Uno studio pubblicato il 14 gennaio su Nature mette nero su bianco un paradosso che molti intuivano: gli scienziati che usano strumenti di intelligenza artificiale guadagnano in produttività, citazioni e avanzamento di carriera, ma nel complesso la scienza tende a concentrarsi su un numero più ristretto di temi.
L’IA, insomma, amplifica l’impatto dei singoli, ma contrae il raggio d’azione collettivo della ricerca scientifica. Una conferma a studi precedenti (vedi sotto).
Indice degli argomenti
Il dataset dello studio su IA nella ricerca scientifica: 41 milioni di articoli
Il lavoro, firmato da Qianyue Hao, Fengli Xu, Yong Li e James Evans, ha analizzato 41,3 milioni di articoli di scienze naturali pubblicati tra il 1980 e il 2025. L’obiettivo non era studiare lo sviluppo dell’IA in sé, ma capire che cosa succede quando l’IA viene usata “a valle”, come strumento per fare scienza.
Per individuare la “ricerca aumentata dall’IA”, il gruppo ha usato un modello linguistico, BERT, addestrato a riconoscere nei titoli e negli abstract l’uso di tecniche come machine learning, deep learning o, più di recente, IA generativa.
Il modello è stato poi validato confrontando le sue etichette con quelle di esperti umani: l’accordo ha raggiunto un F1-score di 0,875, superiore al livello di accordo tra gli esperti stessi.
Da questa scrematura sono emersi poco più di 310 mila articoli classificati come “IA-aumentati”. A quel punto il team ha potuto confrontare la carriera degli autori di questi lavori con quella di colleghi simili che non avevano usato strumenti di IA.
Perché l’IA nella scienza premia le carriere dei singoli
I numeri sono netti. Come riassume Evans in un podcast Nature, adottare l’IA è “una grande mossa per la carriera. È stata una mossa eccellente”.
Gli scienziati che firmano lavori aumentati dall’IA pubblicano circa tre volte più articoli.
Inoltre ricevono quasi cinque volte più citazioni.
E, sul piano delle posizioni, diventano leader di progetti di ricerca in media più di un anno prima dei colleghi non aumentati.
“Ogni volta che si separavano dai loro colleghi nell’uso di strumenti di IA”, spiega Evans, “ottenevano maggiore attenzione nelle citazioni, avevano meno probabilità di abbandonare la scienza ed erano più rapidamente propensi a stabilire laboratori e diventare scienziati senior che dirigono la ricerca”.
In altre parole, a livello individuale la convenienza è evidente.
Il costo collettivo dell’IA nella scienza: più paper, meno varietà
Se per il singolo l’IA è un moltiplicatore di carriera, per la scienza nel suo complesso il quadro è più ambiguo. Gli autori si sono chiesti come gli articoli aumentati dall’IA si inseriscono nella rete della letteratura: che cosa citano, chi li cita, quanto contribuiscono ad allargare – o restringere – il territorio esplorato dalla ricerca.
Qui emergono i segnali d’allarme. Lo studio mostra che, man mano che l’IA viene adottata, il volume collettivo dei temi scientifici studiati si restringe di circa il 4,6%.
In parallelo, il livello di interazione tra ricercatori (misurato tramite le citazioni successive) cala del 22%.
Evans, nel podcast, lo sintetizza così: “Sembrava chiaro che stesse davvero comprimendo o automatizzando campi scientifici esistenti, piuttosto che generare nuove domande che portano a discussioni stimolanti”.
L’analisi suggerisce che gli scienziati aumentati dall’IA non solo producono più lavori, ma tendono a concentrarsi su meno aree, soprattutto quelle ricche di dati, dove gli algoritmi possono essere applicati in modo più diretto.
È una forma di specializzazione assistita che, vista dal singolo laboratorio, appare razionale.
Vista dall’alto, però, può trasformarsi in un affollamento su pochi temi.
Evans usa una metafora molto concreta: “Se tutti si arrampicano sullo stesso albero, i frutti a portata di mano spariscono e ci si ritrova a combattere per un paio di punti percentuali mentre risolviamo problemi importanti”.
L’IA, dice, viene usata per risolvere problemi “importanti, stabiliti e concordati”.
Il rischio è che “se li risolvi molto più velocemente di quanto ne generi di nuovi, allora rallenta il tasso di domande originali e del discorso, e di quel tipo di cose che scatena la creatività e la visione umana”.
In termini più tecnici, gli autori parlano di un “paradosso”: espansione dell’impatto individuale, contrazione della portata collettiva.
La lettura alternativa: specializzazione, non collasso della curiosità
Non tutti leggono questi dati in chiave pessimista. Nel podcast interviene anche Veda Storey, informatica che su Nature ha firmato il commento di “News and Views” allo studio, e che mette in guardia dal trarre conclusioni troppo fosche.
“Pensavo fossero troppo pessimisti. Io sarei molto più ottimista”, dice.
