Pensiero laterale e AI: perché le idee sbagliate possono produrre risposte migliori
Come usare errore, assurdo e contraddizione per spingere ChatGPT, Claude e Gemini fuori dalle risposte più prevedibili.
Quando chiediamo a un’intelligenza artificiale di risolvere un problema, normalmente facciamo una cosa molto ragionevole:
Dammi la soluzione migliore.
Il problema è proprio quel “migliore”.
Perché spesso coincide con la soluzione più plausibile, più conosciuta, più compatibile con gli schemi che il modello incontra continuamente.
Funziona benissimo quando dobbiamo risolvere un problema standard.
Molto meno quando vogliamo produrre qualcosa che standard non deve essere.
È qui che il pensiero laterale diventa interessante.
Edward de Bono e il problema del solito buco
Edward de Bono, che ha introdotto il concetto di lateral thinking, distingueva il pensiero verticale — logico, progressivo, orientato ad approfondire una direzione — dalla capacità di rompere intenzionalmente uno schema e cercare altrove.
Il pensiero laterale non consiste semplicemente nell’avere idee strane.
È un processo deliberato per uscire dai pattern già stabiliti e produrre alternative.
Applicato all’intelligenza artificiale, il concetto diventa particolarmente interessante.
Un LLM è straordinariamente efficace nel completare pattern.
Se gli chiediamo:
Come posso migliorare la comunicazione di un e-commerce?
possiamo aspettarci:
personalizzazione;
email marketing;
segmentazione;
social;
retargeting;
content marketing;
loyalty.
Tutte risposte sensate.
Ed è proprio questo il problema.
Le abbiamo già sentite.
La risposta corretta può essere la risposta meno interessante
Nella creatività esistono due momenti diversi.
Il primo è divergente:
Quante direzioni posso esplorare?
Il secondo è convergente:
Quale di queste direzioni funziona davvero?
Se chiediamo immediatamente all’AI di trovare la soluzione migliore, spesso le stiamo chiedendo di convergere troppo presto.
Possiamo invece fare qualcosa di apparentemente assurdo:
chiederle deliberatamente di sbagliare.
Non perché vogliamo utilizzare la risposta sbagliata.
Vogliamo utilizzarla per raggiungere zone che una richiesta convenzionale probabilmente non avrebbe esplorato.
L’errore come strumento creativo
A Thomas Edison vengono attribuite diverse versioni della celebre frase secondo cui i numerosi esperimenti falliti non sarebbero stati fallimenti, ma modi scoperti per non raggiungere il risultato. Il numero preciso — 700, 1.000, 10.000 e altri ancora — cambia nelle varie ricostruzioni, quindi eviterei di trasformare la leggenda in una citazione storicamente certa.
Il principio, però, è interessante.
Una soluzione corretta ci dice:
Questa strada funziona.
Una soluzione sbagliata può dirci:
Questa strada non funziona per questo motivo.
Ed è quel motivo che ci interessa.
Con un modello generativo possiamo estremizzare il meccanismo.
Invece di aspettare l’errore, possiamo progettarlo.
Only wrong answers
Supponiamo che il problema sia:
Un e-commerce vuole aumentare le vendite senza aumentare il budget pubblicitario.
La richiesta standard potrebbe produrre ottimi consigli.
Proviamo invece:
Dammi tre modi completamente sbagliati, assurdi e controproducenti per aumentare le vendite.
Potrebbero apparire idee come:
eliminare completamente le immagini dei prodotti;
raddoppiare tutti i prezzi senza spiegazione;
impedire al cliente di acquistare finché non risponde a dieci domande.
Sono idee pessime.
Perfetto.
Adesso arriva la parte importante.
Il kernel di genialità
Per ogni soluzione assurda chiediamo:
Qual è l’intuizione potenzialmente interessante nascosta dentro questa idea sbagliata?
Prendiamo:
Impedisci al cliente di comprare prima che abbia risposto a dieci domande.
È ovviamente una pessima soluzione.
Ma quale principio contiene?
Prima di mostrare un prodotto, potrei cercare di capire meglio che cosa serve realmente al cliente.
A questo punto l’assurdo può diventare:
Un configuratore di tre domande che suggerisce immediatamente il prodotto più adatto.
L’idea utilizzabile non era nella risposta standard.
Era nascosta dentro una risposta deliberatamente sbagliata.
Il processo diventa:
IDEA ASSURDA
↓
PERCHÉ NON FUNZIONA
↓
PRINCIPIO NASCOSTO
↓
RIMOZIONE DELLA PARTE ASSURDA
↓
SOLUZIONE REALE
Questo è il passaggio decisivo.
Un prompt per utilizzare l’errore come generatore di alternative
Agisci come un think tank provocativo specializzato
nel problem solving creativo.
PROBLEMA
[Descrivi dettagliatamente il problema.]
FASE 1 — RISPOSTE SBAGLIATE
Genera 3 soluzioni deliberatamente sbagliate,
assurde, controintuitive o apparentemente impraticabili.
Non cercare ancora di essere realistico.
