System Thinking I

System Thinking – epistemologia

di

ABSTRACT

La crescente complessità dei fenomeni contemporanei — crisi climatiche, sistemi socio-tecnici globali, intelligenza artificiale e governance multilivello — mette in discussione i presupposti epistemologici del pensiero riduzionista che ha dominato la modernità scientifica e industriale. In questo contesto, il systems thinking emerge non come un insieme di strumenti operativi, ma come un paradigma epistemologico laico e razionale fondato sul riconoscimento di interdipendenze, non linearità, feedback, ritardi temporali ed emergenza.

Questo lavoro propone una trattazione sistematica del systems thinking articolata in tre livelli complementari:

  • (i) una fondazione epistemologica che ne chiarisce statuto conoscitivo, ontologico ed etico;
  • (ii) un’analisi dell’architettura concettuale interna, volta a esplicitarne strutture, limiti e condizioni di applicabilità;
  • (iii) una riflessione critica sulle implicazioni politiche e tecnologiche del paradigma nell’epoca dell’intelligenza artificiale e delle crisi globali.

L’obiettivo non è fornire soluzioni prescrittive, ma delimitare le condizioni di una razionalità sistemica non dogmatica, capace di abitare la complessità senza ridurla né mitizzarla. Attraverso esempi mirati, riferimenti interdisciplinari e il confronto con voci critiche, il saggio mostra come il systems thinking possa operare sia come strumento di comprensione sia come potenziale tecnologia di potere, rendendo necessaria una pratica riflessiva, eticamente consapevole e politicamente responsabile.

Systems Thinking come paradigma epistemologico laico per la complessità

Fabio Armani (Fabius Rationalis)
OpenLogos – System Thinking Cluster

1. Introduzione

1.1 La crisi del pensiero lineare

Le difficoltà incontrate dagli approcci analitici tradizionali nel trattare sistemi complessi non possono essere interpretate esclusivamente come limiti tecnici o computazionali. Esse rinviano, più profondamente, a una questione epistemologica: ai presupposti impliciti che guidano il modo in cui la conoscenza scientifica seleziona, isola e organizza il proprio oggetto. La scomposizione del reale in componenti indipendenti, la linearizzazione delle relazioni causali e l’ottimizzazione locale costituiscono scelte epistemiche storicamente efficaci, ma non universalmente valide.

Quando l’oggetto di indagine è costituito da configurazioni dinamiche di relazioni — e non da entità isolabili senza perdita di informazione strutturale — tali presupposti mostrano i loro limiti. È in questo spazio di frattura che il systems thinking si colloca: non come estensione metodologica dell’analisi tradizionale, né come repertorio di strumenti operativi, ma come riposizionamento epistemologico. Prima ancora di proporre modelli o tecniche, esso interroga le condizioni stesse del conoscere sistemi caratterizzati da interdipendenza, non linearità ed emergenza.

2. Dal riduzionismo alla complessità

2.1 Il paradigma riduzionista: potenza e limiti

Il riduzionismo ha rappresentato una delle più grandi conquiste epistemiche della modernità. Dalla fisica classica alla chimica, dall’ingegneria meccanica alla medicina sperimentale, la scomposizione analitica dei fenomeni ha permesso un’enorme accumulazione di conoscenza operativa e tecnologica.

Tuttavia, come già evidenziato nel corso del XX secolo, questo paradigma mostra un limite strutturale: la perdita delle proprietà relazionali. Un sistema complesso non è la semplice somma delle sue parti, e la conoscenza delle singole componenti non garantisce la comprensione del comportamento globale del sistema.

Il problema non è l’errore del riduzionismo, ma la sua insufficienza ontologica quando viene esteso oltre il proprio dominio di validità.

🔲 Box I.1 — CO₂-only: quando il riduzionismo produce errori sistemici

Un esempio paradigmatico di fallimento epistemologico dovuto a una modellazione riduzionista è l’approccio CO₂-onlyadottato per anni in una parte significativa della modellazione climatica e delle politiche ambientali. In questo schema, la complessità del sistema climatico viene compressa in una singola variabile dominante — le emissioni di CO₂ — trattata come leva causale primaria e quasi autosufficiente.

