Dalla pianificazione alla previsione algoritmica: quale visione del futuro?
Anticipare gli eventi, immaginare un futuro diverso, modellare scenari di sviluppo, valutare i rischi, pianificare azioni, programmare flussi: tutte queste attività, dalle pratiche divinatorie ai calcoli assistiti dal computer, riflettono la stessa volontà: proiettarsi nel futuro per controllarlo meglio.
La definizione stessa di potere include questa capacità di anticipazione che permette di influenzare il corso degli eventi. Tuttavia, i concetti e gli strumenti attraverso i quali si esercita questo potere non smettono di trasformarsi nel tempo. Nel corso del XX secolo, l’economia nazionale è diventata oggetto di studio e di intervento per gli Stati, la cui legittimità è ormai legata alla loro capacità di garantire crescita e prosperità. A tal fine, gli Stati si sono dotati di autorità economiche e finanziarie, centri di ricerca specializzati e agenzie statistiche che elaborano modelli, misure e stime destinati a sostenere l’azione pubblica. Al centro di questa attività si trovano le pratiche di pianificazione e previsione.
I piani quinquennali furono introdotti nell’Unione Sovietica già alla fine degli anni ’20 per guidare l’industrializzazione e, successivamente, coordinare l’intera economia in modo presumibilmente razionale. L’economia di guerra ha contribuito a diffondere la pianificazione all’interno delle nazioni belligeranti, favorendo lo sviluppo di strumenti matematici sempre più sofisticati, supportati dalla tecnologia digitale (programmazione, ricerca operativa, ottimizzazione). In Europa, e più in particolare in Francia, la pianificazione economica ha vissuto il suo momento di gloria nei decenni del dopoguerra: il Commissariato generale al Piano era allora un’istituzione potente incaricata di garantire la ricostruzione e lo sviluppo del Paese. Tuttavia, l’istituzione del Piano, con la sua visione specifica del progresso sociale e la sua riluttanza nei confronti dei metodi algoritmici, è entrata in crisi negli anni ’70. In compenso, in Francia si afferma un movimento di prospettiva, che consiste nell’elaborare scenari di sviluppo, piuttosto che un piano indicativo, all’attenzione dei decisori politici. A differenza dei piani, che tendono a inquadrare l’azione attraverso parametri precisi, la prospettiva propone una riflessione strategica sui futuri possibili.
https://www.asterios.it/catalogo/dieci-brevi-lezioni-di-critica-delleconomia-politica
L’attuale boom dell’intelligenza artificiale (IA) all’interno della pubblica amministrazione, in Francia, in Europa e altrove, incoraggia l’introduzione di strumenti di supporto decisionale che ricorrono alla «predizione algoritmica». Senza sostituirli completamente, questi strumenti si stanno affermando, senza troppo clamore, come potenti strumenti per orientare l’azione sia pubblica che privata, imponendole una logica specifica che è opportuno chiarire. Quali cambiamenti radicali rappresenta la previsione algoritmica rispetto alle tecniche di pianificazione e previsione emerse prima dell’IA e dei big data?
La previsione algoritmica
La previsione algoritmica si basa su modelli informatici che consentono di individuare, a partire da dati storici e in tempo reale, tendenze (pattern) e anomalie nei comportamenti e in altri fenomeni osservabili. Il suo obiettivo non è tanto descrivere il mondo quanto orientare, o addirittura automatizzare, il processo decisionale.
La previsione algoritmica si è sviluppata a partire dagli anni 2000, inizialmente nel settore finanziario, al fine di migliorare il processo decisionale degli investitori privati. Il crescente utilizzo di algoritmi di trading ha favorito l’automazione del processo di investimento, in cui le decisioni vengono prese ed eseguite da sistemi informatici autonomi. Questa tendenza ha dato origine al trading ad alta frequenza (HFT), la forma più avanzata di questa logica. Le transazioni vengono eseguite in millisecondi o addirittura in microsecondi, senza alcun intervento umano, consentendo così di sfruttare opportunità minime. Da diversi anni, l’uso dei sistemi di intelligenza artificiale si è generalizzato per prevedere i prezzi a brevissimo termine, ottimizzare l’esecuzione degli ordini, individuare anomalie di mercato, analizzare le notizie e i social media al fine di cogliere il sentiment degli investitori e adeguare automaticamente i prezzi di acquisto e di vendita.