FASE 2 — ANALISI
Per ciascuna soluzione:
1. spiega perché sarebbe sbagliata;
2. identifica l'intuizione interessante nascosta;
3. individua il principio che potrebbe avere valore;
4. elimina gli elementi assurdi o dannosi.
FASE 3 — TRASFORMAZIONE
Trasforma ogni intuizione interessante
in una soluzione concretamente applicabile.
FASE 4 — SELEZIONE
Confronta le soluzioni ottenute e indica
quali meritano ulteriore esplorazione e perché.
La parte importante non è “dammi idee folli”.
È il processo successivo.
Senza trasformazione, otteniamo soltanto follia.
Tecnica 2: l’ignoranza strategica
Un’altra tecnica consiste nel togliere temporaneamente dal tavolo le convenzioni del settore.
Non possiamo realmente cancellare ciò che il modello ha appreso.
Possiamo però imporgli un contesto controfattuale.
Per esempio:
Affronta questo problema come se le soluzioni normalmente utilizzate nel settore non esistessero.
Oppure:
Agisci come una mente brillante che osserva questo settore per la prima volta e non conosce le sue convenzioni.
È quello che definisco ignoranza strategica.
Non chiediamo all’AI di diventare ignorante.
Le chiediamo di non appoggiarsi immediatamente alla risposta convenzionale.
Un esempio
Domanda standard:
Come possiamo fidelizzare i clienti di un e-commerce?
Adesso togliamo dal tavolo:
newsletter;
sconti;
loyalty;
retargeting;
coupon;
punti;
programmi referral.
E chiediamo:
Se nessuna di queste soluzioni fosse disponibile, come costruiresti una relazione continuativa con il cliente?
Il problema non è cambiato.
È cambiato lo spazio nel quale il modello può cercare.
Tecnica 3: invertire il problema
Un altro metodo classico di pensiero laterale consiste nell’invertire completamente l’obiettivo.
Invece di chiedere:
Come aumento le conversioni?
possiamo chiedere:
Come potrei distruggere completamente le conversioni del sito?
Risposte:
rendere poco chiaro il prezzo;
nascondere le informazioni importanti;
rallentare il checkout;
aumentare l’incertezza;
inserire sorprese alla fine dell’acquisto.
Adesso invertiamo.
Otteniamo immediatamente una checklist:
prezzo evidente;
informazioni disponibili prima;
checkout semplice;
riduzione dell’incertezza;
nessun costo inatteso.
Non sempre produrrà qualcosa di rivoluzionario.
Ma ci costringe a osservare il problema da un’altra direzione.
Tecnica 4: attaccare la prima risposta dell’AI
Il primo output non deve necessariamente diventare il risultato.
Può diventare materiale da attaccare.
Quella che hai appena prodotto è probabilmente
la soluzione più convenzionale.
Adesso criticane severamente:
- le assunzioni;
- gli elementi prevedibili;
- le convenzioni del settore;
- le alternative che hai escluso.
Genera quindi una seconda soluzione che utilizzi
principi diversi dalla prima.
Qui non stiamo semplicemente dicendo:
Fammi qualcosa di più creativo.
Stiamo indicando dove cercare la differenza.
Pensiero laterale non significa casualità
È un punto fondamentale.
Una risposta assurda non è automaticamente creativa.
Una risposta diversa non è automaticamente migliore.
Il processo corretto contiene sempre due fasi:
DIVERGENZA
↓
apro possibilità
CONVERGENZA
↓
elimino quelle inutili
L’errore viene utilizzato per esplorare.
Poi arriva il controllo.
Quando NON utilizzare queste tecniche
Non chiederei mai:
Dammi tre risposte volutamente sbagliate sulla normativa fiscale.
Oppure:
Inventiamo tre interpretazioni creative di questo contratto.
Qui non abbiamo bisogno di divergenza.
Abbiamo bisogno di accuratezza.
Il metodo è utile soprattutto per:
concept;
comunicazione;
marketing;
naming;
prodotto;
strategia;
brainstorming;
problem solving;
progettazione;
innovazione.
Molto meno per task nei quali esiste una risposta verificabile e sbagliare ha un costo elevato.
La domanda da ricordare
Quando l’AI continua a produrre risposte corrette ma terribilmente prevedibili, invece di scrivere per la decima volta:
Sii più creativo.
possiamo cambiare completamente il gioco.
Qual è la risposta sbagliata?
Qual è il contrario?
Cosa faresti se la soluzione normale fosse vietata?
Quale assunzione stiamo dando per scontata?
Che cosa c’è di interessante dentro un’idea assurda?
A quel punto non stiamo più utilizzando l’intelligenza artificiale soltanto per avere risposte.
La stiamo utilizzando per mettere pressione al nostro modo di formulare i problemi.
Ed è forse questo l’aspetto che trovo più interessante del pensiero laterale applicato all’AI.
Non serve soltanto a rendere meno prevedibile la macchina.
Serve a evitare che, usando una macchina ogni giorno, diventiamo più prevedibili anche noi.