Argomento
11 articoli
Due pezzi sul lavoro che l’AI sta cambiando da angolazioni opposte: come si trova oggi un impiego nel settore AI, e perché un’industria che cresce a doppia cifra — l’animazione giapponese — continua a non remunerare chi produce materialmente il valore.
Seicentotrentaquattro donne del tech raccontano che lo stesso lavoro fatto male con l’AI viene lodato se lo presenta un uomo e costerebbe il posto a loro. Dieci schede su chi viene sospettato, chi viene riconosciuto, e quanto lavoro resta fuori dal quadro.
Il pezzo parte da una scena precisa: nel gennaio 2025 Mark Zuckerberg, ospite di Joe Rogan, lamenta che le aziende siano diventate «culturalmente evirate» e che «l’energia maschile fa bene, una cultura che celebra un po’ di più l’aggressività ha i suoi meriti». Le dichiarazioni cadono pochi giorni prima del ritorno di Trump alla Casa Bianca e nello stesso giorno in cui Meta chiude i propri programmi per la diversità. Sandra Upson, features editor di WIRED, risponde con la tesi dell’articolo: non c’era alcun problema da risolvere, perché la mascolinità e l’aggressività che dice di rimpiangere erano lì da sempre. Sulla natura della base empirica conviene essere espliciti, perché il pezzo circolerà per i suoi numeri. È un sondaggio fra lettrici, auto-selezionato, 634 risposte, di cui WIRED pubblica il profilo: il 38% lavora in ingegneria e sviluppo, il 25% in operations, strategia e compliance, il 14% in dati e ricerca; per livello, il 32% è senior, il 29% ha responsabilità di gestione, il 13% è executive; il 38% ha fra i 35 e i 44 anni e il 34% fra i dieci e i vent’anni di esperienza. WIRED aggiunge un caveat che va riportato perché è onesto: il direttore di Gallup osserva che decenni di ricerca mostrano come le persone giudichino il sistema peggio della propria situazione particolare, e lo stesso effetto può valere per chi ha risposto. Con questo perimetro, i dati riferiti — più di un terzo ha subito molestie o discriminazioni di genere sul lavoro, e più a lungo una donna ha lavorato nel settore più è probabile che le abbia subite — valgono come testimonianza di un campione descritto, non come stima di popolazione. Le citazioni dirette restano quello che sono, e sono molte: colleghi che parlano dall’alto in basso a chi ha trent’anni di mestiere, clienti che scambiano per la segretaria l’amministratrice delegata, un dirigente che alla festa di Natale si veste da Babbo Natale e fa sedere le giovani colleghe sulle sue ginocchia, un gruppo che su Slack classificava parti del corpo delle colleghe. La parte che il sito archivia è però un’altra, ed è nella sezione sull’AI. L’86% delle rispondenti dichiara di usare l’AI per lavoro almeno qualche volta a settimana, quindi non è una popolazione che parla dall’esterno: «passo tantissimo tempo a ripulire slop e casini dell’AI»; «la pressione perché io faccia vibe coding è enorme per quanto continui a far notare che i design che produce sono, francamente, pessimi». E poi la frase che vale la scheda, in risposta alla domanda se l’AI rischi di aggravare i pregiudizi nel settore: «Lo sto già vedendo. Lavoro sciatto, fatto a metà, riceve lodi quando lo fa un uomo con Claude, mentre se io o un’altra donna del team provassimo anche solo a presentarlo verremmo licenziate.» Questa osservazione aggiunge un pezzo che mancava. L’archivio ha già registrato il rovesciamento di Louis Menand: il timore corrente è che scambiamo la poesia di una macchina per quella di una persona, mentre la prospettiva peggiore è che liquidiamo quella di una persona come slop. Qui si vede che il sospetto non si distribuisce in modo uniforme. Lo stesso manufatto viene letto come competente o come scarto a seconda di chi lo presenta, e l’accusa di slop è particolarmente comoda perché si traveste da critica tecnica: non richiede di essere argomentata, non nomina nessuno, e chi la riceve non ha modo di confutarla, perché un testo o un design non possiedono alcun modo interno di dimostrare da dove vengano. Un pregiudizio preesistente ha ricevuto un vocabolario nuovo e molto più negabile. Il contesto storico che il pezzo ricostruisce serve a misurare il movimento. Nel 2013 Tracy Chou, ingegnera di Pinterest, pubblica un post che diventa virale — «Dove sono i numeri?» — e apre un foglio di calcolo su GitHub