#L'ANALISI D'INTELLIGENCE. IL LABORATORIO DEL FUTURO
di ROBERTO PAURA
ABSTRACT Nell’ambito della previsione sociale e strategica (foresight), l’oggetto di studio per eccellenza è considerato il megatrend: una tendenza solitamente di portata globale, di lunga durata, con effetti su domini multipli (NAUGHTIN ET AL. 2024). I megatrend sono talmente grandi che è impossibile non notarli, per cui si potrebbe obiettare che l’analisi dei megatrend si limiti a osservare l’ovvio. In realtà non è così: i megatrend rappresentano solo lo strato primario di analisi, il punto di partenza per andare a scrutare nei livelli più profondi e incogniti del futuro, dove si situano i veri elementi che il foresight ambisce ad anticipare, vale a dire i segnali deboli e le wild cards.
I “segnali deboli” sono stati definiti in molti modi, tutti più o meno simili. La più classica definizione è quella che si può ricavare da ANSOFF (1975), per la quale essi sono «i primi sintomi di discontinuità strategiche, ossia sintomi di possibili cambiamenti nel futuro, agendo come segnali di avvertimento o segnali di nuove possibilità» (HOLOPAINEN – TOIVONEN 2012, p. 200). SARITAS – SMITH (2011, p. 297) li descrivono come «segnali precoci di cambiamenti possibili ma non confermati che possono successivamente diventare indicatori più significativi di forze critiche», collegandoli così, in modo più esplicito, all’emergere di trend e megatrend potenziali. Tipici esempi sono considerati i segnali associati con nuovi sviluppi tecnologici, innovazioni sociali, conflitti, minace di conflitti, transizione demografiche, inedite rivalità e nuove regolamentazioni (JIEUN KIM – CHANGYONG LEE 2017).
Una metanalisi compiuta su 68 pubblicazioni scientifiche che forniscono una definizione di “segnale debole” ha permesso di clusterizzare i termini più utilizzati per definirli, individuando alcune proprietà interessanti. La “debolezza” del segnale si riferisce a tre caratteristiche dell’informazione:
- novità: i segnali devono essere di nuova rilevazione o rappresentare nuove interpretazioni;
- rilevanza strategica: il segnale si distingue dal rumore una volta interpretato come una minaccia o un’opportunità potenziale, o quando ha il potenziale di perturbare in modo dirompente l’ambiente o l’organizzazione di riferimento;
- impredicibilità: in questo caso si riferisce all’impredicibilità dell’impatto, che resta tale almeno finché non evolve in fenomeno emergente o trend.
Provando a tenere conto di tutte le spiegazioni proposte nel tempo, VAN VEEN – ORTT (2021) suggeriscono quindi di definire il segnale debole come «la percezione di fenomeni strategici rilevati nell’ambiente o creati durante l’interpretazione che sono distanti dal quadro di riferimento di chi li percepisce».
Il compito più complesso nel foresight è quello di anticipare la possibile evoluzione dei segnali deboli. Molti di questi, infatti, predicono un cambiamento futuro che resterà virtuale e non assumerà forma concreta. Alcuni, invece, si trasformeranno nel tempo in fenomeni emergenti e quindi in trend, fino a raggiungere la portata di megatrend emergenti. Alcuni, ancora, diventeranno in poco tempo delle wild cards (“carte jolly”). Obiettivo della previsione strategica è comprendere la possibile evoluzione del segnale prima che diventi largamente visibile, perché il margine d’intervento che permette di modificarne l’evoluzione in senso opportunistico è ridotto e dipende dalla velocità con cui evolve il segnale.
COME RICONOSCERE I SEGNALI DEBOLI
Il riconoscimento dei segnali deboli è alla base del processo di horizon scanning, che costituisce la prima fase dell’analisi di foresight. La connessione tra megatrend e segnali deboli dovrebbe avvenire, all’interno dell’horizon scanning, assumendo i megatrend come elemento predefinito e individuando, nell’ambito di ciascun megatrend, segnali di possibili cambiamenti rilevanti nell’evoluzione futura del megatrend. Questo è quello che fanno le principali organizzazioni di Futures Studies nei loro processi di horizon scanning: la classificazione preliminare dei megatrend serve come base per effettuare in modo periodico o continuativo la ricerca di segnali deboli all’interno dei diversi megatrend. Per essere rilevanti, questi segnali devono suggerire discontinuità o cambiamenti rispetto alla direzione predefinita del megatrend. Per farlo occorrerà innanzitutto tenere conto di segnali emersi negli ultimi uno-due anni, quindi ricercarli tra nuove scoperte, nuovi brevetti depositati, startup nel settore tecno-scientifico, oppure tra opinion-maker e influencer, eventi dissonanti e innovazioni sociali per l’ambito socio-culturale. L’analisi va sempre integrata dal parere di esperti, che siano gli analisti di un’organizzazione o un panel costruito ad hoc, per esempio nel caso di un’indagine Delphi (tecnica iterativa a più fasi che coinvolge un gruppo di esperti indipendenti per giungere a una soluzione completa e condivisa a un quesito dato). Agli esperti spetta il compito di classificare i segnali in base a probabilità e impatto, così da escludere quelli a probabilità e impatto basso e analizzare in dettaglio gli altri, cioè potenziali wild cards (probabilità bassa e impatto alto) e fenomeni emergenti e trend (probabilità e impatto alto).
GRIOL-BARRES ET AL. (2020) hanno proposto un modello di analisi attraverso tecniche di text mining che tiene conto del “grado di diffusione”: una volta individuate alcune parole-chiave rilevanti nelle fonti analizzate attraverso horizon scanning, il modello misura l’aumento del numero di apparizioni della parole-chiave nel tempo. I segnali deboli sono quelli con una bassa occorrenza (quindi ridotta frequenza media all’interno delle fonti) ma con alto tasso d’incremento nel tempo.
Anche in presenza di sofisticati strumenti di horizon scanning, non è comunque detto che l’analista sia davvero in grado di riconoscere un segnale debole. I principali ostacoli in questo lavoro sono rappresentati dai bias umani che limitano inevitabilmente la capacità d’individuarli correttamente. La “percezione selettiva” spinge a prestare attenzione principalmente a ciò che ci aspettiamo di vedere, producendo, pertanto, un bias di filtraggio delle informazioni: di fronte a qualcosa che non collima con il nostro modello mentale la tendenza è a scartarlo, oppure a distorcerlo per allinearlo con le nostre aspettative. FESTINGER (1957) parla di “dissonanza cognitiva” per indicare quel processo che spinge a negare, fino a costruire una realtà alternativa, la realtà delle prove che si oppongono alle proprie credenze . Questo problema si è notoriamente aggravato nell’epoca dei social network, i quali funzionano attraverso algoritmi che selezionano le informazioni assecondando i bias di filtraggio personali, così da produrre ecosistemi distorti, vere e proprie “bolle mediatiche” che spingono all’autoconferma delle proprie aspettative e impediscono di vedere segnali dissonanti (STARK 2015). Questo è il motivo per cui i social network sono strumenti che non dovrebbero essere utilizzati nei processi di horizon scanning se non in modo selettivo, identificando, per esempio, un ampio numero di persone-chiave da tracciare che rispecchi la più ampia diversità di opinioni e utilizzando programmi in grado di monitorarle al di là della selezione prodotta dagli algoritmi.
