Qualche anno fa Shlomo Sand, professore di Storia Contemporanea all’Università di Tel Aviv, pubblicò un saggio che in Israele generò una reazione violenta: L’invenzione del popolo ebraico. La tesi centrale era che l’identità ebraica come “popolo” fosse una costruzione moderna, elaborata nel XIX secolo nel contesto dei nazionalismi europei, non una continuità biologica e culturale risalente all’antichità.

Il libro è documentato, il dibattito che ha aperto è reale, le domande che pone sono legittime. Ma la ricezione del libro — almeno in certi ambienti — ha riprodotto esattamente il meccanismo che il libro denuncia: selezione delle evidenze, costruzione di una narrazione, esclusione di ciò che non si adatta.

Non è un paradosso. È un segnale.

Chi costruisce la narrazione nazionalista e chi la smonta usano spesso lo stesso strumento epistemologico: scelgono i fatti che supportano la tesi, trascurano quelli che la complicano, arrivano a conclusioni già formate prima di iniziare l’analisi. La direzione è opposta. Il metodo è identico.

Questo non significa che le due posizioni siano equivalenti nei contenuti. Significa che nessuna delle due sta facendo quello che dichiara di fare — cercare di capire. Sta cercando di avere ragione.

La domanda che vale la pena porre è: cosa c’è sotto entrambe le narrazioni?

Le identità collettive non si trovano. Si costruiscono.

Non è un’affermazione ideologica — è un’osservazione storica verificabile. Roma è forse il caso più nitido. Fin dalle origini — il Lucus Asyli, il luogo di asilo aperto da Romolo per attrarre fuggitivi, stranieri, emarginati — Roma incorpora invece di escludere. Con l’espansione, il diritto di cittadinanza viene esteso progressivamente alle popolazioni conquistate. Imperatori di origine iberica, africana, siriana, illirica governano un impero che si definisce romano non per discendenza ma per adesione a un sistema di leggi, pratiche e strutture condivise.

Non è un modello ideale. È un modello empirico, con le sue contraddizioni documentate e i suoi limiti visibili. Ma produce qualcosa che i modelli fondati sulla purezza non riescono a produrre: durabilità.

Ernest Renan, nel 1882, aveva già formalizzato questa osservazione: la nazione non è razza, non è lingua, non è territorio. È un plebiscito quotidiano — la volontà collettiva di continuare a stare insieme, condividendo una memoria e un progetto.

Gli Stati Uniti rendono questo meccanismo visibile in modo quasi didascalico, perché non possono nasconderlo dietro una continuità etnica. Non c’è etnia fondante. C’è una narrazione condivisa, un sistema di valori codificato nella Costituzione, un rituale esplicito di adesione. Un nigeriano, un vietnamita, un polacco diventano americani non per sangue ma per atto di riconoscimento reciproco con quella cultura.

Ma gli USA sono anche il caso in cui la contraddizione tra principio dichiarato e applicazione praticata è più visibile e meno risolvibile.

Il diritto di chi è arrivato per primo vale — eccetto per chi era lì prima. La logica di Locke — la terra appartiene a chi la trasforma e la lavora — viene applicata ai coloni rispetto alla Corona britannica, non ai nativi rispetto ai coloni. I nativi non “contano” come primo arrivo perché non rientrano nel modello culturale di riferimento: non hanno proprietà privata formalizzata nel senso europeo, non costruiscono città nel senso europeo, non scrivono contratti nel senso europeo.

Questo non è semplicemente incoerenza. È il funzionamento di un filtro culturale che opera sotto il livello del principio dichiarato.

Il sociologo Robert Bellah ha chiamato questo substrato civil religion: un sistema di credenze e simboli quasi-religiosi che trascende le denominazioni confessionali e definisce chi appartiene alla nazione e chi no. La sua radice è la teologia calvinista — la prosperità materiale come segno di elezione divina. Chi non accumula, chi non trasforma la terra nel senso europeo-protestante, non è tra gli eletti. La sconfitta dei nativi diventa quasi una conferma teologica.

La separazione formale tra chiesa e stato — reale sul piano giuridico — non elimina questo substrato. Lo rende implicito. E ciò che non è dichiarato non può essere messo in discussione nel linguaggio ufficiale del sistema. La contraddizione rimane strutturalmente aperta perché il filtro che la genera non è nominabile.

C’è però un elemento che nessuna delle due narrazioni — quella nazionalista e quella che la decostruisce — vuole nominare esplicitamente.

Le entità collettive nascono quasi sempre da processi che includono violenza, sopraffazione, esclusione. Non come eccezione — come regola. Weber lo aveva formalizzato: lo stato è il detentore del monopolio della violenza legittima. La legittimità viene costruita dopo, sul fatto compiuto.

Cercare il fondamento etico dell’origine è un errore categoriale. Si applica una categoria — il giudizio morale — a un processo che non ne è governato. Roma nasce da una guerra. da una rivoluzione armata e dalla progressiva eliminazione delle popolazioni native. Il nazionalismo del XIX secolo — non solo quello ebraico — si realizza ovunque attraverso conflitti. Non esistono eccezioni rilevanti nella storia delle nazioni.

Questo non significa che tutto sia equivalente. Significa che il giudizio va spostato. Non sull’origine — che non si giudica, si descrive. Ma sulle strutture che vengono costruite dopo.

C’è un ultimo elemento che questo ragionamento obbliga a nominare, scomodo per chi vive nell’Europa contemporanea.

L’Europa ha fatto una scelta precisa: ha deciso di rimuovere il momento fondante come categoria legittima. Colonialismo, guerre, totalitarismi — non li ha dimenticati. Li ricorda così bene da averne fatto la ragione della propria rinuncia agli strumenti, non solo agli obiettivi. Il patriottismo costituzionale teorizzato da Habermas — la soft power come modello alternativo alla potenza — era una scommessa intelligente. Reggeva però solo in un mondo in cui qualcun altro faceva la guardia.

Il problema non è la scelta in sé. È che quella scelta è stata applicata unilateralmente. Il problema non è stabilire se l’atteggiamento degli altri attori sia legittimo o meno. Il problema è più concreto: quando alcuni interlocutori usano la forza come strumento reale, le dichiarazioni di principio non producono effetti equivalenti. L’asimmetria non è morale — è operativa. Chi non dispone di strumenti concreti non è un interlocutore — è uno spettatore.

Le identità nazionali europee non sono sopite. Sono vive ma non dicibili nel linguaggio pubblico europeo, perché quel linguaggio le ha dichiarate superate. Operano sotto la superficie — nei veti, nelle resistenze, nelle geometrie variabili. L’assenza di unità politica europea non è un problema tecnico o istituzionale. È lo specchio esatto di quelle identità che non si sono mai dissolte.

La domanda che vale la pena porre è: riconosciuto che le identità collettive si costruiscono sempre, e che l’origine non offre fondamenti etici su cui appoggiarsi, cosa rimane come criterio di valutazione?

Non l’origine. Non la purezza della narrazione — che è sempre selettiva, in entrambe le direzioni che abbiamo osservato. Rimangono le strutture costruite dopo il momento fondante, e la loro capacità di essere messe alla prova nel tempo.

Gli esempi che abbiamo percorso lo confermano empiricamente. Le entità che hanno mostrato maggiore durabilità non sono quelle fondate sulla purezza — biologica, culturale o narrativa. Sono quelle che hanno trovato un criterio di coesione che non richiedeva di escludere per definirsi: Roma con il suo modello di cittadinanza espandibile, gli USA nel principio dichiarato — anche quando non applicato. Modelli imperfetti, contraddittori, documentatamente fallibili. Ma osservabili. E quindi valutabili.

Il criterio non è ideale. È empirico. E come tale — aperto alla revisione.

Il 28 ottobre 1917, subito dopo Caporetto, Luigi Cadorna inviò ai comandi un comunicato che scaricava la responsabilità della sconfitta sui soldati: reparti che si erano vilmente ritirati o ignominiosamente arresi. Era una narrativa costruita per scagionare il comando.

Cadorna fu rimosso l’8 novembre 1917. Era inviso alla politica, ai soldati che trattava come materiale da consumare, e alla realtà dei fatti. Il suo successore Diaz applicò una logica diversa — per scelta o per necessità, non è facile dirlo — e l’esercito italiano tenne fino a Vittorio Veneto. Cadorna fu il parafulmine. Il sistema rimase intatto.

Badoglio, assente a Caporetto con il suo ordine di non aprire il fuoco, non subì conseguenze di rilievo. Le responsabilità della disfatta furono distribuite e in parte coperte per ragioni politiche. Fu anzi promosso e continuò la carriera, fino al 1944, come capo del governo del Sud, senza aver mai risposto di nulla.

Ma i reparti, lungo tutti i livelli gerarchici, compilavano documenti. Relazioni operative, dichiarazioni degli ufficiali superstiti, registrazioni delle perdite, diari di reparto. Documenti prodotti in tempo reale, sotto pressione, da chi era lì — non per la storia, ma per registrare fatti operativi. Distribuiti per segnatura negli archivi militari, sono rimasti lì. E quegli stessi documenti sono stati usati nelle inchieste e nei processi del dopoguerra per ricostruire le responsabilità.

Una narrativa ufficiale si era scontrata con una documentazione che non era stata prodotta per contraddirla. Ma che la contraddiceva comunque.

I tre livelli della storia

La storia si costruisce su livelli che non si sostituiscono.

Il generale Giuseppe Boriani, che comandava la Divisione Bersaglieri in quei giorni, ha scritto le sue memorie: L’ultima retroguardia. Non è uno storico che ricostruisce — è il protagonista che scrive. Vede la battaglia dal livello del comando: divisioni, brigate, corpi d’armata, il senso complessivo di quello che stava accadendo.

Paolo Gaspari e Alberto Pertoldi, nel Combattimento di Pradamano, scendono ai battaglioni e alle compagnie, ai tenenti che tengono il ponte fino all’ultima cartuccia, ai movimenti ora per ora. Attingono direttamente ai documenti dell’Ufficio Storico dell’Esercito.

Nessuno di questi livelli è sufficiente da solo. Boriani spiega il contesto ma non nomina i singoli. Gaspari e Pertoldi ricostruiscono i movimenti ma lavorano per aggregati. Per trovare il nome di un uomo specifico, bisogna scendere ancora: al fascicolo individuale, al foglio matricolare, alla dichiarazione di irreperibilità.

È lì che si trovano i singoli. E da lì, la storia di Caporetto cambia.

Due modelli in collisione

Il comando italiano aveva ricevuto informazioni precise dai disertori sull’imminente offensiva. Le rivalità interne allo Stato Maggiore — Cadorna e Capello in disaccordo sul dispositivo difensivo o offensivo — avevano paralizzato le decisioni. E Badoglio era assente.

Nel sistema italiano non si muoveva nulla senza un ordine scritto — non per coordinare meglio, ma per trasferire la responsabilità. Non importava il risultato: importava chi firmava. Una mentalità che non è rimasta lì, ma che continua a fare parte del costume italiano.

Dall’altra parte, i tedeschi avevano pianificato in poche settimane il trasferimento di reparti e materiali su richiesta austriaca: calcolo dei convogli ferroviari, percorsi scelti per non rivelare il dispositivo, coordinamento logistico di una precisione che non aveva precedenti su quel fronte. Non era solo capacità tecnica. Era il riflesso di un modello di comando radicalmente diverso: l’Auftragstaktik, la tattica per obiettivi. Ogni livello gerarchico riceveva un obiettivo, non un ordine dettagliato su come raggiungerlo. Sottufficiali e tenenti erano formati e autorizzati a decidere autonomamente quando le comunicazioni si interrompevano o la situazione cambiava.

Non era solo una scelta organizzativa. Rifletteva una cultura in cui la competenza era riconosciuta a ogni livello della gerarchia — dentro e fuori dall’esercito. In Italia quella cultura mancava. E a questo si aggiungeva qualcosa di più profondo: la dottrina della guerra era cambiata, ma non tutti al comando se n’erano accorti. La realtà sul campo era già altrove rispetto ai piani.

Quel modello presupponeva qualcosa che nel sistema italiano mancava: la fiducia che chi stava ai livelli bassi della gerarchia fosse capace di giudizio autonomo. Non era una differenza tecnica. Era una differenza di visione sociale e di cultura professionale — una distanza che attraversava l’esercito come la società. I tedeschi quella cultura l’avevano già costruita, dentro e fuori dall’esercito. I contadini italiani la stavano costruendo in trincea, loro malgrado, attraverso la condivisione degli stenti e la dipendenza reciproca — non per un’idea, ma per gli uomini alla propria destra e alla propria sinistra.

La manovra

La Divisione Bersaglieri aveva ricevuto un compito preciso: manovra di presa di contatto e frenaggio, per consentire il ripiegamento degli altri reparti e chiudere la ritirata. Era un ordine consapevole. Le perdite attese erano stimate intorno al settanta percento. Non era un’anomalia — era il calcolo di chi pianifica una retroguardia estrema.

Il 37° e il 43° battaglione tennero le posizioni sul ponte tra Buttrio e Pradamano oltre il tempo previsto, perché i reparti ai quali avrebbero dovuto garantire il ripiegamento non si presentarono ai punti di contatto stabiliti, senza che venisse comunicato nulla al loro comando. Nessun ordine di movimento, nessuna informazione. Tennero la linea perché era quello il loro compito — e perché non sapevano che la situazione era già cambiata altrove.

Boriani, che manteneva il contatto tra i suoi reparti e gli altri comandi, valutò la situazione e anticipò di alcune ore l’ordine di movimento, secondo una sequenza precisa: prima il 29°, poi il 43°, poi il 37°, che per la sua posizione avanzata sarebbe stato l’ultimo a disimpegnarsi. Il 29° riuscì a muoversi. Il 37° e il 43° furono investiti da nuovi attacchi mentre si stavano ancora predisponendo. Il 37° si trovò nella posizione peggiore rispetto alla manovra di aggiramento che stava per essere completata.

Quando il Maggiore Tosi, comandante del 37° battaglione — l’unico a cavallo — ricevette l’ordine di ripiegare, prima di muoversi radunò i suoi uomini e li inquadrò in ordine di marcia. In un momento di massima pressione, scelse di anteporre la coesione del reparto alla velocità del movimento. Si mossero come un reparto, non come una fuga.

Il 37° battaglione fu praticamente distrutto. Il 43° dimezzato. Le perdite complessive della divisione ammontarono a circa settanta ufficiali e millesettecento uomini di truppa.

Alessandro

Grilli Alessandro, figlio di Giovanni, nato il 29 febbraio 1884 a Castignano. Contadino. Non sapeva leggere né scrivere. Richiamato nel maggio 1916, passato per il 21° Reggimento Bersaglieri, assegnato al 4° nel maggio 1917.

L’ultima annotazione sul foglio matricolare: ferito a Pradamano il 31 ottobre 1917, scomparso dopo. Non identificato tra i morti, non denunciato come prigioniero. Dichiarato irreperibile nel gennaio 1919.

Prima di partire aveva detto alla moglie di occuparsi della bambina appena nata. Sapeva che non sarebbe tornato.

Alessandro non è un eroe nel senso convenzionale del termine. Non aveva ragioni ideologiche per difendere niente. Non voleva essere lì. Ma lì c’era — insieme ad altri uomini che non avevano scelto, che condividevano gli stenti, la paura, la consapevolezza di chi sa già come va a finire.

Non si trattava di scegliere tra restare e fuggire. Erano reparti che avevano combattuto e vinto insieme, con una fiducia costruita sul campo. Avevano un compito, lo conoscevano, ne conoscevano il costo. Quando il sistema di comando esterno aveva già ceduto intorno a loro, hanno continuato a fare quello che sapevano fare — fino a quando il tentativo di aggiramento li ha travolti, o appena in tempo per non esserlo.

Gli archivi

Alessandro è cercabile perché qualcuno ha conservato il suo fascicolo. Le carte operative dei reparti sono consultabili perché l’Ufficio Storico dell’Esercito le ha custodite per un secolo. I libri di Boriani e di Gaspari-Pertoldi esistono perché qualcuno ha fatto il lavoro di ricerca e ricostruzione.

Non tutto il materiale è digitalizzato — non per pigrizia istituzionale, ma per la vastità del patrimonio e la complessità del lavoro. Questo significa che parte delle fonti è ancora accessibile solo fisicamente, solo in loco, solo a chi fa il viaggio. È una limitazione che non è sentimentale: finché una fonte non è accessibile, non entra nell’analisi.

In quale battaglione si trovava Alessandro il 31 ottobre 1917 — nel 37°, praticamente distrutto sul ponte, o nel 43°, dimezzato nel ripiegamento? I Diari Storici del 4° Reggimento Bersaglieri per quei giorni sono all’Ufficio Storico dello Stato Maggiore dell’Esercito, segnatura B-1, 139/S-1735C. Consultabili solo a Roma, solo in loco.

La risposta potrebbe essere lì. O potrebbe non esserci.

La storia di Alessandro, come la grande storia, non si costruisce con le narrazioni. Si costruisce con i documenti, con la ricostruzione dei fatti e del contesto, che li rende leggibili. Senza questi archivi, e senza le persone che li custodiscono, niente di tutto questo sarebbe possibile.

Quando ci troviamo di fronte a qualcosa che ci emoziona — un quadro, una canzone, un edificio — viene quasi naturale chiedersi: è arte? È una domanda che sembra fondamentale. Forse non lo è.

Proviamo a costruire due insiemi: ciò che è arte e ciò che non lo è. Cerchiamo il confine. L’elemento più basso del primo insieme — il meno artistico tra le opere d’arte — quanto dista dall’elemento più alto del secondo? La distanza, scoprirete, è piccola. Spostando iterativamente quel punto limite, il confine migra. I due insiemi non sono disgiunti. Il taglio è arbitrario.

Questo non significa che la distinzione non esista. Significa che non è una proprietà delle opere — è una decisione di chi osserva. E allora la domanda interessante non è più “cos’è arte”. È: chi decide dove cade il taglio, e in base a cosa.

Chi traccia il confine

Jack Vettriano è un pittore scozzese autodidatta. Il suo quadro più noto — The Singing Butler — è stato per anni il più riprodotto in Gran Bretagna. Milioni di persone lo hanno cercato, acquistato, appeso in casa.

La Royal Scottish Academy lo ha rifiutato ripetutamente. I critici lo hanno definito kitsch, sentimentale, illustrativo.

Non è necessario prendere parti. Quello che vale la pena osservare è il meccanismo: un’istituzione che ha il potere di definire il perimetro dell’arte esclude un’opera che milioni di persone sentono profondamente propria.

Una delle accuse ricorrenti a Vettriano è la semplicità — pochi elementi compositivi, nessuna complessità formale dichiarata, una leggibilità immediata. È esattamente questa semplicità che il sistema istituzionale usa come criterio di esclusione.

Ma vale la pena chiedersi se quella semplicità sia davvero povertà, o se sia invece una scelta — economia di mezzi al servizio della tensione emotiva. E se sia proprio quella economia a permettere a persone di culture diverse di entrarci dentro senza bisogno di una chiave d’accesso.

La domanda rimane aperta. Ma ci porta direttamente al nodo successivo.

Cosa attraversa i confini culturali

Sultans of Swing di Mark Knopfler esce nel 1978. Racconta un’Inghilterra precisa — pub di provincia, musicisti di mezza età, un pubblico distratto. È un pezzo profondamente radicato nel suo contesto, quasi documentaristico nel testo.