Dal punto di vista del systems thinking, il problema non risiede nell’uso della CO₂ come indicatore rilevante, ma nell’errore di confine del sistema: vengono trascurate o marginalizzate interazioni cruciali con altri sottosistemi (uso del suolo, biodiversità, feedback oceanici, dinamiche socio-economiche, effetti di rimbalzo tecnologico). Il risultato è una perdita delle proprietà relazionali del sistema e una sottostima sistematica di effetti non lineari e ritardati.

Questo tipo di riduzionismo non genera semplicemente modelli incompleti, ma politiche miopi, in cui interventi localmente ottimali (es. compensazioni di carbonio, tecnologie di offset) producono effetti sistemici controintuitivi o addirittura regressivi. Il caso CO₂-only mostra come la crisi non sia tecnica — i modelli funzionano “come progettati” — ma epistemologica: il sistema osservato non coincide con il sistema reale.

Riferimenti puntuali

  • Meadows, D. (2008). Thinking in Systems. Chelsea Green.
  • Rockström et al. (2009). “A safe operating space for humanity.” Nature.

Nota metodologica — Il micro-box che segue chiarisce il livello di analisi di questo saggio, distinguendo tra semplificazione modellistica e riduzionismo come esito sistemico dell’uso dei modelli.

🔲 Box I.2 — Semplificazione, riduzionismo e uso dei modelli (chiarimento epistemico)

Ogni analisi operativa di un sistema complesso richiede una riduzione iniziale della dimensionalità.
La selezione di un sottoinsieme di variabili dominanti è una condizione necessaria per la costruzione di modelli interpretativi, predittivi o decisionali. In questo senso, la semplificazione non rappresenta una perdita di rigore, ma una scelta metodologica inevitabile, condivisa da tutte le discipline scientifiche e ingegneristiche che operano su sistemi ad alta complessità.

Nel dominio dei modelli climatici, ad esempio, l’effetto serra costituisce il principale meccanismo causale del riscaldamento globale osservato, e la CO₂ ne rappresenta una variabile forzante primaria. Senza tale variabile il fenomeno non è interpretabile; includendola, il sistema risulta già modellabile in modo coerente. Altri fattori — feedback criosferici, dinamiche delle nubi, forzanti solari, interazioni non lineari secondarie — contribuiscono ad affinare il modello, ma non ne compromettono la comprensione di primo ordine.

È pertanto corretto affermare che l’esempio climatico, se considerato sul piano strettamente modellistico, può apparire parziale o impreciso. Questo saggio non intende mettere in discussione né la validità dei modelli scientifici né il loro uso ingegneristico, predittivo o decisionale.

Il livello di analisi adottato è differente.

Con il termine riduzionismo non si intende qui la legittima semplificazione metodologica, bensì una patologia sistemica emergente che si manifesta quando un modello localmente corretto viene:

  • separato dal proprio dominio di validità,
  • utilizzato come rappresentazione esaustiva del fenomeno,
  • assunto come unico criterio normativo per decisioni reiterate nel tempo,
  • sottratto a processi di revisione, feedback e contestualizzazione.

In questa accezione, il riduzionismo non è un errore di modellazione, ma un errore di governance cognitiva: riguarda l’uso sociale, istituzionale e politico dei modelli, non la loro costruzione. È una proprietà emergente del sistema decisionale, non del modello in sé.

Il System Thinking interviene precisamente su questo piano: non per sostituire i modelli ridotti, ma per reinserirli in un quadro dinamico che consideri feedback ritardati, effetti di secondo e terzo ordine, interazioni non lineari e conseguenze non intenzionali. L’obiettivo non è aumentare indefinitamente la complessità del modello, ma mantenere consapevolezza attiva dei suoi limiti strutturali.

Il problema non è il modello, ma ciò che il sistema fa quando smette di ricordare che è un modello.

