Questo non è un post, ma un saggio, più lungo di un post normale. Riguarda il progetto Dragon Trainer, di cui ho già parlato qui: insieme ai colleghi di Università di Alicante e European Center for Living Technology sto cercando di sviluppare un software in grado di diagnosticare le dinamiche sociali emergenti nelle comunità online, e di aiutare i rispettivi community managers a prendere decisioni informate. Penso che sarà solo il primo di una serie. È solo in inglese, mi spiace!

Why is this important?

For some time now policy makers have been fascinated by entities like Wikipedia: non-organizations, loose communities of individuals with almost no money and no command structure that manage, despite this apparent lack of cohesion, to collaborate everyday in producing complex, coherent artifacts. Such phenomena are made even more tantalizing by the uncanny speed and efficiency with which they do what they do. Can we summon Wikipedia-like entities into existence, and order them to produce public goods? Can we steer them? Can we do public policy with them?

In order to do so, we will need to learn to craft policy into a new space, which – following Lane and others – we call the meso level. Such policies will not be targeted at individual behavioral change (micro policies); nor at the economy or the whole society (macro policies). They will be targeted at achieving certain patterns of interaction between a large group of people. Individual may and will move in and out of these patterns, just like individual water molecules move in and out of clouds; but this does not much affect the behavior of the cloud.

Operating at the meso level – running an online community of innovators, for example – entails managing a paradox. Structuring interaction among participants as a network of relationships, of which participants themselves are the nodes, can result in extremely effective and rewarding participation, because – under certain circumstances – each participant is exposed to information that is relevant to them, while not having to browse all the information the community knows. This results in a very high signal to noise ratio from the point of view of the participants; they often report experiences of greatly enhanced serendipity, as they seem to stumble into useful information that they did not know they were looking for and was sent their way by other participants.

This extraordinary efficiency cannot be planned a priori by community managers, who – after all – do not and cannot know what each individual participant knows and what she wants to know. The desirable properties of networks as information sharing tools arise from the link structure being emergent from the community’s endogenous social dynamics. The paradox stems from the fact that endogenous social dynamics can and often do steer online communities away from its goals and onto idle chitchat or “hanging out”, that seems to be the default attractor for large online networks. So, managers of communities of innovators need to let endogenous dynamics create a link structure to transport information efficiently across the network while ensuring that the community does not lose its focus on helping members to do what they participate in it to do.

Building Dragon Trainer: a case study

With this in mind, I joined forces with emergence theorists, network scientists and developers to build the prototype of Dragon Trainer, an online community management augmentation tool. It models an online community as a network of relationships, and uses network analysis as its main tool for drawing inferences about what goes on in the community. Generally speaking community managers build knowledge of their communities by spending a lot of time participating rather than using formal analysis; and they act on the basis of that knowledge by resorting to a repertoire of steering techniques learned by trial and error. The error component in trial-and-error is usually fairly large, because by construction there is no top-down control in online communities; the community manager can only attempt to direct emergent social dynamics towards the result that she sees as desirable. Control over the software does give her top-down control in the trivial case of prohibition: by disabling access, or comments, she can always dampen activity directly. What she cannot do without directing emergence is enhancing activity – which is what online communities of innovators are for.

DT aims at augmenting this approach in two ways. Firstly, it allows the community manager to enrich the “local” knowledge she acquires by simply spending time interacting with the community. Such knowledge is extremely rich and fairly accurate for small communities, but it does not scale well as the network grows. Network analysis, on the other hand, scales well: computing network metrics on large networks is conceptually not harder than doing it on small ones, though it can get computationally more intensive. In an ideal situation, a community manager might start to use DT when her network is still small and she has a good informal understanding of what goes on therein simply by participating in it; she could then build a repertoire of recipes. We define recipes as formalisms that map from changes in the mathematical characteristics of the network to social phenomena in the community represented by that network. Recipes of this kind enhance the community manager’s diagnostic abilities, and take the form:

Network metric A is a signature of social phenomenon B.

As she tries out different management techniques to yield her desired results, she would then proceed to build more recipes, this time mapping from management techniques to their outcomes – the latter being also be measured in terms of changes in the metrics of the network representing the community. Recipes of this kind enhance the community manager’s policy making, and take the form:

To get to social outcome C, try doing D. Success or failure would show up in network metric E.

She then might be able to lean on repertoires of recipes of both kinds to run the network as it gets larger, because the software does not lose its ability to monitor those changes. These repertoires of correspondences are going to be built by integrating inputs from two different sources. The first one is theoretical: the systemic theory of emergence in the social world that some of my colleagues are engaged in developing. The second one is practical: the firsthand experience of community managers, myself included. Once built, the two repertoires would make up DT’s knowledge base, its computational intelligence core.

