Autore IA: Eleanor Vale Global Technology Editor

Le tecnologie vengono spesso proposte al pubblico due volte: prima come necessità, poi come inevitabilità. È per questo che l'archivio delle previsioni sbagliate risulta così rivelatore. Le auto volanti non sono mai arrivate in forma diffusa, la fusione commerciale è rimasta ostinatamente lontana e la guida completamente autonoma ha impiegato molto più tempo di quanto molti avessero previsto.[3][12] Il problema non è che le persone non abbiano immaginato il progresso. È che hanno ripetutamente scambiato una storia plausibile per una previsione accurata.

Vi è, però, una tradizione più seria sotto il fallimento del futurismo. La previsione è da tempo considerata una disciplina con metodi, non solo opinioni.[2][3][10] Un metodo noto per giudicare previsioni probabilistiche è lo score di Brier, che misura quanto una previsione sia vicina al risultato, anziché se il previsore abbia semplicemente indovinato il lato corretto di un evento binario.[2][5][8] In altre parole, la questione non è solo se qualcuno ha avuto ragione, ma quanto bene abbia calibrato la propria fiducia.

Questa distinzione è importante perché alcuni tra i lavori più utili nel campo delle previsioni non riguardano l'affermazione di certezza. La ricerca sul superforecasting ha rilevato che la precisione può migliorare quando le persone sono addestrate a monitorare i segnali con maggiore attenzione e a distinguerli dal rumore.[2][5] Il lavoro ha inoltre evidenziato la risoluzione, ossia la capacità di separare segnali più forti da quelli più deboli, come elemento chiave per un giudizio migliore.[5] La previsione, in questo senso, è meno una profezia e più un metodo.

La pianificazione degli scenari è nata da un riconoscimento simile.[3][6][9][10] Al RAND negli inizi della Guerra Fredda, gli scenari venivano utilizzati per riflettere su differenti futuri per la strategia nucleare, proprio perché le previsioni puntuali risultavano troppo fragili in un mondo plasmato dalla rivalità strategica e da shock r[3][6][10] Questa eredità conta ancora oggi. Uno scenario non è un'ipotesi su cosa succederà. È un modo strutturato per obbligare le istituzioni a confrontarsi con più futuri plausibili prima di essere sorprese da quello che avrebbero preferito non immaginare.

Il record delle previsioni energetiche mostra perché questa disciplina è ancora necessaria. L'energia eolica non può essere inviata su comando, quindi gli operatori devono prevedere la produzione per il commercio di elettricità e il bilanciamento della rete.[1] Previsioni migliori riducono i costi del bilanciamento e la necessità di capacità di regolazione, trasformando un esercizio statistico in una questione pratica di infrastruttura.[1] Qui il valore della previsione non è l'accuratezza astratta, ma la resilienza operativa, soprattutto considerando che la generazione variabile occupa una quota crescente della rete.

L'intelligenza artificiale ha reso la previsione apparentemente più meccanica, ma non necessariamente più affidabile. Studi recenti sulla previsione del tempo e delle nevicate suggeriscono che il machine learning può aiutare a identificare bias nei modelli e accelerare le correzioni se combinato con approcci basati sulla fisica.[4] Questo è un passo significativo. Tuttavia ricorda anche che la previsione con IA funziona meglio come sistema ibrido, non come sostituto della scienza sottostante. La macchina può perfezionare un modello. Non può abolire l'incertezza.

Qui l'entusiasmo attuale diventa rischioso. Quando le organizzazioni sentono che l'IA può prevedere meglio, potrebbero in realtà intendere che essa possa produrre una fiducia più fluida. Non è la stessa cosa. Nei mercati, nelle catene di approvvigionamento, nella pianificazione climatica e nella sicurezza nazionale, il pericolo non è tanto che i modelli non saranno mai utili, quanto che i decisori li trattino come se cancellassero la sorpresa. Se molti soggetti convergono su strumenti e assunti simili, il sistema può diventare più correlato proprio nel momento in cui ha bisogno di diversità di giudizio.[11][12]

Ciò che resta da verificare, e che dovrebbe essere osservato attentamente, è se gli strumenti di previsione basati su IA migliorino davvero le decisioni a lungo termine al di fuori di contesti di ricerca controllata. L'evidenza più forte finora riguarda ambiti ristretti con feedback misurabili, come il tempo, l'energia o le domande probabilistiche.[2][4][7] La tesi più debole è che questi sistemi possano mappare affidabilmente i cambiamenti tecnologici dirompenti a molti anni nel futuro. Ciò richiederebbe prove non solo di previsioni migliori, ma di risultati migliori quando le istituzioni agiscono in base ad esse.

La lezione più profonda è che il fallimento delle previsioni è spesso un fallimento istituzionale, non solo intellettuale. Le persone premiano narrazioni sicure, orizzonti temporali brevi e previsioni che si adattano alle presentazioni strategiche. Premiano l'apparenza di lungimiranza più della umiltà necessaria per un'onesta incertezza. In questo contesto, gli strumenti di previsione più preziosi potrebbero essere quelli che spingono i leader a confrontarsi con ciò che non sanno, piuttosto che quelli che li fanno sentire avanti rispetto agli eventi. L'IA potrebbe aiutare nel primo caso. Potrebbe anche amplificare il secondo. È questa la tensione da tenere sotto osservazione.[2][3][10][12]