Comprare previsioni sbagliate

Diverse società di ricerca demoscopica hanno cominciato a vendere quello che nel settore viene chiamato synthetic panel: invece di intervistare persone reali, si condiziona un modello linguistico su un determinato profilo demografico e ideologico, gli si sottopone il questionario, si ripete l’operazione su migliaia di profili e si ottiene una distribuzione di risposte che dovrebbe riprodurre quella di un campione umano. Il vantaggio commerciale è evidente: costa una frazione di un sondaggio tradizionale, può essere eseguito nel giro di poche ore e non richiede di convincere nessuno a rispondere al telefono. In ambito accademico questa tecnica è comparsa nei laboratori universitari intorno al 2023 assumendo il nome di silicon sampling.

L'idea è molto più vecchia della tecnologia che oggi la ripropone. Tra il 1959 e il 1970 una piccola società americana chiamata Simulmatics Corporation vendette a governi, partiti, giornali e grandi imprese la stessa promessa: usare i computer per simulare il comportamento umano e, attraverso quella simulazione, anticiparlo. La domanda poteva riguardare il voto di un determinato segmento dell’elettorato, il messaggio capace di convincere un contadino vietnamita a restare fedele a Saigon oppure la città americana nella quale sarebbe potuta esplodere la prossima rivolta razziale. La società finì travolta da bilanci contestati e da accuse che arrivarono a toccare anche la questione dei crimini di guerra; per circa mezzo secolo la sua storia rimase ai margini della memoria americana, fino a quando Jill Lepore la ricostruì attraverso i documenti conservati negli archivi del MIT e poi nel libro “If Then: How the Simulmatics Corporation Invented the Future” (in versione italiana Simulmatics. Ascesa e caduta dell’azienda che inventò il futuro).

Tra il FORTRAN eseguito su un IBM 704 e i modelli linguistici contemporanei non esiste alcuna parentela ingegneristica, e tra le due imprese passano sessant'anni. La continuità sta nel prodotto che entrambe hanno cercato di vendere, ovvero la possibilità di sostituire l’osservazione di una popolazione con una sua rappresentazione simulata. Un’idea del genere continua a trovare compratori attraverso generazioni tecnologiche completamente diverse, e il suo successo commerciale e istituzionale ha con la sua accuratezza un rapporto molto meno diretto di quanto siamo portati a pensare.

Il 19 dicembre 1960 le agenzie di stampa americane diffusero una smentita. Pierre Salinger, addetto stampa del presidente eletto John Fitzgerald Kennedy, dichiarò che la campagna non aveva mai utilizzato la macchina di cui i giornali parlavano da giorni e che non aveva commissionato alcuno studio realizzato con un computer. La notizia comparve ad Albuquerque, Cincinnati, Honolulu e Salt Lake City, praticamente con lo stesso titolo da una città all’altra: l’entourage di Kennedy negava di aver utilizzato un cervello elettronico.

Salinger mentiva. Bobby Kennedy aveva contribuito a finanziare quella macchina con ventimila dollari e i rapporti prodotti dai suoi calcoli erano stati consegnati direttamente a lui. Quando il giornalista conservatore Victor Lasky lo mise davanti ai documenti, Salinger fu costretto ad ammettere che la società era stata effettivamente ingaggiata e poté soltanto correggere la cifra.

La macchina si chiamava people machine e divideva l’elettorato americano in 480 tipi, costruiti sulla base di variabili diverse: area geografica, reddito, confessione religiosa, colore della pelle e sesso. Nella lettura più immediata, quella vicenda sembra una sorta di Cambridge Analytica ante litteram, il primo tentativo di fare con un computer ciò che oggi facciamo attraverso le piattaforme digitali, trasformando la popolazione in una somma di profili e utilizzando quei profili per prevederne il comportamento. L’analogia è fondata, ma non arriva al punto centrale, perché porta a chiedersi soprattutto che cosa la macchina fosse in grado di prevedere, mentre la questione più interessante riguarda il motivo per cui qualcuno fosse disposto a pagarla anche quando le sue previsioni si rivelavano sbagliate.

