#L'ANALISI D'INTELLIGENCE. IL LABORATORIO DEL FUTURO
di CAROLINA FACIONI
ABSTRACT L’articolo vuole evidenziare la rilevanza dell’horizon scanning – il metodo utilizzato nel contesto dei Futures Studies – per la “costruzione” del futuro. L’accuratezza delle informazioni è fondamentale in ogni tipo di scelta e molto gravi possono essere le conseguenze di decisioni prese senza considerare i fattori emergenti. I Future Studies sono consapevoli della responsabilità delle azioni i cui effetti ricadranno sulle generazioni a venire, così come del loro valore etico. Pertanto, può essere molto utile saper cogliere i segnali deboli di trend emergenti. Il saggio illustrerà alcune implicazioni metodologiche di questo specifico modo di esplorare i futuri possibili.
Questo lavoro(1) parlerà di una tecnica di fondamentale importanza nel contesto dei Futures Studies: l’horizon scanning (HS). La ragione per la quale una tecnica di questo tipo, che cerca i cosiddetti “segnali deboli”, sia d’importanza fondamentale per chi si occupi di Futures Studies è facilmente comprensibile facendo una semplice constatazione che riguarda aspetti non inerenti alla Storia, ai grandi sistemi, al livello “macro”, ma il percorso biografico delle singole persone, il livello “micro” dell’esperienza. Ovvero: quanti eventi di segno negativo si sarebbero potuti evitare se di essi fossero state notate le primissime avvisaglie, magari un anno o due prima? Se già nel contesto individuale questa disattenzione (non necessariamente intenzionale) verso i segnali deboli può portare a cambiamenti anche drastici nei percorsi di vita (sintomi di malattie non notati; investimenti economici non produttivi; rapporti interpersonali che si rivelano deludenti ecc.), a maggior ragione, quando si parla di futuri possibili applicati a un livello più ampio (strategie di mercato, la vita di una nazione, le relazioni internazionali, gli equilibri geopolitici ecc.) e in un’ottica temporale che potrebbe andare ben oltre il tempo presente, è evidente che un lavoro che aspiri alla realizzazione del miglior scenario possibile richieda un’informazione il più possibile corretta e dettagliata. Informazione che, per essere tale, deve, ove possibile, cercare di esplorare anche quegli elementi che, almeno in prima battuta, potrebbero sembrare trascurabili, ma che potenzialmente potrebbero rivelare “semi di futuro” – usando l’espressione amata da BARBIERI MASINI (1993) – e non sempre di un futuro desiderabile. Molto in sintesi: quelli che tecnicamente i Futures Studies definiscono “cigni neri”, o “wild cards”, ovvero quegli eventi totalmente inaspettati che rompono tutti gli equilibri preesistenti (TALEB 2007), sono a volte il devastante effetto di fenomeni i cui segnali deboli, probabilmente, non erano stati notati e valutati con la giusta attenzione.
CERCARE L’IGNOTO, IL NUOVO, NEI DATI. ANCHE IN QUELLI UFFICIALI?
