Come funziona l'effetto di ancoraggio
L'effetto di ancoraggio (anchoring effect) è la tendenza a fare stime numeriche e valutazioni quantitative rimanendo troppo vicini a un valore iniziale, detto ancora, anche quando quell'ancora è palesemente arbitraria, fornita da altri, o del tutto irrilevante rispetto alla domanda che stiamo affrontando.
Amos Tversky e Daniel Kahneman descrissero il fenomeno nel 1974. Nel loro esperimento i partecipanti vedevano una ruota della fortuna, truccata per fermarsi sempre a 10 o a 65, e dovevano stimare la percentuale di paesi africani nell'ONU. Chi aveva visto il numero 65 forniva stime significativamente più alte di chi aveva visto il numero 10. La ruota della fortuna non aveva nessun rapporto logico con la domanda. Eppure il numero era diventato un'ancora.
L'ancora non deve essere pertinente per essere efficace. Numeri casuali, prezzi di listino esplicitamente gonfiati, cifre pronunciate da una terza parte durante una negoziazione: tutti questi valori influenzano le stime successive anche quando chi li riceve sa perfettamente che sono arbitrari.
La consapevolezza che un'ancora è irrilevante non elimina la sua influenza. Gli studi di Epley e Gilovich (2001) hanno mostrato che gli avvertimenti espliciti attenuano ma non eliminano l'effetto quando l'ancora è fornita dall'esterno. Sapere che il meccanismo esiste attenua l'effetto, ma non lo annulla.
Due spiegazioni del meccanismo
Due teorie principali spiegano il funzionamento dell'ancoraggio. Descrivono processi distinti che possono operare separatamente o insieme.
Secondo la prima teoria il processo parte dall'ancora e procede per aggiustamenti successivi che però si arrestano prima di raggiungere la stima più accurata, perché il pensiero rapido non sostiene lo sforzo necessario.
Questa teoria funziona bene quando l'ancora è un punto di partenza esplicito da cui ci si allontana deliberatamente: per esempio, quando si parte da una stima propria e si cerca di correggerla. La direzione dell'errore è sempre la stessa: la stima finale è troppo vicina al punto di partenza, mai abbastanza lontana.
Segnale diagnostico: l'ancora è un punto di partenza riconosciuto. L'errore si vede nella distanza insufficiente tra ancora e risposta finale.
Quando siamo esposti a un'ancora, il nostro sistema cognitivo attiva preferenzialmente le informazioni in memoria che sono compatibili con quel valore. Questo crea un contesto interpretativo distorto: valutiamo la domanda successiva con una base informativa selezionata dall'ancora, non dalla realtà.
Questa teoria spiega perché anche ancore palesemente assurde e irrilevanti, come la ruota della fortuna dell'esperimento originale, hanno effetto: non funzionano come punti di partenza, ma come attivatori selettivi di informazioni in memoria che «suonano bene» vicino a quel numero.
Segnale diagnostico: l'ancora è esterna e non necessariamente riconosciuta come punto di partenza. L'effetto è più sottile e pervasivo perché opera sul contenuto del ragionamento, non solo sulla sua direzione.
La prima teoria suggerisce che aumentare lo sforzo cognitivo, rallentare, cercare attivamente valori alternativi, riduce l'effetto. La seconda suggerisce che generare attivamente informazioni incompatibili con l'ancora, chiedersi esplicitamente «quali sono i motivi per cui questo valore è sbagliato?», è una strategia di debiasing più efficace della semplice consapevolezza.
Quattro domini in cui l'ancoraggio ha evidenza robusta
L'effetto di ancoraggio è stato documentato in contesti molto diversi. L'effetto di ancoraggio è stato documentato con particolare frequenza in quattro domini.
La prima offerta in una negoziazione funge da ancora potente per tutte le offerte successive, anche per la controparte che sa che la cifra è gonfiata. I prezzi di listino «barrati» nei negozi sfruttano esplicitamente questo meccanismo: il prezzo originale diventa l'ancora rispetto alla quale lo sconto sembra vantaggioso, indipendentemente dal valore reale dell'oggetto.
Northcraft e Neale (1987) hanno mostrato che agenti immobiliari esperti, esposti a prezzi di listino diversi per la stessa proprietà, producevano stime di valore sistematicamente diverse, e correlate all'ancora, pur dichiarando di averla ignorata nel loro processo valutativo.
