L’ossessione per l’IA potrebbe soffocare i campi di ricerca di cui ha bisogno per sopravvivere

Da dieci anni scrivo esclusivamente di intelligenza artificiale. Nel 2022, al mondo c’erano solo una manciata di altri giornalisti che si occupavano esclusivamente di IA; oggi siamo diverse migliaia, se non di più, e le testate con maggiori risorse impiegano più di un redattore per seguire esclusivamente l’intelligenza artificiale.

Come specie, oggi concentriamo la nostra attenzione, i nostri sforzi, le nostre paure e le nostre speranze attorno a fenomeni culturali e tecnologici che si verificano una volta al secolo e che, fino all’avvento di utili modelli linguistici di grandi dimensioni e di sistemi efficaci per la generazione di immagini e video basati sulla diffusione, erano rimasti relegati tra le «curiosità»: i deepfake erano diventati un tema di scontro politico, ma le economie mondiali sembravano non essere minacciate.

La tempesta dell’IA «di routine»

Ovviamente, ormai è tutto cambiato. Tutto è minacciato, tutto viene sconvolto e, a quanto pare, il 2026 è stato l’anno in cui è stato più difficile formulare previsioni sull’anno successivo su basi solide*.

Ogni settimana, e talvolta più volte alla settimana, vengono lanciati nuovi modelli open weight e closed source. La frequenza è ormai tale che alcuni non vengono neppure recensiti dalla comunità di appassionati e hobbisti, che al riguardo stanno sviluppando un atteggiamento sempre più disincantato, mentre la soglia di attenzione richiesta continua ad alzarsi di fronte al flusso costante di nuove uscite.

In quanto osservatore attento e professionale della ricerca e dei lanci di nuovi prodotti, devo dire che i progressi nei diversi settori della ricerca e sviluppo sull’IA, pur avendo un grande impatto a intervalli più lunghi, tendono (e sono sempre tesi) a manifestarsi in piccoli passi, anziché sotto forma di pietre miliari rivoluzionarie o evolutive come i Transformer. Oggi le grandi sorprese riguardano soprattutto l’impatto dell’IA sull’economia, più che le sue ultime capacità.

Inoltre, come ho già osservato, la qualità delle idee alla base dell’enorme boom della ricerca sull’IA dal 2022 non sempre è all’altezza della quantità: molte sono rielaborazioni in stile «Frankenstein», ricombinazioni o riassemblaggi di lavori esistenti e più innovativi, architetture patchwork progettate per creare apparente significativi miglioramenti rispetto ai lavori precedenti, ma che, a un esame più attento, sono ostacolati da metodologie fragili o da costi della VRAM assurdamente elevati.

Le città fantasma dei temi di attualità

Quando quelle migliaia di giornalisti sono passate a occuparsi di IA, gli argomenti che trattavano in precedenza hanno inevitabilmente ricevuto meno attenzione diretta. In un certo senso, la cosa contava poco, perché il tema e le applicazioni dell’IA sono diventati così onnipresenti nella cultura e nelle infrastrutture che, per esempio, un corrispondente che si occupa di energia oggi segue le questioni legate all’IA più di qualsiasi altro tema; lo stesso vale per chi si occupa di economia, occupazione, politica e politiche pubbliche, tra gli altri ambiti.

Sembrava che ormai tutti questi temi potessero essere filtrati attraverso la lente dell’IA, il che potrebbe spiegare in parte il forte aumento della copertura «dedicata» all’IA, in un settore in costante contrazione (sebbene di recente abbia registrato una lieve ripresa).

Di conseguenza, viene da chiedersi se altri temi ricevano oggi una copertura insufficiente a causa dell’«ossessione per l’IA»: temi con storie, tendenze e sviluppi che potrebbero finire per influire sullo stesso «tema d’oro» dell’IA.

Ma che cosa si può fare? Le risorse sono limitate e, finora, l’IA è la storia del secolo.

La grande migrazione verso l’IA

Secondo un nuovo studio che ha suscitato in me forti reazioni su questo tema, è ciò che potrebbe stare accadendo all’IA stessa: oltre al rischio che il ridimensionamento e la rialimentazione abbassino la qualità dei modelli futuri, l’ecosistema scientifico più ampio, in cui le idee emergono e si contaminano reciprocamente tra discipline, si sta concentrando così tanto sulla ricerca sull’IA che i momenti «serendipici» — quando connessioni impreviste tra idee apparentemente non correlate possono trasformare interi campi — potrebbero diventare sempre più rari.

In breve, il nuovo studio, intitolato Le scoperte più importanti nell’intelligenza artificiale ne accelerano l’esaurimento, suggerisce che l’ossessione per l’IA stia sottraendo le condizioni di contesto in cui si verificano nuovi sviluppi, compresi quelli che incidono direttamente sull’IA; e che, per parafrasare grossolanamente gli autori, in questo nuovo polo di interesse si stia affermando una certa «tendenza incestuosa», destinata con ogni probabilità a non condurre a un buon esito.

Lo studio afferma^†:

«Un paradigma dominante non elimina soltanto i suoi rivali, ma anche la diversità da cui sarebbe stato possibile ricombinare il suo stesso successore.

«La riduzione dell’attenzione dopo il 2017, il passaggio all’IA di oltre la metà di tutti gli autori che hanno cambiato campo, la vitalità in declino delle nuove idee e il declino sempre più marcato nella coda delle popolazioni di idee attive nei cicli successivi descrivono, nel loro insieme, un sistema la cui capacità creativa viene erosa dal successo dei paradigmi dominanti che ha prodotto.»

Lavori precedenti hanno osservato che l’IA potrebbe trasformare la ricerca in una monocultura, ma gli autori del nuovo studio ritengono anche che la crescente predominanza dell’IA possa privarla delle idee nuove di cui ha bisogno per continuare a progredire. Paragonano la ricerca sull’IA alle scienze biologiche, dove scoperte come la crio-microscopia elettronica (cryo-EM) e AlphaFold hanno innescato cicli analoghi di innovazione e declino.

Per raccogliere prove empiriche a sostegno delle loro teorie, gli autori hanno analizzato 7,18 milioni di articoli di informatica pubblicati tra il 1990 e il 2025 su OpenAlex, monitorando i cambiamenti nei temi di ricerca e nelle citazioni, gli spostamenti di 3,7 milioni di ricercatori tra i vari campi e 73.089 valutazioni tra pari, per capire in che modo la crescente predominanza dell’IA abbia influito sulla diversità scientifica.

Uno dei risultati più interessanti emersi dai dati riguarda il recente passaggio di ricercatori all’IA e il loro allontanamento dagli ambiti di studio precedenti:

«I ricercatori che cambiano campo sono studiosi a metà carriera, già affermati in misura moderata, che abbandonano il lavoro grazie al quale si sono costruiti una reputazione per seguire la forza attrattiva del settore, anche a costo di una penalizzazione dovuta al cambio di ambito»

Lo studio ha rilevato che più della metà dei 918.862 passaggi registrati tra i campi dell’informatica erano diretti verso l’IA, mentre altri ambiti, in particolare i sistemi e la ricerca teorica, perdevano costantemente ricercatori.

Dal nuovo studio: variazioni, dal 1990 al 2025, della quota di articoli di informatica dedicati all’IA, ai sistemi e alla teoria. Ogni quadrato rappresenta un anno: il blu indica una quota maggiore, il rosso una quota minore. Dopo il 2017, la quota dell’IA è aumentata bruscamente, mentre quella degli altri campi è diminuita. Fonte

I ricercatori più propensi a compiere questo passaggio erano accademici esperti, con carriere già consolidate. Nel frattempo, la quota dell’IA sul totale degli articoli di informatica è passata dal 40% nel 2017 a oltre il 55% nel 2025.

Dal blog di arXiv: l’aumento delle sottomissioni nell’ambito dell’informatica nell’arco di 2 anni, dal 2024 al 2026. Fonte

Tre segnali

Lo studio individua tre «segnali convergenti» che, secondo gli autori, hanno caratterizzato l’informatica dal 2017.

Il primo è una netta restrizione dell’attenzione della ricerca dopo il 2017, anno in cui è stata introdotta l’architettura Transformer. Estraendo le dieci parole chiave più significative da ciascuno dei 7,18 milioni di articoli di informatica, gli autori hanno monitorato quanto la ricerca si concentrasse sugli stessi temi:

Grafici che mostrano come la ricerca informatica si sia concentrata sempre più dal 2017. A sinistra: i ricercatori si focalizzano su una gamma più ristretta di argomenti. A destra: una quota crescente delle citazioni è destinata a un gruppo più ristretto di articoli. Entrambe le tendenze hanno accelerato con l’arrivo del Transformer.

Per decenni, questa concentrazione era rimasta relativamente stabile, nonostante l’avvento di Internet, degli smartphone e del deep learning. Tra il 2017 e il 2025, però, il coefficiente di Gini^†† relativo all’attenzione della ricerca (vedi immagine sopra) è salito da 0,26 a 0,33, con un aumento del 27%. Anche le citazioni sono diventate più concentrate: il loro coefficiente di Gini è salito da 0,60 a un picco di 0,69.

I ricercatori, che provengono da Tsinghua University, University of Chicago e Santa Fe Institute, affermano:

«Il Transformer ha sconvolto il settore su una scala che il suo predecessore non aveva raggiunto. Il modello non è un artefatto: resiste alle variazioni di [keyword count]»

E proseguono:

«Tra il 2017 e il 2025, la quota dell’IA nelle pubblicazioni di informatica è passata dal 40% a oltre il 55%, mentre la ricerca sui sistemi arretra dopo una lunga età dell’oro e la teoria si contrae ancora di più.»

I risultati suggeriscono quindi che, mentre l’informatica si espandeva, i ricercatori si dedicavano sempre più alle stesse idee e citavano una gamma più ristretta di lavori.

Il secondo «segnale» riguarda il numero crescente di ricercatori che abbandonano le proprie specializzazioni per lavorare nell’IA: monitorando 3,7 milioni di ricercatori, gli autori hanno individuato quasi 919.000 passaggi tra i campi dell’informatica. Di questi, il 53,81% era diretto verso l’IA, un ambito di ricerca che ha acquisito ricercatori ogni anno, mentre i sistemi e la teoria ne perdevano costantemente:

Migrazione dei ricercatori verso l’IA. Il grafico a sinistra mostra che l’IA attira una quota crescente di ricercatori provenienti da altri settori dell’informatica, mentre i sistemi e la teoria perdono terreno. I due grafici a destra mostrano chi è più propenso a compiere questo passaggio: ricercatori con circa 32 anni di carriera nelle pubblicazioni scientifiche alle spalle e risultati in termini di pubblicazioni superiori a quelli di circa l’82% dei colleghi. Si considera avvenuto un cambio di settore quando un ricercatore inizia a pubblicare la maggior parte dei propri articoli in un’area diversa.

Chi ha compiuto questo passaggio tendeva a essere un accademico affermato a metà carriera, non un nuovo arrivato né un veterano. La probabilità di passare all’IA raggiungeva il picco dopo 31,8 anni di carriera accademica e tra i ricercatori che si collocavano all’82º percentile per produzione scientifica.

La terza delle tre tendenze segnalate dall’articolo è una crescente pressione sulla revisione paritaria: il processo con cui altri ricercatori valutano la qualità e l’affidabilità di un articolo scientifico prima della pubblicazione.

Esaminando 73.089 revisioni di 26.731 articoli presentati a 45 conferenze e altre sedi di pubblicazione tra il 2017 e il 2025, gli autori hanno rilevato che la fiducia dei revisori nella propria capacità di valutare gli articoli è scesa da 3,9 a 2,9 su una scala di cinque punti:

Grafici dei cambiamenti nella revisione paritaria scientifica tra il 2017 e il 2025. Il grafico a sinistra mostra che i revisori hanno sempre meno fiducia nella propria capacità di valutare gli articoli sottoposti, con punteggi in calo da 3,9 a 2,9 su cinque. Il grafico a destra rileva l’andamento dei commenti ostili nelle revisioni, diminuiti brevemente nel 2021, quando la conferenza NeurIPS è passata alla piattaforma OpenReview, più trasparente, per poi tornare ad aumentare. Entrambe le linee mostrano medie mobili su tre anni.

Gli autori suggeriscono che questo calo potrebbe riflettere la rapida espansione dell’IA, che ha reso più difficile abbinare gli articoli a revisori adeguatamente qualificati:

«I bacini di revisori si sono riempiti di nuovi arrivati attratti dalla forza di gravità dell’IA. Sempre più spesso i revisori ricevono articoli infarciti di metodi di IA che esulano dalle loro competenze principali. Abbinare i contributi a revisori davvero esperti è diventato strutturalmente difficile.

«In questo contesto, l’accettazione assomiglia sempre più a un lancio della monetina.»

Dopo la corsa all’oro (o le corse all’oro)

L’articolo suggerisce inoltre che i più grandi progressi dell’IA potrebbero, in ultima analisi, accelerare il proprio esaurimento: ogni importante progresso è seguito da un’ondata di nuove idee, ma questa iniziale fioritura di innovazione lascia poi il posto a una ripetizione stagnante, man mano che la ricerca si concentra sempre più attorno ai progressi stessi.^†:

«I cicli successivi dell’IA moderna raggiungono la saturazione prima e si esauriscono in modo più netto. Il ciclo si sta accorciando.

«Nel corso di 36 anni di sviluppo dell’informatica, segnati da tre importanti progressi tecnologici — AlexNet, il Transformer e gli LLM — osserviamo ripetutamente la stessa spirale [pattern].

«È significativo che questo schema non si limiti all’informatica. In biologia osserviamo lo stesso ciclo di esaurimento dopo importanti progressi non computazionali (per esempio, la crio-microscopia elettronica) e computazionali (per esempio, AlphaFold).» 

Questo «esaurimento» si è certamente verificato con gli autoencoder, le reti generative avversarie (GAN) e approcci basati sugli autoencoder come i deepfake. I ricercatori hanno sfruttato senza pietà tutti questi strumenti per anni, ben oltre il momento in cui avevano chiaramente esaurito il loro potenziale, finché non sono arrivati nuovi modelli e approcci che hanno finalmente allentato la pressione su di essi.

Per tracciare questi cicli, gli autori hanno cercato negli abstract scientifici sostantivi e locuzioni distintivi, seguendone la comparsa, la scomparsa e l’occasionale ritorno come indicatori dei cambiamenti nelle idee di ricerca.

AlexNet, nel 2012, e i Transformer, nel 2017, hanno dato vita ciascuno a un’ondata di nuove idee che si è infine esaurita. A ogni progresso, l’IA ha guadagnato ulteriore terreno, mentre gli altri settori dell’informatica sono rimasti indietro, arrivando infine a generare nuove idee a un ritmo inferiore rispetto a prima del 2012:

Confronto della quota di nuove idee di ricerca nell’IA (blu), nell’informatica non legata all’IA (rosso) e nell’insieme dei due ambiti (viola tratteggiato). Le nuove idee sono aumentate rapidamente dopo AlexNet nel 2012 e il Transformer nel 2017, per poi diminuire. Il vantaggio dell’IA si è ampliato dopo la seconda svolta. Le linee mostrano medie mobili su tre anni.

Lo stesso schema si osserva nelle idee che cadono in disuso, quando nuove svolte soppiantano approcci più datati, a volte anni dopo la loro comparsa. Eppure, anche le svolte stesse sono soggette allo stesso ciclo: ciascuna attira un’ondata di attenzione da parte della ricerca, che prima o poi si attenua, lasciando il campo in attesa di un’altra scoperta che ne rilanci lo slancio (come è avvenuto con Gaussian Splatting, dopo un intervallo di 31 anni):

Confronto delle citazioni ai contributi originali su AlexNet (rosso) e sul Transformer (blu) dal 2012 al 2025. La quota di citazioni di entrambi è cresciuta prima di diminuire bruscamente, a dimostrazione di come l’attenzione verso le grandi svolte finisca per svanire. Le linee mostrano medie mobili su tre anni.

Il successo dell’IA concentra ricercatori e idee attorno a una manciata di approcci dominanti, mentre, sostengono gli autori, i campi circostanti che potrebbero contribuire a generare i loro successori continuano a perdere terreno. E sebbene non prevedano esplicitamente che ciò impedirà future svolte, gli autori sollevano la possibilità che l’IA stia gradualmente consumando la diversità da cui potrebbe dipendere il suo prossimo balzo in avanti.

È stato monitorato anche il numero di idee ancora in uso attivo; nelle successive ondate di sviluppo dell’IA, questo numero è sceso sempre più al di sotto delle aspettative, con uno scarto maggiore dopo i Transformer che dopo AlexNet:

Grafico che mostra il numero di idee di ricerca attive nelle successive svolte dell’IA. Le linee continue mostrano la crescita modellizzata, mentre i tratti tratteggiati indicano che i valori effettivi sono scesi al di sotto dei livelli previsti. Lo scarto è maggiore dopo il Transformer che dopo AlexNet; un calo precoce si osserva anche durante l’era degli LLM.

In sintesi, gli autori concludono che la concentrazione di risorse e persone su una gamma sempre più ristretta di sfide legate all’IA rischia di impoverire i campi adiacenti, che un tempo avrebbero naturalmente alimentato con idee il settore dell’IA e molti altri settori.

Richiamando il commento di John Hassler sull’assegnazione del Premio Nobel per le scienze economiche 2025, gli autori concludono:

‘Il comitato Nobel ha avvertito che i meccanismi della distruzione creatrice devono essere preservati per evitare la stagnazione. I nostri risultati individuano uno di questi meccanismi, la diversità intellettuale, e mostrano che le istituzioni attuali la stanno erodendo.

‘Le istituzioni che distribuiscono l’attenzione, tra cui i sistemi di revisione, le tariffe e le regole per la presentazione dei contributi, i sistemi di incentivi, le assunzioni, le promozioni e le consuetudini relative al pensionamento 12, determinano tutte se il paradigma successivo avrà spazio per emergere.

‘Progettarle bene significa resistere all’impulso di puntare ancora di più sul paradigma che sta prevalendo, penalizzare la concentrazione anziché l’esplorazione e trasferire l’autorità di valutazione da chi pubblica molto a chi propone idee nuove.

‘La distruzione creatrice sostiene la crescita solo finché lascia qualcosa da ricombinare. Una singolarità non ha successori.’

* Ci vorrebbe una parola per questo: «resistente alle previsioni»? Be’, non è una parola singola, ma un’espressione, e sembra anche riferirsi al 2026 anziché alla visione del 2027 dal punto di vista del 2026. «Infuturabile»? Il correttore ortografico l’ha sottolineata in rosso, quindi teniamoci questa.

^† La mia conversione in collegamenti ipertestuali delle citazioni inserite nel testo dagli autori.

^†† Il coefficiente di Gini indica quanto è diseguale la distribuzione di qualcosa, su una scala da 0 (uguaglianza perfetta) a 1 (concentrazione massima). In questo caso, un punteggio più alto significa che i ricercatori si concentrano su un numero minore di argomenti.

Pubblicato per la prima volta mercoledì 21 ottobre 2026