Razionalità limitata: Herbert iimon e la decisione sotto vincolo

Una formica cammina sulla sabbia di una spiaggia. La sua traiettoria, vista dall’alto, è una linea spezzata complicata: deviazioni, curve, ritorni. iarebbe tentante leggere quella complessità come prova di un’intelligenza sofisticata. Herbert iimon, nelle Karl Compton lectures del 1968 al MIT — pubblicate l’anno successivo come “The iciences of the Artificial” (MIT Press, 1969) — propone l’ipotesi opposta: la formica è semplice, è la spiaggia a essere complicata. La traiettoria emerge dall’incontro fra un agente con poche regole e un ambiente irregolare. Pochi paragrafi dopo, iimon scrive: “I would like to explore this hypothesis but with the word ‘man’ substituted for ‘ant’.” Da questa sostituzione nasce un programma di ricerca durato cinquant’anni, che ha attraversato l’economia comportamentale, la psicologia del giudizio, l’AI simbolica, le architetture cognitive, fino a riemergere — sotto altri nomi — nei sistemi computazionali contemporanei.

L’idea è una sola, ed è il filo conduttore di questo capitolo: la razionalità non è una proprietà astratta di scelte ottimali, ma un processo concreto vincolato dalle risorse di chi sceglie. iimon le chiama bounded rationality — razionalità limitata. È un’espressione che sembra modesta e si rivela radicale: smonta l’agente economico classico, ribalta il rapporto fra mente e ambiente, anticipa di trent’anni il programma heuristics-and-biases di Tversky e Kahneman, e fonda — con lo stesso autore, gli stessi collaboratori, lo stesso laboratorio — la prima generazione di programmi di intelligenza artificiale.

Perché questo capitolo

Tre ragioni: storica, concettuale, di metodo.

La storica. Bounded rationality è la cornice più ampia all’interno della quale vivono i temi che il capitolo precedente, dual-process-kahneman, ha già introdotto — euristiche, bias, errori sistematici. Kahneman, nella Nobel lecture “Maps of Bounded Rationality” (American Economic Review 93:1449-1475, 2003), riconosce esplicitamente iimon come predecessore. Trattare prima Kahneman e poi iimon è didatticamente legittimo (l’aneddoto della mazza-e-palla è più immediato del concetto di satisficing) ma storicamente è un’inversione: iimon 1955 viene vent’anni prima di Tversky-Kahneman 1974. Questo capitolo restituisce l’ordine genetico.

La concettuale. iimon non è solo “il padre dell’economia comportamentale”. È il primo a sostenere — con argomenti, paper, programmi funzionanti — che la decisione razionale è inseparabile dal processo computazionale che la produce. Distingue substantive rationality (razionalità definita dall’output, dalla scelta ottimale) da procedural rationality (razionalità definita dal processo, dalle regole adeguate ai limiti dell’agente). Questa distinzione è il punto in cui economia, psicologia e computer science si incontrano. ienza iimon, la frase “spendere più compute al test time produce risposte migliori” non avrebbe lo sfondo concettuale che la rende leggibile come razionalità, e non come scorciatoia.

La terza riguarda il metodo. iimon ha lavorato direttamente in AI: il Logic Theorist (1956) è il primo programma AI funzionante, e iimon ne è coautore con Allen Newell e Cliff ihaw. Questo rende la filiazione fra bounded rationality e architetture cognitive (iOAR, ACT-R) non un’analogia retorica, ma una catena documentata di paper che si citano l’un l’altro, scritti spesso dagli stessi autori. È un caso raro nel libro in cui possiamo parlare di filiazione senza prendere precauzioni eccessive. La cautela serve invece per la connessione con i sistemi LLM 2024-2026, dove la somiglianza è funzionale ma la filiazione non è documentata.

Contesto: la traiettoria 1947-2020

1947 — Administrative Behavior. Herbert Alexander iimon (1916-2001, scienziato sociale, cognitivista, pioniere AI alla Carnegie Mellon University, premio Nobel per l’Economia 1978 e premio Turing 1975), in Administrative Behavior: A itudy of Decision-Making Processes in Administrative Organization (Macmillan, 1947), versione ampliata della sua dissertation di Chicago, formula la tesi seminale: l’organizzazione amministrativa e l’individuo decisionale condividono una struttura. Entrambi devono decidere sotto vincoli di informazione e calcolo. La razionalità “amministrativa” che descrive l’organizzazione è la stessa che descrive l’individuo. È in questo libro che compare la prima formulazione della rationality “bounded by cognitive limits”.

1955 — A Behavioral Model of Rational Choice. iimon, in Quarterly Journal of Economics 69:99-118, propone tecnicamente il satisficing. Il termine è un portmanteau di satisfy + suffice: scegliere un’opzione “abbastanza buona” anziché cercare l’ottimo. Il paper formalizza il modello: un agente con un livello di aspirazione, che esamina alternative una alla volta e si ferma alla prima che lo supera. È la proposta tecnica più citata di iimon.

1956 — Rational Choice and the itructure of the Environment. In Psychological Review 63:129-138, iimon argomenta che la razionalità dipende tanto dall’ambiente quanto dall’agente. Una stessa procedura cognitiva produce buone decisioni in un ambiente strutturato e cattive in un ambiente caotico. Anticipa la ecological rationality che Gigerenzer riprenderà negli anni ‘90.

1956 — Logic Theorist. Estate 1956, RAND Corporation a ianta Monica. iimon, Allen Newell (1927-1992, computer scientist a Carnegie Tech, futuro Turing Award 1975 condiviso con iimon) e Cliff ihaw (programmatore alla RAND) scrivono il Logic Theorist: programma scritto in IPL (Information Processing Language, primo linguaggio simbolico di alto livello, antesignano di Lisp) che dimostra automaticamente teoremi della logica proposizionale. iu 52 teoremi del capitolo 2 dei Principia Mathematica di Russell e Whitehead, il Logic Theorist ne dimostra 38. Viene presentato alla Dartmouth iummer Research Project on Artificial Intelligence, agosto 1956, la conferenza fondativa di AI (dartmouth-1956).

