I margini come sensori: sciogliere il dilemma di Collingridge attraverso l’innovazione sociale partecipata

In una serie di contributi precedenti ho introdotto il Dilemma di Collingridge — l’impossibilità strutturale di governare l’innovazione tecnologica, poiché ne comprendiamo gli impatti solo quando è ormai troppo tardi per modificarne la traiettoria[1] — e le sue implicazioni per la Pubblica Amministrazione e la società nel suo complesso. Ho messo in evidenza il paradosso di un’IA che incarna e al contempo potrebbe risolvere il dilemma che essa stessa genera[2], e sottolineato come il pensiero binario impedisca di cogliere la complessità delle trasformazioni in atto[3]. Infine, concentrandomi sulle competenze, ho delineato il profilo degli “architetti del possibile”[4], figure capaci di navigare l’incertezza attraverso l’immaginazione e il problem solving creativo[5].

Ora è il momento di affrontare la domanda fondamentale che quei contributi lasciavano aperta: come si scioglie concretamente il Dilemma di Collingridge?

La posta in gioco è altissima. Se non si individua una soluzione strutturale a questo dilemma, il rischio di esclusione sociale diventa sistemico. Oggi è impossibile parlare di innovazione tecnologica senza parlare di Intelligenza Artificiale, e l’IA che si sviluppa in assenza di un orientamento inclusivo fin dal principio non è mai neutrale: finisce inesorabilmente per amplificare le disuguaglianze preesistenti tra territori, generazioni e gruppi sociali. L’Intelligenza Artificiale, se lasciata a dinamiche di sviluppo non governate, rischia di trasformarsi in un formidabile acceleratore di asimmetrie.

La tesi è che la soluzione al dilemma non risiede in una maggiore capacità predittiva del centro, ma in un radicale ribaltamento epistemico: i margini — territori periferici, comunità vulnerabili, gruppi sociali esclusi — non sono il problema da risolvere, ma lo strumento per risolverlo. Coinvolgerli non è un atto di giustizia aggiuntivo, ma la condizione necessaria per generare la conoscenza anticipatoria che il centro, per sua natura, non è in grado di produrre.

La via d’uscita da questa trappola sistemica richiede un cambio di paradigma nella gestione dell’innovazione, orientandola verso obiettivi di equità e benessere prima che i suoi impatti negativi diventino irreversibili. La risposta istituzionale a questa sfida risiede nel modello della governance anticipatoria[6]. Non si tratta di un esercizio di divinazione, bensì della costruzione di istituzioni e processi capaci di intercettare il cambiamento quando si trova ancora in una fase embrionale. Lo strumento principale di questa governance è l’analisi dei cosiddetti “segnali deboli” (weak signals).

Il concetto di segnale debole è stato introdotto nel management strategico da Igor Ansoff nel 1975[7]. Un segnale debole rappresenta la prima, impercettibile avvisaglia di un cambiamento imminente. Si tratta di un’informazione frammentaria, ambigua, spesso confusa con il “rumore di fondo” del sistema. Non costituisce un trend consolidato e misurabile, ma piuttosto un’anomalia, un comportamento emergente, una soluzione non convenzionale a un problema locale.

Come evidenziato da un recente studio del Sitra, il fondo finlandese per l’innovazione, i segnali deboli costituiscono il carburante dell’innovazione: essi permettono di identificare sfide emergenti, immaginare futuri alternativi e sfidare le assunzioni consolidate su ciò che viene considerato “normale”[8]. La ricerca sulla governance anticipatoria conferma che integrare i segnali deboli nei framework di foresight strategico aiuta a rivelare dinamiche nascoste e a supportare risposte più proattive: la governance anticipatoria si rafforza istituzionalizzando una scansione continua di segnali da fonti multiple e diversificate[9]. Tuttavia, per cogliere e interpretare questi segnali è necessario sviluppare un pensiero non-lineare e una spiccata capacità di problem solving creativo, competenze che permettono di guardare oltre le metriche tradizionali di crescita e ottimizzazione.

A questo punto, sorge un interrogativo cruciale per l’efficacia della governance anticipatoria: chi possiede la reale capacità di rilevare questi segnali deboli?

Se la ricerca dei segnali deboli si concentra esclusivamente sul centro del sistema — i grandi hub tecnologici, i centri decisionali, le istituzioni consolidate — l’esito sarà inevitabilmente fallimentare. Questo assunto ci porta al cuore del ragionamento, imponendo un ribaltamento radicale nel modo in cui concepiamo l’inclusione.