What follows is an account of a concrete case in which network science helped formulate a policy goal, the completion of which could then be monitored through, again, network analysis. It is only a small example, but we believe directed emergence is at work in it. And if emergence can really be directed then yes, in principle public policies can happen in the mesolevel and become closer to Wikipedia.

Context

In March 2009 I was the director of an online community called Kublai, a project of the Italian Ministry of Economic Development. People use Kublai to develop business plans for creative industries projects or companies. At the time it was about 10 months old; we had about 600 registered members working on 80 projects. I directed a small team that did its best to encourage people to try and think out new things, and to help each other to do so. Most creatives find it hard to achieve critical distance from their pet ideas, and an external, disenchanted eye might help them become aware of weaknesses or untapped sources of strength. Even simple questions like “why do we need your project?” or “how do I know this is better than the competition?” can help.

These conversations happen online, in the context of a small, dedicated social network that used the Ning software-as-service platform. We customized Ning’s translation to change the names of the “groups” functionality into “projects”: the object in the database was still the same, but rhetorically we were encouraging people to come together to collaborate to a project’s business plan. Ning groups lent themselves well to the task, because each sports (1) a project wall for comments; (2) a forum for threaded discussion; (3) group-wide broadcast message functionalities at the disposal of the group creator. In March 2009 the largets projects/groups in Kublai had about 60/70 members.

Ruggero Rossi, like me, is passionate about self-organizing behavior in the social world. When he proposed to do his thesis by running a network analysis of the Kublai social graph, I supported him in every way I could. The thesis was supervised by David Lane, a complexity economist I admire, which was an added bonus.

March 2009: diagnosis

The first problem was to specify our network. We decided nodes would correspond to people: each user is a node. The links could be several things, since there are several types of relationships between members of a Ning social network: relationships might be created by adding someone as a friend, leaving a comment on her wall, sending her a message, joining the same group/project etcetera. We decided to focus on collaboration in writing business plans, which is Kublai’s core business; we also decided that, in the context of Kublai, only writing in the context of a group/project counts as collaboration.

So we defined the link as follows: Alice is connected to Bob if they both have posted a comment on the same project. This is a somewhat bold assumption, because positing some kind of communication between the two implies that everybody who ever posted anything within a project reads absolutely everything that is posted in that project. I thought that was reasonable in the context of Kublai, also given the short time frame in which the comments had been piling up. This implies a bidirectional relationship: in network parlance, the graph is called undirected, and its links are called edges. The edges are weighted: the edge connecting Alice to Bob has an intensity, or weight, equal to the number of comments posted by Alice on the project times the number of comments posted by Bob on the same project. If they collaborate on more than one project, we simply add the weight of the link created across all projects on which they are both posting comments.

Eventually Ruggero crunched the data and showed me his results, that boil down to this:

• all active (posting) members of Kublai were connected in a giant component: there was no “island”.
• a kernel of people who were highly connected to each other acted as Kublai’s hub, connecting each participant to everybody else in the network. All of the paid team members were part of this kernel: no surprise here. More surprisingly, many non-team members were also part of the kernel. So many, in fact, that if you removed all of the team members from the graph it would still not break down; everybody would still be connected to everybody else.

Summer-fall 2009: policy

This was an epiphany for me. I discussed these results with the team, and our interpretation was this: a core of dedicated community members was forming that was buying into Kublai’s peering ethics. They took time off developing their own projects to help others with theirs. This was a very good thing, in two ways.

1. it implied efficiency. With more people participating in more than one project, Kublai could do a better job of transporting information from one project to another, and that is the whole point of the exercise. Alice is stuck with her project on some issue, and it turns out that Charlie, somewhere else in the network, has run into the same problem before. Alice does not know this, but she does collaborate with Bob, and Bob is a collaborator on Charlie’s project. So Bob can point Alice to what Charlie already did: Alice needs not walk Charlie’s learning curve all over again.
2. it implied resilience. If enough people do this, we thought, maybe the Ministry can turn Kublai over to the community, which will keep running it at little or no cost to the taxpayer. This would have created a public good out of thin air. Not bad!

So, we decided to encourage this self-organizing feature. How to do it? A way to go about it was to encourage especially people who were developing projects (progettisti) to interact more. What could bring them together? Purely social stuff like football or celebrities discussion groups were not even considered: they would mar the informal, yet hardworking atmosphere of Kublai. According to my readings on the early days of online communities, something that any community loves to do is discussing itself. So, we thought we would turn over some of the control over the rules of Kublai to the community, and we would put a significant effort in it. We created a special group in Kublai, the only one that was not a project at that point, and called it “Club dei Progettisti”. Joining was unrestricted; also, we actively invited everybody in the kernel and everybody who had started a project up to that point. We did things like coordinate to welcome newcomers and discuss the renovation of the Second Life island we used for synchronous meetings. The atmosphere was that of the inner circle, the “tribe elders” of our community. This went on from about May to the end of 2009.

