibile rendere esplicito e trasferibile tutto ciò che un esperto sa e sa fare? Oppure esiste una dimensione irriducibile dell’esperienza, che sfugge a ogni tentativo di formalizzazione? E ancora: quali sono i limiti e le potenzialità delle pratiche situate e del mentoring rispetto ai modelli computazionali e alle tecniche di analisi sistematica?

Per affrontare queste domande è necessario ripercorrere le principali tappe del dibattito scientifico e filosofico, analizzando i contributi di autori che hanno segnato la riflessione sulla natura della conoscenza, dell’apprendimento e dell’expertise.

La centralità della conoscenza tacita e dei processi impliciti

Uno dei punti di partenza imprescindibili per comprendere la natura della competenza esperta è il concetto di conoscenza tacita, sviluppato da Michael Polanyi negli anni Sessanta. Polanyi sosteneva che una parte fondamentale del sapere umano non può essere completamente formalizzata o espressa a parole: “noi sappiamo più di quanto possiamo dire”. Molte competenze, come andare in bicicletta, riconoscere un volto familiare o diagnosticare una malattia a colpo d’occhio, sono acquisite attraverso la pratica e l’esperienza diretta, e non possono essere trasmesse solo tramite istruzioni verbali o formule. La conoscenza tacita è incorporata nei gesti, nelle percezioni e nelle abitudini, e guida le nostre azioni anche senza che ne siamo pienamente consapevoli. Polanyi si oppose così al riduzionismo del positivismo logico, che identificava la conoscenza solo con ciò che può essere dichiarato e verificato pubblicamente, sottolineando invece il ruolo della soggettività, dell’intuizione e della creatività nella scienza e nella vita quotidiana.

Questa prospettiva ha trovato ulteriore sviluppo nelle ricerche di Hubert Dreyfus, che negli anni Settanta e Ottanta si oppose al cognitivismo classico e all’intelligenza artificiale simbolica, secondo cui tutte le competenze umane potevano essere descritte come manipolazione di simboli secondo regole esplicite, e quindi riprodotte da computer. Dreyfus, ispirandosi alla fenomenologia di Heidegger e Merleau-Ponty, sostenne che l’expertise umana si basa su pratiche corporee, intuizioni e capacità di adattamento al contesto, che non possono essere ridotte a regole fisse. Nel suo celebre “Dreyfus model of skill acquisition”, descrisse l’apprendimento di una competenza come un percorso che va dal principiante, che segue regole rigide, all’esperto, che agisce in modo fluido e intuitivo, senza bisogno di riflettere consapevolmente su ogni scelta. Ad esempio, un principiante alla guida di un’auto deve pensare a ogni azione, mentre un guidatore esperto reagisce automaticamente alle situazioni, adattandosi all’ambiente senza seguire istruzioni esplicite. Dreyfus mostrò così i limiti dei modelli simbolici e l’importanza dell’incarnazione e dell’esperienza diretta.

Il ruolo dell’intuizione, delle emozioni e dei processi automatici

Un altro filone di ricerca fondamentale per comprendere la natura della competenza esperta riguarda il ruolo dell’intuizione, delle emozioni e dei processi automatici nelle decisioni e nelle prestazioni degli esperti. Daniel Kahneman e Amos Tversky rivoluzionarono la psicologia dei processi decisionali introducendo la distinzione tra due sistemi di pensiero: il Sistema 1, veloce, automatico e intuitivo, e il Sistema 2, lento, riflessivo e analitico. Molte delle nostre decisioni quotidiane sono guidate dal Sistema 1, che utilizza scorciatoie mentali (euristiche) per risolvere rapidamente i problemi, ma può portare a errori sistematici (bias cognitivi). Ad esempio, la “euristica della disponibilità” ci porta a sovrastimare la probabilità di eventi che ricordiamo facilmente, come incidenti aerei, anche se sono rari. Kahneman e Tversky svilupparono anche la “prospect theory”, che descrive come le persone valutano le scelte in condizioni di rischio: tendiamo a essere più sensibili alle perdite che ai guadagni equivalenti (avversione alla perdita), e il modo in cui un problema è presentato (“framing”) influenza profondamente le nostre decisioni. Queste scoperte hanno mostrato che la razionalità umana è limitata e spesso influenzata da fattori emotivi e inconsci, anticipando molte ricerche successive sulle euristiche e sui bias.

