1. In che misura le previsioni di esperti e non esperti differiscono in termini di accuratezza, e quali sono i fattori che determinano la superiorità predittiva di alcuni individui o gruppi?
2. Quali sono i limiti intrinseci della previsione sistematica di eventi complessi e incerti, soprattutto in presenza di incertezza radicale e di eventi rari e imprevedibili?
3. In che modo dinamiche sociali, culturali, istituzionali e cognitive influenzano la qualità, l’affidabilità e l’etica delle previsioni nei processi decisionali pubblici e privati?

---

Nel mondo contemporaneo, la previsione di eventi complessi e incerti è diventata una componente cruciale dei processi decisionali, sia pubblici che privati. Governi, aziende, istituzioni finanziarie e cittadini si affidano sempre più a previsioni per orientare le proprie scelte, dalla politica internazionale alla gestione del rischio, dalla pianificazione economica alle strategie sanitarie. Tuttavia, questa crescente centralità della previsione solleva interrogativi fondamentali: quanto sono realmente affidabili le previsioni degli esperti rispetto a quelle dei non esperti? Quali sono i limiti intrinseci della previsione sistematica, specialmente di fronte a eventi rari e imprevedibili? In che modo le dinamiche sociali, culturali e cognitive influenzano la qualità, l’affidabilità e l’etica delle previsioni? Queste domande sono al centro di un dibattito interdisciplinare che coinvolge psicologia, economia, scienza politica, sociologia e filosofia della scienza, e che vede confrontarsi approcci e visioni spesso divergenti.

La crisi della previsione esperta: il contributo di Philip E. Tetlock

Uno dei contributi più influenti a questo dibattito è quello di Philip E. Tetlock, psicologo e politologo, che ha messo radicalmente in discussione la superiorità predittiva degli esperti. Nel suo libro “Expert Political Judgment” (2005), Tetlock ha presentato i risultati di uno studio ventennale in cui ha raccolto oltre 80.000 previsioni su eventi politici ed economici, formulate da circa 300 esperti. L’obiettivo era valutare empiricamente se gli esperti fossero in grado di prevedere il futuro meglio del caso. I risultati sono stati sorprendenti: nella maggior parte dei casi, le previsioni degli esperti non si sono dimostrate più accurate di quelle ottenute lanciando una moneta.

Tetlock ha inoltre distinto tra due stili cognitivi tra gli esperti: i “ricci”, che tendono a interpretare il mondo attraverso una grande teoria unificante, e le “volpi”, che adottano molteplici prospettive e sono più flessibili. Le “volpi” si sono rivelate leggermente più accurate, ma la differenza rispetto ai “ricci” era comunque modesta. Questo risultato ha messo in crisi l’idea che la specializzazione e la profondità di conoscenza garantiscano una maggiore capacità predittiva, spingendo Tetlock a cercare nuove strade per migliorare la qualità delle previsioni.

Il Good Judgment Project e la nascita dei superforecaster

Insieme a Barbara Mellers, Tetlock ha avviato il Good Judgment Project, un’iniziativa che ha coinvolto migliaia di partecipanti in tornei di previsione su eventi geopolitici, finanziati anche dalla Intelligence Advanced Research Projects Activity (IARPA). L’obiettivo era valutare sistematicamente la capacità predittiva di individui e gruppi in condizioni di elevata incertezza. Da questi tornei è emersa la figura dei “superforecaster”, individui che, grazie a particolari abilità cognitive e metodologiche, risultano sistematicamente più precisi nelle previsioni rispetto alla media.

I superforecaster si distinguono per alcune caratteristiche chiave: apertura mentale, capacità di aggiornare le proprie convinzioni di fronte a nuove informazioni, pensiero probabilistico raffinato e attitudine al lavoro di squadra. Ad esempio, un superforecaster che deve stimare la probabilità che un paese lasci l’Unione Europea entro due anni, aggiorna costantemente la propria stima man mano che emergono nuove informazioni politiche, economiche o sociali. Questo approccio dinamico e autocritico si è dimostrato superiore rispetto alla rigidità degli esperti tradizionali.

Barbara Mellers ha contribuito in modo decisivo allo sviluppo di metodologie per valutare e migliorare la precisione delle previsioni. Ha introdotto strumenti statistici come il Brier score, che misura la distanza tra la previsione e l’esito reale, e ha sperimentato tecniche di formazione cognitiva per correggere errori sistematici come l’overconfidence o il confirmation bias. Un esempio pratico è l’addestramento dei superforecaster a scomporre problemi complessi in sotto-domande più semplici e a utilizzare la “saggezza della folla”, ovvero la media delle previsioni di molti individui, che spesso risulta più accurata della previsione del singolo esperto.