Eppure ha attraversato confini culturali in modo difficile da spiegare con il solo contesto. Funziona anche per chi non ha mai visto quei pub, non conosce quell’Inghilterra, non ha vissuto quegli anni.

La progressione armonica della strofa — Re minore, Do maggiore, Si bemolle maggiore, La maggiore — è una cadenza di chiara origine mediterranea, presente in tradizioni musicali molto diverse tra loro, dal flamenco al blues. Non è una scelta teorica: è una scelta di colore. Produce una sonorità immediatamente riconoscibile, con quel sapore sospeso e leggermente malinconico che attraversa culture senza bisogno di spiegazioni. A questo si aggiunge la tecnica di Knopfler — arpeggi puliti, nessuna distorsione, voce e chitarra che si muovono insieme con un’economia di mezzi quasi asciutta.

Knopfler racconta un pub inglese di provincia con un colore armonico che viene da molto più lontano. Il codice culturale è locale. La sonorità è già universale per costruzione — e quella scelta, come conferma chi suona, non era necessariamente consapevole a livello teorico. Era una scelta pratica: quel giro di accordi suonava giusto.

E come per Vettriano, la struttura è minimale. Nella musica, come in pittura, la complessità non è una garanzia di profondità. Quello che conta è la scelta della nota successiva — perché quella nota dà senso a ciò che viene prima e prepara ciò che viene dopo. Tutto si gioca in pochi elementi, e la differenza sta nella precisione con cui sono scelti.

Questo suggerisce che nell’opera convivano almeno due livelli distinti. Il primo è specificamente culturale: i riferimenti, il contesto, il codice che richiede una chiave d’accesso. Il secondo opera prima del codice culturale — è il livello che attraversa i confini, quello che non richiede di condividere lo stesso contesto per funzionare.

Le opere che attraversano il tempo e la geografia potrebbero essere quelle in cui questo secondo livello è abbastanza forte da non essere bloccato dal primo. Ma c’è ancora una domanda che non abbiamo toccato: se l’arte emerge da una cultura e ne porta i codici, come fa a volte a precedere quella stessa cultura?

Ciò che emerge prima della consapevolezza

Vienna, fine Ottocento. L’impero asburgico è ancora formalmente in piedi. La superficie culturale è decorosa, ordinata, controllata.

Nel 1897 Gustav Klimt fonda la Secessione viennese, rompendo con l’accademia. Il motto è già un manifesto: Der Zeit ihre Kunst, der Kunst ihre Freiheit — a ogni epoca la sua arte, all’arte la sua libertà. Attorno a lui, Egon Schiele e Oskar Kokoschka portano sulla tela corpi distorti, psicologie esposte, tensioni che la cultura ufficiale non riusciva ancora a nominare. Schiele viene arrestato. Le opere vengono sequestrate.

Nella stessa Vienna, negli stessi anni, Freud pubblica L’interpretazione dei sogni. Non è una coincidenza — è la stessa tensione sotterranea che affiora contemporaneamente in luoghi diversi.

L’arte della Secessione non ha previsto la caduta dell’impero, che sarebbe arrivata vent’anni dopo. Ma ha reso visibile qualcosa che era già presente — una crisi che la cultura ufficiale non aveva ancora gli strumenti per dire.

L’artista non sta fuori dalla cultura che lo produce. Sta dentro di essa, ma con una sensibilità più alta a ciò che non è ancora formulato. Non inventa — intercetta. E portando in superficie ciò che è sotterraneo, lo rende dicibile per tutti.

Forse è questo il senso più preciso dell’effetto anticipatorio dell’arte. Non profetizza eventi. Anticipa la consapevolezza.

Una domanda aperta

Tre meccanismi, dunque, che riguardano tutti la relazione tra un’opera e la cultura che la circonda.

Il confine tra arte e non-arte è arbitrario, e chi lo custodisce esercita potere — spesso usando la complessità come criterio, mentre la vera profondità può stare altrove. Alcune opere attraversano i confini culturali perché operano su un livello che precede il codice — un motore emotivo che non richiede una chiave d’accesso condivisa. E certe opere anticipano non gli eventi, ma la consapevolezza — rendono manifesto ciò che una cultura porta dentro senza ancora saperlo.

La domanda che rimane è forse la più semplice: quando un’opera ci parla ancora dopo decenni o secoli, cosa sta attraversando il tempo — il codice culturale, o qualcosa che sta sotto?

Foto di Erik Mclean

Chi guida, oggi, sta davvero guidando?
Osservando il traffico — in città, in autostrada, ai semafori — la risposta onesta è: non sempre. Il telefono sul cruscotto, la musica, il podcast, la conversazione con il passeggero. La mente altrove. Le mani sul volante per abitudine, non per intenzione.

Non è una critica morale. È una descrizione.

La guida è diventata per la maggior parte delle persone un’attività di sottofondo — qualcosa che si fa mentre si fa altro, o mentre si pensa ad altro. Un intervallo tra due momenti che contano, non un momento che conta in sé.

Non è sempre stato così. C’è stata un’epoca in cui guidare era un atto consapevole, persino desiderato. Ma quella epoca aveva un contesto preciso — culturale, tecnologico, sociale — che non esiste più. Quello che è rimasto è il mezzo. Il senso si è trasformato in qualcos’altro, silenziosamente, senza che nessuno lo dichiarasse.

Vale la pena chiedersi cosa ci dice questo cambiamento. Non per giudicarlo — per capire dove sta andando.

Il contesto in cui si guida oggi non è lo stesso di cinquant’anni fa.

Le città sono cambiate. La densità urbana è cresciuta, ma non sempre nel senso atteso. Il costo crescente degli immobili nelle aree metropolitane ha spinto le persone verso periferie e comuni limitrofi — più lontani, ma ancora gravitazionalmente legati ai centri per il lavoro. A questo si aggiunge una mobilità lavorativa molto più elevata rispetto al passato: le persone cambiano azienda, cambiano sede, cambiano città. Gli spostamenti si sono moltiplicati e concentrati negli stessi orari. Il traffico è diventato una variabile strutturale — non un'eccezione, ma la condizione normale. Chi si sposta in automobile nelle ore di punta nelle grandi aree metropolitane non sta guidando in senso pieno: sta avanzando a passo d'uomo, frenando, ripartendo, aspettando. Un'attività che richiede presenza senza offrire nulla in cambio.

A questo si aggiunge una stratificazione normativa crescente. Le norme del codice della strada si sono fatte più stringenti — limiti di velocità, zone a traffico limitato, requisiti tecnici dei veicoli, standard di emissione. Non per capriccio burocratico, ma per ragioni reali: più veicoli, più velocità, più rischio. La risposta normativa era inevitabile.

Il risultato combinato è che lo spazio di libertà che l’automobile rappresentava si è progressivamente ristretto. Non è più il mezzo con cui si sfugge ai vincoli — è diventato esso stesso un sistema di vincoli: assicurazione, bollo, manutenzione, parcheggio, ZTL, limiti, telecamere.

L’automobile come simbolo di libertà individuale era già un racconto del dopoguerra. Oggi quel racconto fatica a reggere il confronto con la realtà quotidiana di chi passa un’ora in coda ogni mattina.

La risposta tecnologica a questo cambiamento è già in corso. Non nei laboratori — nei veicoli di serie.

Chi guida un’automobile moderna di fascia media ha già a disposizione sistemi che, fino a pochi anni fa, erano prerogativa delle vetture di lusso: frenata autonoma di emergenza, mantenimento automatico della corsia, cruise control adattivo che regola la velocità in funzione del veicolo che precede, riconoscimento dei segnali stradali, avviso di angolo cieco. In alcuni modelli, il veicolo è già in grado di gestire autonomamente tratti autostradali in condizioni di traffico scorrevole.

Non è fantascienza. È già nei concessionari.

Quello che colpisce, osservando questa evoluzione, è la direzione che indica. Ogni sistema di assistenza alla guida sposta progressivamente il carico cognitivo dal conducente al veicolo. Non elimina il guidatore — lo deresponsabilizza parzialmente, lo affianca, lo sostituisce nei compiti più ripetitivi e meno stimolanti.

C’è però un aspetto di questa transizione che vale la pena nominare con onestà. I sistemi di assistenza parziale creano un paradosso: da un lato inducono il conducente a distrarsi — la guida diventa meno impegnativa, la soglia di attenzione si abbassa. Dall’altro non sono ancora in grado di sostituirlo completamente — intervengono, correggono, frenano, ma richiedono che qualcuno rimanga presente e reattivo.

È una zona grigia pericolosa. Non è ancora guida autonoma, non è più guida tradizionale. Le responsabilità sono ambigue, i riflessi si atrofizzano, la fiducia nel sistema supera le sue capacità reali.

È un transitorio — necessario forse, ma non privo di costi. E suggerisce che la soluzione non stia nell’assistenza parziale, ma nel completare la transizione.

Qualcosa sta cambiando anche nel rapporto culturale con l’automobile, e lo sta facendo senza che nessuno l’abbia deciso.

Nelle grandi aree urbane, le generazioni cresciute negli ultimi vent’anni hanno sviluppato un rapporto con la mobilità strutturalmente diverso da quello dei loro genitori. L’automobile non è più il primo acquisto simbolico dell’indipendenza — in molti casi non è un acquisto affatto. Car sharing, scooter elettrici, mezzi pubblici, bicicletta: la mobilità è diventata un servizio da fruire, non un bene da possedere.

Non è solo una scelta culturale. È anche una risposta razionale al contesto: il costo crescente dell’automobile, la difficoltà di parcheggiarla, la disponibilità di alternative sempre più comode. Fuori dalle grandi città il quadro è diverso — l’auto rimane indispensabile. Ma nelle aree metropolitane la tendenza è leggibile nei dati: calo delle immatricolazioni nella fascia under 35, crescita costante dei servizi di mobilità condivisa, percentuale di giovani con patente in progressiva diminuzione.

A questo si aggiunge un dato culturale più profondo. L’automobile come status symbol — come oggetto che dice qualcosa di chi la possiede — ha perso progressivamente il suo significato nelle generazioni più giovani. Il modello che si guida non racconta più quello che raccontava. Altri oggetti, altri servizi, altre esperienze hanno preso quel posto.

Non è nostalgia, non è un giudizio. È una tendenza leggibile nei dati di vendita, nelle abitudini di spostamento, nei modelli di consumo. La direzione è già tracciata — semplicemente non è ancora stata letta come quello che è: un cambio di paradigma in corso, silenzioso e già avanzato.

Da questa osservazione emerge una domanda naturale: ha senso aspettare che questa tendenza si completi da sola, in modo frammentato e senza visione — o vale la pena costruire la proposta che la accompagna e la rende più efficiente?

La proposta non è rivoluzionaria nel senso di imporre qualcosa di nuovo. È quasi conservativa — prende una direzione già in atto e la organizza.

Il punto di partenza è una domanda semplice: cosa serve davvero alla mobilità individuale? Non guidare — spostarsi. Arrivare da A a B, possibilmente nel modo più comodo, efficiente e libero possibile. La guida è sempre stata il mezzo, non il fine. E quando il mezzo diventa un onere — traffico, stress, costi, norme, attenzione forzata — vale la pena chiedersi se esista un mezzo migliore per lo stesso fine.

La risposta esiste già in forma embrionale: unità di trasporto autonome, richiamate come servizio o possedute, in cui l’utente imposta la destinazione e si occupa d’altro. Non un’automobile con un autista — un sistema di mobilità in cui la guida non è più una variabile. Il tempo di spostamento torna disponibile: per lavorare, riposare, leggere, conversare.

Il salto ulteriore è sistemico. Queste unità non si spostano in modo indipendente e casuale — si aggregano dinamicamente in convogli per i tratti di percorso comuni, ottimizzando flussi e consumi, per poi disaggregarsi autonomamente verso le destinazioni individuali. Non è fantascienza: è logistica applicata alla mobilità personale. La stessa logica che governa i sistemi di distribuzione più efficienti, applicata agli spostamenti delle persone.

Il vantaggio non riguarda solo chi sceglie di non guidare. Riguarda anche chi non può più farlo — o non potrà farlo tra qualche anno. L’invecchiamento della popolazione porta con sé una perdita progressiva delle capacità fisiche e cognitive necessarie per guidare in sicurezza. Oggi quella perdita coincide con una perdita di autonomia: chi non può più rinnovare la patente perde l’accesso indipendente agli spostamenti. In un sistema di mobilità passiva, quel problema semplicemente non esiste. La mobilità non è più una prestazione — è un servizio disponibile a tutti, indipendentemente dall’età e dalle condizioni fisiche.

La guida, in questo scenario, non scompare. Si trasforma in quello che era alle origini — un’esperienza consapevole, cercata, ludica. La pista, il percorso di montagna, la domenica mattina con una macchina che vale la pena guidare. Non un obbligo quotidiano — una scelta.

Un sistema di mobilità ripensato in questi termini apre anche una domanda diversa sulla propulsione. Non più: come rendiamo il motore endotermico compatibile con requisiti che non è nato per soddisfare. Ma: quale sistema di propulsione è ottimale per un veicolo autonomo, aggregabile, gestito algoritmicamente?

La risposta non è ideologica — è tecnica. Un veicolo che non richiede risposta immediata al guidatore, che percorre tratti prevedibili, che si aggrega in convogli con flussi energetici condivisi, che viene gestito da un sistema che conosce in anticipo il percorso e ottimizza i consumi — questo veicolo ha requisiti completamente diversi dall’automobile tradizionale.

Propulsione elettrica, idrogeno, sistemi ibridi evoluti: non come imposizione normativa, ma come scelta tecnica naturale per un sistema progettato senza i vincoli del paradigma precedente. Quando si riparte dalla domanda giusta, le risposte cambiano da sole.

Una transizione di questa portata non si organizza da sola. La tendenza è già in atto, la tecnologia è già disponibile in forma embrionale, i costumi si stanno già muovendo. Ma senza una visione di sistema, quello che emerge è frammentazione: soluzioni parziali, standard incompatibili, investimenti duplicati, mercati che si sviluppano in modo disordinato.

È esattamente il punto in cui un programma coordinato fa la differenza — non per imporre una direzione, ma per renderla più rapida, più efficiente e più vantaggiosa per tutti.

Il modello non è nuovo. La Comunità Europea del Carbone e dell’Acciaio non nacque per dichiarare valori — nacque per rendere strutturalmente conveniente una cooperazione che altrimenti non sarebbe avvenuta. Non obbligò nessuno: rese il non partecipare oggettivamente svantaggioso. È la stessa logica che vale qui.

Un programma di ricerca multidisciplinare — ingegneria, urbanistica, scienze cognitive, economia dei sistemi — che definisca gli standard, le architetture, i protocolli di un sistema di mobilità passiva e aggregata. Non una tecnologia specifica da imporre, ma una piattaforma aperta su cui l’industria possa costruire.

Il coinvolgimento industriale non è una concessione — è una condizione. Chi costruisce veicoli, chi gestisce infrastrutture, chi sviluppa sistemi energetici ha tutto l’interesse a partecipare alla definizione del paradigma successivo, invece di subirlo. La storia insegna che chi arriva tardi al tavolo trova le regole già scritte da altri.

Il meccanismo di adesione è quello che ha già dimostrato di funzionare: chi partecipa ottiene vantaggi concreti — accesso agli standard, ai mercati, alle economie di scala. Chi non partecipa non viene punito — ma progressivamente si trova fuori da un sistema che funziona meglio del suo. Non un obbligo normato. Una proposta vantaggiosa che rende il non aderire la vera alternativa scomoda.

Ci sarà sempre chi sceglierà diversamente — chi vorrà un veicolo personale, un autista, un rapporto esclusivo con la propria mobilità. È una scelta legittima, come lo è oggi scegliere una barca privata invece del traghetto. Il sistema non li esclude e non li riguarda. Semplicemente, non è per loro che si costruisce il paradigma — è per tutti gli altri.

Il resto diventa sistema. Efficiente, prevedibile, liberato dal peso di un paradigma che ha centocinquanta anni e che ha già dato tutto quello che poteva dare.

Un motore a combustione interna aperto — centocinquanta anni di un principio invariato.

Mi sono chiesto, a un certo punto, come mai in centocinquanta anni di evoluzione tecnologica accelerata — dai semiconduttori alle telecomunicazioni satellitari, dalla biologia molecolare all’intelligenza artificiale — la mobilità individuale si fondi ancora su un principio introdotto nell’Ottocento: bruciare un derivato del petrolio per muovere un pistone.

Non è una domanda ecologista. È una domanda di metodo.

Perché quando un paradigma resiste così a lungo, nonostante i suoi limiti siano noti, documentati e misurabili — l’inquinamento, la dipendenza geopolitica da risorse concentrate in aree instabili, l’inefficienza termodinamica intrinseca — la spiegazione non può essere semplicemente tecnica. Qualcosa di più profondo tiene in piedi il sistema.

E quella cosa, scopriremo, non abita solo ai piani alti.

Il motore a combustione interna ha centocinquanta anni. I suoi limiti fondamentali erano già chiari ai suoi inventori: converte in movimento una frazione dell’energia contenuta nel combustibile, disperdendo il resto in calore. Quel rendimento è migliorato nel tempo — nei casi migliori, nei motori diesel ad alte prestazioni, si è arrivati intorno al quaranta percento — grazie a un secolo e mezzo di ingegneria raffinata. Un risultato notevole. Ma il principio è rimasto invariato. E i limiti strutturali — l’inquinamento, la dipendenza da una materia prima distribuita in modo geograficamente e politicamente irregolare — non sono stati risolti dall’ottimizzazione. Sono stati ridotti, gestiti, in parte nascosti. Non superati.

Eppure ha vinto. E ha continuato a vincere, decennio dopo decennio, perfezionandosi nei dettagli senza mai mettere in discussione il principio.

Non è andata così per caso.

Nel corso del Novecento le alternative sono esistite — elettrica, a idrogeno, a vapore — in forme più o meno mature, più o meno praticabili. Alcune sono state esplorate, brevettate, abbandonate. Non sempre per limiti tecnici insuperabili. Più spesso perché intorno al paradigma esistente si era costruito nel frattempo un ecosistema enormemente più grande della tecnologia stessa: infrastrutture, capitali, competenze, mercati, geopolitica. Un sistema che aveva tutto da perdere dal cambiamento e molto da guadagnare dall’ottimizzazione dell’esistente.

Alcune sono state abbandonate per limiti tecnici reali. Altre hanno incontrato ostacoli che tecnici non erano. La storia industriale del Novecento offre esempi documentati in abbondanza, per chi voglia approfondire.

C’è un altro segnale che vale la pena leggere. Il tentativo di rendere il motore a combustione compatibile con requisiti ambientali sempre più stringenti ha prodotto nel tempo una stratificazione tecnologica crescente: catalizzatori, sistemi di ricircolo dei gas, filtri antiparticolato, additivi chimici. Ogni soluzione aggiunta per contenere un limite ha introdotto nuova complessità, nuovi costi, nuovi punti di rottura — e in alcuni casi ha compromesso proprio quelle qualità di efficienza e risposta che avevano reso questi motori apprezzati.

Il problema non è stato risolto. È stato spostato, distribuito, reso meno visibile.

Quando una tecnologia richiede trasformazioni così profonde per diventare compatibile con requisiti che essa stessa non può soddisfare per natura, il segnale è chiaro: non si tratta di ottimizzare ulteriormente. Si tratta di scegliere — un cambio di paradigma tecnologico, o un ripensamento più radicale di come concepiamo la mobilità individuale.

