In questo capitolo, l’«io» è quello di Thierry, restituito dalla mia scrittura. La sua parola è la fonte, il nostro dialogo dà forma al testo.

— Isis

Esiste un vecchio sogno di governo che ritorna in forme nuove a ogni rivoluzione tecnica: disporre finalmente di informazioni sufficienti per amministrare razionalmente l’intera società. Il censimento aveva già nutrito questo sogno. Poi la statistica, l’informatica, i modelli macroeconomici. In ogni epoca, la potenza del nuovo strumento dà l’impressione che un antico limite sia appena stato abolito.

L’intelligenza artificiale spinge questo desiderio molto più lontano. Può analizzare milioni di prezzi, flussi logistici, scorte, consumi energetici, dati sui trasporti, comportamenti industriali. Può simulare più scenari, rilevare penurie, prevedere tensioni. Per la prima volta, alcuni problemi di coordinamento che i pianificatori del XX secolo potevano trattare soltanto con tabelle incomplete diventano calcolabili su una scala quasi in tempo reale.

Questo non significa che l’economia pianificata abbia improvvisamente ragione contro l’economia di mercato. Sarebbe una conclusione troppo semplice. Significa che l’antica opposizione tra mercato decentrato e pianificazione centralizzata deve essere riesaminata alla luce di una nuova capacità cognitiva.

Il mercato stesso usa ormai sistemi che assomigliano a una pianificazione continua. Una grande piattaforma analizza le proprie scorte, anticipa la domanda, adegua i prezzi, ridistribuisce le risorse. Una multinazionale coordina filiere mondiali con una precisione che nessun ministero avrebbe potuto immaginare cinquant’anni fa. All’interno dell’impresa esiste già una forma di pianificazione. L’impresa non chiede a ogni servizio di organizzare un mercato interno per decidere l’uso di ogni computer o di ogni minuto di lavoro. Pianifica. All’esterno incontra il mercato.

Questa frontiera tra organizzazione e mercato è sempre stata mutevole. L’IA può spostarla ulteriormente. Se il costo del coordinamento interno diminuisce molto, alcune organizzazioni possono integrare più attività. Se gli agenti rendono quasi gratuiti i contratti esterni, possono al contrario esternalizzare di più. Diventano possibili due dinamiche opposte.

Ecco perché occorre evitare qualsiasi profezia unica.

L’economia algoritmica non annuncia automaticamente la vittoria della centralizzazione o del decentramento. Aumenta la potenza di entrambi. È forse questo l’aspetto più interessante. Un mercato potenziato dall’IA può diventare molto più reattivo. Uno Stato potenziato dall’IA può diventare molto più capace di anticipare.

La vera domanda è dunque: quale informazione deve essere coordinata da quale meccanismo?

È una domanda più sottile di mercato contro piano. Alcune risorse si prestano molto bene al mercato perché il prezzo aggrega efficacemente informazioni disperse. Altre richiedono una pianificazione di lungo termine perché la loro redditività immediata non riflette il loro valore strategico.

Una centrale elettrica,

una linea ferroviaria,

una capacità di difesa,

un’infrastruttura sanitaria.

L’IA non elimina questa distinzione. Può soltanto migliorare gli strumenti su entrambi i versanti. Vi scorgo uno degli usi politici più fecondi dell’IA. Il pericolo sarebbe credere che una migliore capacità di calcolo risolva il problema politico dell’allocazione. Non lo risolve, perché ogni allocazione presuppone un obiettivo. L’algoritmo può ottimizzare una funzione. Non decide legittimamente quale funzione debba essere ottimizzata. Ecco il cuore del capitolo.

Un’economia non ha una sola finalità.

Crescita, stabilità dei prezzi, occupazione, ambiente, sovranità, uguaglianza, innovazione, libertà.

Questi obiettivi possono entrare in conflitto. Nessuna funzione matematica può eliminare questo conflitto senza incorporare valori. Si può costruire un modello che attribuisca un peso del 40 % alla crescita, del 30 % all’occupazione, del 20 % al clima, del 10 % alla riduzione delle disuguaglianze.

Ma chi ha deciso questi pesi?

Questa scelta è politica. Il numero non la rende neutrale. Forse la nasconde meglio. Il pericolo tecnocratico sta qui: trasformare un bilanciamento di valori in un parametro e poi presentare il risultato come «ottimale».

Ottimale rispetto a che cosa?

Secondo quale ponderazione?

Questa domanda dovrebbe scattare automaticamente ogni volta che sentiamo la parola ottimizzazione. L’ottimo non esiste mai in assoluto. Esiste rispetto a una funzione obiettivo, a vincoli, a ipotesi. Ecco una verità matematica che diventa una verità politica.

Se si dimentica la funzione obiettivo, si trasforma l’algoritmo in oracolo.

Ritrovo qui Pitagora e questo fascino del numero. Forse tutto può essere rappresentato da numeri, ma questo non significa che i numeri scelgano le nostre finalità. Possono misurare il costo di un ospedale. Non dicono quanto una società voglia investire nella cura di una persona anziana. Questa decisione contiene una concezione della dignità. Non la si deduce da un’equazione.

Il fantasma dell’economia ottimizzata incontra qui il proprio limite. Una società non è un’unica impresa il cui dirigente abbia definito l’obiettivo. Contiene milioni di finalità parzialmente contraddittorie. Il consumatore vuole un prezzo basso. Il lavoratore vuole un salario elevato. L’imprenditore vuole investire. Chi abita nelle vicinanze vuole silenzio. Il cittadino vuole servizi pubblici e può desiderare meno imposte.

La politica organizza queste contraddizioni. Non le elimina.

Un’IA può mostrarci le scelte di compromesso con una precisione inedita. Non può legittimamente decidere da sola quale preferiamo. Questa distinzione deve rimanere assolutamente centrale.