Antonio Damasio, neuroscienziato, ha ulteriormente approfondito il ruolo delle emozioni nei processi decisionali, superando la tradizionale separazione tra mente e corpo. Con la “somatic marker hypothesis”, Damasio ha mostrato che le emozioni e i segnali corporei (marker somatici) sono fondamentali per guidare le scelte, soprattutto in situazioni complesse e incerte. Quando dobbiamo prendere una decisione, il cervello associa automaticamente certe opzioni a sensazioni corporee piacevoli o spiacevoli, che ci aiutano a valutare rapidamente i rischi e i benefici. Ad esempio, una persona che ha subito un danno cerebrale alle aree che regolano le emozioni può perdere la capacità di prendere decisioni efficaci, anche se il suo ragionamento logico rimane intatto. Damasio ha così influenzato la filosofia della mente e la psicologia, mostrando che la razionalità umana è profondamente radicata nei processi corporei ed emotivi.

Nel campo delle neuroscienze, Gerald Edelman ha contribuito agli studi sulla coscienza, l’apprendimento implicito e la plasticità cerebrale, proponendo la “teoria della selezione dei gruppi neuronali” (Neural Darwinism). Secondo Edelman, il cervello non funziona come un computer programmato con regole fisse, ma come un sistema dinamico e adattivo, in cui i circuiti neuronali si sviluppano e si modificano attraverso processi di selezione simili a quelli dell’evoluzione biologica. Durante lo sviluppo e l’apprendimento, gruppi di neuroni che si attivano in modo efficace vengono rafforzati, mentre altri vengono eliminati o riorganizzati. Questo spiega la straordinaria flessibilità e capacità di adattamento del cervello umano, e il fatto che molte competenze vengano acquisite implicitamente, senza istruzioni esplicite. Ad esempio, imparare a parlare o a camminare avviene attraverso l’esplorazione e la selezione di schemi di comportamento efficaci, più che tramite l’applicazione di regole predefinite.

Il passaggio dalla conoscenza tacita a quella esplicita: il caso delle organizzazioni

Un aspetto cruciale del dibattito riguarda la possibilità di trasformare la conoscenza tacita in conoscenza esplicita e di trasmetterla efficacemente all’interno di gruppi e organizzazioni. Ikujiro Nonaka e Hirotaka Takeuchi hanno sviluppato la teoria della “spirale della conoscenza”, analizzando come nelle organizzazioni avvenga il passaggio dalla conoscenza tacita (personale, esperienziale) a quella esplicita (formalizzata, condivisa). Secondo il loro modello, l’innovazione e l’apprendimento collettivo si basano su un ciclo continuo di trasformazione della conoscenza, articolato in quattro fasi: socializzazione (condivisione di esperienze e saperi taciti), esternalizzazione (trasformazione della conoscenza tacita in concetti espliciti), combinazione (integrazione di conoscenze esplicite diverse) e internalizzazione (assimilazione della conoscenza esplicita nella pratica personale). Ad esempio, in un’azienda giapponese, un operaio esperto può trasmettere le sue abilità a un collega attraverso l’osservazione e l’apprendimento pratico (socializzazione); successivamente, queste competenze possono essere formalizzate in manuali o procedure (esternalizzazione), integrate con altre conoscenze (combinazione) e infine apprese da nuovi dipendenti attraverso la pratica (internalizzazione). Questo modello riflette la valorizzazione dell’esperienza pratica e dell’apprendimento collettivo tipici della cultura organizzativa giapponese.