Può sembrare un paradosso (nel senso che sarà successivamente spiegato), e sicuramente non ha l’obiettivo dell’HS propriamente detto, ma anche nel contesto della ricerca sociale più tradizionale, come pure nelle statistiche sociali, è possibile – con l’ausilio di un tradizionale questionario strutturato – cercare quegli elementi di novità di cui la comunità scientifica non ha ancora contezza, e certamente non una sicura interpretazione. Perché parlare di un “possibile paradosso”? Poiché la tradizionale ricerca sociale e statistica punta comunque (e giustamente, visto che in molti casi è una mission istituzionale) al “dato”, cioè a fornire un quadro il più possibile esauriente della situazione, una sorta di “fotografia” della società presente (2). Tuttavia, se si pensa al potenziale conoscitivo – a volte trascurato dagli analisti – della semplice specifica testuale di una voce “Altro” – sì, quella in fondo alla lista, quella che si biffa quando non si riconosce la “nostra” risposta nelle voci di un elenco – ebbene, dentro quelle specifiche di un’opzione che è, per sua stessa natura, residuale (lo dovrebbe essere, soprattutto se l’elenco è stato fatto bene)(3) ci sono molti possibili segnali deboli: cambiamenti nei gusti, nei comportamenti, negli atteggiamenti, negli stili di fruizione culturale, nelle idee politiche ecc. Il “nuovo” non cammina a passi sicuri nelle risposte consolidate, ma avanza, in punta di piedi, nel residuale, ancora proteiforme. Analizzare in serie storica le risposte testuali (opportunamente ricodificate) potrebbe forse riservare delle sorprese, se ci si dovesse accorgere che un elemento, presente in percentuale ancora troppo trascurabile per essere trasformato in una nuova voce della batteria “ufficiale”, presenti però nel tempo una costante crescita. Di cosa è il segnale quel piccolo, marginale fenomeno? Si tratta di un’analisi costosissima in termini di risorse e di tempo: non è facile e, a volte, va detto, potrebbe essere inutile. Ma di tanto in tanto potrebbe rivelarsi una miniera d’oro in termini informativi (4). Un altro aspetto che qui ci importa sottolineare è come l’analisi di testi e di contenuti (sono due approcci analitici totalmente differenti)(5) sia assolutamente centrale tanto nel contesto “tradizionale” che nelle tecniche di foresight in cui si colloca, a tutti gli effetti, l’HS.
L’HORIZON SCANNING: DUE IMPORTANTI MODELLO STRUTTURALI
L’HS, o perlomeno la sua denominazione, ha 30 anni. Il concetto viene infatti utilizzato per la prima volta su una rivista di strategie di mercato, in un articolo di GATES (1995), le cui previsioni, al 2005, parlavano dell’importanza che i dispositivi tecnologici avrebbero avuto nel mondo degli affari per quell’anno. Tra i dispositivi, oltre ai personal computer e ai cellulari, vengono citati anche i fax, a dimostrare quanto la tecnologia abbia corso più velocemente dell’immaginazione del previsore stesso (già agli inizi degli anni Duemila le email hanno iniziato a essere più utilizzate)(6).
Siamo nel contesto del foresight, termine che in italiano traduciamo con “previsione” e che in inglese indica un utilizzo dei dati di più ampio respiro – e più specificamente rivolto ai futuri possibili - rispetto alle attività statistiche del più tradizionale forecast (che in italiano traduciamo, comunque, con “previsione”)(7). Capire in cosa consista il lavoro dell’HS equivale a entrare in un ambito in cui sono necessarie competenze a vari livelli, sia teorici che pratici. Per un verso, si tratta d’individuare fenomeni inizialmente molto “rarefatti”, che però mostrano una tendenza a crescere nel tempo, i semi di futuro, appunto, cioè i segnali deboli. Dall’altro, bisogna capire in “cosa” consistono tali tendenze, a cosa portano, quali possibili scenari possono far prospettare. Quindi, una capacità non meramente teorica, ma anche d’immaginazione e di sensibilità nell’inquadrare il fenomeno nascente(8) in un quadro che possa prevedere molti possibili sviluppi: gli scenari, appunto. Non è solo statistica, che pure ha una parte importante a seconda dell’oggetto di studio su cui si stia facendo attività di foresight. Le applicazioni dell’HS sono infatti molteplici e spaziano dal contesto prettamente tecnologico a quello ambientale, dalla salute alla food security, per fare alcuni esempi degli ambiti di studio più diffusi.