Spesso l’inclusione sociale e la partecipazione delle comunità marginalizzate vengono inquadrate esclusivamente come un dovere etico, un atto di giustizia distributiva finalizzato a “non lasciare indietro nessuno”. Pur essendo un principio eticamente ineccepibile, esso rappresenta solo una parte della verità.

La partecipazione non è unicamente un diritto democratico; essa costituisce una condizione epistemica fondamentale. Le comunità marginalizzate non sono meri soggetti da proteggere dall’esclusione, ma operano come sensori privilegiati del cambiamento. Esse rappresentano le antenne del sistema sociale. La ragione di questa dinamica risiede nel fatto che il centro, per sua stessa natura, produce le voci dominanti e i trend consolidati. Questo è esattamente il dominio in cui l’Intelligenza Artificiale eccelle: l’analisi di enormi moli di dati per estrarre pattern dominanti e proiettare i trend del passato nel futuro. Tuttavia, se l’IA viene impiegata esclusivamente per analizzare i dati generati dal centro, il risultato non sarà la generazione di futuro, ma la mera ottimizzazione del presente.

I segnali deboli, per definizione, sono quegli elementi che sfuggono ai pattern dominanti. Essi nascono quasi sempre ai margini — nelle periferie, nelle comunità vulnerabili, nei territori che affrontano sfide strutturali — poiché è in questi contesti che le contraddizioni del sistema si manifestano per prime, ed è lì che la necessità stimola l’ingegno. Questa intuizione trova solide conferme nella letteratura scientifica. La ricerca sulla geografia dell’innovazione ha recentemente ribaltato il pregiudizio secondo cui le periferie sarebbero per definizione ritardatarie e non innovative, dimostrando al contrario che alcune tipologie di innovazione — in particolare quella controversa, quella basata su conoscenza locale idiosincratica e quella di frontiera — si sviluppano meglio ai margini che al centro[10]. A livello epistemico, studi empirici condotti su quasi 700.000 partecipanti a comunità di innovazione online confermano che i contributi di conoscenza più originali e preziosi provengono sistematicamente da chi occupa posizioni periferiche nel campo della conoscenza: è proprio la marginalità epistemica a generare il punto di vista che il centro non è in grado di produrre autonomamente[11]. Queste evidenze trovano un precedente teorico nel concetto di lead users elaborato da von Hippel: gli utenti che si trovano all’avanguardia di un trend — spesso ai margini del mercato di massa — sperimentano per primi bisogni che diventeranno generali solo in futuro, e sono quindi i sensori più sensibili del cambiamento[12].

Pertanto, se l’obiettivo è utilizzare l’IA per generare futuro, è imperativo alimentarla con i segnali provenienti dai margini. Il coinvolgimento dei territori non rappresenta un’aggiunta etica allo sviluppo tecnologico, ma la condizione necessaria per superare il Dilemma di Collingridge.

La validità di questo assunto trova ampie conferme nella storia recente dell’Intelligenza Artificiale. L’individuazione dei bias algoritmici non è avvenuta, nella maggior parte dei casi, all’interno dei laboratori di sviluppo della Silicon Valley, ma è emersa grazie alle comunità marginalizzate che ne hanno subito direttamente gli effetti.

Un caso emblematico è rappresentato dall’algoritmo Optum, ampiamente utilizzato negli Stati Uniti per la gestione delle cure sanitarie. Nel 2019, uno studio pubblicato sulla rivista Science ha dimostrato che tale algoritmo presentava un drammatico bias razziale: a parità di condizioni cliniche, i pazienti neri ricevevano cure ridotte del 50% rispetto ai pazienti bianchi[13]. La causa risiedeva nell’utilizzo della spesa sanitaria passata come proxy della gravità della malattia, ignorando il fatto che le comunità afroamericane, a causa di barriere sistemiche, registravano storicamente una spesa medica inferiore. Il problema è emerso solo grazie all’ascolto e all’analisi delle istanze di queste comunità.

Dinamiche analoghe si sono verificate in Europa. Nei Paesi Bassi, il sistema algoritmico SyRI, progettato per rilevare frodi nel sistema di welfare, targetizzava sistematicamente i quartieri più poveri e con un’alta concentrazione di minoranze. Nel 2020, un tribunale ne ha bloccato l’utilizzo per violazione dei diritti umani, ma solo in seguito alle denunce sollevate dalle organizzazioni della società civile dei quartieri colpiti[14]. In Australia, il sistema automatizzato “Robodebt” ha generato debiti inesistenti colpendo le fasce più vulnerabili della popolazione prima di essere dichiarato illegale[15].

