AI e public affairs: perché il valore si sposta sull’esperienza

Negli ultimi anni – e ancor più negli ultimi mesi – ci siamo abituati ad annunci di modelli di AI sempre più sofisticati: da Claude Fable 5.1 e Mythos 5.1 di Anthropic a GPT-6 Astra di OpenAI, da Gemini 3.8 di Google fino a Muse Spark 1.3 di Meta, Grok 4.7 di xAI, Kimi K3 di Moonshot AI e DeepSeek-V4.

Si è scritto che questi modelli potrebbero sostituire figure professionali altamente qualificate, e sarebbero capaci di prevedere e simulare il comportamento umano. Un esempio interessante, presentato su Nature qualche tempo fa con un titolo altisonante (A foundation model to predict and capture human cognition), è Centaur, un modello sviluppato da un nutrito gruppo di ricercatori guidato da Marcel Binz (Institute for Human-Centered AI, Centro Helmholtz di Monaco), che affina un grande modello linguistico (Llama 3.1 70B di Meta) su un dataset di oltre 10 milioni di scelte comportamentali raccolte in 160 esperimenti psicologici. Il risultato è un sistema capace non solo di prevedere – meglio rispetto ai modelli cognitivi classici – come reagiranno partecipanti mai visti prima, ma anche di generalizzare tali risultati su scenari narrativi differenti, compiti diversi e persino domini completamente nuovi. Le rappresentazioni interne di Centaur, dopo l’addestramento, risultano perfino più allineate con l’attività cerebrale umana misurata tramite risonanza magnetica.

Di fronte a risultati come questi, è comprensibile la tentazione di leggervi l’alba di un’intelligenza artificiale capace di replicare, se non di sostituire, il giudizio umano, anche in campi come i public affairs, dove la lettura del contesto politico e la capacità relazionale sembravano finora appannaggio esclusivo dei professionisti. La questione, però, a nostro giudizio non è posta correttamente. Man mano che i modelli si equiparano tra loro nelle prestazioni e diventano accessibili a chiunque, smettono di essere un fattore di differenziazione: il differenziale di valore si sposta a monte e a valle dello strumento, sulla competenza di chi lo interroga e di chi ne verifica i risultati.

Non è una questione di uomo contro macchina. È una questione di quale professionista siede davanti alla macchina, che tipologia di competenze e esperienze ha?

%%block_image_and_text1%%

Che cosa i modelli predicono, e a quali condizioni

Anche il modello più sofisticato resta, nella sua architettura di fondo, un sistema che impara correlazioni statistiche a partire da enormi quantità di testo e dati comportamentali. È la natura che una parte della letteratura ha definito di “pappagallo stocastico”: una capacità di ricombinare pattern osservati nei dati di addestramento senza una comprensione del significato di ciò che viene prodotto. Riflessioni convergenti animano chi evidenzia come i modelli linguistici non producano vera conoscenza — ciò che i Greci chiamavano epistème — ma una sua simulazione, un’epistemìa, con un equivoco di fondo su ciò che questi sistemi possono effettivamente darci. Lo stesso studio su Centaur, del resto, è onesto su questo punto: il modello viene validato su compiti sperimentali controllati, ripetibili, con una struttura ben definita, esattamente le condizioni in cui un sistema che impara per induzione statistica può eccellere.

I contesti in cui operano i professionisti dei public affairs non hanno quasi mai questa forma. Una trattativa parlamentare, la lettura di un equilibrio di potere in una commissione, l’anticipazione di come reagirà un decisore a una proposta in un momento politico specifico e irripetibile sono tutte situazioni che non si prestano a essere ridotte a un set di dati di addestramento, per quanto ampio. È il classico problema dell’induzione, formulato da Hume secoli fa: nessuna quantità di casi passati garantisce previsioni pienamente affidabili su un futuro che può sempre presentare una discontinuità radicale rispetto a ciò che è stato osservato. Un modello linguistico, per quanto vasto sia il suo corpus, rimane strutturalmente dipendente da ciò che ha già visto: può interpolare, non può costruire ex novo la lettura di una situazione politica mai verificatasi prima.

