La conoscenza aumenta davvero quando cresce la capacità di prevedere un fenomeno, oppure richiede anche la capacità di spiegarlo?

Leggendo il bell’articolo di Paolo Zellini dal titolo “La matematica non è nata per farci smettere di pensare”, pubblicato su La Lettura di questa settimana, mi sono chiesto quanto le sue riflessioni riguardino anche la zootecnia contemporanea.

La domanda mi tocca da vicino. Insieme a Corrado Dimauro ho insegnato per oltre vent’anni la disciplina Modelli Matematici e Statistici per le Scienze Zootecniche e nel 2011 abbiamo pubblicato, con Massimo Cellesi, un libro dedicato a questo argomento.

In quegli anni eravamo convinti, e lo sono ancora oggi, che la matematizzazione della zootecnia rappresentasse un passaggio inevitabile del progresso scientifico. La crescita degli animali, la curva di lattazione, la digestione ruminale, la selezione genetica, la gestione economica degli allevamenti e perfino l’impatto ambientale possono essere compresi meglio attraverso modelli capaci di rappresentare una realtà troppo complessa per essere interpretata con la sola intuizione.

Eppure, rileggendo oggi quelle pagine alla luce delle riflessioni di Zellini, mi colpisce un aspetto che allora appariva quasi scontato. Scrivevamo che un modello non è la realtà ma una sua rappresentazione semplificata e che il compito dello scienziato consiste nel non confondere mai le due cose.

La questione non riguarda l’affidabilità degli algoritmi, molti di essi funzionano molto bene. Riguarda piuttosto il luogo in cui risiede la conoscenza. Per lungo tempo il problema è rimasto relativamente semplice. Dietro ogni modello matematico vi era uno scienziato che formulava ipotesi, identificava le variabili rilevanti e costruiva relazioni causali in grado di spiegare il fenomeno osservato. Comprendere e modellizzare erano attività strettamente intrecciate.

L’intelligenza artificiale modifica profondamente questo rapporto. Oggi disponiamo di sistemi capaci di individuare regolarità, formulare classificazioni e produrre previsioni di elevata accuratezza senza che il percorso logico seguito sia sempre trasparente. In molti casi la capacità predittiva precede la comprensione.

Il recente “International AI Safety Report 2026” richiama l’attenzione proprio su questo aspetto. Tra i rischi emergenti viene segnalata la crescente tendenza degli esseri umani ad affidarsi alle indicazioni degli algoritmi riducendo progressivamente il controllo critico sulle loro conclusioni. Gli studiosi parlano di automation bias che non è l’errore della macchina, ma la nostra disponibilità ad accettarne il giudizio senza comprenderne le ragioni.

È qui che la riflessione di Zellini diventa particolarmente attuale. Forse la domanda non è se l’intelligenza artificiale sia affidabile perché in molti casi lo è già più di noi nello svolgimento di compiti specifici. La domanda riguarda il fatto che la matematica, nata per aiutarci a comprendere il mondo, rischia di diventare così potente da produrre risposte che non siamo più in grado di interpretare.

La conoscenza aumenta davvero quando cresce la capacità di prevedere un fenomeno, oppure richiede anche la capacità di spiegarlo? Negli allevamenti del futuro continueremo certamente a utilizzare modelli matematici, sistemi di intelligenza artificiale e strumenti digitali sempre più sofisticati. Sarebbe impensabile fare altrimenti. Ma il loro valore non dipenderà soltanto dalla precisione delle previsioni che saranno in grado di fornire. Dipenderà anche dalla nostra capacità di mantenere vivo il rapporto tra modello e realtà, tra previsione e comprensione.

La scienza moderna è nata dall’incontro di queste due dimensioni. Se dovessimo rinunciare alla seconda per conservare soltanto la prima, avremmo certamente costruito macchine più intelligenti. Resta da capire se avremmo costruito anche una società più consapevole.