Si discute molto se una macchina possa fare un lavoro migliore di un essere umano, soprattutto in progetti di ricerca come le etnografie, che richiedono una notevole esperienza e competenza per essere eseguite. La risposta breve è ovviamente sì, e le prove sono sempre più difficili da ignorare. È uno dei motivi per cui non ho avuto molti antropologi "tradizionali" come amici nei primi anni di avvio della nostra azienda. Almeno all'epoca, trovavano la nostra tecnologia e la nostra visione un po' difficili da credere. Non riuscivano a capacitarsi dell'idea che una macchina potesse aiutarli a evitare i tipici errori che loro, in quanto esseri umani, commettono di continuo. A prescindere dall'esperienza, l'essere umano, per il semplice fatto di vivere e respirare e di possedere una serie di valori e convinzioni, non può trovare il modo di lasciare che il suo giudizio su una situazione o su una serie di dati offuschi il risultato che ne deriva. Un problema che è solo aggravato dalla mancanza di scala nel processo dei tipici progetti di ricerca guidati dall'analisi umana.
Considerate questo breve caso di studio come ulteriore prova della mia tesi. Quando un gruppo di esperti, tra cui un economista di Harvard, tre informatici e un esperto di cauzioni dell'Università di Chicago, ha messo a confronto una macchina con giudici di grande esperienza di New York City su una serie di grandi campioni (oltre 550.000 imputati) di udienze per il pagamento della cauzione, ha scoperto che la macchina era significativamente più accurata, nonostante la ricca esperienza dei giudici e la loro capacità di guardare negli occhi il presunto "colpevole" e di prendere decisioni attraverso una lente empatica. Quanto accurato? L'algoritmo avrebbe ridotto i tassi di criminalità (tra le persone rilasciate su cauzione) di quasi il 25% e i tassi di incarcerazione fino al 41%. L'algoritmo è stato anche in grado di contrastare i pregiudizi razziali che, come probabilmente già sapete, sono di per sé una delle maggiori sfide che il sistema di giustizia penale degli Stati Uniti deve affrontare.
Quando abbiamo fondato la nostra azienda, quattro anni e mezzo fa, ci siamo concentrati sulla costruzione di strumenti che potessero non solo aiutare il processo etnografico, ma soprattutto intervenire nei punti critici del processo per ridurre al minimo l'errore umano. Volevamo creare un livello di purezza che teoricamente sapevamo che i big data e l'IA avrebbero potuto consentire, ma che non avevamo ancora visto in azione nelle scienze sociali. In particolare, volevamo costruire gli strumenti in modo da costringere i nostri ricercatori a seguire le briciole naturali lasciate dal consumatore in ogni cultura studiata. Non volevamo che i ricercatori andassero alla ricerca di queste briciole di pane (come avviene di solito nel processo tradizionale). E di certo non volevamo che facessero ipotesi lungo il percorso, colmando le lacune con le proprie conoscenze ed esperienze. Attraverso una serie di esperimenti e di apprendimento nel corso di oltre due anni, non solo abbiamo scoperto che questo era possibile, ma abbiamo anche realizzato che la macchina poteva occuparsi di oltre l'80% del processo di ricerca. La raccolta dei dati, la modellazione e persino l'interpretazione sono tutte attività svolte dalla macchina per tracciare essenzialmente una mappa da seguire per i nostri ricercatori e utenti. Seguire questa mappa, invece di doverla creare, significa lasciare pochissimo al giudizio umano e le parti che richiedono la competenza e l'esperienza del ricercatore arrivano molto più avanti nel processo di ricerca, quando il ricercatore deve seguire le briciole di pane del consumatore e sviluppare una narrazione dei risultati. Poiché l'interpretazione di ognuna di queste briciole di pane è già fornita dalla macchina, il ricercatore è chiamato a dare un senso ai vari livelli di interpretazione, piuttosto che a fornire le interpretazioni e a doverne poi costruire una narrazione. Si tratta di un risultato significativo nel mondo dell'antropologia culturale e dell'etnografia e sono orgoglioso di dire che non abbiamo ancora incontrato un'altra azienda/tecnologia che stia cercando di fare lo stesso.
La prima versione della nostra tecnologia è nata nel 2017. Ora siamo già alla versione 2, con progressi significativi nella capacità della macchina di interpretare e prevedere il futuro di tendenze, argomenti e culture. Siamo riusciti a ottenere tutto questo perché la nostra tecnologia ci ha permesso di spostare i compiti per i quali erano necessari gli esseri umani, più in basso nel processo - il che ha significato migliori sfumature ed errori marginali. Quindi, tornando al punto con cui ho iniziato questo articolo - il confronto tra uomo e macchina - non credo che siamo ancora al punto in cui la macchina può fare tutto ciò che può fare un antropologo umano. Tuttavia, sfruttando la tecnologia nei punti giusti, siamo stati in grado di cambiare in meglio il ruolo dell'antropologo umano (nel processo etnografico), con un maggiore coinvolgimento nell'ultima parte del processo di ricerca, dove gli errori di giudizio sono ridotti al minimo e i benefici dell'IA e dei Big Data sono massimizzati.
I risultati parlano da soli. Collettivamente, negli ultimi oltre 4 anni, i nostri clienti hanno lanciato più di 100 marchi e prodotti utilizzando le nostre etnografie guidate dalle macchine, generando più di 5 miliardi di nuove entrate per le loro aziende. Eppure, sembra ancora che siamo solo all'inizio.