dove chiunque può inserire le statistiche della propria azienda; Jesse Jackson porta la questione nelle assemblee degli azionisti; nel 2014 Google pubblica il primo rapporto sulla diversità e Facebook e Microsoft seguono. «Lentamente i numeri sono migliorati, anno dopo anno. In parte.» Poi il pendolo torna indietro: l’agenzia federale che tratta le discriminazioni sul lavoro passa da 480 a 75 addetti nei primi mesi del nuovo mandato, e quelle stesse tre aziende smettono di pubblicare i dati. Fra le poche che continuano c’è Nvidia, che nel giugno 2026 dichiara il 17,4% di ruoli tecnici ricoperti da donne, con percentuali analoghe fra dirigenti e responsabili — e due donne su cinque nel comitato esecutivo. Il dato vale soprattutto per la sua rarità: dove la misura è stata abbandonata, non sappiamo più nemmeno di quanto stiamo tornando indietro. Il pezzo chiude su una domanda posta alle rispondenti — che cosa cambieresti nella cultura del settore — e su una risposta che Upson lascia parlare da sola: «Non lo so, fammi chiedere a Claude». Il commento è di una riga: sarebbe un peccato se la conversazione finisse lì.
Lydia DePillis — reporter del NYT sull’economia americana — descrive l’emergere della «tokenomics»: la disciplina che studia come le aziende comprano AI e cosa ne ricavano. Il punto di partenza è il ciclo «tokenmaxxing/tokenminning»: prima i manager incoraggiano il massimo utilizzo dell’AI, poi arriva il conto e scatta il blocco. Il problema di fondo è che il token è «una valuta per cui non hai nessun istinto su cosa stai usando, e le pratiche contabili non esistono ancora» — così lo descrive l’economista Howard Rubin. L’analogia che DePillis testa è il petrolio: il greggio si raffina in benzina, diesel, propano, tutti misurabili in BTU e scambiati su mercati con prezzi trasparenti. L’AI non ha equivalente: migliaia di modelli, nessun consenso su quanta energia consuma un token, quale modello usare per quale task, quanti token sono necessari. Il pezzo documenta tre risposte che le aziende stanno costruendo. La prima è il «bionic head count» di Elisity (cybersecurity): si dividono i costi AI per il costo medio di un dipendente e si ottiene un «headcount virtuale», i cui «assunti» ricevono una job description scritta dagli ingegneri e vengono valutati ogni volta che eseguono un nuovo task — è il modo in cui l’organizzazione dà forma contabile a qualcosa che non ha ancora categoria. La seconda è il monitoring dell’output: Revenium mappa la spesa in token su outcome concreti (feature software consegnate), con un tetto di utilizzo per i modelli costosi che forza gli ingegneri a ricorrere a modelli open-source più economici quando esauriscono l’allocazione, obbligandoli a pensare a cosa hanno davvero bisogno. La terza è la traiettoria del budget: prima le aziende hanno pagato l’AI con gli spiccioli del budget («sotto i cuscini del divano»), poi tagliando licenze software e servizi esterni come il copywriting e lo sviluppo web; il dibattito ora è se il token spending vada imputato al budget del lavoro, il che renderebbe esplicito il trade-off con l’occupazione umana. Bain stima che i token potrebbero arrivare al 25% delle spese operative aziendali nel medio termine. Tre elementi strutturali complicano il quadro. Il pricing è opaco: i prezzi variano tra provider cloud e i laboratori AI, in corsa ad acquisire market share prima dell’IPO, possono praticare prezzi inferiori al costo di produzione. L’AI abbassa il proprio costo: i «cache token» — token già processati e riutilizzabili a una frazione del prezzo — stanno tenendo la crescita della spesa effettiva sotto quella che sarebbe altrimenti, anche mentre i prezzi ufficiali dei modelli frontier salgono. Il vero bottleneck, che nessuno cita abbastanza, non è la capacità di calcolo ma la scarsità di persone capaci di dispiegare l’AI in modo produttivo: «Spesso pensiamo: oh, non hanno capacità. Ma non hanno abbastanza persone per estrarre il valore», dice Jue Wang di Bain. Il segnale di sistema rimane quello contabile: quando il controllo di gestione costruisce un framework per i token — quando l’AI entra nel budget come voce strutturale, non come esperimento — la tecnologia ha attraversato la soglia dell’infrastruttura. La tokenomics nasce esattamente in quel momento di passaggio.