Dal suo punto di vista è quasi ovvio che gli strumenti di IA, molto efficaci nel lavorare grandi quantità di dati, spingano i ricercatori verso aree in cui quei dati abbondano.
E questo, sostiene, può essere un bene: “Se questi strumenti permettono loro di andare più a fondo in certe aree, possiamo trarne beneficio. Possiamo beneficiare di una comprensione approfondita”.
Per Storey, insomma, l’IA potrebbe non restringere la scienza tanto quanto ridefinire dove si concentra lo sforzo: meno dispersione, più approfondimento.
Allo stesso tempo, lei stessa invita alla prudenza su due punti. Primo: lo studio non copre matematica e informatica, due discipline in cui l’IA è onnipresente.
Generalizzare il risultato “a tutta la scienza” potrebbe quindi essere azzardato.
Secondo: l’impatto specifico degli strumenti di IA generativa è ancora in gran parte da capire.
IA generativa, replicabilità e trasparenza del lavoro scientifico
Su quest’ultimo fronte, Storey è molto cauta: non pensa che gli attuali sistemi generativi siano pronti per sostituire la scrittura scientifica tradizionale, e teme che possano creare problemi di replicabilità.
Gli strumenti di IA precedenti erano tendenzialmente deterministici: stesso input, stesso output.
L’IA generativa è probabilistica: a parità di input, può restituire risposte diverse.
“Nel passato”, ricorda, “gli strumenti di IA sono stati deterministici: inserisci un input e ottieni lo stesso output volta dopo volta. […] Ora, nella scienza, abbiamo sempre bisogno di replicare un risultato. […] Se stai usando uno strumento che ti darà output diversi a parità di input, cosa succede quando provi a replicare tutti questi studi?”.
La domanda è aperta, e si inserisce in un dibattito più ampio sulla trasparenza e la tracciabilità dei flussi di lavoro assistiti da modelli linguistici di grandi dimensioni.
Il nodo degli incentivi: cosa spinge davvero l’IA nella scienza
Al di là del confronto tra ottimisti e pessimisti, Evans insiste su un punto di fondo: il problema non è tanto l’IA in sé, quanto gli incentivi che regolano la carriera scientifica.
“Penso che ciò che vediamo qui sia una sorta di conflitto tra gli incentivi per gli individui e per la scienza nel suo complesso”, dice nel podcast.
I singoli scienziati “stanno cercando di sopravvivere nell’universo scientifico. Vogliono promozioni, vogliono risorse per fare più scienza”.
Se strumenti di IA permettono di produrre più articoli e ottenere più citazioni in campi già consolidati, la scelta razionale è usarli lì.
La scienza, però, “ha un incentivo diverso, che è quello di sapere tutto”.
E per “sapere tutto” non basta spingere sempre più in profondità negli stessi pochi settori ricchi di dati; occorre anche esplorare nuovi ambiti, raccogliere nuovi tipi di dati, formulare domande che oggi non sappiamo neanche porre.
Evans immagina un uso alternativo dell’IA: non solo compressore di grandi dataset esistenti, ma strumento per individuare dove mancano i dati e dove avrebbe senso investire in nuove campagne di raccolta.
Anche questo richiederebbe però cambiamenti negli incentivi, ad esempio premiando di più chi apre campi nuovi, non solo chi accumula citazioni in campi affollati.
Se questo non accade, avverte, l’uso attuale dell’IA rischia di produrre una sorta di “collasso del modello”, analogo a quello che si osserva quando i modelli di IA vengono addestrati sempre più sui propri output: finiscono per pescare solo “nelle code della distribuzione” e smettono di funzionare.
“Abbiamo bisogno che la scienza cresca. È il suo carattere. E questo significa che dobbiamo reindirizzare l’uso dell’IA”.
Che cosa guardare adesso: tre segnali per capire la direzione dell’AI per la ricerca scientifica
Lo studio di Hao, Xu, Li ed Evans non esaurisce il tema, ma mette sul tavolo tre messaggi chiave.
- Il primo è che l’adozione di strumenti di IA in scienza non è neutrale: premia fortemente chi li usa, e in particolare chi li applica in settori già maturi e ricchi di dati.
- Il secondo è che, a livello di sistema, questo può tradursi in una scienza più densa ma meno varia: più paper, più citazioni, ma su un insieme di temi più ristretto e con meno interazione tra comunità diverse.
- Il terzo è che la traiettoria futura non è scritta. Dipenderà da come università, agenzie di finanziamento e riviste ridefiniranno i criteri di valutazione: quanto premieranno la quantità rispetto alla novità, quanto sosterranno la raccolta di nuovi dati in campi “vuoti” rispetto alla corsa a spremere fino in fondo quelli già disponibili.
Nei prossimi anni, la vera partita potrebbe giocarsi qui: non tanto se usare o meno l’IA in scienza – quella fase è già alle spalle – ma come orientarne l’uso.
Verso un’ulteriore concentrazione su pochi alberi molto affollati, o verso la scoperta di nuovi terreni da esplorare.