Il migliore uso dell’IA nella politica economica sarebbe dunque forse rendere più visibili i compromessi. Se aumentiamo questa spesa, ecco gli scenari fiscali. Se riduciamo questo vincolo, ecco gli effetti probabili sull’ambiente. L’IA diventa una macchina che esplicita i costi nascosti. Questo può migliorare enormemente il dibattito democratico.

Ma se il governo usa il modello per dire «la scienza impone questa decisione», commette un errore concettuale. La scienza può illuminare le conseguenze. La scelta della finalità rimane politica.

Questa frontiera è fragile perché la sofisticazione tecnica impressiona. Un modello con miliardi di parametri, simulazioni, grafici può dare a una decisione un’aura di inevitabilità. È esattamente ciò che occorre rifiutare.

Più lo strumento è potente, più deve aumentare la trasparenza sulle ipotesi. È quasi una regola di proporzione.

La potenza di calcolo deve essere accompagnata da una potenza di contraddittorio. Un modello economico importante dovrebbe poter essere interrogato sulle ipotesi che determinano maggiormente i suoi risultati.

Quali parametri?

Quali sensibilità?

Che cosa accade se l’ipotesi di crescita è falsa?

Questo si ricollega alla scienza dell’errore. Una politica non dovrebbe mai essere fondata su un unico scenario quando l’incertezza è forte. L’IA può proprio generare migliaia di scenari. Usiamo questa potenza per uscire dalla falsa precisione.

È paradossale: più calcolo può insegnarci più umiltà.

Si può mostrare non «la disoccupazione sarà al 6,2 %», ma una distribuzione, delle condizioni. È infinitamente più onesto. Ma il linguaggio politico ama la cifra unica. Anche i media. Il sistema istituzionale deve dunque imparare a presentare l’incertezza. È una sfida culturale.

Lo stesso problema attraversa la guerra, la finanza, lo Stato. L’IA aumenta la nostra capacità di modellazione e dunque il rischio di confondere il modello con il mondo.

La mappa diventa più precisa, ma continua a non essere il territorio.

Questa frase deve rimanere al centro.

Un’economia algoritmica può avere un gemello digitale estremamente ricco. Flussi in tempo reale, simulazioni. Questo può essere straordinariamente utile nelle crisi. Durante una penuria energetica, lo Stato può vedere più rapidamente dove si trovino le tensioni, quali industrie siano critiche. È un progresso.

Ma il gemello digitale non contiene tutta la società. Non misura facilmente la fiducia, la stanchezza, il risentimento. Eppure queste variabili possono decidere una crisi politica. Ecco perché il buon senso rimane essenziale.

Un modello può dire che una misura è economicamente efficace e politicamente esplosiva. Ignorare il secondo livello è un errore. L’economia non è mai separata dalla psicologia collettiva. I mercati stessi sono fatti di aspettative. L’IA può analizzare il sentimento, ma questo non trasforma la società in un oggetto totalmente misurabile. Essa reagisce all’analisi.

Ancora la riflessività.

Se il governo annuncia che il suo modello prevede una penuria, i cittadini possono comprare di più e creare la penuria. La previsione modifica il sistema. Le scienze sociali si distinguono qui: l’osservatore può diventare attore. L’IA non elimina questa difficoltà. Può persino amplificarla diffondendo le previsioni più rapidamente.

Occorre dunque un’etica della previsione pubblica.

Che cosa si pubblica?

Quando?

Con quale contesto?

Nascondere un’informazione può essere antidemocratico. Pubblicare un allarme grezzo può provocare il panico. Occorre scegliere. Ancora una decisione politica. Il modello non risolve il problema della comunicazione. È una responsabilità.

Questa riflessività rende anche quasi impossibile l’idea di una pianificazione totale. Anche se lo Stato disponesse di tutti i dati attuali, gli attori modificano i propri comportamenti in funzione delle regole. Una nuova tassa crea adattamenti. Una sovvenzione modifica gli investimenti. Il sistema risponde. L’economia è viva. Non esiste un comando fisso che produca indefinitamente lo stesso risultato.

Ecco perché le buone politiche sono esse stesse adattative.

Si fissa un obiettivo, si misura, si corregge. È quasi controllo cibernetico. L’IA può migliorare enormemente questo circuito. Si possono valutare più rapidamente gli effetti reali di una politica. È potenzialmente rivoluzionario. Anziché aspettare diversi anni prima di sapere se una misura funzioni, si possono seguire determinati indicatori quasi in tempo reale.

Ma occorre evitare una gestione eccessiva. Una politica può avere effetti di lungo periodo. Se si modifica la regola ogni mese perché gli indicatori si muovono, gli attori non possono più pianificare. La stabilità normativa ha un valore.

Ancora la molteplicità dei tempi.

L’economia algoritmica può produrre la tentazione di governare come un operatore ad alta frequenza. Sarebbe pericoloso. Uno Stato non è un fondo speculativo. Deve rappresentare il tempo lungo. Questa distinzione mi sembra essenziale.

L’IA permette di vedere più rapidamente. Non deve obbligare a cambiare più rapidamente.

La capacità di osservare continuamente deve talvolta servire proprio a non intervenire. A vedere che una fluttuazione è normale. È una forma di maturità. Lo strumento diventa uno strumento di pazienza. Ancora questo paradosso dell’accelerazione trasformata in prudenza.

È un’idea che attraversa tutta questa parte: la vera potenza dell’IA non risiede necessariamente nella velocità dell’azione, ma nella quantità di analisi che si può compiere prima dell’azione. Applicata all’economia, significa simulare di più prima di una riforma. Questo potrebbe ridurre alcuni effetti perversi. Ma nessun modello può anticipare tutte le conseguenze. Il reale produce l’inatteso.

Occorre dunque preservare meccanismi di riscontro, di valutazione.

Una legge dovrebbe talvolta essere concepita come un’ipotesi verificabile. Non nei diritti fondamentali, ovviamente, ma in determinate politiche economiche. Fissare un obiettivo, prevedere una valutazione indipendente, una clausola di revisione. È una cultura sperimentale del governo. Mi sembra molto adatta all’era dell’IA.