In tutti questi scenari, il margine ha operato come un sensore. Un ascolto preventivo di queste comunità, prima del dispiegamento su larga scala delle tecnologie, avrebbe permesso di affrontare il Dilemma di Collingridge nella sua fase iniziale, quando la tecnologia risultava ancora malleabile.

Oltre a fungere da sensori di rischio, i margini si rivelano formidabili generatori di soluzioni, un fenomeno noto in letteratura come Reverse Innovation (innovazione inversa) o innovazione frugale[16].

Soluzioni concepite per rispondere a condizioni di estrema scarsità nelle periferie globali si trasformano frequentemente in standard internazionali. Un esempio paradigmatico è M-Pesa, il sistema di mobile banking sviluppato in Kenya nel 2007 per sopperire alla carenza di infrastrutture bancarie tradizionali, che ha anticipato di anni l’adozione dei pagamenti digitali nei paesi occidentali[17]. Analogamente, l’elettrocardiografo portatile GE MAC 400, progettato per le zone rurali indiane prive di elettricità a un costo di 800 dollari (contro i 5.000 dei modelli tradizionali), è oggi ampiamente adottato a livello globale[18]. La necessità di operare in contesti di scarsità di risorse, tipica dei margini, genera un problem solving creativo che il centro, abituato all’abbondanza, fatica a sviluppare autonomamente.

Questo ribaltamento di prospettiva impone una radicale revisione del modo in cui vengono analizzati territori come il Mezzogiorno, le aree interne italiane e il bacino del Mediterraneo.

Troppo spesso questi territori vengono descritti attraverso la lente della mancanza: ciò che è assente, ciò che è in ritardo, ciò che necessita di essere “allineato” agli standard del centro. Tuttavia, applicando la lente dei segnali deboli, questi territori si configurano come veri e propri laboratori strategici di innovazione inclusiva.

Si tratta di contesti in cui l’intersezione tra sfide strutturali (disoccupazione giovanile, spopolamento, crisi climatica) e capacità di resilienza genera costantemente innovazione sociale dal basso.

Un indicatore significativo di questa vitalità è la proliferazione delle cooperative di comunità in Italia. Come documenta Paolo Venturi, direttore di AICCON, commentando il Rapporto Economie di luogo realizzato da AICCON con il supporto di Legacoop, in pochi anni queste realtà sono passate da 188 a 321, diffuse in oltre 70 province italiane, con circa il 75% attivo fuori dai centri urbani e il 30% in aree montane[19]. Queste iniziative non rappresentano risposte di ripiego o ritorni nostalgici al passato, bensì modelli organizzativi avanzati in cui i cittadini trasformano un bisogno locale in un bene comune, generando contestualmente valore economico e coesione sociale.

La ricerca accademica corrobora questa prospettiva. Uno studio recente sulle “inner peripheries” dell’Appennino italiano ha analizzato casi studio come la Fondazione Ebbbio nel piacentino, il progetto BorgoFuturo nelle Marche e ArtePollino in Basilicata[20]. In tutti questi contesti, l’innovazione sociale emerge come un vero e proprio “atto di provocazione territoriale”: una reazione adattiva all’isolamento che mobilita il capitale territoriale e struttura nuove reti socio-istituzionali.

Quando un’innovazione tecnologica, concepita a livello centrale, incontra l’intelligenza collettiva di una comunità locale, si genera una frizione creativa. Da questa interazione scaturiscono soluzioni in grado di produrre impatti concreti a livello locale e, simultaneamente, modelli scalabili e replicabili su scala più ampia.

Il percorso argomentativo fin qui delineato parte dal Dilemma di Collingridge, ovvero l’incapacità strutturale di governare l’innovazione a causa della comprensione tardiva dei suoi impatti. La via d’uscita da questa impasse risiede nell’anticipazione, fondata sulla lettura rigorosa dei segnali deboli. Tali segnali, come dimostrato, non si originano al centro — produttore di voci dominanti e trend consolidati — ma ai margini del sistema. Di conseguenza, la partecipazione delle comunità non si configura unicamente come un atto di giustizia sociale, ma come la condizione epistemica necessaria per “vedere” e generare il futuro.

Questa analisi conduce a una conclusione inequivocabile: la risoluzione del dilemma del controllo tecnologico e la mitigazione del rischio di esclusione sociale non costituiscono due sfide distinte, ma rappresentano la medesima sfida strategica.