December 2009: policy assessment

Was the policy working? It was hard to say. The Club dei Progettisti grew to be by far the largest and most active in Kublai, but that does not mean that people interacting more in that context would then go on to collaborate on business plans in the context of individual projects, that was our real goal. It did feel like we had a vibrant community going – but not all the time. And then vibrant with respect to what? And how does vibrancy translate into effectiveness? We spent a lot of time online, and sailed by instinct. Instinct checked green, but let’s face it – after one thousand users and 150 projects it was hard not to lose the overview.

With another round of network analysis I would have been able to have a stab at policy assessment. In network terms, I wanted the kernel to be bigger: more people not from the Kublai team, collaborating across more projects, would facilitate the information flow across projects and improve efficiency. But Ruggero had finished his thesis, and the administrative structure running Kublai was at this point so rigid that contracting him was next to impossible.

Only recently, two years later, did I get the chance to crunch an export of the Kublai database. We at the Dragon Trainer group extracted a snapshot of Kublai at March 23rd 2009 (the same day Ruggero scraped it for his thesis) and one at December 31st 2009.

In these two images the nodes, representing members of the Kublai community, have been color coded according to a measure called betweenness centrality, indicating how often the node is in the shortest paths connecting other nodes (it is often interpreted as an indicator of brokerage efficacy). Yellow nodes are the least central and blue nodes the most central, with orange ones in an intermediate position; nodes representing the Kublai team employees (typically very central) have been dropped from the graph altogether. In March 2009, a handful of community members, less than ten, collaborated on several projects on a regular basis – and, as a result, did most of the brokerage of information across the network. In December, however, their number had about doubled, despite the fact that attaining orange or blue “status” required a lot more work (the most central node in the March network has betweenness centrality 1791, the one in the December network 7740). At the end of the year, Kublai’s kernel was both larger and more connected than it had been in March. This growth is an emergent social dynamics: there is no top-down control in these graphs, anybody I could tell “go form a link with X” has been dropped from the dataset. But this emergence is somehow directed: we wanted to get to a social arrangement whose graph looks like this.

You can see how powerful this thing is. We can already say something just by looking at the graph; we have not even started to crunch the numbers, let alone do more sophisticated things. We could (and we will) compute and compare measures of network centralization; respecify the network in many different ways, allowing for link impermanence (if Alice and Bob are linked but don’t keep interacting, after a while the edge fades out), bipartite networks (what about a people-project graph?) directed graphs (links representing monodirectional help rather than bidirectional collaboration: if Alice posts on Bob’s project, she is helping him, but Bob might not reciprocate); and play with the data in as many ways as we can think of.

We keep working on this, and we will continue to share our results and our thoughts. If you want to be a part of this effort, you can, and are absolutely welcome. Everything we do (the data, the code, the papers, even the mailing list) is open source and reusable. Download what takes your fancy and let us know what you are doing. We are looking forward to learning from you.

• Download the raw data (database dump, anonymized).
• Download and improvethe code to export the data into file formats supported by the main network analysis software.
• Download the exported data if you would like to jump right into the network analysis. .net files (Pajek projects) are importable also in Gephi and Tulip.
• join our mailing list if you want to be involved in our discussion. Everyone welcome, no technical background is required. We are online community managers mathematicians, coders, public policy practictioners, committed to being interdisciplinary and therefore to going out of our way to make anyone feel welcome.

La prossima settimana sarò a Venezia. Lunedì 23, insieme a Luigi Di Prinzio, Silvia Rebeschini e gli amici della Scuola di dottorato Nuove tecnologie dell’informazione territorio-ambiente, faremo il punto sulle frontiere delle politiche pubbliche collaborative al tempo della crisi. A quasi un anno mezzo dalla pubblicazione di Wikicrazia, queste frontiere sono in rapido movimento, e ha molto senso fermarsi un momento per aggiornarne le mappe. Info pratiche qui.

Il seminario è ovviamente collaborativo. Se avete delle esperienze di politiche pubbliche collaborative e volete condividerle (in un formato sintetico, per stimolare la discussione) scrivete a Silvia: srebeschini[chiocciola]gmail[punto]com.

Martedì e mercoledì mi fermo in laguna. Sarò ospite dell’European Center for Living Technology per l’incontro di inizio del progetto MD – Emergence by Design, nell’ambito del quale dirigerò lo sviluppo di un software per assistere i managers di comunità online (nome in codice: Dragon Trainer). L’incontro dell’ECLT non è aperto al pubblico, ma se ti interessa questa roba prova a scrivermi e vedo se riesco a farti entrare.