Abbiamo molti dati che permettono di misurare. Usiamoli per apprendere. Ma questa sperimentazione deve rimanere democratica. I cittadini non sono cavie prive di diritti. Occorrono limiti, trasparenza. Ancora la distinzione tra sperimentazione politica e sperimentazione su soggetti. Il lessico conta.

L’idea è semplicemente ammettere che una politica possa sbagliare e prevederne la correzione. È esattamente l’anti-ideologia. Un governo maturo dovrebbe poter dire: pensavamo che questa misura producesse questo effetto, i dati mostrano altro, correggiamo. Questa capacità di autocorrezione è la vera intelligenza. Vale per l’IA e per la democrazia.

Un sistema incapace di riconoscere l’errore diventa dogmatico.

È una delle idee centrali di tutto il mio metodo.

Dov’è il mio blindspot?

L’economia algoritmica può aiutare lo Stato a rilevarlo, a condizione che accetti di guardare. Se i dati vengono usati soltanto per confermare la politica, diventano propaganda. Il problema non è mai soltanto lo strumento. È la cultura istituzionale.

Un regime autoritario può usare l’IA per pianificare più efficacemente alcuni settori, ma può anche soffrire di un problema classico: i dati risalgono davvero se contraddicono il potere? Una pianificazione molto sofisticata con dati falsi è peggiore di un sistema più rudimentale con informazioni oneste. È esattamente la lezione sovietica del piano, ma anche di tutte le grandi organizzazioni. Se gli attori hanno interesse a truccare gli indicatori, il centro ottimizza una finzione.

L’IA non corregge la menzogna istituzionale. Può renderla più coerente.

È una frase importante. Un’intelligenza artificiale può trattare perfettamente dati falsificati e produrre una decisione perfettamente falsa. Spazzatura in ingresso, spazzatura in uscita, ma su scala politica.

Ecco perché la libertà di stampa, la statistica indipendente, i contropoteri economici sono infrastrutture di dati. È un modo nuovo di vederli. La democrazia produce rumore, ma produce anche più fonti che permettono di confrontare le cifre ufficiali. È un vantaggio cognitivo.

Un’economia aperta possiede molti sensori indipendenti: imprese, ricercatori, media. Questo può rendere la pianificazione meno centralizzata ma la diagnosi più robusta. Lo Stato algoritmico democratico dovrebbe usare questa diversità. Non deve creare un modello unico dell’economia. Può confrontarne diversi.

Ancora il pluralismo dei modelli.

Una banca centrale può avere più scenari interni, guardare i modelli dei mercati, delle università. La divergenza diventa un’informazione. È precisamente la procedura del contraddittorio.

Perché un modello del PIL prevede il 2 % e un altro lo 0,5 %?

Quali ipotesi differiscono?

È molto più istruttivo che cercare immediatamente una media. Il disagio economico, se così posso dire. Il disaccordo è un dato. L’IA può aiutare a cartografare le ragioni della divergenza. Questo migliora il dibattito economico.

Ma occorre preservare la diversità delle istituzioni che producono i modelli. Se tutti usano gli stessi modelli di base, gli stessi dati, il pluralismo diventa superficiale. Ritroviamo la monocultura cognitiva. È un rischio reale. Se diversi ministeri, banche e imprese usano tutti lo stesso grande modello, un errore comune può propagarsi.

Ecco perché la sovranità cognitiva e la diversità tecnologica sono anche temi macroeconomici. La concorrenza tra modelli non è soltanto industriale. Protegge il sistema dall’errore sincronizzato. Questo può diventare una considerazione di stabilità.

Immaginate che tutte le grandi banche usino lo stesso agente per prevedere il rischio macroeconomico. Se questo sistema sottovaluta un fattore, tutti possono assumere la stessa posizione. Ecco il rischio sistemico che tutti assumano simultaneamente la stessa posizione. Un’economia algoritmica ha dunque bisogno di eterogeneità. È quasi controintuitivo.

L’efficacia spinge a usare il modello migliore. La resilienza può spingere a usare più modelli meno perfettamente sincronizzati.

Ancora il bilanciamento tra ottimizzazione locale e stabilità globale. Mi sembra un’invariante potente. In natura, la diversità costa talvolta in termini di efficacia immediata, ma protegge dagli shock. L’economia può seguire la stessa logica.

Le autorità di regolazione dovranno forse sorvegliare la concentrazione cognitiva. Non soltanto la concentrazione delle banche, ma la concentrazione dei sistemi che usano. È una nuova cartografia del rischio.

Ancora il grafo.

Quali modelli sono usati da quanti attori?

Quali fornitori costituiscono nodi sistemici?

È il genere di domanda che non si sarebbe posta qualche anno fa. Diventa essenziale. L’economia algoritmica rivela dunque che il software è un’infrastruttura finanziaria.

Ma torniamo alla pianificazione. Una delle promesse più forti dell’IA sarà probabilmente nella pianificazione energetica e industriale. Le filiere produttive sono talmente complesse che nessuno può seguire tutte le dipendenze. Un modello può individuare che una piccola fabbrica in un paese lontano produce un componente critico per un’intera filiera. Questo permette una politica industriale più precisa. Anziché sovvenzionare un intero settore, si possono individuare i colli di bottiglia. È un progresso enorme.

La sovranità diventa una cartografia.

È ciò che ho scritto sulle dipendenze.

Quali processori?

Quali minerali?

Quali tempi di sostituzione?

L’IA permette di costruire una sorta di gemello della filiera industriale. Questo può migliorare la resilienza. Ma anche qui compare la tentazione della microgestione. Se lo Stato vede tutto, deve decidere tutto? No. Vedere permette di individuare le vulnerabilità, non di sostituire tutte le decisioni imprenditoriali.

