L’AI che scopre

Nel 2026 due sistemi hanno portato all’attenzione della comunità scientifica un passaggio importante: l’AI non si limita a riassumere la letteratura, ma può contribuire a formulare ipotesi verificabili e a organizzare parti del percorso sperimentale. Questo non equivale a una scoperta autonoma. Gli esperimenti, la loro interpretazione e la verifica indipendente restano centrali.

Per anni l’uso più visibile dei modelli linguistici nella ricerca è stato trovare e riorganizzare informazioni già pubblicate. I sistemi multi-agente aggiungono un’altra possibilità: diversi agenti possono cercare evidenze, proporre spiegazioni, criticare le ipotesi e suggerire esperimenti. Il loro contributo va valutato dall’esito della verifica, non dalla sicurezza con cui formulano una risposta.

Google ha descritto Co-Scientist come un sistema multi-agente basato su Gemini, pensato per collaborare con i ricercatori nella generazione e valutazione di ipotesi. Nel 2026 il lavoro è stato pubblicato su *Nature*. È un contributo alla ricerca guidata dagli scienziati: non un protocollo che sostituisce revisione tra pari o sperimentazione.

FutureHouse ha presentato Robin, un sistema che collega ricerca bibliografica, generazione di ipotesi, disegno sperimentale e analisi. In uno studio sulla degenerazione maculare secca, il gruppo ha testato in vitro candidati farmacologici e ha indicato il ripasudil come possibile pista da approfondire. Il risultato è interessante proprio perché il lavoro non finisce nel modello: passa attraverso colture cellulari, analisi di laboratorio e valutazione di esperti.

Un sistema può produrre più ipotesi di quante un laboratorio riesca a verificare. Il limite diventa allora la capacità di stabilire quali meritino tempo, campioni e risorse. Anche l’analisi automatizzata può sbagliare: perciò i numeri generati dall’agente devono essere controllati sui dati originali e, quando possibile, replicati.

Il lavoro pubblicato descrive candidati, procedure sperimentali e analisi; non va letto come un confronto controllato che dimostri una superiorità generale dell’agente o dei ricercatori. La lezione più solida è metodologica: ogni conclusione deve restare proporzionata ai dati e alle verifiche descritte nel paper.

La velocità nel generare ipotesi non basta a creare vantaggio. Servono laboratori, biobanche, dati di qualità, competenze statistiche e procedure per riprodurre i risultati. Per università, farmaceutica, cosmetica e scienza dei materiali, l’AI può ridurre il tempo dedicato alla ricognizione e alla formulazione delle piste; la capacità sperimentale determina quante di esse diventano evidenze.

La distinzione ha anche una conseguenza organizzativa. Se cresce il volume delle ipotesi, diventano più preziosi i ricercatori capaci di disegnare controlli, riconoscere risultati fragili e decidere che cosa non merita di essere portato avanti. La produttività non coincide con il numero di idee generate.

Quando un sistema rende economica la produzione di ipotesi, chi possiede la capacità di verificarle diventa più centrale. L’Europa vuole competere solo sui modelli che propongono idee, o anche sulle infrastrutture che trasformano quelle idee in conoscenza replicabile?

La ricerca distingue i risultati riportati dagli studi citati dalle implicazioni strategiche proposte. Gli esempi sono casi di ricerca assistita e non consentono di generalizzare a tutte le discipline o a tutte le fasi della scoperta.