L’intelligenza artificiale generativa sta cambiando il modo in cui iniziano le idee scientifiche

Per la maggior parte della scienza moderna, le prime fasi di un’idea di ricerca erano in gran parte invisibili.

Un ricercatore notava un’anomalia, collegava due concetti, metteva in discussione un’ipotesi stabilita o identificava una lacuna nella letteratura. Quell’idea veniva raffinata privatamente prima di essere testata attraverso conversazioni con supervisori, colleghi, revisori e organismi di finanziamento.

L’intelligenza artificiale generativa si sta inserendo in quella sequenza.

I ricercatori possono ora presentare un pensiero incompleto a un modello linguistico di grandi dimensioni prima di discuterne con un’altra persona. Possono chiedere al sistema di generare ipotesi, sfidare ipotesi, identificare campi adiacenti o convertire un’intuizione in una proposta più coerente.

Questo potrebbe apparire come un altro miglioramento della produttività. È più significativo di così.

L’intelligenza artificiale generativa sta creando un nuovo livello intermedio tra il pensiero privato e il giudizio scientifico umano. Quel livello potrebbe cambiare il modo in cui le idee sono formate, chi riceve un sostegno intellettuale precoce, come i ricercatori sono formati e dove l’esperienza crea valore.

Uno studio del 2026¹ pubblicato su Research Policy fornisce prove che questa trasformazione è già distribuita in modo disomogeneo. I ricercatori meno esperti erano considerevolmente più propensi a incorporare suggerimenti generati dall’AI e a considerare le idee risultanti come nuove o impattanti. I ricercatori più esperti erano più propensi a considerare gli stessi suggerimenti come ovvi, insufficientemente avanzati o semplicemente un altro strumento.

I risultati mostrano che l’AI ha influenzato il contenuto delle idee prodotte dai ricercatori. Tuttavia, l’esperienza ha fortemente moderato quell’influenza.

I ricercatori meno esperti erano più propensi a incorporare suggerimenti dell’AI, interpretarli come nuovi e percepire le idee risultanti come impattanti. I ricercatori più esperti erano meno influenzati e spesso credevano che le direzioni suggerite fossero già state considerate, fossero insufficientemente ambiziose o mancassero del contesto necessario per identificare un problema di ricerca realmente valido.

La più importante implicazione non è che un gruppo si fidava dell’AI e l’altro no.

È che l’intelligenza artificiale generativa sembra essere in movimento il feedback scientifico più presto nel processo.

In precedenza, i ricercatori dovevano spesso decidere se un’idea era coerente abbastanza da presentarla a un’altra persona. L’AI abbassa sostanzialmente quella soglia. Consente a un ricercatore di esternalizzare un’idea mentre è ancora incompleta, contraddittoria o mal articolata.

Questo crea un flusso di lavoro fondamentalmente diverso.

L’intelligenza artificiale sta cambiando la sequenza del pensiero scientifico

Lo studio di Matthias Trobinger, Anil R. Doshi e Sen Chai ha esaminato come i ricercatori hanno risposto quando l’intelligenza artificiale generativa ha proposto nuove direzioni di ricerca basate sul loro lavoro precedente.

Nel corso di un esperimento randomizzato che ha coinvolto 310 ricercatori, i partecipanti hanno ricevuto zero suggerimenti visibili dell’AI, un suggerimento generato dall’AI o tre suggerimenti generati dall’AI. Uno studio di follow-up con 28 ricercatori ha esplorato come hanno utilizzato l’AI in modo interattivo durante l’ideazione precoce.

I risultati hanno mostrato che l’AI ha influenzato il contenuto delle idee prodotte dai ricercatori. Tuttavia, l’esperienza ha fortemente moderato quell’influenza.

I ricercatori meno esperti erano più propensi a incorporare suggerimenti dell’AI, interpretarli come nuovi e percepire le idee risultanti come impattanti. I ricercatori più esperti erano meno influenzati e spesso credevano che le direzioni suggerite fossero già state considerate, fossero insufficientemente ambiziose o mancassero del contesto necessario per identificare un problema di ricerca realmente valido.

La più importante implicazione non è che un gruppo si fidava dell’AI e l’altro no.