Gli studi di Englich, Mussweiler e Strack (2006) hanno documentato che giudici professionisti producevano richieste di pena più alte dopo aver tirato un dado truccato per ottenere un numero alto, e più basse dopo un numero basso, pur essendo consapevoli che il dado non aveva alcuna rilevanza giuridica. L'ancora influenzava anche esperti con anni di esperienza.
Lo stesso effetto si osserva nelle richieste della pubblica accusa: una richiesta di condanna elevata sposta verso l'alto la sentenza finale del giudice, anche quando la richiesta è chiaramente sproporzionata rispetto al reato.
Nei testi argomentativi, i numeri citati per primi, anche a titolo comparativo o storico, tendono a diventare ancore per le stime che il lettore produce durante la lettura. Un articolo che apre con «il costo del progetto A è stato di 500 milioni di euro» condiziona la valutazione del costo di un progetto B citato successivamente, anche se i due progetti non sono comparabili per tipo o scala.
Questo effetto si amplifica quando il numero iniziale è accompagnato da dettagli specifici che lo rendono credibile, e quando non vengono forniti valori di confronto alternativi.
Le previsioni di crescita, i target futuri e le stime di durata sono particolarmente vulnerabili all'ancoraggio. Un'organizzazione che ha chiuso l'anno precedente con una crescita del 3% tenderà a produrre previsioni per l'anno successivo ancorate a quel 3%, anche in presenza di cambiamenti strutturali significativi nel contesto. Il dato passato funge da ancora per il dato futuro.
Lo stesso vale per le scadenze: la prima stima di tempo per completare un progetto, anche se formulata senza informazioni sufficienti, diventa un'ancora che condiziona tutte le revisioni successive, che tipicamente si avvicinano alla stima originale più di quanto i dati oggettivi giustificherebbero.
Quattro esempi concreti e commentati
I quattro esempi che seguono mostrano l'ancoraggio in contesti diversi. La distinzione chiave da imparare a vedere è questa: il bias di ancoraggio non consiste nel citare un numero, ma nell'usare un numero iniziale come punto di riferimento implicito per orientare la valutazione del lettore senza che ci sia una base logica per quella comparazione.
Il ragionamento usa gli 80 kWh come ancora implicita per valutare i 52 kWh come «risultato molto positivo». Ma la valutazione corretta del consumo di 52 kWh non dipende da quanto si era previsto inizialmente: dipende da benchmark oggettivi, confronti con modelli equivalenti per scala e architettura, analisi dei costi unitari, standard di settore. Se il consumo medio di riferimento per quella tipologia di modello è 35 kWh, allora 52 kWh è un risultato negativo, non positivo, indipendentemente dal preventivo iniziale di 80. L'ancora crea l'illusione di un risparmio che è in realtà solo uno scostamento rispetto a una stima precedente.
Qui la valutazione del consumo di 52 kWh non usa come ancora il preventivo iniziale: usa un benchmark esterno e oggettivo, modelli comparabili, fonte nominata, indicatori statistici espliciti (media e intervallo). La conclusione è proporzionata ai dati e non dipende da nessun valore citato in precedenza. Il lettore dispone degli strumenti per valutare autonomamente se 52 kWh sia un buon risultato, e la risposta è no, sulla base dei dati forniti.
Il dato storico di 4 settimane diventa l'ancora rispetto alla quale 2 settimane e 40 minuti appare come un «miglioramento sostanziale». Ma il criterio rilevante non è la performance passata dello stesso tipo di modello: è uno standard esterno di qualità, benchmark attuali su hardware equivalente mostrano tempi medi di 45–90 minuti per training comparabili. Rispetto a questi benchmark, 2 settimane e 40 minuti rimane un valore problematico, indipendentemente dal fatto che sia migliorato rispetto a 10 anni fa. Il confronto con il passato crea un'ancora che oscura il confronto con lo standard appropriato.
Questa struttura argomentativa è particolarmente sofisticata: l'autore sembra prudente e critico verso la stima iniziale di 200 milioni, e tuttavia usa quella cifra come ancora per costruire l'argomento. Il «dimezzamento» non è fondato su nessuna analisi: è un aggiustamento arbitrario verso il basso che mantiene l'ancora come punto di riferimento. Se le «alcune stime» di 200 milioni fossero basate su assunzioni non verificate, dimezzarle non produce una stima più affidabile: produce semplicemente un'ancora dimezzata. L'effetto sul lettore è potente: l'autore sembra ragionevole e cauto, e il lettore accetta 100 milioni come cifra plausibile senza mai esaminare le assunzioni alla base della stima originale di 200.