La complessità del tema e il fatto che nel corso del tempo ci sia stata una riflessione sul “cosa facciamo quando diciamo di fare HS” sono chiaramente illustrati dalle differenti definizioni di HS che si possono trovare sulla pagina «Wikipedia» dedicata in lingua inglese(9). La definizione più recente è del 2019 e, nella pagina, è riferita all’Organizzazione per la Cooperazione e lo Sviluppo economico (Ocse): «a technique for detecting early signs of potentially important developments through a systematic examination of potential threats and opportunities, with emphasis on new technology and its effects on the issue at hand». Viene, quindi, enfatizzato l’effetto delle nuove tecnologie (di fatto “pilotando” lo scanning). Invece, nelle definizioni degli anni precedenti lo sguardo era meno “tecnologicamente diretto”. Di fatto, come per molte applicazioni dei Futures Studies, tutto parte da un fabbisogno informativo che nasce in ambiente militare e poi si amplia in contesti differenti (BENGSTON 2013). Quello che qui interessa sottolineare è come ci sia un legame strettissimo tra i decisori e i futuristi che fanno ricerca sul campo.
In uno dei modelli più noti, quello sviluppato dal Millenium Project nel contesto dello scambio ambientale (GLENN – GORDON 2009), gli studiosi lavorano (operano lo scanning) monitorando la stampa, i siti web e internet attraverso parole chiave, contenuti di conferenze e seminari, ma anche “seguendo” persone ritenute influenti in un certo campo. Il lavoro di scanning viene sottoposto ad analisi e sintesi e quanto prodotto in questa fase viene rilasciato su una banca dati (la cosiddetta “intelligenza collettiva”) della quale, a sua volta, fruiscono decisori, esperti e stakeholders. Sembrerebbe un processo a senso unico, ma non è così. Il management (che comunque deve essere sensibilizzato al tema del futuro) rimanda il suo feedback. Questo ha una ricaduta sia nel contesto di analisi e sintesi sia in quello di scanning. Simile processo genera, diciamo, “dal basso” (anche se si tratta di decisori) una nuova domanda di nuovi dati, che, a loro volta, divengono nuovi elementi che incrementano l’intelligenza collettiva. Un aspetto interessante del modello formulato da GLENN – GORDON (2009) è il fatto di guardare all’azione costruttiva sui futuri: così, da un lato, l’HS è situato nel contesto della foresight, dall’altro, riesce, in qualche modo, a toccare il terzo snodo dei Futures Studies, quello più impegnativo sul piano della responsabilità, vale a dire la fase dell’anticipation (POLI 2019).
Molto più focalizzato sul processo mentale, direi cibernetico, dell’HS è invece il modello teorizzato da DAY – SCHOEMAKER (2006), pensato per il contesto del mondo degli affari. In questo modello, possiamo distinguere alcune fasi che continuamente interagiscono tra loro, in un feedback incessante:
- scoping: definizione di quanto in là un’organizzazione può spingersi a esplorare;
- scanning: ricerca vera e propria dei trend emergenti, dei problemi ecc. Si divide in “esplorativo” e “di sfruttamento” (in cui si va in profondità in ambiti già conosciuti);
- interpretazione: formulazione delle ipotesi;
- probing and acting: a questo punto, si può decidere se attendere ulteriori sviluppi (watch and wait) in caso di forte incertezza, oppure approfondire (probe and learn), oppure dare una risposta chiara rispetto al segnale individuato (believe and lead);
- feedback and adjusting: costante revisione del processo, in cui vengono influenzati i modelli mentali e di apprendimento, così da portare di nuovo alla fase dello scoping.
Va da sé, anche in questa brevissima e sintetica descrizione di due dei più noti modelli di HS, che dietro gli schemi ci sono gruppi di studiosi organizzati, sia interni che esterni alle strutture (istituzioni, agenzie, ma anche gruppi legati a interessi economici ecc.) interessate a capire quali siano i segnali deboli che possono cambiare il loro modo di essere e/o di lavorare e/o gestire un qualsiasi ambito. La possibilità di accedere a una sempre più grande quantità di dati, nonché il diffondersi dei social media in cui praticamente tutti parlano di qualsiasi cosa hanno aumentato in modo esponenziale le fonti a disposizione. Per non parlare di un nuovo attore in campo, che cambierà probabilmente in modo radicale l’approccio all’HS. Non senza qualche problema di carattere tecnico-metodologico.
