Dalla pianificazione alla previsione algoritmica: quale visione del futuro? di Olessia Kirtchik*

 

    Published: Sinistrainrete 09 October 2026

Created:    ACrO-Pòlis     05 October 2026

https://www.sinistrainrete.info/societa/33772-olessia-kirtchik-dalla-pianificazione-alla-previsione-algoritmica-quale-visione-del-futuro.html

Dalla pianificazione alla previsione algoritmica: quale visione del futuro?

di Olessia Kirtchik*

Grazie al suo potere predittivo, l’IA trasforma le scienze economiche in una scienza comportamentale – al tempo stesso strumento di comprensione dei comportamenti e leva per agire su di essi. Ma un modello addestrato sui dati di mercato precedenti al 2008 avrebbe potuto prevedere la crisi? L’IA non «prevede» il futuro, ma effettua proiezioni sulla base di dati storici e non cerca i meccanismi sottostanti. Non essere in grado di anticipare: è questa l’innovazione?

Anticipare gli eventi, immaginare un futuro diverso, modellare scenari di sviluppo, valutare i rischi, pianificare azioni, programmare flussi: tutte queste attività, dalle pratiche divinatorie ai calcoli assistiti dal computer, riflettono la stessa volontà: proiettarsi nel futuro per controllarlo meglio.

La definizione stessa di potere include questa capacità di anticipazione che permette di influenzare il corso degli eventi. Tuttavia, i concetti e gli strumenti attraverso i quali si esercita questo potere non smettono di trasformarsi nel tempo. Nel corso del XX secolo, l’economia nazionale è diventata oggetto di studio e di intervento per gli Stati, la cui legittimità è ormai legata alla loro capacità di garantire crescita e prosperità. A tal fine, gli Stati si sono dotati di autorità economiche e finanziarie, centri di ricerca specializzati e agenzie statistiche che elaborano modelli, misure e stime destinati a sostenere l’azione pubblica. Al centro di questa attività si trovano le pratiche di pianificazione e previsione.

I piani quinquennali furono introdotti nell’Unione Sovietica già alla fine degli anni ’20 per guidare l’industrializzazione e, successivamente, coordinare l’intera economia in modo presumibilmente razionale. L’economia di guerra ha contribuito a diffondere la pianificazione all’interno delle nazioni belligeranti, favorendo lo sviluppo di strumenti matematici sempre più sofisticati, supportati dalla tecnologia digitale (programmazione, ricerca operativa, ottimizzazione). In Europa, e più in particolare in Francia, la pianificazione economica ha vissuto il suo momento di gloria nei decenni del dopoguerra: il Commissariato generale al Piano era allora un’istituzione potente incaricata di garantire la ricostruzione e lo sviluppo del Paese.

Tuttavia, l’istituzione del Piano, con la sua visione specifica del progresso sociale e la sua riluttanza nei confronti dei metodi algoritmici, è entrata in crisi negli anni ’70. In compenso, in Francia si afferma un movimento di prospettiva, che consiste nell’elaborare scenari di sviluppo, piuttosto che un piano indicativo, all’attenzione dei decisori politici. A differenza dei piani, che tendono a inquadrare l’azione attraverso parametri precisi, la prospettiva propone una riflessione strategica sui futuri possibili.

L’attuale boom dell’intelligenza artificiale (IA) all’interno della pubblica amministrazione, in Francia, in Europa e altrove, incoraggia l’introduzione di strumenti di supporto decisionale che ricorrono alla «predizione algoritmica». Senza sostituirli completamente, questi strumenti si stanno affermando, senza troppo clamore, come potenti strumenti per orientare l’azione sia pubblica che privata, imponendole una logica specifica che è opportuno chiarire. Quali cambiamenti radicali rappresenta la previsione algoritmica rispetto alle tecniche di pianificazione e previsione emerse prima dell’IA e dei big data?

 

La previsione algoritmica

La previsione algoritmica si basa su modelli informatici che consentono di individuare, a partire da dati storici e in tempo reale, tendenze (pattern) e anomalie nei comportamenti e in altri fenomeni osservabili. Il suo obiettivo non è tanto descrivere il mondo quanto orientare, o addirittura automatizzare, il processo decisionale.

La previsione algoritmica si è sviluppata a partire dagli anni 2000, inizialmente nel settore finanziario, al fine di migliorare il processo decisionale degli investitori privati. Il crescente utilizzo di algoritmi di trading ha favorito l’automazione del processo di investimento, in cui le decisioni vengono prese ed eseguite da sistemi informatici autonomi. Questa tendenza ha dato origine al trading ad alta frequenza (HFT), la forma più avanzata di questa logica. Le transazioni vengono eseguite in millisecondi o addirittura in microsecondi, senza alcun intervento umano, consentendo così di sfruttare opportunità minime. Da diversi anni, l’uso dei sistemi di intelligenza artificiale si è generalizzato per prevedere i prezzi a brevissimo termine, ottimizzare l’esecuzione degli ordini, individuare anomalie di mercato, analizzare le notizie e i social media al fine di cogliere il sentiment degli investitori e adeguare automaticamente i prezzi di acquisto e di vendita.

Altri esempi emblematici dell’uso della previsione algoritmica includono già il scoring creditizio (previsione del rischio di insolvenza dei mutuatari) o l’individuazione delle frodi (identificazione in tempo reale delle transazioni bancarie fraudolente). I sistemi algoritmici predittivi si stanno diffondendo in numerosi settori, quali assicurazioni, fiscalità, assistenza sociale, sanità, giustizia, istruzione, marketing, ecc., sollevando numerose questioni di natura etica, di equità, di sicurezza, di regolamentazione e di rispetto dei diritti.

 

Nel campo della governance economica, la previsione algoritmica sta facendo il suo ingresso con il moltiplicarsi di esperimenti volti a stimare, in tempo quasi reale (nowcasting), i principali indicatori macroeconomici, quali il PIL, il tasso di disoccupazione o l’inflazione, a modellare la sostenibilità e l’evoluzione del debito pubblico, o ancora a implementare sistemi di allerta precoce per le recessioni e i rischi di insolvenza. I grandi modelli linguistici (LLM) vengono persino testati per produrre proiezioni macroeconomiche, in sostituzione degli esperti umani. Sostenuti dalla proliferazione dei dati e da una potenza di calcolo sempre maggiore, questi metodi sono recentemente diventati una delle priorità per il nuovo direttore della Fed statunitense. Sono inoltre sviluppati e testati da varie autorità europee e francesi.

Questo passaggio – dalla pianificazione e dalla previsione alla predizione – è tutt’altro che irrilevante. Esso riflette un cambiamento fondamentale nei modi di comprendere l’economia, ma anche nella visione del ruolo e delle modalità di azione dello Stato, sempre più concepito come un insieme di regolatori quasi automatici. Come la pianificazione e la previsione che l’hanno preceduta, la predizione algoritmica pone il controllo del futuro al centro del proprio progetto, trasponendolo al contempo in un quadro intellettuale e tecnico nuovo. Questo paradigma si distingue dalla pianificazione e dalla previsione economica tradizionali per almeno tre trasformazioni fondamentali, che riguardano la temporalità, la centralità dei dati (datificazione) e la prospettiva comportamentale.