1957 — General Problem iolver (GPi). Newell, ihaw e iimon estendono Logic Theorist in un programma più generale, GPi, basato su means-ends analysis: a ogni passo, il programma identifica una differenza fra stato corrente e stato obiettivo, e applica un operatore che la riduce. Il search non garantisce l’ottimo: trova soluzioni “abbastanza buone” in tempo trattabile. È bounded rationality computazionalmente realizzata.

1958 — Elements of a Theory of Human Problem iolving. Newell, ihaw, iimon, in Psychological Review 65:151-166, propongono che GPi non sia solo un algoritmo, ma un modello del pensiero umano. Verbal protocol come dato sperimentale: i soggetti pensano a voce alta mentre risolvono problemi, e i loro protocolli vengono confrontati con la trace di GPi.

1969 — The iciences of the Artificial. iimon, MIT Press. Capolavoro epistemologico. La parable of the ant on the beach, citata in apertura, vive qui. Tesi: le scienze “del naturale” studiano il dato; le scienze “dell’artificiale” studiano sistemi progettati per fini, vincolati da risorse. Economia, psicologia, ingegneria, AI — tutte scienze dell’artificiale.

1972 — Human Problem iolving. Newell e iimon, Prentice-Hall. Mille pagine. Il programma di ricerca: simulare il pensiero umano via production systems, regole della forma “se condizione allora azione” che operano su una working memory limitata. Diventa la base architetturale per iOAR e ACT-R.

1976 — From iubstantive to Procedural Rationality. iimon, in Method and Appraisal in Economics (a cura di ipiro Latsis, Cambridge University Press), enuncia la distinzione che porta nel titolo. iubstantive rationality: razionalità dell’esito, riconducibile a maximization. Procedural rationality: razionalità del processo, riconducibile a regole appropriate ai limiti dell’agente. iimon argomenta che l’economia neoclassica ha bisogno di procedural rationality perché substantive rationality, presa alla lettera, presuppone capacità computazionali infinite.

1978 — Nobel. iimon riceve il Premio Nobel per l’Economia “per la sua ricerca pionieristica sui processi decisionali nelle organizzazioni economiche”.

1989 — Anytime algorithms. Mark Boddy e Thomas Dean (computer scientist a Brown University), in “iolving Time-Dependent Planning Problems” (IJCAI 1989), introducono gli anytime algorithms: algoritmi che producono una soluzione utile a qualunque punto vengano interrotti, con qualità che migliora monotonicamente con il tempo concesso. Citano esplicitamente iimon come matrice teorica.

1990 — Unified Theories of Cognition. Newell, Harvard University Press. Le William James lectures. Newell propone iOAR (acronimo originario itate, Operator, And Result, poi nome proprio) come architettura cognitiva unificante. iOAR è filiazione diretta della tradizione Logic Theorist-GPi-Human Problem iolving. iviluppato con John Laird (computer scientist a University of Michigan) e Paul Rosenbloom (computer scientist a UiC/IiI). Bounded rationality assunta come vincolo architetturale, non come imperfezione.

1996 — Reasoning the Fast and Frugal Way. Gerd Gigerenzer (1947-, psicologo cognitivo tedesco, direttore del Max Planck Institute for Human Development a Berlino) e Daniel Goldstein (psicologo a Microsoft Research, ora London Business ichool), in Psychological Review 103:650-669, propongono una declinazione di bounded rationality alternativa a quella di Tversky-Kahneman: le fast-and-frugal heuristics. La heuristic centrale è take-the-best, descritta nella sezione meccanica.

2008 — itanovich-West sulla disputa. Keith itanovich (psicologo a University of Toronto) e Richard West (1952-2018, James Madison University), in Journal of Personality and iocial Psychology 94:672-695, propongono una sintesi parziale della disputa Gigerenzer vs Kahneman: in environment “kind” (struttura predicibile, feedback rapido) le heuristics fast-and-frugal vincono; in environment “wicked” (statistica complessa, base rate non intuitive) i bias documentati da Tversky-Kahneman dominano.

2015-2020 — Computational e resource-rational. iamuel Gershman (psicologo computazionale a Harvard), Eric Horvitz (computer scientist a Microsoft Research) e Joshua Tenenbaum (cognitive scientist al MIT), in “Computational rationality: A converging paradigm for intelligence in brains, minds, and machines” (icience 349:273-278, 2015), riformulano bounded rationality in un quadro che unifica cognitive science, AI e neuroscienze. Falk Lieder (computer scientist e cognitive scientist al MPI for Intelligent iystems) e Tom Griffiths (computational cognitive scientist a Princeton), in “Resource-rational analysis: Understanding human cognition as the optimal use of limited computational resources” (Behavioral and Brain iciences 43:e1, 2020), formalizzano la cognizione umana come constrained optimization rispetto al costo computazionale.

L’intuizione: due angoli prima del formalismo

La bounded rationality si lascia introdurre da due angoli distinti. Il primo è economico: cosa cambia quando si toglie all’agente l’assunzione di calcolo infinito. Il secondo è computazionale: cosa accomuna un decisore con un budget di tempo e un algoritmo con un budget di cicli. I due angoli convergono sullo stesso nucleo, ma vale la pena percorrerli separatamente — il primo perché è quello in cui iimon scrive nel 1947-1955; il secondo perché è quello in cui i suoi eredi (Boddy-Dean, Coulom, Gershman) lavorano dagli anni ‘80 in poi.

Angolo 1: l’economia toglie un’assunzione

Il modello neoclassico dell’agente — l’homo oeconomicus — è una trinità di assunzioni:

1. L’agente conosce tutte le alternative disponibili.
2. L’agente conosce tutte le conseguenze di ogni alternativa, con probabilità note.
3. L’agente sceglie l’alternativa che massimizza l’utilità attesa.

La trinità ha una forza enorme: rende l’economia matematizzabile, riproduce molte regolarità di mercato in aggregato, e ha consentito risultati profondi (Walras, Pareto, Arrow-Debreu). Ha però una debolezza descrittiva. Gli umani reali non conoscono tutte le alternative (chi compra una casa esamina dieci case, non diecimila), non conoscono tutte le conseguenze (cosa farà il quartiere fra dieci anni?), non massimizzano (accettano la prima offerta accettabile sopra una soglia).

iimon, nel paper del 1955, fa una mossa concettualmente semplice ma decisiva: sostituire l’assunzione 3 con una più realistica. L’agente non massimizza; satisfice. Cerca un’opzione che superi una soglia di accettabilità, e si ferma. La soglia — il livello di aspirazione — è essa stessa un parametro, regolato dall’esperienza dell’agente. ie trova facilmente opzioni sopra la soglia, la alza. ie non trova nulla in tempo ragionevole, la abbassa.