Anche quando i bias di filtraggio vengono superati, come dicevamo, ci sono comunque numerosi rischi da cui guardarsi: l’inferenza distorta, che spinge a portare ogni segnale a sostegno di una propria teoria predeterminata, o il wishful thinking, che spinge a guardare solo i segnali positivi e a escludere quelli negativi. Il rafforzamento spinge poi a cercare ulteriori fonti che confermano un segnale considerato attendibile perché allineato alle nostre aspettative, finendo per ignorare quelle che invece vanno in senso contrario. Inoltre, il “pensiero di gruppo” all’interno delle organizzazioni può inficiare il valore delle indagini Delphi o, in generale, quello dell’uso di gruppi di esperti per superare i bias personali. I team possono finire per essere influenzati da alcune persone più persuasive o dotate di maggior prestigio. Oppure, se chi ne fa parte proviene dalla stessa organizzazione la tendenza è al conservatorismo e all’autoindulgenza, che spinge a escludere segnali in grado di scardinare completamente il proprio modello organizzativo o settore di business (SCHOEMAKER – DAY 2009).
I segnali deboli devono possedere la proprietà della “novità”, ossia essere al tempo stesso rari e originali. JIEUN KIM – CHANGYONG LEE (2017) hanno conciato il concetto di non correlazione paradigmatica per definire il livello di novità di questi segnali. Dovrebbero certamente essere degli outlier, dei valori “fuori scala”, ma soprattutto dovrebbero essere informazioni che non sono correlate con quelle tipiche del settore a cui si riferiscono. Questo è più evidente se si utilizzano tecniche bibliometriche: attraverso la scansione delle informazioni per parole-chiave e la creazione di mappe di correlazione tra termini, i segnali deboli sono quelle parole-chiave che hanno meno correlazioni con il “nucleo” del megatrend, rappresentato dalle parole-chiave con maggior occorrenza. Anche in questo caso, categorizzando le informazioni in una matrice a due assi – rarità e non correlazione paradigmatica – i segnali deboli saranno quelli che rispecchiano entrambe le proprietà.
Figura 1 – Classificazione dei segnali secondo la proposta di JIEUN KIM – CHANGYONG LEE (2017).WILD CARDS
Nassim Nicholas Taleb, che ha coniato il termine “cigno nero” come sinonimo di wild card, sostiene che il mondo contemporaneo sia dominato dagli estremi, dagli outlier: in questo “Estremistan” le capacità previsionali tradizionali vengono meno perché basate sull’implicita convinzione che le tendenze seguiranno lo stesso percorso del passato. Viceversa, secondo TALEB (2008), bisognerebbe «utilizzare l’evento estremo come punto di partenza, non come un’eccezione da nascondere sotto il tappeto», tanto più che «il futuro sarà sempre meno prevedibile». Numerosi indizi vanno in questa direzione e consolidano l’idea che la nostra capacità d’identificare per tempo le wild cards o i cigni neri sia davvero modesta.
L’esempio più tipico è il cosiddetto “fallimento dell’immaginazione” che impedì alle autorità preposte alla sicurezza negli Stati Uniti di non prevedere i drammatici attentati dell’11 settembre 2001, nonostante i numerosissimi rapporti d’intelligence prodotti nei cinque mesi precedenti, molti dei quali citavano Osama bin Laden o al-Qaida. In tempi più recenti, l’incapacità di anticipare la pandemia di Covid oppure di prevedere l’invasione russa dell’Ucraina (qualcosa che numerosi analisti politici negavano con forza anche 24 ore prima dell’invasione) dimostrano l’esistenza di un serio problema d’individuazione e adeguata considerazione delle wild cards (1).
Le wild cards sono descritte come «eventi e situazioni a sorpresa che possono verificarsi, ma che solitamente hanno una bassa probabilità di verificarsi; tuttavia, se si verificano, il loro impatto è molto elevato» (SARITAS – SMITH 2011, p. 295). Lo studio seminale di PETERSEN (1999) le definisce “grandi sorprese”: hanno un impatto diretto sulla condizione umana; hanno implicazioni ampie, grandi, importanti, talvolta fondamentali; si muovono troppo veloci per permettere al sistema di adeguarsi allo shock. L’impatto delle wild cards è tale da essere in grado di alterare radicalmente la direzione dei principali megatrend, almeno nel breve periodo (ma senza escludere effetti di lungo termine), creando al tempo stesso nuovi percorsi e biforcazioni che generalmente non sono stati adeguatamente presi in considerazione.