Chiamarlo complotto sarebbe scorretto oltre che inutile. Nessuna riunione segreta ha deciso che il motore a scoppio dovesse sopravvivere. È successo qualcosa di più banale e più difficile da contrastare: migliaia di decisioni razionali, prese da migliaia di attori diversi, ciascuno nel proprio interesse immediato, hanno prodotto collettivamente una stasi.

È il meccanismo che vale la pena capire. Perché lo riconosceremo altrove.

Il motore a scoppio non è l’unico caso. Il nucleare racconta una storia speculare e per certi versi ancora più rivelatrice.

Scegliere di non avere il nucleare è una scelta legittima. Ma è una scelta che ha un costo reale, misurabile: se rinunci a una fonte di energia concentrata, devi produrre altrove ciò che ti manca, oppure consumare meno. Tertium non datur.

Quello che è accaduto in molti paesi è invece una terza via apparente: rifiutare il nucleare per ragioni che mescolano paura reale, ideologia e consenso elettorale, e poi acquistare energia dall’estero — inclusa quella prodotta da centrali nucleari altrui — scaricando su altri il rischio che si dichiara insopportabile.

Non è una soluzione. È una contraddizione resa invisibile dalla distanza geografica.

E anche qui, il meccanismo non è la malafede. È la stessa logica di sempre: massimizzare il consenso nel breve periodo, rimandare il costo reale, lasciare che il problema diventi di qualcun altro. Ai piani alti si chiama politica energetica. Altrove si chiama in altri modi.

C’è un filo che attraversa questi esempi e li tiene insieme. Non è la corruzione, non è la stupidità, non è nemmeno la malafede sistematica. È qualcosa di più sottile e più universale.

Gli economisti comportamentali lo chiamano status quo bias: la tendenza cognitiva a preferire la situazione esistente rispetto a qualsiasi alternativa, anche quando l’alternativa è oggettivamente migliore. Il cambiamento viene percepito come perdita certa. Il mantenimento viene percepito come assenza di rischio, anche quando il rischio è semplicemente differito.

Non è un difetto dei potenti. È una caratteristica della specie.

Lo ritroviamo nelle grandi decisioni industriali e in quelle politiche, nelle scelte collettive e in quelle individuali. Cambiamo operatore quando la bolletta diventa insostenibile, non quando troviamo qualcosa di meglio. Cambiamo abitudini quando il medico ci obbliga, non quando capiamo che sarebbe razionale farlo. Aspettiamo che cambino gli altri, poi eventualmente seguiamo.

C’è una parola per questa attesa strategica: prudenza. A volte lo è davvero. Più spesso è qualcos’altro travestito da prudenza.

La differenza tra chi decide per milioni di persone e chi decide solo per sé stesso non è nel meccanismo. È nella scala delle conseguenze.

È facile, leggendo questi fatti, individuare i responsabili e fermarsi lì. L’indignazione verso i grandi interessi è comprensibile, spesso giustificata. Ma è anche molto comoda: scarica altrove il peso della riflessione e ci restituisce, senza sforzo, una posizione morale netta.

Vale la pena invece fare una cosa più difficile: chiedersi se lo stesso meccanismo — scaricare il costo del cambiamento su altri, rimandare, attendere che si muovano prima gli altri — non sia qualcosa che pratichiamo anche noi, alla nostra scala, nelle nostre scelte quotidiane.

Non per assolvere nessuno. Ma perché accusare senza riconoscersi è un altro modo di non cambiare niente.

Eppure c’è una differenza che conta, e vale la pena nominarla.

Chi gestisce grandi interessi — industriali, finanziari, politici — ha strumenti per rendere invisibile il costo del proprio immobilismo: può esternalizzarlo, distribuirlo nel tempo, scaricarlo su altri. La dipendenza energetica diventa un problema del governo successivo. L’inquinamento diventa un problema delle generazioni future. Il costo reale viene sempre pagato, ma da qualcun altro, altrove, più tardi.

Noi non abbiamo questi strumenti. Il costo delle nostre inerzie lo paghiamo quasi sempre noi stessi, prima o poi. Eppure il meccanismo è identico.

Aspettiamo che cambino le condizioni prima di cambiare noi. Aspettiamo che cambino gli altri. Costruiamo ragionamenti elaborati per giustificare la scelta di non scegliere. Chiamiamo realismo quello che spesso è semplicemente comodità.

Non è una condanna. È una descrizione.

Il punto non è sentirsi in colpa per un’inerzia che condividiamo con l’intera specie. Il punto è riconoscerla. Perché il cambiamento sistemico non precede quello individuale — lo segue. E chi aspetta che siano i grandi a muoversi per primo sta applicando, alla scala più piccola possibile, esattamente lo stesso meccanismo che critica.

Centocinquanta anni di procrastinazione collettiva e industriale funzionano con la stessa logica delle nostre, personali. Solo la scala è diversa.

Foto di Raylor Photo

Il tempo che la legge non ha

Il caso Roggero non è, in questa sede, oggetto di discussione. La sentenza — tre gradi di giudizio, esito confermato, motivazioni fondate su fatti verificabili come la revoca del porto d’armi e la sequenza temporale ricostruita dalle telecamere — non viene qui né contestata né difesa. Serve da punto di partenza per una domanda diversa, che la sentenza non pone e non può porre: come si è formata la condizione in cui quel cittadino si è trovato? La risposta attraversa tre piani distinti e misurabili separatamente — il funzionamento del diritto, la presenza o assenza della prevenzione, la tenuta del patto sociale che lega i cittadini tra loro prima ancora che allo Stato. Il primo di questi piani riguarda, a sua volta, tre caratteristiche del diritto stesso: il tempo, la prevedibilità, la cavillosità.

Il tempo, anzitutto. Un cittadino comune, senza la possibilità di consultare un avvocato nell’istante in cui agisce, decide in una frazione di secondo qualcosa che il sistema giudicherà, con calma, mesi o anni dopo. Questo scarto tra il tempo dell’azione e il tempo del giudizio è misurabile anche su scala nazionale: secondo le rilevazioni della Commissione europea per l’efficacia della giustizia (CEPEJ), un procedimento civile italiano dura in media 527 giorni in primo grado, e supera i 2.600 giorni — oltre sette anni — sommando tutti e tre i gradi di giudizio; in paesi come il Portogallo o la Svezia lo stesso percorso completo si chiude in poco più di un anno. Per un cittadino o un’impresa coinvolti in una controversia, questo non è un dettaglio tecnico: è il tempo in cui un danno può diventare irreversibile prima che un giudice si sia pronunciato.

La prevedibilità, in secondo luogo. In ambito penale — quello che riguarda direttamente casi come questo — le rilevazioni aggregate mostrano che tra il 40 e il 45 per cento delle sentenze di primo grado viene riformato, in tutto o in parte, in appello; alcuni giuristi osservano che negli anni Novanta la quota era ancora più alta, vicina al 60 per cento. Il dato non è uniforme sul territorio: gli studi sulla giustizia d’appello registrano differenze sistematiche tra distretti, al punto che in alcune aree le sentenze riformate superano quelle confermate — un’anomalia che gli osservatori giudiziari leggono come segnale di difficoltà strutturale nella motivazione dei provvedimenti di primo grado, più che come casualità statistica. Un diritto prevedibile dovrebbe produrre lo stesso esito a parità di condizioni; qui la variabile territoriale pesa quanto quella fattuale.

La cavillosità, infine — forse la più insidiosa delle tre, perché riguarda la norma stessa, non la sua applicazione. La legittima difesa non si stabilisce guardando la scena: si stabilisce fissando soglie sull’“attualità” del pericolo, sulla proporzionalità della reazione, sulla sequenza esatta dei fatti — soglie che solo una ricostruzione a posteriori, con perizie, fotogrammi e sequenze cronometrate, può definire con precisione. Una norma generale, per essere davvero tale, dovrebbe poter orientare la decisione nel momento in cui viene presa. Una norma che richiede una stratificazione di distinzioni tecniche accessibili solo dopo, in aula, smette di essere una guida per l’azione e diventa uno strumento di giudizio a posteriori — utile al tribunale, inutile a chi si trova a decidere in una frazione di secondo.

C’è una quarta implicazione, che non riguarda una caratteristica del diritto in sé, ma l’effetto distributivo delle prime tre. Un sistema lento, imprevedibile e cavilloso non pesa allo stesso modo su chi lo attraversa una volta sola e su chi lo attraversa abitualmente. Per chi delinque come attività ricorrente, un esito sfavorevole è un rischio calcolato, incorporato nel mestiere — sa muoversi tra i gradi di giudizio, dispone spesso di difese esperte proprio in virtù della frequenza con cui ne ha bisogno, e un carcere scontato è un costo previsto, non un evento che ribalta la vita. Per chi non delinque mai — un cittadino che reagisce una volta, in una condizione eccezionale, senza esperienza del sistema e spesso senza le stesse risorse difensive — lo stesso esito sfavorevole non è un rischio del mestiere: è una sfortuna che si abbatte su un’esistenza costruita altrove, e la devasta. La cavillosità e l’imprevedibilità non colpiscono in modo neutro: pesano meno su chi è già attrezzato a maneggiarle, e di più su chi vi entra in contatto per la prima e unica volta.

Quattro caratteristiche distinte — il tempo, la prevedibilità, la cavillosità, l’effetto distributivo che ne consegue — convergono su un solo punto: un diritto che, pur restando tra i più garantisti d’Europa nella sua formulazione, funziona nella pratica come uno strumento che interviene in differita, non sempre nello stesso modo a parità di fatti, e con una complessità tecnica inaccessibile nel momento in cui servirebbe. È il primo dei tre fallimenti. Gli altri due riguardano ciò che avrebbe dovuto impedire, a monte, che quella sera la scelta si ponesse.

La deterrenza che non si vede più

Il diritto, per sua natura, interviene dopo. Giudica un fatto già accaduto. La prevenzione, al contrario, dovrebbe agire prima — ridurre la probabilità che quel fatto accada, non stabilire le conseguenze una volta che è accaduto. È un piano distinto dal precedente, e va misurato con strumenti distinti.

Un elemento di prevenzione documentato in criminologia è la cosiddetta deterrenza per presenza: non è tanto la severità della pena a scoraggiare un comportamento, quanto la percezione soggettiva della probabilità di essere controllati. Un controllo visibile — una pattuglia che verifica una sosta vietata, che interviene su un comportamento anomalo alla guida, che semplicemente si fa notare in un quartiere — non previene solo quel singolo episodio: comunica a chi osserva che il sistema è presente, attivo, attento. Quando quella presenza si dirada, il messaggio che arriva non è “le regole sono meno rigide”, ma qualcosa di più radicale: “in questo momento e in questo luogo, le regole non sono monitorate.”

Questo scarto tra presenza e assenza non riguarda i reati gravi in primo luogo. Riguarda le infrazioni minori e quotidiane — un divieto di sosta ignorato, una manovra pericolosa non contestata, un comportamento sopra le righe lasciato correre — che un tempo venivano intercettate con regolarità e oggi lo sono con minore frequenza. Non è un giudizio sull’operato delle forze dell’ordine, spesso numericamente insufficienti rispetto ai compiti che devono coprire: è la registrazione di un effetto a cascata. Quando l’infrazione minore smette di incontrare una reazione, il cittadino che la osserva impara due cose contemporaneamente: che il rischio di conseguenze è basso, e che l’infrazione stessa è, in fondo, meno grave di quanto la norma dichiari.

Ed è qui che il piano della prevenzione tocca quello, distinto, che affronteremo nella prossima sezione: quando un’infrazione ripetuta non incontra più alcuna reazione visibile, smette gradualmente di essere percepita come violazione di un patto con gli altri, e diventa semplicemente “così funzionano le cose”. La prevenzione, in questo senso, non serve solo a scoraggiare un singolo reato: serve a mantenere viva, nella percezione collettiva, l’idea stessa che esista una regola condivisa.

Roggero non si è trovato solo davanti a una domanda giuridica sulla legittima difesa. Si è trovato, prima ancora, in un negozio che tre persone hanno potuto rapinare — una condizione che la prevenzione avrebbe dovuto rendere meno probabile, e che invece si è realizzata. La sentenza ha giudicato la sua reazione. Nessuna sentenza, per definizione, poteva giudicare l’assenza che l’ha preceduta.

Il patto che nessuno controlla

I due piani precedenti — diritto e prevenzione — condividono una caratteristica: intervengono entrambi dopo che qualcosa si è già rotto. Il diritto giudica un fatto avvenuto. La prevenzione, quando funziona, riduce la probabilità che quel fatto avvenga, ma presuppone comunque un apparato che sorveglia, controlla, sanziona. Il terzo piano è diverso, ed è per questo il più rilevante dei tre: non richiede né un tribunale né una pattuglia. Richiede solo che il cittadino riconosca, senza bisogno di essere osservato, che una regola condivisa vale anche quando nessuno la fa rispettare. È l’unico dei tre livelli che, se funzionasse, renderebbe meno necessari gli altri due.

La libertà che ha un costo per qualcun altro

Il punto di osservazione più utile non è il crimine, ma l’infrazione minima: la carta lasciata cadere in un parco, il biglietto del mezzo pubblico non pagato, la sosta selvaggia che occupa lo spazio destinato a un altro, la fila non rispettata. Sono episodi che, presi singolarmente, sembrano irrilevanti — ed è proprio questa apparente irrilevanza a renderli il caso di studio più chiaro. Nessuno di questi gesti richiede un contesto di povertà, di marginalità, di necessità: è compiuto per comodità, in piena consapevolezza, da persone che nella stessa giornata possono discutere con convinzione di diritti collettivi su scala globale.

Il meccanismo logico è verificabile con un semplice esperimento mentale, non dissimile da quello con cui Kant argomentava l’imperativo categorico: che cosa accadrebbe se quel comportamento diventasse generale? Se tutti evitassero il biglietto, il servizio pubblico che lo stesso evasore utilizza cesserebbe di esistere, sostenuto solo da chi continua a pagare. L’evasore non sta semplicemente infrangendo una regola astratta: sta trasferendo silenziosamente il costo del proprio comportamento su chi non lo adotta. Lo stesso vale per chi lascia rifiuti in un parco pubblico — la fruibilità dello spazio comune si deteriora per tutti, in proporzione a quanti scelgono di non contribuire a mantenerla — e per chi occupa una fila o uno spazio di sosta non suo: sta usando un diritto collettivo come se fosse privato, esattamente nella misura in cui lo nega a chi verrebbe dopo. In ciascun caso, la libertà individuale rivendicata non è neutra: ha un costo, misurabile, che ricade su un altro.

La ridefinizione della gravità

Cosa succede, nel tempo, a chi ripete questo gesto senza mai incontrare una reazione — né una sanzione, né uno sguardo di disapprovazione? Non si limita a ripeterlo. Tende a riclassificarlo. “In fondo non è una cosa così grave” non è la conclusione di un ragionamento sulle conseguenze — è l’effetto retroattivo della loro assenza. È un meccanismo psicologicamente affine a quello che la teoria della dissonanza cognitiva descrive nell’auto-giustificazione: se il comportamento si ripete e nessun costo esterno lo accompagna, la mente tende ad allineare la valutazione morale del gesto alla sua pratica reale, piuttosto che il contrario. Non è più “lo faccio anche se è sbagliato”: diventa “in fondo non è sbagliato farlo”.

Questo passaggio sposta il problema da un piano comportamentale a uno percettivo: non si tratta più di un cittadino che infrange consapevolmente una regola calcolando il rischio, ma di un cittadino che ha smesso di vedere quella regola come portatrice di un diritto altrui. È la stessa lente che Edward Banfield descriveva, in un contesto diverso ma affine, come “familismo amorale”: una razionalità che massimizza l’interesse della propria unità immediata senza riuscire a percepire il contesto sociale come portatore di interessi equivalenti. Il parco, il servizio pubblico, la fila smettono di essere “gli altri” e diventano semplicemente sfondo.

La trasmissione

È a questo punto — non prima — che entra in gioco l’educazione. Un genitore che ha attraversato questo processo di ridefinizione non trasmette al figlio “si può violare la regola senza rischio”: trasmette qualcosa di più radicale, perché per lui la regola ha smesso di esistere come categoria portatrice di un diritto altrui. Il bambino che osserva il genitore parcheggiare dove conviene, saltare la fila, non pagare il biglietto — senza mai un commento, una remora, un segno che quel gesto sia anche solo notato come problematico — non apprende che la regola si può infrangere. Apprende che quella configurazione di comportamento non è la violazione di nulla. È semplicemente come funzionano le cose.

Va precisato, per rigore, che descrivere questo meccanismo non equivale a un giudizio morale sui singoli genitori. È più utile — e più falsificabile — leggerlo come esito coerente dei due passaggi appena descritti: se il contesto ha eroso, gesto dopo gesto, la percezione stessa della regola come portatrice di un diritto altrui, quella percezione mancante non può essere trasmessa a chi non l’ha mai posseduta. Non si insegna ciò che si è smesso di vedere. La generazione successiva, in questo scenario, non eredita un patto indebolito: eredita l’assenza del concetto stesso di patto.

I tre meccanismi di Borsellino

L’intero processo appena descritto — dalla violazione tollerata alla sua ridefinizione interna, fino alla mancata trasmissione — trova una formulazione teorica precisa nel ragionamento con cui Paolo Borsellino distingueva i meccanismi che tengono insieme il rispetto della legge: non solo il timore della sanzione, ma il fatto che la maggior parte delle persone rispetta le norme perché le ritiene giuste, e perché la loro violazione comporterebbe la disapprovazione degli altri cittadini. Sono tre leve distinte, e la casistica appena descritta permette di osservarle separatamente in azione. Il timore della sanzione è quello su cui agisce la prevenzione — fragile per costruzione, cessa non appena il controllo si allenta. Il riconoscimento della regola come giusta è interiore, e precede ogni sorveglianza: è precisamente ciò che si logora nel processo di ridefinizione appena descritto. La disapprovazione sociale è esterna come la prima, ma non dipende dallo Stato: dipende dalla comunità stessa, dalla sua capacità di segnalare — con lo sguardo, col giudizio, con la disapprovazione informale — che un comportamento non è accettabile. È ciò che la criminologia contemporanea, con Robert Sampson, chiama collective efficacy.

Quando tutte e tre le leve sono attive, una società regge anche nei momenti di minor sorveglianza istituzionale. Ma la sequenza qui ricostruita — dalla violazione tollerata alla sua ridefinizione, fino alla trasmissione mancata — descrive un processo in cui la seconda leva si è già indebolita dall’interno e la terza, la disapprovazione sociale, è quasi scomparsa dall’esperienza quotidiana: chi getta la carta o non paga il biglietto raramente incontra oggi una reazione visibile. Resta attiva solo la prima, il timore della sanzione — proprio il meccanismo che, come mostrato nella sezione precedente, si è indebolito a sua volta.

Perché questo livello, e non gli altri due, potrebbe invertire la traiettoria

Il diritto e la prevenzione richiedono risorse — tribunali, tempo, personale, sorveglianza — e intervengono sempre in risposta a qualcosa già accaduto o imminente. Il patto sociale, quando interiorizzato, non richiede nulla di tutto questo: agisce prima, senza controllo, senza costo, perché il cittadino si astiene per riconoscimento del principio, non per calcolo di convenienza. È l’unico dei tre livelli in cui la prevenzione non è compito di qualcun altro, ma funzione distribuita su ogni cittadino, esercitata gratuitamente, nelle scelte minime di ogni giorno.