Nei testi argomentativi, l'ancoraggio si riconosce da questa struttura: viene introdotto un numero, poi viene usato, esplicitamente o implicitamente, come termine di confronto per valutare un secondo numero, senza che venga fornita una giustificazione per cui quel primo numero rappresenti il riferimento corretto. La domanda da porsi è sempre: questo confronto è logicamente fondato, o il primo numero sta funzionando come ancora?
Cosa cercare nel testo: tre categorie distinte
Prima dell'esercizio, ecco le definizioni operative. In questo modulo il bias di ancoraggio ha un segnale testuale specifico: un numero viene usato come punto di riferimento implicito per orientare la valutazione di un numero successivo, senza che il primo abbia una legittimità logica come termine di paragone.
Segnali tipici nel testo: un valore numerico viene citato per primo (un preventivo, un dato storico, una stima altrui, una cifra «di partenza»), e poi usato come riferimento implicito per giudicare positivamente o negativamente un secondo valore. La valutazione del secondo numero non si basa su un benchmark esterno e oggettivo, ma sulla distanza dal primo numero. Formule tipiche: «rispetto al costo iniziale di X, il costo finale di Y è…»; «dieci anni fa era Z, oggi è W: un miglioramento significativo»; «anche ipotizzando che le stime siano ottimistiche e dimezzando la cifra…».
Segnali tipici nel testo: il valore analizzato viene confrontato con dati comparativi espliciti (media di settore, standard internazionale, campione di riferimento con fonte nominata); la fonte del benchmark è identificabile e verificabile; la conclusione riconosce i limiti della comparazione. La valutazione non dipende da nessun numero citato in precedenza nel testo: si fonda su una base di confronto costruita dall'esterno, non generata dall'ancora.
Segnali tipici nel testo: affermazioni di urgenza morale senza contenuto argomentativo («non possiamo permetterci di aspettare oltre»); invocazioni di principi assoluti senza applicazione al caso specifico («il denaro pubblico deve essere usato con la massima responsabilità»); retoriche del fallimento o del successo che non citano numeri ma evocano sentimenti («l'ennesima occasione sprecata», «un risultato storico»). A differenza del bias di ancoraggio, l'esca retorica non lavora con numeri: lavora con l'emozione.
Un confronto numerico diventa ancoraggio quando il valore precedente citato nel testo non costituisce il benchmark logicamente appropriato. Un preventivo iniziale, una stima altrui non verificata o un dato storico di un sistema diverso possono funzionare da ancora anche se il confronto appare ragionevole in superficie.
Prima di passare all'esercizio
Pensa a una situazione concreta, un acquisto, una trattativa, la lettura di un articolo, in cui pensi di aver ragionato partendo da un'ancora. Qual era il numero iniziale? In quale direzione ha orientato la tua valutazione? Riesci a identificare retrospettivamente il punto in cui l'ancora ha smesso di essere un riferimento utile?
Analizza il testo: usa i pulsanti per evidenziare
Leggi il testo seguente per intero prima di attivare i pulsanti. Il tema è la valutazione dei costi e dei risultati di un sistema di intelligenza artificiale per la formazione professionale: un dominio ricco di numeri, confronti temporali e stime che si prestano all'uso strategico delle ancore. Il testo simula il tipo di argomentazione che si trova nei report tecnici, negli articoli di commento sull'AI e nei comunicati di enti che adottano queste tecnologie. Tutti i dati sono fittizi e servono solo a fini didattici.
Attenzione: in questo testo i bias di ancoraggio si riconoscono dalla struttura del confronto, non dalla presenza di numeri in sé. Non tutti i numeri sono ancore.
Il Sistema di Formazione Professionale basato su Intelligenza Artificiale (SFPAI) è stato attivo dal 2022 al 2025, con un budget complessivo di 340 milioni di euro distribuiti su quattro anni. Il sistema ha coinvolto circa 84.000 lavoratori disoccupati tra i 25 e i 50 anni in dodici regioni italiane, con l'obiettivo di fornire competenze certificate in settori ad alta domanda occupazionale.
Il piano originario aveva stimato un costo per partecipante di 5.500 euro. Il costo effettivo si è attestato a 4.050 euro per partecipante: un risultato decisamente positivo per la gestione del programma, che ha dimostrato una capacità di contenimento della spesa superiore alle aspettative iniziali.
Un'analisi comparativa condotta su programmi di riqualificazione professionale basati su AI in 18 contesti analoghi indica un costo medio per partecipante di 2.800 euro, con un intervallo tra 1.900 e 4.100 euro. Il costo del SFPAI si colloca quindi nella fascia alta del campione, in prossimità del limite superiore dell'intervallo di riferimento.