L’impresa possiede una conoscenza locale, un rischio, una capacità d’innovazione che il modello centrale può sottovalutare. È esattamente la vecchia critica della pianificazione: una parte dell’informazione è locale, tacita, non codificata. L’IA riduce questo limite ma non lo elimina. Il saper fare di un ingegnere, la relazione con un cliente, un’intuizione di mercato non sono sempre nella banca dati.

Dobbiamo dunque evitare di concludere che la capacità di elaborazione centrale renda inutile il mercato.

Il mercato è anche un meccanismo di sperimentazione. Migliaia di imprese provano strategie diverse. Alcune falliscono. Questa diversità scopre soluzioni che nessuno aveva pianificato. È una sorta di evoluzione. L’IA può accelerare la sperimentazione privata. Può dunque rendere il mercato ancora più innovativo.

Viceversa, lo Stato può usare l’IA per orientare gli ambiti in cui la sperimentazione privata è insufficiente perché l’orizzonte è troppo lungo o le esternalità troppo grandi. Ricerca di base, infrastrutture. La relazione ideale può dunque essere complementare.

Mercato per esplorare, Stato per costruire alcune condizioni di lungo termine e correggere determinati effetti.

Questa idea non ha nulla di nuovo, ma l’IA può rendere la frontiera più dinamica. Lo Stato può rilevare più precisamente dove esista un fallimento del mercato. Ma ancora una volta la diagnosi può essere contestata. Una sovvenzione può creare una rendita. La politica industriale può essere catturata dagli attori che forniscono i dati. Se le imprese sanno che il modello pubblico cerca settori strategici, possono presentare la propria attività in modo da essere selezionate.

Ancora la manipolazione delle regole.

Ogni indicatore diventa un obiettivo.

Lo Stato algoritmico non sfugge all’attività di lobbying. Può persino creare un lobbying dei dati. Le imprese ottimizzano le informazioni trasmesse per ottenere un punteggio favorevole. È affascinante e inquietante.

Una burocrazia algoritmica può spostare la battaglia politica verso la manipolazione dei dati in ingresso. Chi comprende il modello può imparare a influenzarlo. È esattamente il problema delle classifiche e dei motori di ricerca. Gli agenti economici cercano di ottimizzare il proprio punteggio.

La politica industriale algoritmica dovrà dunque resistere alle strategie avversarie. I dati devono essere verificati, incrociati.

Ancora la provenienza.

Torniamo sempre agli stessi pilastri. La potenza decisionale aumenta; la prova deve aumentare. Questo significa che lo Stato avrà bisogno di dati indipendenti, non soltanto dichiarativi. Ma una raccolta eccessiva può diventare sorveglianza economica. Le imprese hanno bisogno di segreti commerciali. Il mercato funziona anche perché gli attori non rivelano tutto.

Una pianificazione troppo trasparente può distruggere alcuni vantaggi competitivi. Occorrono dunque architetture di dati sicure, aggregate.

Ancora la minimizzazione.

Lo Stato deve sapere abbastanza per assicurare la resilienza senza conoscere ogni segreto industriale. È un equilibrio difficile. L’IA può permettere alcune forme di analisi più rispettose della riservatezza, ma il problema rimane istituzionale.

Chi ha accesso?

Quali usi?

La fiducia delle imprese dipende dal rispetto delle finalità. Se pensano che un dato fornito per la statistica verrà usato a fini fiscali o trasmesso a un concorrente, smetteranno di cooperare o falsificheranno. La qualità del sistema dipende dalla fiducia.

Ecco una cosa essenziale: il dato è una relazione. Non si raccoglie nel vuoto. La fiducia produce il dato di qualità. È vero per Artprice, per un governo. Un’architettura che tradisce le finalità distrugge la propria fonte. È una forma di riflessività istituzionale.

Il potere abusivo può ridurre la qualità dell’informazione che riceve.

Questo mostra che libertà ed efficacia non sono sempre opposte. Il rispetto delle regole può migliorare il dato e dunque l’efficacia. È un’idea importante contro il fantasma autoritario. Uno Stato che può esigere tutto non ottiene necessariamente la verità. Gli attori possono nascondere informazioni e adattare il proprio comportamento. La fiducia volontaria può produrre un’informazione migliore. È esattamente lo stesso problema di un’impresa in cui i lavoratori hanno paura di far risalire le cattive notizie.

La sorveglianza totale può rendere l’organizzazione più cieca.

Ecco un paradosso centrale: voler vedere tutto può portare a vedere meno il vero. L’IA non risolve questo problema. Può soltanto trattare ciò che le arriva.

Questo si ricollega alla nozione di segnale debole. Il buon sistema deve permettere al segnale dissonante di risalire. I mercati hanno proprio una funzione di segnale. Un prezzo che sale dice qualcosa. Il pianificatore può non gradire il segnale, ma deve ascoltarlo. Un’economia algoritmica sana deve preservare questi meccanismi di contraddizione.

Questo mi conduce a un’idea: il mercato e la democrazia condividono una proprietà. Sono sistemi di scoperta distribuita. Il mercato scopre prezzi e preferenze; la democrazia scopre conflitti e volontà. Sono entrambi rumorosi.

Un’architettura centralizzata può sembrare più pulita, ma rischia di perdere la diversità dei segnali. L’IA può aiutare a sintetizzare il rumore senza eliminare la pluralità. È qui il suo ruolo migliore. Non deve sostituire troppo presto la scoperta con un’ottimizzazione centralizzata.

Nel mercato, questo significa lasciare che gli attori provino. Nella democrazia, lasciare che le opinioni si confrontino. L’IA diventa uno strato di lettura del sistema anziché un sostituto del sistema. Digitalizzare una procedura non significa ancora ripensarla. Permette di superare la vecchia opposizione tra mercato e pianificazione.

Possiamo avere un mercato molto decentrato osservato da strumenti di pianificazione strategica. Lo Stato non comanda ogni prezzo, ma vede le vulnerabilità. È forse ciò che si potrebbe chiamare pianificazione potenziata: non assegnare ogni quantità, ma costruire una capacità di anticipazione e di orientamento. Individuare scenari, dipendenze, poi usare strumenti classici — regolamentazione, fiscalità, investimento — in modo più informato. Questo può essere straordinariamente potente.

