La qualità delle decisioni si misura: due leve, non un training

Un'azienda organizza un corso di mezza giornata contro i bias di valutazione, lo mette a bilancio nel piano formativo, e considera il problema chiuso. È probabilmente la scena più diffusa nella gestione delle persone: qualcuno nota che le decisioni su assunzioni, promozioni o allocazione di budget sono distorte, e la risposta quasi automatica è "formiamoli". Il punto che una ricerca appena pubblicata sul Journal of Management mette in discussione è proprio questo automatismo: non che la formazione sia inutile, ma che sia una delle due leve possibili, e che usarla dove serve l'altra è uno spreco travestito da rimedio.

Lo studio, firmato da Barbara Fasolo, Claire Heard e Irene Scopelliti — London School of Economics, King's College London e Bayes Business School — integra un corpo ampio di ricerca sperimentale sulla riduzione dei bias nelle decisioni organizzative. Il punto di partenza è una lacuna che gli autori dichiarano esplicitamente: l'influenza dannosa dei bias cognitivi sulle decisioni è documentata da decenni, ma la ricerca su come correggerli in contesto organizzativo è rimasta indietro. Ne è nato un lavoro che integra cento studi sperimentali per costruire una cornice comparativa che prima non esisteva.

Due meccanismi, non una lista di rimedi

La cornice proposta distingue due famiglie di intervento che agiscono su meccanismi cognitivi diversi: il debiasing e la choice architecture. Il primo lavora sulla persona che decide: le mostra i propri bias, le insegna strategie di pensiero per contrastarli, le dà segnali d'allarme nel momento giusto. Il secondo lavora sull'ambiente in cui la decisione avviene, senza chiedere a nessuno di correggere se stesso: cambia l'ordine in cui le opzioni si presentano, il formato in cui l'informazione arriva, la struttura della scelta.

Gli autori la definiscono così: il debiasing si rivolge direttamente a chi decide, per aiutarlo a riconoscere e contrastare i bias nei propri processi di giudizio, mentre la choice architecture interviene modificando l'ambiente decisionale. Non è una distinzione accademica fine a se stessa: implica che uno strumento pensato per un meccanismo non funziona automaticamente per l'altro, e che scegliere l'uno o l'altro senza sapere quale meccanismo si sta cercando di attivare è come somministrare un farmaco senza conoscerne il bersaglio.

Dentro il debiasing la ricerca distingue tre forme ricorrenti: i programmi di formazione che insegnano a riconoscere i bias e le strategie per evitarli, gli avvisi che segnalano il rischio nel momento specifico in cui la decisione si sta formando, e i meccanismi di feedback che aiutano le persone a imparare dalle proprie decisioni passate. Sono interventi che richiedono la partecipazione attiva di chi decide, e per questo — lo si vedrà tra poco — funzionano meglio in alcune condizioni che in altre.

Il momento della decisione conta più del metodo

La parte più utile del framework, per chi deve scegliere quale intervento adottare, riguarda il quando. Gli autori sostengono che gli interventi di debiasing, in particolare formazione e avvisi, sono più adatti alle fasi iniziali del processo decisionale, quando l'organizzazione sta ancora cercando informazioni e identificando le alternative possibili. La choice architecture, al contrario, rende meglio nelle fasi successive, quando le alternative sono già state valutate ed è emersa una preferenza per l'opzione meno distorta da correggere o rafforzare.

È una distinzione che smonta una pratica comune: mettere un training sui bias all'inizio dell'anno e considerarlo valido per ogni decisione che verrà presa nei dodici mesi successivi, indipendentemente dallo stadio in cui quella decisione si trova. Un training fatto a monte di un processo di selezione aiuta i recruiter a formulare meglio i criteri di valutazione; lo stesso training non aiuta granché nel momento in cui due candidati arrivano in shortlist e va scelto chi assumere — lì serve intervenire sulla struttura del confronto, non sulla consapevolezza di chi confronta.

L'incertezza cambia le regole del gioco

Un secondo fattore che il framework isola è la complessità dell'ambiente decisionale. In contesti ad alta incertezza, con decisioni complesse e poco strutturate, gli interventi di debiasing offrono competenze generalizzabili, applicabili a contesti diversi. La choice architecture è invece più efficace in ambienti stabili e prevedibili, dove le decisioni sono routinarie e strutturate, e dove l'opzione ottimale può essere identificata in anticipo.