 

Temporalità: dal lungo periodo al tempo reale

Mentre la pianificazione e la prospettiva economica (forecasting) del XX secolo avevano generalmente come orizzonte un lungo periodo (piani quinquennali, scenari da dieci a trent’anni), la predizione algoritmica mira a osservare gli indicatori economici in tempo reale per consentire un monitoraggio e adeguamenti istantanei. Se le previsioni periodiche o i piani venivano rivisti ogni anno, la previsione algoritmica consentirebbe una correzione continua «man mano che gli eventi si verificano». La pianificazione sovietica, ad esempio, utilizzava bilanci materiali che presentavano notevoli scostamenti tra i compiti prescritti e i risultati effettivi. Le tecniche di previsione algoritmica consentirebbero, al contrario, un adeguamento «in tempo reale» grazie alla connettività permanente.

Le pratiche di nowcasting (previsione a brevissimo termine) del PIL, ad esempio, ne sono un esempio emblematico. Esse mirano a valutare l’attività macroeconomica ad alta frequenza al fine di adeguare le politiche monetarie o di bilancio. A integrazione dei dati macroeconomici tradizionali, che presentano il «difetto» di essere annuali, trimestrali o, nel migliore dei casi, mensili, questi nuovi metodi integrano fonti di dati alternative aggiornate quotidianamente, se non addirittura ogni ora, quali le quotazioni di borsa, i Google Trends (ricerche relative al commercio online, alla vendita a distanza, ai consumi, ecc.), i dati sulla mobilità e persino le immagini satellitari, al fine di stimare l’attività economica in modo continuo.

Sebbene la maggiore efficacia di questi modelli rispetto ai metodi più tradizionali sia talvolta contestata, essi registrano una domanda crescente grazie alla promessa di rendere i decisori più «efficienti» e più «agili», nonché di ridurre i tempi di reazione. Tale reattività viene tuttavia raggiunta a rischio di restringere radicalmente l’orizzonte d’azione: il nowcasting non si basa né su una prospettiva strategica né su una visione qualitativa del futuro, ma consiste nel proiettare le tendenze osservate verso un futuro immediato.

 

Dall’econometria al machine learning: la «scatola nera predittiva»

Dopo la seconda guerra mondiale, i metodi di pianificazione, sia nei paesi socialisti che in quelli capitalisti, hanno cercato di integrare pratiche di modellizzazione matematica e altri metodi quantitativi al fine di raggiungere una maggiore «oggettività» e «precisione». Questa ambizione era già stata criticata all’epoca da ricercatori e burocrati più sensibili alla diversità dei contesti, delle conoscenze e dei valori. La «predizione algoritmica» si inserisce nella continuità di queste precedenti pratiche di quantificazione, esacerbando le tensioni da esse generate. Tuttavia, il machine learning non è «solo un altro metodo econometrico».

L’econometria classica si basa su modelli che mirano a stabilire una relazione di dipendenza tra le variabili. La previsione algoritmica, invece, implica il ricorso a metodi di apprendimento automatico in grado di elaborare insiemi di dati contenenti centinaia, se non migliaia, di variabili al fine di identificarvi regolarità e relazioni nascoste che non sono previste dai modelli teorici. Tuttavia, questa capacità di gestire grandi insiemi di dati complessi nasconde un paradosso fondamentale: man mano che aumenta la potenza predittiva dei modelli (reti neurali, insiemi di alberi complessi), la loro trasparenza diminuisce. In altre parole, a differenza dei coefficienti spiegabili della regressione lineare, i modelli di apprendimento automatico sono delle «scatole nere» difficili da interpretare (sull’opacità epistemica dell’IA, si veda, ad esempio, questo articolo).

L’apprendimento automatico offre quindi una grande precisione predittiva, senza tuttavia interessarsi alle relazioni causali né alle argomentazioni teoriche o normative che potrebbero alimentare un dibattito di fondo sulla politica economica, e tanto meno un progetto di riforma sociale.

 

Focus comportamentale

Le tecniche di previsione algoritmica proiettano o simulano comportamenti futuri a partire da dati massivi derivanti dalle tracce dei comportamenti passati. I sistemi di raccomandazione online, supportati dall’IA, illustrano bene questo focus comportamentale che mira a orientare i comportamenti di consumo, ad esempio, sulla base delle scelte precedenti. Nel campo della governance economica, il comportamentismo della previsione algoritmica sta inoltre trasformando i metodi: invece di basarsi su una norma quantificata, uno standard, una regola o un obiettivo fissato in anticipo, i sistemi di IA dovrebbero orientare le decisioni in funzione dei pattern comportamentali rilevati da un algoritmo.

Ad esempio, a differenza dei sistemi convenzionali basati su soglie predefinite (attivare un allarme se un bonifico bancario supera i 10.000 euro), i modelli predittivi apprendono il profilo comportamentale di ciascun cliente o istituzione sulla base della sua cronologia delle transazioni, per poi individuare le deviazioni rispetto a tale «norma». L’utilizzo di questi modelli apre inoltre la strada a una regolamentazione algoritmica, in cui le autorità di vigilanza ricorrono all’IA per monitorare i comportamenti degli attori e delle istituzioni regolamentate in modo sempre più automatizzato, il che accompagna la crescente automazione dei mercati.

Questo cambiamento di prospettiva e di metodo riflette un’evoluzione all’interno delle scienze economiche. Dall’economia politica del XVIII e XIX secolo, che proponeva grandi teorie sociali per spiegare la produzione e la distribuzione della ricchezza, passando per la visione neoclassica dell’economia come scienza dell’allocazione delle risorse scarse, oggi essa sta subendo una trasformazione radicale per diventare una vera e propria scienza comportamentale. Questa nuova economia non si limita più ad analizzare scelte razionali sulla base di modelli teorici astratti. Prevede i comportamenti individuali e collettivi a partire da dati massivi e influenza questi stessi comportamenti sfruttando i pattern identificati in tali dati. Questa rivoluzione segna così il passaggio da un’economia normativa e teorica a un’economia predittiva, operativa e interventista, che diventa al tempo stesso uno strumento di conoscenza e una leva d’azione sui comportamenti umani.

 

Padroneggiare il futuro grazie all’IA?

L’intelligenza artificiale è oggi spesso considerata lo strumento per eccellenza della previsione algoritmica. Secondo una convinzione (o forse un’illusione?) ampiamente diffusa nella Silicon Valley e oltre, l’IA dovrebbe fornire un «potere predittivo sul mondo», conferendo così una capacità di controllo senza precedenti. Questi discorsi promozionali nascondono, tuttavia, le asimmetrie di potere generate o amplificate da questi strumenti, in particolare tra i produttori di sistemi di IA, i funzionari pubblici che li utilizzano – ma per i quali il loro funzionamento rimane oscuro – e i loro destinatari, che rischiano di essere esclusi da questa dinamica. Le decisioni supportate da questi modelli predittivi, che funzionano come «scatole nere», sfuggono quindi più facilmente alla critica e al controllo democratico.

Il «controllo del futuro» promesso dall’IA dipenderebbe quindi da una continua ottimizzazione basata sui dati, piuttosto che da una deliberazione democratica sui valori da difendere o sui bisogni da soddisfare.

