Viviamo immersi nei numeri. Percentuali, grafici, dashboard, modelli predittivi, intelligenza artificiale. Ogni giorno qualcuno ci dice che “i dati parlano chiaro”. Eppure, quasi sempre, il problema è proprio questo: i dati non parlano affatto. Siamo noi a interpretarli, spesso senza accorgercene.
Capire perché i dati non sono mai neutrali non significa diffidare della scienza o cadere nel relativismo. Al contrario: è il primo passo per usare numeri, statistiche e modelli in modo più onesto, soprattutto quando entrano nel dibattito pubblico, nella salute, nell’economia, nella geopolitica e nell’AI.
Su Mondo in Diretta torniamo spesso su questo punto: i numeri possono chiarire la realtà, ma possono anche confonderla se non sappiamo come sono stati prodotti e perché vengono mostrati in un certo modo.
1. Un numero non è un fatto: è una misura fatta da qualcuno
Un dato non è un frammento grezzo di realtà. È il risultato di una misura, e ogni misura nasce da una serie di scelte: cosa contare, come contarlo, chi includere, chi escludere.
Pensiamo a parole che sembrano oggettive: “disoccupato”, “migrante”, “malato”, “povero”. Dietro ognuna c’è una definizione tecnica che cambia nel tempo, tra paesi e tra istituzioni. Cambia la definizione, cambia il numero.
Lo stesso vale per i proxy: spesso non misuriamo ciò che conta davvero, ma ciò che è più facile misurare. L’“engagement” diventa sinonimo di qualità. Gli “arresti” diventano sinonimo di criminalità. Ma il proxy non è la realtà: è solo una scorciatoia.
Questo tipo di ambiguità è centrale anche nel dibattito sull’intelligenza artificiale: come abbiamo raccontato in “Sembri ChatGPT: quando il linguaggio dell’AI inganna”, un sistema può sembrare competente perché ottimizza metriche che non coincidono con comprensione o verità.
Perché conta: se non conosciamo le definizioni operative, rischiamo di discutere sul numero sbagliato.
2. Senza contesto, i dati sono ambigui (e i metadati sono metà della verità)
I dati senza contesto sono come frasi senza soggetto. Per capire un numero servono informazioni aggiuntive: fonte, metodo, popolazione coperta, periodo, margini di errore, qualità della raccolta.
Un dato amministrativo (registri, archivi, sistemi sanitari) non è la stessa cosa di una survey campionaria. Una serie storica è comparabile solo se le regole di misurazione restano stabili nel tempo. Se cambiano, il confronto si rompe.
Questo problema emerge spesso quando si confrontano indicatori globali: acqua, energia, conflitti, migrazioni. Ne abbiamo parlato, ad esempio, analizzando come le definizioni incidano sulla lettura della crisi idrica globale.
Perché conta: senza metadati, i numeri sembrano precisi ma sono in realtà ambigui.
3. Interpretare è inevitabile: ogni analisi presuppone una domanda (e un modello)
Descrivere non è spiegare. Spiegare non è prevedere. Ogni analisi statistica risponde a una domanda implicita, anche quando non viene dichiarata.
Usare una media invece di una mediana, scegliere una finestra temporale invece di un’altra, decidere quali variabili includere: tutto questo è già teoria, anche se non la chiamiamo così.
La famosa frase “tutti i modelli sono sbagliati, ma alcuni sono utili” non è un attacco alla scienza. È un promemoria: i modelli funzionano finché ricordiamo che sono semplificazioni.
Questo vale anche fuori dalla statistica: dalla meccanica quantistica (come raccontato in il paradosso del gatto di Schrödinger) fino ai modelli economici o geopolitici.
Perché conta: ci obbliga a chiederci qual è davvero la domanda a cui stiamo cercando di rispondere.
4. Correlazione, causalità e la tentazione delle storie facili
Quando due fenomeni si muovono insieme, il nostro cervello vuole una storia. Ma la statistica è brutale: correlazione non significa causalità.
Un terzo fattore nascosto può spiegare entrambe le variabili. Oppure l’ordine temporale può essere invertito. Senza un disegno causale, le conclusioni restano fragili.