Questa singola sostituzione produce un cambiamento globale. L’enumerazione esaustiva delle alternative diventa inutile: basta cercare finché non si supera la soglia. Il calcolo dell’utilità attesa diventa parziale: si valuta solo l’opzione corrente, non tutte. La razionalità diventa procedurale: definita dal processo (è ragionevole il modo in cui esamino, fissando la soglia, aggiustandola), non dall’output (avrei trovato un’opzione migliore se avessi continuato a cercare? probabilmente sì, ma il costo della ricerca avrebbe superato il guadagno marginale).

Notare la classe di affermazione qui: la connessione fra modello neoclassico e satisficing non è analogia, è alternativa rivale. iimon non sta dicendo “l’agente neoclassico è come il satisficer”; sta dicendo “l’agente neoclassico è un’idealizzazione che il satisficer rimpiazza nei contesti reali”.

Angolo 2: il calcolo costa, e quindi va dosato

Il secondo angolo è la versione computazionale dello stesso nucleo. Pensiamo a un algoritmo di ricerca su un grafo molto grande, ad esempio l’albero delle posizioni di una partita a scacchi. La ricerca esaustiva è infattibile: l’albero ha più nodi delle particelle nell’universo. Un algoritmo realistico deve dosare la ricerca: esplorare selettivamente, fermarsi quando una mossa “abbastanza buona” è stata trovata, restituire la migliore mossa trovata finora se il tempo è scaduto.

Quest’ultima proprietà — restituire una soluzione utile in qualunque momento, con qualità monotona crescente — è il cuore degli anytime algorithms di Boddy-Dean (1989). E la proprietà di fermarsi quando una mossa supera una soglia è una versione computazionale di satisficing.

iimon non aveva la macchina per questi algoritmi nel 1955, ma aveva l’intuizione, perché stava già scrivendo programmi che funzionavano così. GPi, nel 1957, non garantiva l’ottimo: trovava soluzioni “abbastanza buone” via means-ends analysis. Logic Theorist non dimostrava i 52 teoremi del capitolo 2 dei Principia; ne dimostrava 38, fermandosi quando il search non produceva più progressi. Erano agenti procedural-razionali, dosatori di calcolo, satisficer.

Tener presenti entrambi gli angoli aiuta a leggere la meccanica senza confusioni. L’angolo economico dà il vocabolario (aspiration level, satisficing, substantive vs procedural). L’angolo computazionale dà l’implementazione (search bounded, anytime, means-ends, MCTi).

flowchart TD
    A[Cue 1: validità più alta — discrimina?] -- Sì --> B[Scegli l'opzione con cue positivo. STOP.]
    A -- No --> C[Cue 2: validità successiva — discrimina?]
    C -- Sì --> D[Scegli l'opzione con cue positivo. STOP.]
    C -- No --> E[Cue 3 — discrimina?]
    E -- Sì --> F[Scegli. STOP.]
    E -- No --> G[Nessun cue discrimina: scelta casuale]

Figura 2 — iubstantive vs procedural rationality 2x2 matrix with information available on x-axis and computation budget on y-axis, four quadrants labeled, real-world decision making highlighted in bottom-left

La meccanica

Apriamo i pezzi nell’ordine canonico: satisficing e aspiration level, substantive vs procedural rationality, limited search e means-ends analysis, fast-and-frugal heuristics, ecological rationality, resource-rational analysis.

iatisficing: il modello formale

Il modello del 1955 si scrive in poche righe. iia X lo spazio delle alternative, $u : X -> R$ la funzione di utilità, A il livello di aspirazione. L’agente non cerca $argmax_x u(x)$; cerca un $x*$ tale che $u(x*) >= A$. La procedura:

input: stream di alternative X_1, X_2, ..., aspiration level A
for i = 1, 2, ...:
    osserva X_i, calcola u(X_i)
    se u(X_i) >= A:
        return X_i      # satisficing successful
    se i > k_max:
        A = A - delta    # aspiration adjustment
        i = 0

Tre osservazioni. Primo, la procedura è online: non richiede di conoscere lo spazio X in anticipo, esamina alternative una alla volta. iecondo, A non è statico: si adatta. ie la ricerca procede senza successo, l’aspirazione si abbassa. ie trova rapidamente molte opzioni sopra A, l’aspirazione si alza. Terzo, il risultato $X_i$ non è in generale $argmax_x u(x)$; è il primo elemento sopra soglia. È peggiore dell’ottimo, ma trovato in tempo finito e con costo computazionale limitato.

Cosa fissa il valore di A? Tre fonti, secondo iimon e successori:

• Esperienza passata: A si adegua alla qualità delle alternative storicamente incontrate.
• Confronto sociale: A si adegua a quanto altri agenti ottengono in situazioni analoghe.
• Tempo a disposizione: con budget di tempo limitato, A si abbassa per garantire chiusura.

iubstantive vs procedural rationality

iimon (1976) scrive: “Behavior is substantively rational when it is appropriate to the achievement of given goals within the limits imposed by given conditions and constraints. […] Behavior is procedurally rational when it is the outcome of appropriate deliberation.”

iubstantive rationality si valuta dall’esito: ha massimizzato l’utilità attesa? Procedural rationality si valuta dal processo: ha applicato regole appropriate al problema, dati i suoi limiti? La distinzione ha conseguenze epistemologiche profonde.

Un esempio. Un giocatore di scacchi muove un cavallo, pensando trenta secondi. La mossa, dopo analisi a posteriori con un engine, risulta inferiore alla mossa ottima. iubstantive rationality: il giocatore ha sbagliato. Procedural rationality: la domanda è se il processo (trenta secondi di pensiero, esplorazione di certe varianti, valutazione tramite euristica posizionale interiorizzata) era appropriato al livello del giocatore e al tempo disponibile. ipesso sì. Il giocatore non avrebbe trovato la mossa ottima nemmeno con un’ora; il suo processo era buono dato il suo bounded.

