Calvi & Partners

Quaderno di ricerca 07

Artificial Intelligence
Reflexive Systems
Decision Architecture
Organizational Reality

07

La realtà riflessiva.

Quando un’organizzazione modifica il proprio comportamento in funzione della rappresentazione prodotta dall’AI, il modello non descrive più soltanto la realtà. Comincia a partecipare alla sua costruzione.

Previsioni, classificazioni, ranking e raccomandazioni modificano le decisioni.Le decisioni modificano il comportamento.Il comportamento modifica il mondo che verrà successivamente osservato e utilizzato come nuovo dato.A quel punto osservazione e intervento non sono più separabili.

01
Mappa e
territorio

Una rappresentazione è innocua finché il mondo non comincia ad adattarsi alla rappresentazione.

Tradizionalmente un modello viene immaginato come una rappresentazione semplificata di una realtà esterna: osserva il mondo, identifica relazioni e restituisce una descrizione, una previsione o una classificazione.

Ma quando quella rappresentazione entra nei processi decisionali, modifica il comportamento degli attori che sta osservando. Da quel momento il modello non misura più soltanto il mondo: misura anche gli effetti che le sue precedenti rappresentazioni hanno contribuito a produrre.

01 — WORLD

Mondo

Esistono comportamenti, eventi, condizioni e relazioni indipendenti dal modello.

02 — MODEL

Modello

Il sistema costruisce una rappresentazione parziale della realtà.

03 — REPRESENTATION

Rappresentazione

La realtà viene trasformata in ranking, probabilità, categorie o raccomandazioni.

04 — DECISION

Decisione

L’organizzazione utilizza quella rappresentazione per scegliere e allocare risorse.

05 — BEHAVIOUR

Comportamento

Persone e strutture reagiscono alle nuove decisioni e priorità.

06 — NEW WORLD

Nuovo mondo

Il comportamento prodotto diventa parte della realtà che il modello osserverà dopo.

02
Dalla descrizione
all’intervento

Un modello cambia natura quando gli attori iniziano a comportarsi in funzione delle sue previsioni.

La stessa tecnologia può occupare posizioni molto diverse nell’architettura decisionale.Può limitarsi a osservare, può orientare l’attenzione, può modificare gli incentivi oppure diventare direttamente una forza capace di trasformare il contesto che analizza.

01 — DESCRIBE

Descrivere

Il sistema rappresenta una condizione esistente senza modificare direttamente gli incentivi degli attori.

02 — PREDICT

Prevedere

Il sistema attribuisce probabilità agli eventi futuri e influenza le aspettative dell’organizzazione.

03 — DIRECT

Orientare

Ranking e raccomandazioni modificano risorse, priorità e comportamenti degli attori osservati.

04 — CREATE

Produrre

La previsione contribuisce a generare proprio la configurazione del mondo che successivamente confermerà.

03
Il proprio
riflesso

Il sistema può finire per imparare non dal mondo, ma dalle conseguenze delle proprie precedenti previsioni.

Più una rappresentazione viene utilizzata per modificare il comportamento, più i dati successivi incorporano gli effetti di quella rappresentazione.Il confine tra osservazione e produzione della realtà diventa progressivamente più sottile.

Un modello che modifica il comportamento del sistema osservato può cominciare a trovare nel mondo le prove delle proprie precedenti ipotesi.

01 Allocazione Se una previsione concentra risorse su determinati soggetti, quei soggetti possono produrre risultati migliori proprio perché hanno ricevuto più risorse.
02 Sorveglianza Se il sistema osserva più intensamente alcune aree, rileverà più eventi in quelle aree e potrà interpretare tale maggiore rilevazione come maggiore frequenza reale.
03 Incentivi Se persone e organizzazioni comprendono ciò che il modello premia, possono modificare il comportamento per diventare più compatibili con la metrica.
04 Selezione Se alcune opportunità vengono sistematicamente escluse, il sistema riceverà meno evidenze sulla possibilità che proprio quelle opportunità avrebbero funzionato.
The reflexive problem

Quando una previsione modifica il comportamento, la realtà successiva non è più indipendente dalla previsione precedente.

04
La profezia
algoritmica

Il rischio più difficile da riconoscere non è una previsione sbagliata. È una previsione che diventa vera perché è stata creduta.

In un sistema riflessivo accuratezza e causalità possono essere confuse.Una previsione può apparire confermata dai dati successivi senza avere semplicemente anticipato un fenomeno: potrebbe aver contribuito a produrlo.

01 — EXPECTATION

Aspettativa

Il modello suggerisce che un evento, un soggetto o un mercato abbia una determinata probabilità di successo.

02 — RESPONSE

Reazione

L’organizzazione modifica investimenti, condizioni, attenzione o comportamento in funzione della previsione.

03 — CONFIRMATION

Conferma

Gli effetti della reazione entrano nei nuovi dati e possono apparire come conferma indipendente della previsione iniziale.

In un sistema riflessivo la domanda non è soltanto:“Il modello aveva ragione?” Ma anche: “Quanto del risultato è stato prodotto dal fatto che gli abbiamo creduto?”

05
Governare
la riflessività

Non basta verificare se il modello descrive bene il mondo. Bisogna osservare come il mondo reagisce al modello.

01 Separare osservazione e intervento Distinguere, quando possibile, i dati raccolti prima dell’intervento algoritmico da quelli prodotti dopo che il sistema ha iniziato a influenzare il comportamento.
02 Misurare la retroazione Individuare dove raccomandazioni, ranking e classificazioni modificano gli stessi fenomeni che il sistema utilizzerà successivamente come evidenza.
03 Conservare gruppi di confronto Dove appropriato, mantenere situazioni non direttamente influenzate dall’output del modello per distinguere previsione ed effetto dell’intervento.
04 Auditare gli incentivi Verificare se persone, clienti, dipendenti o partner stanno adattando il proprio comportamento per soddisfare ciò che il sistema misura.
05 Proteggere il dissenso empirico Conservare la capacità di riconoscere evidenze che contraddicono il modello, anche quando la maggior parte dei dati disponibili sembra confermarlo.È un problema di governance del sistema decisionale, non soltanto di accuratezza tecnica.
Conclusione

Il rischio non è soltanto costruire modelli che rappresentano male il mondo. È costruire mondi che finiscono per assomigliare troppo ai nostri modelli.

Un sistema intelligente può iniziare come osservatore, diventare criterio di valutazione, trasformarsi in incentivo e infine contribuire a produrre la realtà che successivamente analizzerà. Quando questo circuito si chiude, la governance non può più limitarsi alla qualità della previsione.Deve comprendere anche la realtà che quella previsione contribuisce a rendere rappresentabile e quindi possibile.

Calvi & Partners / Quaderni Quaderno 07 / 2026