Ed è, per lo stesso motivo, il più difficile da ricostruire una volta eroso. Si può aumentare il numero di pattuglie, si può accelerare un processo civile — interventi tecnici, per quanto costosi. Non si può imporre per decreto la convinzione che una regola sia giusta anche quando nessuno guarda. Quella convinzione si trasmette, o smette di trasmettersi, in un tempo lungo, attraverso l’esempio quotidiano — ed è esattamente il punto in cui, secondo la sequenza qui descritta, la trasmissione si è interrotta.

Tre fallimenti, non uno

Il caso da cui siamo partiti resta, in questa sede, ciò che era all’inizio: un punto di innesco, non un oggetto di giudizio. La sentenza che lo ha definito non viene qui rimessa in discussione. Ma la domanda che quella sentenza non poteva porsi — come si è formata la condizione in cui un cittadino si è trovato — trova ora una risposta su tre piani distinti, ciascuno misurabile separatamente, e ciascuno insufficiente da solo a spiegare l’esito.

Un diritto che interviene in differita, con esiti non sempre prevedibili e con una complessità tecnica inaccessibile nel momento in cui servirebbe. Una prevenzione la cui presenza visibile si è progressivamente ritirata. E un patto sociale che, proprio a causa di quel vuoto, si è eroso dall’interno: non solo violato, ma ridefinito come irrilevante, fino a non essere più trasmesso a chi verrà dopo.

Il terzo livello è, dei tre, il meno visibile — e non a caso. Un diritto lento si nota mentre si attende una sentenza. Una prevenzione assente si nota mentre si subisce un reato. Ma il patto sociale eroso non si nota mentre lo si infrange: chi getta la carta o evade il biglietto non percepisce, in quel momento, di aver contribuito a nulla. Diventa visibile solo dopo, e solo a chi si trova dall’altra parte — quando è il diritto a non arrivare in tempo, la prevenzione a non esserci stata, e attorno non resta nessuna rete fatta di regole condivise a sostenerlo. È in quel momento, non prima, che il cittadino si scopre solo davanti a un sistema che credeva reciproco — e si sente, esattamente, una pecora tosata.

C’è un dato che aiuta a mettere tutto in prospettiva.

Il cervello umano consuma circa 20 watt. Meno di una lampadina a basso consumo. Eppure produce ragionamento, linguaggio, percezione, memoria, creatività — tutto quello che i sistemi di AI moderni cercano, in qualche misura, di replicare funzionalmente.

I modelli di AI più avanzati consumano, solo durante l’addestramento, energie nell’ordine di decine di gigawattora. In inferenza — ogni volta che un utente fa una domanda — consumano ordini di grandezza più di un neurone biologico per produrre una singola risposta. E questo su scala globale, milioni di richieste al giorno.

Non è un dato per condannare la tecnologia. È un dato per capire dove siamo. Stiamo costruendo sistemi straordinariamente capaci con una efficienza energetica che non ha nulla a che vedere con il sistema biologico che, in qualche modo, ci ha ispirato. E i limiti di questa distanza stanno diventando visibili — nell’energia, nell’acqua necessaria per raffreddare i data center, nei costi infrastrutturali che crescono con la scala.

La domanda non è se questi limiti esistano. È cosa succede quando diventano il vincolo principale.

Il costo dell’approccio attuale

Il consumo energetico dei sistemi di AI non è un problema tecnico in attesa di soluzione. È la conseguenza diretta di come questi sistemi sono stati costruiti.

L’approccio dominante degli ultimi anni ha seguito una logica precisa: più dati, più parametri, più potenza computazionale produce modelli più capaci. E ha funzionato — i risultati sono stati straordinari. Ma ogni salto di capacità ha richiesto un salto corrispondente di risorse. Modelli dieci volte più grandi non consumano dieci volte di più — consumano molto di più, perché la complessità delle operazioni cresce in modo non lineare.

I data center che ospitano questi sistemi sono infrastrutture industriali di prima grandezza. Consumano elettricità in quantità che si misurano in gigawatt. E per mantenere i sistemi di calcolo a temperature operative, consumano acqua — milioni di litri al giorno nei centri più grandi. Non è un dettaglio marginale. È un vincolo fisico che scala con la domanda.

Finché la domanda di AI cresce — e sta crescendo — cresce anche questo vincolo. E a un certo punto la domanda non è più solo tecnica. Diventa sistemica: quante risorse è sostenibile dedicare a questi sistemi, e a quali condizioni?

Cambiare il punto di vista sul problema

Di fronte a un limite, la risposta più immediata è spingere oltre — più potenza, più infrastruttura, più investimento. È la strada che l’AI ha seguito finora, e ha prodotto risultati reali. Ma è una strada che ha un costo crescente e un rendimento che prima o poi si appiattisce.

Esiste un’altra strada. Non sempre percorribile, ma quando lo è produce risultati più robusti con meno risorse. Consiste nel cambiare il punto di vista sul problema invece di aumentare la forza applicata per risolverlo.

Le torri gravitazionali per lo stoccaggio energetico ne sono un esempio preciso. Il problema dello storage non è stato risolto cercando batterie chimiche sempre più dense e sofisticate. È stato riformulato: invece di trasformare l’energia in chimica, la si sposta nello spazio. Massa, gravità, altezza. Una legge fisica elementare, nessun materiale esotico, nessuna chimica sofisticata. Meno elegante tecnologicamente, più robusta sistemicamente.

Nell’AI questa strada esiste e viene già esplorata. Tecniche come il pruning — eliminare i parametri che contribuiscono poco al risultato — e la quantizzazione — ridurre la precisione numerica dei calcoli senza perdere qualità significativa — vanno in questa direzione. Modelli più compatti, hardware specializzato, architetture sparse che attivano solo le parti necessarie per ogni specifico compito. Non più potenza — più intelligenza nel modo in cui la potenza viene usata.

Il cervello umano, con i suoi 20 watt, fa esattamente questo. Non è potente in senso assoluto. È straordinariamente efficiente nel selezionare cosa attivare e quando. È un’architettura che ha risolto il problema dell’energia non aumentando le risorse disponibili, ma ottimizzando radicalmente il loro utilizzo.

Non sappiamo ancora se e quando l’AI raggiungerà un livello di efficienza paragonabile. Ma la direzione è quella. E i limiti energetici e infrastrutturali che si stanno manifestando stanno rendendo quella direzione non solo interessante, ma necessaria.

Il lavoro e la diseguaglianza

L’impatto dell’AI sul lavoro non è un fenomeno nuovo nella sua struttura. È una transizione tecnologica — e le transizioni tecnologiche hanno una storia abbastanza lunga da poter essere osservate con una certa distanza.

La rivoluzione industriale inglese ha ridisegnato radicalmente dove si trovava il valore economico, chi lo produceva e come veniva organizzato il lavoro. Ha generato eccessi in entrambe le direzioni — chi ha accelerato senza misura, chi ha resistito con altrettanta forza. Il luddismo non era irrazionale — era la risposta di chi vedeva il proprio mondo cambiare più velocemente di quanto riuscisse ad adattarsi.

Prima che il sistema trovasse un nuovo equilibrio è passato del tempo. E in quel tempo ci sono stati costi reali per le persone.

L’AI introduce una variabile nuova rispetto alle rivoluzioni precedenti: automatizza non solo lavoro fisico ripetitivo, ma attività cognitive. Questo sposta il confine più in alto nella catena del valore. Quali competenze diventano meno richieste, quali diventano più richieste, come si ridisegnano i ruoli — sono domande aperte, le cui risposte dipenderanno da come la tecnologia viene adottata e in quali contesti.

C’è però un rischio che si aggiunge a quello della disoccupazione tecnologica, e che merita attenzione. Quando uno strumento diventa necessario per partecipare alla società e all’economia, il controllo sull’accesso a quello strumento diventa controllo sulla mobilità sociale. È successo con l’istruzione, con internet, con lo smartphone. Con l’AI il rischio ha una forma concreta: modelli di servizio differenziati, costi crescenti, livelli di accesso che non tutti possono permettersi. Chi ha accesso agli strumenti migliori produce di più, compete meglio, guadagna di più. Chi non ce l’ha rimane indietro — non per mancanza di capacità, ma per mancanza di accesso.

Quello che la storia suggerisce è che le transizioni tecnologiche non seguono traiettorie lineari. Producono eccessi, resistenze, aggiustamenti. E che il problema raramente è la tecnologia in sé — è la velocità con cui i sistemi umani riescono ad adattarsi, e le condizioni di accesso entro cui quella transizione avviene.

La privacy

La privacy è uno di quei temi su cui le narrazioni divergono in modo significativo. C’è chi la considera un diritto fondamentale, parte integrante della dignità personale. C’è chi la percepisce come un ostacolo all’innovazione — un vincolo burocratico che rallenta lo sviluppo di tecnologie utili. C’è chi, più semplicemente, non la considera un problema reale finché non diventa personale e concreta.

Queste narrazioni non sono solo opinioni diverse sullo stesso fatto. Riflettono valori diversi, esperienze diverse, e spesso interessi diversi. E quando si incontrano nel dibattito pubblico tendono a produrre più rumore che comprensione.

Il quadro legale esiste per mediare tra queste posizioni. Normative come il GDPR in Europa hanno cercato di formalizzare diritti e responsabilità — chi raccoglie dati, per quale scopo, con quali garanzie. Non è una soluzione definitiva, ma è una cornice che orienta. E che riconosce implicitamente che la privacy non è solo una preferenza individuale — è una condizione che riguarda la struttura del potere: chi controlla le informazioni, e cosa può farne.

Il fatto che le violazioni esistano non riduce il valore della norma — lo conferma. Una violazione è riconoscibile come tale solo perché esiste un riferimento rispetto a cui misurarla. Senza norma, quello che oggi è uno scandalo sarebbe semplicemente prassi ordinaria.

Nel contesto dell’AI questo tema diventa più acuto. I sistemi di AI apprendono dai dati — e spesso quei dati riguardano persone. Dove risiedono quei dati, chi li controlla, chi può accedervi non sono dettagli tecnici. Sono scelte che determinano il livello reale di riservatezza.

Ed è qui che la tecnica offre una risposta concreta. La distinzione tra AI cloud e AI locale non è solo una questione architetturale. Un sistema cloud elabora i dati su infrastrutture esterne — l’utente non controlla dove vanno, chi li vede, come vengono conservati. Un sistema locale elabora i dati sul dispositivo dell’utente — i dati non escono, il controllo rimane vicino a chi li produce.

Non è una soluzione per tutti i casi. Ma è una scelta disponibile, e sempre più praticabile. E in certi contesti — professionale, sanitario, legale — può fare la differenza tra un sistema che tutela e uno che espone.

Conclusione

L’intelligenza artificiale non è la prima tecnologia a generare aspettative eccessive e timori altrettanto eccessivi. Non sarà l’ultima. Le transizioni tecnologiche seguono dinamiche che la storia ha già mostrato — eccessi, resistenze, aggiustamenti, nuovi equilibri. Con costi reali nel mezzo, e risultati che raramente corrispondono esattamente a quello che era stato previsto in un senso o nell’altro.

Essere a favore o contro non cambia la traiettoria del fenomeno. Lo osserva da fuori, senza influenzarlo.

Quello che cambia la traiettoria — almeno a livello individuale e collettivo — è la comprensione. Sapere da dove viene questa tecnologia, come funziona, quali limiti presenta, quali vincoli strutturali sta incontrando. Non per diventare esperti, ma per smettere di essere spettatori passivi di una narrazione costruita da altri.

La conoscenza non elimina l’incertezza. Ma trasforma il modo in cui ci si muove dentro di essa.

La scelta di Turing

Nei primi anni cinquanta Alan Turing si trovava di fronte a una domanda che nessuno sapeva come affrontare: è possibile costruire una macchina che pensi?

Il problema era che nessuno sapeva rispondere a una domanda ancora più fondamentale: cosa significa pensare?

Turing non ha cercato di rispondere. Ha fatto qualcosa di diverso — e, a guardarlo in retrospettiva, di molto più utile. Ha spostato la domanda.

Non “cos’è l’intelligenza”, ma “come si manifesta”. Non la natura del fenomeno, ma il suo comportamento osservabile. Se un sistema produce risposte indistinguibili da quelle di un essere umano, ai fini pratici è rilevante sapere se “pensa davvero”?

È una mossa che somiglia a quella di un ingegnere alle prese con un problema impossibile: invece di affrontarlo dove è irrisolvibile, lo sposta dove diventa trattabile. Come chi deve incartare caramelle e invece di progettare mani meccaniche che replicano il gesto umano costruisce un nastro, un dispenser, due pulegge controrotanti. La caramella è incartata. Il problema è risolto. Nessuno ha speso un secolo a replicare quello che già sapeva fare la natura.

Questa scelta non è una semplificazione. È una scelta metodologica precisa — la stessa che la scienza fa ogni volta che un fenomeno è troppo complesso per essere compreso nella sua interezza: si costruisce un modello che ne cattura gli aspetti essenziali e lo si mette alla prova. Se funziona, lo si usa. Se sbaglia, lo si corregge. La perfezione non è il punto di partenza — è, semmai, un orizzonte. Come è sempre stato in ogni campo della conoscenza umana.

L’approssimazione non è un difetto

L’obiezione più comune all’intelligenza artificiale è che sbaglia. È vera. I sistemi di AI producono risultati probabilistici, non certezze. A volte sbagliano in modo evidente, a volte in modo sottile.

Ma vale la pena fermarsi un momento su questa obiezione, perché contiene un’assunzione implicita che merita di essere esaminata: che sbagliare sia un difetto specifico dell’AI, qualcosa che la distingue da un sistema di ragionamento più affidabile.

Anche gli esseri umani ragionano per inferenze costruite su esperienze parziali, analogie, pattern riconosciuti nel tempo. Non accediamo alla realtà direttamente — la interpretiamo attraverso modelli mentali che si sono formati nel tempo e che possono essere sbagliati. Se così non fosse, gli esseri umani non sbaglierebbero mai. E invece sbagliano — medici, ingegneri, giudici, scienziati. Non per incompetenza, ma perché operare in condizioni di incertezza e informazione incompleta è la condizione normale di qualsiasi sistema che ragiona sul mondo reale.

La differenza tra AI e intelligenza umana non è che una approssima e l’altra no. È che approssimano con strumenti diversi, su substrati diversi, con storie diverse.

Quello che conta, in entrambi i casi, è la prova. Il sistema — umano o artificiale — produce un risultato, lo confronta con la realtà, si corregge. La conoscenza non avanza per rivelazioni complete. Avanza per tentativi, errori e correzioni. Come è sempre stato in ogni campo della conoscenza umana.

Il confronto sbagliato

Tutto questo non porta a concludere che l’AI sia equivalente all’intelligenza umana, né che la superi o la minacci. Porta a qualcosa di più utile: riconoscere che il confronto stesso è mal posto.

AI e intelligenza umana non sono due versioni della stessa cosa che competono sullo stesso terreno. Sono sistemi che elaborano informazione in modi diversi, con strumenti diversi, per scopi che possono essere complementari. Confrontarli come se fossero la stessa categoria è un errore categoriale — come chiedersi se un martello è migliore o peggiore di una mano.

Guardare solo i successi dell’AI porta a sopravvalutarla. Guardare solo i difetti porta a ignorarne il valore reale. Entrambe le posizioni hanno in comune una cosa: non stanno osservando. Stanno cercando conferme a una conclusione già formata.

La domanda utile non è “l’AI è meglio o peggio dell’intelligenza umana”. È più concreta: cosa sa fare, cosa non sa fare, in quali condizioni produce valore, in quali condizioni produce danno. Domande operative, non ideologiche.

È da qui che ha senso partire per guardare quello che l’AI produce nel mondo reale — nei sistemi di lavoro, nelle infrastrutture energetiche, nella gestione dei dati personali. Non per giudicare, ma per capire.

Cosa sono i parametri

Per capire perché il funzionamento interno di un modello non è direttamente leggibile, è utile capire cosa sono i parametri — o pesi — di cui si parla quando si descrive una rete neurale.

Un parametro è un valore numerico. Un modello moderno ne contiene miliardi. Non sono istruzioni scritte da un progettista — nessuno li ha definiti uno per uno. Emergono da un processo: durante l’addestramento il modello elabora enormi quantità di dati, confronta le proprie risposte con i risultati attesi, e aggiusta progressivamente questi valori per ridurre l’errore. Miliardi di piccole correzioni ripetute miliardi di volte.

La conoscenza del modello non è scritta da nessuna parte in forma esplicita. È distribuita attraverso questi miliardi di valori numerici che interagiscono tra loro — i parametri. Ciascuno di essi, preso singolarmente, non significa nulla. È la loro interazione complessiva che codifica relazioni, pattern, associazioni apparse con frequenza significativa nei dati di addestramento. Non concetti espliciti, non regole dichiarate — strutture statistiche profonde che il modello ha imparato a riconoscere.

È questa struttura che orienta il comportamento ad ogni passo. Quando il modello riceve un testo, lo trasforma in valori numerici e li processa attraverso strati successivi — in ciascuno i parametri determinano quanto ogni elemento contribuisce all’uscita. Il risultato finale non è una risposta certa, ma una distribuzione di probabilità: quale parola o concetto è più probabile dato tutto ciò che è venuto prima. La scelta di procedere in una direzione piuttosto che in un’altra emerge da questa distribuzione, ad ogni passo.

Non c’è un parametro che rappresenta il concetto di giustizia, o una regola che decide come rispondere a una domanda specifica. C’è un sistema che ha imparato a produrre risposte coerenti attraverso un processo che nessuno ha progettato nel dettaglio. Ed è questa la ragione profonda per cui il comportamento emerge dall’addestramento e non può essere controllato istruzione per istruzione.

La black box

C’è un aspetto dei modelli di AI moderni che genera disorientamento, anche tra chi li usa con competenza: non sono leggibili come un programma tradizionale.

Un software classico ha una logica esplicita — si può seguire il percorso dal dato in ingresso al risultato in uscita, istruzione per istruzione. Un modello di AI funziona diversamente. Il comportamento emerge dall’interazione tra miliardi di parametri che si sono formati durante l’addestramento. Non c’è una riga di codice che dice “in questo caso rispondi così”. C’è un sistema che ha appreso pattern da enormi quantità di dati e che produce risposte sulla base di quella struttura interna.

Questo introduce un limite reale: non sempre è possibile ricostruire in modo semplice il percorso che porta a una determinata risposta. È quello che viene chiamato il problema della interpretabilità — o, con una metafora meno precisa ma più diffusa, il problema della black box.

Vale la pena però non fermarsi alla metafora. La black box non significa che il sistema sia arbitrario o incontrollabile. Significa che il livello di controllo è diverso da quello a cui siamo abituati. Si governa attraverso i dati di addestramento, i criteri di valutazione, i processi di verifica dei risultati. Non istruzione per istruzione, ma a livello sistemico.

È un tipo di governo meno familiare, ma non per questo assente.

Il tema del controllo

Una preoccupazione che emerge spesso, e che merita di essere presa sul serio, riguarda la possibilità che chi costruisce questi sistemi possa orientarli intenzionalmente — far sì che il modello risponda in un certo modo su argomenti specifici, favorendo una lettura piuttosto che un’altra.

La preoccupazione è legittima. Ma la versione che circola più spesso contiene un’imprecisione che vale la pena chiarire.

Un modello di AI non funziona come un programma in cui si può scrivere una istruzione che dice “su questo argomento, sostieni questa posizione”. I parametri emergono dall’addestramento su enormi quantità di dati — non sono assegnati uno per uno da un progettista. Non esiste una leva che controlli nel dettaglio una singola risposta su un singolo argomento.