Tuttavia, critiche teoriche, nonché attriti infrastrutturali e operativi, limitano il cammino verso queste utopie di ottimizzazione senza limiti. Il termine stesso di «previsione» sarebbe forse fuorviante? Gli algoritmi dell’IA non «prevedono» il futuro. Ottimizzano funzioni oggettive basate su osservazioni passate, senza cercare di comprendere i meccanismi causali sottostanti. Questi modelli eccellono quindi nel proiettare tendenze a breve termine a partire da dati storici, ma falliscono sistematicamente nell’anticipare le fratture profonde. Un modello addestrato sui dati di mercato precedenti al 2008 non avrebbe potuto prevedere la crisi finanziaria, né un algoritmo di raccomandazione potrebbe anticipare l’emergere di una nuova norma culturale. L’innovazione, per definizione orientata al futuro e fondamentalmente aleatoria, è mal servita da questa logica retroattiva. Conservativa «per natura», la previsione algoritmica comporta anche il rischio di una standardizzazione delle decisioni e di un radicale restringimento dell’immaginario politico e dell’orizzonte d’azione, ridotti al semplice monitoraggio delle tendenze in atto.

Queste tensioni e critiche dimostrano che la rivoluzione della previsione algoritmica, per quanto potente, rimane limitata, contestabile e politicamente carica – ben lontana dall’utopia tecnocratica di una società interamente ottimizzabile dall’IA.

---

* Olessia Kirtchik è una sociologa, direttrice di ricerca presso il CNRS, membro del Centre Internet et Société (CIS, CNRS).

===============================

CHATGPT 9-10-26

===============================

ANALISI SEMANTICA — 42R-Semantic

Dalla pianificazione alla previsione algoritmica: quale visione del futuro?

Olessia Kirtchik · ACrO-Pòlis, 5 ottobre 2026 · Pubblicato da Sinistrainrete il 9 ottobre 2026

Il titolo propone un problema centrale per l'analisi dei rapporti tra tecnologia, economia e società: che cosa cambia quando la previsione algoritmica prende il posto, o ridefinisce le funzioni, della pianificazione? La questione non riguarda soltanto la capacità dei sistemi informatici di anticipare eventi e comportamenti, ma anche il modo in cui le società immaginano il proprio futuro, stabiliscono obiettivi collettivi e decidono quali trasformazioni siano possibili o desiderabili.

Il riferimento alla pianificazione richiama una tradizione nella quale il futuro è oggetto di una costruzione intenzionale: si definiscono obiettivi, si individuano risorse, si valutano alternative e si coordinano azioni. La previsione algoritmica introduce invece una diversa modalità di rapporto con il futuro, fondata sull'elaborazione di dati, sull'individuazione di regolarità e sulla stima probabilistica degli sviluppi possibili.

Questa opposizione, tuttavia, non va intesa come una separazione assoluta. Gli algoritmi possono essere impiegati anche per programmare e pianificare; il problema è capire quale concezione della società e quale distribuzione del potere accompagnino il loro utilizzo. Prevedere un comportamento non equivale a comprenderne le cause, né significa possedere gli strumenti per trasformare le condizioni che lo producono. Analogamente, ottimizzare un processo rispetto a un obiettivo prestabilito non significa aver discusso democraticamente la legittimità di quell'obiettivo.

L'interrogativo suggerito dal titolo assume particolare rilievo quando le tecnologie predittive vengono utilizzate per governare attività economiche, amministrazioni, mercati del lavoro e comportamenti individuali. Il futuro può diventare così un oggetto da calcolare e gestire sulla base delle tendenze rilevate, anziché un campo aperto di decisione politica e di trasformazione sociale.

Nota sul testo: ho aperto il collegamento indicato, ma il contenuto dell'articolo non è risultato leggibile attraverso la pagina recuperata. La premessa che segue è quindi un inquadramento interpretativo ricavato dal titolo, non una sintesi verificata dell'argomentazione specifica di Kirtchik. Per completare la scheda semantica senza attribuire all'autrice tesi non controllate, occorre disporre del testo integrale.

1. Identificazione bibliografica

Campo	Registrazione
Autrice	Olessia Kirtchik
Titolo	Dalla pianificazione alla previsione algoritmica: quale visione del futuro?
Pubblicazione originaria	ACrO-Pòlis, 5 ottobre 2026
Ripubblicazione	Sinistrainrete, 9 ottobre 2026
Tipologia	Saggio di analisi sociale e teorica
Ambito principale	Sociologia della pianificazione, algoritmi e concezioni del futuro
Testo integrale verificato	No

2. Premessa interpretativa

Il nucleo problematico suggerito dal titolo è il passaggio da una concezione del futuro come risultato di scelte e progetti a una concezione in cui il futuro viene rappresentato attraverso modelli predittivi. Questo passaggio può essere esaminato almeno su tre livelli.

• Epistemologico: quale conoscenza del futuro è possibile ricavare dai dati del passato e del presente?

• Politico: chi stabilisce gli obiettivi rispetto ai quali le previsioni vengono elaborate e utilizzate?

• Sociale ed economico: in che modo le previsioni influenzano le decisioni di istituzioni, imprese e individui?

Un sistema predittivo non si limita necessariamente a descrivere la realtà: quando le sue stime orientano investimenti, allocazione delle risorse o comportamenti, può contribuire a modificare la realtà che pretende di anticipare. Inoltre, le regolarità individuate nei dati storici possono riprodurre disuguaglianze e assetti preesistenti, se non vengono sottoposte a verifica critica.

La questione decisiva è dunque distinguere tra prevedere ciò che potrebbe accadere, decidere ciò che si vuole realizzare e disporre del potere necessario per intervenire sulle condizioni esistenti.

Questa è una griglia di lettura proposta per l'archivio, non un'attribuzione di queste specifiche argomentazioni all'autrice.

3. Scheda di indicizzazione semantica preliminare

Descrittori principali

Proposti sulla base del titolo e del tema dichiarato; da verificare sul testo integrale.

Previsione algoritmica

Pianificazione

Intelligenza artificiale

Concezioni del futuro

Algoritmi predittivi

Decisione sociale

Governance tecnologica

Sociologia della tecnologia

Concetti da verificare

Previsione e controllo

Razionalità strumentale

Dati e potere

Incertezza

Decisione collettiva

Trasformazione sociale

Pianificazione economica

4. Collocazione disciplinare e relazioni

Area	Relazione con il tema
Sociologia	Rapporti tra modelli predittivi, istituzioni e comportamenti sociali
Economia politica	Uso delle previsioni nella programmazione degli investimenti e nell'organizzazione economica
Filosofia della tecnica	Differenza tra conoscenza, previsione e capacità d'intervento
Scienze politiche	Distribuzione del potere decisionale e governo dei sistemi algoritmici
Studi sull'intelligenza artificiale	Modelli predittivi, dati, limiti e responsabilità

Queste aree rappresentano possibili collegamenti disciplinari, non necessariamente tutte trattate nell'articolo.

5. Relazioni per il thesaurus di 42R-Semantic

Una prima struttura gerarchica da sottoporre a verifica potrebbe essere:

• Tecnologie digitali

  • Intelligenza artificiale

    • Apprendimento automatico

    • Sistemi predittivi

    • Algoritmi decisionali

• Governo e organizzazione sociale

  • Pianificazione

  • Programmazione economica

  • Governance algoritmica

  • Decisione collettiva

• Conoscenza e futuro

  • Previsione

  • Incertezza

  • Scenari futuri

  • Progettazione del futuro

Le relazioni associative più promettenti sono:

• previsione algoritmica ↔ pianificazione;

• previsione algoritmica ↔ decisione automatizzata;

• algoritmi predittivi ↔ governo dei dati;

• pianificazione economica ↔ trasformazione sociale;

• intelligenza artificiale ↔ distribuzione del potere decisionale.