Il rapporto tra wild cards e segnali deboli va precisato. Alcuni segnali deboli possono diventare wild cards, quando il loro impatto potenziale è estremamente significativo pur conservando una scarsa probabilità di accadimento. Ma le wild cards possono anche non essere affatto anticipate da segnali deboli, il che le rende ancora più imprevedibili. Al tempo stesso, esiste un collegamento tra wild cards e fenomeni emergenti: le wild cards, infatti, possono essere eventi emergenti dall’interazione tra trend e megatrend, e proprio questa loro proprietà ne può spiegare l’intrinseca imprevedibilità. A tal proposito, le wild cards possono essere associate alle catastrofi, che nel linguaggio dei sistemi dinamici indicano cambiamenti discontinui e improvvisi (ARNOL’D 1990).
Ma allora come individuare e riconoscere per tempo le wild cards? L’approccio classico si fonda sempre sul processo di horizon scanning, integrato da metodi per la raccolta delle opinioni di esperti. Nel metodo Delphi, le wild cards sono le ipotesi che hanno bassa mediana di probabilità ma alta mediana d’impatto. Tuttavia, se non sono precedute da segnali deboli, questo tipo di approcci non ha alcuna speranza di riuscire a intercettarle. Tra le alternative, BARBER (2006) suggerisce di utilizzare la legge di Ashby della varietà necessaria, che afferma che all’interno di un dato sistema il componente con la maggiore adattabilità e dipendenza dagli altri componenti del sistema controlla quel sistema; o, detto in altri termini, il componente su cui fa affidamento la maggior parte degli altri componenti per poter svolgere i propri compiti diventa il componente più critico per quel sistema. Applicando questa legge alla teoria delle wild cards, risulta evidente che quanto più un sistema è dipendente da un singolo componente critico quanto più è sensibile all’impatto della wild card. Questo spiega l’importanza della ridondanza nei sistemi elettronici (ambito al quale primariamente si riferisce tale legge).
Applicazioni ai sistemi sociali e alle grandi civiltà, anche in ottica storica, sono state compiute da Joseph Tainter nel suo classico The Collapse of Complex Societies (1988) e da CASTI (2012), che ha coniato un altro sinonimo di wild cards: gli “eventi X”. Entrambi gli autori affermano che questo tipo di rischi cresce in modo più che proporzionale alla crescita della complessità sociale. Un “sovraccarico di complessità” è la condizione che si verifica quando non esistono ulteriori gradi di libertà per affrontare nuovi problemi.
Quando si presenta un nuovo problema, il sistema è incapace di adattarsi aggiungendo ulteriore complessità, e dunque crolla rapidamente con un evento X che riduce tale sovraccarico di complessità. Talvolta l’evento X assume le sembianze di una calamità finanziaria o di una rivoluzione politica, anche se nella storia si è verificato con discreta frequenza e si è manifestato sotto forma di una guerra – grande o piccola, civile o di altra natura – che ha fatto piazza pulita della complessità ipertrofica. A quel punto, la società può ricostruirsi a partire da un livello molto basso. (CASTI 2012)
Nel corso degli anni il dibattito intorno alle wild cards, cigni neri ed eventi X ha portato ad ampliare la classificazione di questo tipo di eventi, creando un vero e proprio “zoo” delle incognite, come ben rappresentato dal Copenhagen Institute for Futures Studies nel report Using the future: Embracing uncertainty, improving decision-making and democratising tomorrow (2020). Gli elefanti neri sono eventi che, a differenza dei cigni neri, sono molto probabili, ma che i bias collettivi spingono a considerare molto improbabili e a non includerli nelle aspettative sul futuro (per esempio, il cambiamento climatico o le pandemie). Le meduse nere sono rischi noti e ordinari che a causa dell’azione di circuiti autorafforzanti possono in breve tempo finire fuori controllo e generare impatti distruttivi (crack finanziari che possono sfociare in recessioni economiche di lunga durata). I leopardi bianchi sono rischi in grado di generare grandi impatti ma che agiscono in modo subdolo e sotterraneo, restando sottotraccia finché non è troppo tardi (gli attacchi informatici funzionano solitamente così, ma anche la maggior parte degli attentati terroristici, che vengono organizzati e preparati di nascosto). I rinoceronti grigi sono eventi la cui occorrenza è data pressoché per scontata ma che nondimeno vengono ignorati. Ciò avviene generalmente perché li riteniamo parte integrante del sistema sociale e non disfunzionalità: è il caso delle tensioni generate dalle disuguaglianze economiche o dall’aumento del debito pubblico.