La difficoltà di esplicitare le competenze esperte

Le ricerche empiriche, in particolare nell’ambito delle expertise ad alta pressione come il trading, la chirurgia o la guida sportiva, hanno confermato che gli esperti spesso non sono in grado di spiegare pienamente le proprie decisioni. Gary Klein, studiando il decision making in ambienti ad alta pressione, ha sviluppato il “Recognition-Primed Decision Model” (RPD). Secondo Klein, gli esperti in situazioni critiche non analizzano tutte le opzioni possibili, ma riconoscono rapidamente schemi familiari sulla base dell’esperienza, e scelgono la prima soluzione plausibile che viene loro in mente. Questo processo si basa su pattern riconosciuti inconsciamente, che permettono di agire con rapidità ed efficacia anche in condizioni di incertezza e stress. Ad esempio, un comandante dei vigili del fuoco può percepire che una situazione sta diventando pericolosa non per un ragionamento esplicito, ma perché “sente” che qualcosa non va, sulla base di segnali sottili colti grazie all’esperienza. Il modello di Klein ha influenzato la formazione professionale, sottolineando l’importanza dell’intuizione esperta e dell’apprendimento sul campo.

Metodologie come il “cognitive task analysis” cercano di estrarre parte di questa conoscenza, ma una quota resta incorporata nell’esperienza e difficilmente trasferibile. Lo stato attuale dell’arte riconosce che la competenza esperta è una miscela di conoscenza dichiarativa (esplicita) e tacita (implicita), e che la trasmissione delle abilità non può avvenire solo tramite spiegazioni verbali o regole, ma richiede pratiche di apprendimento situato, mentoring, osservazione e ripetizione. La discrepanza tra ciò che un esperto fa e ciò che sa o dice di fare è ampiamente documentata, e rappresenta una sfida per la formazione, la valutazione delle competenze e la progettazione di sistemi intelligenti.

Le posizioni critiche: la formalizzazione della competenza esperta

Non tutti gli studiosi, tuttavia, hanno accettato l’idea che la conoscenza tacita e i processi impliciti siano centrali e insuperabili nella competenza esperta. Nella tradizione del cognitivismo classico, Allen Newell e Herbert Simon hanno promosso una visione della mente come sistema di elaborazione simbolica, sostenendo che anche le competenze complesse possono essere descritte in termini di regole esplicite e algoritmi. Secondo questa prospettiva, l’esperienza esperta può essere formalizzata e trasferita tramite modelli computazionali, e l’ignoranza dei processi mentali sarebbe più una limitazione temporanea della ricerca che una caratteristica strutturale della mente umana.

Simon sviluppò anche il concetto di “razionalità limitata” (bounded rationality): gli esseri umani, a causa dei limiti cognitivi e delle informazioni disponibili, non possono ottimizzare sempre le loro decisioni, ma si accontentano di soluzioni “sufficientemente buone” (satisficing). Ad esempio, quando scegliamo un prodotto da acquistare, non valutiamo tutte le alternative possibili, ma ci fermiamo alla prima che soddisfa i nostri criteri minimi. Newell e Simon svilupparono modelli computazionali della risoluzione dei problemi, come il General Problem Solver, che cercava di formalizzare i processi mentali in sequenze di operazioni logiche. Il loro approccio ha avuto un’enorme influenza sulla psicologia cognitiva, sull’intelligenza artificiale e sulla progettazione di sistemi esperti.

Nel dibattito sull’intelligenza artificiale, Marvin Minsky e la scuola del “Society of Mind” hanno sostenuto che ciò che appare come intuizione o conoscenza tacita può essere scomposto in microprocessi cognitivi espliciti, anche se complessi. Minsky sosteneva che anche i processi apparentemente misteriosi, come l’intuizione o la creatività, possono essere scomposti in microprocessi cognitivi espliciti, ciascuno dei quali può essere simulato da un programma informatico. Ad esempio, riconoscere un volto può richiedere l’attivazione di diversi agenti: uno per rilevare i contorni, uno per identificare le caratteristiche principali, uno per confrontare con la memoria, e così via. La teoria di Minsky ha influenzato lo sviluppo dell’IA simbolica e la comprensione della mente come sistema modulare e distribuito.