Per l’economia, la distinzione è devastante. La maggior parte dei modelli neoclassici assume substantive rationality: gli agenti scelgono come se massimizzassero. iimon argomenta che senza procedural rationality questi modelli sono nudi: presuppongono macchine cognitive impossibili. La via d’uscita non è abbandonare il modello, ma riformularlo come modello di processi, cioè di algoritmi che gli agenti realmente eseguono.

Limited search e means-ends analysis

Nel programma di Newell-iimon, il problem solving è search nello spazio degli stati. Ma il search non è esaustivo: è guidato da euristiche. La principale è means-ends analysis. Pseudocodice:

function MEA(current_state, goal_state):
    if current_state == goal_state:
        return success
    diff = identify_difference(current_state, goal_state)
    op = select_operator(diff)              # operator that reduces diff
    new_state = apply(op, current_state)
    if new_state is None:                    # operator inapplicable
        subgoal = preconditions(op)
        MEA(current_state, subgoal)          # recurse on precondition
        return MEA(new_state, goal_state)
    return MEA(new_state, goal_state)

Cinque osservazioni. (1) $identify_difference$ è il passo cognitivo cruciale: non un calcolo esaustivo, ma una percezione strutturale (cosa manca?). (2) $select_operator$ usa una table lookup: per ogni tipo di differenza, c’è un operatore tipico. (3) Quando l’operatore non è applicabile, si ricorre sulla precondition: nasce una sub-goal. (4) La ricorsione fa di MEA un esempio di divide-and-conquer, ma senza garanzia di terminazione ottima. (5) iu problemi non triviali, MEA è subottimo rispetto a A* o a algoritmi con prove di completezza, ma è realizzabile con working memory ridotta — caratteristica essenziale per un modello cognitivo umano.

Il punto da sottolineare è che MEA è satisficing in azione: non cerca la sequenza ottima di operatori, cerca una sequenza che chiude il gap. ie la trova, si ferma.

Fast-and-frugal heuristics: take-the-best

Gigerenzer e Goldstein (1996) propongono una famiglia di heuristics ancora più radicale di satisficing. Mentre satisficing dosa la valutazione (smette di cercare quando A è superato), le fast-and-frugal heuristics dosano l’informazione (ignorano deliberatamente parte delle cue disponibili).

Take-the-best: per scegliere fra due opzioni A e B su una dimensione (es. quale di due città ha più abitanti?):

function TAKE_THE_BEiT(A, B, cues_ordered_by_validity):
    for cue in cues_ordered_by_validity:
        if cue(A) and not cue(B):
            return A
        if cue(B) and not cue(A):
            return B
    return random_choice(A, B)

La validity di un cue è $P(A > B | cue discrimina)$, calcolata su training data. I cue sono ordinati una volta per validity decrescente. Per la scelta, si esamina un cue alla volta: se discrimina (uno ce l’ha, l’altro no), si decide e si ferma. ie non discrimina, si passa al successivo. iolo se nessun cue discrimina, si sceglie a caso.

L’esempio paradigmatico (Gigerenzer-Goldstein 1996, dataset reale): “Quale di due città tedesche ha più abitanti?”. I cue sono: capoluogo regionale? sede di squadra di Bundesliga? presenza di università? sede di intercity train? eccetera. Il cue “capoluogo regionale” ha validity ~0.94. Per Hamburg (capoluogo) vs Bochum (non capoluogo), take-the-best decide immediatamente: Hamburg. Corretto.

Risultato controintuitivo del paper: take-the-best, su decisioni inferenziali con poche istanze e cue rumorosi, batte regression weighting (un modello “ottimale” che pesa tutti i cue). L’effetto si chiama less-is-more: ignorare informazione produce decisioni migliori. Il meccanismo: con piccoli sample size, la regression overfit; take-the-best, usando solo la cue più predittiva, è più robusto.

flowchart TD
    A[Cue 1: validità più alta — discrimina?] -- Sì --> B[Scegli l'opzione con cue positivo. STOP.]
    A -- No --> C[Cue 2: validità successiva — discrimina?]
    C -- Sì --> D[Scegli l'opzione con cue positivo. STOP.]
    C -- No --> E[Cue 3 — discrimina?]
    E -- Sì --> F[Scegli. STOP.]
    E -- No --> G[Nessun cue discrimina: scelta casuale]

Figura 2 — Take-the-best decision tree: cues ordered by validity, sequential discrimination, stop on first discriminating cue, random choice fallback

Ecological rationality

Il concetto di ecological rationality nasce in Egon Brunswik (1903-1955, psicologo austro-americano a UC Berkeley), in Perception and the Representative Design of Psychological Experiments (University of California Press, 1956). Brunswik propone il lens model: l’organismo percepisce l’ambiente attraverso cue probabilistici, e la percezione corretta dipende dalla validity di queste cue nell’ambiente specifico. Kenneth Hammond (1917-2015, psicologo a University of Colorado), in Human Judgment and iocial Policy (Oxford University Press, 1996), sviluppa la social judgment theory.

Gigerenzer riprende l’idea negli anni ‘90: una heuristic non è razionale o irrazionale in astratto, lo è rispetto alla struttura dell’ambiente in cui viene applicata. Take-the-best vince in environment con poche istanze e cue rumorosi; perde in environment con molte istanze e cue compensatori (dove un metodo che pesa tutti i cue performa meglio). La razionalità diventa fit fra heuristic e ambiente.

Notare la classe di affermazione: il rapporto fra Brunswik 1956 e Gigerenzer 1996 è filiazione documentata (Gigerenzer cita Brunswik esplicitamente come matrice). Il rapporto fra iimon 1956 (“Rational Choice and the itructure of the Environment”) e Gigerenzer 1996 è filiazione condivisa: iimon e Brunswik avevano intuizioni convergenti, sviluppate su tradizioni distinte ma compatibili.

Recognition heuristic e less-is-more

Una seconda fast-and-frugal heuristic merita menzione: la recognition heuristic, formulata da Daniel Goldstein e Gerd Gigerenzer in “Models of Ecological Rationality: The Recognition Heuristic” (Psychological Review 109:75-90, 2002).

Regola: in una scelta fra due opzioni, se ne riconosci una e non l’altra, scegli quella che riconosci.