È che l’intelligenza artificiale generativa sembra essere in movimento il feedback scientifico più presto nel processo.

In precedenza, i ricercatori dovevano spesso decidere se un’idea era coerente abbastanza da presentarla a un’altra persona. L’AI abbassa sostanzialmente quella soglia. Consente a un ricercatore di esternalizzare un’idea mentre è ancora incompleta, contraddittoria o mal articolata.

Questo crea un flusso di lavoro fondamentalmente diverso.

La vera disruption è l’intelligenza artificiale pre-supervisoria

I ricercatori alla prima carriera spesso affrontano uno svantaggio strutturale che ha poco a che fare con l’intelligenza o lo sforzo. Hanno reti professionali più piccole, meno fiducia nell’avvicinare esperti stabiliti e meno esperienza accumulata nel trasformare domande vaghe in progetti difendibili.

L’intelligenza artificiale generativa compensa parzialmente quello svantaggio.

Offre una discussione preliminare on-demand senza vincoli di programmazione, pressione sociale o rischio per la reputazione.

Questo crea ciò che potrebbe essere descritto come un livello pre-supervisore.

L’AI non sostituisce il supervisore. Invece, cambia ciò che raggiunge il supervisore.

Quella distinzione ha implicazioni importanti per le organizzazioni di ricerca. Se i ricercatori iniziano a presentare proposte più coerenti e sviluppate, gli scienziati senior potrebbero spendere meno tempo aiutando a formare domande di base e più tempo valutando l’importanza strategica, la solidità metodologica e l’allocazione delle risorse.

In teoria, ciò potrebbe migliorare l’efficienza della mentorship. I ricercatori esperti potrebbero concentrare la loro attenzione limitata su giudizi di valore più alto piuttosto che sulla strutturazione preliminare.

Tuttavia, potrebbe anche nascondere debolezze.

Una proposta lucidata con l’aiuto dell’AI potrebbe creare l’apparenza di maturità intellettuale senza le abilità di ragionamento sottostanti normalmente sviluppate attraverso il processo di costruzione. I supervisori potrebbero ricevere idee meglio presentate mentre guadagnano meno visibilità su quanto bene il ricercatore comprende loro.

Il risultato potrebbe essere un divario emergente tra la qualità della proposta e la capacità del ricercatore.

L’esperienza potrebbe spostarsi dalla generazione al rifiuto

L’intelligenza artificiale generativa abbassa drasticamente il costo di produzione delle opzioni.

Quell’abbondanza cambia la funzione dell’esperienza.

Quando le direzioni possibili erano costose da generare, produrre un’idea forte era di per sé una capacità di definizione. Quando le possibilità possono essere generate quasi senza limiti, la capacità più preziosa diventa il rifiuto.

I ricercatori esperti nello studio hanno spesso respinto suggerimenti dell’AI non perché erano incoerenti, ma perché non erano sufficientemente importanti. Le idee erano a volte estensioni logiche del lavoro precedente, eppure non sono riuscite a superare la soglia di essere degne di essere perseguite.

Questo riflette una forma di esperienza che i sistemi di intelligenza artificiale attuali lottano per riprodurre.

I ricercatori senior spesso sanno:

• Quali domande sono già state esplorate informalmente ma non pubblicate.
• Quali progetti teorici attraenti sono operativamente impossibili.
• Quali metodi falliranno sotto vincoli del mondo reale.
• Quali risultati saranno tecnicamente validi ma scientificamente insignificanti.
• Quali aree di ricerca appaiono aperte solo perché il lavoro pertinente è in corso ma non ancora pubblico.
• Quali domande sono improbabili superare la revisione paritaria o attirare finanziamenti.

Molta di questa conoscenza è tacita. Esiste nelle reti professionali, esperimenti falliti, discussioni di conferenze, proposte di sovvenzioni abbandonate, commenti dei revisori e anni di esposizione al campo.

Anche un modello di linguaggio con accesso ampio alla ricerca pubblicata potrebbe generare una direzione plausibile mentre manca della conoscenza tacita e non pubblicata che spiega perché non è stata perseguita.