MARKLEY (2011) ha proposto di distinguere tra wild cards di primo e di secondo tipo in base a una terza variabile, oltre alla probabilità e all’impatto: la credibilità. Sebbene entrambe le tipologie abbiano bassa probabilità e alto impatto, le wild cards di secondo tipo differiscono dalle prime perché hanno una bassa credibilità. I motivi possono essere vari: la semplice ignoranza, la dissonanza con le credenze condivise, la disinformazione condotta per motivi di propaganda, la censura, la scarsa reputazione di chi mette in guardia dalla wild card. Le previsioni del rapporto The Limits to Growth (Rapporto sui limiti dello sviluppo, 1972), commissionato al Mit dal Club di Roma e a firma di Donella Meadows, Dennis Meadows, Jørgen Randers e William W. Behrens III, furono in gran parte respinte dai decisori politici, perché l’idea di porre dei limiti alla crescita economica continua contrastava con le credenze delle teorie allora in voga, soprattutto negli anni Ottanta. Invece, la tesi dell’astrofisico Avi Loeb – secondo cui alcuni oggetti interstellari scoperti di recente e considerati comete o asteroidi potrebbero in realtà essere astronavi aliene, in grado anche di porre minacce esistenziali per l’umanità, secondo la Teoria della foresta oscura – pur godendo di scarsa credibilità ha ricevuto comunque attenzione scientifica e mediatica, poiché chi l’ha proposta proviene dalla comunità accademica ed è quindi dotato di un livello di credibilità alto.
HILTUNEN (2006) divide le wild cards in reversibili e irreversibili in ragione del loro impatto. Un crollo del mercato azionario è una wild card reversibile, mentre l’inversione dell’asse terrestre è irreversibile (potrebbe in realtà essere reversibile, ma ciò esula dall’azione umana e quindi è irreversibile per noi). Un’altra classificazione proposta di Hitunen è tra cambiamenti repentini e graduali: l’esempio è quello della differenza che c’è tra due tipi di wild cards “personali”, ossia la scoperta di un tumore che, per quanto inguaribile, offre tempo sufficiente a individuare cure in grado di rallentarne l’avanzata e sistemare i propri affari, e un incidente d’auto fatale, che invece non consente di mettere in atto alcun tipo di adattamento. Secondo l’autore, la maggior parte delle wild cards sono in realtà cambiamenti graduali. Questo sembra positivo, nella misura in cui la previsione strategica può riuscire a individuare per tempo e gestire i cambiamenti graduali, laddove le vere wild cards rimangono di difficile o forse impossibile individuazione e gestione; tuttavia, il fatto che nell’opinione comune molti cambiamenti graduali sono considerati wild cards dimostra che il vero problema non è tanto nella loro rilevazione, ma proprio nella loro gestione.
