La Fine della Serendipità: Come gli Algoritmi Hanno Calcolato l’Inaspettato

L'IA non ha ucciso la serendipità, l'ha ingegnerizzata. Analisi su come i sistemi di raccomandazione sacrificano la vera scoperta per ottimizzare la pertinenza e i clic.

L’architettura digitale contemporanea è fondata su una promessa di efficienza assoluta: ridurre il rumore di fondo per consegnare all’utente l’informazione, il prodotto o il contenuto esatto nel momento preciso in cui ne ha bisogno. In questa corsa all’ottimizzazione estrema, si è diffusa la convinzione che l’intelligenza artificiale abbia definitivamente ucciso la serendipità. La realtà, supportata dalla letteratura accademica e dall’analisi dei sistemi di raccomandazione, è molto più complessa e insidiosa: l’algoritmo non ha eliminato la serendipità, l’ha semplicemente sostituita con una sua versione sintetica e calcolata, ottimizzata per massimizzare la pertinenza, la retention e la probabilità di clic. Il rischio sociologico e cognitivo che stiamo correndo non è quello di smettere di ricevere suggerimenti interessanti, ma di perdere irreversibilmente l’esperienza formativa di cercare, sbagliare strada, deviare dal percorso tracciato e scoprire per puro caso qualcosa che non sapevamo affatto di volere.

L’Illusione della Scelta Perfetta e la Tirannia dell’Accuratezza

Il peccato originale dei sistemi di raccomandazione risiede nelle metriche per cui sono stati storicamente addestrati. Come evidenziato nel saggio ormai classico Desperately Seeking Serendipity (presentato alla conferenza CHI dell’ACM nel 2011), i motori di suggerimento tendono per loro stessa natura algoritmica a proporre ciò che l’utente già conosce, che ha già consumato o che potrebbe comunque trovare facilmente da solo [2808]. L’obiettivo ingegneristico primario è sempre stato l’accuratezza predittiva.

Tuttavia, come sottolineato da uno studio pubblicato su ACM RecSys nel 2017, privilegiare ossessivamente l’accuratezza significa lasciare inevitabilmente fuori dall’equazione la diversità e la vera scoperta. Il risultato pratico di questa impostazione è una drammatica riduzione della copertura del catalogo e la sistematica esclusione dei contenuti di “coda lunga” (la long tail) a favore dei grandi successi [2805]. La scelta che la macchina ci presenta come “perfetta” è, nella stragrande maggioranza dei casi, semplicemente la scelta più probabilisticamente simile all’ombra dei nostri comportamenti passati. Ci viene restituita un’immagine ad altissima risoluzione di noi stessi, spacciata per una finestra aperta sul mondo.

La Gabbia della Personalizzazione: Identità e Autonomia

Quando la preferenza cessa di essere un’inclinazione temporanea e viene codificata in un profilo matematico immutabile, l’ecosistema digitale si trasforma in una gabbia invisibile. Un’analisi rigorosa pubblicata su Humanities and Social Sciences Communications (2024) indaga le sfide etiche del processo decisionale algoritmico, dimostrando come la personalizzazione estrema possa ridurre drasticamente l’autonomia umana [2810]. I loop auto-rinforzanti degli algoritmi restringono progressivamente l’identità dell’utente, ereditando e amplificando i bias presenti nei dati di addestramento e manipolando gli ambienti decisionali fino a ridurre le reali capacità di scelta dell’individuo.

La psicologia degli ambienti digitali conferma questa tensione. Una sintesi di evidenze pubblicata da SAGE (2023) su news feed, piattaforme musicali e app di dating riconosce che la personalizzazione ha il merito di ridurre l’overload informativo, proteggendoci dalla paralisi decisionale. Eppure, in assenza di trasparenza e di un controllo attivo da parte dell’utente, questa stessa personalizzazione danneggia il benessere psicologico, il senso di autonomia e la competenza percepita [2812].

È interessante notare come l’impatto di questa delega decisionale vari a seconda del contesto. Il Journal of Consumer Affairs (2026) ha recentemente introdotto il concetto di “Algorithmic Well-Being Paradox”: affidarsi all’intelligenza artificiale può aumentare il benessere percepito quando si tratta di un consumo puramente materiale e utilitaristico, ma tende a ridurlo drasticamente nel consumo esperienziale [2814]. Esiste una profonda differenza filosofica ed emotiva tra il chiedere a una macchina “aiutami a trovare il prezzo migliore per questo frullatore” e il permetterle di sentenziare “decido io per te quale film ti emozionerà, chi dovresti incontrare stasera o quale carriera dovresti seguire”. Nel secondo caso, la macchina frustra il bisogno umano di autodeterminazione.