È qui che si concentra tanto il libro di Lepore quanto una parte significativa delle obiezioni che gli sono state rivolte. Lepore sostiene che la Simulmatics abbia contribuito a inventare il nostro presente; diversi storici hanno invece ritenuto che questa interpretazione attribuisca un peso sproporzionato a una società piccola, mal gestita e destinata a fallire nel giro di dieci anni, e la recensione sull’American Historical Review riassume bene questo disagio metodologico. Le due posizioni arrivano a conclusioni diverse, ma condividono un presupposto che vorrei mettere in discussione: l’idea che l’eredità di uno strumento predittivo dipenda soprattutto dalla sua capacità di prevedere correttamente il futuro. Il materiale d’archivio racconta un’altra storia, e il passaggio più istruttivo del libro è proprio quello che, forse per questa ragione, viene citato meno spesso.

L’utilità politica di una simulazione dipende da una proprietà tecnica molto precisa.

La people machine non raccoglieva dati originali. Partiva dalle schede perforate di centomila sondaggi condotti da Gallup e Roper nel 1952, 1954, 1956 e 1958, ne scomponeva le risposte e le ricomponeva in 480 tipi ottenuti incrociando area geografica, reddito, confessione religiosa, colore della pelle e sesso: un esempio di tipologia era abitante del Midwest, residente in campagna, protestante, reddito basso, femmina. Le questioni affrontate nei sondaggi vennero a loro volta classificate in una cinquantina di posizioni, e a ciascun tipo furono associati i risultati elettorali di quegli stessi anni. Fino a questo punto non c’era nulla di particolarmente diverso da un’analisi statistica molto elaborata, il modello prendeva una popolazione già osservata e cercava di descriverne le regolarità. La parte interessante cominciava quando quella descrizione veniva utilizzata per formulare domande su ciò che non era ancora accaduto.

Il costrutto if/then del FORTRAN permetteva infatti di sottoporre il modello a condizioni ipotetiche. Se un candidato avesse affrontato apertamente la questione religiosa, il tipo protestante di campagna del Midwest con reddito basso avrebbe potuto spostarsi di una certa quantità; se invece avesse evitato l’argomento, lo spostamento sarebbe stato diverso. Ripetendo l’operazione per tutti i 480 tipi e per l’intera gamma delle posizioni classificate, la macchina produceva una serie di esiti alternativi che un sondaggio, per sua stessa natura, non può fornire. Il sondaggio misura ciò che le persone dichiarano di pensare in un determinato momento; la simulazione prende quelle dichiarazioni, le inserisce in un modello e calcola che cosa quelle stesse persone farebbero in circostanze che non si sono ancora verificate. È da qui che deriva il nome della società, abbreviazione di simulation e automatic, e anche la definizione con cui i suoi tecnici amavano descrivere il proprio lavoro: gli uomini del what if.

Una simulazione costruita in questo modo presenta almeno due caratteristiche che diventano politicamente rilevanti. La prima è che restituisce sempre un risultato. Le condizioni vengono inserite, le operazioni vengono eseguite, i numeri escono e il procedimento non contiene, almeno in quanto procedimento, un meccanismo capace di dire che la domanda era formulata male, che i dati erano insufficienti o che le ipotesi di partenza non permettevano di arrivare a una conclusione attendibile. Un ricercatore interrogato su un argomento che non conosce può fermarsi e dire di non saper rispondere; una macchina alla quale sia stata sottoposta un’istruzione formalmente corretta non ha questa possibilità.

La seconda caratteristica è ancora più importante, perché riguarda la natura stessa dei 480 tipi. Quei tipi non esistevano nella popolazione americana come categorie naturali che la macchina si fosse limitata a scoprire: esistevano nel modello perché qualcuno aveva deciso che quelle variabili fossero sufficienti a rappresentare un elettore. Stabilire che reddito e confessione religiosa siano caratteristiche decisive, mentre altre variabili possano essere ignorate, non è un’operazione puramente tecnica. È un’interpretazione della realtà. Ma nel momento in cui quell’interpretazione viene tradotta in una struttura di dati e incorporata nel codice, non appare come una scelta e si presenta come una proprietà del calcolo.