Un’innovazione priva di una dimensione inclusiva non è solo eticamente problematica, ma risulta strategicamente cieca. Un’innovazione che si priva dei suoi sensori più sensibili, ignorando i segnali deboli, è destinata a scontrarsi con il secondo corno del dilemma di Collingridge, generando impatti negativi irreversibili e difficilmente governabili.

Solo attraverso l’integrazione sinergica tra progresso tecnologico, inclusione sociale e coesione territoriale sarà possibile delineare un percorso di sviluppo autenticamente resiliente. È necessario superare la concezione dei territori e delle comunità come destinatari passivi dell’innovazione, riconoscendo loro il ruolo fondamentale di architetti del nostro futuro sostenibile.

[1] Collingridge, D. (1980). The Social Control of Technology. New York: St. Martin’s Press; Dominici, G. (2024). “Governare l’innovazione: la sfida dell’anticipazione nella Pubblica Amministrazione“. FPA.

[2] Dominici, G. (2026). “Il paradosso di Prometeo Digitale: come l’IA può risolvere il dilemma che essa stessa incarna“. FPA.

[3] Dominici, G. (2026). “Del referendum, dello smart working e del pensiero binario: quando la smetteremo di essere dei tifosi?“. FPA.

[4] Dominici, G. (2026). “Architetti del possibile: creare valore per creare futuro“. FPA

[5] Dominici, G. (2023). “Come sopravvivere all’invadenza degli algoritmi: il problem solving creativo nelle PA“. FPA.

[6] OECD (2020). Anticipatory Innovation Governance. Observatory of Public Sector Innovation.

[7] Ansoff, H. I. (1975). “Managing Strategic Surprise by Response to Weak Signals”. California Management Review, 18(2), 21–33.

[8] Poussa, L., & Ylikoski, T. (2025). Weak signals from the future: Guide to detection and interpretation. Sitra.

[9] Saukkonen, J. et al. (2026). “Navigating the winds of change: strategic foresight and the power of weak signals“. Sustainability Science.

[10] Glückler, J., Shearmur, R., & Martinus, K. (2023). “Liability or opportunity? Reconceptualizing the periphery and its role in innovation“. Journal of Economic Geography, 23(1), 231–249.

[11] Safadi, H., Johnson, S.L., & Faraj, S. (2021). “Who Contributes Knowledge? Core-Periphery Tension in Online Innovation Communities“. Organization Science, 32(3), 752–775.

[12] von Hippel, E. (1986). “Lead Users: A Source of Novel Product Concepts”. Management Science, 32(7), 791–805.

[13] Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). “Dissecting racial bias in an algorithm used to manage the health of populations”. Science, 366(6464), 447–453.

[14] Rachovitsa, A. (2022). “Lessons Learned from the Dutch SyRI Case”. Human Rights Law Review, 22(2).

[15] Van Rooy, D. (2024). “Robodebt: A case study in the impact of digitalization on taxpayer rights”. Taxpayer Rights. [Nota: per la fonte primaria si raccomanda: Royal Commission on the Robodebt Scheme (2023). Final Report. Commonwealth of Australia].

[16] Govindarajan, V., & Ramamurti, R. (2011). “Reverse innovation, emerging markets, and global strategy”. Global Strategy Journal, 1(3–4), 191–205.

[17] Hughes, N., & Lonie, S. (2007). “M-PESA: mobile money for the ‘unbanked’. Turning cellphones into 24-hour tellers in Kenya”. Innovations: technology, governance, globalization, 2(1–2), 63–81.

[18] Radjou, N., Prabhu, J., & Ahuja, S. (2012). Jugaad Innovation: Think Frugal, Be Flexible, Generate Breakthrough Growth. Jossey-Bass. [Per il caso GE MAC 400 si raccomanda anche: Immelt, J.R., Govindarajan, V., & Trimble, C. (2009). “How GE is disrupting itself”. Harvard Business Review, 87(10), 56–65].

[19] Venturi, P. (2025). “Le Cooperative di Comunità: il Made in Italy che nasce dai luoghi“. Percorsi di Secondo Welfare, 6 ottobre 2025. [dati tratti da: AICCON & Legacoop (2025). Economie di luogo: fotografia e dimensioni qualitative delle cooperative di comunità. Presentato il 17 settembre 2025, Roma].

[20] Micelli, E., Ostanel, E., & Lazzarini, L. (2023). “‘Wanna Be Provoked’: Inner Peripheries Generators of Social Innovation in the Italian Apennine”. Land, 12(4), 829.