Ingegnerizzare la Scoperta: La Metrica dello Stupore

Di fronte a queste criticità, l’industria tecnologica ha tentato di correre ai ripari cercando di ingegnerizzare lo stupore. Ma cos’è, informaticamente parlando, la serendipità? Una revisione sistematica della letteratura pubblicata sul Journal of Computer Science and Technology (2021) definisce formalmente la serendipità nei sistemi di raccomandazione come la rara e preziosa combinazione di rilevanza e inatteso, distinguendola nettamente dalla semplice novità cronologica o dalla pura casualità [2809]. La serendipità non è “qualcosa di strano buttato a caso nel feed”, ma è un elemento inaspettato che devia il percorso cognitivo dell’utente, arricchendolo.

Tradurre questa poesia in codice è un’impresa titanica. La ricerca dimostra che accuratezza, diversità e serendipità sono proprietà matematiche in costante e feroce tensione tra loro (Computing, 2018). Aumentare artificialmente la diversità di un feed può far crollare l’accuratezza, generando frustrazione nell’utente, e avere effetti del tutto incerti sulla percezione di serendipità [2807]. Non basta, dunque, aggiungere un generatore di numeri casuali all’algoritmo.

Recentemente, i ricercatori hanno iniziato a proporre metriche complesse come SPADE (presentata su arXiv nel 2025), concepita per misurare la serendipità come l’intersezione millimetrica tra sorpresa, rilevanza e novità [2811]. Lo scopo di queste metriche è evitare che gli algoritmi “barino”, facendo passare per scoperta serendipitosa quella che è, in realtà, una semplice raccomandazione di un contenuto globalmente popolare. Questo sforzo dimostra che la serendipità può essere teoricamente progettata, ma rivela anche l’inquietante facilità con cui può essere falsificata e simulata per compiacere gli investitori pubblicitari.

L’Errore Fecondo e il Valore dell’Esplorazione

Invertire questa rotta richiede un cambio di paradigma nei modelli di business delle piattaforme, non solo nella loro architettura software. Un’illuminante ricerca di Google, Values of Exploration in Recommender Systems, argomenta con forza che l’esplorazione non deve essere considerata un mero compromesso tecnico tra lo sfruttamento dei dati noti e il rischio dell’ignoto. Al contrario, l’esplorazione intenzionale può migliorare radicalmente l’esperienza complessiva, la diversità, la novità e la reale serendipità nel lungo periodo [2816]. Le piattaforme devono trovare il coraggio commerciale di dedicare spazio bianco alla vera scoperta, rinunciando alla tossica dipendenza dall’ottimizzazione del clic immediato.

La vera domanda filosofica che il nostro tempo ci pone non è la banale speculazione “gli algoritmi ci tolgono la libertà?”. L’interrogativo cruciale è un altro: quando l’opzione che ci viene suggerita in ogni ambito della vita è sempre, inesorabilmente, la più probabile e statisticamente sicura, quanto spazio mentale e fisico resta per l’errore fecondo?

Storicamente, la serendipità umana nasce quasi sempre dall’attrito, dalla disorganizzazione, dalla casualità spaziale e dall’incontro non pianificato. Nasce dal libro preso per sbaglio dallo scaffale impolverato di una biblioteca fisica, dalla conversazione imprevista ascoltata su un treno in ritardo, da una canzone sconosciuta passata in radio mentre si cercava un’altra stazione. La serendipità esige un margine di inefficienza che gli algoritmi sono stati addestrati a odiare e distruggere [2808, 2809, 2812].

Non abbiamo bisogno di ritornare a un’epoca pre-digitale, né di implorare le aziende tecnologiche di sviluppare algoritmi meno intelligenti. Abbiamo, piuttosto, un disperato bisogno di interfacce umili; sistemi che sappiano riconoscere il limite del proprio mandato predittivo, che sappiano quando è il momento di fermarsi, di fare un passo indietro e di lasciarci la libertà vitale di perderci. Perché, molto spesso, la scelta veramente “perfetta” per la nostra evoluzione intellettuale è esattamente quella che non ci avrebbe mai suggerito nessuno [2807, 2810, 2816].

Riferimenti Bibliografici e Fonti

[Desperately Seeking Serendipity — CHI 2011, ACM] [2808]
[Diversity and Serendipity in Recommender Systems — ACM RecSys, 2017] [2805]
[How does serendipity affect diversity in recommender systems? — Computing, 2018] [2807]
[Inevitable challenges of autonomy: ethical concerns in personalized algorithmic decision-making — Humanities and Social Sciences Communications, 2024] [2810]
[The Psychology of Personalization in Digital Environments — SAGE, 2023] [2812]
[The Algorithmic Well-Being Paradox — Journal of Consumer Affairs, 2026] [2814]
[Serendipity in Recommender Systems: A Systematic Literature Review — Journal of Computer Science and Technology, 2021] [2809]
[SPADE: Escaping the Popularity-Similarity Frontier — arXiv, 2025] [2811]
[Values of Exploration in Recommender Systems — Google Research] [2816]

Articolo a cura della Redazione di La Bussola dell’IA