Altri esempi emblematici dell’uso della previsione algoritmica includono già il scoring creditizio (previsione del rischio di insolvenza dei mutuatari) o l’individuazione delle frodi (identificazione in tempo reale delle transazioni bancarie fraudolente). I sistemi algoritmici predittivi si stanno diffondendo in numerosi settori, quali assicurazioni, fiscalità, assistenza sociale, sanità, giustizia, istruzione, marketing, ecc., sollevando numerose questioni di natura etica, di equità, di sicurezza, di regolamentazione e di rispetto dei diritti.
https://www.asterios.it/catalogo/la-genealogia-della-governance
Nel campo della governance economica, la previsione algoritmica sta facendo il suo ingresso con il moltiplicarsi di esperimenti volti a stimare, in tempo quasi reale (nowcasting), i principali indicatori macroeconomici, quali il PIL, il tasso di disoccupazione o l’inflazione, a modellare la sostenibilità e l’evoluzione del debito pubblico, o ancora a implementare sistemi di allerta precoce per le recessioni e i rischi di insolvenza. I grandi modelli linguistici (LLM) vengono persino testati per produrre proiezioni macroeconomiche, in sostituzione degli esperti umani. Sostenuti dalla proliferazione dei dati e da una potenza di calcolo sempre maggiore, questi metodi sono recentemente diventati una delle priorità per il nuovo direttore della Fed statunitense. Sono inoltre sviluppati e testati da varie autorità europee e francesi.
Questo passaggio – dalla pianificazione e dalla previsione alla predizione – è tutt’altro che irrilevante. Esso riflette un cambiamento fondamentale nei modi di comprendere l’economia, ma anche nella visione del ruolo e delle modalità di azione dello Stato, sempre più concepito come un insieme di regolatori quasi automatici. Come la pianificazione e la previsione che l’hanno preceduta, la predizione algoritmica pone il controllo del futuro al centro del proprio progetto, trasponendolo al contempo in un quadro intellettuale e tecnico nuovo. Questo paradigma si distingue dalla pianificazione e dalla previsione economica tradizionali per almeno tre trasformazioni fondamentali, che riguardano la temporalità, la centralità dei dati (datificazione) e la prospettiva comportamentale.
Temporalità: dal lungo periodo al tempo reale
Mentre la pianificazione e la prospettiva economica (forecasting) del XX secolo avevano generalmente come orizzonte un lungo periodo (piani quinquennali, scenari da dieci a trent’anni), la predizione algoritmica mira a osservare gli indicatori economici in tempo reale per consentire un monitoraggio e adeguamenti istantanei. Se le previsioni periodiche o i piani venivano rivisti ogni anno, la previsione algoritmica consentirebbe una correzione continua «man mano che gli eventi si verificano». La pianificazione sovietica, ad esempio, utilizzava bilanci materiali che presentavano notevoli scostamenti tra i compiti prescritti e i risultati effettivi. Le tecniche di previsione algoritmica consentirebbero, al contrario, un adeguamento «in tempo reale» grazie alla connettività permanente.
Le pratiche di nowcasting (previsione a brevissimo termine) del PIL, ad esempio, ne sono un esempio emblematico. Esse mirano a valutare l’attività macroeconomica ad alta frequenza al fine di adeguare le politiche monetarie o di bilancio. A integrazione dei dati macroeconomici tradizionali, che presentano il «difetto» di essere annuali, trimestrali o, nel migliore dei casi, mensili, questi nuovi metodi integrano fonti di dati alternative aggiornate quotidianamente, se non addirittura ogni ora, quali le quotazioni di borsa, i Google Trends (ricerche relative al commercio online, alla vendita a distanza, ai consumi, ecc.), i dati sulla mobilità e persino le immagini satellitari, al fine di stimare l’attività economica in modo continuo.