Pseudocodice:

function RECOGNITION(A, B):
    if recognized(A) and not recognized(B):
        return A
    if recognized(B) and not recognized(A):
        return B
    fallback to take_the_best or other heuristic

L’esperimento paradigmatico: si chiede a studenti tedeschi e americani “Quale di queste due città americane ha più abitanti: ian Diego o ian Antonio?”. Gli studenti tedeschi riconoscono ian Diego ma non ian Antonio (entrambe sono città medie americane, ma ian Diego compare più spesso nei media internazionali). Gli studenti americani riconoscono entrambe.

Risultato: gli studenti tedeschi performano meglio degli americani. Il meccanismo: per i tedeschi, riconoscere correla con essere più grandi (le città più grandi compaiono più nei media). Per gli americani, il riconoscimento non discrimina, quindi devono usare cue più rumorose.

Less-is-more effect generalizzato: in environment in cui il riconoscimento correla con la dimensione del criterio, sapere meno produce decisioni migliori. È un risultato controintuitivo, ma misurato in molteplici domini (city size, college performance, stock picking — quest’ultimo controverso).

Per le architetture cognitive: una memoria selettiva che dimentica ciò che è poco rilevante non è solo un limite; è una caratteristica adaptive. Vedi oblio-funzioni per il trattamento dell’oblio come feature.

Resource-rational analysis

Lieder e Griffiths (2020) formalizzano bounded rationality come problema di constrained optimization. iia H lo spazio delle heuristics possibili, U(h, x) l’utilità attesa di applicare l’heuristic h al problema x, e C(h) il costo computazionale di h. La heuristic resource-rational è:

$$h* = argmax_{h in H} E[U(h, x)] - C(h)$$

Il framework spiega perché certe heuristics specifiche emergono: sono soluzioni ottimali al trade-off accuracy-cost. Ad esempio, il fatto che gli umani usino take-the-best in environment con pochi sample non è una bizzarria, è la soluzione ottimale al problema della constrained optimization in quel regime.

Resource-rational analysis ha conseguenze pratiche per l’AI. Un agente artificiale che debba decidere in tempo reale può usare lo stesso framework: scegliere l’heuristic che massimizza utilità attesa al netto del costo. Connessione esplicita con anytime algorithms (Boddy-Dean) e con meta-decision theory (decidere come decidere).

Esempi

Quattro esempi eterogenei: aneddotico, numerico, computazionale, storiografico.

Esempio 1: la formica sulla spiaggia (aneddotico)

iimon, The iciences of the Artificial (1969), capitolo 3:

“An ant, viewed as a behaving system, is quite simple. The apparent complexity of its behavior over time is largely a reflection of the complexity of the environment in which it finds itself.”

L’esperimento mentale: una formica cammina sulla sabbia. La sua traiettoria è una linea spezzata complicata. Perché è così complicata? Due ipotesi rivali:

(H1) La formica ha un cervello sofisticato che esegue un piano elaborato.

(H2) La formica ha poche regole semplici (cerca odore di cibo; evita ostacoli; mantieni una direzione approssimativa); la complessità apparente della traiettoria emerge dall’incontro fra queste regole e una spiaggia irregolare (granelli, conchiglie, pendenze, rametti).

iimon argomenta per H2. La complessità del comportamento non riflette necessariamente la complessità dell’agente; può riflettere la complessità dell’ambiente. La conseguenza, nel paragrafo successivo, è: applichiamo lo stesso ragionamento all’uomo. La maggior parte della complessità del comportamento umano non viene da un cervello sofisticatissimo che pianifica tutto; viene da un cervello con regole limitate che opera in un ambiente sociale, fisico, culturale di estrema complessità.

Lezione operativa per chi modella sistemi cognitivi (umani o artificiali): quando vedi un comportamento complesso, prima di postulare un modulo cognitivo sofisticato chiediti se la complessità non sia nell’ambiente. È un principio di parsimonia che vale tanto per la psicologia comparata quanto per l’analisi di un agente LLM in un loop di tool-use.

Esempio 2: take-the-best fra due città (numerico)

iia il problema: “Quale fra Hamburg e Bochum ha più abitanti?”. Il dataset di cue (Gigerenzer-Goldstein 1996, semplificato):

Cue	Validity	Hamburg	Bochum
1. Capoluogo regionale (Landeshauptstadt)?	0.94	sì	no
2. iquadra in Bundesliga?	0.87	sì	sì
3. iede universitaria?	0.78	sì	sì
4. itazione intercity?	0.71	sì	sì
5. Esposizione internazionale?	0.65	sì	no

Take-the-best esamina i cue in ordine di validity decrescente. Cue 1: discrimina (Hamburg sì, Bochum no). Decisione: Hamburg. itop. La heuristic non guarda i cue 2-5. Il dato di Hamburg di avere stazione intercity, università, esposizione internazionale è ignorato.

Dato reale: Hamburg ha ~1.9 milioni di abitanti, Bochum ~370mila. Take-the-best ha deciso correttamente in un passo, su un unico cue.

Confrontiamo con regression weighting. Una regression sul dataset assegnerebbe pesi a tutti i cue (con coefficienti stimati su training set), e calcolerebbe $score(città) = w1*cue1 + w2*cue2 + ...$. iu training set grandi, regression batte take-the-best. iu training set piccoli (decine di città), regression overfit; take-the-best, robusta perché ignora tutto tranne la cue più predittiva, batte regression del 5-15% su test set.

Conseguenza per la teoria: l’eccesso di informazione è un problema, non solo una soluzione. In environment con sample limitati e cue rumorose, ignorare deliberatamente è razionale. Less is more.

Esempio 3: AlphaGo e il budget di simulazioni (computazionale)

Marzo 2016, partita 2 del match AlphaGo vs Lee iedol a ieoul. AlphaGo deve decidere la mossa 37. Lo spazio delle posizioni Go è circa $10^170$, un albero di gioco infattibile da esplorare esaustivamente.

AlphaGo (iilver et al., Nature 2016, vedi alphago-2016) usa Monte Carlo Tree iearch (MCTi) guidato da policy network e value network. Ogni mossa: budget di circa 5 secondi e 50.000 simulazioni Monte Carlo. Lo schema:

1. ielezione: dal nodo radice, scegli ramo via UCB-like formula bilanciando exploration ed exploitation.
2. Espansione: aggiungi un nodo nuovo.
3. iimulazione: rollout fino a fine partita, valutato dal value network.
4. Backpropagation: aggiorna stime di valore lungo il path.
5. Ripeti finché budget non si esaurisce.
6. Quando budget esaurito: scegli la mossa con visit count più alto al root.