Claire Stapleton arriva a Google nel 2007 nel reparto comunicazione e costruisce in pochi anni la «voce di Google»: le email settimanali del TGIF diventano folklore e fan fiction aziendale, «metà liturgia metà parodia». È un caso esemplare del livello «politico» del marketing — la produzione di senso e identità — che trasforma ogni aggiornamento di prodotto in «esperimento epistemologico» e ogni executive in «profeta». Il gap tra retorica e realtà comincia a diventare intollerabile con Google+, progetto difensivo presentato come visione, e con l’uccisione di Google Reader — «l’unica cosa davvero sociale che Google avesse mai costruito». A YouTube scopre l’altra faccia dello stesso meccanismo: l’algoritmo ha già sostituito la curatela editoriale umana, e il suo ruolo di «curation strategy manager» è in gran parte ornamentale. Nel 2018, quando il New York Times rivela che Google aveva coperto Andy Rubin con novanta milioni di dollari di buonuscita nonostante una denuncia credibile di molestie sessuali, Stapleton usa ogni competenza acquisita in un decennio per organizzare il Google Walkout: comunicati, coordinamento con la stampa, coaching dei portavoce. E qui il pezzo raggiunge il suo momento più acuto: «At YouTube, we were always trying to manufacture moments like this — with sprawling brand campaigns, enormous budgets, and a labyrinth of agencies all straining to make something trend, break through, go viral. We almost never pulled it off. And now here it was, unfolding organically.» La risposta aziendale è quella che Stapleton chiama «P.R. jujitsu»: Sundar Pichai assorbe il linguaggio del dissenso per neutralizzarlo («We had Googlers do what Googlers do well»); la manager le svuota il ruolo dall’oggi al domani; l’HR le suggerisce di invitare la manager per un caffè e di sfruttare le risorse aziendali di mindfulness. Il pezzo si chiude sulle pubblicità AI di Google — procioni sugli skateboard, telefoni che diventano coni gelato, musica alla Wes Anderson — la stessa macchina di produzione della simpatia ora al servizio dell’adozione dell’AI. «Before it was rebranded as Gemini, Google’s A.I. chatbot was called Bard.»
Werner Vogels, CTO di Amazon, racconta il caso Quick Desktop — un prototipo costruito in una notte da Thomas Delteil con un coding agent, che nel giro di settimane è diventato un prodotto usato da centinaia di migliaia di persone — per aggiornare il metodo Amazon «working backwards»: non più press release poi prototipo, ma prototipo poi press release. L’argomento è chiaro: quando costruire un prototipo costa una sera anziché mesi, l’ordine logico cambia. «You will learn more in one evening of building than in two weeks of writing about what you think will happen.» Il documento che scrivi dopo aver costruito è strutturalmente migliore di quello che avresti scritto prima, perché non descrive un’idea ma qualcosa che esiste ed è stato testato. La «two-pizza culture» — team piccoli, ownership totale, decisioni reversibili senza chiedere permesso — non è una nostalgia: è il sistema immunitario contro l’entropia organizzativa che cresce con la scala. Il pezzo dialoga con Ottaviani già in archivio (vibe coding come acceleratore del processo creativo) aggiungendo la dimensione manageriale: cosa cambia nell’organizzazione del lavoro quando il tempo tra idea e prototipo collassa.