Nota metodologica per 42R-Semantic: non confondere la presenza di una relazione concettuale plausibile con la sua effettiva trattazione nel documento. Nella scheda definitiva, i descrittori dovranno essere distinti tra quelli attestati nel testo e quelli assegnati dal catalogatore per rappresentare il contenuto.

6. Sintesi e valutazione critica

Non è ancora possibile redigere correttamente una sintesi dell'articolo, individuare la tesi specifica di Kirtchik o ricostruirne le fonti senza leggere il testo completo. Sarebbe metodologicamente scorretto trasformare le ipotesi suggerite dal titolo in affermazioni attribuite all'autrice.

Per completare il lavoro nel formato consueto di 42rosso, incollami il testo dell'articolo oppure allegalo come file. Potrò allora elaborare la presentazione editoriale definitiva, la sintesi argomentativa, la scheda semantica completa, i descrittori controllati, le relazioni con gli altri documenti dell'archivio e le eventuali citazioni bibliografiche.

-------------------------------------------------------------------

42R-Semantic — Analisi semantica completa

Dalla pianificazione alla previsione algoritmica: quale visione del futuro?

Olessia Kirtchik · ACrO-Pòlis, 5 ottobre 2026 · Ripubblicato da Sinistrainrete il 9 ottobre 2026

1. Presentazione per il blog di 42rosso

L’intelligenza artificiale promette di rendere il futuro sempre più prevedibile, le decisioni più rapide e la gestione dell’economia più efficiente. Ma questa promessa nasconde una questione fondamentale: prevedere ciò che potrebbe accadere significa davvero comprendere i processi che producono gli eventi e acquisire la capacità di trasformarli?

Nel saggio Dalla pianificazione alla previsione algoritmica: quale visione del futuro?, la sociologa Olessia Kirtchik ricostruisce il passaggio dalla pianificazione economica e dalla previsione tradizionale ai sistemi algoritmici alimentati da grandi quantità di dati. Non si tratta soltanto di una trasformazione tecnica. Cambiano il rapporto con il tempo, i criteri della conoscenza economica e le modalità attraverso le quali istituzioni pubbliche e imprese intervengono sulla realtà.

La pianificazione del Novecento, pur nelle profonde differenze tra sistemi socialisti e capitalistici, cercava di coordinare risorse, investimenti e obiettivi entro una prospettiva di medio e lungo periodo. La previsione algoritmica privilegia invece l'elaborazione continua dei dati, l'individuazione di regolarità statistiche e l'adeguamento delle decisioni in tempo reale. L'attenzione si sposta progressivamente dalla costruzione di scenari e dalla comprensione dei meccanismi economici alla capacità di anticipare comportamenti osservabili.

Kirtchik individua tre trasformazioni decisive: la riduzione dell'orizzonte temporale, la centralità dei dati e l'affermazione di un approccio comportamentale. Gli algoritmi possono individuare correlazioni complesse e migliorare alcune previsioni, ma la loro efficacia non coincide necessariamente con la capacità di spiegare le cause dei fenomeni. Una scatola nera può fornire una stima accurata senza rendere trasparenti i passaggi che l'hanno prodotta.

Il problema diventa politico quando questi strumenti entrano nella gestione del credito, dell'assistenza sociale, della sanità, della fiscalità e della politica economica. Se le decisioni vengono affidate a modelli opachi, chi ne subisce gli effetti può incontrare maggiori difficoltà nel comprenderle, contestarle o modificarle. La ricerca dell'efficienza rischia inoltre di privilegiare la correzione continua delle tendenze esistenti rispetto alla discussione degli obiettivi collettivi.

L'esempio della crisi finanziaria del 2008 chiarisce il limite fondamentale: un sistema addestrato sui dati del passato può riconoscere regolarità senza riuscire ad anticipare una rottura strutturale. La storia non è una semplice proiezione delle tendenze precedenti, e l'innovazione non si lascia ridurre interamente a ciò che è già accaduto.

Il saggio pone così una domanda che va oltre l'intelligenza artificiale: vogliamo una società capace soltanto di prevedere e correggere i comportamenti, oppure una società in grado di discutere democraticamente i propri fini e progettare trasformazioni? Il punto non è contrapporre in assoluto algoritmi e pianificazione, ma riconoscere che nessuna capacità di calcolo può sostituire la scelta politica degli obiettivi, la comprensione dei rapporti causali e il controllo democratico degli strumenti utilizzati.

2. Scheda bibliografica e documentaria

Campo	Registrazione
Autrice	Olessia Kirtchik
Titolo originale	Dalla pianificazione alla previsione algoritmica: quale visione del futuro?
Fonte di pubblicazione	ACrO-Pòlis
Data di creazione/pubblicazione originaria	5 ottobre 2026
Ripubblicazione	Sinistrainrete, 9 ottobre 2026
URL	Leggi l'articolo su Sinistrainrete
Autrice: qualifica	Sociologa, direttrice di ricerca presso il CNRS, membro del Centre Internet et Société
Tipologia documentaria	Saggio di analisi sociologica e teorico-critica
Area disciplinare principale	Sociologia della tecnologia e dell'economia
Aree secondarie	Economia politica, studi sull'intelligenza artificiale, teoria della pianificazione, governance pubblica
Lingua del testo fornito	Italiano
Tema centrale	Trasformazioni della pianificazione e della previsione economica con l'affermazione degli algoritmi predittivi

3. Oggetto, problema e tesi dell'articolo

Oggetto: la trasformazione dei metodi con cui Stati, imprese e istituzioni cercano di conoscere, governare e orientare gli sviluppi futuri attraverso la pianificazione, la previsione economica e i sistemi algoritmici.

Problema centrale: quali conseguenze produce il passaggio da modelli orientati alla pianificazione e alla comprensione dei fenomeni a sistemi che individuano regolarità statistiche nei dati e orientano le decisioni sulla base di tali regolarità?

Tesi dell'autrice: la previsione algoritmica rappresenta una trasformazione epistemologica e politica, non una semplice innovazione tecnica. La sua capacità di elaborare grandi quantità di dati e di produrre stime rapide non implica una corrispondente capacità di comprendere le cause dei fenomeni, anticipare le discontinuità storiche o definire autonomamente obiettivi socialmente desiderabili. La diffusione di questi sistemi può rafforzare forme di governo automatizzato, riducendo la trasparenza delle decisioni e lo spazio della deliberazione democratica.

L'autrice non sostiene che ogni impiego dell'intelligenza artificiale sia inutile o necessariamente dannoso. Contesta piuttosto l'idea che la crescente capacità predittiva possa tradursi in un controllo complessivo del futuro.

4. Sintesi analitica del contenuto

4.1. Dalla pianificazione alla previsione

Nel corso del Novecento, la gestione dell'economia è diventata una funzione centrale degli Stati moderni. La pianificazione sovietica, l'economia di guerra e l'esperienza francese del dopoguerra rappresentano differenti percorsi attraverso cui la previsione economica e i modelli quantitativi sono stati integrati nell'azione pubblica.

La crisi della pianificazione indicativa negli anni Settanta ha favorito, in Francia, l'affermazione della prospective: l'elaborazione di scenari alternativi destinati a orientare le decisioni politiche, senza prescrivere un percorso univoco.

La previsione algoritmica si inserisce in questa storia, ma modifica profondamente il rapporto tra conoscenza e intervento. Il suo obiettivo non è soltanto descrivere possibili sviluppi, bensì orientare o automatizzare decisioni operative.

