Google sa che dormi male, ma non sa perché

Google presenta correlazioni statistiche come biomarcatori e strumenti predittivi, senza dimostrarne la validità causale

Google sa che dormi male. Lo sa perché il tuo smartwatch registra la variabilità del sonno, la sincronizza con i server di Mountain View e la trasforma in un numero. Ma quando si tratta di spiegare perché dormi male, il numero si ferma. E qui comincia il problema: l’azienda che ha mappato il mondo ha un punto cieco sulla differenza tra correlazione e causalità.

Un ρ di 0,252 è poco più di un sussurro statistico. Eppure Google lo propone come un “candidato biomarcatore” per la gravità della depressione. Non è una prova. Non è una spiegazione. È una misura di co-variazione, e la confusione tra le due cose è il cuore dell’illusione che attraversa tutti i nuovi strumenti annunciati quest’estate.

Perché proprio ora? Google sta spingendo AI Max, Biomarker Discovery Framework, ME-POIs. C’è un motivo.

Il laboratorio pubblicitario e la paura di sbagliare budget

Google ha annunciato gli strumenti AI Max per il testing di campagne Search: un modo per testare budget e obiettivi di ROI in un singolo test A/B, in arrivo a settembre. Le nuove funzionalità negli esperimenti AI Max consentono di eseguire test con le impostazioni di brand o località abilitate. E con il Performance Planner aggiornato, puoi vedere come cambiano le prestazioni delle campagne esistenti al variare di obiettivi di offerta o budget.

Tutto molto bello. Ma cosa stai davvero testando? Stai testando se una variazione di budget produce una variazione di conversioni. Questa è una correlazione, non una prova che quella variazione causi il risultato. Google lo sa: è la ragione per cui il test A/B si chiama “test”, non “dimostrazione”. Eppure il linguaggio usato — “puoi vedere come i cambiamenti influiscono” — sposta il frame da “associazione osservata” a “effetto causale”. Chi ci guadagna? Google, che incassa più tempo degli advertiser sulla piattaforma, più esperimenti, più dipendenza.

Perché proprio ora? Perché la regressione dei budget pubblicitari post-cookie sta spingendo Google a vendere strumenti che massimizzano la fiducia nell’automazione. Non è intelligenza: è gestione del rischio mascherata da scienza.

Il corpo come pozzo di correlazioni

Nel silenzioso dipartimento di ricerca, Google ha costruito un framework per dare priorità ai biomarcatori candidati dai sensori indossabili. Nella validazione avversariale tra agenti Critic e Defender, i candidati vengono stressati per leakage, overfitting, confondimento, instabilità e implausibilità fisiologica. La validazione usa una batteria interna di 11 controlli che assegna etichette esplicite: screened, conditional, exploratory, rejected, unstable.

Sembra rigoroso. Ma poi leggi che, nella fase di deep research & assessment, gli agenti Mechanism, Novelty e Strategy valutano la plausibilità biologica “senza trattare un’associazione come prova causale”. Eppure il framework, interrogato sulla depressione, ha proposto la variabilità del sonno e stimato un’associazione con la gravità PHQ-8. Il Biomarker Discovery Framework ha prodotto un ρ = 0,252. Nel dominio metabolico, ha derivato un indice di fitness cardiovascolare (passi divisi per frequenza cardiaca a riposo) come correlato non invasivo di insulino-resistenza.

Un indice di fitness cardiovascolare ricavato da passi e battito cardiaco è una correlazione, non una diagnosi.

Ma Google lo chiama “correlato non invasivo di insulino-resistenza”. La distanza tra “correlato” e “indicatore clinico” si sta assottigliando. E il guadagno è tutto di Google: se i biomarcatori indossabili diventano una categoria di prodotto sanitario, l’azienda che possiede i dati e gli algoritmi si posiziona come fornitore di conoscenza medica senza aver mai dimostrato un nesso causale.

La domanda scomoda: se un ρ = 0,252 fosse presentato da un ricercatore accademico come prova di associazione, andrebbe bene. Ma Google non è un ricercatore accademico. È una società quotata che ha interesse a monetizzare queste “scoperte”.

La città letta come testo

Il modello ME-POIs usa un approccio self-supervised per fondere descrizioni testuali con pattern di mobilità anonimizzati. L’integrazione con modelli testuali avanzati ha prodotto guadagni relativi dell’81,9% nella previsione dell’intento di visita, del 75,1% nella classificazione del livello di prezzo e del 24,7% nell’accuratezza della stima dell’affollamento su luoghi mai visti.

Numeri che fanno impressione. Ma cosa significano? Prevedere l’intento di visita di una persona non è spiegare perché quella persona va in un luogo. È estrarre una regolarità da pattern collettivi. L’analisi dell’allineamento delle visite esamina finestre di arrivo, tendenze di partenza e durate tipiche, mappando queste sequenze in uno spazio vettoriale per stabilire un “centroide funzionale”. mappa i pattern di mobilità anonimizzati su un ciclo annuale e nei diversi giorni della settimana. Per risolvere la scarsità di dati nella coda lunga, ME-POIs usa un meccanismo di propagazione spaziale multiscala. E la sinergia testo-mobilità allinea gli embedding linguistici con i vettori di mobilità massimizzando la similarità del coseno.

Tutto si tiene. Ma la previsione non è spiegazione. L’81,9% di guadagno relativo dice che il modello è bravo a indovinare dove andrai, non che capisca perché ci vai. E se un modello prevede l’intento di visita di una persona, può essere usato per profilare, segmentare, discriminare. Le implicazioni normative sono ovvie: il GDPR vieta decisioni basate esclusivamente su trattamento automatizzato con effetti giuridici o significativi, ma cosa succede quando queste previsioni alimentano i prezzi dinamici o l’accesso ai servizi? L’antitrust europeo ha già occhi su Google per l’uso dei dati pubblicitari.

Google sa che dormi male. Sa che cammini di meno in certe zone. Sa che il tuo battito cardiaco correla con lo stress. Ma non sa — o non vuole sapere — il perché. Il perché richiederebbe studi causali, tempo, responsabilità. La correlazione, invece, si vende subito.

La differenza tra “correlato” e “causa” è la differenza tra sapere che piove e sapere perché piove. Google vende ombrelli senza aver mai studiato le nuvole.

E allora la domanda finale: se un algoritmo sa che dormi male, ma non sa perché, a che serve? Servirà a te o a chi lo possiede?