Come affermano GILMORE ET AL. (2023), le wild cards «spesso richiedono una risposta proattiva, piuttosto che reattiva, poiché i sistemi di solito non hanno la capacità latente di assorbirne gli impatti». Tuttavia, proprio perché i sistemi sociali abituati a reagire anziché ad anticipare hanno enorme difficoltà a intervenire tempestivamente per evitare che anche un cambiamento graduale rilevato produca alla fine un impatto devastante, come è stato evidente nel caso del Covid. Il vero limite del foresight appare dunque sempre più quello dell’azione, anziché della rilevazione: l’estrema inerzia dei sistemi complessi rende estremamente difficile mettere in campo azioni per modificare l’andamento di un megatrend, orientare un trend nella giusta direzione, favorire o impedire un fenomeno emergente e gestire i segnali deboli e le wild cards.
NOTE
(1) Un altro sinonimo raramente impiegato nella letteratura scientifica è disruptor. Nella definizione del National Intelligence Council americano i disruptor «proprio come i megatrend, sono trasformativi, ma la loro comparsa e il loro impatto – dove, quando e con quale intensità si manifesteranno – sono incerti e quindi difficili da pianificare».
RIFERIMENTI
H.I. ANSOFF, Managing Strategic Surprise by Response to Weak Signals, «California Management Review» XVIII (1975) 2, pp. 21-33.
V.I. ARNOL’D, Teoria delle catastrofi, Bollati Boringhieri, Torino 1990.
M. BARBER, Wildcards – Signals from a Future Near You, «Journal of Futures Studies» XI (2006) 1, pp. 75-94.
J.L. CASTI, Eventi X. Eventi estremi e il futuro della civiltà, il Saggiatore, Milano 2012.
L. FESTINGER, A Theory of Cognitive Dissonance, Stanford University Press, Redwood City 1957.
N. GILMORE ET AL., Identifying weak signals to prepare for uncertainty in the energy sector, «Heliyon» IX (2023) 11, e21295.
I. GRIOL-BARRES ET AL., Detecting Weak Signals of the Future: A System Implementation Based on Text Mining and Natural Language Processing, «Sustainability» XII (2020) 19, 7848.
E. HILTUNEN, Was It a Wild Card or Just Our Blindness to Gradual Change?, «Journal of Futures Studies» XI (2006) 2, pp. 61-74.
M. HOLOPAINEN – M. TOIVONEN, Weak signals: Ansoff today, «Futures» XLIV (2012) 3, pp. 198-205.
JIEUN KIM – CHANGYONG LEE, Novelty-focused weak signal detection in futuristic data: Assessing the rarity and paradigm unrelatedness of signals, «Technological Forecasting and Social Change» CXX (2017), pp. 59-76.
O. MARKLEY, A new methodology for anticipating STEEP surprises, «Technological Forecasting and Social Change» LXXVIII (2011) 6, pp. 1079-1097.
C.K. NAUGHTIN ET AL., Forty years in the making: A systematic review of the megatrends literature, «Futures» CLVII (2024), 103329.
J.L. PETERSEN, Out of the Blue: How to Anticipate Big Future Surprises, Madison Books, Seattle 1999.
O. SARITAS – J.E. SMITH, The Big Picture—trends, drivers, wild cards, discontinuities and weak signals, «Futures» XLIII (2011) 3, pp. 292-312.
P.J.H. SCHOEMAKER – G.S. DAY, How to Make Sense of Weak Signals, «MIT Sloan Management Review» L (2009) 1, pp. 81-89.
T.H. STARK, Understanding the Selection Bias: Social Network Processes and the Effect of Prejudice on the Avoidance of Outgroup Friends, «Social Psychology Quarterly» LXXVIII (2015) 2, pp. 127-150.
N.N. TALEB, Il cigno nero. Come l’improbabile governa la nostra vita, il Saggiatore, Milano 2008.
B.L. VAN VEEN – R.J. ORTT, Unifying weak signals definitions to improve construct understanding, «Futures» CXXXIV (2021), 102837.