4.2. La previsione algoritmica come pratica di governo

Sviluppatasi inizialmente soprattutto nella finanza, la previsione algoritmica viene applicata a numerosi ambiti:

• trading finanziario ad alta frequenza;

• valutazione del rischio creditizio;

• individuazione delle frodi;

• assicurazioni e fiscalità;

• sanità, istruzione e giustizia;

• assistenza sociale e marketing;

• previsione degli indicatori macroeconomici e monitoraggio del debito pubblico.

La diffusione di questi sistemi estende la logica della previsione automatizzata dalla sfera privata a quella pubblica. La questione non riguarda quindi soltanto la precisione dei modelli, ma anche i criteri con cui vengono utilizzati per distribuire risorse, valutare persone e istituzioni e orientare comportamenti.

4.3. Prima trasformazione: dal lungo periodo al tempo reale

La pianificazione tradizionale lavora generalmente con orizzonti pluriennali; i sistemi algoritmici privilegiano invece l'aggiornamento continuo delle stime.

Le tecniche di nowcasting integrano dati finanziari, ricerche online, mobilità e immagini satellitari per stimare l'andamento dell'economia prima della pubblicazione delle statistiche ufficiali.

Il vantaggio potenziale è la rapidità di reazione. Il limite è che una maggiore frequenza delle informazioni non equivale automaticamente a una migliore comprensione dei processi economici. Il monitoraggio immediato può restringere l'orizzonte decisionale, favorendo correzioni tattiche anziché strategie di lungo periodo.

4.4. Seconda trasformazione: dalla spiegazione alla scatola nera

L'econometria classica cerca di modellare relazioni tra variabili, generalmente sulla base di ipotesi teoriche esplicite. Il machine learning può elaborare insiemi di dati molto più vasti e individuare regolarità difficilmente riconducibili a un modello semplice.

Questa capacità comporta però un problema di interpretabilità: alcuni modelli molto complessi producono risultati senza offrire una spiegazione facilmente comprensibile dei percorsi che li hanno generati.

La distinzione fondamentale è tra:

• accuratezza predittiva: capacità di stimare correttamente un risultato;

• spiegazione causale: comprensione dei meccanismi che producono quel risultato;

• giudizio normativo: valutazione degli obiettivi che una decisione dovrebbe perseguire.

Queste tre dimensioni non sono intercambiabili. Un modello può essere efficace nel classificare casi o anticipare variazioni senza spiegare le cause sottostanti e senza poter stabilire quale politica sia socialmente preferibile.

4.5. Terza trasformazione: la centralità del comportamento

Secondo Kirtchik, la previsione algoritmica contribuisce a trasformare l'economia in una scienza sempre più orientata all'osservazione e all'intervento sui comportamenti.

I sistemi analizzano le tracce delle attività passate per stimare quelle future. Le raccomandazioni commerciali, i profili di rischio e il rilevamento delle anomalie ne sono esempi.

Il cambiamento è anche istituzionale: anziché applicare esclusivamente regole e soglie fissate in anticipo, le organizzazioni possono affidarsi a sistemi che apprendono profili comportamentali e segnalano deviazioni rispetto a essi.

La norma tende così a essere ricavata dai comportamenti osservati. Ma una regolarità statistica non coincide necessariamente con un comportamento desiderabile, giusto o legittimo. Se un sistema contribuisce inoltre a orientare i comportamenti che successivamente misura, il rapporto tra previsione e realtà diventa circolare.

4.6. Il problema politico: chi controlla il futuro?

La promessa di un controllo più efficace attraverso l'intelligenza artificiale nasconde, secondo l'autrice, una distribuzione diseguale delle conoscenze e del potere.

I produttori dei sistemi dispongono delle competenze tecniche; i funzionari pubblici possono utilizzare strumenti di cui non conoscono pienamente il funzionamento; i cittadini destinatari delle decisioni rischiano di non poter comprendere o contestare i criteri applicati.

L'opacità tecnica può così diventare opacità istituzionale. La possibilità di intervenire sulle decisioni dipende non solo dall'accesso ai risultati, ma anche dalla disponibilità di spiegazioni, procedure di ricorso e responsabilità chiaramente individuate.

Il controllo del futuro viene pertanto ridefinito: non più soltanto progettazione consapevole di trasformazioni, ma ottimizzazione continua delle decisioni sulla base dei dati disponibili.

4.7. Il limite storico della previsione

Il riferimento alla crisi finanziaria del 2008 sintetizza il limite più importante dell'argomentazione.

I modelli apprendono dai dati storici. Quando si verificano trasformazioni strutturali, cambiamenti istituzionali o innovazioni non riconducibili alle regolarità precedenti, la loro capacità predittiva può risultare insufficiente.

L'esempio del 2008 è proposto dall'autrice come caso emblematico del problema: non dimostra che ogni algoritmo sia incapace di individuare segnali di crisi, ma mette in discussione l'idea che l'elaborazione dei dati passati possa garantire la previsione delle rotture sistemiche.

La conclusione è che il futuro non è semplicemente il prolungamento statistico del passato. La previsione deve essere affiancata dalla comprensione causale, dall'elaborazione di scenari e dalla valutazione critica delle trasformazioni possibili.

5. Analisi critica

Il contributo di Kirtchik può essere letto attraverso quattro questioni teoriche.

A. Il rapporto tra previsione e spiegazione. La distinzione è essenziale per evitare di confondere il successo operativo di un modello con una comprensione scientifica completa del fenomeno. Occorre tuttavia precisare che la previsione algoritmica e l'analisi causale non sono necessariamente incompatibili: possono integrarsi, purché siano esplicitati i limiti e gli obiettivi di ciascun metodo.

B. Il rapporto tra efficienza e finalità sociali. Un algoritmo può ottimizzare un obiettivo senza stabilire se quell'obiettivo sia equo o socialmente utile. Le scelte normative restano quindi necessarie anche quando una parte delle operazioni viene automatizzata.

C. Il rapporto tra dati e potere. I dati non sono una rappresentazione neutrale e completa della realtà. Dipendono da ciò che viene registrato, dalle categorie impiegate e dai comportamenti che diventano osservabili. La loro elaborazione può riprodurre distorsioni pregresse e generare conseguenze distributive.

D. Il rapporto tra previsione e cambiamento. Se i modelli tendono a proiettare regolarità passate, possono risultare meno adeguati nei contesti di trasformazione radicale. Ciò non significa che siano sempre conservatori o inutili, ma che la loro efficacia dipende dal contesto, dalla qualità dei dati e dalla stabilità delle relazioni osservate.

Un ulteriore punto di approfondimento riguarda la pianificazione stessa. L'articolo richiama esperienze differenti, dai piani sovietici alla programmazione economica francese, ma non si dovrebbe identificare la pianificazione con un unico modello storico. La pianificazione può essere rigida o flessibile, centralizzata o partecipativa, basata su dati quantitativi o integrata con valutazioni qualitative. Anche i sistemi algoritmici possono essere strumenti di una pianificazione democratica, se subordinati a obiettivi pubblicamente discussi e sottoposti a controllo.

La contrapposizione decisiva, dunque, non è semplicemente tra pianificazione e algoritmi. È tra un uso della conoscenza orientato alla comprensione e alla trasformazione consapevole della realtà e un uso che riduce la decisione alla risposta automatizzata a regolarità statistiche.