La valutazione dell'efficacia del sistema è più complessa della sola analisi dei costi. L'indicatore principale scelto dai valutatori è il tasso di reinserimento occupazionale a 12 mesi dal termine del percorso formativo.
Nel 2019, prima dell'introduzione del sistema, il tasso di reinserimento occupazionale per i lavoratori disoccupati nella fascia d'età 25–50 anni era del 31% a 12 mesi. Il tasso registrato tra i partecipanti al SFPAI è del 47%: un incremento di sedici punti percentuali che dimostra l'efficacia del modello formativo adottato.
Lo stesso periodo 2022–2025 ha registrato una contrazione generale della disoccupazione in Italia: il tasso di reinserimento occupazionale per i lavoratori non partecipanti al programma ma con profilo demografico analogo è passato dal 31% del 2019 al 41% del 2025, secondo dati di riferimento. Il differenziale osservabile tra i partecipanti al SFPAI (47%) e il gruppo di confronto (41%) è di 6 punti percentuali, non di sedici, ed è questo valore l'indicatore dell'impatto specifico del sistema, al netto della tendenza generale del mercato del lavoro.
Nonostante i numeri parlino chiaro, c'è ancora chi mette in discussione il valore di sistemi come questo basati su intelligenza artificiale. Sarebbe il momento di smetterla con il cinismo e riconoscere che investire nella formazione delle persone attraverso l'AI non è uno spreco: è l'unica risposta seria alla crisi occupazionale.
Un aspetto problematico emerso dalla valutazione riguarda la distribuzione geografica dei risultati. Le dodici regioni partecipanti mostrano tassi di reinserimento molto eterogenei, con un massimo del 61% in Lombardia e un minimo del 29% in Calabria.
Il budget inizialmente stanziato per la fase di valutazione esterna del sistema era di 12 milioni di euro. A seguito di revisioni successive, la valutazione è stata condotta con 4,2 milioni: una riduzione del 65% che, considerato il budget originario, appare comunque come una soluzione accettabile per contenere i costi complessivi del programma.
La letteratura tecnica sulla valutazione di sistemi di intelligenza artificiale di scala comparabile indica che un budget di valutazione adeguato corrisponde tipicamente all'1–2% del costo complessivo del programma. Per un sistema da 340 milioni, questo intervallo corrisponde a 3,4–6,8 milioni di euro. Il budget effettivo di valutazione di 4,2 milioni si colloca all'interno di questo intervallo di riferimento.
I responsabili del sistema hanno dimostrato serietà e dedizione in condizioni difficili. Sarebbe ingrato non riconoscerlo: chi lavora ogni giorno per migliorare le opportunità di chi ha perso il lavoro attraverso strumenti di intelligenza artificiale merita rispetto, non critiche da chi non ha mai implementato un algoritmo di matching occupazionale.
Il testo contiene tre bias di ancoraggio con strutture diverse: il primo usa un preventivo iniziale, il secondo usa un dato storico pre-sistema senza gruppo di controllo, il terzo usa un budget iniziale per giudicare una riduzione. Prova a identificarli prima di attivare il pulsante. Le inferenze corrette, due nel testo, usano tutte un benchmark esterno con fonte nominata. Le esche retoriche non contengono numeri.
Cosa hai visto, e cosa cambia adesso
Le domande che seguono non hanno una risposta esatta. Chiedono di mettere a fuoco il meccanismo dell'ancoraggio nella sua forma più sottile, quella in cui il ragionamento sembra solido perché contiene numeri reali, ma il confronto su cui si basa la valutazione non è quello logicamente corretto.
Il secondo bias di ancoraggio nel testo, il confronto tra il 31% del 2019 e il 47% dei partecipanti, è probabilmente il più difficile da riconoscere, perché usa dati reali e il ragionamento sembra logico. Qual è esattamente il passaggio in cui il confronto smette di essere valido? E perché la presenza dell'inferenza corretta subito dopo, con il dato del gruppo di confronto al 41%, cambia radicalmente la valutazione del sistema?
Il quarto esempio del testo (il budget di valutazione ridotto da 12 a 4,2 milioni) segue la stessa struttura del primo esempio commentato nella fase 04: un preventivo iniziale funge da ancora per giudicare positivamente una riduzione. Cosa succederebbe se il budget iniziale di 12 milioni fosse stato fissato in modo arbitrario e gonfiato? In quel caso, la riduzione a 4,2 milioni sarebbe ancora «accettabile» secondo la logica del testo, ma l'ancora sarebbe ancora meno legittima. Come cambia la tua valutazione?