Sebbene la maggiore efficacia di questi modelli rispetto ai metodi più tradizionali sia talvolta contestata, essi registrano una domanda crescente grazie alla promessa di rendere i decisori più «efficienti» e più «agili», nonché di ridurre i tempi di reazione. Tale reattività viene tuttavia raggiunta a rischio di restringere radicalmente l’orizzonte d’azione: il nowcasting non si basa né su una prospettiva strategica né su una visione qualitativa del futuro, ma consiste nel proiettare le tendenze osservate verso un futuro immediato.
Dall’econometria al machine learning: la «scatola nera predittiva»
Dopo la seconda guerra mondiale, i metodi di pianificazione, sia nei paesi socialisti che in quelli capitalisti, hanno cercato di integrare pratiche di modellizzazione matematica e altri metodi quantitativi al fine di raggiungere una maggiore «oggettività» e «precisione». Questa ambizione era già stata criticata all’epoca da ricercatori e burocrati più sensibili alla diversità dei contesti, delle conoscenze e dei valori. La «predizione algoritmica» si inserisce nella continuità di queste precedenti pratiche di quantificazione, esacerbando le tensioni da esse generate. Tuttavia, il machine learning non è «solo un altro metodo econometrico».
L’econometria classica si basa su modelli che mirano a stabilire una relazione di dipendenza tra le variabili. La previsione algoritmica, invece, implica il ricorso a metodi di apprendimento automatico in grado di elaborare insiemi di dati contenenti centinaia, se non migliaia, di variabili al fine di identificarvi regolarità e relazioni nascoste che non sono previste dai modelli teorici. Tuttavia, questa capacità di gestire grandi insiemi di dati complessi nasconde un paradosso fondamentale: man mano che aumenta la potenza predittiva dei modelli (reti neurali, insiemi di alberi complessi), la loro trasparenza diminuisce. In altre parole, a differenza dei coefficienti spiegabili della regressione lineare, i modelli di apprendimento automatico sono delle «scatole nere» difficili da interpretare (sull’opacità epistemica dell’IA, si veda, ad esempio, questo articolo).
L’apprendimento automatico offre quindi una grande precisione predittiva, senza tuttavia interessarsi alle relazioni causali né alle argomentazioni teoriche o normative che potrebbero alimentare un dibattito di fondo sulla politica economica, e tanto meno un progetto di riforma sociale.
Focus comportamentale
Le tecniche di previsione algoritmica proiettano o simulano comportamenti futuri a partire da dati massivi derivanti dalle tracce dei comportamenti passati. I sistemi di raccomandazione online, supportati dall’IA, illustrano bene questo focus comportamentale che mira a orientare i comportamenti di consumo, ad esempio, sulla base delle scelte precedenti. Nel campo della governance economica, il comportamentismo della previsione algoritmica sta inoltre trasformando i metodi: invece di basarsi su una norma quantificata, uno standard, una regola o un obiettivo fissato in anticipo, i sistemi di IA dovrebbero orientare le decisioni in funzione dei pattern comportamentali rilevati da un algoritmo.
Ad esempio, a differenza dei sistemi convenzionali basati su soglie predefinite (attivare un allarme se un bonifico bancario supera i 10.000 euro), i modelli predittivi apprendono il profilo comportamentale di ciascun cliente o istituzione sulla base della sua cronologia delle transazioni, per poi individuare le deviazioni rispetto a tale «norma». L’utilizzo di questi modelli apre inoltre la strada a una regolamentazione algoritmica, in cui le autorità di vigilanza ricorrono all’IA per monitorare i comportamenti degli attori e delle istituzioni regolamentate in modo sempre più automatizzato, il che accompagna la crescente automazione dei mercati.
