Avanzare la scienza comportamentale applicata: il framework GAP

Perché le nostre scelte contano più di quanto pensiamo

Dalla sottoscrizione di una pensione al clic su “accetta” online, le nostre scelte quotidiane sono plasmate silenziosamente da decisioni di design sottili e dalle potenti tecnologie emergenti. Questo articolo presenta il framework GAP, una mappa per governi, aziende e organizzazioni non profit che vogliono usare le conoscenze sul comportamento umano in modo responsabile ed efficace. Mostra come idee classiche su abitudini e bias possano essere combinate con l’intelligenza artificiale e i vincoli del mondo reale per andare oltre i semplici “nudge” verso modi più intelligenti, equi e trasparenti di influenzare i comportamenti.

Guardare il comportamento con occhi nuovi

La prima parte del framework GAP, Strumenti Generali, si concentra su ciò che la scienza comportamentale già sa su come le persone pensano e agiscono. Gli autori raggruppano molti risultati famosi in una lente semplice chiamata SHELL: siamo guidati dall’influenza sociale, dalle abitudini, dalle emozioni, dalla capacità mentale limitata e dal controllo di sé ridotto. Questa lente aiuta le organizzazioni a superare le solite assunzioni secondo cui le persone hanno solo bisogno di più informazioni o di incentivi maggiori. Al contrario, le incoraggia a chiedersi: le persone stanno copiando gli altri? Agiscono in modalità automatica? Sono sopraffatte da opzioni complesse? Sono stanche o sotto stress? Vedere i problemi attraverso SHELL è pensato come un passo diagnostico prima di progettare qualsiasi soluzione.

Individuare ostacoli nascosti all’interno dei sistemi

Una volta sospettati i principali fattori che determinano il comportamento, il framework mette in evidenza gli audit comportamentali come modo per scoprire cosa non funziona davvero all’interno di un’organizzazione. Gli audit di “sludge” cercano ostacoli inutili—moduli, passaggi e ritardi che sprecano tempo ed energia. Gli audit dei bias cercano schemi ingiusti nelle decisioni come assunzioni o concessione di prestiti, mentre gli audit del rumore cercano incoerenze casuali tra persone che dovrebbero giudicare casi in modo simile. Insieme, questi audit rivelano quando i sistemi sono confusi, ingiusti o inaffidabili. Solo dopo questo lavoro diagnostico entra in gioco l’idea familiare di “architettura delle scelte”: piccoli cambiamenti nel modo in cui le opzioni vengono presentate, come default, promemoria o layout semplificati, progettati per rendere le scelte migliori più facili senza limitare la libertà.

Integrare macchine intelligenti nel quadro

Il secondo pilastro di GAP, Algoritmi, spiega come i nuovi strumenti di dati—soprattutto l’intelligenza artificiale—possano potenziare la scienza comportamentale se usati correttamente. L’IA può aprire nuove forme di raccolta dati, dallo scanner di milioni di messaggi per rilevare umore e opinioni fino a mega‑studi che confrontano dozzine di interventi contemporaneamente. Può anche individuare schemi in dataset immensi che gli esseri umani non vedrebbero, come quanto tempo occorre realmente per formare un’abitudine o quali fattori predicono più fortemente l’esitazione verso i vaccini. Inoltre, i sistemi di IA possono fornire sollecitazioni o raccomandazioni su misura nel momento giusto e su vasta scala. Allo stesso tempo, gli autori avvertono che questi stessi strumenti possono essere usati in modo improprio per manipolare le persone o invadere la privacy, rendendo essenziali salvaguardie etiche e forme di controllo.

Far funzionare la scienza del comportamento nelle organizzazioni reali

Il terzo pilastro, Considerazioni Pratiche, riconosce che anche le migliori idee falliscono senza le persone, le regole e i metodi giusti. Usando il mnemonico TEAM, gli autori discutono come costruire team di insight comportamentali, decidere se centralizzarli o distribuirli tra i dipartimenti e combinare competenze di psicologia, economia, data science, diritto e altro. Sottolineano la necessità di ruoli chiari, linee guida etiche e rispetto per leggi sulla privacy come le normative europee sulla protezione dei dati. Anche i costi contano: alcuni nudges sono economici e altamente costo‑efficaci, mentre sistemi IA avanzati richiedono forti investimenti e attente analisi costi–benefici. Infine, il framework insiste sull’importanza di test rigorosi—attraverso esperimenti, sperimentazioni sul campo e altri metodi di ricerca—perché le organizzazioni imparino non solo “cosa funziona”, ma per chi, in quali contesti e a quale costo.

Comporre insieme vecchi e nuovi elementi

Piuttosto che sostituire modelli popolari come COM‑B, MINDSPACE o EAST, il framework GAP è pensato per porsi al di sopra di essi e collegare i punti. SHELL e gli audit affinano la diagnosi, i modelli esistenti di cambiamento comportamentale aiutano a progettare interventi, gli algoritmi ampliano ciò che può essere osservato e scalato, e TEAM mantiene tutto ancorato a strutture, etica e budget del mondo reale. Gli autori sono franchi sui limiti della loro proposta: GAP non cataloga ogni tecnica possibile, e c’è il rischio che qualsiasi framework possa restringere il dibattito o trascurare cambiamenti di sistema più profondi che potrebbero essere necessari. Chiedono più studi comparativi di diverse strategie e aggiornamenti di GAP man mano che evolvono tecnologia e regolamentazione.

Cosa significa questo per la vita di tutti i giorni

In termini concreti, il framework GAP è una guida per usare la scienza sul comportamento umano in modi più intelligenti e riflessivi. Esorta i praticanti a diagnosticare i problemi con cura prima di saltare alle soluzioni, a combinare il giudizio umano con la capacità degli algoritmi di trovare schemi e a costruire team e regole che mantengano l’influenza trasparente ed equa. Poiché enti pubblici e aziende plasmano sempre più le nostre scelte—sia offline sia online—GAP offre un modo per sfruttare questi strumenti per migliorare salute, finanze e risultati sociali rispettando al contempo l’autonomia e la diversità delle persone.

Citazione: Costa, S., Mills, S., Duyck, W. et al. Advancing applied behavioral science: the GAP framework. Humanit Soc Sci Commun 13, 261 (2026). https://doi.org/10.1057/s41599-026-06542-3

Parole chiave: scienza comportamentale applicata, nudging e architettura delle scelte, intelligenza artificiale nelle politiche, audit comportamentali, processo decisionale organizzativo