Questo suggerisce che il ruolo futuro dei ricercatori senior potrebbe diventare sempre più simile a quello di gestori di portafoglio. Il loro valore risiederà non solo nella produzione di idee, ma nell’allocazione di attenzione e risorse tra un’offerta in espansione di possibilità generate dall’AI.

L’intelligenza artificiale potrebbe appiattire l’accesso mentre allarga i divari di giudizio

L’intelligenza artificiale generativa è spesso descritta come una tecnologia democratizzante perché dà a più persone l’accesso a capacità precedentemente associate agli specialisti.

È in parte vero nella scienza.

I ricercatori senza reti élite o supervisori facilmente disponibili possono ora accedere a un brainstorming immediato, spiegazione, sintesi e critica. Ciò potrebbe aiutare i ricercatori in istituzioni più piccole, in regioni sott-finanziate o al di fuori delle reti accademiche dominanti a formulare progetti più forti.

Tuttavia, l’accesso uguale all’AI non produce risultati uguali, creando un paradosso potenziale: l’AI potrebbe ridurre il divario nella produzione di idee mentre allarga l’importanza della capacità di valutazione.

I ricercatori più influenzati dai suggerimenti generati dall’AI potrebbero anche essere i meno attrezzati per identificare i loro limiti. Nel frattempo, coloro che sono meglio posizionati per valutare i suggerimenti potrebbero percepire meno valore immediato nell’usarli.

Il risultato potrebbe essere una nuova forma di disuguaglianza nel lavoro scientifico: non una disuguaglianza di accesso alle idee, ma una disuguaglianza nella capacità di filtrarle.

Il problema della monocultura scientifica

C’è un altro rischio che si estende oltre i singoli ricercatori.

I modelli di linguaggio di grandi dimensioni generano output imparando modelli dalla letteratura esistente. Se molti ricercatori utilizzano modelli simili per generare domande di ricerca, quei ricercatori potrebbero ricevere suggerimenti sovrapposti – creando una forma di convergenza scientifica che espande il numero di idee mentre riduce la diversità intellettuale.

Individualmente, ogni suggerimento potrebbe apparire nuovo.

Collettivamente, il sistema potrebbe concentrare l’attenzione intorno agli stessi metodi, variabili e quadri teorici.

Lo studio non dimostra direttamente questo risultato a livello di sistema. Tuttavia, i suoi risultati rendono la possibilità più credibile. I ricercatori meno esperti erano più propensi a incorporare suggerimenti dell’AI, e i ricercatori alla prima carriera rappresentano una quota sostanziale della futura produzione scientifica.

Se l’AI diventa un intermediario durante le fasi formative della loro carriera, i modelli potrebbero influenzare non solo i progetti individuali, ma anche i confini di ciò che i ricercatori emergenti considerano degno di studio.

L’AI di ricerca dovrebbe essere progettata come un avversario

La maggior parte dei prodotti di intelligenza artificiale generativa è ottimizzata per essere utile. Rispondono a domande, espandono idee e producono output lucidati.

La formazione scientifica potrebbe richiedere una filosofia di progettazione diversa.

L’assistente di ricerca più prezioso potrebbe non essere il sistema che genera la proposta più convincente. Potrebbe essere il sistema che cerca più efficacemente di distruggerla.

Un AI di ricerca dovrebbe operare in diversi modi:

Generatore di ipotesi

Il sistema dovrebbe proporre spiegazioni concorrenti piuttosto che una singola direzione preferita. Dovrebbe variare assunzioni, quadri teorici e approcci metodologici.

Revisionatore avversario

Dovrebbe identificare perché una proposta potrebbe essere banale, infeasibile, già esplorata, statisticamente debole, problemi etici, o improbabile produrre prove significative.

Auditore di novità

Dovrebbe recuperare articoli attuali, pre-stampe, brevetti, prove cliniche, banche dati di sovvenzioni e atti di conferenze per determinare se l’idea è realmente inesplorata.

Simulatore di vincoli

Dovrebbe testare la proposta contro limiti pratici come l’accesso al campione, i requisiti di attrezzature, i costi, i tempi, le approvazioni regolamentari e la disponibilità dei dati.

