Cos'è la Causal AI?

La maggior parte del machine learning classico impara correlazioni: quali pattern nei dati tendono ad apparire insieme. La Causal AI va oltre e prova a modellare relazioni di causa-effetto: non solo "i clienti che fanno X tendono ad abbandonare", ma "se smettessimo di fare Y, quanti clienti in meno abbandonerebbero". La differenza sembra sottile sulla carta, ed è enorme quando si decide un investimento. Serve ogni volta che la domanda aziendale non è "cosa prevediamo che accadrà" ma "cosa dovremmo fare per cambiare il risultato": fissare il prezzo di un prodotto, allocare un budget marketing, intervenire su un processo produttivo. Resta oggi un campo più di nicchia rispetto al machine learning predittivo mainstream, perché richiede assunzioni esplicite sulla struttura causale del problema e competenze specifiche, ma dove quella struttura è chiara, in economia, epidemiologia o pricing, offre risposte che un modello puramente predittivo non può dare.

Perché conta per le decisioni

Un modello predittivo ti dice cosa è probabile che accada, dati i pattern storici. Non ti dice cosa succederebbe se intervenissi su qualcosa che nella storia non è mai cambiato da solo, e ancora meno cosa sarebbe successo a un caso specifico se avessi deciso diversamente. Sono due domande distinte, l'intervento e il controfattuale, e sono i due gradini sopra la semplice associazione: il primo chiede l'effetto di un'azione su una popolazione, il secondo l'effetto che quell'azione ha avuto su un singolo caso già andato in un certo modo. La Causal AI è lo strumento costruito per il primo, e per il secondo chiede un modello strutturale del problema, non solo dati.

Dove sta oggi, con onestà

La Causal AI è potente dove la struttura causale del problema può essere codificata esplicitamente, con assunzioni chiare su cosa influenza cosa: è terreno solido in economia, in epidemiologia, in certi problemi di pricing e allocazione. Resta però una nicchia rispetto al machine learning predittivo mainstream, perché richiede competenze specifiche e dati adatti a stimare effetti, non solo a osservare associazioni. Non è la prossima moda che sostituisce il predittivo: è lo strumento giusto per una classe specifica di domande, da usare quando la domanda è davvero quella. Un limite va detto per intero, perché è quello che la separa da un esperimento: su dati osservativi l'effetto è identificabile solo assumendo di aver misurato tutti i fattori che influenzano insieme causa ed esito, e quell'assunzione i dati non la possono verificare. Un test A/B non ne ha bisogno, perché la randomizzazione bilancia anche i fattori che nessuno ha misurato. La Causal AI serve dove randomizzare non si può, e la sua risposta resta condizionata a un'assunzione dichiarata.