Le esche retoriche nel testo usavano due strategie diverse: una invocava il principio generale dell'investimento nella formazione attraverso l'AI, l'altra faceva appello alla dedizione personale dei responsabili del sistema. Qual effetto ha sulla valutazione dei dati la presenza di un appello personale alla dedizione dei lavoratori? Riesci a identificare il meccanismo per cui questo tipo di esca rende più difficile valutare i numeri in modo critico?
La tua osservazione finale
L'ancoraggio nei testi pubblici sull'intelligenza artificiale, report tecnici, comunicati stampa, articoli di commento, usa quasi sempre dati reali, il che lo rende più difficile da riconoscere del bias da disponibilità. Hai notato, leggendo il testo dell'esercizio, un momento in cui ti sei sentito convinto da un confronto numerico prima di individuarlo come ancoraggio? Prova a descrivere quel momento e il processo con cui hai cambiato valutazione.
Fonti e bibliografia
I testi che seguono coprono lo studio fondativo di Tversky e Kahneman, le due principali teorie esplicative del meccanismo (aggiustamento insufficiente e attivazione selettiva), le applicazioni nei domini della negoziazione, del diritto e della valutazione pubblica, e i principali tentativi di debiasing documentati in letteratura.
- Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
- Kahneman, D., Slovic, P., & Tversky, A. (Eds.). (1982). Judgment under uncertainty: Heuristics and biases. Cambridge University Press.
- Epley, N., & Gilovich, T. (2001). Putting adjustment back in the anchoring and adjustment heuristic: Differential processing of self-generated and experimenter-provided anchors. Psychological Science, 12(5), 391–396. https://doi.org/10.1111/1467-9280.00372
- Strack, F., & Mussweiler, T. (1997). Explaining the enigmatic anchoring effect: Mechanisms of selective accessibility. Journal of Personality and Social Psychology, 73(3), 437–446. https://doi.org/10.1037/0022-3514.73.3.437
- Mussweiler, T., & Strack, F. (1999). Hypothesis-consistent testing and semantic priming in the anchoring paradigm: A selective accessibility model. Journal of Experimental Social Psychology, 35(2), 136–164. https://doi.org/10.1006/jesp.1998.1364
- Furnham, A., & Boo, H. C. (2011). A literature review of the anchoring effect. Journal of Socio-Economics, 40(1), 35–42. https://doi.org/10.1016/j.socec.2010.10.008
- Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
- Northcraft, G. B., & Neale, M. A. (1987). Experts, amateurs, and real estate: An anchoring-and-adjustment perspective on property pricing decisions. Organizational Behavior and Human Decision Processes, 39(1), 84–97. https://doi.org/10.1016/0749-5978(87)90046-X
- Galinsky, A. D., & Mussweiler, T. (2001). First offers as anchors: The role of perspective-taking and negotiator focus. Journal of Personality and Social Psychology, 81(4), 657–669. https://doi.org/10.1037/0022-3514.81.4.657
- Englich, B., Mussweiler, T., & Strack, F. (2006). Playing dice with criminal sentences: The influence of irrelevant anchors on experts' judicial decision making. Personality and Social Psychology Bulletin, 32(2), 188–200. https://doi.org/10.1177/0146167205282152
- Englich, B., & Mussweiler, T. (2001). Sentencing under uncertainty: Anchoring effects in the courtroom. Journal of Applied Social Psychology, 31(7), 1535–1551. https://doi.org/10.1111/j.1559-1816.2001.tb02687.x
- Mussweiler, T., Strack, F., & Pfeiffer, T. (2000). Overcoming the inevitable anchoring effect: Considering the opposite compensates for selective accessibility. Personality and Social Psychology Bulletin, 26(9), 1142–1150. https://doi.org/10.1177/01461672002611010
- Epley, N., & Gilovich, T. (2005). When effortful thinking influences judgmental anchoring: Differential effects of forewarning and incentives on self-generated and externally provided anchors. Journal of Behavioral Decision Making, 18(3), 199–212. https://doi.org/10.1002/bdm.495
- Gigerenzer, G., & Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107–143. https://doi.org/10.1111/j.1756-8765.2008.01006.x
- Stanovich, K. E. (2009). What intelligence tests miss: The psychology of rational thought. Yale University Press.
Di fronte a ogni confronto numerico la domanda rilevante è rispetto a cosa viene valutato quel numero e se il riferimento scelto è il più appropriato.