Questo cambiamento di prospettiva e di metodo riflette un’evoluzione all’interno delle scienze economiche. Dall’economia politica del XVIII e XIX secolo, che proponeva grandi teorie sociali per spiegare la produzione e la distribuzione della ricchezza, passando per la visione neoclassica dell’economia come scienza dell’allocazione delle risorse scarse, oggi essa sta subendo una trasformazione radicale per diventare una vera e propria scienza comportamentale. Questa nuova economia non si limita più ad analizzare scelte razionali sulla base di modelli teorici astratti. Prevede i comportamenti individuali e collettivi a partire da dati massivi e influenza questi stessi comportamenti sfruttando i pattern identificati in tali dati. Questa rivoluzione segna così il passaggio da un’economia normativa e teorica a un’economia predittiva, operativa e interventista, che diventa al tempo stesso uno strumento di conoscenza e una leva d’azione sui comportamenti umani.
Padroneggiare il futuro grazie all’IA?
L’intelligenza artificiale è oggi spesso considerata lo strumento per eccellenza della previsione algoritmica. Secondo una convinzione (o forse un’illusione?) ampiamente diffusa nella Silicon Valley e oltre, l’IA dovrebbe fornire un «potere predittivo sul mondo», conferendo così una capacità di controllo senza precedenti. Questi discorsi promozionali nascondono, tuttavia, le asimmetrie di potere generate o amplificate da questi strumenti, in particolare tra i produttori di sistemi di IA, i funzionari pubblici che li utilizzano – ma per i quali il loro funzionamento rimane oscuro – e i loro destinatari, che rischiano di essere esclusi da questa dinamica. Le decisioni supportate da questi modelli predittivi, che funzionano come «scatole nere», sfuggono quindi più facilmente alla critica e al controllo democratico.
Il «controllo del futuro» promesso dall’IA dipenderebbe quindi da una continua ottimizzazione basata sui dati, piuttosto che da una deliberazione democratica sui valori da difendere o sui bisogni da soddisfare.
Tuttavia, critiche teoriche, nonché attriti infrastrutturali e operativi, limitano il cammino verso queste utopie di ottimizzazione senza limiti. Il termine stesso di «previsione» sarebbe forse fuorviante? Gli algoritmi dell’IA non «prevedono» il futuro. Ottimizzano funzioni oggettive basate su osservazioni passate, senza cercare di comprendere i meccanismi causali sottostanti. Questi modelli eccellono quindi nel proiettare tendenze a breve termine a partire da dati storici, ma falliscono sistematicamente nell’anticipare le fratture profonde. Un modello addestrato sui dati di mercato precedenti al 2008 non avrebbe potuto prevedere la crisi finanziaria, né un algoritmo di raccomandazione potrebbe anticipare l’emergere di una nuova norma culturale. L’innovazione, per definizione orientata al futuro e fondamentalmente aleatoria, è mal servita da questa logica retroattiva. Conservativa «per natura», la previsione algoritmica comporta anche il rischio di una standardizzazione delle decisioni e di un radicale restringimento dell’immaginario politico e dell’orizzonte d’azione, ridotti al semplice monitoraggio delle tendenze in atto.
Queste tensioni e critiche dimostrano che la rivoluzione della previsione algoritmica, per quanto potente, rimane limitata, contestabile e politicamente carica – ben lontana dall’utopia tecnocratica di una società interamente ottimizzabile dall’IA.
Olessia Kirtchik è una sociologa, direttrice di ricerca presso il CNRS, membro del Centre Internet et Société (CIS, CNRS).
Sfoglia i cataloghi completi di Asterios, ogni nostro testo ha delle pagine gratuite da leggere: Asterios Editore.
Sfoglia la collana di libri di ACrO-Polis: Libri su Carta.
Da leggere ancora ⇓