Le influenze esistono, ma operano a un livello diverso: nella selezione dei dati di addestramento, nei criteri con cui il modello viene valutato e corretto, nelle scelte architetturali. Sono influenze reali, ma sistemiche e difficili da isolare con precisione.

C’è inoltre un elemento strutturale che vale la pena considerare. Un modello orientato intenzionalmente verso una lettura specifica lavora contro la propria utilità. La forza di questi sistemi sta nella coerenza su un dominio vastissimo di domande. Distorcere i pesi per favorire una esegesi su certi argomenti produce incoerenze che si propagano in modo imprevedibile su tutto il resto — risposte fallaci, comportamenti che lo stesso progettista non riesce a controllare. Un sistema di scarsa qualità perde appetibilità, credibilità, valore. Chi volesse orientarlo in modo fine si troverebbe di fronte a un paradosso: più cerca il controllo, più degrada il sistema.

Il problema reale non è quindi il controllo deterministico della singola risposta. È la governance dei processi che producono il modello: chi seleziona i dati, chi definisce i criteri di valutazione, chi verifica i risultati. Sono queste le domande rilevanti.

L’intelligenza artificiale è oggi presente in strumenti che molti usano ogni giorno. Eppure la discussione pubblica oscilla quasi sempre tra due posizioni: chi la presenta come una tecnologia che cambierà tutto, e chi la percepisce come un rischio difficile da definire ma impossibile da ignorare.

Entrambe le posizioni hanno in comune una cosa: parlano dell’AI senza spiegare cosa sia. Prima di valutare, conviene capire. Non nei dettagli tecnici di chi la costruisce, ma nella struttura di fondo — cosa è, di cosa è fatta, come funziona. Senza questo, qualsiasi giudizio — favorevole o contrario — rimane sospeso nel vuoto.

Una struttura, non una tecnologia

L’intelligenza artificiale non è una singola tecnologia. È un sistema composto da elementi che si sono sviluppati nel tempo, per strati successivi, ciascuno costruito sulle fondamenta del precedente.

Alla base ci sono i dati — testi, immagini, codice, audio. Sopra, i modelli matematici che imparano a riconoscere pattern e relazioni in quei dati. Ancora sopra, l’infrastruttura di calcolo che rende possibile elaborare quantità di informazione che nessun essere umano potrebbe gestire. E tutto questo richiede energia — una quantità che ha iniziato a diventare essa stessa un vincolo strutturale.

Nel tempo questi elementi si sono combinati in forme diverse. Dai primi sistemi basati su regole esplicite scritte da programmatori, al machine learning che impara dai dati senza regole predefinite, fino alle reti neurali profonde e ai modelli generativi che oggi producono testo, immagini e codice. Quello che oggi viene comunemente chiamato AI è solo la parte più visibile di questa stratificazione — come la superficie di qualcosa che ha radici molto più profonde.

Perché questa evoluzione, e non un’altra

I sistemi di AI non sono tutti uguali, e la loro evoluzione non è stata lineare. Ogni passaggio è avvenuto perché l’approccio precedente aveva incontrato un limite che non riusciva a superare.

I primi sistemi erano basati su regole esplicite scritte da programmatori. L’idea era ambiziosa: descrivere il ragionamento in forma di istruzioni formali, come si farebbe con qualsiasi altro software. Funzionava bene per problemi definiti. Ma per problemi come il linguaggio, la percezione visiva, il ragionamento in contesti ambigui, nessuno sapeva scrivere tutte le regole che coprissero tutti i casi. Il problema era troppo grande per essere esplicitato.

Il machine learning ha spostato l’approccio: invece di scrivere le regole, si fornisce al sistema una grande quantità di esempi e lo si lascia inferire le regole dai dati. Come un essere umano che non nasce con un cervello che contiene già tutto, ma impara dall’esperienza. Il limite di questo approccio era però che qualcuno doveva ancora decidere cosa guardare — quali caratteristiche del problema fossero rilevanti. In problemi complessi, nessuno sa esattamente quali siano, o ce ne sono troppe da definire manualmente.

Le reti neurali profonde hanno eliminato anche questo passaggio. Non imparano solo a classificare — imparano anche cosa guardare. Ogni strato della rete costruisce una rappresentazione più astratta di quello precedente: i primi strati riconoscono strutture semplici, i successivi le compongono in concetti più complessi, e così via. Ogni strato parte da quanto costruito dal precedente per produrre un modello di realtà progressivamente più ricco.

La cosa più importante è che nessuno ha progettato queste rappresentazioni intermedie. Nessuno ha deciso cosa il secondo strato dovesse imparare dal primo. È emerso dall’addestramento. Il sistema ha trovato da solo le strutture più utili a produrre il risultato corretto.

Un prerequisito, non una conclusione

Sapere cosa è l’AI — di cosa è fatta, come ha imparato a fare quello che fa — non è un esercizio di curiosità tecnica. È il prerequisito per affrontare le domande che contano davvero.

Perché un sistema che produce risultati probabilistici non è un sistema difettoso. Perché il fatto che non si possa leggere istruzione per istruzione non significa che sia incontrollabile. Perché confrontarlo con l’intelligenza umana come se fossero la stessa cosa che compete sullo stesso terreno porta fuori strada.

Queste non sono domande tecniche. Sono domande sul modo in cui valutiamo un sistema che non assomiglia a nulla che abbiamo costruito prima. Ed è da lì che vale la pena ripartire.

Per chi vuole scendere un livello e capire come è fatto concretamente lo stack tecnologico dell’AI, ho messo insieme una mappa di riferimento:

https://open.substack.com/pub/gianniscaramucci/p/intelligenza-artificiale-una-mappa?r=8dqm43&utm_campaign=post&utm_medium=web&showWelcomeOnShare=true

Questo documento accompagna la serie di articoli sull’intelligenza artificiale. Non è necessario leggerlo per seguire gli articoli — serve a chi vuole scendere un livello e capire di cosa sono fatti concretamente i sistemi di cui si parla.

Quando usiamo un sistema di AI — che sia una chat, un assistente, uno strumento di ricerca — stiamo interagendo con la parte più visibile di una struttura molto più profonda. Una pila di tecnologie sovrapposte, ciascuna delle quali rende possibile quella successiva.

Partiamo dal basso.

L’infrastruttura fisica

Tutto comincia con strutture industriali reali: i data center. Edifici che ospitano migliaia di server, alimentati da grandi quantità di energia elettrica e raffreddati con sistemi che consumano acqua in quantità significativa. Non è un dettaglio marginale — è il substrato fisico su cui tutto il resto si appoggia, e uno dei vincoli strutturali più concreti dello sviluppo dell’AI.

All’interno dei data center i server sono collegati tra loro in cluster — sistemi composti da migliaia di macchine che cooperano per svolgere calcoli che nessuna singola macchina potrebbe gestire. Questa cooperazione richiede reti ad altissima velocità, perché la quantità di dati che si scambiano continuamente è enorme.

Il componente centrale di ogni server AI non è più la CPU tradizionale — il processore che coordina il sistema operativo e i processi generali. È l’acceleratore: una GPU, una TPU, o un chip specializzato progettato specificamente per eseguire in parallelo le operazioni matematiche che le reti neurali richiedono. Sono questi componenti che rendono possibile l’addestramento e il funzionamento dei modelli moderni.

I modelli

Sopra l’infrastruttura fisica vivono i modelli — la struttura matematica che costituisce il cuore dell’AI.

Un modello è una rete neurale: un sistema di strati sovrapposti, ciascuno dei quali trasforma i dati in ingresso in rappresentazioni progressivamente più astratte. I parametri — i valori numerici che definiscono queste trasformazioni — possono essere nell’ordine dei miliardi o dei trilioni. Non sono stati scritti da nessuno: sono emersi dall’addestramento.

Per elaborare il linguaggio, il testo viene prima trasformato in numeri attraverso un sistema chiamato tokenizer — ogni parola o frammento di parola diventa un token, e ogni token corrisponde a un valore numerico. È su questi valori che il modello opera.

L’addestramento

Prima di poter essere utilizzato, un modello deve essere addestrato. Questo avviene in fasi.

Nel pre-training il modello viene esposto a enormi quantità di dati — testi, immagini, codice — e impara a riconoscere pattern e relazioni. È la fase più costosa in termini di calcolo ed energia.

Nel fine tuning il modello viene specializzato per compiti specifici — rispondere a domande, scrivere codice, assistere in ambito medico.

Nell’alignment il comportamento del modello viene valutato e corretto da esseri umani, per renderlo più utile e più sicuro.

L’utilizzo

Quando il modello viene usato — ogni volta che un utente fa una domanda — si parla di inferenza. È la fase in cui il sistema riceve un input, lo elabora attraverso la rete neurale, e produce una risposta. Meno costosa dell’addestramento per singola operazione, ma moltiplicata per milioni di richieste al giorno diventa essa stessa un vincolo significativo.

Sopra il modello c’è un livello di orchestrazione — sistemi che gestiscono le richieste, distribuiscono il carico, garantiscono sicurezza e monitoraggio. E sopra ancora le applicazioni — ChatGPT, assistenti virtuali, strumenti di programmazione, sistemi di ricerca — che rendono tutto questo accessibile a un utente attraverso una interfaccia semplice: una chat, una voce, un campo di testo.

È a quel livello che tutta questa complessità scompare dalla vista. Rimane una conversazione.

Capita, a volte, di sentire che una comprensione si sta formando prima ancora di riuscire ad articolarla.

Non è un pensiero chiaro. È più simile a un filo — sottile, ancora nell’ombra — che si dipana da solo mentre lo segui. Non sai ancora dove porta. Ma senti, con una certezza difficile da spiegare, che il percorso è quello giusto. E continui a seguirlo.

Chi ha vissuto questa sensazione sa che non appartiene solo ai grandi scienziati o ai filosofi. Appartiene a chiunque abbia mai risolto un problema difficile, imparato qualcosa di nuovo, capito qualcosa di sé. È il modo in cui la mente avanza nel territorio inesplorato.

La scienza funziona esattamente così. Non parte da verità assolute — parte da intuizioni che vengono messe alla prova, corrette, delimitate. Le certezze non sono il punto di partenza, sono il risultato provvisorio di un processo che non si chiude mai.

Esiste un equivoco diffuso su questo. Chi non lavora con la scienza tende ad immaginarla come un edificio di verità solide e definitive — certezze conquistate una volta per tutte, immuni dalla revisione. Una collezione di risposte.

Non è così che funziona.

La scienza è un metodo. Non produce verità assolute — produce le migliori spiegazioni disponibili, valide fino a quando qualcosa le contraddice. Ogni teoria è vera fino a prova contraria. E trovare quella prova contraria non è un fallimento: è esattamente come il sapere avanza.

Questo richiede qualcosa a chi fa scienza. Richiede la disciplina di tenere sempre aperta la possibilità di avere torto — e l’onestà intellettuale di riconoscerlo quando arriva la prova. Non è un atteggiamento naturale. Ma il premio è preciso: chi accetta di poter essere falsificato continua a muoversi. Chi difende la propria teoria come una verità assoluta si chiude in un vicolo cieco — e prima o poi smette di fare scienza.

Questo principio ha un nome — lo ha formalizzato il filosofo Karl Popper nel Novecento — ma opera molto prima che qualcuno lo chiamasse falsificazione. Lo troviamo in ogni campo del sapere scientifico. E lo ritroviamo, in modo sorprendentemente fedele, nel percorso che ha portato all’intelligenza artificiale.

Due modi di avanzare

Prima di procedere vale la pena chiarire una cosa. Quando una teoria viene falsificata, non sempre accade la stessa cosa.

A volte la teoria viene abbandonata perché era strutturalmente sbagliata. Per secoli si è creduto che la Terra fosse al centro dell’universo. Quando le osservazioni hanno reso quella posizione insostenibile, il modello geocentrico non è stato ridimensionato — è stato sostituito. Non esiste un dominio in cui continua a valere. Lo stesso vale per la teoria del flogisto in chimica, o per l’etere come mezzo di propagazione della luce. Teorie che non sono state delimitate, ma abbandonate.

Altre volte invece la teoria non viene sostituita, ma contenuta. Si scopre che vale in un perimetro più stretto di quanto si pensasse — e che fuori da quel perimetro serve qualcosa di più ampio. Le leggi di Newton non sono state smentite dalla teoria della relatività: continuano a valere pienamente nei sistemi inerziali e a velocità molto inferiori a quella della luce, che è il dominio in cui vengono usate ogni giorno in ingegneria e fisica applicata. Einstein ne ha trovato i confini, non le ha rese inutili.

In entrambi i casi il motore è lo stesso: cercare i limiti invece di difendere le certezze. Ma le conseguenze sono diverse. Nel primo caso si cambia strada. Nel secondo si allarga la strada che si stava già percorrendo.

Il percorso che seguiremo in questo articolo — dalla matematica alla logica, fino all’intelligenza artificiale — appartiene prevalentemente al secondo tipo. Non perché il primo non esista, ma perché in questi domini il pattern ricorrente è quello della delimitazione: ogni teoria che trova il proprio confine diventa il punto di partenza della successiva.

I domini matematici: la delimitazione come metodo

Un buon punto di partenza è la matematica, perché il meccanismo è visibile e preciso.

I numeri che usiamo oggi non sono sempre esistiti come li conosciamo. Sono il risultato di espansioni successive, ognuna resa necessaria da qualcosa che il sistema precedente non riusciva a contenere.

I numeri interi bastano per contare. Ma non bastano per dividere — e nasce il bisogno dei razionali. I razionali sembrano sufficienti, finché si scopre che la radice di due non può essere espressa come rapporto tra numeri interi. Servono gli irrazionali. I numeri reali — che includono sia i razionali sia gli irrazionali, e che coprono tutti i punti di una retta continua — sembrano completi, finché certi problemi algebrici restano senza soluzione. Arrivano i numeri complessi.

Ogni estensione non nasce da un capriccio. Nasce da un’insufficienza del sistema precedente.

E quella insufficienza non distrugge ciò che c’era. Gli assiomi di Peano — che descrivono l’aritmetica dei numeri naturali — continuano a valere nel loro dominio. Non sono stati smentiti: sono stati delimitati. Il territorio che descrivono è più piccolo di quanto si pensasse, ma è ancora loro.

Questo è il pattern che si ripeterà. Non una verità che sostituisce un errore — una formalizzazione più ampia che contiene la precedente come caso particolare.

Hilbert e l’ambizione massima

Agli inizi del Novecento il matematico tedesco David Hilbert propose qualcosa di straordinariamente ambizioso: formalizzare tutta la matematica in un unico sistema completo, coerente e decidibile.

Completo: ogni verità matematica doveva poter essere dimostrata all’interno del sistema. Coerente: il sistema non doveva mai contraddirsi. Decidibile: doveva esistere un procedimento meccanico per stabilire se qualsiasi enunciato fosse vero o falso.

Era la versione più radicale dell’idea che il pensiero razionale potesse essere catturato interamente in regole formali. Una macchina del sapere senza eccezioni e senza confini.

Il programma di Hilbert non era velleitario — era il punto di arrivo naturale di una tradizione che cercava fondamenta solide e definitive per la matematica. Una verità assoluta, conquistata una volta per tutte.

Durerà meno di trent’anni.

Gödel: il limite dall’interno

Nel 1931 un matematico austriaco di venticinque anni, Kurt Gödel, pubblicò un risultato che demolì il programma di Hilbert — non dall’esterno, ma dall’interno.

Il teorema di incompletezza di Gödel dimostra che qualsiasi sistema formale sufficientemente ricco da descrivere l’aritmetica non può essere insieme completo e coerente. Esistono affermazioni vere che il sistema non è in grado di dimostrare usando le proprie regole. Se si forza il sistema ad essere completo, diventa incoerente. Se si mantiene coerente, rimane incompleto.

Non era un problema tecnico risolvibile con più lavoro. Era un limite strutturale, inscritto nella natura stessa dei sistemi formali.

Gödel non ha demolito la matematica — ne ha trovato il confine. Ha mostrato dove finiva il territorio conosciuto e dove iniziava qualcosa di inesplorato. Trovare quel confine era già conoscenza nuova. Il programma di Hilbert non fallì nel senso comune del termine: raggiunse il proprio limite, e quel limite era informativo.

Le teorie successive non hanno cercato di aggirare quel limite — lo hanno accettato e hanno spostato la domanda. Non più cosa è dimostrabile in assoluto, ma cosa è calcolabile in modo pratico. Non più certezza formale completa, ma prove sufficientemente affidabili per essere utili.

Turing e Church: due percorsi, la stessa frontiera

Il programma di Hilbert aveva posto anche un’altra domanda: esiste un procedimento meccanico per decidere la verità di qualsiasi enunciato matematico? Il problema è noto come Entscheidungsproblem — il problema della decidibilità.

Nel 1936 due ricercatori ci lavorarono indipendentemente, partendo da direzioni completamente diverse.

Alan Turing immaginò una macchina astratta — un dispositivo concettuale capace di leggere simboli su un nastro, elaborarli secondo regole precise e produrre un risultato. Non era un progetto ingegneristico. Era uno strumento teorico per rispondere a una domanda: cosa significa calcolare qualcosa?

Nello stesso anno Alonzo Church sviluppò il lambda calcolo — un sistema puramente formale, senza nastri né meccanismi, basato sulla trasformazione di funzioni attraverso regole di sostituzione simbolica. Un linguaggio astratto per descrivere la computazione senza fare riferimento ad alcuna macchina.

Due linguaggi completamente diversi. La stessa frontiera.

Entrambi dimostrarono che la risposta alla domanda di Hilbert era no — non esiste un procedimento meccanico universale per decidere la verità di qualsiasi enunciato. E la loro equivalenza — nota come tesi di Church-Turing — rafforzò il risultato: se ci arrivi da direzioni opposte e trovi lo stesso confine, quel confine è reale.

Entrambi i formalismi convergevano verso una stessa idea di fondo: descrivere con precisione cosa significa eseguire un procedimento in modo meccanico — senza intervento umano, passo dopo passo. Non era più la domanda di Hilbert su cosa è dimostrabile. Era una domanda nuova: cosa è calcolabile? E quella domanda non sarebbe rimasta sulla carta.

L’AI simbolica: la stessa ambizione, lo stesso limite

Se il pensiero è manipolazione di simboli secondo regole, un sistema sufficientemente completo di regole dovrebbe produrre intelligenza.

Questa era l’idea di partenza dell’intelligenza artificiale nella sua prima fase — quella che oggi chiamiamo AI simbolica o classica. Un’idea che affonda le radici direttamente nel formalismo di Turing e Church, ma che porta quella intuizione in una direzione nuova: non solo calcolare, ma ragionare.

Nacquero i sistemi esperti. Enormi basi di conoscenza, motori inferenziali, regole esplicite scritte da specialisti di dominio. Il sistema sapeva — e poteva spiegare perché. Ogni conclusione era tracciabile, ogni passaggio giustificabile. Era un pensiero automatico trasparente e controllabile.

Funzionava. In domini chiusi, ben definiti, con regole stabili, i risultati erano impressionanti.

Ma il mondo reale non si lascia descrivere completamente da regole scritte in anticipo. Riconoscere un volto in condizioni di luce diverse, capire il senso di una frase ambigua, guidare un’automobile nel traffico — sono attività che un essere umano compie senza sforzo, ma che resistono ostinatamente a qualsiasi tentativo di riduzione a regole esplicite. I sistemi esperti funzionavano bene dove il dominio era chiuso e le eccezioni erano gestibili. Fuori da quel perimetro il sistema non imparava — aspettava che qualcuno gli dicesse cosa fare.