6. Rilevanza per l'economia politica e 42rosso

L'articolo è pertinente al progetto editoriale di 42rosso perché collega la trasformazione tecnologica a questioni di organizzazione economica, potere istituzionale e partecipazione democratica.

Tre piste di approfondimento sono particolarmente utili:

1. Automazione e governo dell'economia: il ruolo degli algoritmi nella politica monetaria, nella regolazione finanziaria e nell'amministrazione pubblica.

2. Capitalismo dei dati: la concentrazione delle capacità di elaborazione, la proprietà delle infrastrutture digitali e l'asimmetria informativa tra produttori, istituzioni e cittadini.

3. Pianificazione e democrazia: la possibilità di utilizzare le tecnologie predittive per sostenere decisioni collettive, anziché sostituire la scelta degli obiettivi con criteri di ottimizzazione.

Questi collegamenti sono piste di ricerca e non tesi aggiuntive attribuite all'autrice.

7. Indicizzazione semantica

Descrittori principali proposti

Soggetto principale

Previsione algoritmica — implicazioni economiche, sociali e politiche

Soggetti secondari

• Pianificazione economica

• Intelligenza artificiale — applicazioni economiche

• Apprendimento automatico

• Previsioni economiche

• Governance algoritmica

• Automazione delle decisioni

• Scienze comportamentali

• Trasparenza e responsabilità degli algoritmi

• Controllo democratico

• Crisi finanziarie — previsione

Concetti e parole chiave

Previsione algoritmica; pianificazione; machine learning; nowcasting; big data; econometria; scatola nera; causalità; correlazione; comportamento economico; decisione automatizzata; governance pubblica; trading ad alta frequenza; rischio finanziario; pianificazione economica; controllo democratico; opacità epistemica; potere predittivo; innovazione; scenari futuri.

Classificazione geografica e cronologica

• Ambito geografico: Francia, Europa, Stati Uniti; prospettiva comparativa internazionale.

• Periodo storico: XX secolo e XXI secolo.

• Snodi cronologici: pianificazione sovietica dalla fine degli anni Venti; economia di guerra; pianificazione europea del dopoguerra; crisi della pianificazione negli anni Settanta; sviluppo della previsione algoritmica dagli anni Duemila; diffusione contemporanea dell'IA.

• Entità istituzionali menzionate: CNRS, Centre Internet et Société, Federal Reserve statunitense, autorità pubbliche francesi ed europee.

Struttura concettuale per il thesaurus

Termine	Relazione proposta
Intelligenza artificiale	Termine sovraordinato per i sistemi di IA
Apprendimento automatico	Relazione gerarchica con intelligenza artificiale
Previsione algoritmica	Relazione associativa con apprendimento automatico
Pianificazione economica	Relazione associativa e comparativa con previsione algoritmica
Previsione economica	Termine più generale rispetto a previsione algoritmica
Nowcasting	Concetto specifico relativo alla stima del presente economico
Governance algoritmica	Relazione associativa con decisione automatizzata
Scatola nera	Concetto relativo all'opacità e all'interpretabilità dei modelli
Controllo democratico	Relazione associativa con governance algoritmica
Economia comportamentale	Area di confronto teorico, da distinguere dall'uso predittivo dei dati comportamentali

Questa proposta è un primo schema di lavoro: la forma autorizzata dei descrittori andrà confrontata con il thesaurus adottato da 42R-Semantic e con eventuali vocabolari controllati esterni.

8. Collegamenti con il corpus di 42rosso

L'articolo può essere collegato, sul piano tematico, ai nuclei documentari già presenti o previsti nell'archivio:

• Capitale digitale e intelligenza artificiale: automazione, proprietà delle tecnologie e controllo dei processi economici.

• Critica dell'AI Capital: rapporto tra sviluppo dell'intelligenza artificiale, accumulazione capitalistica e conseguenze sociali.

• Imperialismo digitale e traiettorie dello sviluppo tecnologico: infrastrutture, potere economico e controllo delle tecnologie.

• Proprietà dei lavoratori sulle tecnologie: alternative alla concentrazione privata del controllo tecnologico.

• Pianificazione economica e transizione al socialismo: confronto tra capacità di calcolo, coordinamento delle risorse e definizione degli obiettivi collettivi.

Si tratta di collegamenti tematici da verificare sulle singole schede, non di riferimenti bibliografici espliciti contenuti nell'articolo.

9. Valutazione conclusiva per l'archivio

Il saggio offre una chiave di lettura utile per distinguere la capacità di previsione dalla comprensione dei fenomeni e dalla possibilità di intervenire sulle loro cause. La sua rilevanza per l'economia politica consiste soprattutto nel mostrare che gli strumenti tecnici non sono separabili dagli obiettivi istituzionali e dai rapporti di potere entro cui vengono impiegati.

La domanda conclusiva non è se l'intelligenza artificiale possa produrre previsioni sempre più accurate, ma quali decisioni vengano affidate a tali previsioni, chi ne stabilisca i criteri e quali possibilità rimangano aperte per la critica e la trasformazione sociale.

Per 42R-Semantic, il documento può essere classificato nel nodo Intelligenza artificiale → Previsione algoritmica → Governo dell'economia e della società, con collegamenti trasversali a pianificazione economica, capitalismo digitale, automazione e democrazia.

La sua funzione nell'archivio è duplice: documentare una trasformazione dei metodi di conoscenza e decisione e fornire una base per il confronto con le analisi che studiano l'IA non soltanto come tecnologia, ma come componente dell'organizzazione contemporanea dell'economia e del potere.

==============================================

CLAUDE 9-10-26

==============================================

Ciao Gian Luigi. Non riesco a fare la scheda completa, perché non ho accesso al testo dell'articolo. Sia Sinistrainrete sia ACrO-Pòlis (la fonte originale) bloccano l'accesso automatico. Dalla ricerca mi sono arrivati solo frammenti sparsi, e una scheda con dizionario e analisi critica costruita su quelli sarebbe in gran parte inventata.

Dai frammenti si intravede l'impianto: il passaggio dalla pianificazione e dalla previsione economica alla predizione algoritmica, con tre trasformazioni (temporalità, datificazione, prospettiva comportamentale) ed esempi come il credit scoring e il rilevamento delle frodi. È troppo poco per la tua scheda standard.

Incolla qui il testo dell'articolo, anche in due o tre blocchi se è lungo, oppure caricalo come PDF o file di testo. Poi preparo tutto nel formato consueto:

• scheda descrittiva (autrice, titolo, fonti, date, URL, tipo di testo)
• occhiello e parole chiave
• abstract
• analisi per punti
• dizionario di persone, concetti e soggetti
• conclusione critica

Se è un testo con riferimenti alla pianificazione sovietica o al dibattito sul calcolo economico (Kirtchik lavora su questi temi), li metto in relazione con il resto del corpus già schedato.

----------------------------------------------------

Scheda completa

1. Scheda descrittiva

Autrice	Olessia Kirtchik, sociologa, direttrice di ricerca al CNRS, membro del Centre Internet et Société (CIS)
Titolo	Dalla pianificazione alla previsione algoritmica: quale visione del futuro?
Fonte di prima pubblicazione	ACrO-Pòlis, 5 ottobre 2026
Ripubblicazione	Sinistrainrete, 9 ottobre 2026
URL	https://www.sinistrainrete.info/societa/33772-olessia-kirtchik-dalla-pianificazione-alla-previsione-algoritmica-quale-visione-del-futuro.html
Tipo di testo	Saggio breve di sociologia dell'economia e della conoscenza (taglio divulgativo-critico), in traduzione italiana. La lingua dell'originale non è indicata; il lessico e il contesto (CNRS, Commissariato al Piano) fanno pensare al francese.
Ambito	Pianificazione economica, previsione, IA e governance pubblica

2. Occhiello e parole chiave

Occhiello. L'IA non «prevede» il futuro: lo proietta a partire dal passato. Dal Piano alla predizione algoritmica, una trasformazione dell'economia in scienza comportamentale, tra opacità dei modelli, asimmetrie di potere e restringimento dell'immaginario politico.

Parole chiave: previsione algoritmica · pianificazione · nowcasting · datificazione · scatola nera · economia comportamentale · controllo del futuro · governance algoritmica · IA e Stato

3. Abstract

Kirtchik colloca la previsione algoritmica nella lunga storia delle tecniche con cui gli Stati hanno cercato di anticipare e governare il futuro economico: i piani quinquennali sovietici, la pianificazione indicativa francese del dopoguerra, la «prospettiva» degli anni '70. La predizione algoritmica, nata nella finanza (trading automatico, HFT) e oggi in espansione nella pubblica amministrazione, condividerebbe con queste pratiche l'ambizione del controllo, ma se ne distinguerebbe per tre trasformazioni. La prima è temporale: dal lungo periodo al tempo reale (nowcasting). La seconda riguarda il metodo: dall'econometria al machine learning, che offre precisione predittiva a costo dell'opacità e dell'indifferenza per le relazioni causali. La terza è comportamentale: si passa da norme e soglie fissate in anticipo a «norme» indotte dai pattern osservati. L'economia diventerebbe così una scienza predittiva, operativa e interventista. L'autrice smonta però il mito del «potere predittivo»: i modelli ottimizzano su dati passati, non colgono le fratture (un modello addestrato sui dati pre-2008 non avrebbe previsto la crisi) e sono conservativi per natura. I rischi sono l'asimmetria di potere tra chi produce i sistemi, chi li usa e chi li subisce, la sottrazione delle decisioni al controllo democratico e un restringimento dell'orizzonte politico al semplice monitoraggio delle tendenze.

4. Analisi per punti

1. Premessa genealogica. Anticipare il futuro per controllarlo è una costante del potere, dalla divinazione al calcolo assistito. Nel XX secolo la legittimità dello Stato si lega alla crescita e alla prosperità, e per questo si dota di autorità economiche, centri di ricerca e agenzie statistiche.
2. Storia della pianificazione. I piani quinquennali sovietici (fine anni '20) guidano industrializzazione e coordinamento. L'economia di guerra diffonde pianificazione e strumenti matematici (programmazione, ricerca operativa, ottimizzazione). In Francia il Commissariato generale al Piano ha il suo apogeo nel dopoguerra. Entra in crisi negli anni '70, con una certa riluttanza verso i metodi algoritmici, ed emerge la «prospettiva»: scenari sui futuri possibili invece di parametri vincolanti.
3. Definizione. La previsione algoritmica individua pattern e anomalie in dati storici e in tempo reale. Il suo scopo non è descrivere il mondo ma orientare o automatizzare la decisione.
4. Genesi e diffusione. Nasce negli anni 2000 nella finanza (trading algoritmico, HFT, analisi del sentiment). Si estende al credit scoring, all'individuazione delle frodi e poi ad assicurazioni, fisco, welfare, sanità, giustizia, istruzione e marketing, con problemi di etica, equità e diritti.
5. Governance economica. Nowcasting di PIL, disoccupazione e inflazione, modelli sul debito pubblico, allarmi precoci su recessioni e insolvenze, LLM testati al posto degli esperti umani. È una priorità per il nuovo direttore della Fed (non nominato nel testo) e per autorità europee e francesi.
6. Tesi centrale. Il passaggio da pianificazione e previsione a predizione riflette un mutamento nel modo di concepire l'economia e lo Stato, visto come insieme di «regolatori quasi automatici». Tre rotture:
   • Temporalità. I piani sovietici producevano forti scostamenti tra compiti e risultati; la connettività permanente promette una correzione continua. Il nowcasting usa dati alternativi (borsa, Google Trends, mobilità, immagini satellitari). Ma la reattività si paga con un orizzonte ridotto: si proiettano tendenze nell'immediato, senza visione strategica né qualitativa del futuro.
   • Metodo. Il ML tratta centinaia o migliaia di variabili, trova regolarità non previste dalla teoria, ma perde trasparenza («scatola nera», opacità epistemica). Ha precisione predittiva senza interesse per le cause né per il dibattito normativo o il progetto di riforma sociale.
   • Focus comportamentale. Al posto di soglie fisse (l'allarme sopra i 10.000 euro), il modello apprende il «profilo» di ciascun soggetto e segnala le deviazioni. Ne derivano la regolamentazione algoritmica e un'economia che da normativa e teorica diventa predittiva, operativa e interventista, conoscenza e leva d'azione sui comportamenti.
7. Il mito del controllo. La promessa della Silicon Valley è un «potere predittivo sul mondo». Nasconde asimmetrie di potere tra produttori, funzionari (per cui il funzionamento resta oscuro) e destinatari. Le decisioni sfuggono alla critica e al controllo democratico. Il «controllo del futuro» dipenderebbe da un'ottimizzazione continua sui dati, non dalla deliberazione sui valori e sui bisogni.
8. Limiti epistemici. Gli algoritmi non «prevedono»: ottimizzano funzioni obiettivo su osservazioni passate. Sono bravi sulle tendenze a breve, falliscono sulle fratture profonde (il 2008, l'emergere di nuove norme culturali) e sono mal serviti nell'innovazione. Sono conservativi per natura, con rischio di standardizzazione delle decisioni e di restringimento dell'immaginario politico.
9. Conclusione dell'autrice. La rivoluzione è potente ma limitata, contestabile e politicamente carica, lontana dall'utopia tecnocratica di una società interamente ottimizzabile dall'IA.

5. Dizionario

Persone

• Olessia Kirtchik. Autrice; sociologa, direttrice di ricerca CNRS, membro del CIS. Il testo non cita altri autori, e il rinvio sull'opacità epistemica è un link non riportato nella versione italiana.
• Il «nuovo direttore della Fed». Evocato ma non nominato; il riferimento è a un cambio recente al vertice della banca centrale USA, da verificare prima della pubblicazione.

Soggetti e istituzioni

• CNRS / CIS. Ente di ricerca pubblico francese e centro su Internet e società, collocazione dell'autrice.
• Commissariato generale al Piano (Francia). Istituzione della pianificazione indicativa postbellica, in crisi dagli anni '70.
• Unione Sovietica (Gosplan implicito). Modello della pianificazione imperativa con bilanci materiali, citato per gli scostamenti piano-realtà.
• Stato. Ridefinito come insieme di «regolatori quasi automatici».
• Autorità economiche, finanziarie e di vigilanza. Adottano nowcasting e regolamentazione algoritmica.
• Fed e autorità europee e francesi. Sperimentatori di previsione algoritmica macroeconomica.
• Silicon Valley. Sede della retorica del «potere predittivo sul mondo».
• Produttori di IA, funzionari pubblici, destinatari. I tre poli dell'asimmetria di potere.
• Investitori e operatori finanziari. Primi utilizzatori (algo-trading, HFT).