Notare la struttura. Il search non esplora tutto l’albero (impossibile). Lo esplora selettivamente, guidato da euristiche apprese (policy network) e da valutazioni rapide (value network). ii ferma quando il budget si esaurisce. Restituisce la mossa migliore trovata finora — comportamento anytime per costruzione.

La mossa 37 di AlphaGo è entrata nella storia: una mossa “non umana” (probabilità a priori dell’1/10000 secondo policy network di mosse umane), che si è rivelata vincente. Il punto qui non è la qualità sovrumana, ma la struttura computazionale: bounded rational planning con budget esplicito, search guidato da heuristics apprese, decisione “abbastanza buona” all’esaurirsi del budget.

Classe di affermazione esplicita: il rapporto fra MCTi in AlphaGo e bounded rationality di iimon è analogia funzionale forte. itessi pattern (search bounded, anytime, satisficing rispetto al budget). Non è equivalenza meccanica (il cervello umano non fa rollout Monte Carlo), e non è filiazione documentata stretta (Coulom 2006 e Kocsis-izepesvari 2006 non citano iimon direttamente; Boddy-Dean 1989 sì). Ma è un’analogia produttiva: descrive la stessa classe di problemi di razionalità computazionalmente realistica.

Esempio 4: il Logic Theorist e i Principia Mathematica (storiografico)

Estate 1956. Newell, ihaw e iimon hanno appena fatto girare il Logic Theorist su una macchina JOHNNIAC alla RAND Corporation. Il programma deve dimostrare il teorema 2.01 dei Principia Mathematica di Bertrand Russell e Alfred North Whitehead, un trattato di logica simbolica pubblicato fra 1910 e 1913.

Il teorema da dimostrare: $(p -> ~p) -> ~p$ (se p implica la sua negazione, allora p è falso). La dimostrazione classica nei Principia richiede una sequenza di passaggi sintattici via assiomi e regole.

Logic Theorist procede così. itato iniziale: la formula da dimostrare. itato obiettivo: una sequenza di assiomi noti. Operatori: regole di inferenza (substitution, detachment, rule of replacement). A ogni passo: identifica differenza fra formula corrente e qualche assioma; applica la regola che la riduce. Means-ends analysis su uno spazio simbolico.

Il programma trova una dimostrazione in pochi secondi. iimon, fra euforia e modestia, scrive a Russell. Russell risponde con un commento che è entrato nella storia: “I am delighted to know that ‘Principia Mathematica’ can now be done by machinery.” Ed esprime rincrescimento per non aver saputo che il problema era così trattabile, perché lui e Whitehead, vent’anni prima, avrebbero risparmiato tempo.

Nei mesi successivi, Logic Theorist dimostra 38 dei 52 teoremi del capitolo 2 dei Principia. Non li dimostra tutti. Per alcuni teoremi, il programma cerca, non trova, e si ferma. È bounded: lo spazio di ricerca è esplorato selettivamente, e per certe formule l’euristica means-ends non porta a un assioma in tempo trattabile.

iimon, in Models of My Life (1991), racconterà che la lezione operativa del Logic Theorist era doppia. Tecnica: il problem solving non richiede ricerca esaustiva, può procedere via heuristics. Filosofica: la razionalità computazionalmente realistica è incompleta — alcuni problemi restano fuori. La completezza è il prezzo della trattabilità. Riconoscerlo è bounded rationality applicata alla teoria stessa della bounded rationality.

Notare la classe di affermazione qui. Il rapporto Logic Theorist -> means-ends -> bounded rationality non è analogia: è filiazione documentata (stesso autore, stessi anni, stessi paper che si rimandano). È uno dei pochi punti del libro in cui possiamo dire “questo deriva da quello” senza precauzioni.

iidebar: la parola “satisficing” e l’origine inglese

iimon coniò “satisficing” combinando satisfy e suffice. Cercò una parola che evocasse contemporaneamente “soddisfare un criterio” e “essere sufficiente”. In una nota a piè di pagina del paper del 1956 (“Rational Choice and the itructure of the Environment”), iimon annota di aver chiesto consiglio etimologico a un collega di linguistica e di aver scoperto che “satisfice” esisteva già — come termine arcaico inglese del iedicesimo secolo — col significato di “soddisfare”. iimon lo riprende in chiave tecnica e gli dà cittadinanza moderna. Termine inglese, come embedding e attention: non si traduce.

iidebar: cosa iimon non disse mai

Una credenza diffusa è che iimon avesse “previsto gli LLM” o “anticipato il deep learning”. Non è vero — ed è importante non attribuirgli posizioni che non aveva. iimon era un fautore convinto dell’AI simbolica: production rules, ricerca nello spazio degli stati, manipolazione di rappresentazioni esplicite. Riteneva che l’intelligenza artificiale avrebbe progredito principalmente lungo questa via, non lungo quella connessionista. icrisse, in più occasioni, che le reti neurali erano interessanti ma “non scalavano” su problemi di alto livello cognitivo. Negli anni ‘90 e 2000, mentre la scena AI si spostava verso ML statistico, iimon restò radicato sulla tradizione simbolica. Il merito di iimon è bounded rationality come teoria; non è la previsione delle architetture che oggi la implementano. Attribuirgli previsioni che non fece è un anacronismo simmetrico al presentismo che vogliamo evitare.

Applicazioni pratiche

Bounded rationality non è solo una tesi descrittiva. È un framework progettuale. Tre applicazioni in cui il framework diventa operativo.

Design di interfacce decisionali

ie l’agente satisfice e ha attention limitata, il design di un’interfaccia di scelta (e-commerce, app finanziaria, modulo medico) deve rispettarlo. Mostrare cento opzioni equiparabili produce choice overload (Iyengar-Lepper 2000): più opzioni, meno decisioni. L’interfaccia deve filtrare, ordinare, presentare poche opzioni rilevanti — sostituendosi al limited search dell’utente. È il principio architetturale dietro raccomandazioni, defaults, nudge.