Tracker di provenienza

Dovrebbe documentare quali elementi sono originati dal ricercatore, dalla letteratura recuperata, da collaboratori esterni o da suggerimenti generati dal modello.

Motori di divergenza

Dovrebbe cercare intenzionalmente al di fuori della letteratura dominante e presentare analogie da discipline lontane piuttosto che continuare a rafforzare il percorso più statisticamente probabile.

Questo riposizionerebbe l’AI da una fabbrica di idee automatizzata a un sistema di test di stress intellettuale.

Le università potrebbero dover ripensare come i ricercatori sono formati

L’emergere dell’ideazione assistita dall’AI crea un problema di formazione.

L’istruzione scientifica ha tradizionalmente assunto che i ricercatori sviluppano il giudizio attraverso la ripetuta esposizione all’incertezza. Imparano generando idee deboli, fraintendendo la letteratura, ricevendo critiche, rivedendo assunzioni e scoprendo perché le direzioni apparentemente promettenti falliscono.

L’AI può rimuovere alcuna di quella frizione.

Rimuovere la frizione non necessaria è benefico. Rimuovere la frizione dello sviluppo potrebbe non esserlo.

Se i ricercatori junior si affidano all’AI per strutturare ogni idea precoce, potrebbero produrre output più forti a breve termine mentre accumulano meno esperienza di formazione di problemi indipendenti.

Le università dovrebbero quindi evitare di inquadrare la politica dell’AI come una scelta binaria tra permesso e proibizione. La domanda più importante è come l’uso dell’AI dovrebbe essere integrato nello sviluppo dell’esperienza.

Requisiti possibili potrebbero includere:

• I ricercatori devono criticare una proposta generata dall’AI prima di adottarla.
• Le idee assistite dall’AI devono essere confrontate con alternative generate in modo indipendente.
• Gli studenti devono documentare perché specifici suggerimenti dell’AI sono stati respinti.
• I supervisori dovrebbero valutare il processo di ragionamento, non solo la proposta finale.
• I corsi di metodi di ricerca dovrebbero includere esercizi di calibrazione che utilizzano output dell’AI plausibili ma difettosi.

L’obiettivo non sarebbe quello di preservare un modello di ricerca artificiale senza AI. Sarebbe quello di assicurarsi che l’AI acceleri lo sviluppo dei ricercatori piuttosto che sostituirsi ad esso.

Conclusione

L’intelligenza artificiale generativa non sta solo aiutando gli scienziati a generare più idee. Sta cambiando quando le idee diventano sociali, chi riceve un sostegno intellettuale precoce e dove l’esperienza crea valore.

Per i ricercatori alla prima carriera, l’AI può funzionare come un collaboratore preliminare sempre disponibile. Può ridurre il costo sociale della presentazione di pensieri incompleti e aiutare a trasformare intuizioni in proposte pronte per la discussione umana.

Per i ricercatori esperti, il valore potrebbe risiedere altrove. Il loro vantaggio crescente si basa sempre più nel riconoscere quali idee plausibili sono insignificanti, quali progetti eleganti sono infeasibili e quali lacune apparenti non sono lacune affatto.

Questo punta verso una nuova divisione del lavoro nella scienza.

L’AI renderà le possibilità di ricerca abbondanti. L’esperienza umana determinerà quali possibilità meritano tempo, finanziamenti e attenzione.

Le organizzazioni che trarranno vantaggio maggiormente non saranno quelle che schierano l’AI per generare il maggior numero di idee. Saranno quelle che costruiscono i sistemi più forti per la critica, la selezione, la provenienza e la diversità intellettuale.

Il futuro della scienza assistita dall’AI dipenderà meno dal fatto che le macchine possano suggerire domande di ricerca e più dal fatto che gli esseri umani preservino la capacità di rifiutare quelle sbagliate.

Riferimenti:

^{1. M. Trobinger, A. R. Doshi e S. Chai, Come l’esperienza modera l’impatto delle suggerimenti dell’AI sulle percezioni dei ricercatori delle loro idee, Research Policy 55 (2026) 105575, https://doi.org/10.1016/j.respol.2026.105575}