Una bella notizia: un progetto di ricerca che ho contribuito a scrivere è stato approvato per un finanziamento nell’ambito del programma Future and Emerging Technologies della Commissione Europea. Il progetto è guidato da uno degli scienziati che ammiro di più, David Lane, e si inserisce fortemente nella tradizione di scienze della complessità associata al Santa Fe Institute. Intendiamo attaccare un problema molto grande e molto fondamentale: l’innovazione è fuori controllo. L’umanità inventa per risolvere problemi, ma finisce per crearne di nuovi: l’automobile migliora la mobilità, ma comporta riscaldamento globale e l’isolamento dello stile di vita suburbano; l’agroindustria hi-tech attenua la scarsità di cibo, ma partorisce l’epidemia dell’obesità. Dice uno dei nostri documenti di lavoro:

While newly invented artifacts are designed, innovation as a process is emergent. It happens in the context of ongoing interaction between agents that attribute new meanings to existing things and highlight new needs to be satisfied by new things. This process displays a positive feedback [...] and is clearly not controlled by any one agent or restricted set of agents. As a consequence, the history of innovation is ripe with stories of completely unexpected turns. Some of these turns are toxic for humanity: phenomena like global warming or the obesity epidemics can be directly traced back to innovative activities. We try to address these phenomena by innovation, but we can’t control for more unintended consequences, perhaps even more lethal, stemming from this new innovation.

Noi vogliamo (1) costruire una teoria solida che colleghi progettazione e emergenza nell’innovazione e (2) usarla per costruire strumenti che la società civile possa usare per prevenire le conseguenze negative del progresso tecnico. Una cosa da niente! E infatti la valutazione del progetto è stellare: 4,5 su 5 per l’eccellenza tecnica e scientifica, e 5 su 5 per l’impatto sociale.

Il progetto contiene la realizzazione di Dragon Trainer, un software che dovrebbe aiutare i responsabili di comunità online ad “ammaestrarle” come si ammaestrerebbe un animale molto grande e forte (un drago, appunto), che non si può costringere con la forza ma solo influenzare. Il responsabile della creazione di Dragon Trainer sono io, ed è una bella responsabilità.

Sono molto contento, ma anche preoccupato. Ci sono fondi pubblici di ricerca, e quindi è ancora più importante produrre il miglior risultato che siamo in grado di portare a casa. Dovrò studiare come un dannato. Sto pensando seriamente di dedicarmi alla ricerca a tempo pieno per un paio d’anni a partire dal 2012. Che ne dite, faccio bene?

Nel mio libro Wikicrazia sostengo che il settore pubblico, il pezzo della società deputato al perseguimento dell’interesse comune, possa essere reso più intelligente mobilitando l’intelligenza collettiva dei cittadini. Ricorrere all’intelligenza collettiva vuole dire abilitare un gran numero di individui a lavorare in modo coordinato su obiettivi comuni. Questo in genere si traduce in comunità online, che usano Internet come infrastruttura tecnologica e in cui si interagisce sulla base di un patto sociale e di qualcuno che media i conflitti e fa in modo che non si perda di vista l’obiettivo.

Qui però si pone un problema. Da una parte, le comunità online non si possono gestire con il comando top-down: è proprio l’azione libera delle tante persone che le compongono a produrre la loro straordinaria efficienza nell’elaborare grandi quantità di informazione. Dall’altra, le politiche pubbliche hanno per definizione una missione da compiere che viene dall’esterno della comunità che le attua: mentre gli utenti di Facebook sono su Facebook per stare insieme, e non importa quello che poi faranno usando quella piattaforma, quelli di Peer to Patent sono lì per valutare domande di brevetto; quelli di Kublai per elaborare progetti di impresa creativa; quelli di Wikipedia (non è una politica pubblica, ma ne ha alcune caratteristiche) per scrivere un enciclopedia. I community managers, me compreso, si dibattono in questo dilemma come possono: quasi l’unico modo che hanno per interpretare le dinamiche sociali delle loro comunità è passare una quantità spropositata di ore online, e cercano di influenzarle con la persuasione, l’esempio, la retorica. Ma si lavora molto a istinto, questo è chiaro. E quando le comunità diventano relativamente grandi — anche solo qualche migliaio di persone – è davvero difficile capire cosa sta succedendo.