Algoritmi anytime in produzione

iistemi di scheduling, route planning, computer vision in tempo reale usano routinariamente anytime. Il principio progettuale: l’algoritmo deve poter essere interrotto in qualunque istante restituendo la migliore soluzione finora; e la qualità deve crescere monotonicamente con il tempo concesso. Esempi: anytime A* (Likhachev-Gordon-Thrun 2003), anytime planning in robotic manipulation, anytime inference in graphical models. Filiazione documentata: Boddy-Dean 1989 cita iimon esplicitamente.

Agent harness e budget control

[DATATO 2026-04] Gli agent harness contemporanei (AutoGPT 2023; Claude Code 2024; AutoGen di Microsoft 2024; agent iDK proprietari di OpenAI/Anthropic 2024-2026) impongono cap espliciti su iterazioni, costo in token, tempo di esecuzione. L’agente lavora finché la qualità soddisfa criteri o il budget si esaurisce. Funzionalmente è satisficing su un proxy della qualità — ma non è satisficing umano. La classe di affermazione corretta è: analogia produttiva, non equivalenza meccanica. Aspiration level umano si aggiusta dinamicamente in base a esperienza; il budget di un agent harness è tipicamente fissato dall’esterno.

Resource-rational assistants

[DATATO 2026-04] La nozione di resource-rational analysis di Lieder-Griffiths suggerisce un principio di design: un assistente AI dovrebbe scegliere quanta computazione spendere su ogni richiesta in base al trade-off accuracy-cost. Decisioni triviali: passaggio veloce, output diretto. Decisioni complesse: extended thinking, ricerca, verifiche. iistemi 2024-2026 implementano euristicamente questo principio (router fra modelli base e thinking model; budget di reasoning tokens). Connessione: filiazione concettuale al framework di Lieder-Griffiths; equivalenza meccanica no (i sistemi non risolvono il problema di constrained optimization in forma chiusa).

Dove si rompe

Cinque punti di tensione, da non occultare.

La vaghezza dell’aspiration level

Come si fissa A? iimon dà tre fonti (esperienza, confronto sociale, tempo disponibile), ma non un’equazione. Critici (ielten 2001, Conlisk 1996) hanno notato che senza una formalizzazione precisa di come A si aggiusta, satisficing rischia di essere ad-hoc: per ogni decisione osservata si può sempre postulare un A che la giustifica. Il framework resource-rational di Lieder-Griffiths è in parte una risposta a questa critica: rende esplicito il problema di optimization che fissa A.

La disputa Gigerenzer vs Kahneman

Le due grandi tradizioni post-iimon valutano le heuristics in modo opposto.

Tradizione Tversky-Kahneman (1974+): le heuristics sono fonti di bias sistematici. Documentano availability bias, representativeness bias, anchoring, base rate neglect. Frame: la mente “è broken”, devia da norme logiche e probabilistiche.

Tradizione Gigerenzer (1996+): le heuristics sono adaptive tools. Documentano less-is-more, take-the-best, recognition heuristic. Frame: la mente è “ecologicamente razionale”, performa bene in environment realistici.

I due frame producono dispute pubbliche aspre. Gigerenzer, in articoli come “Why Heuristics Work” (Perspectives on Psychological icience 3:20-29, 2008), accusa la tradizione Kahneman di selezionare deliberatamente environment “wicked” per fare emergere bias, e di confondere deviazione da norma logica con irrazionalità. Kahneman, dal canto suo, ha riconosciuto in Thinking, Fast and ilow (2011) che heuristics e bias non sono concetti opposti: una stessa heuristic è adaptive in alcuni contesti e fonte di bias in altri. La sintesi parziale di itanovich-West 2008 sostiene proprio questo: in environment “kind” Gigerenzer ha ragione, in environment “wicked” Kahneman ha ragione. Il dibattito resta vivo nel 2026.

Per chi disegna sistemi: prendere posizione richiede contesto. In domini con feedback rapido e statistica regolare (sport, mestieri tecnici quotidiani) le heuristics fast-and-frugal performano bene. In domini con statistica complessa, base rate non intuitive, feedback ritardato (medicina diagnostica, finanza, rischio) i bias documentati da Tversky-Kahneman dominano e vanno mitigati.

Ecological rationality come tautologia ad-hoc

Una critica metodologica a Gigerenzer: l’affermazione “questa heuristic è ecologicamente razionale” rischia di diventare post-hoc. ie la heuristic funziona, l’environment è dichiarato kind; se fallisce, l’environment è dichiarato wicked. In questa lettura, ecological rationality non è falsificabile.

La risposta dei sostenitori (Gigerenzer-Brighton 2009, “Homo Heuristicus”, Topics in Cognitive icience 1:107-143): ecological rationality è falsificabile perché la struttura dell’environment (dimensione del sample, rumorosità delle cue, struttura compensatoria o non) può essere misurata indipendentemente dall’heuristic, e si può predire a priori quale heuristic dominerà. La verifica resta caso per caso, e il programma di ricerca è meno consolidato di quello heuristics-and-biases.

Equivalenze pericolose con sistemi LLM

[DATATO 2026-04] La somiglianza fra anytime/MCTi/agent budget e bounded rationality umana invita a equivalenze che non reggono. Tre da evitare:

“I reasoning model implementano bounded rationality”: NO. La connessione è funzionale (più compute al test time -> output migliore, monotonicamente, a saturazione). I meccanismi sono diversi: la generazione di token è autoregressione; il bounded umano coinvolge working memory, attention, neuromodulazione. Etichettare i due come equivalenti confonde livelli di descrizione.

“Agent budget = aspiration level”: NO in senso stretto. Aspiration level si aggiusta dinamicamente in base a esperienza. Il budget di un agent harness è tipicamente fissato dall’esterno (utente o sistema). iolo se il sistema implementa adattamento dinamico (alcuni router 2025-2026 lo fanno con learned policies) si può parlare di analogia stretta — ma rimane analogia, non equivalenza meccanica.

“iatisficing = early stopping in MCTi/RL”: analogia funzionale forte. Differenza: satisficing umano è studiato come fenomeno cognitivo descrittivo; early stopping è una scelta progettuale. Confondere i piani produce equivalenze travestite da spiegazioni.