CONCLUSIONI
Il nuovo attore è, come forse intuibile, l’intelligenza artificiale (IA), ovvero uno strumento in grado di elaborare una quantità enorme di dati con una velocità finora impensabile(10). Evidentemente, lo strumento perfetto per estrapolare informazioni. Su una scala prima inimmaginabile. In particolare, possiamo pensare alla differenza tra le analisi fatte “graspando” testi dai social, prima scegliendoli e poi elaborandoli, rispetto a poter avere praticamente tutto, fornendo preventivamente delle parole chiave. Oppure, grazie al Natural Language Processing, l’IA è in grado, se guidata nel modo corretto, d’individuare temi (di fatto, da un punto di vista statistico, sono dei cluster) su cui si può approfondire la ricerca dei segnali deboli. E qui torniamo a un tasto fondamentale: l’IA va guidata in modo corretto. Si segnala, in pratica, la necessità di essere metodologicamente corretti. Qualsiasi tecnica o supporto si utilizzi. L’IA è intelligente – non nel senso umano in cui intendiamo il termine – ma non è cosciente di cosa “significhino” i dati che incamera e/o produce. Fa cose che non capisce e – se a volte sembra umana – è soltanto perché è stata istruita ad agire in un certo modo, non certo perché abbia contezza di quello che fa. Esiste in quanto connessioni di “grappoli di probabilità”, che non sono ragionamenti. Il che crea le ormai note “allucinazioni” (informazioni false che l’IA dà per vere: magari anche ben argomentate, ma false). Se col tempo diminuiranno le allucinazioni, resta il fatto che una supervisione è al momento – ma lo sarà anche più in là – indispensabile. Perché la qualità del dato è e rimane essenziale e non la si può affidare a una “macchina”, sia pure potentissima. La sensibilità e l’esperienza del ricercatore devono continuare a tenere il timone della ricerca. Vale il solito adagio del mondo informatico: Garbage In, Garbage Out. Ma in molti, al momento, sembrano troppo entusiasti di questa macchina meravigliosa per vederne i limiti (MESSERI – CROCKETT 2024). Il che potrebbe essere un interessante oggetto di studio per un HS. Dove stiamo andando? Siamo ancora al segnale debole, o c’è molto di più?
NOTE
(1) Il presente lavoro va considerato esclusivo prodotto del lavoro intellettuale della sua autrice. Le opinioni espresse in questa sede non necessariamente riflettono quelle del suo istituto di appartenenza.
(2) Anche se la letteratura metodologica ha ampiamente sottolineato quanti elementi di soggettività, di conoscenza ed esperienza del ricercatore entrino in gioco nella costruzione di uno strumento di ricerca quale, ad esempio, un questionario (MARRADI 2019), questa illusione di riprodurre la “realtà” continua ad affascinare sia chi produce dati che chi ne fruisce.
(3) Relativamente all’importanza della specifica testuale della voce “Altro” si confronti FACIONI 2020.
(4) La crescente sensibilità delle statistiche ufficiali nei confronti dei dati testuali e di contenuto è emersa in tutta la sua importanza nelle tre edizioni dell’indagine Istat Diario della giornata e attività ai tempi del coronavirus, la cui prima edizione esordì nell’aprile 2020, in pieno lockdown: per esempio, Statistiche Report - I cittadini durante la seconda ondata epidemica (12 dicembre 2020 – 15 gennaio 2021) del 21 marzo 2021.
(5) Basti qui dire che, mentre l’analisi testuale tratta singole parti del discorso, opportunamente trattate, come variabili, sottoponendole a un trattamento analogo a quello che si fa nell’analisi multidimensionale dei dati (BOLASCO 2022; FRAIRE 1994), nella Content Analysis (GLASER – STRAUSS 1967) l’approccio è grounded theory: il senso emerge analizzando il contenuto nel suo complesso e “dal basso”.