David Brooks parte dalla domanda sbagliata — l’AI ci toglierà il lavoro? — per arrivare a quella giusta: che relazione hai con lo sforzo mentale? La ricerca che cita rovescia l’assunto: chi adotta l’AI lavora di più, non di meno (ore su email e chat raddoppiate, lavoro focalizzato giù del 9% — c’è già un nome per questo stato mentale: «AI brain fry»). Il principio guida che propone: «When intelligence is plentiful, volition is valuable.» La discriminante non è quanto sei intelligente ma il tuo need for cognition — l’attitudine psicologica ad affrontare la difficoltà cognitiva come intrinsecamente piacevole. Da qui la tassonomia in tre gruppi: i Productive Passengers (bassa NFC) che guadagnano produttività a breve ma perdono capacità — connettività cerebrale giù del 55%, onde gamma giù del 40%, e dopo dieci minuti di assistenza AI le performance calano anche senza AI; i Reluctant Optimizers (media NFC) che conoscono il rischio, resistono per un po’, poi cedono all’optimization mentality e al «cognitive surrender» — accettano gli errori del bot l’80% delle volte; i Mental Marathoners (alta NFC) che usano l’AI per aumentare la propria agency e trovano tecniche per farlo meglio. Il dato più utile per noi: cognitive surrender è la forma comportamentale del deficit di capitale semantico — chi non ha già costruito una propria worldview non sa riconoscere quando il bot sbaglia. La conclusione finale richiama in parte quella di «La differenza fra Claude e le mie gatte» (che Brooks, ahimè, sicuramente non ha letto): l’AI rivela per sottrazione cosa significa essere umani. Non è l’intelligenza, che le macchine avranno in abbondanza, ma la capacità di desiderare: avere un sé con un passato e un futuro, pulsioni e aspirazioni, una storia particolare di ferite e gioie.
Simone Pieranni mappa, dalla stampa cinese, due narrazioni opposte sull’AI e il lavoro che i media occidentali tendono a sovrapporre. La versione istituzionale racconta una transizione ordinata: 2,99 milioni di nuovi posti urbani nel primo trimestre 2026, nuove figure professionali (addestratori di sistemi AI, “narrative designer”), startup da una persona rese possibili dagli agenti intelligenti. L’altra versione racconta la “linea della mannaia” che scende: prima colpiva i ruoli intermedi, poi i junior, ora gli esterni in outsourcing — e i 12,7 milioni di neolaureati che si affacciano quest’anno sul mercato sono i più sfortunati di sempre, perché arrivano esattamente quando le aziende eliminano le posizioni base per sostituirle con agenti AI. Il punto che interessa al sito non è tecnico ma sociale: in Cina parlare di lavoro significa parlare di patto sociale. La Corte di Hangzhou ha già emesso una sentenza contro i licenziamenti motivati dalla sostituzione con AI. Il pezzo aggiunge alla serie sulla Cina già in archivio una dimensione interna che il pezzo di Chan non toccava: non la corsa geopolitica all’AGI, ma la gestione della pressione sociale dell’automazione su scala di massa.
Ilaria Maria Dondi parte da una domanda che si è posta sul serio dopo aver scritto un pezzo di cui era soddisfatta aiutandosi anche con l’AI: «Sto barando?». La risposta arriva leggendo un post di Amberhawk su «The Ubuntu Journey»: i CEO pubblicano libri scritti da ghostwriter, i politici pronunciano discorsi di speechwriter, i direttori editoriali trasformano articoli fino a renderli irriconoscibili — eppure nessuno li accusa di impostura. I ricchi e i potenti hanno sempre avuto accesso a un supporto invisibile; l’indignazione morale scatta solo quando uno strumento apparentemente più economico e accessibile replica quel supporto per chi un editor non se lo è mai potuto permettere. La tesi è netta: il problema non è mai il supporto in sé, ma chi ha sempre avuto il diritto di usarlo in silenzio. I privilegi non si confessano: si usano. L’AI non è neutra — sfruttamento del lavoro, copyright, impatto ambientale sono problemi reali — ma la «denigrazione automatica» del lavoro svolto anche con l’AI, che giudica per la mera presenza dello strumento senza guardare la qualità del pensiero, è un pregiudizio che pesa di più su chi ha già meno margine di errore, donne e persone razzializzate in testa. La competenza, conclude Dondi, non nasce da un prompt: nasce dall’essere in grado di difendere ciò che si firma.
Il “1843” racconta il paradosso al cuore dell’industria dell’anime giapponese: il mercato è quasi triplicato nell’ultimo decennio, fino a 19 miliardi di dollari, eppure gli animatori scarseggiano cronicamente — erano circa 4.500 nel 2010, oggi sono solo 5-6.000, mentre i titoli prodotti all’anno sono passati da poco più di 100 a oltre 300. La radice del problema è storica: dopo il fallimento nel 1973 di Mushi Production (lo studio di “Astro Boy”), l’industria sostituì gli organici fissi con manodopera a contratto, frammentando il lavoro in compiti minuscoli e smantellando il sistema di apprendistato che formava i nuovi animatori. Oggi solo uno su cinque riceve una formazione sul campo, contro sette su dieci nella generazione precedente; gli stipendi dei giovani animatori restano sotto la media nazionale per neolaureati; un quarto di chi entra nel settore lo abbandona entro quattro anni. Il pezzo segue chi sta provando a invertire la rotta — piccoli studi come Durian e Flat Studio che riportano l’attenzione sulla cura artigianale, accademie come Sasayuri che reintroducono il mentoring perduto, programmi di apprendistato interni come quello di Bandai Namco — e chiude su un produttore che ha realizzato il primo “anime AI” giapponese, scatenando un dibattito sui confini tra strumento e sostituzione della creatività umana. È un caso da manuale anche per chi si occupa di editoria e publishing: una filiera può crescere a doppia cifra e restare comunque incapace di remunerare e formare chi produce materialmente il valore.
