Ci sono attività che oggi non è più possibile svolgere manualmente. Non per mancanza di competenze, ma semplicemente di tempo. Pensiamo alla progettazione con il metodo tradizionale. Inutile dire che, con i ritmi attuali, non può essere sostenibile. I nostri tecnici, per esempio, saprebbero ancora disegnare un componente a mano, ma naturalmente preferiscono affidarlo a un software che lo fa meglio e più velocemente. È la stessa logica che ci porta a usare una calcolatrice per una moltiplicazione: non perché non sappiamo farla, ma perché la macchina la esegue in fretta e senza errori.
Quando però al calcolo si aggiungono più variabili, tutto si complica, poiché gli scenari cambiano a seconda dei valori in gioco, con combinazioni plausibili che possono crescere in modo esponenziale. E con esse anche l’incertezza del risultato.
Ogni volta che entra in gioco un “se” (“se succede questo, allora…”), si apre un bivio, come in quel gioco in cui una pallina scende e rimbalza su dei pioli, finendo in punti diversi a seconda dei colpi che prende. Ogni “se” è un possibile percorso.
Quando parliamo di numeri, gli esiti sono finiti e calcolabili; ma quando parliamo di concetti o di eventi reali, gli scenari diventano potenzialmente infiniti e soggettivi. L’intelligenza artificiale può rispondere a una domanda, ma potrebbe non interpretarla davvero ossia potrebbe non comprende il contesto umano da cui nasce.
Quindi cosa accade quando non possiamo più prevedere tutto? Accade che cambia ancora il modo di lavorare, e torna utile il principio del learning by doing: provare, sbagliare, correggere e riprovare.
Un esempio che rende bene l’idea è quello di SpaceX. L’azienda di Elon Musk ha costruito un razzo, lo ha lanciato, ed è esploso. Poi ha analizzato le cause, corretto gli errori e riprovato. Un ciclo continuo di tentativi, fallimenti e miglioramenti: il learning by doing portato all’estremo (spesso descritto come “Fall fast, Learn Faster” che ovviamente richiede un dispendio economico difficile da dire “inferiore” ad altri metodi).
Questo approccio nasce dalla consapevolezza che,
quando le variabili sono troppe, prevedere ogni scenario sembra impossibile.
E allora non resta che fare, osservare, correggere. Proprio come fa anche l’intelligenza artificiale, che impara dai propri errori e affina i risultati un passo alla volta.
È un cambio di paradigma rispetto al metodo tradizionale, quello in cui si cercava di controllare tutto prima di agire, con verifiche, revisioni, test, controlli incrociati. Oggi, invece, la complessità si affronta con un metodo più dinamico: si sperimenta e si impara dal campo, accettando che l’errore faccia parte del percorso.
Questo cambio di paradigma, però, porta con sé una criticità non da poco.
Se da un lato permette di correggere in fretta, dall’altro rischia di ridurre la comprensione profonda di ciò che si sta facendo.
In altre parole: sperimenti, sì, ma senza davvero analizzare, senza assimilare. Ti muovi per tentativi, correggi, riprovi, ma resti sempre in superficie. Quando non sei davvero immerso nel progetto – quando non lo vivi, ma lo osservi solo attraverso i risultati – anche se tutto funziona, potresti non farne la completa esperienza. Non entra nel tuo bagaglio di conoscenze, non diventa know-how.
Lo dico portando il concetto all’estremo, ma il senso è proprio questo.