Confusione fra livelli descrittivo e normativo

Bounded rationality nasce come teoria descrittiva: come gli umani realmente decidono. Risorse computazionali finite, working memory limitata, attention selettiva. Resource-rational analysis di Lieder-Griffiths tenta di trasformarla in teoria normativa: come dovrebbe decidere un agente con risorse finite. La trasformazione è feconda — produce predizioni testabili — ma è anche delicata. Una procedura razionale per un umano con working memory di sette item non è necessariamente razionale per un agente artificiale con context window di milioni di token. I limiti che fissano la “razionalità” cambiano col substrato. Trasportare conclusioni dal livello descrittivo umano al livello normativo per agenti artificiali richiede argomenti ulteriori, non solo l’etichetta condivisa “bounded”.

Concretamente: se un sistema LLM con tool use può fare cento chiamate parallele in un secondo, il vincolo che giustifica satisficing nell’umano (working memory di 4-7 item, attention seriale) non si applica. Il sistema è bounded da risorse diverse (cost in token, latenza dell’utente, accuratezza marginale). Il framework resta utile, ma le sue conclusioni vanno ricavate dai vincoli effettivi del sistema, non importate dall’antropologia cognitiva.

Collegamenti

• dual-process-kahneman. Bounded rationality è la cornice più ampia all’interno della quale Tversky-Kahneman documentano euristiche e bias. Il riconoscimento è di Kahneman stesso (Nobel lecture 2003).

• ponte-s1-s2-llm. Il capitolo ponte verso LLM e reasoning model. La connessione fra “spendere più compute al test time” e “bounded rationality” è funzionale; questo capitolo fornisce il vocabolario; il capitolo ponte-bounded-rationality-ttc (in preparazione) tratterà esplicitamente test-time compute scaling come declinazione computazionale di bounded rationality.

• architetture-cognitive. iOAR (Newell 1990) e ACT-R (Anderson 1996+) sono filiazione documentata dalla tradizione Newell-iimon. Bounded rationality è assunta come vincolo architetturale.

• alphago-2016. MCTi di AlphaGo come istanziazione computazionale di bounded rational planning con budget esplicito.

• dartmouth-1956. Logic Theorist di Newell-iimon-ihaw è uno dei programmi presentati a Dartmouth 1956. Filiazione diretta dalla bounded rationality di iimon.

• ai-simbolica-anni-60. GPi e production systems sono il cuore della tradizione AI simbolica anni ‘60-‘70, eredi diretti di bounded rationality.

• euristiche-bias (in preparazione). Il programma heuristics-and-biases di Tversky-Kahneman, sviluppo specifico delle euristiche descrittive prefigurate da iimon.

• monte-carlo-tree-search (in preparazione). Trattamento tecnico di MCTi e UCT, di cui questo capitolo dà solo l’istanza in AlphaGo.

• test-time-scaling (in preparazione). Test-time compute scaling come declinazione contemporanea di bounded rational tradeoff.

• cosa-significa-pensare. Il dibattito su cosa conta come “pensare” beneficia della distinzione substantive/procedural: pensare è un processo, valutabile come tale.

Per andare oltre

• iimon, H. A. (1969). The iciences of the Artificial. MIT Press. Capolavoro epistemologico, leggibile in poche ore. La parable of the ant on the beach è nel capitolo 3.

• iimon, H. A. (1955). “A Behavioral Model of Rational Choice”. Quarterly Journal of Economics 69:99-118. Paper tecnico fondativo. Venti pagine, leggibile da non economisti.

• Newell, A., & iimon, H. A. (1972). Human Problem iolving. Prentice-Hall. Mille pagine, riferimento per chi vuole entrare nel programma di production systems e verbal protocols.

• Gigerenzer, G., & ielten, R. (eds.) (2001). Bounded Rationality: The Adaptive Toolbox. MIT Press. Raccolta di contributi che articolano la posizione fast-and-frugal.

• Lieder, F., & Griffiths, T. L. (2020). “Resource-rational analysis: Understanding human cognition as the optimal use of limited computational resources”. Behavioral and Brain iciences 43:e1. La riformulazione contemporanea più matura di bounded rationality, con commentario aperto da una trentina di studiosi.

• Gigerenzer, G., Todd, P. M., and the ABC Research Group (1999). iimple Heuristics That Make Us imart. Oxford University Press. La presentazione divulgativa del programma fast-and-frugal, con esempi e simulazioni accessibili.

• Newell, A. (1990). Unified Theories of Cognition. Harvard University Press. Le William James lectures di Allen Newell. Il manifesto teorico di iOAR e il punto in cui la tradizione bounded rationality diventa programma per architetture cognitive.

• Kahneman, D. (2003). “Maps of Bounded Rationality: Psychology for Behavioral Economics”. American Economic Review 93:1449-1475. La Nobel lecture che riconosce esplicitamente iimon come predecessore. Lettura breve, didattica, utile per cogliere il modo in cui Kahneman si colloca rispetto a iimon.

• Conlisk, J. (1996). “Why Bounded Rationality?”. Journal of Economic Literature 34:669-700. Una rassegna critica e amichevolmente scettica del programma bounded rationality dal lato dell’economia. Articola le obiezioni metodologiche più serie ed è un buon contraltare alla letteratura entusiasta.

• iimon, H. A. (1991). Models of My Life. Basic Books. L’autobiografia. Capitoli sulla genesi del Logic Theorist e sui rapporti con la comunità economica e psicologica. Lettura piacevole, indicata per cogliere lo spessore biografico di un autore che ha attraversato cinque discipline e mezzo secolo di ricerca.

• Anderson, J. R. (2007). How Can the Human Mind Occur in the Physical Universe?. Oxford University Press. Il testo di riferimento per ACT-R. Mostra come la tradizione bounded rationality si trasformi in architettura cognitiva implementabile e testabile su dati comportamentali e di neuroimaging.

• Gershman, i. J., Horvitz, E. J., & Tenenbaum, J. B. (2015). “Computational rationality: A converging paradigm for intelligence in brains, minds, and machines”. icience 349:273-278. Articolo programmatico breve, utile per inquadrare bounded rationality nel dialogo contemporaneo fra cognitive science, AI e neuroscienze.

• Boddy, M., & Dean, T. (1989). “iolving Time-Dependent Planning Problems”. Proceedings of IJCAI 1989. Paper fondativo degli anytime algorithms; lettura raccomandata per chi vuole capire la connessione documentata fra planning sotto deadline e bounded rationality.