Le due caratteristiche si rafforzano a vicenda. Il risultato arriva comunque e arriva separato, almeno in apparenza, dalle decisioni che ne hanno determinato la forma: le assunzioni sono state trasformate in categorie, le categorie in dati, poi in operazioni e infine in numeri. È precisamente questo che rende la simulazione un oggetto così utile per chi deve prendere una decisione sotto pressione. La sua utilità risiede nella capacità di trasformare un’incertezza difficile da presentare a un committente in una sequenza ordinata di scenari, ciascuno accompagnato da un risultato anche quando non è in grado di prevedere il comportamento di una popolazione.

Nel 1966 la Simulmatics aprì un ufficio a Saigon grazie a un contratto dell’ARPA nell’ambito del Project Agile. Ithiel de Sola Pool, politologo del MIT e principale mente scientifica della società, definì il Vietnam il più grande laboratorio di scienze sociali mai avuto. Il compito affidato alla Simulmatics consisteva nel misurare le opinioni dei contadini sudvietnamiti per capire quali messaggi potessero assicurare la loro lealtà al governo di Saigon: venivano utilizzati questionari molto lunghi, somministrati nei villaggi sotto scorta militare da studenti universitari vietnamiti reclutati come interpreti. Il progetto partiva dunque da una premessa già impegnativa: trasformare una popolazione che gli americani conoscevano poco in una serie di risposte che potessero essere raccolte, ordinate e infine trattate come dati.

Nell’ottobre dello stesso anno Robert McNamara, segretario della difesa sotto JFK e Lyndon Johnson, chiese alla CIA uno strumento che consentisse di misurare i progressi della pacificazione. La proposta venne elaborata in pochi giorni e approvata quasi immediatamente; l’anno successivo entrò in funzione l’Hamlet Evaluation System, un archivio computerizzato che assegnava a ciascuno degli oltre dodicimila villaggi sudvietnamiti un punteggio di sicurezza compreso tra A ed E. La versione originale del sistema prevedeva diciotto domande, con un massimo di cinque risposte possibili per ciascuna, che i consiglieri distrettuali dovevano compilare ogni mese durante le visite ai villaggi loro assegnati. Il sistema arrivò così a produrre circa novantamila pagine di dati al mese e, nei quattro anni di piena operatività, più di quattro milioni di pagine. Robert Komer, responsabile del programma di pacificazione, presentò l’impiego dei calcolatori come un modo per ridurre il lavoro necessario e, nello stesso tempo, ottenere risposte su una cinquantina di aspetti diversi della situazione nei villaggi.

A quel punto entrò in scena la Simulmatics con un compito apparentemente diverso, ma decisivo per capire il problema: l’ARPA le affidò la valutazione dell’affidabilità del sistema. Pool guidò il gruppo incaricato di redigere il rapporto insieme a Gordon Fowler e Peter McGrath e arrivò alla conclusione che l’Hamlet Evaluation System funzionasse bene. Il documento è conservato tra i rapporti tecnici della Difesa con il codice AD0839821, e la ricerca accademica che lo ha esaminato osserva che il principale autore del rapporto non poteva essere considerato un valutatore indipendente: Pool era infatti una figura di primo piano sia all’interno di Project Agile sia nel programma dei villaggi strategici, cioè all’interno delle stesse strutture il cui andamento l’Hamlet Evaluation System avrebbe dovuto contribuire a misurare.

Il modo in cui il rapporto cercò di escludere le possibili distorsioni è ancora più istruttivo del suo risultato finale, perché mostra cosa accade quando chi è parte in causa viene chiamato a stabilire se un sistema produca dati affidabili. Per verificare se i punteggi fossero artificialmente gonfiati, gli autori chiesero ai consiglieri distrettuali se avessero la tendenza a gonfiarli. I consiglieri risposero, senza eccezioni, di avere cercato onestamente di rappresentare la situazione reale e il rapporto rilevò soltanto che quattro dei quaranta intervistati mostravano una certa inclinazione all’ottimismo. L’affidabilità del sistema di misurazione veniva così verificata interrogando direttamente i suoi stessi operatori sulla loro onestà. Non era necessario dimostrare che mentissero, bastava accettare la loro dichiarazione di non mentire perché una possibile fonte di errore venisse eliminata dal problema.