Riferimenti puntuali

  • La distinzione tra semplificazione metodologica e riduzionismo sistemico è in linea con la concezione strumentale dei modelli (Box),
  • con la teoria dei feedback e dei ritardi decisionali nei sistemi complessi (Meadows) e
  • con la critica epistemologica del riduzionismo come perdita di intelligibilità del reale (Morin).

2.2 Complessità come sfida epistemologica

La complessità non è sinonimo di complicazione. Un sistema complesso non è semplicemente “difficile”, ma:

  • non completamente prevedibile,
  • sensibile alle condizioni iniziali,
  • soggetto a fenomeni emergenti,
  • capace di auto-organizzazione.

Queste caratteristiche rendono inadeguata una concezione della conoscenza basata esclusivamente su:

  • predizione puntuale,
  • controllo diretto,
  • ottimizzazione locale.

Il systems thinking nasce precisamente in questo spazio di frattura.

3. Il systems thinking come paradigma epistemologico

3.1 Oltre i metodi: una postura cognitiva

Definire il systems thinking come una “raccolta di strumenti” è epistemologicamente riduttivo. Piuttosto, esso va inteso come una postura cognitiva che ridefinisce:

  • cosa significa conoscere,
  • cosa può essere spiegato,
  • quali sono i limiti intrinseci della modellazione.

In questa prospettiva, il systems thinking:

  • privilegia le relazioni rispetto agli oggetti,
  • analizza i pattern nel tempo anziché gli eventi isolati,
  • riconosce la parzialità di ogni modello.

Questa impostazione trova radici solide nella General Systems Theory di Ludwig von Bertalanffy, che introduce il concetto di sistemi aperti e contesta l’idea di leggi universali valide indipendentemente dal contesto.

3.2 Cibernetica, feedback e conoscenza

Un contributo fondamentale alla fondazione epistemologica del systems thinking proviene dalla cibernetica di Norbert Wiener. Il concetto di feedback introduce una discontinuità radicale rispetto alla causalità lineare: l’effetto diventa, a sua volta, causa.

Questo implica che:

  • il comportamento di un sistema non può essere dedotto staticamente,
  • la conoscenza è necessariamente temporale,
  • l’osservatore non è esterno al sistema osservato.

Qui si colloca una prima rottura epistemologica: conoscere un sistema significa comprendere le sue dinamiche, non solo la sua struttura.

4. Ontologia dei sistemi

4.1 Cosa “esiste” in un sistema?

Ogni epistemologia presuppone un’ontologia. Nel systems thinking, ciò che esiste non sono solo entità materiali, ma:

  • relazioni,
  • flussi,
  • vincoli,
  • pattern dinamici.

Un sistema non è un oggetto, ma una configurazione dinamica. Le sue proprietà emergenti non sono riducibili alle proprietà delle singole parti.

Questo implica una concezione non sostanzialista della realtà, compatibile con il pensiero di Gregory Bateson, per il quale l’unità fondamentale della conoscenza non è la cosa, ma la relazione.

4.2 Emergenza senza metafisica

Un punto critico riguarda il concetto di emergenza. Nel systems thinking, l’emergenza:

  • non è magia,
  • non è spiritualità,
  • non è trascendenza.

È il risultato di interazioni non lineari tra componenti del sistema.
Questa precisazione è essenziale per mantenere il paradigma laico e scientificamente controllabile, distinguendolo da derive olistiche vaghe o New Age.

5. Laicità del systems thinking

5.1 Contro il dogma, contro il totalismo

La laicità del systems thinking non è un dettaglio ideologico, ma una condizione epistemica.
Un pensiero sistemico autentico:

  • rifiuta spiegazioni ultime,
  • non postula armonie necessarie,
  • accetta il conflitto e l’asimmetria.

In questo senso, esso si distingue tanto dal riduzionismo ingenuo quanto dagli olismi totalizzanti.

Come osserva Edgar Morin, la complessità implica coesistenza di ordine e disordine, stabilità e crisi.

🔲 Box I.3 — Modelli, potere e decisione

I modelli predittivi basati su intelligenza artificiale, impiegati ad esempio nel sistema giudiziario per stimare il rischio di recidiva, mostrano con chiarezza che la modellazione non è mai neutra. Ogni modello definisce implicitamente chi e cosa conta: quali variabili entrano nel sistema, quali vengono escluse, quali metriche determinano il “successo” decisionale.

