Discorsi SNB al test dell'IA: testi brevi non sono politica migliore
Un nuovo working paper analizza 1063 discorsi in tedesco dal 1928 al 2024. Il confronto con i metodi di calcolo classici mostra anche perché i risultati dell'IA vanno controllati.
La Banca nazionale svizzera parla oggi di politica monetaria in modo diverso rispetto a decenni fa. I suoi discorsi sono diventati più brevi sul lungo periodo, linguisticamente più accessibili e maggiormente orientati all'inflazione. A questa conclusione giungono Severin Joho ed Enzo Rossi in uno studio di lavoro della SNB pubblicato il 23 ottobre 2026. Per l'analisi di 1063 discorsi in tedesco tra il 1928 e il 2024 hanno confrontato l'analisi linguistica computerizzata classica con ChatGPT.
Il lavoro descrive un cambiamento storico, non la situazione attuale di politica monetaria. Non prevede la prossima decisione sul tasso guida né dimostra che discorsi più semplici governino meglio l'inflazione. In quanto working paper, inoltre, riproduce le opinioni degli autori, non necessariamente quelle della Banca nazionale. Sono proprio questi limiti a rendere utile il confronto per il dibattito pubblico.
Cosa emerge in quasi cento anni
Dalla metà degli anni Cinquanta il numero di discorsi annuali è dapprima aumentato. Dopo il passaggio ai cambi flessibili lo sviluppo si è accelerato. Il movimento storico non è però una crescita ininterrotta fino a oggi: dopo la crisi finanziaria globale la frequenza dei discorsi è nuovamente diminuita. Anche i cambiamenti del formato di comunicazione influenzano quanti singoli documenti vengono contati.
Lo studio distingue perciò, tra l'altro, interventi alle assemblee generali, osservazioni introduttive alle valutazioni della situazione di politica monetaria e altri discorsi. Non è solo una questione d'archivio. Una breve dichiarazione comune può produrre meno documenti di tre relazioni separate, senza che la popolazione riceva per questo meno informazioni. Il numero puro non è una misura della trasparenza o della qualità.
La raccolta esaminata comprende esclusivamente testi in tedesco. Gli autori rimandano a discorsi in francese, inglese e italiano presenti in aggiunta, che non entrano nell'analisi principale. Il materiale è quindi ampio, ma non ogni dichiarazione della SNB dalla sua fondazione è registrata. Una statistica linguistica deve rendere trasparenti tanto la propria selezione quanto il proprio metodo di calcolo.
Perché il confronto computerizzato è importante
I ricercatori hanno dapprima ripulito i documenti da intestazioni, numeri di pagina e altri elementi di impaginazione. In seguito hanno calcolato numero di parole e indici di leggibilità con Python e hanno fatto svolgere le relative analisi a ChatGPT. Le due vie hanno prodotto andamenti temporali simili per diverse metriche. Non hanno però fornito risultati identici.
Ciò risulta particolarmente evidente con la formula di leggibilità di Wiener (Wiener Sachtextformel), una misura della difficoltà linguistica. Nella tabella comparativa pubblicata la correlazione tra i due procedimenti è qui di 0,728, contro 0,996 nell'indice Amstad per il tedesco. Una correlazione elevata significa andamenti simili, non necessariamente valori di misura identici. Anche i conteggi delle parole divergevano.
Gli autori documentano inoltre errori concreti: ChatGPT ha dapprima inserito in modo errato una costante di una formula; nell'elaborazione in batch sono emersi valori anomali. Ma anche l'analisi classica non è stata priva di errori fin dall'inizio. Formati PDF più vecchi producevano valori implausibili finché i file non sono stati convertiti. La conclusione metodologica non è quindi uomo contro macchina, bensì preparazione controllata dei dati e calcolo verificabile.
Leggibile non significa automaticamente compreso
Gli indici di leggibilità considerano per esempio la lunghezza delle frasi o le caratteristiche delle parole. Possono così rendere visibili cambiamenti strutturali. Non verificano direttamente se qualcuno comprende la motivazione di una decisione sui tassi. Il lavoro della SNB distingue espressamente queste questioni. Un discorso può diventare più breve e presupporre comunque conoscenze economiche.
Un'indagine indipendente del 2021 sulla banca centrale australiana sottolinea l'importanza dei diversi gruppi destinatari. Joan Huang e John Simon hanno rilevato che la leggibilità percepita e una motivazione comprensibile sono correlate solo debolmente. Scrivere in modo più semplice non sarebbe necessariamente più comprensibile. Uno specialista e una famiglia senza formazione economica possono giudicare lo stesso testo in modo diverso.
Un risultato d'archivio non è un segnale sui tassi
Per le famiglie, le imprese e i media svizzeri ne deriva una differenza pratica. Termini sull'inflazione usati di frequente mostrano di cosa si parla. Non dimostrano da soli quanto sarà incisiva una decisione futura o quale effetto abbia un discorso sulle aspettative. Per questo servirebbero indagini supplementari che rilevino effettivamente la comprensione e il comportamento dei destinatari. Per la valutazione di un singolo discorso restano quindi importanti l'occasione, il pubblico di riferimento e l'intero nesso argomentativo; una singola parola usata spesso non può sostituire questa classificazione.
Il nuovo studio rende più verificabile l'evoluzione del linguaggio della SNB. Il suo contributo più forte non sta proprio nell'affidare la politica monetaria a ChatGPT. Esso mostra come si può rendere accessibile un grande corpus di testi – e perché per il pubblico svizzero le motivazioni comprensibili restano più importanti di un buon voto di leggibilità.
Fonti
- Joho e Rossi: SNB Working Paper 13/2026, pubblicazione e studio originale
- Reserve Bank of Australia: Central Bank Communication – One Size Does Not Fit All, 2021
- Immagine di copertina: Hpschaefer / Wikimedia Commons
- Licenza dell'immagine di copertina: Creative Commons BY 3.0
- Immagine dell'articolo: Myriam Thyes / Wikimedia Commons
- Licenza dell'immagine dell'articolo: Creative Commons BY-SA 3.0