John Anderson, con la teoria ACT-R (Adaptive Control of Thought—Rational), ha cercato di modellare sia la conoscenza dichiarativa sia quella procedurale in termini di regole e reti di produzione, suggerendo che l’apprendimento implicito possa essere reso esplicito attraverso l’analisi e la formalizzazione. Secondo ACT-R, la mente è composta da moduli specializzati che interagiscono tra loro secondo regole precise, e i processi cognitivi possono essere simulati tramite programmi informatici. Ad esempio, risolvere un problema di matematica richiede sia la conoscenza delle regole (conoscenza dichiarativa) sia la capacità di applicarle in modo fluido (conoscenza procedurale). ACT-R è stato utilizzato per modellare una vasta gamma di compiti cognitivi, dalla memoria al linguaggio, dalla percezione all’apprendimento, e ha contribuito a integrare la psicologia cognitiva con le neuroscienze e l’informatica.

Nel contesto storico degli anni ’60-’80, il cognitivismo e l’intelligenza artificiale simbolica dominavano la scena, promuovendo l’idea che la mente fosse assimilabile a un computer programmabile. Solo successivamente, con la crisi del paradigma simbolico e l’emergere delle neuroscienze e del connessionismo, si è rivalutata l’importanza dei processi non espliciti e distribuiti.

Gilbert Ryle, filosofo britannico, fu un critico del dualismo cartesiano, che separava nettamente la mente dal corpo. Nel suo libro “The Concept of Mind”, Ryle introdusse la distinzione tra sapere “come” (know-how) e sapere “che” (know-that): il primo riguarda le abilità pratiche e le disposizioni all’azione, il secondo le conoscenze teoriche e dichiarative. Ryle sostenne che molte competenze pratiche non sono il risultato di processi mentali misteriosi, ma di disposizioni osservabili nel comportamento. Ad esempio, saper andare in bicicletta non implica necessariamente la conoscenza di leggi fisiche o regole esplicite, ma si manifesta nella capacità di mantenere l’equilibrio e di reagire alle situazioni. Ryle si oppose così all’idea che la mente sia una “scatola nera” in cui avvengono processi invisibili, proponendo invece una concezione più empirica e comportamentale delle competenze.

Le teorie dell’apprendimento e la formalizzazione delle competenze

Nel campo della formazione, autori come David Merrill e Robert Gagné hanno sviluppato modelli di istruzione che puntano a rendere esplicite le fasi dell’apprendimento, minimizzando il ruolo dell’ineffabile. Gagné propose una gerarchia di tipi di apprendimento, dalle abilità più semplici (come il riconoscimento di stimoli) alle più complesse (come la risoluzione di problemi), e identificò nove “eventi dell’istruzione” che facilitano l’apprendimento efficace: attirare l’attenzione, informare sugli obiettivi, richiamare conoscenze pregresse, presentare il materiale, fornire guida, stimolare la performance, fornire feedback, valutare la performance e favorire la ritenzione e il trasferimento. Merrill sviluppò i “First Principles of Instruction”, principi fondamentali che rendono l’insegnamento efficace: il coinvolgimento attivo degli studenti, la presentazione di problemi autentici, la progressiva complessità dei compiti, il supporto e il feedback continuo. Questi modelli hanno influenzato la progettazione di corsi, manuali e piattaforme di e-learning, puntando a rendere esplicite le fasi e i processi dell’istruzione per migliorarne l’efficacia e la replicabilità. Ad esempio, un corso online ben progettato segue le fasi indicate da Gagné, assicurando che lo studente sia guidato passo dopo passo dall’introduzione di nuovi concetti alla loro applicazione pratica.

La complessità della trasmissione e valutazione della competenza esperta

Oggi, lo stato dell’arte riconosce la complessità della questione: sebbene la conoscenza tacita e i processi impliciti siano ampiamente documentati, esistono approcci che cercano di renderli almeno parzialmente espliciti tramite tecniche di analisi, simulazione e modellizzazione. L’intelligenza artificiale contemporanea, soprattutto con il deep learning, mostra che anche i sistemi non simbolici possono acquisire competenze senza esplicitazione, ma la trasparenza e la spiegazione restano sfide aperte. La formazione e la trasmissione delle competenze continuano a oscillare tra la valorizzazione dell’esperienza pratica e il tentativo di formalizzare e standardizzare il sapere.

In ambito organizzativo, la teoria della spirale della conoscenza di Nonaka e Takeuchi ha mostrato che la trasmissione delle competenze esperte richiede un equilibrio tra pratiche situate, mentoring e formalizzazione. L’apprendimento situato, che si realizza attraverso l’osservazione, la partecipazione e la ripetizione, è fondamentale per l’acquisizione delle abilità pratiche e per l’incorporazione della conoscenza tacita. Tuttavia, la formalizzazione e la standardizzazione dei processi sono indispensabili per garantire la trasferibilità e la replicabilità delle competenze, soprattutto in contesti complessi e ad alta specializzazione.

Le ricerche empiriche confermano che, in settori come la chirurgia, il trading finanziario o la guida sportiva, la formazione degli esperti avviene spesso attraverso un lungo periodo di apprendimento sul campo, affiancamento a mentori esperti, pratica deliberata e feedback continuo. Tuttavia, la valutazione delle competenze esperte rimane una sfida aperta: mentre le conoscenze dichiarative possono essere facilmente testate attraverso esami e quiz, le abilità pratiche e intuitive richiedono strumenti di valutazione più sofisticati, come l’osservazione diretta, le simulazioni e l’analisi delle performance in situazioni reali.

La sfida dell’intelligenza artificiale e la questione della spiegabilità

L’intelligenza artificiale contemporanea, soprattutto nelle sue forme più avanzate come il deep learning, ha riacceso il dibattito sulla natura della competenza e sulla possibilità di formalizzare i processi impliciti. I sistemi di deep learning sono in grado di apprendere pattern complessi dai dati senza che le regole siano esplicitamente programmate, mostrando prestazioni sorprendenti in compiti come il riconoscimento di immagini, la traduzione automatica o la diagnosi medica. Tuttavia, questi sistemi sono spesso “scatole nere”, difficili da interpretare e spiegare, e la questione della trasparenza e della spiegabilità delle decisioni rimane uno dei principali limiti all’adozione dell’IA in ambiti critici.

La ricerca attuale si muove quindi su un doppio binario: da un lato, si cerca di sviluppare tecniche di “explainable AI” che rendano più trasparenti i processi decisionali delle macchine; dall’altro, si studiano le modalità con cui gli esseri umani acquisiscono, trasmettono e valutano le competenze, nel tentativo di integrare le migliori pratiche dell’apprendimento umano con le potenzialità delle nuove tecnologie.

Conclusioni e questioni aperte

Il dibattito sulla natura della competenza esperta, sulla centralità della conoscenza tacita e dei processi impliciti, e sulle modalità più efficaci per trasmettere e valutare le competenze, resta aperto e ricco di sfumature. Da un lato, le ricerche di Polanyi, Dreyfus, Kahneman, Damasio, Edelman, Nonaka, Takeuchi e Klein hanno messo in luce l’importanza dell’esperienza, dell’intuizione, delle emozioni e della corporeità nei processi cognitivi e decisionali. Dall’altro, gli approcci di Newell, Simon, Minsky, Anderson, Ryle, Merrill e Gagné hanno mostrato che è possibile, almeno in parte, formalizzare, modellare e trasferire le competenze attraverso regole, algoritmi e modelli didattici.

Rimangono tuttavia numerose questioni aperte: fino a che punto è possibile rendere esplicita la conoscenza tacita e trasferirla efficacemente tra individui e organizzazioni? Qual è il ruolo delle emozioni e dell’intuizione nelle decisioni degli esperti, e come si possono integrare queste dimensioni nei modelli formativi e nei sistemi intelligenti? In che modo le nuove tecnologie, dall’intelligenza artificiale al deep learning, possono supportare l’apprendimento e la valutazione delle competenze senza perdere di vista la complessità e la ricchezza dell’esperienza umana? E ancora: quali sono i rischi di una eccessiva formalizzazione e standardizzazione delle competenze, e come si può garantire un equilibrio tra sapere esplicito e sapere implicito, tra regole e creatività, tra routine e innovazione?

La sfida, per le scienze cognitive, la formazione, le organizzazioni e l’intelligenza artificiale, è quella di sviluppare modelli e pratiche che sappiano valorizzare sia la dimensione tacita e situata dell’expertise, sia le potenzialità della formalizzazione e della standardizzazione, in un dialogo continuo tra esperienza, teoria e tecnologia.