Questo errore è frequente nel racconto mediatico di economia e politica internazionale, come nei colloqui diplomatici tra Ucraina, Russia e Stati Uniti, dove indicatori economici o militari vengono spesso letti come cause dirette di decisioni politiche complesse.
Perché conta: riduce la tendenza a trasformare i dati in narrazioni automatiche.
5. Come entra il bias: prima nei dati, poi nei modelli, poi in noi
Il bias non è solo malafede. È struttura.
- Bias di campionamento: chi risponde non rappresenta tutti.
- Bias di misura: strumenti e definizioni distorcono ciò che osserviamo.
- Bias di analisi: scelte flessibili producono risultati “comodi”.
- Bias di comunicazione: grafici, titoli e framing guidano la percezione.
Questi meccanismi sono centrali anche nei sistemi automatizzati: come discusso in AI, sanità e governance, il bias può essere incorporato nei dati e amplificato dai modelli.
Perché conta: ci sposta dalla domanda “chi mente?” a “dove si è deformata la realtà?”.
6. Quando la statistica inganna: p-value, significatività e rumore con cravatta
Un risultato “statisticamente significativo” non è automaticamente importante, vero o rilevante.
Il p-value non dice quanto è probabile che un’ipotesi sia vera. Dice solo quanto i dati sono incompatibili con un’ipotesi nulla, date certe assunzioni.
L’American Statistical Association lo ha chiarito più volte: il p-value da solo non basta. Servono dimensioni dell’effetto, incertezza, qualità del disegno e replicabilità.
Questo tipo di fraintendimento è alla base di molte paure e false certezze, incluse quelle legate all’AI e al presunto declino cognitivo causato dall’AI.
Perché conta: evita di scambiare un’etichetta tecnica per una verità assoluta.
7. Grafici e dashboard: il design può cambiare ciò che crediamo di vedere
Un grafico non è mai neutro. Scale tagliate, assi non coerenti, aree al posto di lunghezze, colori emotivi: tutto influisce sulla percezione.
Edward Tufte parlava di lie factor: quanto il grafico amplifica (o riduce) l’effetto reale nei dati.
Lo stesso vale per le aggregazioni: il paradosso di Simpson mostra come una tendenza possa invertirsi quando si mescolano gruppi diversi.
Questi problemi emergono spesso anche nel racconto scientifico e spaziale, come nella comunicazione delle scoperte del James Webb.
Perché conta: ci rende meno vulnerabili alla manipolazione visiva, anche involontaria.
8. Cosa cambia con l’AI: più potenza, stessa fragilità (più opacità)
L’AI non interpreta: ottimizza funzioni su dati storici. Eredita i bias dei dati e fallisce quando il contesto cambia.
Il rischio maggiore è confondere previsione e spiegazione. Un modello può predire bene senza capire nulla delle cause.
Per questo sono nati strumenti come datasheets e model cards, per documentare limiti, scopi e condizioni d’uso.
Ne abbiamo parlato anche analizzando infrastrutture e impatti materiali dell’AI, come nei data center per l’intelligenza artificiale e nei rischi economici segnalati dal FMI.
Perché conta: protegge dalla falsa promessa dell’oggettività automatica.
9. Una cassetta degli attrezzi per leggere i dati senza farsi ipnotizzare
- Qual è la domanda? Descrizione, previsione o causa?
- Fonte e metodo sono chiari?
- Assoluto o relativo? Qual è il denominatore?
- L’incertezza è mostrata?
- Il grafico è onesto?
- Il risultato è robusto a scelte alternative?
- Esistono spiegazioni alternative plausibili?
10. Conclusione: i dati non parlano, ma possono rispondere bene se facciamo le domande giuste
I dati non sono nemici della verità. Ma non sono neppure oracoli.
Tra cinismo totale e fede cieca c’è una terza via: usare i numeri con disciplina, trasparenza e senso del limite. Dichiarare scopi, assunzioni e incertezze non indebolisce la conoscenza: la rende più affidabile.
I dati non parlano da soli. Ma, se interrogati bene, possono dirci molto più di quanto sembri.
Approfondimenti esterni consigliati:
