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

Per gran parte della storia della scienza moderna, le prime fasi di un’idea di ricerca sono rimaste in larga misura invisibili.

Un ricercatore notava un’anomalia, collegava due concetti, metteva in discussione una premessa consolidata o individuava una lacuna nella letteratura. L’idea veniva affinata privatamente, prima di essere messa alla prova attraverso conversazioni con supervisori, colleghi, revisori ed enti finanziatori.

L’IA generativa si sta inserendo in questa sequenza.

Ora i ricercatori possono presentare un pensiero ancora incompleto a un modello linguistico di grandi dimensioni prima di discuterne con un’altra persona. Possono chiedere al sistema di generare ipotesi, mettere in discussione le premesse, individuare ambiti affini o trasformare un’intuizione in una proposta più coerente.

Potrebbe sembrare un ulteriore miglioramento della produttività. È un cambiamento più significativo.

L’IA generativa sta creando un nuovo livello di intermediazione tra il pensiero privato e il giudizio scientifico umano. Questo livello potrebbe cambiare il modo in cui si formano le idee, chi riceve un sostegno intellettuale iniziale, come vengono formati i ricercatori e dove la competenza crea valore.

Uno studio del 2026¹ pubblicato su Research Policy fornisce elementi che mostrano come questa trasformazione sia già distribuita in modo disomogeneo. I ricercatori meno esperti erano molto più propensi a incorporare i suggerimenti generati dall’IA e a considerare le idee risultanti innovative o di grande impatto. Quelli più esperti tendevano maggiormente a giudicare gli stessi suggerimenti ovvi, non abbastanza avanzati o semplicemente un altro strumento a disposizione.

I risultati indicano un cambiamento più ampio nel lavoro scientifico. Man mano che l’IA rende abbondante la generazione di idee, la capacità scarsa potrebbe non essere più quella di produrre possibilità, ma quella di riconoscere quali meritino di sopravvivere.

L’IA sta cambiando la sequenza del pensiero scientifico

Lo studio di Matthias Trobinger, Anil R. Doshi e Sen Chai ha esaminato le reazioni dei ricercatori quando l’IA generativa proponeva nuove direzioni di ricerca sulla base dei loro lavori precedenti.

In un esperimento randomizzato che ha coinvolto 310 ricercatori, i partecipanti non ricevevano alcun suggerimento visibile dell’IA, oppure ne ricevevano uno o tre. Uno studio successivo, condotto su 28 ricercatori, ha esplorato l’uso interattivo dell’IA nelle prime fasi dell’elaborazione delle idee.

I risultati hanno mostrato che l’IA influenzava il contenuto delle idee prodotte dai ricercatori. L’esperienza, tuttavia, modificava notevolmente l’entità di tale influenza.

I ricercatori meno esperti tendevano maggiormente a incorporare i suggerimenti dell’IA, a interpretarli come innovativi e a percepire le idee risultanti come di grande impatto. I più esperti erano meno influenzati e spesso ritenevano che le direzioni suggerite fossero già state prese in considerazione, non fossero abbastanza ambiziose o mancassero del contesto necessario per individuare un problema di ricerca di autentico valore.

L’implicazione più importante non è che un gruppo si fidasse dell’IA e l’altro no.

È che l’IA generativa sembra anticipare il feedback scientifico all’interno del processo.

In precedenza, i ricercatori dovevano spesso decidere se un’idea fosse abbastanza coerente da essere presentata a un’altra persona. L’IA abbassa notevolmente questa soglia. Consente di esprimere un’idea quando è ancora incompleta, contraddittoria o formulata male.

Ne nasce un flusso di lavoro radicalmente diverso.

La vera svolta è l’IA che interviene prima del supervisore

I ricercatori all’inizio della carriera affrontano spesso uno svantaggio strutturale che ha poco a che fare con l’intelligenza o l’impegno. Hanno reti professionali più piccole, meno fiducia nell’avvicinare esperti affermati e meno esperienza nel trasformare domande vaghe in progetti sostenibili sul piano argomentativo.

L’IA generativa compensa in parte questo svantaggio.

Offre una discussione preliminare su richiesta, senza vincoli di agenda, pressione sociale o rischi per la reputazione.

Si crea così quello che si potrebbe descrivere come un livello precedente alla supervisione.

L’IA non sostituisce il supervisore. Cambia invece ciò che arriva al supervisore.

Questa distinzione ha conseguenze importanti per le organizzazioni di ricerca. Se i ricercatori iniziano a presentare proposte più coerenti e sviluppate, gli scienziati senior possono dedicare meno tempo ad aiutare a formulare le domande di base e più tempo a valutarne l’importanza strategica, il rigore metodologico e l’allocazione delle risorse.

In teoria, questo potrebbe rendere più efficiente il tutoraggio. I ricercatori esperti potrebbero concentrare la propria attenzione limitata su valutazioni di maggior valore, anziché sulla strutturazione preliminare.

Tuttavia, potrebbe anche nascondere delle debolezze.