Era lo stesso limite che Gödel aveva intravisto sul piano logico: nessun sistema formale sufficientemente ricco può essere completo. L’AI simbolica lo stava incontrando empiricamente, un problema alla volta.

Dal sapere all’imparare

A un certo punto la domanda cambiò.

Non più: come formalizziamo la conoscenza in regole esplicite? Ma: come un sistema può acquisire conoscenza dall’esperienza, senza che qualcuno gliela scriva una riga alla volta?

L’intuizione era già presente negli scritti di Turing. Nel 1950, nel paper Computing Machinery and Intelligence — quello in cui introduce il test che porta il suo nome — Turing propose qualcosa di inaspettato: invece di costruire una macchina che simulasse un cervello adulto già formato, costruire una macchina con la struttura di un bambino, e poi educarla. Non partire dalla conoscenza — partire dalla capacità di acquisirla.

Ci vorranno decenni prima che questa intuizione diventi praticabile.

Nel 1956 John McCarthy coniò il termine intelligenza artificiale, inaugurando ufficialmente il campo. Due anni dopo, nel 1958, Frank Rosenblatt sviluppò il percettrone — la prima rete neurale artificiale, ispirata direttamente all’architettura del cervello biologico: non regole esplicite, ma connessioni che si rafforzano o si indeboliscono attraverso l’esperienza. L’idea era promettente, ma i limiti tecnici dell’epoca la bloccarono presto. Marvin Minsky ne dimostrò i limiti formali nel 1969, e i fondi e l’interesse si spostarono altrove.

La svolta arrivò negli anni ’80 con Rumelhart e Hinton, che resero praticabile un meccanismo di apprendimento — la backpropagation — capace di addestrare reti con più strati di elaborazione.

Vale però la pena distinguere con precisione due cose che spesso vengono confuse.

Il machine learning è un campo più ampio: invece di scrivere regole, si mostrano esempi. Non si dice al sistema cosa è giusto — gli si mostra cosa è giusto, migliaia di volte, e lo si lascia ricavare da solo i pattern comuni. Nel machine learning classico, però, qualcuno decide ancora quali caratteristiche guardare — il colore, la forma, la dimensione. Il sistema impara a pesarle, ma le caratteristiche rilevanti le ha identificate un essere umano.

Il deep learning fa un passo ulteriore. Non solo impara a pesare le caratteristiche — impara da solo a identificarle. Gli si mostrano i dati grezzi, e lui si costruisce autonomamente, strato dopo strato, le rappresentazioni interne che gli servono. Ogni strato impara a riconoscere pattern nel risultato del livello precedente, aggiungendo un grado di astrazione. È come se fossero machine learning successivi che funzionano per composizione: dai segnali elementari si arriva, attraverso livelli intermedi, a concetti sempre più complessi. Nessuno ha progettato quelle rappresentazioni intermedie — il sistema se le è costruite da solo, perché erano utili al compito finale.

L’architettura delle reti neurali profonde esisteva già in forma embrionale dagli anni ’80. Ma rimase a lungo inapplicabile: servivano quantità enormi di dati per addestrare il sistema, molti strati sovrapposti per raggiungere livelli di astrazione sufficienti, e una potenza di calcolo che le macchine dell’epoca non avevano. Era come avere un motore valido ma senza carburante e senza strada. Quando nei primi anni 2010 Hinton, LeCun e Bengio — oggi considerati i padri del deep learning — dimostrarono che queste tre condizioni potevano finalmente essere soddisfatte insieme, lo stesso principio produsse capacità genuinamente nuove: riconoscimento di immagini, comprensione del linguaggio naturale, traduzione automatica.

L’AI simbolica non era sbagliata. Era delimitata — funzionava nel perimetro in cui le regole esplicite erano sufficienti. Fuori da quel perimetro, serviva un paradigma diverso. Stesso pattern di sempre: una formalizzazione trova il suo confine, nasce l’approccio successivo.

Anche il deep learning ha i suoi confini. Richiede quantità enormi di dati. Fatica dove i dati sono scarsi o il ragionamento deve essere spiegabile passo per passo. Non sa dire perché arriva a una conclusione. Quei confini li stiamo ancora mappando — e probabilmente è lì che nascerà il passo successivo.

Il filo che attraversa tutto

C’è un filo che attraversa tutto questo percorso — dalla matematica di Hilbert alle reti neurali di oggi — e non è il progresso tecnologico. È qualcosa di più sottile.

Ogni volta che una formalizzazione ha trovato il suo confine, quel confine non ha chiuso una porta. L’ha aperta. Gödel non ha demolito la matematica — ha mostrato dove finiva il territorio conosciuto e dove iniziava qualcosa di inesplorato. L’AI simbolica non è stata sconfitta — ha delimitato il perimetro dentro cui il pensiero per regole esplicite funziona davvero. E il deep learning, che oggi sembra il punto di arrivo, sta già mostrando i propri limiti — che qualcuno, da qualche parte, sta cercando di capire.

Questo è il metodo. Non una marcia verso una verità definitiva, ma una sequenza di delimitazioni successive, ognuna più precisa della precedente. Le teorie non muoiono — trovano il loro dominio reale, quello in cui continuano a valere. O vengono abbandonate, quando erano strutturalmente sbagliate. In entrambi i casi, il sapere avanza.

E richiede qualcosa a chi lo pratica. Richiede di resistere alla tentazione della risposta definitiva — quella che chiude la questione, che mette il punto, che non ha bisogno di essere messa alla prova. Perché chi smette di cercare i propri limiti smette, di fatto, di imparare.

La scienza non è una collezione di verità. È un metodo per costruire spiegazioni sempre più affidabili, sapendo già che prima o poi qualcosa le contraddirrà. E che quel momento — quando arriva — non è una sconfitta. È il passo successivo.

Capita, osservando gli altri, di trovare strani certi comportamenti. O sbagliati. La reazione è quasi automatica — arriva prima del ragionamento.

A volte però succede qualcosa di diverso. Ci si chiede: come apparirei io, in quella stessa situazione, visto dagli occhi di chi sto osservando?

È una domanda semplice. Ma cambia tutto.

Perché introduce un dubbio che la prima reazione non prevedeva: forse quello che sto giudicando non è un errore. È una differenza. E forse la differenza non sta nel comportamento dell’altro — sta nel punto da cui lo sto guardando.

Questa osservazione apre una domanda più grande: esistono comportamenti valutabili oggettivamente, indipendentemente dal contesto? O è sempre necessaria una comprensione del contesto prima di qualsiasi giudizio?

Non è una domanda di natura etica. È una domanda pratica, che riguarda lo scopo con cui affrontiamo qualsiasi indagine — su una persona, un fatto, una teoria.

Se lo scopo è davvero capire, allora il giudizio prematuro è controproducente — non perché sia moralmente scorretto, ma perché sabota lo scopo dall’interno. Chi giudica prima di capire non sta facendo due cose contemporaneamente. Sta facendo una cosa sola: confermare quello che pensava già.

Capire, invece, richiede di sospendere provvisoriamente il giudizio — non per rinunciarvi, ma per fondarlo su qualcosa di più solido di una prima reazione automatica.

Il motivo per cui questo è più difficile di quanto sembri ha una spiegazione precisa, che lo psicologo Daniel Kahneman ha formalizzato distinguendo due modalità cognitive.

La prima è veloce, automatica, inconsapevole. Agisce per schemi già formati, categorie consolidate, risposte costruite dall’esperienza e dalla cultura in cui siamo cresciuti. La seconda è lenta, deliberata, consapevole — il ragionamento esplicito.

Il problema è che la prima agisce sempre prima della seconda. Quando arriva un’informazione nuova, viene già categorizzata e pesata prima che il ragionamento conscio abbia la possibilità di intervenire.

Questi schemi non li vediamo perché vediamo attraverso di loro. Sono diventati il punto da cui guardiamo — non l’oggetto che guardiamo.

Questo non è debolezza, né malafede. È il modo in cui funziona la cognizione umana. Ma ha una conseguenza diretta: non basta la buona volontà per neutralizzare questi meccanismi. Serve la consapevolezza che esistono.

Quali sono, concretamente?

Il primo opera già a livello culturale. Tendiamo a giudicare le altre culture usando la nostra come metro implicito — non come una scelta consapevole, ma come un punto cieco. Questo si chiama etnocentrismo. Il proprio quadro di riferimento appare neutro e universale, quando invece è particolare come tutti gli altri.

A questo si aggiunge una tendenza correlata: non solo giudicare il modello dell’altro come inferiore, ma presumere che dovrebbe adottare il nostro. È quello che viene chiamato imperialismo culturale — e funziona meglio proprio quando chi lo esercita è convinto di stare semplicemente offrendo qualcosa di migliore.

Anche quando questi due filtri vengono riconosciuti, ne restano altri, più interni.

Il bias di conferma agisce automaticamente, prima ancora che il ragionamento inizi: filtra le informazioni in entrata, lasciando passare quelle che confermano quello che pensiamo già e lasciando scorrere le altre senza registrarle.

Quando qualcosa di contrario riesce comunque ad entrare, interviene la dissonanza cognitiva — un disagio che segnala la contraddizione. Non è ancora un rigetto, ma è il momento in cui il meccanismo di difesa si attiva.

Il rigetto vero arriva con la difesa identitaria: non accettiamo l’informazione contraria perché non minaccia solo una convinzione — minaccia l’immagine che abbiamo costruito di noi stessi attorno a quella convinzione. A quel punto non stiamo più valutando un’idea. Stiamo difendendo chi siamo.

Esiste un esempio che chiarisce meglio di qualsiasi definizione cosa significa davvero capire prima di giudicare.

Carl Gustav Jung, lavorando con i suoi pazienti, aveva sviluppato un metodo preciso: non partire dal giudizio sul comportamento, ma cercare la logica interna che lo generava. La terapia emergeva come conseguenza della comprensione — non come applicazione di uno standard esterno.

Quello che colpisce in questo metodo non è la dimensione clinica. È la direzione del ragionamento: Jung non partiva da una categoria in cui collocare quello che osservava. Partiva dal tentativo di capire cosa ci fosse dietro — un approccio che anticipa, nella pratica clinica, quella logica della scoperta scientifica che Popper avrebbe formalizzato qualche decennio dopo.

È esattamente questo che rende la comprensione più potente del giudizio — non solo più corretta, ma spesso più anticipatoria.

Quando inizio un’indagine — su una persona, un fatto, una teoria — la risposta a quella domanda determina già, prima ancora di cominciare, cosa troverò.

Se lo scopo è davvero capire, allora ogni filtro non riconosciuto lavora contro di me. Non perché sia moralmente scorretto averli — ma perché mi restituisce esattamente quello che avevo già prima di iniziare. Non ho capito. Ho confermato.

Se invece sto cercando conferme, sto difendendo una posizione che avevo già — allora questi meccanismi lavorano a mio favore. Ma in quel caso lo scopo dichiarato e lo scopo reale non coincidono. E la comprensione, usata come copertura, sabota se stessa.

La consapevolezza di questi meccanismi non li elimina. Ma crea una piccola distanza critica — lo spazio necessario per osservare, prima di reagire.

Premessa

Non cercavo questo argomento. Mi ci sono trovato dentro osservando alcuni episodi di comunicazione pubblica che mi sembravano strani — qualcosa non tornava, ma non riuscivo a dire esattamente cosa. Provando a capire, ho scoperto che esiste un campo di studi che descrive con precisione quello che vedevo accadere ogni giorno. E che lo descrive da molto più tempo di quanto avrei immaginato.

Qualche tempo fa, durante un incontro diplomatico di alto livello, un leader ha evocato un attacco militare avvenuto ottant’anni prima — in un contesto che riguardava tutt’altro. L’interlocutore si è trovato improvvisamente a dover gestire un peso storico che non aveva messo in agenda. Il tema originale è scivolato in secondo piano.

Non ho bisogno di commentare quell’episodio. Mi interessa solo descrivere quello che è successo: una tecnica retorica ha alterato il piano del confronto senza che venisse portato un solo argomento nuovo. Chi l’ha subita non poteva rispondere senza sembrare che stesse minimizzando qualcosa di grave. Chi l’ha usata non ha detto nulla di falso.

Guardando quell’episodio mi sono chiesto: esiste un modo per descrivere questo meccanismo? E soprattutto — è un caso isolato o è qualcosa di sistematico, che funziona proprio perché chi lo subisce ha dei valori che non gli permettono di rispondere utilizzando la stessa logica, la stessa strategia di chi invece non ha nessun vincolo di questo tipo?

Eppure, provando a capire cosa fosse successo in quell’episodio, ho scoperto che esiste un intero campo di studi che lo descrive con precisione — e da molto più tempo di quanto avrei immaginato.

Un filosofo tedesco dell’Ottocento, Arthur Schopenhauer, aveva già catalogato sistematicamente queste mosse in un piccolo libro che non pubblicò mai in vita — L’arte di ottenere ragione. Il titolo dice tutto: non si tratta di trovare la verità, si tratta di vincere il confronto. Schopenhauer era abbastanza onesto da ammettere che le due cose non coincidono quasi mai. Quello che colpisce avvicinandosi per la prima volta a quel testo è che quelle tecniche non richiedono né intelligenza superiore né argomenti migliori. Richiedono solo la disponibilità a usarle — cosa che chi entra in un confronto in buona fede per definizione non ha.

Ma questo apre una domanda più grande: se le tecniche esistono da sempre e sono facilmente identificabili, perché chi le subisce non riesce a difendersi? La risposta non sta nella singola tecnica. Sta in qualcosa di più strutturale.

Esiste un filosofo del Novecento che ha dedicato la vita a capire come funzionano le società che si fondano sulla libertà di pensiero e di critica. Si chiama Karl Popper, e il suo lavoro più noto — La società aperta e i suoi nemici — nasce proprio dall’osservazione di un paradosso che lo inquietava.

Una società che garantisce la libertà a tutti deve garantirla anche a chi vuole usarla per distruggerla. Se non lo fa, tradisce i propri principi. Se lo fa, rischia di consegnarsi agli avversari di quei principi. Non esiste una via d’uscita semplice.

Popper chiamava questo il paradosso della tolleranza. Ma quello che colpisce, anche solo sfogliandone un riassunto, è che il problema non riguarda solo le grandi strutture politiche. Riguarda qualcosa di più quotidiano — il modo in cui un dibattito può essere svuotato dall’interno, senza che venga violata nessuna regola formale. L’episodio che ho descritto all’inizio non è una violazione delle regole del confronto. È qualcosa di più sottile: è l’uso delle regole del confronto aperto contro chi in quel confronto crede davvero.

Come funziona questo meccanismo nella pratica? Come si costruisce una trappola usando le regole di chi la subirà?

Un ricercatore americano, Gregory Bateson, ha descritto quello che ha chiamato il doppio vincolo: una situazione in cui qualunque risposta tu dia, perdi. Se taci, sembri debole. Se parli, le tue parole vengono usate contro di te. Non è una trappola fisica — è una trappola logica, costruita attraverso la comunicazione. Il meccanismo funziona perché chi la subisce continua a ragionare come se esistesse una risposta corretta, mentre chi la costruisce sa già che non ne esiste nessuna.

Da qui si capisce meglio un altro concetto, apparentemente più semplice: chi definisce i termini di un dibattito ha già vinto metà della partita, indipendentemente dagli argomenti. Non importa cosa dici — importa su quale terreno lo dici. Questo si chiama framing, e funziona meglio proprio quando nessuno se ne accorge. Accettare il terreno significa già accettare i limiti entro cui è possibile rispondere.

A questo si aggiunge qualcosa che gli psicologi chiamano illusory truth effect: una cosa ripetuta molte volte comincia a sembrare vera, indipendentemente dal suo contenuto. Non perché le persone siano stupide, ma perché il cervello umano usa la familiarità come scorciatoia per valutare la realtà. Il che porta a chiedersi: se basta ripetere per rendere credibile, chi decide cosa viene ripetuto?

La risposta a quella domanda è ancora più a monte del confronto stesso. Chi decide di cosa si parla ha già un vantaggio enorme, indipendentemente da come poi si svolge la discussione. Questo si chiama agenda setting — e funziona in modo quasi invisibile, perché l’attenzione è tutta su come si discute, non su perché si discute proprio di quello.

Due tendenze profonde della psicologia umana amplificano questo effetto. La prima: tendiamo a cercare istintivamente le informazioni che confermano quello che già pensiamo, e a scartare quelle che lo contraddicono — non per malafede, ma perché è il modo in cui il cervello gestisce la complessità. La seconda: consideriamo più importante, più probabile, più reale quello che incontriamo più spesso — non perché sia più vero, ma perché è più familiare.

Il risultato è che non è necessario costruire argomenti solidi. Basta scegliere di cosa far parlare gli altri — sapendo già, prima che aprano bocca, su quale terreno si troveranno a muoversi. Ed è qui che emerge un’asimmetria ancora più concreta.

È come una partita a scacchi in cui uno dei due giocatori, mentre la partita ufficiale continua regolarmente sopra, muove dei pezzi sotto il tavolo. Da un lato c’è chi considera il confronto come un processo che ha valore in sé, con una propria etica. Dall’altro chi lo considera solo uno strumento — da usare o abbandonare a seconda di quanto serve. Le regole del confronto aperto sono state costruite assumendo che entrambe le parti ci credano. Quando una non ci crede, quelle regole diventano un vantaggio per chi le viola.

Ma c’è un aspetto ulteriore che rende questa asimmetria ancora più difficile da gestire. Esiste un principio, noto come legge di Brandolini, che osserva come la quantità di energia necessaria per confutare una falsità sia di un ordine di grandezza superiore a quella necessaria per produrla. Nel caso che ci interessa, il meccanismo è ancora più sottile: non si parte nemmeno da una falsità, ma da fatti veri, sui quali si costruisce una narrazione non verificabile. Chi vuole smontarla deve prima ammettere che i fatti di base sono reali — e già in quel momento sembra che stia cedendo terreno. Produrre il dubbio costa poco. Dissolverlo costa moltissimo. Ed è proprio in quello spazio che qualcosa di più grave accade.

Hannah Arendt, filosofa del Novecento, aveva osservato che il problema non è tanto far credere una bugia. È qualcosa di più radicale: distruggere la capacità delle persone di distinguere il vero dal falso. Non sostituire una realtà con un’altra — dissolvere l’idea stessa che esista una realtà condivisa su cui confrontarsi.

L’effetto finale di questo processo sulle persone comuni ha ricevuto un nome più recente: epistemic learned helplessness, una resa epistemica appresa. Quando il flusso di informazioni contraddittorie diventa insostenibile, le persone non diventano più critiche — diventano indifferenti. Smettono di cercare la verità non perché abbiano deciso che non esiste, ma perché sono esauste. Il risultato non è scetticismo — è abbandono.

Il bersaglio, alla fine, non è l’opinione delle persone. È la loro capacità di averne una propria. Di fronte a tutto questo, viene naturale chiedersi: esiste un modo per difendersi?

La risposta onesta è che non esiste una contromisura semplice. Chi partecipa a un confronto in buona fede è vincolato proprio da quella buona fede — ed è esattamente lì che l’asimmetria morde.

Esistono però alcuni atteggiamenti che aiutano, non a vincere, ma a non perdere senza accorgersene.