(6) In questo caso, andrebbero tuttavia considerati i dati in serie storica sugli utilizzi dei dispositivi nelle singole nazioni. I fax sono stati, di fatto, vietati nella pubblica amministrazione italiana con il cosiddetto “Decreto del Fare” del 2013 (Legge 9 agosto 2013, n. 98, art. 14, comma 1 bis).
(7) Il forecast è la tradizionale analisi dei trend che emergono da una serie storica, oppure un modello logistico, volto a focalizzare lo scenario più probabile in un orizzonte temporale non lontanissimo (fatta eccezione per le previsioni demografiche, che spaziano nel lungo termine data la robustezza e l’inerzia che le caratterizzano). Il foresight è invece finalizzato - con l’utilizzo di un ventaglio veramente ampissimo di tecniche, qualitative e quantitative - alla creazione di scenari di futuri possibili, avendo in mente un orizzonte temporale (soprattutto) di lungo termine.
(8) Inevitabile richiamare, per la sua potenza evocativa, lo storico lavoro di ALBERONI (1968), che in effetti può fornire spunti importanti per capire cosa “vediamo” quando individuiamo un fenomeno totalmente nuovo; anche nel contesto dell’HS applicato agli studi sociali.
(9) Con l’avvertenza di fare attenzione a controllare la corrispondenza tra la fonte citata e la definizione a essa collegata: gli articoli sono tutti molto interessanti, ma qualche dubbio sull’effettiva corrispondenza istituzione-definizione io l’ho avuto, e lo condivido con i lettori.
(10) Peraltro, con un enorme dispendio energetico, ma questo è un aspetto che esula dal tema dell’articolo.
RIFERIMENTI
F. ALBERONI, Statu nascenti. Studi sui processi collettivi, il Mulino, Bologna 1968.
E. BARBIERI MASINI, Why Futures Studies?, Grey Seal, London 1993.
D.N. BENGSTON, Horizon Scanning for Environmental Foresight: A Review of Issues and Approaches, United States Department of Agriculture – US Forest Service, General Technical Report Nrs-121, settembre 2013.
S. BOLASCO, Analisi multidimensionale dei dati. Metodi, strategie e criteri di interpretazione, Carocci editore, Roma 2022.
G.S. DAY – P.J.H. SCHOEMAKER, Peripheral Vision: Detecting the Weak Signals that Will Make or Break Your Company, Harvard Business Review Press, Boston 2006.
C. FACIONI, L’analisi delle risposte aperte, B. DELLE DONNE ET AL., Praticare la statistica. Applicazioni di metodi e indici statistici nelle Scienze Sociali Sanitarie Economiche, Liguori, Napoli 2020, pp. 77-91.
M. FRAIRE, Metodi di analisi multidimensionale dei dati: aspetti statistici e applicazioni informatiche, CISU, Roma 1994.
W.H. GATES, Horizon Scanning: Opportunities Technology Will Bring by 2005, «Journal of Business Strategy» XVI (1995) 1, pp. 19-21.
B. GLASER – A.L. STRAUSS, The Discovery of Grounded Theory. Strategies for Qualitative Research, Aldine Publishing Company, Chicago 1967.
J. GLENN – T. GORDON, Environmental Scanning, in Futures Research Methodology. Version 3.0, , The Millenium Project, s.l. 2009.
A. MARRADI, Tutti redigono questionari. Ma è davvero così facile?, FrancoAngeli, Milano 2019.
L. MESSERI – M.J. CROCKETT, Artificial intelligence and illusions of understanding in scientific research, «Nature» DCXXVII (2024), pp. 49-58.
R. POLI, Lavorare con il futuro. Idee e strumenti per governare l’Incertezza, Egea, Milano 2019.
N.N. TALEB, The Black Swan: The Impact of the Highly Improbable, Random House Publishing Group, New York 2007.