Wired racconta come i grandi laboratori AI (DeepMind, Anthropic) abbiano assunto vere e proprie squadre di filosofi per lavorare su dilemmi etici e domande sulla natura della mente — ma l’articolo stesso si chiede se non sia in parte ‘ethics-washing’, un’estensione della funzione marketing che certifica un impegno per la sicurezza più a parole che nei fatti. Nota mia: sono vent’anni che sentiamo dire che la prossima rivoluzione tecnologica aprirà finalmente sbocchi ai filosofi. L’interfaccia linguistica dell’AI rende l’argomento più concreto del solito, ma prima di intestare alla disciplina una nuova età dell’oro occupazionale, ci andrei comunque cauto.
Luciano Floridi, Claudio Novelli e Jessica Morley — Digital Ethics Center di Yale e Scienze giuridiche a Bologna — sottopongono a verifica ventisei fra le previsioni più diffuse sull’impatto dell’AI sul mercato del lavoro, pubblicate fra il 2012 e il 1° maggio 2026 da società di consulenza, banche, organizzazioni sovranazionali e gruppi di ricerca accademici e industriali. La data del paper è il 24 maggio 2026, la pubblicazione su SSRN il 10 giugno. Il caso fondativo è il 47% di Frey e Osborne, Oxford Martin School, 2013, che è anche la lezione di metodo più utile del paper perché gli autori lo difendono prima di smontarlo. Il paper del 2013 era disciplinato: dichiarava un metodo, analizzava 702 professioni, documentava le fonti, e qualificava il 47% come quota di posti ad alto rischio di computerizzazione, cioè una misura di capacità tecnologica, non una previsione di posti perduti. Ma «i caveat erano scritti in un registro che la stampa scrosta». Nei titoli, nei brief e nei discorsi il 47% è passato da quota di lavori a rischio di automazione a quota a rischio, e infine a quota da perdere, e nessuno dei due autori è mai intervenuto a correggere la conversione mentre diventava visibile. I dati realizzati: l’occupazione civile americana era intorno ai 144 milioni nel 2013, a marzo 2026 è 162,8 milioni. Alcune professioni ad alto rischio si sono contratte — telemarketer, addetti all’inserimento dati, tecnici di biblioteca — ma i periti assicurativi, a cui era stata assegnata una probabilità di computerizzazione del 99%, sono passati da circa 93.000 a 108.000 fra il 2013 e il 2024, e i paralegali, al 94%, da circa 277.000 a 376.200. La rianalisi OCSE del 2016, basata sui compiti e non sulle professioni, dava il 9% ed era più vicina al vero. C’è poi un caveat che vale da solo, perché è la forma pura del problema. Il paper del 2013 annunciava che avrebbe «evitato di fare previsioni sul processo legislativo e sull’accettazione pubblica del progresso tecnologico». Sembra prudenza. Ma legislazione, regolazione, accettazione pubblica, cambiamento organizzativo, prezzo del capitale e istituzioni del mercato del lavoro sono le variabili che determinano se e quando la computerizzazione avvenga: metterle da parte non isola un sottoproblema trattabile, mette al riparo l’affermazione, perché qualunque cosa il mercato del lavoro faccia poi si può addebitare alle variabili escluse invece che al 47%. Gli autori lo chiamano il predicamento di Duhem–Quine in miniatura: un’affermazione che esclude in anticipo le proprie ausiliarie si organizza da sé l’immunità dall’evidenza. Il contributo più esportabile è però il vocabolario. La letteratura confonde di continuo sei quantità diverse, e finché non si separano nessun confronto è possibile. Esposizione: la quota di compiti che un sistema AI potrebbe plausibilmente toccare, a prescindere dalla convenienza economica e dall’adozione — è il limite superiore di ciò che è tecnologicamente concepibile. Potenziale di automazione: la quota di compiti tecnicamente sostituibili per intero. Automazione economicamente conveniente: quelli che è anche profittevole sostituire ai prezzi correnti — Svanberg e colleghi, sulla visione artificiale, stimano che solo il 23% della