Quando i dati sono scarsi, facciamo attenzione a non affrettare le conclusioni. Eppure, quando si accumulano grandi quantità di numeri e registrazioni, è facile pensare: «Con così tanto materiale, la risposta deve essere ovvia». Più osservazioni aumentano certamente ciò che possiamo conoscere. Ma l’aumento della quantità di dati non equivale al fatto che il loro significato diventi unico. Le spiegazioni che si possono ricavare dagli stessi dati cambiano a seconda di ciò che è stato misurato, di ciò che non è stato misurato e del periodo preso in esame.
Per esempio, supponiamo che il tempo di utilizzo di un servizio aumenti nell’arco di un mese. Potremmo voler spiegare che «la soddisfazione degli utenti è aumentata». Tuttavia, se l’aumento del tempo di utilizzo è osservabile, i numeri da soli non ne stabiliscono la ragione. Una nuova funzione potrebbe essere stata utile, oppure l’interfaccia potrebbe essere diventata più complessa e aver richiesto più tempo. Il semplice fatto di separare il cambiamento osservato dalla spiegazione di quel cambiamento modifica in modo sostanziale la successiva domanda di ricerca.
Nella ricerca, passare dall’osservazione all’ipotesi è di per sé necessario. Il problema non è avere ipotesi, ma lasciare che un’ipotesi acquisisca, senza accorgercene, lo stesso status di un fatto osservato. Una volta deciso che «questa è la causa», diventiamo più inclini a leggere i dati successivi in modi che si adattino a quella spiegazione. Lo spazio per considerare altre spiegazioni si restringe e le evidenze contrarie possono essere trattate come eccezioni. Una certezza prematura può non solo porre fine a un’indagine, ma anche influenzare ciò che scegliamo di osservare in seguito.
Questo problema diventa ancora più importante quando l’IA supporta la ricerca e l’indagine. L’IA può organizzare grandi quantità di materiale, estrarre elementi comuni e presentare rapidamente possibili spiegazioni. Questa capacità è utile, ma quanto più fluida appare una spiegazione organizzata, tanto più un’ipotesi può sembrare una conclusione già verificata. Il fatto che l’IA abbia elaborato una grande quantità di informazioni non significa che la sua interpretazione sia l’unica possibile. Il volume di elaborazione e la certezza della conclusione devono essere considerati separatamente.
È quindi utile trattare osservazione, interpretazione, ipotesi e risultati della verifica come fasi distinte. L’osservazione mostra ciò che è stato registrato; l’interpretazione mostra come viene letto quel dato registrato. Un’ipotesi è una possibile spiegazione di più osservazioni e la verifica controlla fino a che punto tale possibilità sia sostenuta. Se queste fasi non vengono confuse, anche un’ipotesi solida può lasciare aperta la domanda: «Che cosa deve ancora essere verificato?»
Mantenere una conclusione in via provvisoria non significa evitare le decisioni all’infinito. A seconda dello scopo di un’indagine, può essere necessario scegliere un’azione sulla base di informazioni limitate. Anche in quel caso, dire «questa spiegazione è quella maggiormente sostenuta dalle evidenze attuali» è diverso dal dire «questa è l’unica verità». Conservare il carattere provvisorio permette di aggiornare il giudizio quando emergono nuove evidenze. Il grado di certezza dovrebbe corrispondere allo stato delle evidenze.
Sia per gli esseri umani sia per l’IA, lasciare alcune parti sconosciute richiede coraggio. Una spiegazione completa rassicura, ma il valore della ricerca non risiede nella rapidità con cui ci rassicura, bensì in quanto bene una spiegazione resiste alla realtà. Se un’ipotesi crollerebbe di fronte a evidenze contrarie, è meglio non nascondere questa possibilità. Mantenere qualcosa verificabile non rende debole la conclusione; rende esplicito il fondamento della sua solidità.
Quando Sai＊aus supporta un’indagine, l’obiettivo non è neppure soltanto produrre rapidamente un’unica conclusione a partire da grandi quantità di informazioni. Se è possibile distinguere ciò che è stato osservato, dove è stata aggiunta un’interpretazione e ciò che rimane un’ipotesi, gli esseri umani possono scegliere che cosa debba essere verificato successivamente. La capacità dell’IA di organizzare le informazioni può essere usata non per chiudere le conclusioni, ma per rendere visibile l’ingresso alla verifica.
Una maggiore quantità di dati non rende automaticamente unica la verità. Ciò che aumenta è il materiale disponibile per verificare la realtà. Nel modo in cui si costruiscono spiegazioni a partire da quel materiale entrano presupposti e interpretazioni. La ricerca richiede quindi non di dubitare dei dati stessi, ma di non perdere di vista il percorso tra dati e conclusione. Non affrettandosi a fissare una conclusione come realtà e mantenendola aperta alla revisione attraverso la verifica, l’abbondanza di informazioni può trasformarsi in profondità di comprensione.
Non risposte. Comprensione.