Ho pensato che il nostro lavoro migliorerebbe molto se avessimo un software che accresce le nostre capacità di lettura delle dinamiche sociali online. In essenza, una comunità di policy è una rete sociale, e quindi può essere rappresentata con un grafo di nodi e link e studiata matematicamente. Le dinamiche sociali della comunità si dovrebbero riflettere sulle caratteristiche matematiche del grafo che la rappresenta: per esempio, la creazione di un gruppo coeso di utenti senior in Kublai nel 2009 veniva segnalata dalla formazione di una struttura che si chiama k-core. Se riusciamo a costruire una specie di vocabolario che traduca le dinamiche sociali in cambiamenti nelle caratteristiche matematiche del grafo, possiamo usare l’analisi di rete per individuare le dinamiche di comunità che a occhio nudo non si vedono, perché sono “troppo macro”: e questo funziona anche per comunità molto grandi, almeno in linea di principio.

Sviluppare questo software sarà il lavoro della mia tesi di Ph.D. Mi aiuteranno i colleghi dell’Università di Alicante e dell’European Center for Living Technology. Per ora si chiama Dragon Trainer, perché gestire una comunità online che deve svolgere un compito esogeno è come ammaestrare un drago: che è troppo grosso e pericoloso per essere costretto a fare quello che vuoi, e quindi va sedotto o convinto. Se ti interessa capire come sarà fatto, guarda il video qui sopra (12 minuti).

Faccio parte di un gruppo di lavoro al Consiglio d’Europa che si occupa di “Quality job creation through social links and social innovation” (l’espressione “social innovation” è un’aggiunta recente al nome del gruppo; di questa aggiunta credo di essere in parte responsabile). Uno dei problemi che ci stiamo ponendo è questo: stante che esiste un gruppo di persone interessanti, che chiamano se stessi innovatori sociali; stante che queste persone sembrano avere un potenziale per migliorare la società che abitano; stante che sembra si tratti di soggetti di nuovo tipo – che, quindi, richiedono politiche pubbliche di nuovo tipo, diverse da quelle per le imprese e per il mondo del non profit; stante tutto questo, ne consegue che alle autorità pubbliche si richiede di fare cose nuove, forse anche radicalmente nuove. Bene. Ma come imparano le istituzioni?

Mi sembra una domanda importante. Ho lavorato a progetti pilota pubblici apprezzati come innovativi (Kublai o Visioni Urbane, per esempio); la sfida che attende questi progetti è la trasformazione in metodi che fanno parte del normale arsenale con cui le autorità che li hanno varati affrontano il mondo. Con il sostegno del Consiglio d’Europa ho potuto affrontare il problema in modo strutturato. La mia conclusione provvisoria è che il modello prevalente di apprendimento per le autorità pubbliche è razionale-weberiano e completamente sbagliato. Funziona così:

• Un problema nuovo viene avvertito dalla pubblica opinione
• Politici in concorrenza tra loro per i voti degli elettori lo incorporano nelle loro piattaforme elettorali, insieme alle soluzioni che propongono
• Una volta eletti, i rappresentanti del popolo legiferano in conseguenza delle loro piattaforme elettorali
• La nuova legge si trasforma, in modo lineare, in policy, cioè in azione da parte del governo

Questo modello è elegante ma inutilizzabile. Richiederebbe (1) che politiche alternative (per esempio: carbone pulito vs. rinnovabile vs. nucleare per la politica energetica) potessero venire discusse in profondità e in modo razionale già nelle campagne elettorali; (2) che l’elettorato avesse modi efficaci di vincolare gli eletti alle loro promesse elettorali; (3) che la conversione di una legge in policy fosse “lineare” e non richiedesse interpretazione da parte dell’esecutivo; e (4) che le politiche fossero una strada a senso unico, cioè un fenomeno che influenza la società ma non ne viene a sua volta influenzato. Nessuno di questi requisiti è soddisfatto, nemmeno lontanamente.

E allora? Allora ha più senso abbandonare Weber e la metafora del meccanismo come strumento per capire l’azione di governo, e abbracciare invece, quella dell’ecosistema. Propongo di considerare le autorità pubbliche come sistemi adattivi complessi che coevolvono con la società e l’economia. Insegnare loro ad avere a che fare con l’innovazione sociale – o qualunque cosa nuova, al di fuori della loro esperienza – significa cercare di aiutarle a pensare gli agenti economici e sociali come mossi dalle forze dell’evoluzione, che naturalmente premiano il più adatto. La policy, in questo contesto, diventa l’atto di strutturare un fitness landscape che porti gli agenti ad incamminarsi verso il risultato auspicato. Invece di preterminare i propri esiti top-down, essa abilita e incentiva gli agenti a fornirle input. Questo ha precise conseguenze sulla progettazione dell’azione di governo in pratica. Una di queste è che un’architettura costituzionale che abilita l’apprendimento dal basso (come la Common law) è intrinsecamente superiore a una che non lo fa.

Se ti interessa l’argomento puoi leggere il paper (in inglese): il Consiglio d’Europa mi ha autorizzato a condividerlo. Grazie a Gilda Farrell e Fabio Ragonese per la gentile concessione.

Secondo David Lane, a volte siamo chiamati a prendere decisioni in condizioni che lui chiama di incertezza ontologica. Si ha incertezza ontologica quando non si è assolutamente di grado di fare un quadro esaustivo della situazione, e di arrivare a rappresentarsi la gamma delle scelte possibili e delle loro conseguenze per noi. In un articolo famoso, ci invita a considerare la situazione di un diplomatico bosniaco all’inizio del settembre 1995, che tenta di fermare il massacro che sta avvenendo nel suo paese.

È molto difficile decidere chi sono gli amici e chi i nemici. Prima combatte contro i croati, poi al loro fianco. Il suo esercito affronta un esercito composto da serbi bosniaci, ma suo cugino e altri musulmani dissidenti combattono al fianco di quest’ultimo. Cosa puà aspettarsi dalle forze di sicurezza dell’ONU, dai bombardieri NATO, dai politici occidentali, da Belgrado e Zagabria, da Mosca? Chi sono gli attori importanti, e cosa vogliono? Su chi può contare, e per cosa? Non lo sa – e quando crede di saperlo, la situazione cambia di nuovo.

Come decidere in queste situazioni? Risposta: raccontandosi storie. Gli umani sono bravi con le storie: se ti riconosci nell’eroe di una storia, sarà lui a ispirare le tue azioni, proprio come Don Chisciotte cambia la sua vita per rimodellarla sui modelli dell’epica cavalleresca medievale.

L’innovazione accade spesso in condizioni di incertezza ontologica. Si può avere un obiettivo in termini di produzione di un artefatto, ma il sistema di mercato – che dipende dall’uso che le persone decideranno di fare di quell’artefatto – è sempre emergente. La stampa a caratteri mobili è stata un progetto di ricerca e sviluppo, ma Gutenberg non aveva certo previsto l’umanesimo e il mercato dei libri tascabili di Aldo Manuzio; Henry Ford ha razionalizzato la produzione dell’automobile, ma non poteva prevedere i quartieri dormitorio per pendolari che la civiltà dell’automobile ha reso possibile. Realizzare e portare al mercato un’innovazione significa agire in un contesto mutevole, come quello in cui si muove il diplomatico bosniaco dell’esempio. E per farlo occorre raccontarsi storie.

Nadia El-Imam ha avuto l’idea di aiutare le persone a raccontare storie su se stessi e il loro rapporto con la tecnologia e l’innovazione usando degli speciali tarocchi da lei inventati (invece che la Torre e la Papessa, rappresentano il Server, il Programmatore, l’Interfaccia e così via). Vestita da cartomante zingara, si è offerta di leggere il futuro dei geeks che affollavano il Drumbeat, evento organizzato a Barcellona da Mozilla Foundation. Il risultato è stato un successo straordinario, con le persone in coda ad aspettare il loro turno di interrogare le carte. Tra di loro, l’imprenditore e venture capitalist Joi Ito (che si vede nel video). Attraverso l’interrogazione delle carte, gli innovatori riprendono il filo di ciò che stanno facendo e cercano una via per proseguire il loro viaggio.

A loro modo, i “tarocchi tecnologici” di Nadia sono una piattaforma, utilizzabile come strumento di ricerca etnografico, veicolo per il counseling aziendale e chissà quante altre cose. Sono curioso di vedere come evolve.

Ho iniziato il 2010 con il proposito di studiare l’economia della complessità. Nel mio lavoro di consulente sulle politiche pubbliche mi trovo a dovere risolvere problemi che l’economia che ho studiato all’università non riesce neppure a descrivere, non parliamo poi di risolverli. L’approccio delle scienze della complessità – un curioso miscuglio molto interdisciplinare di biologia, informatica, un po’ di neuroscienze e vari altri ingredienti minori, dalla statistica all’archeologia, con la matematica a tenere insieme il tutto – potrebbe avere qualche risposta.

Beh, pare proprio che avrò parecchie occasioni di studiare queste cose. A partire dall’anno accademico 2010-2011 sono infatti uno studente di dottorato in economia quantitativa all’università spagnola di Alicante. Il mio supervisore sarà David Lane, che fa parte dello Science Board del leggendario Istituto di Santa Fe, e se tutto va bene discuterò la tesi nell’autunno 2012. L’argomento della tesi è piuttosto pratico: voglio capire come usare le reti sociali per eseguire dei compiti. Le reti, non le persone che le compongono.

Il problema è molto più aggrovigliato di quanto sembra. Abbiamo sempre detto che le dinamiche sociali sono emergenti. La maggior parte degli oggetti interessanti nella società, dal sistema di Common Law alle culture e perfino alla criminalità organizzata, sono sistemi adattivi complessi, e il loro comportamento è imprevedibile a lungo termine. Non è questione di raffinare i modelli previsionali: secondo questo tipo di scienza, è imprevedibile in linea di principio.

D’altra parte io ho teorizzato (in Wikicrazia) e provato a mettere in pratica (in Kublai e altrove) l’idea di imbrigliare l’intelligenza collettiva per migliorare le politiche pubbliche e, in definitiva, il mondo in cui viviamo. Come conciliare l’imprevedibilità delle reti sociali con la direzionalità che le politiche pubbliche richiedono? Vorrei esplorare l’idea che sia possibile, attraverso scelte di progettazione e la somministrazione di stimoli adeguati, addestrare le reti sociali, come se fossero dei grandi animali; e sfruttare la loro capacità di elaborare l’informazione, che è molto più che umana, per fare vivere meglio gli umani. Questo vuol dire innanzitutto comprenderne la struttura matematica, e cercare di influenzarla; è quello che abbiamo cominciato a fare insieme a Ruggero Rossi, anche lui studente ad Alicante. Comunque sia, ritorno a scuola: a 44 anni, è davvero un lusso e un avventura meravigliosa. Grazie davvero a Giovanni Ponti, il direttore del programma di dottorato, per avermi conferito di nuovo il titolo accademico più importante e prestigioso: quello di studente.

Qualche giorno fa stavo facendo lezione a una classe di giovani creativi. Una parte di essa era dedicata all’uso di Kublai come piattaforma per sviluppare le loro idee in progetti veri e propri. Ho pensato che l’esperienza sarebbe stata più divertente se gli studenti avessero avuto qualche segnale immediato dalla comunità, e ho cominciato a contattare gente che vedevo online su Skype e a chiedere loro di passare da Kublai per conoscere i nuovi arrivati. Qualcuno l’ha fatto; e man mano che gli studenti (circa 15) cominciavano a interagire con i progetti di Kublai, l’attività è stata notata alcuni altri, che sono a loro volta arrivati a dire la loro.

Quando il numero di utenti che stavano usando Kublai simultaneamente ha raggiunto i 15-20, ho avuto la sensazione quasi fisica che l’esperienza cambiasse completamente. Qualunque cosa facessimo localmente (in classe) compariva nel feed attività recenti, e gli utenti in tutta Italia reagivano. E’ stato moto divertente, per gli studenti e anche per me.

Mi sono venute in mente le transizioni di fase (un termine di fisica che denota ciò che accade alla materia quando cambia il suo stato, da solido a liquido a gassoso o vicerversa). Kublai sembrava un ghiacciaio: in precedenza si era mosso rimanendo allo stato solido, trascinato dalla gravità e segnando il paesaggio con una morena, ma ora si stava sciogliendo, e si muoveva molto più velocemente. Questo pone una domanda affascinante: è lo stesso processo che accade a una velocità maggiore o la velocità maggiore implica un processo diverso? Nell’esempio del ghiacciaio che si scioglie, la transizione da ghiaccio a acqua genera un torrente, che è molto diverso da una morena accelerata. A intuito, direi che questo si applica anche a Kublai: più in specifico, farei l’ipotesi che la Kublai “liquida” concentra maggiormente i commenti su una proporzione più piccola di progetti molto attivi rispetto alla Kublai “solida”… ma tutto ciò è molto lontano da una conclusione fondata.

Nelle scienze della complessità la materia alla soglia della transizione di fase ha proprietà interessanti, e viene detta trovarsi al bordo del caos. Quindi Ruggero e io ci siamo intrigati, e abbiamo discusso di modi per studiare questo fenomeno con la matematica dei grafi. Nel frattempo ho reclutato alcuni dei membri più attivi della community per fare un esperimento nell’uso di Kublai come piattaforma semi-sincrona: consiste nel darsi appuntamento per fare una “jam progettuale”, cercando di avere 20-30 persone che postano contemporaneamente, e vedere cosa succede. Ci sarà una transizione di fase? La sentiranno gli altri kublaiani come l’ho sentita io? Posterò i progressi -se ne faremo – qui sul blog man mano che la riflessione va avanti.