In questi contesti, il potere non risiede primariamente nell’algoritmo, ma nella scelta dei confini del sistema e degli obiettivi di ottimizzazione. Dati storici prodotti da sistemi sociali diseguali, una volta formalizzati e automatizzati, tendono a stabilizzare tali asimmetrie rendendole meno visibili e più difficili da contestare.

Il systems thinking rende esplicito questo nesso: ogni modello è anche una decisione politica, poiché traduce una particolare visione del mondo in criteri operativi vincolanti.

Riferimenti puntuali

  • O’Neil, C. (2016). Weapons of Math Destruction. Crown.
  • Selbst, A. D., et al. (2019). “Fairness and abstraction in sociotechnical systems.” Proceedings of the FATConference.

5.2 Neutralità impossibile

Un punto spesso eluso è che il systems thinking non è neutro.
La scelta dei confini del sistema, delle variabili rilevanti e delle metriche di successo implica sempre una presa di posizione.

Riconoscere questa non-neutralità non indebolisce il paradigma: lo rende epistemologicamente onesto.

6. Implicazioni epistemiche

6.1 Conoscenza come esplorazione, non dominio

Nel systems thinking:

  • i modelli non sono mappe definitive,
  • la previsione è probabilistica,
  • l’intervento è sperimentale.

La conoscenza diventa un processo iterativo di apprendimento, non un atto di controllo totale.

6.2 Verso una razionalità riflessiva

Il systems thinking propone una razionalità che:

  • riconosce i propri limiti,
  • integra pluralità di prospettive,
  • accetta l’incertezza come dato strutturale.

Questa razionalità è particolarmente rilevante in un’epoca dominata da modelli algoritmici che promettono predizione e controllo totali.

7. Conclusione della Parte I

Questo articolo ha sostenuto che il systems thinking non è semplicemente una metodologia applicativa, ma un paradigma epistemologico laico che emerge dalla crisi del pensiero lineare moderno.
Esso ridefinisce il rapporto tra conoscenza, realtà e azione, ponendo le basi per un approccio più maturo alla complessità contemporanea.

La Parte II analizzerà l’architettura concettuale interna del systems thinking, mentre la Parte III ne esplorerà le implicazioni politiche, tecnologiche ed etiche nel contesto attuale.

Riferimenti — Parte I

Questa sezione raccoglie i riferimenti essenziali utilizzati per la fondazione epistemologica del systems thinking sviluppata in Parte I. Le fonti sono selezionate per il loro valore teorico e storico e costituiscono il nucleo canonico del paradigma, senza intenti di esaustività.

Fondamenti epistemologici e teoria dei sistemi

Pensiero della complessità

Epistemologia, modelli e non-neutralità

Nota editoriale

I riferimenti elencati costituiscono il nucleo teorico di Parte I.
Ulteriori fonti applicative, critiche e interdisciplinari sono discusse nelle Appendici, secondo una bibliografia stratificata (core / bridge / critical).

Fabio Armani & aiNEXUS (c) 03.01.2026 per OpenLogos

Questo articolo fa parte di un cluster OpenLogos

Questo testo è il primo movimento di un saggio articolato sul System Thinking, concepito come percorso a più livelli e non come contributo isolato.
Il lavoro è strutturato come una sequenza di articoli interconnessi, ciascuno con un ruolo distinto:

  • Parte I — Cornice epistemica
    Il problema della complessità, i limiti dei modelli e le patologie sistemiche dell’uso riduttivo delle semplificazioni.
  • Parte II — Dinamiche sistemiche
    Feedback, ritardi temporali, effetti emergenti e conseguenze non intenzionali nei sistemi socio-tecnici.
  • Parte III — Governo della complessità
    Implicazioni decisionali, politiche e organizzative del pensiero sistemico.
  • Parte IV (in valutazione) — Thinking tools
    Un approfondimento tecnico sugli strumenti operativi del System Thinking (mappe causali, archetipi sistemici, leverage points), destinato a lettori con formazione scientifica, ingegneristica o manageriale.

