Quando il modello non basta: i limiti della linearità nei sistemi complessi
Assistere oggi a conferenze sulla sicurezza e l'intelligence dove viene celebrata la "piramide cognitiva" come frontiera dell'innovazione è un paradosso temporale. Quello che viene presentato come un metodo avanzato è, in realtà, un modello figlio di un mondo che non esiste più.
L’obiettivo di questi modelli è trasformare il caos in ordine. Ma esiste un limite strutturale che emerge quando la realtà smette di essere complicata e diventa complessa.
L'Anacronismo della Piramide: un modello del 1989
La struttura gerarchica che vede i dati alla base e la "Saggezza" (Wisdom) al vertice non è un'innovazione: è il Modello DIKW, formalizzato da Russell Ackoff nel 1989.
Parliamo di un'epoca in cui il web era appena nato e i dati erano scarsi, costosi e lenti da processare. Utilizzare oggi questa piramide — spesso condita con acronimi dottrinali anni '90 come PIRs o CCIRs — significa applicare una logica da Guerra Fredda a contesti di minacce ibride e flussi digitali istantanei. Chi propone questo schema oggi sta navigando il futuro con una mappa del secolo scorso.
Perché la struttura a strati fallisce oggi
Questo paradigma poggia su tre assunzioni ormai obsolete:
Stabilità del sistema: Si assume che il mondo "aspetti" i tempi della nostra analisi.
Latenza accettabile: Si accetta che il dato debba subire una lunga "raffinazione" prima di diventare decisione.
Gerarchia verticale: Si crede che la qualità dipenda dalla quantità di filtri applicati.
In un mondo iper-connesso, questo imbuto diventa un collo di bottiglia. La conoscenza non è più un prodotto finale che esce da una catena di montaggio, ma un processo emergente e simultaneo.
Il fattore tempo: la latenza che uccide
Mentre il dato risale i gradini della gerarchia decisionale, la realtà è già mutata. Come insegnano le teorie sulla complessità adattiva, piccoli segnali possono generare effetti esponenziali in tempi brevissimi.
Se il processo decisionale è una "salita" lenta verso la consapevolezza, il rischio è di operare costantemente su una fotografia sbiadita del passato, chiamandola erroneamente "strategia".
Il Timing: oltre il "Cosa", verso il "Quando"
I modelli lineari del 1989 eccellono nel rispondere a "Cosa è successo?". Ma nell'era della complessità, la domanda cruciale è: "Quando è il momento giusto per intervenire?".
Il timing non è un'opzione, è il sistema stesso. Separare nettamente la raccolta dalla decisione (come nei vecchi flussi di intelligence) significa mancare sistematicamente le finestre di opportunità. L'intervento arriva o troppo presto o, più spesso, tragicamente tardi.
Verso una lettura dinamica
Oggi dobbiamo passare dalla "sicurezza del caveau" alla "agilità del network". Per gestire la complessità, il punto di osservazione deve cambiare:
Dalla massa dei dati alla configurazione: Capire le connessioni, non solo accumulare volumi.
Dalla latenza alla sincronia: L'anticipazione deve avvenire mentre il fenomeno accade.
Dal controllo all'adattamento: Invertire la sequenza se necessario: agire per comprendere, non solo comprendere per agire.
Gli schemi ordinati, coerenti, sono certamente rassicuranti. Hanno avuto un ruolo importante nel portare disciplina
nella gestione dell’informazione e nel migliorare la qualità dei processi decisionali.
Il punto, però, non è se questi modelli siano corretti.
Il punto è un altro:
sono stati progettati per un contesto che oggi non esiste più.
Gli approcci lineari alla trasformazione del dato nascono in un contesto in cui i sistemi erano considerati
relativamente stabili, osservabili e analizzabili per sequenze.
In questo scenario, il processo aveva senso:
raccogliere dati, organizzarli, interpretarli, arrivare a una decisione.
Il sistema restava, sostanzialmente, fermo mentre veniva analizzato.
Era un problema di ordine.
Oggi questo presupposto non è più valido.
I sistemi con cui abbiamo a che fare — urbani, aziendali, digitali, infrastrutturali —
non sono statici. Sono dinamici, interconnessi, adattivi.
Non evolvono per passaggi sequenziali. Non attendono che il processo di analisi si completi.
Cambiano nel frattempo.
Questo è il punto critico che molti approcci continuano a sottovalutare.
I modelli lineari funzionano bene quando il problema è organizzare.
Ma organizzare non significa necessariamente comprendere.
E soprattutto non significa anticipare.
In buona sintesi dobbiamo assolutamente comprendere che quando un sistema evolve mentre viene analizzato, il rischio è evidente:
la rappresentazione costruita è già superata nel momento in cui viene utilizzata.
Si lavora su una fotografia che non esiste più.
La strutturazione dell’informazione produce un effetto collaterale spesso sottovalutato:
un forte senso di controllo.
Dashboard ordinate, dati coerenti, processi definiti.
Tutto appare sotto controllo.
Ma nei sistemi complessi, il controllo è spesso solo apparente.
Le dinamiche più rilevanti non sono nei singoli dati, ma nelle relazioni tra i dati,
nella loro convergenza, nella pressione che si accumula nel sistema.
Elementi che difficilmente emergono da una lettura sequenziale.
C’è poi un fattore che più di tutti mette in crisi questi modelli: il tempo.
Non il tempo dell’analisi, ma il tempo del sistema.
Un sistema può attraversare una fase di cambiamento prima che questo sia evidente nei dati strutturati.
Può accumulare pressione, può vedere convergere più fattori, può perdere equilibrio
senza che nessun indicatore, preso singolarmente, lo segnali in modo chiaro.
Quando l’evento si manifesta, nella maggior parte dei casi,
il cambiamento era già avvenuto.
È importante chiarirlo non è il dato il problema:
non è un problema di quantità o qualità dei dati.
È un problema di modello di lettura.
Continuare a migliorare la sequenza non risolve il problema
se il punto di osservazione resta invariato.
I modelli esistenti restano utili.
Sono strumenti fondamentali per organizzare, condividere e strutturare l’informazione.
Ma non sono più sufficienti quando l’obiettivo diventa comprendere sistemi in evoluzione
e anticiparne i cambiamenti.
Il passaggio necessario non è migliorare la sequenza,
ma cambiare prospettiva.
Passare:
dal dato alla configurazione del sistema
dall’informazione al comportamento complessivo
dalla reazione all’anticipazione
Il vero tema oggi non è l’innovazione degli strumenti,
ma l’innovazione del modo di pensare.
Continuare a utilizzare modelli nati per un contesto stabile
in un mondo caratterizzato da instabilità permanente
produce un effetto inevitabile:
si parla di innovazione, ma si resta ancorati al passato.