La psicologia della previsione: bias cognitivi ed euristiche

Le ricerche di Tetlock e Mellers si inseriscono in un filone più ampio di studi sulla razionalità umana e sui limiti cognitivi della previsione, inaugurato da Daniel Kahneman e Amos Tversky. Questi due psicologi hanno rivoluzionato la comprensione della razionalità introducendo la teoria del prospetto (prospect theory), che descrive come le persone valutano le scelte rischiose e incerte. Secondo Kahneman e Tversky, gli individui non valutano probabilità e risultati in modo oggettivo, ma sono influenzati da bias cognitivi sistematici.

Uno dei bias più noti è l’ancoraggio, che porta le persone a basarsi troppo su una prima informazione ricevuta quando devono stimare un valore sconosciuto. Ad esempio, se si chiede a qualcuno se il prezzo di una casa sia superiore o inferiore a 500.000 euro e poi di stimare il prezzo reale, la risposta sarà influenzata dall’ancora iniziale. Un altro bias importante è la loss aversion, ovvero la tendenza a temere le perdite più di quanto si apprezzino i guadagni di pari entità, che spiega perché gli investitori sono spesso riluttanti a vendere azioni in perdita.

Tversky ha inoltre identificato l’heuristic availability (disponibilità), secondo cui le persone giudicano la probabilità di un evento in base alla facilità con cui possono ricordare esempi simili. Se si sente parlare spesso di furti in una zona, si tende a sovrastimare la probabilità di essere derubati, anche se le statistiche non lo confermano. L’heuristic representativeness (rappresentatività) porta invece a giudicare la probabilità che qualcosa appartenga a una categoria in base a quanto somiglia a un prototipo, ignorando la probabilità di base. Questi studi hanno smantellato l’idea dell’uomo razionale e hanno posto le basi per l’economia comportamentale moderna.

Il valore della competenza esperta: le posizioni di Sunstein e Posner

Non tutti gli studiosi condividono la visione radicalmente scettica di Tetlock sulla capacità predittiva degli esperti. Cass R. Sunstein e Richard A. Posner, ad esempio, hanno difeso il valore della competenza specialistica in determinati contesti. Sunstein, noto per i suoi studi su diritto, economia comportamentale e politiche pubbliche, ha sviluppato insieme a Richard Thaler la “nudge theory”, secondo cui le istituzioni possono orientare le scelte delle persone verso decisioni migliori senza imporre obblighi, ma modificando il contesto decisionale.

Sunstein sostiene che, in ambiti complessi come la sanità pubblica o la regolamentazione finanziaria, la competenza degli esperti sia fondamentale per progettare interventi efficaci e proteggere i cittadini da errori sistematici. Tuttavia, riconosce anche la necessità di trasparenza e partecipazione pubblica per evitare derive tecnocratiche.

Richard A. Posner, esponente dell’analisi economica del diritto, ritiene che la specializzazione e la conoscenza tecnica degli esperti siano indispensabili in molti ambiti decisionali, come la giustizia, la regolamentazione e la pubblica amministrazione. Secondo Posner, il diritto dovrebbe essere valutato in termini di efficienza economica, e gli esperti sono necessari per valutare le conseguenze pratiche delle decisioni. Tuttavia, anche Posner sottolinea l’importanza di un controllo democratico sulle élite esperte, per evitare il rischio di una tecnocrazia autoreferenziale.

I limiti intrinseci della previsione: la critica di Nassim Nicholas Taleb

Una delle critiche più radicali al paradigma della previsione sistematica è stata formulata da Nassim Nicholas Taleb, autore della teoria del “cigno nero”. Secondo Taleb, la storia e l’economia sono profondamente influenzate da eventi rari, imprevedibili e ad alto impatto, che sfuggono ai modelli predittivi tradizionali. Un “cigno nero” è un evento inatteso, con conseguenze estreme, che viene razionalizzato a posteriori come se fosse stato prevedibile.

Taleb sostiene che l’incertezza radicale e la complessità dei sistemi sociali rendano i modelli predittivi spesso fuorvianti. La maggior parte delle persone e delle istituzioni sottovaluta la probabilità e l’impatto degli eventi estremi, affidandosi a modelli statistici che funzionano solo in condizioni di “normalità”. Invece di cercare di prevedere il futuro, Taleb propone di adottare strategie di “antifragilità”, ovvero sistemi che non solo resistono agli shock, ma migliorano grazie all’incertezza e al disordine. Un esempio è la diversificazione degli investimenti, che permette di beneficiare di eventi imprevisti senza doverli necessariamente prevedere.

La dimensione sociale e politica della previsione: il contributo di Sheila Jasanoff

Un ulteriore filone critico proviene dalla sociologia della conoscenza e dagli Science and Technology Studies (STS), rappresentati da autori come Sheila Jasanoff. Secondo Jasanoff, i processi di previsione non sono mai puramente tecnici o neutri, ma sono influenzati da dinamiche di potere, interessi istituzionali e contesti culturali. La produzione della conoscenza è sempre inserita in relazioni sociali e politiche, che ne determinano le priorità, i metodi e la comunicazione dei risultati.

Ad esempio, nella valutazione dei rischi ambientali, le decisioni su quali dati raccogliere, quali modelli utilizzare e come comunicare i risultati sono influenzate da valori, interessi e conflitti tra scienziati, politici, cittadini e imprese. Jasanoff sostiene la necessità di democratizzare la scienza, rendendo trasparenti i processi decisionali e coinvolgendo il pubblico nella definizione delle priorità e nella valutazione delle incertezze. Questo approccio mette in discussione l’idea di una razionalità puramente tecnica o statistica, sottolineando l’importanza del contesto sociale e della partecipazione democratica.

Euristiche, razionalità limitata e previsione: la prospettiva di Gerd Gigerenzer

Gerd Gigerenzer ha sviluppato la teoria delle euristiche e della razionalità limitata, sostenendo che, in molti casi, strategie semplici e intuitive possono superare le metodologie predittive complesse. Le euristiche sono regole pratiche che permettono di prendere decisioni rapide ed efficienti in condizioni di incertezza. Un esempio è la “regola del riconoscimento”: quando si deve scegliere tra due alternative, si preferisce quella che si riconosce, perché spesso il riconoscimento è correlato a una maggiore probabilità di successo.

Gigerenzer ha criticato l’idea che la sofisticazione dei modelli porti sempre a risultati migliori, mostrando che, in ambienti complessi e incerti, le strategie semplici possono essere più robuste e adattive. Ad esempio, nella previsione del vincitore di una partita di tennis, chi conosce solo uno dei due giocatori indovina il vincitore più spesso di chi conosce entrambi, perché il riconoscimento è un buon indicatore di successo. Gigerenzer ha introdotto il concetto di “razionalità ecologica”, secondo cui la razionalità di una strategia dipende dall’ambiente in cui viene applicata. In contesti reali, dove le informazioni sono limitate e il tempo è scarso, le euristiche possono essere più efficaci dei modelli complessi.

L’evoluzione delle pratiche di previsione: piattaforme digitali, intelligenza artificiale e saggezza collettiva

Negli ultimi decenni, l’emergere di internet e delle piattaforme digitali ha favorito la sperimentazione di nuovi modelli di previsione collettiva, come i mercati predittivi e i tornei online. Questi strumenti permettono di aggregare le previsioni di un gran numero di individui, sfruttando la “saggezza della folla” per migliorare l’accuratezza complessiva. Studi successivi hanno approfondito il ruolo della collaborazione, della diversità cognitiva e dell’aggiornamento bayesiano nella qualità delle previsioni.

Parallelamente, l’intelligenza artificiale e gli algoritmi di machine learning sono sempre più utilizzati per supportare i processi predittivi, integrando le previsioni umane con quelle algoritmiche. Tuttavia, questa integrazione solleva nuove sfide, come la trasparenza degli algoritmi, il rischio di bias sistemici e la necessità di valutare criticamente le metriche di accuratezza.

Il dibattito attuale vede una crescente attenzione ai limiti epistemologici e pratici delle previsioni, alla trasparenza dei processi decisionali e alle implicazioni etiche e sociali dell’uso delle previsioni nei processi pubblici e privati. Permangono interrogativi sulla reale efficacia dei superforecaster, sull’impatto dei bias sistemici e sulla possibilità di democratizzare la produzione e l’uso delle previsioni.