Una proposta ben rifinita con l’aiuto dell’IA può dare un’impressione di maturità intellettuale senza che siano presenti le capacità di ragionamento normalmente sviluppate nel costruirla. I supervisori potrebbero ricevere idee presentate meglio, avendo però meno visibilità su quanto il ricercatore le comprenda davvero.

Ne potrebbe derivare un divario crescente tra la qualità della proposta e le capacità del ricercatore.

La competenza potrebbe spostarsi dalla generazione al rifiuto delle idee

L’IA generativa riduce drasticamente il costo della produzione di opzioni.

Questa abbondanza cambia la funzione della competenza.

Quando generare possibili direzioni era costoso, produrre un’idea forte costituiva già di per sé una capacità distintiva. Quando le possibilità possono essere generate quasi senza limiti, la capacità più preziosa diventa saperle scartare.

Nello studio, i ricercatori esperti respingevano spesso i suggerimenti dell’IA non perché fossero incoerenti, ma perché non erano abbastanza importanti. A volte le idee erano estensioni logiche di lavori precedenti, eppure non superavano la soglia necessaria a giustificare ulteriori sforzi.

Questo riflette una forma di competenza che gli attuali sistemi di IA faticano a riprodurre.

I ricercatori senior spesso sanno:

• Quali domande siano già state esplorate informalmente senza mai essere pubblicate.
• Quali progetti attraenti sul piano teorico siano impossibili da realizzare sul piano operativo.
• Quali metodi falliranno di fronte ai vincoli del mondo reale.
• Quali risultati sarebbero tecnicamente validi ma scientificamente poco importanti.
• Quali aree di ricerca sembrino ancora aperte soltanto perché il lavoro pertinente è in corso ma non è ancora pubblico.
• Quali domande abbiano poche probabilità di superare la revisione tra pari o di attrarre finanziamenti.

Gran parte di queste conoscenze è tacita. Si trova nelle reti professionali, negli esperimenti falliti, nelle discussioni ai convegni, nelle proposte di finanziamento abbandonate, nei commenti dei revisori e negli anni di esperienza nel settore.

Anche un LLM con un ampio accesso alla ricerca pubblicata può generare una direzione plausibile senza disporre delle conoscenze tacite e non pubblicate che spiegano perché non sia mai stata perseguita.

Questo suggerisce che il ruolo futuro dei ricercatori senior potrebbe assomigliare sempre di più a quello dei gestori di portafoglio. Il loro valore risiederà non soltanto nel produrre idee, ma anche nel distribuire attenzione e risorse tra un’offerta crescente di possibilità generate dall’IA.

L’IA potrebbe ridurre i divari di accesso e ampliare quelli di giudizio

L’IA generativa viene spesso descritta come una tecnologia che democratizza le capacità, perché consente a più persone di accedere a competenze prima associate agli specialisti.

Nella scienza questo è in parte vero.

I ricercatori privi di reti d’élite o di supervisori molto disponibili possono ora ottenere subito brainstorming, spiegazioni, sintesi e critiche. Questo potrebbe aiutare chi lavora in istituzioni più piccole, in regioni con scarsi finanziamenti o al di fuori delle principali reti accademiche a formulare progetti più solidi.

Eppure un accesso uguale all’IA non produce risultati uguali. Ne nasce un possibile paradosso: l’IA può ridurre il divario nella produzione delle idee, aumentando al contempo l’importanza delle capacità di valutazione.

I ricercatori più influenzati dai suggerimenti generati dall’IA potrebbero essere anche i meno preparati a riconoscerne i limiti. Nel frattempo, chi è meglio attrezzato per valutarli potrebbe percepire meno vantaggi immediati nell’utilizzarli.

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

Il problema della monocultura scientifica

Esiste un altro rischio che va oltre i singoli ricercatori.

I modelli linguistici di grandi dimensioni generano risposte apprendendo schemi dalla letteratura esistente. Se molti ricercatori utilizzano modelli simili per produrre domande di ricerca, potrebbero ricevere suggerimenti sovrapposti. Si creerebbe così una forma di convergenza scientifica che aumenta il numero delle idee, riducendo però la diversità intellettuale.

Preso singolarmente, ogni suggerimento può sembrare innovativo.

Nel complesso, il sistema può concentrare l’attenzione sugli stessi metodi, variabili e quadri teorici.

Lo studio non dimostra direttamente questo esito a livello di sistema. Tuttavia, i suoi risultati rendono la possibilità più credibile. I ricercatori meno esperti erano più propensi a incorporare i suggerimenti dell’IA, e quelli all’inizio della carriera rappresentano una quota rilevante della futura produzione scientifica.

Se l’IA diventa un intermediario durante le fasi formative della loro carriera, i modelli potrebbero influenzare non soltanto i singoli progetti, ma anche i confini di ciò che i nuovi ricercatori considerano degno di studio.

L’IA per la ricerca dovrebbe essere progettata come un avversario critico

La maggior parte dei prodotti di IA generativa è ottimizzata per essere utile. Risponde alle domande, sviluppa le idee e produce risultati ben rifiniti.

L’elaborazione delle idee scientifiche potrebbe richiedere una filosofia progettuale diversa.

L’assistente di ricerca più prezioso potrebbe non essere quello che genera la proposta più convincente, ma quello che cerca più efficacemente di confutarla.