Nel frattempo, però, la stampa aveva già cominciato a raccontare una realtà molto diversa da quella che emergeva dai moduli. Il 30 aprile 1967 il Washington Post uscì con un articolo di Ward Just ricco di informazioni riservate sulla Simulmatics e il 23 dicembre dello stesso anno William Lederer pubblicò sulla New Republic un resoconto basato sulle interviste al personale impegnato nella rilevazione. Soltanto uno su cento dei funzionari incaricati di compilare i moduli conosceva una parola di vietnamita, mentre gli interpreti disponevano di un vocabolario di inglese limitato a qualche centinaio di parole. Guardando i filmati delle interviste insieme a un amico sudvietnamita, Lederer scoprì che gli interpreti riformulavano le domande poste dagli americani, che i contadini rispondevano quindi a domande diverse da quelle che erano state effettivamente formulate e che le risposte subivano un’ulteriore trasformazione quando venivano tradotte nuovamente in inglese. I contadini, inoltre, tendevano a dire agli intervistatori ciò che ritenevano volessero sentirsi dire. Il computer di Komer, osservò Lederer, stava dunque elaborando una catena di informazioni sbagliate. Nessuno di questi rilievi entrò nel rapporto della Simulmatics, che venne pubblicato l’anno successivo.

Philip Worchel, del comando americano in Vietnam, lesse la bozza e la giudicò mal progettata, analizzata in modo inappropriato e scritta con superficialità, arrivando a raccomandare che non venisse diffusa in alcun caso. L’ARPA, tuttavia, era insoddisfatta perché si aspettava dal rapporto indicazioni concrete su come migliorare il programma. All'ARPA serviva una risposta utilizzabile, e quel rapporto non gliela forniva.

Due anni dopo, un’indagine parlamentare condotta dal senatore John Tunney avrebbe documentato un incentivo che il rapporto della Simulmatics non aveva preso in considerazione. Un consigliere distrettuale che aveva declassato quattro villaggi ricevette da Saigon una raffica di cablogrammi con la richiesta di spiegare le proprie valutazioni e trascorse le due settimane successive a giustificare la decisione; ne ricavò la conclusione che sarebbe passato parecchio tempo prima che si azzardasse a declassare un altro villaggio. Nelle trascrizioni di un incontro del 1968 tra il generale Creighton Abrams e il direttore del CORDS (Civil Operations and Revolutionary Development Support) William Colby, Abrams osservava che la pressione esercitata dal raggiungimento degli obiettivi aveva spinto alcune persone a guardare sistematicamente al lato migliore delle cose e aggiungeva che la sopravvivenza stessa del governo dipendeva da ciò che il sistema diceva. Colby, dal canto suo, ammetteva che l’Hamlet Evaluation System non fosse un termometro particolarmente preciso, ma ne difendeva l’utilità come strumento vantaggioso.

È questo il passaggio decisivo. I dati non erano corrotti perché qualche funzionario disonesto aveva deciso di falsificarli o perché un singolo anello della catena aveva commesso un errore. Erano prodotti da un sistema nel quale ogni partecipante aveva un motivo concreto per restituire una realtà compatibile con gli obiettivi che quel sistema gli chiedeva di raggiungere. La distorsione, quindi, era incorporata nel modo stesso in cui il modello raccoglieva, classificava e premiava le informazioni. La struttura degli incentivi non era un rumore da eliminare dai dati; era una delle condizioni che li producevano. E quella struttura era visibile a chiunque avesse deciso di guardarla.