Limiti e potenzialità della previsione collettiva

L’applicazione dei risultati dei tornei di previsione e delle piattaforme digitali in ambito decisionale ha mostrato che la collaborazione e la diversità cognitiva possono migliorare la qualità delle previsioni. L’aggregazione delle previsioni di molti individui, se ben progettata, può ridurre l’impatto dei bias individuali e aumentare l’accuratezza complessiva. Tuttavia, la previsione collettiva non è priva di rischi: la polarizzazione, le echo chambers e la manipolazione informativa possono compromettere la qualità delle previsioni e favorire la diffusione di errori sistemici.

La ricerca attuale si concentra sull’ottimizzazione delle piattaforme di previsione, sull’integrazione tra approcci quantitativi e qualitativi, e sulla valutazione critica delle metriche di accuratezza. L’obiettivo è sviluppare strumenti predittivi che siano non solo precisi, ma anche trasparenti, inclusivi ed eticamente sostenibili.

La questione etica e politica delle previsioni

L’uso delle previsioni nei processi decisionali pubblici e privati solleva importanti questioni etiche e politiche. Chi decide quali previsioni utilizzare? Come vengono comunicate le incertezze e i margini di errore? In che modo le previsioni influenzano la percezione del rischio e la distribuzione delle risorse? Il rischio di una tecnocrazia autoreferenziale, in cui le decisioni sono affidate a esperti o algoritmi opachi, è bilanciato dalla necessità di trasparenza, partecipazione e controllo democratico.

Sheila Jasanoff ha sottolineato l’importanza di rendere trasparenti i processi decisionali e di coinvolgere il pubblico nella definizione delle priorità e nella valutazione delle incertezze. Questo approccio mira a democratizzare la produzione della conoscenza e a garantire che le previsioni siano utilizzate in modo responsabile e inclusivo.

Sintesi delle principali posizioni e prospettive future

Il dibattito sulla previsione di eventi complessi e incerti vede confrontarsi approcci diversi e spesso in tensione tra loro. Philip E. Tetlock e Barbara Mellers hanno messo in discussione la superiorità degli esperti tradizionali, promuovendo metodi empirici e collettivi per valutare la capacità predittiva e identificando i superforecaster come modelli di eccellenza. Daniel Kahneman e Amos Tversky hanno evidenziato i limiti sistematici della mente umana, introducendo i concetti di bias cognitivi ed euristiche che influenzano la valutazione delle probabilità e la presa di decisioni in condizioni di incertezza.

Cass R. Sunstein e Richard A. Posner hanno difeso, in modi diversi, il valore della competenza esperta, pur riconoscendo la necessità di trasparenza e controllo democratico. Nassim Nicholas Taleb ha sottolineato l’importanza dell’incertezza radicale e degli eventi estremi, mettendo in guardia contro l’illusione di poter prevedere sistematicamente il futuro. Sheila Jasanoff ha evidenziato la dimensione sociale e politica della produzione della conoscenza, sostenendo la necessità di democratizzare la scienza e la previsione. Gerd Gigerenzer ha mostrato che la semplicità e l’intuizione possono essere strategie razionali e adattive in ambienti complessi e incerti, mettendo in discussione l’idea che la sofisticazione metodologica porti sempre a risultati migliori.

Queste teorie, spesso in dialogo o in contrasto tra loro, riflettono la complessità dei processi decisionali contemporanei e la necessità di integrare approcci diversi per affrontare l’incertezza e la complessità del mondo reale.

Questioni aperte e prospettive di ricerca

Nonostante i progressi compiuti nella comprensione dei meccanismi che regolano la previsione, molte questioni restano aperte. In che misura è possibile migliorare ulteriormente l’accuratezza delle previsioni attraverso la formazione, la collaborazione e l’uso di strumenti tecnologici avanzati? Quali sono i limiti insuperabili della previsione sistematica, soprattutto di fronte a eventi rari e imprevedibili? Come bilanciare il valore della competenza esperta con la necessità di trasparenza, partecipazione e controllo democratico? In che modo le dinamiche sociali, culturali e istituzionali influenzano la produzione e l’uso delle previsioni? Quali sono le implicazioni etiche dell’affidarsi a previsioni algoritmiche nei processi decisionali che riguardano la vita delle persone?

Queste domande richiedono un approccio interdisciplinare e una riflessione critica sulle pratiche e sulle teorie della previsione. Solo integrando prospettive diverse – empiriche, teoriche, tecniche, sociali ed etiche – sarà possibile sviluppare strumenti predittivi che siano non solo più accurati, ma anche più giusti, trasparenti e sostenibili.