La Cina possiede già una forte cultura di orientamento industriale. Anche gli Stati Uniti usano politiche industriali nei settori strategici. L’Europa lo fa. Il vecchio racconto di un Occidente puramente liberale di fronte a una Cina pianificata è troppo semplice. Tutte le grandi potenze combinano mercato e strategia. La differenza riguarda i gradi, le istituzioni, il controllo politico. L’IA renderà più sofisticate queste combinazioni.

La competizione non sarà dunque tra piano e mercato, ma tra architetture miste.

Quale sistema sa orientare senza soffocare?

Quale sistema lascia spazio all’innovazione locale costruendo al tempo stesso infrastrutture di lungo termine?

È una domanda molto più interessante. E la risposta può variare a seconda dei settori. Il semiconduttore richiede investimenti giganteschi e orizzonti lunghi. Un’applicazione software può emergere rapidamente. La stessa politica sarebbe assurda per entrambi.

Ancora la granularità.

L’IA permette proprio di evitare politiche troppo generali. Ma può anche rafforzare la tentazione di trattare ogni settore con un punteggio e dunque creare una burocrazia iperdettagliata. Occorre evitare la microgestione algoritmica. Un’amministrazione può essere sedotta dall’idea di conoscere il tasso ottimale d’investimento di ogni impresa. È un’illusione. Il modello non conosce l’invenzione che non esiste ancora.

L’imprenditore può vedere qualcosa che i dati non mostrano. È proprio per questo che la libertà economica possiede un valore epistemico, non soltanto morale. Permette esperimenti imprevisti. Una società che lascia provare più attori aumenta le proprie possibilità di scoperta. È quasi una strategia di esplorazione.

Nell’intelligenza artificiale si parla di esplorazione e sfruttamento. Sfruttare significa ottimizzare ciò che già si conosce. Esplorare significa tentare percorsi incerti. Un’economia deve fare entrambe le cose. Il mercato è spesso una formidabile macchina di esplorazione. Una pianificazione troppo forte privilegia lo sfruttamento delle conoscenze esistenti. L’IA stessa può cadere nella medesima trappola.

Se ottimizza troppo i settori che oggi sembrano promettenti, può distogliere risorse dalle rotture inattese. Ecco un immenso blindspot della politica industriale algoritmica. Il modello vede meglio il presente e può diventare più conservatore sul futuro. Estrapola ciò che esiste. Un’innovazione radicale assomiglia spesso a un cattivo investimento nei dati storici.

Occorre dunque riservare una parte delle risorse all’esplorazione non giustificata dai modelli. È quasi un portafoglio di caos. Questa idea mi piace enormemente. Un’economia intelligente deve finanziare una certa quantità di esperimenti improbabili. Ricerca di base, arte, imprenditoria. Molti falliscono. Alcuni cambiano il mondo. Se si ottimizza soltanto il rendimento probabile, si possono eliminare queste code della distribuzione. È esattamente la logica della mutazione. I mutanti sono rari. Un’economia deve lasciarli comparire.

Questo significa che l’inefficienza apparente può essere una riserva d’innovazione.

Ecco un paradosso essenziale. Alcune spese sembrano inutili fino al giorno in cui diventano fondamentali. La ricerca su tecnologie oscure può produrre trent’anni dopo una rivoluzione. Lo Stato e il mercato hanno ciascuno un ruolo in questo finanziamento. L’IA potrebbe spingerci a voler giustificare ogni euro con una probabilità. Sarebbe pericoloso.

La creatività ha bisogno di uno spazio che sfugga in parte al calcolo.

Ritrovo direttamente la demeure du chaos e questa idea di zona autonoma di non ottimizzazione. Una società che vuole massimizzare ogni rendimento immediato finisce per uccidere ciò che non ha ancora un valore misurabile. L’arte ne sa qualcosa. Il Mercato dell’Arte può dare prezzi alle opere a posteriori. Non può determinare in anticipo quale opera cambierà la storia. Il valore culturale e il valore finanziario non coincidono sempre.

L’IA può analizzare segnali, ma non deve diventare arbitro del futuro estetico. Sarebbe una normalizzazione. Questa lezione artistica si applica all’intera economia. L’innovazione ha una componente di rottura che sfugge al modello. Occorre dunque una politica dell’inatteso.

Sembra contraddittorio.

Come pianificare l’inatteso?

Precisamente creando condizioni di diversità, bilanci per l’esplorazione, istituzioni indipendenti. Non si pianifica il risultato. Si pianifica lo spazio in cui l’inatteso può comparire. È una distinzione magnifica.

La demeure du chaos funziona secondo questo stesso principio. Possiede un’architettura estremamente rigorosa che permette l’emergere di gesti liberi. Il caos apparente è reso possibile da un ordine profondo. Forse l’economia ideale dell’era dell’IA funziona allo stesso modo: un’infrastruttura stabile, diritti solidi, reti, istruzione, poi molta libertà sperimentale.

Lo Stato costruisce l’athanor, ma non decide precisamente ogni trasmutazione.

Questa metafora alchemica mi sembra giusta. Il ruolo del potere è creare le condizioni della trasformazione, non scegliere ogni forma che ne esce. È forse un modo di superare la sterile opposizione tra Stato e mercato. Lo Stato può essere l’architetto del campo dei possibili. Il mercato e la società esplorano.

Ma occorrono limiti, perché l’esplorazione può produrre esternalità. Inquinamento, monopolio. Il diritto definisce i divieti. Ritroviamo ancora il trittico: infrastruttura, libertà, limiti.

L’IA può migliorare ciascuno di questi elementi. Cartografare i bisogni infrastrutturali, rilevare le esternalità, ma anche ridurre i costi d’ingresso. Può dunque rendere l’economia più aperta se è ben progettata. Oppure più centralizzata se pochi attori controllano i modelli. Ancora la biforcazione. È per questo che la proprietà delle infrastrutture cognitive è centrale.