L’offensiva del Tet, l’attacco a sorpresa su larga scala condotto insieme dalle forze nordvietnamite regolari e dai vietcong, cominciò il 30 gennaio 1968 e nessuno dei sistemi previsionali sui quali gli americani avevano investito era riuscito ad anticiparlo. I rapporti della RAND, gli studi della Simulmatics e l'archivio costruito da Komer non erano riusciti a prevederla. Quando l’offensiva arrivò, la stampa americana cominciò inevitabilmente a chiedersi a cosa fosse servita quella enorme quantità di dati, modelli e calcoli accumulati negli anni precedenti. Pool scrisse al direttore del New York Times sostenendo che il Tet dimostrasse la necessità di destinare più risorse ai programmi predittivi computerizzati.

La struttura di questo argomento contiene un meccanismo che tornerà molto tempo dopo e in contesti tecnologici completamente diversi. Un sistema viene costruito per anticipare un evento, l’evento si verifica senza essere anticipato e la conclusione di chi ha costruito il sistema è che il sistema fosse troppo piccolo, avesse avuto accesso a dati insufficienti o non fosse stato sostenuto con risorse adeguate. La proposizione ha una caratteristica particolare: nessuna quantità di errore sembra in grado di falsificarla, perché ogni previsione sbagliata può essere reinterpretata come una dimostrazione della difficoltà del problema e quindi come un argomento a favore di un investimento maggiore. Chi formula quell'argomento può crederci in perfetta buona fede, ed è precisamente questo a renderlo efficace: è la conseguenza di una cornice nella quale l'insuccesso della previsione viene assorbito dal metodo stesso come prova della necessità di renderlo più grande. Ed è lo stesso meccanismo della sconfitta dell’Unione Sovietica in Afghanistan e degli Stati Uniti in Vietnam, Iraq e Afghanistan.

Nello stesso periodo, la divisione Studi urbani della Simulmatics trasferì questo modo di procedere sul fronte interno. La Commissione Kerner, istituita da Lyndon Johnson nel 1967 per indagare sulle rivolte razziali che stavano attraversando diverse città americane, pagò la società perché elaborasse una formula capace di prevedere dove e quando sarebbero esplose nuove rivolte. Il metodo prevedeva di trasformare in numeri lo stato d’animo delle comunità coinvolte, utilizzando una scala che comprendeva la calma controllata, la tensione, la rabbia, l’apatia, l’euforia e il caos. La commissione utilizzò soltanto una parte di quel lavoro, ma l’operazione è significativa perché mostra quanto fosse estensibile il modello: la stessa idea di una popolazione trasformata in categorie, osservata attraverso indicatori e quindi sottoposta a un calcolo predittivo poteva essere applicata a un villaggio del Delta del Mekong come a un quartiere di Rochester, nello Stato di New York. Lepore nota la somiglianza tra la scala utilizzata per classificare le comunità americane e quella impiegata dagli osservatori in Vietnam, e proprio quella somiglianza è forse più importante delle singole previsioni ottenute: a cambiare era soltanto la popolazione osservata, mentre il modo di rendere computabile la realtà restava identico.

Nel caso di Rochester, come in Vietnam, la distanza tra il modello e il comportamento reale delle persone rimase tutt’altro che trascurabile. La Simulmatics continuava a produrre categorie, punteggi e scenari, ma il fatto che una situazione potesse essere tradotta in numeri non significava che quei numeri contenessero una capacità predittiva proporzionata alla precisione con cui erano stati calcolati. Era il problema già emerso con l’Hamlet Evaluation System: una volta che una realtà complessa viene trasformata in una sequenza ordinata di variabili, il risultato del calcolo può apparire più solido della catena di decisioni e assunzioni che lo ha reso possibile.

Dopo il Tet, l’ARPA non finanziò più alcun progetto della Simulmatics. La società chiuse nel 1970, lasciandosi alle spalle bilanci contestati, fallimenti personali, matrimoni finiti e accuse che arrivarono a comprendere anche la partecipazione a programmi legati ai crimini di guerra. È questa la parte della vicenda sulla quale si concentrano i critici di Lepore quando cercano di ridimensionare la sua tesi: se la Simulmatics fu una società piccola, ebbe una vita breve, perse i propri contratti e finì senza dimostrare una capacità predittiva affidabile, perché attribuirle un ruolo così importante nella genealogia del presente?