%%block_image_and_text2%%

La variabile decisiva è la competenza di chi interroga il modello

Se questo è il perimetro, allora la qualità del risultato dipende meno dal sistema utilizzato e più da tre capacità che appartengono al professionista, e che maturano soltanto con l’esperienza sul campo.

La prima riguarda la qualità dell’input. Un modello risponde alla domanda che riceve, e formulare la domanda giusta su un dossier, su un equilibrio di commissione o su una fase politica presuppone di conoscere il contesto prima di interrogarlo. È la differenza sostanziale tra chi chiede al sistema ciò che non sa e chi gli chiede ciò che vuole verificare: nel primo caso l’output è un punto di partenza inconsapevole, nel secondo è materiale sottoposto a un’ipotesi già strutturata.

La seconda riguarda la capacità di confronto dell’output. Un risultato plausibile e un risultato corretto sono indistinguibili per chi non dispone dei riferimenti di merito per contestarlo, e i modelli generativi producono con la stessa fluidità entrambi. La verifica, dunque, non è una fase di controllo formale a valle del processo: è competenza sostanziale. Solo chi ha visto un certo fenomeno svolgersi più volte è in grado di riconoscere il punto in cui il modello sta interpolando anziché informando.

La terza riguarda il riconoscimento dei fenomeni. Le dinamiche ricorrenti di un iter legislativo, i comportamenti tipici di un attore istituzionale in determinate condizioni, le regolarità che si osservano solo dopo aver seguito molti cicli decisionali costituiscono un patrimonio che raramente viene messo per iscritto e che quindi, per definizione, non entra nei corpora di addestramento. È conoscenza professionale non testualizzata: il modello non può restituirla perché nessuno gliel’ha mai fornita.

%%block_image_and_text3%%

Dall’intelligenza aumentata all’esperienza aumentata

Nulla di tutto questo rende strumenti come Centaur irrilevanti per chi lavora nei public affairs. Significa piuttosto che la cornice giusta per pensarli non è quella della sostituzione, ma quella dell’intelligenza aumentata, come si è cercato di argomentare nel libro Digital lobbying. Gestire strategicamente le relazioni istituzionali attraverso smart data e strumenti digitali. Un modello capace di simulare distribuzioni di risposte comportamentali su larga scala può essere estremamente utile, per esempio, per esplorare scenari e testare rapidamente intuizioni e ipotesi su come un messaggio potrebbe essere percepito da diversi segmenti di pubblico. La tecnologia può così produrre dashboard, gestire database interoperabili e supportare il lavoro del Senior Consultant, diventando un moltiplicatore della capacità analitica del professionista. Ma è appunto un moltiplicatore: opera su un fattore preesistente, e restituisce un risultato proporzionale alla competenza che lo alimenta.

Ragionamenti analoghi valgono sul fronte dei decisori pubblici, come sottolineato dalle Linee Guida sull’AI attualmente all’esame del Comitato di vigilanza sull’attività di documentazione della Camera dei Deputati, che insistono su centralità della decisione umana, sicurezza e riservatezza, accuratezza e tutela delle responsabilità. Sono i medesimi criteri che una consulenza professionale deve poter garantire al proprio cliente.

Il vero valore aggiunto del professionista dei public affairs — la capacità di leggere una stanza, di cogliere segnali non verbali, di adattare una strategia a un contesto istituzionale in continua evoluzione e ai bisogni di uno specifico cliente — nasce da un’esperienza situata e incarnata che nessun modello, per quanto allineato ai dati comportamentali umani, può replicare. Gli strumenti di AI più avanzati continueranno a migliorare la nostra capacità di analizzare dati, simulare scenari e persino comprendere meglio noi stessi. Ma resteranno, appunto, strumenti: e uno strumento vale quanto la mano che lo guida. La tecnologia, in questo settore, non riduce la distanza tra chi ha esperienza e chi non ne ha ancora. La rende misurabile.