Se un solo attore possiede il modello usato per la pianificazione pubblica e gli agenti privati, il suo potere diventa straordinario. Può vedere entrambi i versanti. Questo crea una concentrazione informativa potenzialmente pericolosa. Occorrono dunque una pluralità di fornitori, capacità pubbliche. Torniamo alla sovranità.

L’economia algoritmica non può essere pensata senza la geopolitica delle infrastrutture. Una potenza che dipende da un’altra per i propri modelli macroeconomici o i propri strumenti di pianificazione industriale delega una parte della propria capacità strategica. Questo non significa che ogni modello straniero sia pericoloso. Ma le funzioni più critiche richiedono padronanza e audit. È la stessa regola ovunque. L’IA attraversa gli ambiti, i principi rimangono.

La questione del dato si rivela particolarmente sensibile nella pianificazione pubblica. Per ottimizzare i trasporti, l’energia, la sanità, il modello vuole molte informazioni. La tentazione è integrarne sempre di più. Ancora lo Stato algoritmico. Efficacia e sorveglianza si incontrano. Un’economia pianificata attraverso i dati può diventare una società pianificata attraverso i dati. È qui che il pericolo politico diventa immenso.

Si può giustificare la raccolta con l’ottimizzazione delle risorse, poi usarla per valutare i comportamenti. La frontiera tecnica non è naturale. Occorre dunque un diritto forte che vincoli le finalità e la separazione dei dati. Questa ripetizione non è accidentale. È la stessa architettura di potere sotto un’altra forma.

Una pianificazione economica democratica deve accettare alcune zone di opacità individuale.

Lo Stato non ha bisogno di sapere chi compra quale libro per prevedere il consumo di carta. Può usare aggregati. La minimizzazione è dunque compatibile con l’efficacia. L’IA può talvolta permettere di lavorare con dati meno intrusivi se le tecniche sono scelte bene. Ma occorre che la protezione sia un obiettivo esplicito. Altrimenti la logica del modello spinge verso sempre più dati.

«Più dati = modello migliore» diventa una giustificazione infinita.

Occorre fermare questa logica.

Modello migliore secondo quale guadagno marginale e quale costo in libertà?

Ancora il compromesso. Si potrebbe quasi definire un principio di proporzionalità informativa: raccogliere un dato aggiuntivo soltanto se il guadagno decisionale giustifica realmente la potenziale lesione. Il diritto conosce già questa logica. L’IA la rende più urgente. Questo potrebbe evitare la costruzione di un’economia panottica in nome dell’efficacia.

La Cina offre qui un modello di coordinamento che ritengo particolarmente istruttivo da osservare.

La sua capacità di combinare Stato, dati e industria può produrre guadagni di coordinamento. Ma solleva anche le questioni di sorveglianza e libertà che abbiamo evocato. Le democrazie devono evitare due errori simmetrici: disprezzare i guadagni di efficacia di un migliore coordinamento o imitarli senza i propri contropoteri. Occorre costruire una loro architettura. Una pianificazione potenziata democratica, trasparente, limitata. Questo può diventare una via specifica. Per esempio, usare l’IA per cartografare i bisogni energetici senza profilare gli individui; orientare l’investimento industriale con dati aggregati; valutare pubblicamente le politiche. Questo modello è possibile. Richiede maggiore sofisticazione perché deve integrare i vincoli legati ai diritti fin dalla progettazione. Ma questo vincolo può produrre una fiducia superiore.

Ancora la regolamentazione come infrastruttura della fiducia.

La questione è sapere se questa architettura possa essere abbastanza rapida in una competizione mondiale. È la prova. L’Europa dovrà probabilmente ridurre le proprie pesantezze senza ridurre le proprie protezioni. È difficile, ma non impossibile. Occorre distinguere la burocrazia inutile dalla procedura che protegge. Ancora la latenza di civiltà.

Digitalizzare e automatizzare i moduli può liberare tempo per il controllo sostanziale. L’IA può dunque rendere lo Stato più efficace senza renderlo più autoritario. Questo esige una visione politica chiara. E forse la vera competizione mondiale si giocherà qui: quale architettura produce insieme potenza e legittimità?

Uno Stato molto efficace ma privo di fiducia può incontrare limiti sociali. Una democrazia molto legittima ma incapace di attuare le proprie decisioni può indebolirsi. Occorrono entrambe le cose. L’IA può teoricamente aumentare la capacità di attuazione democratica. È un’opportunità storica. L’amministrazione può trattare più rapidamente, le politiche essere valutate meglio. Ma non bisogna delegare la finalità.

Ecco sempre la linea. La macchina ottimizza i mezzi; la società discute dei fini.

Questa distinzione può sembrare troppo netta, perché talvolta la scelta del mezzo modifica la finalità. Una tecnologia di sorveglianza non è un mezzo neutrale. Occorre dunque dire più precisamente: l’IA può aiutare a ottimizzare entro uno spazio di valori e vincoli esplicitamente definito in modo democratico. E quando il mezzo modifica questi valori, la scelta deve risalire alla politica. È un’architettura di sussidiarietà. Le decisioni ordinarie scendono verso il sistema. Le decisioni normative risalgono verso l’essere umano.

Questo principio potrebbe organizzare molte cose. Ma occorre saper rilevare la dimensione normativa. Una scelta di ponderazione può sembrare tecnica. Non lo è. Anche qui l’alfabetizzazione dei decisori è essenziale. Il pericolo non è che l’ingegnere rubi volontariamente il potere. Può semplicemente compiere una scelta necessaria per far funzionare il modello. Se la politica non la vede, la scelta diventa implicita. Occorrono dunque processi in cui i parametri normativi siano identificati. Una sorta di audit dei valori.

Quali decisioni di progettazione riflettono le preferenze sociali?