Il primo è il riconoscimento. Sapere che questi meccanismi esistono non li neutralizza, ma crea una piccola distanza critica.

Il secondo è imparare a spostare la domanda — non rispondere al contenuto, ma chiedersi prima perché si sta parlando di questo, adesso, in questi termini.

Il terzo è la lentezza. La saturazione informativa funziona sulla velocità. Rallentare, approfondire invece di scorrere, riduce l’esposizione senza eliminarla.

Il quarto, forse il più importante, è accettare l’asimmetria. Non si può giocare lo stesso gioco con le stesse regole di chi non ha regole. Riconoscerlo non è una sconfitta — è il punto di partenza per non farsi trascinare su un terreno già perduto.

Negli ultimi anni il dibattito sulla transizione energetica si è concentrato soprattutto sulla produzione: più pannelli solari, più eolico, più rinnovabili.

Ma uno dei problemi più delicati non è produrre energia. È immagazzinarla.

La rete elettrica deve rimanere in equilibrio in ogni istante: la produzione deve eguagliare il consumo. Le fonti rinnovabili sono però intermittenti per definizione: la disponibilità dipende da condizioni che il sistema non controlla. Questo rende lo stoccaggio energetico uno dei nodi strutturali dell’intera transizione.

Le torri gravitazionali sviluppate da Energy Vault non sono la risposta definitiva al problema dello stoccaggio. Le prendo in esame per un motivo diverso: sono un esempio di come cambiare il punto di vista su un problema possa ridurre la complessità della soluzione, invece di aumentarla.

È un principio che vale oltre l’energia.

Una batteria fatta di gravità

La società svizzera Energy Vault ha sviluppato un sistema di accumulo che, a prima vista, sembra quasi anacronistico: una grande torre che solleva e abbassa blocchi da decine di tonnellate.

Quando c’è energia in eccesso — ad esempio durante un picco di produzione solare o eolica — motori elettrici utilizzano quell’energia per sollevare grandi blocchi di materiale e impilarli in una torre.

In quel momento l’energia elettrica si trasforma in energia potenziale gravitazionale.

Quando la rete ha bisogno di energia, il processo si inverte: i blocchi vengono abbassati e i motori funzionano come generatori, restituendo energia alla rete.

Il principio è lo stesso delle centrali idroelettriche a pompaggio — solo che al posto dell’acqua ci sono blocchi controllati da gru automatizzate.

Non è una coincidenza. È una scelta consapevole tra le opzioni che sfruttano la stessa fisica.

Le centrali a pompaggio funzionano, e funzionano bene. Ma richiedono condizioni che non si possono creare: un dislivello naturale significativo, disponibilità d’acqua, infrastrutture civili imponenti, iter autorizzativi lunghi e costosi. Sono soluzioni legate al territorio — non si spostano, non si replicano facilmente.

Energy Vault ha fatto una domanda diversa: è possibile sfruttare la stessa energia potenziale gravitazionale senza dipendere dalla geografia?

La risposta sono le torri: modulari, installabili su terreno piatto, con materiali inerti reperibili localmente. Il principio fisico è antico. La portabilità è l’innovazione.

Una fisica elementare per un problema complesso

La cosa più interessante di queste torri è che non introducono una tecnologia rivoluzionaria.

Non richiedono nuovi materiali esotici. Non dipendono da chimiche sofisticate. Non cercano di aumentare la densità energetica attraverso soluzioni sempre più complesse.

Funzionano grazie a una relazione fisica che conosciamo da sempre: l’energia potenziale gravitazionale.

massa × gravità × altezza

Il sistema ha limiti evidenti: densità energetica inferiore alle batterie chimiche, efficienza di round-trip leggermente inferiore alle batterie al litio, applicabilità prevalentemente su scala di rete. Il rischio sismico richiede una selezione attenta dei siti — e comunque installazioni lontane dai centri abitati. Ma non è questo il punto.

Non è una tecnologia che aggiunge complessità. È una tecnologia che la riduce.

Un cambio di prospettiva ingegneristica

Molte innovazioni tecnologiche degli ultimi decenni sono state guidate da una logica abbastanza chiara: più miniaturizzazione, più elettronica, più complessità.

Le torri gravitazionali seguono la direzione opposta.

Non cercano di comprimere energia dentro materiali sempre più sofisticati. La spostano nello spazio. Accumularla non significa più trasformarla chimicamente, ma semplicemente sollevare una massa e lasciarla scendere quando serve.

Visivamente, una torre che solleva blocchi di cemento non ha nulla dell’eleganza di un impianto sotterraneo con celle elettrochimiche di ultima generazione. L’obiezione estetica è legittima.

Ma il criterio rilevante qui non è l’eleganza tecnologica. È la robustezza sistemica: meno componenti critici, meno dipendenza da materiali rari, meno punti di failure.

La scelta di semplicità non è una limitazione mascherata. È una scelta di progetto.

Non riducono il problema dell’energia. Ridimensionano la complessità della soluzione.

È una distinzione che vale oltre l’energia.

In molti sistemi tecnologici — infrastrutture, architetture software, sistemi distribuiti — quando si incontra un limite la risposta automatica è aggiungere complessità: nuovi componenti, nuovi livelli di astrazione, nuove tecnologie.

A volte esiste un’altra strada: cambiare il punto di vista sul problema.

Non sempre produce la soluzione più sofisticata. Produce spesso quella più governabile.

Questo articolo nasce da una riflessione sul modo in cui interpretiamo fenomeni collettivi complessi. Non riguarda eventi specifici, ma le modalità cognitive e narrative attraverso cui cerchiamo di comprenderli.

Quando analizziamo fenomeni collettivi complessi, tendiamo quasi inevitabilmente a organizzarli in una narrazione: strutture relativamente coerenti attraverso cui i fatti vengono organizzati in una sequenza interpretabile. Stati che perseguono obiettivi chiari, decisioni che producono effetti prevedibili, azioni e reazioni che sembrano seguire una logica lineare.

Strutture di questo tipo svolgono una funzione essenziale. Consentono di orientarsi in contesti caratterizzati dall’interazione tra molti fattori e molti attori, offrendo una rappresentazione ordinata di fenomeni che altrimenti apparirebbero difficili da interpretare.

Osservate più da vicino, tuttavia, queste dinamiche rivelano spesso una struttura meno lineare. Le decisioni emergono dall’interazione tra istituzioni, interessi, percezioni e vincoli storici che si influenzano reciprocamente. Anche in presenza di informazioni numerose, distinguere tra intenzioni, percezioni e conseguenze inattese rimane spesso difficile.

In questi contesti la difficoltà non dipende soltanto dalla quantità di informazioni disponibili. Dipende anche dalla natura dei sistemi che stiamo cercando di interpretare.

Una distinzione utile, in questo senso, è quella tra sistemi complicati e sistemi complessi. I due termini vengono spesso utilizzati come sinonimi, ma descrivono fenomeni differenti.

Un sistema complicato può avere molte componenti e richiedere competenze tecniche per essere compreso, ma il suo comportamento rimane in linea di principio prevedibile. Un motore, un algoritmo sofisticato o un’infrastruttura tecnologica articolata rientrano in questa categoria: anche quando la loro struttura è difficile da padroneggiare, il funzionamento complessivo deriva dalla combinazione delle parti secondo relazioni relativamente stabili.

Altri sistemi funzionano invece in modo diverso. Il loro comportamento emerge dall’interazione tra molti attori autonomi, ciascuno dei quali prende decisioni sulla base di informazioni incomplete, interessi specifici e percezioni spesso divergenti. In questi contesti gli esiti complessivi non sono semplicemente la somma delle singole azioni e possono produrre risultati inattesi o persino contrari alle intenzioni iniziali.

Le dinamiche geopolitiche rappresentano un esempio evidente di questo tipo di sistemi. Non si sviluppano all’interno di una struttura completamente controllabile o prevedibile, ma attraverso l’interazione continua tra governi, istituzioni, interessi economici, opinioni pubbliche e contesti storici in evoluzione.

Riconoscere questa natura non risolve automaticamente il problema dell’interpretazione. Tuttavia aiuta a comprendere perché le spiegazioni lineari e le narrazioni troppo ordinate riescano solo parzialmente a descrivere ciò che accade.

Se i fenomeni emergono dall’interazione tra molti attori, diventa naturale interrogarsi anche sulla natura di questi attori.

A questa dinamica se ne aggiunge un’altra, legata al modo in cui alcune società contemporanee interpretano il proprio rapporto con la storia.

In diversi contesti politici si è progressivamente diffusa una visione delle relazioni internazionali che tende a privilegiare categorie economiche e amministrative: interdipendenza, scambi, cooperazione istituzionale. In questa prospettiva le tensioni storiche tra Stati appaiono come residui di una fase ormai superata.

Alcuni leggono le relazioni tra Stati attraverso categorie più tradizionali: sicurezza, equilibrio di potere, prestigio politico e influenza regionale.

Quando queste modalità di interpretazione si incontrano, possono emergere incomprensioni profonde. Comportamenti che per alcuni rientrano in logiche storiche consolidate possono apparire ad altri come deviazioni inattese da un ordine ritenuto ormai stabilizzato.

Anche le forme politiche e culturali delle società influenzano il modo in cui queste dinamiche vengono interpretate. Alcune società tendono a privilegiare strutture più aperte, caratterizzate da pluralità di attori, dibattito pubblico e istituzioni che distribuiscono il potere. Altre si organizzano secondo modelli più centralizzati, in cui il processo decisionale è più concentrato e meno esposto alla discussione pubblica. Quando sistemi di questo tipo interagiscono, ciascuno può interpretare il comportamento dell’altro attraverso le proprie categorie politiche e culturali, con il rischio di attribuire intenzioni o strategie che non corrispondono necessariamente alle logiche interne dell’altro sistema.

In questo spazio interpretativo emergono anche diverse modalità cognitive attraverso cui gli osservatori cercano di dare senso agli eventi.

Nel linguaggio geopolitico gli Stati vengono spesso descritti come soggetti unitari e razionali. Si parla di Stati che “decidono”, “vogliono” o “perseguono” determinati obiettivi, come se si trattasse di entità dotate di una volontà coerente e di una strategia definita.

Questa rappresentazione ha una sua utilità analitica, perché consente di semplificare fenomeni altrimenti difficili da descrivere. Tuttavia rischia di nascondere un elemento fondamentale: gli Stati non sono entità monolitiche, ma sistemi composti da istituzioni, gruppi di potere, interessi economici, opinioni pubbliche e individui che operano con informazioni incomplete e percezioni spesso divergenti.

Le decisioni politiche che emergono da questi sistemi sono il risultato di processi imperfetti, segnati da negoziazioni interne, vincoli istituzionali e interpretazioni differenti della realtà. In questo senso il comportamento degli Stati riflette inevitabilmente la natura umana dei soggetti che li compongono.

Paradossalmente, proprio questa dimensione umana tende talvolta a essere dimenticata nel momento in cui giudichiamo il comportamento degli Stati. Nei confronti degli individui siamo generalmente disposti ad accettare una certa dose di incoerenza, di interesse personale o di percezione parziale degli eventi. Quando osserviamo gli Stati, tuttavia, tendiamo spesso a pretendere un livello di coerenza morale e strategica molto più elevato.

Sistemi composti da esseri umani vengono così giudicati come se dovessero comportarsi in modo più lineare e coerente degli individui che li compongono.

Un possibile approccio consiste nel formulare ipotesi provvisorie e confrontarle progressivamente con le evidenze disponibili. In questo caso le spiegazioni rimangono aperte alla revisione: nuove informazioni possono modificare l’interpretazione iniziale.

Accanto a questa modalità ne esiste un’altra, altrettanto diffusa. In questo caso l’interpretazione prende forma a partire da una convinzione iniziale, e le informazioni vengono selezionate e organizzate in modo da rafforzarne la coerenza. Quando una persona parte da una conclusione già formata, tende naturalmente a cercare le informazioni che confermano quella conclusione e a trascurare quelle che la mettono in discussione. Gli elementi che confermano la spiegazione vengono integrati con facilità nella narrazione, mentre quelli che la contraddicono tendono a essere ridimensionati o ignorati.

Questo meccanismo cognitivo, noto come bias di conferma, contribuisce spesso alla stabilità delle narrazioni anche di fronte a nuovi dati.

In questi casi il dibattito tende spesso a spostarsi su nuovi dettagli o su nuovi dubbi, senza mettere realmente in discussione il punto di partenza.

Questo meccanismo non è necessariamente il risultato di una scelta consapevole. Rappresenta una strategia cognitiva molto comune attraverso cui gli esseri umani cercano di ridurre l’incertezza e mantenere stabile la propria interpretazione della realtà.

Quando questo tipo di dinamica si applica all’interpretazione dei fenomeni collettivi, può produrre letture molto diverse a partire dagli stessi fatti.

A tutto questo si aggiunge un ulteriore elemento: il filtro culturale dell’osservatore.

Ogni società sviluppa nel tempo categorie morali, politiche e storiche attraverso cui interpreta il mondo. Quando osserviamo il comportamento di altri attori, tendiamo inevitabilmente a utilizzare queste stesse categorie come strumenti di interpretazione.

Comportamenti che risultano estranei alla nostra esperienza culturale possono apparire irrazionali o incomprensibili, mentre pratiche analoghe possono risultare meno problematiche quando appartengono alla nostra tradizione.

Riconoscere l’esistenza di questo filtro non significa rinunciare al giudizio. Significa piuttosto essere consapevoli che l’interpretazione degli eventi non dipende soltanto dai fatti osservati, ma anche dalle categorie attraverso cui scegliamo di leggerli.

In questo senso l’analisi dei fenomeni non coincide necessariamente con la ricerca immediata di una distinzione tra chi ha ragione e chi ha torto, esito verso cui spesso tendono a convergere molte discussioni pubbliche.

Comprendere i processi che generano determinati eventi richiede talvolta di osservare come interagiscono attori diversi, quali narrazioni guidano le loro scelte e quali interpretazioni orientano le decisioni.

Questo tipo di riflessione non riguarda soltanto le relazioni internazionali. Dinamiche simili emergono ogni volta che gruppi diversi cercano di interpretare eventi che li coinvolgono: nel dibattito politico nazionale, nelle comunità e in qualunque contesto in cui più attori partecipano alla definizione di un orizzonte comune.

In tutti questi casi, accanto ai fatti stessi, esistono le narrazioni attraverso cui i fatti vengono organizzati e resi comprensibili.

Essere consapevoli di questo processo non elimina l’incertezza né rende automaticamente più accurate le interpretazioni. Tuttavia permette di osservare con maggiore attenzione la relazione tra gli eventi e le storie attraverso cui scegliamo di leggerli.

Ed è forse proprio in questo spazio di consapevolezza che diventa possibile avvicinarsi con maggiore prudenza alla comprensione di fenomeni che, per loro natura, sfuggono a spiegazioni troppo semplici.

In un teatro lirico italiano, una direttrice d’orchestra viene nominata, contestata per mesi e infine rimossa prima ancora di iniziare. La politica esulta o si indigna a seconda della sponda. I giornali dedicano settimane alla vicenda. La musica, nel frattempo, non viene quasi mai menzionata.

Vale la pena usare questo fatto di cronaca non per giudicarlo — le responsabilità sono distribuite su tutti i fronti — ma come lente. Perché quello che riflette non riguarda una direttrice o un teatro. Riguarda il rapporto che l’Italia ha con la propria cultura. La musica è forse il caso più paradossale, ma non il solo.

L’Italia si definisce volentieri culla della cultura. Non è falso — il patrimonio è reale, stratificato, sterminato. Il problema non è quello che si ha, ma come lo si gestisce. Un patrimonio può essere un punto di partenza o un punto di arrivo. In Italia tende ad essere la seconda cosa.

Chi ha in mano le istituzioni culturali — i teatri, le fondazioni, i festival — spesso non le tratta come strumenti vivi da far crescere, ma come rendite da proteggere. E proteggere una rendita significa controllare chi vi accede. La musica classica, nata come intrattenimento popolare — Mozart scriveva su commissione per balli e cerimonie, non per i posteri — è diventata progressivamente un rituale borghese, con i suoi codici, i suoi abiti, i suoi abbonati di lungo corso.

Questo processo non è innocente. Sacralizzare la musica significa sacralizzare chi la custodisce. Il riflesso è automatico — chi siede nel palco reale partecipa, per prossimità, all’aura di ciò che viene eseguito. Non si venera la musica. Si usa la musica per venerarsi.

Ma il problema non è solo culturale. È strutturale, e si manifesta su più livelli contemporaneamente.

Un tempo esisteva una gerarchia di opportunità — una serie A, una serie B, una serie C. I musicisti crescevano attraverso quei livelli, imparavano il mestiere sul campo, costruivano una carriera per gradi. Oggi quello spazio intermedio è quasi scomparso. O sei in cima o non esiste un percorso professionale dove maturare. E chi non arriva in cima in fretta abbandona, o si adatta suonando per cifre irrisorie, o viene sostituito da chi ha un altro reddito e può permettersi di suonare gratis. La gara al ribasso la vince chi non ha bisogno di vincerla per sopravvivere.

Nel frattempo il consumo è cambiato radicalmente. La musica non è più un’esperienza collettiva e vissuta — un concerto, una sala, un pubblico che condivide lo stesso suono nello stesso momento. È diventata esperienza individuale, mediata dalle cuffiette, o peggio ancora esperienza di riempimento — sottofondo ad altro, accompagnamento senza ascolto. Le piattaforme di streaming hanno perfezionato questo modello: guadagnano sull’attenzione, il musicista prende le briciole. E i biglietti dei concerti dal vivo — l’ultimo spazio di esperienza musicale genuina e irripetibile — spariscono in millisecondi acquisiti da bot, per riapparire sul mercato secondario a prezzi triplicati. Anche quell’ultimo spazio viene così elitarizzato, non per scelta culturale, ma per pura meccanica finanziaria.

Il pubblico nel frattempo invecchia. Nessuno fa nulla di sistematico per costruire quello futuro.

Eppure le eccezioni esistono, e sono istruttive. I concerti Pavarotti and Friends hanno portato la voce lirica a milioni di persone che non avrebbero mai comprato un biglietto per l’opera. Il balletto alla Scala con le musiche di Vasco Rossi ha riempito il teatro di un pubblico diverso, senza che il teatro crollasse. In entrambi i casi le resistenze interne non mancarono — non per ragioni artistiche, ma perché il confine tra chi appartiene e chi no veniva attraversato. Quel confine non tutela la musica. Tutela chi lo presidia.

Eppure la musica continua ad arrivare. Con o senza istituzioni, con o senza palchi reali.

Leonard Bernstein, in una delle sue celebri lezioni, si ferma sull’allegretto della Settima Sinfonia di Beethoven e isola una sequenza di note. Poche, semplici. Un La che diventa Sib — in un brano in La minore, una nota estranea che introduce una tensione sproporzionata alla sua dimensione. Una piccola ombra che passa.

Chi ascolta lo sente prima di poterlo spiegare. Perché la musica ha una grammatica emotiva che non richiede di conoscere la teoria per essere percepita — esattamente come una poesia può commuovere anche chi non ha mai studiato metrica o retorica. Il suono giusto, nel momento giusto, nel contesto giusto arriva. Senza chiedere il permesso, senza verificare le credenziali di chi ascolta.

