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.

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.