È un punto che tocca da vicino chi lavora sulle organizzazioni: una decisione su chi promuovere non somiglia a una decisione su come ordinare un magazzino, eppure entrambe finiscono spesso sotto la stessa etichetta "decision-making" e ricevono lo stesso tipo di intervento. Se il criterio di merito cambia da caso a caso e l'informazione disponibile è ambigua — il caso tipico delle decisioni sulle persone — architettare l'ambiente di scelta rischia di irrigidire una decisione che avrebbe bisogno di giudizio flessibile, non di corsie preferenziali predefinite.

Obiettivi condivisi, o la loro assenza

Un terzo elemento riguarda il contesto organizzativo: quanto gli obiettivi di chi valuta sono allineati e condivisi. La choice architecture funziona particolarmente bene in organizzazioni con obiettivi chiari e condivisi per valutare le decisioni; il debiasing è invece più adatto quando c'è maggiore diversità nei criteri o negli interessi di chi decide.

È il punto in cui la ricerca smette di parlare di cognizione e comincia a parlare di potere e negoziazione interna. Se un'azienda non ha un accordo su cosa significhi "buona assunzione" — e in molte organizzazioni quell'accordo non esiste, si presume soltanto — nessuna riprogettazione del modulo di valutazione risolverà il disaccordo di fondo. Prima va condiviso il criterio; solo dopo ha senso disegnare l'ambiente che lo applica in automatico.

Cento studi non sono un aneddoto, ma non chiudono la discussione

Va detto con la stessa onestà con cui gli autori lo dichiarano: il framework nasce da un'osservazione di carenza, non da una conferma. Gli autori segnalano la mancanza di studi comparativi diretti tra le due famiglie di intervento, e propongono la cornice proprio per colmare quel vuoto con ricerca futura. Questo significa che le condizioni di efficacia appena descritte sono, allo stato attuale, proposizioni derivate da un'integrazione di letteratura sperimentale, non conclusioni verificate da confronti testa a testa. È la differenza fra una mappa ben disegnata e un territorio già misurato: la prima orienta la ricerca, non la sostituisce.

Detto questo, il metodo con cui la mappa è stata costruita merita di essere riconosciuto: integrare un centinaio di studi sperimentali distinti per meccanismo cognitivo, invece di impilare tecniche sotto l'etichetta generica "bias training", è esattamente il tipo di lavoro che separa una raccomandazione utile da un consiglio plausibile. Chi scrive di giudizio organizzativo — e chi lo automatizza, come me — dovrebbe applicare lo stesso standard prima di dichiarare che uno strumento funziona: dire per chi, in quale fase, con quale margine.

Tracciare la decisione, non solo il risultato

C'è un motivo per cui questa distinzione tra debiasing e choice architecture diventa rilevante proprio ora, nel modo in cui le organizzazioni stanno integrando strumenti di supporto algoritmico alle decisioni. Le organizzazioni che otterranno risultati migliori nel 2026 sono quelle che integrano l'intelligenza artificiale come sistema di supporto alla decisione dentro una cornice di giudizio disciplinato, non come sostituto del ragionamento umano. E il modo concreto in cui questo si traduce in pratica è tracciare le decisioni, il loro razionale e le conseguenze reali, così da poter migliorare sia le raccomandazioni della macchina sia il giudizio umano.

È qui che le due leve del framework accademico e la pratica organizzativa più recente si toccano. Un algoritmo di raccomandazione è, di fatto, un pezzo di choice architecture: cambia l'ordine in cui le opzioni arrivano a chi decide, ne evidenzia alcune, ne nasconde altre. Ma chi ha stabilito il criterio con cui l'algoritmo ordina le opzioni ha preso una decisione — e quella decisione, una volta incorporata nello strumento, smette di essere discussa ogni volta che lo strumento viene usato. Tracciare non solo l'output ma il perché di ogni raccomandazione, e confrontarlo dopo con quello che è effettivamente successo, è l'unico modo per sapere se quel criterio va ancora bene o se si è irrigidito attorno a un errore sistematico che nessuno controlla più.

La domanda per lunedì mattina

Chi in azienda sta introducendo un training sui bias, un nuovo modulo di valutazione o un sistema di raccomandazione algoritmica dovrebbe fermarsi su una domanda sola, prima di firmare il budget: questo intervento sta cercando di cambiare la testa di chi decide, o l'ambiente in cui la decisione avviene? E, di conseguenza, in quale fase del processo — quando le opzioni si cercano, o quando si scelgono — si colloca la decisione che vogliamo migliorare? Senza questa distinzione, un buon intervento nel posto sbagliato produce lo stesso risultato di nessun intervento: la sensazione di aver fatto qualcosa, senza la certezza di aver fatto la cosa giusta.