La stessa logica, a due secoli di distanza, in una canzone dei Radiohead. In Creep, il passaggio da Do maggiore a Do minore cambia una sola nota — un semitono. Il maggiore suona aperto, il minore chiude improvvisamente, scurisce tutto. Una versione particolarmente eloquente di quel brano non viene da una sala da concerto né da una produzione discografica importante. Viene da due sorelle bavaresi, Mimi e Josefin Vogler, che nel 2019 la cantano a tredici e quindici anni in un talent show televisivo. La loro versione funziona meglio di molte altre perché quel passaggio — senza distorsioni elettriche, senza arrangiamenti a mediare — si sente nudo e inevitabile. La musica non ha chiesto il biglietto da visita.

Le due sorelle non sono scomparse nel meccanismo che brucia e abbandona. Hanno cambiato nome, costruito un’identità propria, pubblicato musica originale. Hanno usato il talent come trampolino, non come destinazione.

Vale allora la pena chiedersi: quanti giovani italiani hanno mai messo piede in un teatro lirico? E perché no?

La risposta non sta nella qualità della musica — quella regge da sola, come ha sempre fatto. Sta nel sistema che la circonda. Un sistema che confonde la custodia con la proprietà, il prestigio con il valore, l’accesso ristretto con l’eccellenza. Che investe sulla rendita invece che sul futuro. Che sacralizza il contenitore dimenticando il contenuto.

Il caso con cui abbiamo aperto questo articolo non fa eccezione — è solo l’ennesima dimostrazione che chi gestisce la cultura spesso la usa per altri scopi. La musica, nel frattempo, sopravvive altrove. In una sala prove, in un talent show, in una versione acustica di una canzone dei Radiohead cantata da due ragazzine bavaresi. In un semitono che fa piangere senza spiegazioni.

La musica non ha bisogno di essere salvata. Ha bisogno di essere amata — e sostenuta con consapevolezza, al di fuori delle appartenenze politiche e degli interessi di mercato. Il mecenatismo che ha prodotto Mozart e Beethoven non era necessariamente virtuoso, ma era personale, diretto, disposto al rischio. Investiva in qualcosa prima di sapere cosa sarebbe diventato.

Oggi manca esattamente questo — non i soldi, non le istituzioni, non le leggi. Manca la disposizione individuale ad aprirsi all’arte per quello che è, senza che diventi bandiera di una parte o vetrina di un brand. Un semitono non ha schieramento politico. Una voce che ti raggiunge non chiede la tessera di partito.

Forse è da lì che si ricomincia — da chi ascolta davvero, senza altri scopi

Ha vinto una sola Dakar in tre anni.

Poi il progetto si è fermato.

Per molti è stato un fallimento.

Ma se cambiamo la metrica con cui lo giudichiamo — e soprattutto se capiamo come è stato concepito — la storia diventa molto diversa.

La Audi RS Q e-tron non era semplicemente un’auto da competizione. Era un laboratorio su ruote. E il dato che forse dice di più sull’intera vicenda non è il risultato sportivo: è che il progetto è stato sviluppato in nove mesi. In un programma di questa complessità tecnica, quel dato non è un vanto organizzativo. È il segnale di una scelta metodologica precisa, presa prima ancora di scrivere una riga di specifiche.

La mossa: aggirare il vincolo invece di risolverlo

Il problema reale del progetto non era tecnologico nel senso ovvio. Audi voleva testare un powertrain elettrico in uno degli ambienti più ostili al mondo — migliaia di chilometri su sabbia e roccia, temperature variabili, un ritmo che non ammette soste. Il problema era che le batterie disponibili non erano adeguate al contesto: densità energetica insufficiente, peso eccessivo, tempi di ricarica incompatibili con il ritmo di gara.

In quel contesto, rimanere senza energia nel mezzo del deserto non è un problema di prestazione. È un ritiro. E nel deserto è anche un rischio per l’equipaggio. Finire ogni tappa non era un obiettivo sportivo tra gli altri — era la condizione di esistenza del progetto.

Di fronte a un vincolo di questo tipo si apre una biforcazione.

La risposta ordinaria sarebbe stata aspettare — aspettare che le batterie migliorassero, o rinunciare. La risposta che Audi ha scelto è di un’altra natura: non risolvere il vincolo. Aggirarlo.

L’idea è questa: le batterie non sono pronte per questo contesto. Bene. Le assumo risolte — le sostituisco con qualcosa che so gestire, un motore a combustione usato come generatore — e testo tutto il resto del sistema: la trazione elettrica, la gestione dell’energia, il software di controllo, il comportamento dinamico. Il range extender non è una soluzione definitiva. È un’assunzione di lavoro.

Questa mossa ha una struttura logica precisa, e compare in campi molto distanti dalla tecnologia automobilistica. Chi la riconosce capisce perché nove mesi erano sufficienti: quando si sa esattamente cosa si sta testando e cosa si sta mettendo tra parentesi, il progetto acquista una chiarezza che accelera tutto.

L’architettura come conseguenza del metodo

La struttura tecnica dell’RS Q e-tron — quella che i commentatori hanno chiamato ibrido seriale — non è una scelta di compromesso. È la conseguenza diretta di quella mossa metodologica.

La trazione è interamente elettrica: due motori, uno per asse, muovono direttamente le ruote. Il motore termico è presente, ma non è collegato alla trasmissione. La sua funzione è diversa: produce energia per alimentare il sistema. Non genera coppia alle ruote — genera corrente.

Questa separazione ha un effetto tecnico preciso. Libero dagli obblighi della trazione — non deve rispondere all’acceleratore, non deve gestire i transitori, non deve fare cose per cui non è progettato — il motore termico può girare esattamente nel punto di massima efficienza termodinamica. Regime costante, carico ottimizzato. Il risultato è un’efficienza termica intorno al 50%, contro il 30% circa di un motore a combustione convenzionale che deve invece gestire tutto lo spettro delle richieste del guidatore.

C’è un secondo effetto, meno ovvio. Se il motore termico serve solo come generatore e non come serbatoio di trazione, le batterie possono essere dimensionate come buffer — non come riserva principale di energia. Batterie più piccole significano meno materiali critici, meno peso, meno esposizione ai rischi — termici, di approvvigionamento, di smaltimento — sui quali si concentra buona parte della polemica contro l’elettrico. Quella polemica non scompare, ma si ridimensiona proporzionalmente alla dimensione della batteria.

Il cambio di variabile: dalla potenza all’energia

Nei sistemi tradizionali il controllo è centrato sulla potenza istantanea. Si governa la coppia, il regime del motore, la risposta all’acceleratore. Tutto ruota attorno a quello che il sistema eroga nel momento.

Con l’architettura dell’RS Q e-tron cambia la variabile fondamentale. Il software non governa più soltanto quanta potenza erogare in un dato istante. Governa quanta energia il sistema può permettersi nel tempo — in funzione del percorso, delle condizioni della pista, delle richieste del pilota, dello stato della batteria.

Non è un dettaglio tecnico. È un cambio di livello.

Scompaiono o diventano secondari elementi come i cambi di velocità complessi, la gestione dei transitori del motore termico, i sistemi meccanici di distribuzione della coppia. Il problema viene spostato nel dominio algoritmico. Il sistema non reagisce agli eventi — li anticipa. Stima l’energia disponibile, quella necessaria, l’orizzonte di utilizzo. E da quelle stime deriva il comportamento dell’intero powertrain.

Il centro del sistema non è più la trasmissione meccanica. È il bilancio energetico.

Cosa si è dimostrato, cosa si è ottenuto

Il progetto ha prodotto risultati su due livelli distinti.

Sul piano tecnico, ha dimostrato che un powertrain elettrico governato da un modello di bilancio energetico può competere in condizioni estreme — non nonostante la sua architettura, ma grazie ad essa. La separazione tra produzione e utilizzo dell’energia non è una limitazione mascherata: è una semplificazione strutturale che riduce la complessità dei sistemi meccanici trasferendo il problema nel dominio del software, dove è trattabile in modo più preciso.

Sul piano metodologico, ha dimostrato qualcosa di più generale: che assumere un vincolo risolto — invece di aspettarne la soluzione — è una strategia legittima e produttiva quando si sa con chiarezza cosa si sta testando. I nove mesi di sviluppo non erano un’accelerazione rischiosa. Erano la conseguenza naturale di un perimetro ben definito.

Quello che si capisce a posteriori

L’architettura dell’RS Q e-tron è stata derisa come soluzione spuria — “non è elettrico davvero”, “il range extender è un’ammissione di debolezza”. A distanza di qualche anno, quella lettura si sta rivelando capovolta.

Il mercato sta dimostrando empiricamente che l’ibrido seriale non era un ripiego in attesa dell’elettrico puro. Era — e sta diventando con sempre maggiore chiarezza — un ponte intelligente verso di esso. Le architetture che combinano trazione elettrica e generazione termica ottimizzata si stanno diffondendo in diversi segmenti, con risultati misurabili su consumi ed emissioni. La Cina, che su questo ha scommesso su scala industriale, lo sta confermando con dati di mercato.

Il range extender preso in giro dai detrattori dell’elettrico si sta dimostrando esattamente quello che era: non una contraddizione, ma una posizione intelligente nella transizione.

Non un fallimento. Un metodo.

Cambiare la metrica con cui si valuta un progetto non è relativismo. È rigore.

L’RS Q e-tron non andava giudicato sulle vittorie alla Dakar — anche se ne ha conquistata una. Andava giudicato su quello che si proponeva di testare: un’architettura, un modello di controllo, una posizione nella transizione energetica della mobilità.

Su quei criteri il progetto ha risposto. Ha dimostrato che il vincolo delle batterie poteva essere aggirato senza rinunciare a testare tutto il resto. Ha dimostrato che governare l’energia invece della potenza non è un’astrazione teorica ma un principio pratico con effetti misurabili. Ha costruito conoscenza in nove mesi in condizioni che non perdonano approssimazioni.

Le innovazioni più profonde non eliminano i vincoli. Li riconoscono, li modellano, li governano.

E spesso, per capirle davvero, dobbiamo cambiare la metrica con cui le giudichiamo.

Foto di Susan Q Yin su Unsplash

Nel 2026 ho scoperto di avere una PEC che non sapevo di avere.

Me l'aveva assegnata d'ufficio la Camera di Commercio di Milano Monza Brianza Lodi. Su quell'indirizzo mi aveva notificato un avviso di sanzione per non averle comunicato la mia PEC.

Ho la PEC dal 2015, un dettaglio non secondario: la notifica avrebbe dovuto arrivare via raccomandata. Se mi viene attribuita d'ufficio una PEC della cui esistenza non sono a conoscenza, non posso ricevere comunicazioni su quell'indirizzo. È un principio elementare, prima ancora che una norma.

Dopo aver fatto rettificare i dati (35€), ieri ho ricevuto un nuovo avviso: 60€ da pagare con F23, più 10€ di notifica via PagoPA. Il PagoPA: pagato in trenta secondi dal telefono. L'F23: altra storia.

Home banking: modulo non supportato. Sito Agenzia delle Entrate: pratica non trovata. Filiale Banca Intesa Sanpaolo dove ho il conto: solo casse automatiche, nessuno sportello presidiato — il pagamento non era eseguibile. Altre due banche: non correntista, operazione rifiutata. Poste Italiane di Cusano Milanino: sistemi completamente down, nessun servizio disponibile.

Al quinto tentativo — Poste Italiane di Cinisello Balsamo — il servizio PagoPA non funzionava, ma per fortuna il bancomat sì: l’operatore ha eseguito manualmente il pagamento dell’F23, dopo essere andato nel retro a recuperare la modulistica cartacea. Non capita spesso.

C’è un’ironia in tutto questo: le banche si sono modernizzate eliminando gli sportelli presidiati, ma non hanno esteso la gestione digitale a tutte le forme di pagamento con cui i loro correntisti devono fare i conti. L’ottimizzazione è stata interna; il problema è rimasto esterno.

Da un lato un ente pubblico che emette sanzioni ma non riesce a incassarle online. Dall’altro un sistema bancario che ha tolto gli sportelli senza coprire i casi che quegli sportelli gestivano. Nel mezzo, il correntista che gira la città con un modulo cartaceo.

Sarebbe comodo attribuire tutto questo ai governi che si avvicendano. Ma non è così che funziona. Quello che stiamo osservando è inerzia istituzionale: le procedure si perpetuano non per inerzia passiva, ma perché chi beneficia dello status quo ha interesse a preservarlo. Le rendite di posizione sopravvivono ai cambi di governo perché sono incorporate nella struttura degli enti, non nelle scelte politiche contingenti.

Nessun governo ha mai trovato conveniente disturbare questo equilibrio. E così il cittadino gira la città con un modulo F23 che nessuno sa più dove mettere.

Quando si parla di migrazione ERP — verso piattaforme come SAP S/4HANA, per esempio — la discussione si concentra quasi sempre sugli stessi elementi: mapping dei dati, configurazioni, test, cut-over e go-live. Sono tutti passaggi necessari. Ma dopo aver osservato diversi progetti, una cosa emerge con chiarezza: le migrazioni non falliscono per motivi tecnici. Falliscono per motivi organizzativi e umani.

La governance che manca

Un ERP non è un’attività IT — è un progetto complesso che attraversa l’intera organizzazione. Quando mancano una governance chiara, un’allocazione reale delle risorse, una gestione strutturata dei rischi e una sponsorship operativa credibile, il progetto si frammenta in urgenze contingenti. L’attenzione resta sul sistema, ma il modello di delivery resta debole. Il risultato è che si lavora molto senza avanzare davvero.

Il personale amministrativo vive il progetto come un terremoto

Chi lavora in amministrazione è strutturalmente orientato alla continuità operativa: chiusure mensili, scadenze fiscali, quadrature, pagamenti. Il progetto ERP si innesta sopra questo carico senza alleggerirlo. Se non si libera tempo o non si crea una struttura di supporto dedicata, il risultato è prevedibile: stress, resistenza silenziosa, delega progressiva ai consulenti. Il progetto diventa un doppio lavoro invece di una trasformazione. E un doppio lavoro, prima o poi, viene sabotato — non per malevolenza, ma per sopravvivenza.

La qualità dei dati è il vero campo di battaglia

Clienti o fornitori duplicati, dati incoerenti o incompleti, piani dei conti stratificati nel tempo, decimali e arrotondamenti gestiti per convenzione storica. Il data cleansing non è un’attività tecnica — è una decisione organizzativa che richiede responsabilità e priorità chiare. Senza un lavoro preventivo serio, le riconciliazioni esplodono a fine progetto, le quadrature diventano emergenze e il go-live si trasforma in una corsa contro il tempo. La qualità dei dati è un progetto nel progetto, e va trattata come tale fin dall’inizio.

Il nuovo ERP è più rigoroso del passato

Molti sistemi legacy tollerano eccezioni implicite accumulate nel tempo. Un ERP moderno introduce univocità, obbligatorietà dei campi, controlli di coerenza e strutture contabili formalizzate. Il sistema non è più permissivo — e questo non è un difetto, è una caratteristica. Ma se questo cambiamento non viene spiegato con chiarezza, viene percepito come rigidità ostile. Le persone non smettono di fare eccezioni: trovano modi per aggirarle fuori dal sistema.

I consulenti non possono sostituire la responsabilità aziendale

Le società di consulenza portano metodo ed esperienza. Non conoscono però le dinamiche interne, le eccezioni storiche, le abitudini operative che si sono sedimentate negli anni. Quando il progetto diventa “configurate voi, decidiamo noi”, si crea una frattura che si paga cara nelle fasi finali. Serve co-progettazione, non delega. Il consulente può guidare il percorso, ma non può camminare al posto di chi deve abitare il sistema ogni giorno.

Ripensare i processi: trasformazione umanamente accettabile

Migrare un ERP senza ripensare i processi significa replicare inefficienze, irrigidire problemi esistenti e generare rigetto silenzioso. Ripensare i processi significa distinguere ciò che è davvero necessario da ciò che è solo abitudine consolidata. La trasformazione deve essere progressiva, spiegata, condivisa e sostenibile — perché quando le persone non accettano un processo, lo aggirano. E nessun ERP può difendersi dall’aggiramento umano.

Conclusione

Un ERP può essere tecnicamente impeccabile. Ma se non è sostenibile per le persone che lo devono usare ogni giorno, è destinato a generare attrito cronico. La vera differenza non la fa il software. La fa il modo in cui si accompagna il cambiamento.

Gestire la complessità nelle Migration e Transformation

Quando si affronta una migration o una transformation, l’attenzione si concentra quasi invariabilmente sugli obiettivi: nuova piattaforma, nuovo modello operativo, nuova architettura. Sono elementi necessari, ma non esauriscono il problema.

La complessità non emerge dalla tecnologia in sé. Emerge dall’interazione tra sistemi, processi, dati, vincoli temporali e persone — è una proprietà strutturale dell’insieme, non una somma delle sue parti. Ogni organizzazione è il risultato di stratificazioni successive: decisioni passate, eccezioni gestite nel tempo, adattamenti locali, soluzioni temporanee diventate permanenti. Una migration interviene su questo equilibrio. Gestire la complessità significa riconoscere questa stratificazione e introdurre cambiamento senza compromettere la continuità operativa. Per questo il metodo precede la tecnologia — non come principio teorico, ma come necessità pratica.

Tre dimensioni, un sistema

La complessità si osserva lungo tre dimensioni interconnesse. La dimensione tecnica comprende architetture, integrazioni, qualità dei dati, dipendenze applicative e vincoli infrastrutturali. La dimensione organizzativa riguarda responsabilità distribuite, conoscenze non formalizzate, processi sedimentati, relazioni tra team. La dimensione temporale è quella delle stratificazioni successive che hanno costruito l’equilibrio attuale.

Queste dimensioni si influenzano reciprocamente in modo continuo. Un cambiamento tecnico produce effetti organizzativi spesso imprevedibili. Un vincolo temporale genera compromessi architetturali che si sedimentano. Una scelta locale può avere impatti sistemici che emergono solo tardivamente. Riconoscere questa interdipendenza non è un esercizio accademico — è il primo passo operativo.

Dinamiche ricorrenti

Alcune dinamiche si ripresentano con frequenza nei progetti di migration e transformation, indipendentemente dal settore o dalla tecnologia coinvolta.

La prima è quella del trasformare senza trasformare: sostituire la piattaforma mantenendo invariata la logica sottostante. In questo caso la complessità non viene ridotta — viene traslata nel nuovo ambiente, dove si manifesterà con ritardo e spesso in forma amplificata.

La seconda è l’assenza di un mapping funzionale serio. Le traduzioni tecniche procedono senza esplicitare logiche, eccezioni e dipendenze reali. Le discrepanze non emergono in fase di analisi, ma in produzione, dove il costo di correzione è massimo.

La terza riguarda i dati legacy non analizzati. I dati sono la memoria operativa di un’organizzazione. Migrarli senza comprenderli significa trasferire ambiguità — e spesso moltiplicarla.

La quarta è il dibattito metodologico mal posto tra approccio Waterfall e Agile. Il punto non è l’etichetta: è la capacità di governare interdipendenze in un sistema che cambia mentre viene cambiato.

Complessità come caratteristica, non anomalia

Una migration non è semplicemente un passaggio da A a B. È un intervento su un sistema vivo, con una storia, una logica interna e una rete di dipendenze che non sempre sono visibili a chi progetta il cambiamento.

La complessità non è un’anomalia da eliminare, ma una caratteristica intrinseca dei sistemi organizzativi evoluti. Trasformare significa comprendere l’equilibrio attuale, renderne esplicite le interdipendenze e accompagnarne l’evoluzione in modo coerente.

La tecnologia abilita il cambiamento. La comprensione ne determina la sostenibilità.