La domanda è legittima, ma presuppone ancora una volta che la storia di una tecnologia debba essere misurata dalla qualità delle sue previsioni. La storia della Simulmatics suggerisce invece che si possa avere successo anche quando un modello fallisce nel prevedere il futuro e, nello stesso tempo, riesca a cambiare il modo in cui un’organizzazione decide che cosa conta come informazione, quali categorie utilizzare per descrivere una popolazione e quale forma debba assumere una risposta quando i dati non consentono di sapere che cosa accadrà. Oggi quel mercato esiste ancora e ha fornitori incomparabilmente più solidi di quanto la Simulmatics sia mai stata.

L’obiezione secondo cui la Simulmatics fosse troppo piccola e troppo incompetente per aver inventato qualcosa di importante regge sui fatti e manca il meccanismo. Quella società vendette per undici anni un prodotto che non funzionava come prometteva a clienti che continuarono comunque a comprarlo, e tra questi figuravano il Comitato nazionale democratico, il New York Times, grandi agenzie pubblicitarie, il Dipartimento della Difesa e una commissione presidenziale. Un mercato che continua a pagare per uno strumento del genere, pur riconoscendone i limiti, acquista qualcosa di più della semplice accuratezza.

Acquista uno strumento capace di conferire autorità a giudizi già formulati. I rapporti consegnati a Bobby Kennedy nel 1960 raccomandavano, tra le altre cose, di affrontare apertamente il pregiudizio anticattolico invece di cercare di aggirarlo, e quella indicazione circolava già come opinione condivisa nella cerchia ristretta dei consulenti della campagna. La macchina trasformava quindi una conoscenza già esistente in un risultato dotato di un’autorità differente. Insieme all’autorità introduceva una struttura di responsabilità altrettanto diversa: una scelta politica assunta da persone identificabili diventava, dopo essere passata attraverso il calcolatore, il risultato di una procedura apparentemente impersonale. Le persone possono essere contraddette, sostituite o licenziate; un risultato prodotto da una procedura può essere sottoposto a un nuovo processo, a un modello più grande, a dati migliori o a un calcolo più sofisticato.

Vista da questa angolatura, la parabola della Simulmatics appare come il momento in cui un certo tipo di merce trova il proprio mercato. Il Vietnam mostra la forma più compiuta del meccanismo: un committente pubblico vuole misurare l'avanzamento della pacificazione, incarica di verificare l'affidabilità dello strumento un fornitore che opera dentro le strutture misurate, ne riceve un rapporto confortante, mentre un funzionario del comando raccomanda che quel rapporto non venga diffuso. L’informazione necessaria per capire che il sistema non funzionava era già pubblica sui giornali dal 1967 e rimase senza effetto perché la funzione dell'archivio di Komer consisteva nel sostenere una determinata struttura decisionale più che nel descrivere ciò che accadeva nei villaggi.

C’è infine un dettaglio biografico che completa il quadro. Pool morì nel 1984, un anno dopo aver pubblicato Technologies of Freedom, il libro nel quale sosteneva l’insostenibilità della regolamentazione statale delle comunicazioni elettroniche una volta venuto meno il vincolo della scarsità dello spettro e che ha fornito un importante impianto storico alla deregolamentazione delle telecomunicazioni americane. L’uomo che aveva contribuito a progettare la misurazione della lealtà dei contadini vietnamiti diventò così uno degli autori di riferimento del libertarismo digitale. Questa traiettoria presenta un elemento comune: nelle due imprese ritorna la stessa premessa, cioè che il comportamento umano possa essere trasformato in un problema tecnico e che la politica, una volta resa computabile la realtà, diventi soprattutto un ambito nel quale la tecnica può ridurre o rimuovere gli ostacoli.

La discendenza contemporanea di quella merce non passa dai sistemi di microtargeting elettorale, che sono l’analogia più ovvia e, proprio per questo, meno interessante. Passa dai panel sintetici da cui siamo partiti, perché la people machine dei 480 tipi faceva, con quattro ordini di grandezza in meno di potenza di calcolo, qualcosa di strutturalmente molto simile: costruiva profili, li interrogava al posto delle persone e restituiva una distribuzione di risposte che poteva essere utilizzata come rappresentazione di una popolazione reale.

Il mercato si è mosso rapidamente. Aziende di ricerca e sondaggistica hanno iniziato a commercializzare panel composti interamente da rispondenti sintetici e una rassegna della letteratura pubblicata quest’anno osserva che le norme metodologiche destinate a regolarne l’impiego restano instabili e vengono violate con una certa frequenza. La spinta economica è difficile da ignorare: un rispondente sintetico non si stanca a metà del questionario, non deve essere reclutato, non rifiuta l’intervista e, una volta costruito il sistema, può essere interrogato un numero di volte che nessun campione umano potrebbe sostenere allo stesso costo.

Il limite documentato è però più interessante della convenienza economica. Quando le risposte sintetiche vengono confrontate con quelle di persone reali sottoposte alle stesse domande, gli studi trovano un allineamento relativamente buono sugli item neutri e uno scarto molto più ampio quando entrano in gioco questioni socialmente sensibili, in particolare identità, diversità razziale e uguaglianza di genere. In questi casi i modelli tendono a produrre la risposta socialmente accettabile, o quella che il sistema ha appreso essere appropriata in quel contesto, invece della distribuzione effettivamente osservabile nella popolazione. È la debolezza che conta di più: il metodo tende a essere più affidabile proprio sulle domande per le quali l’informazione aggiuntiva serve meno e diventa meno affidabile quando si cerca di misurare ciò che una popolazione pensa realmente su questioni opinabili.

È, in forma aggiornata, lo stesso problema che emergeva dalla macchina di Pool: il modello funzionava meglio quando doveva ricostruire ciò che era già visibile nei dati e incontrava i suoi limiti quando veniva utilizzato per dire qualcosa che quei dati non contenevano. Allora l’imprevisto aveva assunto la forma dell’offensiva del Tet; oggi può assumere quella di una risposta umana che non coincide con la risposta che il modello considera più plausibile o più appropriata. La coincidenza nasce dalla continuità della domanda a cui entrambi cercano di rispondere, dato che sul piano tecnico i computer degli anni Sessanta e i modelli linguistici contemporanei non hanno praticamente nulla in comune: un’amministrazione che deve stabilire quanto stia avanzando la pacificazione di un territorio e un committente che vuole sapere come reagirà un elettorato a una proposta hanno bisogno, per ragioni diverse, di trasformare un giudizio politico contestabile in un dato che possa essere presentato come più stabile, misurabile e dunque più difficile da contestare.

È anche per questo che l’errore non basta a far svanire il prodotto. Se una previsione fallisce, si può sempre sostenere che servivano più dati, un modello migliore, una segmentazione più fine o una capacità di calcolo maggiore; se un panel sintetico non riproduce una popolazione reale, la risposta naturale del mercato sarà cercare un modello più sofisticato. La stessa struttura che abbiamo visto nella risposta di Pool al Tet può quindi ripresentarsi in forma commerciale: il limite dello strumento viene trattato come un difetto contingente della versione corrente, mentre l'idea che una popolazione possa essere sostituita da una sua simulazione resta fuori discussione.

Simulmatics fallì come società: era piccola, fu amministrata male, perse i propri contratti e alla fine chiuse. Il prodotto che aveva messo sul mercato, invece, non fallì affatto. Nei sessant’anni successivi ha trovato tecnologie più potenti, fornitori più solidi e mercati molto più vasti. Per questo, davanti a ogni nuova generazione di questi strumenti, bisogna chiedersi chi abbia interesse a costruirli, chi abbia interesse a utilizzarli e quale problema organizzativo risolvano per chi li compra. È lì che si trova la ragione per cui continuano a essere acquistati anche quando non descrivono il mondo che pretendono di rappresentare.

A martedì prossimo.