retribuzione esposta sarebbe conveniente da automatizzare oggi. Sostituzione: i posti effettivamente eliminati. Variazione netta dell’occupazione: creazione meno sostituzione. Incremento di produttività: guadagni di output per ora lavorata. Le prime tre sono soffitti annidati, ciascuna dentro la precedente; la sostituzione cambia genere di quantità, perché si conta in posti e non in compiti ed è ciò che risulta quando l’automazione conveniente viene impiegata e non è compensata dai nuovi compiti che l’automazione stessa crea; le ultime due stanno a valle e contengono il termine di sostituzione dentro la propria aritmetica. Da qui la regola di commensurabilità che disciplina tutto il resto: un’affermazione formulata in una metrica è confermata o smentita soltanto da un esito formulato nella stessa metrica. La maggior parte delle contraddizioni catalogate non sono contraddizioni: sono violazioni di questa regola commesse nel tragitto fra il rapporto e il titolo. Il catalogo delle incoerenze è la parte che si cita. Il Future of Jobs Report del World Economic Forum, strumento ricorrente e sostanzialmente comparabile fra edizioni, ha previsto +12 milioni netti nel 2020, −14 milioni nel 2023 e +78 milioni nel 2025: tre edizioni, due cambi di segno, e nessuna che si misuri con la precedente. Il McKinsey Global Institute ha pubblicato 400–800 milioni di lavoratori sostituiti entro il 2030 nel 2017, il 30% delle ore americane automatizzabili entro il 2030 nel 2023, e il 57% delle ore già automatizzabili nel 2025 — tre metriche diverse presentate come una traiettoria continua di preoccupazione crescente, con il 2025 che sembra confermare e intensificare il 2017 e che non può farlo, perché misura un’altra cosa. Goldman Sachs nel marzo 2023 stimava due terzi delle professioni americane esposte, con il titolo dei 300 milioni di posti; due anni dopo il suo stesso follow-up riporta che «gli impatti aggregati sul mercato del lavoro sono ancora trascurabili». Le due affermazioni non sono incoerenti, riguardano fenomeni diversi — ma la stampa ha trattato la prima come previsione di sostituzione e tratta ora la seconda come una giravolta, e le fonti originali non hanno corretto né l’una né l’altra lettura. La diagnosi finale è di Lakatos, e non è un insulto ma una classificazione. Un programma di ricerca progressivo si guadagna il pane prevedendo fatti non ancora noti; uno degenerante spende le proprie energie ad accomodare fatti già acquisiti, proteggendo un nucleo fisso con aggiustamenti fatti dopo l’evento. Il genere qui campionato è degenerante: il suo nucleo — che l’automatizzabilità tecnica si traduca in sostituzione di massa — è sopravvissuto a quasi un secolo di smentite, da Keynes che nel 1931 conia «disoccupazione tecnologica» fino a Leontief che nel 1982, su Scientific American, avvertiva che l’automazione avrebbe reso il lavoro umano marginale come il cavallo; e vi è sopravvissuto non per revisione ma per una successione di mosse ausiliarie: l’orizzonte che slitta quando la data è passata, la ritirata dalla sostituzione all’esposizione quando i posti non spariscono, la variabile esclusa a cui addebitare ogni ammanco. Il punto che il sito porta via è però quello del paragrafo in corsivo del paper: la divulgazione non è una cortesia ma la precondizione di un test severo. Una previsione che trattiene metodo, dati e incertezza si è collocata fuori dalla portata di una verifica severa, qualunque precisione di superficie esibisca, e un’affermazione che non può fallire alcun test non può nemmeno ottenere il verdetto che si attribuisce. È il criterio con cui si legge un rapporto di consulenza senza doverne discutere le conclusioni — e i nove contributi che il paper indica come esempi di lavoro disciplinato condividono quattro requisiti verificabili dall’esterno: metodo pubblicato, dati pubblici, incertezza dichiarata, confronto esplicito con le stime precedenti.