Il cluster include inoltre:

  • un articolo dedicato al framework Cynefin, come strumento di lettura delle diverse nature dei problemi complessi;
  • intermezzi lirici e testuali, non illustrativi ma disallineanti, utilizzati come dispositivi di frattura cognitiva e non come spiegazione o metafora.

Questo articolo va quindi letto come parte di una struttura più ampia, in cui analisi, metodo e linguaggi diversi cooperano per rendere visibile ciò che i singoli modelli, presi isolatamente, tendono a nascondere.

6 commenti su “System Thinking – epistemologia”

  1. Pingback: System Thinking – parte II - OpenLogos

  2. Trovo fondamentale il tuo sforzo di dare una “radice laica” al pensiero sistemico. Condivido pienamente la critica al riduzionismo: troppo spesso abbiamo provato a risolvere problemi complessi semplificandoli, finendo per creare effetti collaterali peggiori del problema stesso. Mi piace come metti in guardia dal “mitizzare” la complessità: un approccio razionale che delinea la vera sfida oggi e che rappresenta un ottimo punto di partenza.

    Rispondi

    • Grazie Mario, il tuo commento coglie esattamente il punto che per me era dirimente.
      Il tentativo di dare una radice laica al systems thinking non è un vezzo teorico, ma una necessità epistemologica: senza questo ancoraggio rischia di diventare o una nuova retorica salvifica, o l’ennesima scatola nera concettuale.

      La critica al riduzionismo resta imprescindibile, ma – come giustamente osservi – la complessità non va mitizzata. Trattarla come una nuova forma di magia produce più danni che benefici. La vera sfida, oggi, è mantenere uno sguardo rigoroso: accettare limiti, trade-off, effetti collaterali e zone d’ombra senza rifugiarsi né nella semplificazione ingenua né nell’olismo indistinto.

      È proprio da qui che parte il lavoro successivo: capire come il pensiero sistemico pensa, quali strutture cognitive utilizza e dove, inevitabilmente, fallisce.
      Se il systems thinking è utile, lo è solo finché resta uno strumento critico — non una nuova fede.

      Fabio

      Rispondi

  3. Ciao Fabio,
    mi piace il tuo approccio devo dire molto interessante, solo una nota, tu parli di sistemi complessi che e’ verissimo ma il System Thinking almeno nella sua astrazione punta piu’ sull’insieme del sistema che sulla semplice complessita, da li poi nasce la Teoria della Complessita. Trovo l’articolo veramente ottimo e mi piace come tieni la cosa Laica ottimo articolo davvero

    Rispondi

    • Ciao,
      grazie davvero, commento centrato e tutt’altro che banale.

      Hai ragione: il *Systems Thinking*, nella sua forma più rigorosa, non è “studio della complessità”, ma **cambio di prospettiva** — dall’analisi delle parti alla comprensione dell’insieme, delle relazioni e dei feedback.
      La complessità, in effetti, non è il punto di partenza ma ciò che emerge quando inizi a guardare il sistema sul serio.

      Se vogliamo dirla senza giri di parole:
      prima impari a vedere il sistema, poi scopri che è complesso.

      Nel contesto dell’IA questa distinzione diventa ancora più importante. Perché il rischio è fissarsi sulla complessità tecnica (modelli, algoritmi, ecc.) e perdere di vista il fatto che il vero oggetto è **il sistema socio-economico e politico che l’IA attraversa e trasforma** — ed è lì che si giocano le partite decisive.

      È anche il motivo per cui sto provando a lavorare sui *driver*: servono proprio a tenere il focus sulle forze strutturali del sistema, non sui suoi sintomi.

      E sulla laicità: grazie, ci tengo molto.
      Soprattutto su questi temi, tra apocalittici e tecno-entusiasti, il rischio di scivolare nell’ideologia è sempre dietro l’angolo.

      Commenti così aiutano davvero a tenere la barra dritta 👍

      fA

      Rispondi
  4. Pingback: AI Impact: perché l’intelligenza artificiale cambia la mappa politica

Lascia un commento