È un nuovo ambito. L’IA rende l’etica operativa. Questa espressione ritorna. Un modello deve essere programmato con obiettivi. Questo costringe a esplicitare ciò che le istituzioni lasciavano talvolta vago. È benefico se il dibattito esiste. Pericoloso se l’ingegneria decide da sola. La collaborazione transdisciplinare diventa dunque indispensabile. Economisti, giuristi, ingegneri, sociologi. Ancora la fine dei compartimenti separati. È esattamente il mio modo di pensare.

Una pianificazione puramente economica che ignora la psicologia, il diritto, la materia produce errori. L’economia algoritmica esige una mente-mondo. Obbliga a collegare l’energia, i dati, i comportamenti. Questo può essere una ricchezza intellettuale straordinaria.

Ma attenzione al fantasma della totalità.

Più il modello collega dimensioni, più sembra onnisciente. Occorre conservare la possibilità di dire: manca qualcosa. Il blindspot non scompare mai. Si sposta. Il modello più completo possiede ancora un esterno. È una verità quasi filosofica. Nessun sistema contiene interamente il mondo di cui fa parte. L’economia algoritmica è essa stessa un attore dell’economia. Non può collocarsi al di fuori.

Questo limita ogni pretesa di ottimo totale. Ed è forse la ragione ultima per cui l’ottimo sociale è un’illusione pericolosa.

Non esiste un punto finale in cui tutte le contraddizioni siano risolte. Una società è un processo di negoziazione permanente tra valori, generazioni, interessi. L’IA può migliorare la qualità di questa negoziazione. Non deve pretendere di concluderla. La democrazia stessa è questa apertura. Una decisione può essere contestata, rivista. L’ottimo tecnocratico vorrebbe chiudere la discussione: abbiamo calcolato la soluzione migliore. È antipolitico. La politica comincia proprio là dove più soluzioni sono difendibili secondo valori diversi.

La società non è un problema la cui risposta è nascosta nei dati.

Questa frase mi sembra fondamentale. I dati mostrano conseguenze. Non contengono la finalità della vita collettiva. È per questo che rifiuto ogni idea di governo da parte dell’IA. Governare significa scegliere, assumersi la responsabilità, poter essere contestati. Un’IA può essere uno straordinario strumento cognitivo del governo. Non deve diventare fonte di legittimità. È la stessa distinzione di tutti i capitoli precedenti.

La legittimità rimane umana e istituzionale.

Ma questa insistenza non deve essere interpretata come difesa gelosa di una superiorità umana. Non cerco di proteggere un privilegio cognitivo. La quarta ferita narcisistica è accettata. La macchina può essere migliore in molte cose. Il punto è altrove. La legittimità non è una competizione d’intelligenza. Un bambino possiede diritti anche se non sa calcolare. Una democrazia dà voce a cittadini che non hanno tutti le stesse competenze. È una scelta morale. L’intelligenza non accorda automaticamente il diritto di comandare. Altrimenti avremmo da tempo dato il potere politico ai matematici più brillanti. Non lo facciamo perché governare implica rappresentare interessi, valori.

L’IA deve dunque essere separata dall’idea di sovranità politica, anche se diventa indispensabile all’esercizio tecnico del potere.

È una distinzione sottile ma cruciale. Il sovrano usa un’intelligenza senza diventarne subordinato. Ecco la sovranità cognitiva collettiva. E questa distinzione dovrà essere protetta istituzionalmente. Forse determinate decisioni devono menzionare esplicitamente i modelli usati, ma essere firmate da un responsabile umano.

Ancora la firma.

La responsabilità è il filo che mantiene l’essere umano nell’architettura senza pretendere che esegua lui stesso tutti i calcoli. Mi sembra molto sano. Un ministro può dire: diversi modelli indicano questo rischio, abbiamo scelto questa politica per queste ragioni. Il dibattito può allora riguardare le ragioni e i dati. È una democrazia potenziata.

Ma per questo i cittadini devono avere accesso a un’informazione sufficiente. La complessità non deve diventare una scusa per la segretezza. Le ipotesi principali possono essere pubblicate. I ricercatori possono analizzare. Questo crea una nuova forma di governo aperto algoritmico. È promettente. Il codice completo non ha sempre bisogno di essere pubblico, soprattutto se contiene elementi sensibili. Ma la metodologia, le fonti, i principali parametri dovrebbero spesso essere accessibili.

Ancora la proporzionalità.

La trasparenza deve essere sufficiente per la contestazione. Questo si ricollega direttamente all’architettura della fiducia. Una politica economica algoritmica deve possedere una provenienza. Da dove viene la diagnosi? Quali modelli? Questo può migliorare enormemente il dibattito pubblico. Anziché gli slogan, si possono confrontare le ipotesi.

Ma occorre una solida mediazione giornalistica e universitaria. Altrimenti la massa di dati diventa una nuova opacità. La democratizzazione dell’analisi richiede intermediari della fiducia. Ritroviamo ancora il ruolo delle istituzioni. L’IA non elimina gli esperti, può moltiplicarne la capacità. Ma il cittadino deve poter comprendere l’essenziale. Questo implica interfacce, visualizzazioni.

Ancora la progettazione.

Il modo di presentare una politica ne influenza la comprensione. Una simulazione interattiva potrebbe mostrare i compromessi. È una prospettiva interessante per la democrazia. Il cittadino sposta un parametro e vede le conseguenze stimate. Questo potrebbe rendere più concrete le scelte. Ma occorre evitare il gioco di simulazione che dà l’illusione della precisione. I margini d’incertezza devono essere visibili. Il modello non deve essere confuso con una console di comando del reale.

Ancora l’umiltà.

L’IA può rendere il dibattito più informato se mostra anche dove non sa. Questa idea mi sembra quasi una condizione di ogni economia algoritmica democratica: l’incertezza deve essere un risultato del sistema, non un difetto nascosto. Un modello deve poter dire «questo parametro è troppo incerto per ottimizzare». È una forma di limite autodichiarato. Protegge dalla hybris tecnocratica.