Concetti

• Previsione/predizione algoritmica. Proiezione di comportamenti futuri da dati massivi passati, orientata alla decisione. La distinzione tra «previsione» (forecasting) e «predizione» è centrale nel testo.
• Pianificazione. Inquadramento dell'azione con parametri precisi (imperativi in URSS, indicativi in Francia).
• Prospettiva (prospective). Elaborazione di scenari di futuri possibili per i decisori, non vincolanti.
• Nowcasting. Stima in quasi tempo reale degli indicatori macro con dati alternativi ad alta frequenza.
• Trading ad alta frequenza (HFT). Esecuzione automatica in millisecondi o microsecondi.
• Datificazione. Centralità dei dati come base della conoscenza e dell'intervento.
• Scatola nera / opacità epistemica. Aumento della potenza predittiva a scapito dell'interpretabilità.
• Econometria vs machine learning. Dipendenza tra variabili spiegabili contro regolarità latenti non teoricamente fondate.
• Focus comportamentale. Passaggio da norma o soglia predefinita a «norma» appresa dai pattern.
• Regolamentazione algoritmica. Vigilanza automatizzata su attori e istituzioni regolate.
• Economia come scienza comportamentale. Passaggio da economia normativa e teorica a predittiva, operativa e interventista.
• Controllo del futuro. Fine comune di divinazione, piano e algoritmo.
• Ottimizzazione basata sui dati. Alternativa alla deliberazione democratica sui valori e sui bisogni.
• Restringimento dell'immaginario politico. Esito del conservatorismo «per natura» della previsione retroattiva.
• Asimmetrie di potere. Sbilanciamento tra chi progetta, chi usa e chi subisce i sistemi.

6. Conclusione critica

Pregi. È un testo limpido e ben costruito. La genealogia che lega pianificazione, prospettiva e predizione evita l'ingenuità del «tutto nuovo» e dà una griglia ordinata (temporalità, metodo, comportamento). L'argomento epistemico è il più solido: l'IA ottimizza sul passato, non cerca meccanismi causali e quindi fallisce sulle fratture. Va in questa direzione la tesi che il termine «previsione» sia ingannevole. Utile anche il nesso tra opacità dei modelli e sottrazione al controllo democratico.

Limiti.

• Natura del testo. È un saggio breve, privo di evidenze empiriche: nessun dato sull'efficacia reale del nowcasting o sull'effettiva sostituzione degli esperti, che l'autrice stessa dice «talvolta contestata».
• L'esempio del 2008. È retoricamente efficace ma ambiguo. Anche i modelli macroeconomici teorici e DSGE non previdero la crisi, quindi il fallimento non è specifico del ML e la contrapposizione con l'econometria classica ne esce indebolita.
• Piano e predizione. Il confronto tende a mettere sullo stesso piano due cose diverse. Il piano sovietico non è una previsione ma un'allocazione normativa e imperativa, mentre la predizione algoritmica è in larga parte un dispositivo di gestione del rischio privato. Il testo accenna alla distinzione ma non la sviluppa.
• Assenze. Manca il dibattito storico sul calcolo economico socialista (Mises, Hayek, Lange) e il suo ritorno con le discussioni sulla pianificazione cibernetica e sul ruolo dei dati. È un'assenza rilevante per un testo che parte proprio dalla pianificazione.

Il punto strutturale. Il quadro è critico ma essenzialmente epistemico-istituzionale e liberal-democratico. Il rimedio implicito è la deliberazione sui valori e il controllo democratico, non un'analisi dei rapporti di proprietà. Restano non detti:

• chi possiede dati, calcolo e modelli;
• la rendita tecnologica e la concentrazione in poche piattaforme;
• la funzione del dispositivo nel ciclo di accumulazione, in particolare finanziaria;
• l'uso nel disciplinamento del lavoro.

Le «asimmetrie di potere» restano descritte tra ruoli (produttori, funzionari, destinatari) e non tra classi. Così l'IA predittiva appare come un problema di governance e di epistemologia, non come espressione di un assetto del capitalismo.

Confronto con il corpus. Rispetto ai testi già schedati sul nesso IA-capitale (Foster su ecologia marxiana e capitale IA, Lucarelli e Guarascio sull'imperialismo digitale, Bi-Zhou sul tributo emotivo nell'Asia orientale, Roberts sulla scommessa USA sull'IA), Kirtchik è più rigorosa sul piano della teoria della conoscenza ma più debole su quello dell'economia politica. Dialoga bene con Demichelis (Tecno-archía) sul potere degli algoritmi e con Medaglia sul General Intellect, perché mostra che il «controllo» è più fragile di quanto la retorica suggerisca. Ma lascia scoperta la domanda marxiana: a chi serve, e dentro quali rapporti di produzione opera, un'economia ridotta a monitoraggio dei comportamenti? Come lettura complementare è utile, come analisi strutturale no.

Valutazione complessiva. Contributo chiaro e ben argomentato su un punto specifico, quello dei limiti epistemici della predizione e del suo costo democratico. Va letto come punto di partenza per un'analisi che deve poi essere completata con la critica dell'economia politica dell'IA.

Per la pubblicazione su 42rosso posso preparare anche una breve presentazione di apertura, oppure la scheda in DOCX nel tuo formato consueto.

===================================

PROMPT PER COPILOT

==================================

Per accompagnare un testo così denso e critico sul passaggio dalla pianificazione alla previsione algoritmica, eviterei immagini "tecnologiche banali" (robot, cervelli digitali, circuiti luminosi) e punterei su una metafora visiva forte che mostri il contrasto tra due modi di immaginare il futuro.

Concept suggerito (16:9)

Titolo visivo: Dal Piano all'Algoritmo

Composizione:

• A sinistra, un grande tavolo anni '50/'60 con mappe economiche, grafici, squadre di pianificatori, documenti e piani quinquennali.
• Al centro, una linea temporale che si dissolve.
• A destra, una città contemporanea osservata attraverso una gigantesca interfaccia algoritmica trasparente fatta di dati, reti neurali e flussi numerici.
• Sopra la città, invece di una visione chiara del futuro, una nebbia digitale che suggerisce incertezza.
• Una figura umana osserva entrambi i mondi come se dovesse scegliere tra "progettare" e "predire".

Messaggio implicito: La pianificazione prova a costruire il futuro; l'algoritmo lo estrapola dal passato.

Prompt per generazione grafica

Illustrazione editoriale orizzontale 16:9 per rivista di analisi politico-economica. A sinistra una sala di pianificazione economica del dopoguerra con grandi mappe industriali, statistiche, tecnici e documenti cartacei. A destra una moderna metropoli osservata attraverso interfacce di intelligenza artificiale, reti di dati, modelli predittivi e visualizzazioni algoritmiche. Al centro una transizione fluida tra i due mondi. Atmosfera riflessiva, critica e non celebrativa della tecnologia. Stile realistico, elegante, da copertina di saggio o articolo accademico. Colori sobri: blu scuro, grigio, ocra e rosso attenuato. Forte profondità prospettica, illuminazione cinematografica, alta definizione, nessun testo, nessun logo, formato panoramico 16:9.

Questa immagine sarebbe particolarmente adatta a una pubblicazione come Monthly Review, Le Monde diplomatique o una rivista di critica economica, perché mette al centro il tema filosofico e politico dell'articolo: non la potenza dell'IA, ma il cambiamento del modo in cui il potere immagina il futuro.

IMMAGINE LEGGERA