Un’IA dedicata alla ricerca dovrebbe operare in diverse modalità:

Generatore di ipotesi

Il sistema dovrebbe proporre spiegazioni concorrenti anziché un’unica direzione preferita. Dovrebbe variare le premesse, i quadri teorici e gli approcci metodologici.

Revisore critico

Dovrebbe individuare perché una proposta potrebbe essere banale, irrealizzabile, già esplorata, dotata di potenza statistica insufficiente, problematica sul piano etico o poco capace di produrre evidenze significative.

Verificatore della novità

Dovrebbe reperire articoli recenti, preprint, brevetti, sperimentazioni cliniche, banche dati dei finanziamenti e atti di convegni per stabilire se l’idea sia davvero poco esplorata.

Simulatore dei vincoli

Dovrebbe mettere alla prova la proposta rispetto a limiti pratici quali l’accesso ai campioni, le attrezzature necessarie, i costi, le tempistiche, le autorizzazioni normative e la disponibilità dei dati.

Tracciatore della provenienza

Dovrebbe documentare quali elementi provengano dal ricercatore, dalla letteratura reperita, dai collaboratori esterni o dai suggerimenti generati dal modello.

Motore di divergenza

Dovrebbe cercare intenzionalmente al di fuori della letteratura dominante e proporre analogie tratte da discipline lontane, anziché rafforzare continuamente il percorso statisticamente più probabile.

In questo modo l’IA passerebbe da fabbrica automatizzata di idee a sistema che ne mette alla prova la tenuta intellettuale.

Le università potrebbero dover ripensare la formazione dei ricercatori

L’emergere dell’elaborazione di idee assistita dall’IA crea un problema formativo.

L’educazione scientifica ha tradizionalmente presupposto che i ricercatori sviluppino capacità di giudizio attraverso il confronto ripetuto con l’incertezza. Imparano generando idee deboli, fraintendendo la letteratura, ricevendo critiche, rivedendo le premesse e scoprendo perché direzioni apparentemente promettenti falliscono.

L’IA può eliminare una parte di queste difficoltà.

Rimuovere gli ostacoli inutili è positivo. Eliminare quelli che servono alla crescita potrebbe non esserlo.

Se i giovani ricercatori si affidano all’IA per strutturare ogni idea iniziale, possono produrre risultati migliori nel breve periodo, accumulando però meno esperienza autonoma nella formulazione dei problemi.

Le università dovrebbero quindi evitare di presentare le politiche sull’IA come una scelta binaria tra permesso e divieto. La domanda più importante è come integrarne l’uso nello sviluppo della competenza.

Tra i possibili requisiti potrebbero figurare:

• I ricercatori devono valutare criticamente una proposta generata dall’IA prima di adottarla.
• Le idee assistite dall’IA devono essere confrontate con alternative generate autonomamente.
• Gli studenti devono documentare perché determinati suggerimenti dell’IA siano stati respinti.
• I supervisori dovrebbero valutare il processo di ragionamento, non soltanto la proposta finale.
• I corsi di metodologia della ricerca dovrebbero includere esercizi di calibrazione del giudizio basati su risultati dell’IA plausibili ma difettosi.

L’obiettivo non sarebbe preservare un modello artificiale di ricerca privo di IA, ma assicurare che l’IA acceleri lo sviluppo dei ricercatori anziché sostituirlo.

Conclusione

L’IA generativa non sta soltanto aiutando gli scienziati a produrre più idee. Sta cambiando il momento in cui le idee vengono condivise, chi riceve un sostegno intellettuale iniziale e dove la competenza crea valore.

Per i ricercatori all’inizio della carriera, l’IA può essere un collaboratore preliminare sempre disponibile. Può ridurre il costo sociale del presentare pensieri incompleti e aiutare a trasformare intuizioni in proposte pronte per una discussione con altre persone.

Per i ricercatori esperti, il valore può trovarsi altrove. Il loro vantaggio consiste sempre di più nel riconoscere quali idee plausibili siano poco importanti, quali progetti eleganti siano irrealizzabili e quali apparenti lacune non siano affatto tali.

Questo indica una nuova divisione del lavoro nella scienza.

L’IA renderà abbondanti le possibilità di ricerca. La competenza umana stabilirà quali meritino tempo, finanziamenti e attenzione.

Le organizzazioni che ne trarranno maggior beneficio non saranno quelle che impiegheranno l’IA per generare il maggior numero di idee. Saranno quelle che costruiranno i sistemi più solidi per la critica, la selezione, la tracciabilità della provenienza e la diversità intellettuale.

Il futuro della scienza assistita dall’IA dipenderà meno dalla capacità delle macchine di suggerire domande di ricerca e più dalla capacità degli esseri umani di continuare a respingere quelle sbagliate.

Riferimenti:

^{1. M. Trobinger, A. R. Doshi e S. Chai, Come l’esperienza modera l’effetto dei suggerimenti dell’IA sulla percezione che i ricercatori hanno delle proprie idee, Research Policy 55 (2026) 105575, https://doi.org/10.1016/j.respol.2026.105575}