Volevo e voglio viaggiare di meno, ma l’occasione vale l’eccezione. Eccomi a Torino per seguire il corso di David Lane su quella che lui chiama “innovazione nello spazio agenti-artefatti”. David, non ho difficoltà ad ammetterlo, è uno dei miei eroi. Tanto per dirne una, è stato fin dall’inizio nel programma sull’economia dell’Istituto di Santa Fe, la culla della scienza della complessità e dell’approccio interdisciplinare: anzi, ne è stato uno dei direttori, sostituendo nientemeno che Brian Arthur. Ascoltare una lezione di David è come andare su un otto volante disegnato da un genio sadico: passa con disivoltura dalla modellizzazione del comportamento delle formiche in un formicaio ai metodi di costruzione degli utensili in selce nel neolitico. Io mi aggrappo disperatamente e cerco di non essere sbalzato fuori, e di seguire la lezione fino alla fine.

Sono convinto che l’approccio complexity allo studio dell’economia abbia davvero qualcosa da dire. E’ agilissimo, perché sfrutta strategie di indagine e di modellizzazione prese dalla biologia, dalla fisica, dall’informatica, dalla matematica delle reti, dall’etnografia; e molto rigoroso, perché i suoi campioni tendono ad essere più bravi con la matematica degli economisti tradizionali (che pure sono molto bravi). E studio, nella speranza di capire meglio i fenomeni di emergenza che vedo svolgersi davanti ai miei occhi – l’ultimo, di questi giorni, è l’autoorganizzazione del programma del Kublai Camp 2010. Qualcosa resterà.

Nella seconda metà degli anni 80 mi sono interessato per un po’ di computer graphics, e mi sono imbattuto in Symbolics, uno spinoff del MIT AI Lab che si occupava tra l’altro di visualizzazione avanzata. Questo video, presentato da Symbolics a SIGGRAPH 1987, mi colpì moltissimo: come facevano a fare muovere uno stormo di uccelli in un modo così naturale? Al tempo sembrava stregoneria, e io del resto ero uno studente di economia della provincia italiana, senza nessuna possibilità di capire il lavoro dei maghi del computer del MIT; quindi ho accantonato la domanda. Fino a che, nel 2009, mi è capitato di leggere un libro del 1992,  Complexity di Mitchell Waldrop, che ha la risposta alla mia domanda di 22 anni prima. Ogni uccello dello stormo (o pesce del banco), segue tre semplici regole di comportamento:

1. Prova a mantenere una distanza minima dagli altri oggetti dell’ambiente, inclusi gli altri uccelli/pesci (Craig Reynolds a Symbolics li chiamava “boids”).
2. Prova ad adeguare la propria velocità a quella degli altri uccelli/pesci nelle vicinanze.
3. Prova a spostarsi verso il centro di gravità degli altri uccelli/pesci nelle vicinanze.

La naturalezza dei movimenti dello stormo è emergente. Per quanto ne sa il programma, non c’è nessuna entità chiamata stormo: sta animando dei singoli boids. Semplici regole di interazione locale tra di essi producono un comportamento collettivo elegante ed efficace.

Aspetta un attimo. Questo non è poi così diverso da quello che succede in Kublai. Esempio: volevamo che la community salutasse i nuovi iscritti. Naturalmente non è una cosa che si possa fare per decreto. Quindi abbiamo fatto così: Walter e io, che siamo amici e anche membri molto attivi della community, abbiamo creato un Welcome Group e abbiamo iniziato a farlo. Questo ha generato un movimento che può ricordare il volo di un (piccolo) stormo: i nostri “vicini di rete”, o almeno alcuni di essi, si sono a loro volta iscritti al gruppo e hanno iniziato anch’essi a dare il benvenuto ai nuovi entrati. In breve tempo hanno sviluppato un modo più efficace di tenere nota di chi stava facendo cosa (dopo un po’ di tentativi-ed-errori Pico ha proposto un widget che va bene per tutti), e i loro vicini di rete hanno cominciato a imitarli… iniziatori compresi!

Le communities sono, per definizione, impossibili da controllare; ma certamente è possibile influenzarle. Questa affermazione è abbastanza ovvia, molti di noi ne hanno fatto esperienza. Questa intuizione di volare a stormi, se confermata dall’analisi, potrebbe portare allo sviluppo di tecniche per influenzare i social network (non solo sicuro che “gestire” sia una parola appropriata) basate sulla costruzione di “isole” di interazione locale in cui certe regole sono accettate, e da cui poi queste regole si propagano attraverso le connessioni della rete stessa. Naturalmente la localizzazione di queste isole è importante: in Kublai Walter e io siamo le persone di gran lunga più centrali negli autovettori, secondo Ruggero.

Mi chiedo se questo meccanismo possa aiutarci a capire perché la gente sembri “troppo collaborativa” sui social networks e perché, di converso, i comportamenti opportunistici siano molto meno diffusi di quanto si possa pensare “da fuori” (e infatti “da fuori” la rete sembra un luogo pericoloso ai vari D’Alia, Carlucci, Rossi et cetera). La cooperazione è una proprietà emergente delle reti, anziché una intrinseca delle persone?