E la hybris è precisamente il pericolo finale di questo capitolo.

Credere che, poiché possiamo misurare moltissimo, possiamo dominare l’insieme. La storia punisce questa convinzione. I sistemi complessi possiedono comportamenti emergenti. L’economia è probabilmente uno dei sistemi più complessi. Miliardi di individui, imprese, tecnologie, culture. L’IA può accrescere la nostra visione di diversi ordini di grandezza. Non rende il mondo semplice. Forse ne rivela ancora di più la complessità.

È qui che vedo una corrispondenza profonda con la teoria del caos. Una migliore conoscenza delle condizioni iniziali migliora determinate previsioni, ma il sistema rimane sensibile. Possiamo spingere più lontano l’orizzonte della previsione senza raggiungere l’onniscienza.

La saggezza consiste nell’usare il modello per costruire resilienza anziché pretendere di eliminare l’incertezza.

È esattamente la differenza tra prevedere una crisi e preparare un sistema capace di sopravvivere a più crisi possibili. Il primo approccio cerca l’oracolo. Il secondo costruisce la resilienza. Scelgo il secondo. È probabilmente il filo di tutta questa parte geopolitica ed economica. Non sappiamo esattamente quale shock arriverà. Costruiamo ridondanze, capacità di adattamento. L’IA può aiutarci a esplorare gli scenari.

Il suo valore non è dirci l’avvenire, ma prepararci a più futuri.

Questa definizione mi sembra molto più solida. L’economia algoritmica matura sarà dunque meno un’economia perfettamente pianificata che un’economia capace di vedere prima, testare più rapidamente, correggere meglio. Questo assomiglia a un’intelligenza vivente. Percezione, azione, retroazione.

Ma questo circuito deve rimanere aperto alla pluralità umana. È qui che interviene la democrazia. La macchina misura il riscontro quantitativo. Il cittadino può dire che la politica è insopportabile nonostante buoni indicatori. Questo segnale deve contare. La sofferenza sociale non è sempre nel PIL. I Gilet gialli lo hanno mostrato in Francia in modo spettacolare: una misura può essere razionale in un quadro e incontrare un’esperienza del reale che il modello aveva sottovalutato. Il blindspot sta qui: in ciò che il modello medio aveva sottovalutato. L’economia algoritmica deve dunque integrare segnali qualitativi.

Indagini, consultazione, territorio. Il buon senso contadino ritorna ancora. Una curva può dire che la misura è sopportabile in media. La persona che deve guidare per cinquanta chilometri al giorno sa altro. Il reale locale deve risalire. Questo depone a favore di un’architettura decentrata della pianificazione. Il centro vede la totalità, il territorio vede il dettaglio. Occorrono entrambi.

Ancora la federazione cognitiva.

L’IA può aiutare a sintetizzare i riscontri locali senza schiacciarli. È una promessa magnifica. Ma se il centro usa l’IA soltanto per produrre una media, perde le eccezioni.

Ancora, preservare il disaccordo.

La politica pubblica potrebbe essere più radicata nei territori grazie all’IA, adattata ai contesti. Ma questo pone una questione di uguaglianza. Regole diverse secondo i territori possono essere efficaci ma percepite come ingiuste. Occorre dunque distinguere uguaglianza e uniformità. Il diritto lo fa già. L’IA permette più personalizzazione. Questo può rendere lo Stato più preciso. Ma l’eccesso di personalizzazione può eliminare la leggibilità della regola comune. Ancora un compromesso.

Una società ha bisogno di principi comuni.

Non tutto deve essere calcolato individualmente. Altrimenti due cittadini vicini possono ricevere trattamenti diversi senza comprenderne il motivo. L’efficacia algoritmica può erodere il senso di giustizia. Questo vale per i prezzi come per le politiche. Una regola generale è talvolta meno ottimale individualmente ma più legittima perché è comprensibile. Anche la semplicità possiede un valore democratico: una regola comprensibile può essere più legittima di un’ottimizzazione individuale divenuta opaca.

L’ingegneria tende a cercare l’ottimizzazione dettagliata; il diritto conserva talvolta categorie generali perché rendono visibile la regola. L’economia algoritmica dovrà trovare la giusta granularità. Ancora questa parola, inevitabile. Troppo grossolano, il sistema spreca. Troppo fine, diventa opaco e arbitrario.

L’arte di governare è anche arte della risoluzione, come in un’immagine.

Quale quantità di dettaglio è utile?

Questo mi ricorda il gemello digitale della demeure du chaos. Si può aumentare la precisione, ma la domanda è sempre: per quale funzione? Una mappa al millimetro è inutile per guidare tra Lione e Parigi. La precisione non è un valore assoluto. Occorre la risoluzione adatta alla decisione. È una lezione fondamentale per l’IA.

Più dati non significa sempre meglio. Più precisione non significa sempre più intelligenza. L’intelligenza consiste nel selezionare il livello pertinente.

Un buon modello non si giudica dunque soltanto dalla quantità di dettagli che tratta. Ed è forse qui che l’essere umano e l’IA possono produrre una combinazione notevole. La macchina percorre i dettagli. L’essere umano sceglie la risoluzione che ha un senso politico.

Una funzione obiettivo non è mai la finalità stessa; ne è una traduzione. Occorre dunque poter riesaminare non soltanto i risultati del modello, ma il modo in cui lo scopo è stato trasformato in variabili misurabili.

Questa complementarità può essere potente. Ma presuppone che l’essere umano conservi una formazione sufficiente per non diventare dipendente.

Ancora la sovranità cognitiva.

Il decisore deve poter chiedere: perché abbiamo bisogno di questo livello di dettaglio? Quale costo in dati? Questo ridiventa politico.

L’ottimizzazione economica incontra tuttavia un limite quando cessa di riguardare soltanto i flussi e comincia a trasformare l’individuo in un oggetto permanente di valutazione. A quel punto, la questione non è più quella dell’ottimo del sistema, ma della libertà della persona di fronte alla previsione che la riguarda.