La legge di Goodhart è un adagio delle scienze sociali che descrive come una misura perda la propria affidabilità non appena viene trasformata in un obiettivo di pilotaggio. Prende il nome dall'economista britannico Charles Goodhart, che ne formulò il nucleo in un articolo del 1975 dedicato alla politica monetaria nel Regno Unito: "qualsiasi regolarità statistica osservata tende a collassare non appena viene sottoposta a pressione a fini di controllo". L'intuizione nacque dall'analisi delle difficoltà britanniche di gestione monetaria: le correlazioni stabili sfruttate dalle banche centrali come leve di politica cessavano di reggere una volta strumentalizzate.

La formulazione più diffusa, tuttavia, non è quella di Goodhart ma quella dell'antropologa Marilyn Strathern, che nel 1997, in un testo sulla rendicontazione nel sistema universitario, propose la versione generalizzata e memorabile: "quando una misura diventa un obiettivo, cessa di essere una buona misura". Questa riformulazione mette in evidenza la perdita di valore diagnostico che subisce una metrica quando gli individui ottimizzano rispetto alla misura stessa anziché rispetto all'obiettivo sottostante che essa dovrebbe rappresentare.

L'idea appartiene a una costellazione di principi correlati. La legge di Campbell (Donald T. Campbell, 1976) riguarda la corruzione degli indicatori sociali quantitativi utilizzati per il processo decisionale. La critica di Lucas (1976) ne offre l'equivalente macroeconomico: gli effetti di una politica non possono essere previsti a partire dalle relazioni storiche, poiché gli agenti vi si adattano. A questi si aggiungono l'effetto cobra (un incentivo che ricompensa inavvertitamente comportamenti controproducenti) e la fallacia di McNamara (scartare il qualitativo perché sfugge alla quantificazione). Diversi autori hanno arricchito il corpus: Jerome Ravetz (1971), Keith Hoskin (1996) e Jon Danielsson per la modellazione del rischio finanziario.

Le illustrazioni spaziano su numerosi ambiti: in sanità, fare della durata di degenza un obiettivo provoca dimissioni premature e riammissioni; nella ricerca, l'h-index perde valore come misura di reputazione non appena diventa un criterio di valutazione; nella conservazione, le classificazioni di estinzione IUCN sono state inasprite dopo essere state usate per revocare protezioni; nell'istruzione, il No Child Left Behind ha incoraggiato l'avanzamento di classe senza padronanza effettiva; durante la pandemia, gli obiettivi britannici sui test COVID hanno confuso la capacità con l'utilità diagnostica. Il principio riflette in definitiva il modo in cui gli attori razionali ottimizzano all'interno di sistemi misurati — un'eredità delle pratiche di rendicontazione nate nel XIX secolo. Oggi illumina direttamente il reward hacking e la fragilità delle metriche di ottimizzazione nei sistemi di IA.