L’AI sta cambiando la scienza: traguardi e limiti da conoscere

L’atmosfera che si respirava durante l’ultimo grande evento annuale Google I/O 2026¹, il celebre palcoscenico californiano dedicato agli sviluppatori e alle novità tecnologiche più imminenti, ha confermato che qualcosa di importante sta accedendo.

L’AI di cui si parla non è più solo chatbot e produttività d’ufficio. Ora l’intelligenza artificiale sta cambiando la scienza, davvero; finalmente.

Con traguardi tangibili, che si possono misurare. Ma anche limiti che bisogna capire a fondo.

AI nella scienza: il cambio di rotta di Google

L’ultima novità Google offre occasione per parlarne.

Il colosso di Mountain View infatti, con la propria controllata Deepmind, ha deciso di scommettere gran parte della propria credibilità e delle proprie risorse su un’evoluzione dell’Intelligenza Artificiale che non serve più soltanto a scrivere e-mail riassuntive o a generare immagini bizzarre partendo da un comando testuale, ma che si propone come il motore pulsante della prossima rivoluzione scientifica globale.

Da AlphaFold a Gemini for Science, i nuovi strumenti scientifici

Il punto di svolta ideale di questo percorso, richiamato e celebrato durante l’evento, è legato a un nome che nella comunità scientifica risuona ormai come una pietra miliare: AlphaFold. Quando la divisione britannica DeepMind di Google presentò³ al mercato la tecnologia capace di prevedere con precisione millimetrica la struttura tridimensionale delle proteine, il mondo della biologia molecolare visse un vero e proprio shock culturale. Problemi che tenevano bloccati i ricercatori di tutto il mondo per interi decenni, richiedendo investimenti colossali in macchinari per la cristallografia a raggi X (che determina la struttura tridimensionale di molecole e materiali a livello atomico) e anni di tentativi ed errori in laboratorio, venivano risolti dall’algoritmo nel giro di pochi minuti o, addirittura, secondi.

Quella che era nata come una scommessa visionaria si trasformò presto nel più grande catalizzatore della biologia moderna, consentendo di mappare l’intero universo proteico noto e aprendo le porte a cure mediche personalizzate, alla scoperta di nuovi antibiotici per contrastare i batteri super-resistenti e alla creazione di enzimi capaci di degradare la plastica negli oceani. Ma se AlphaFold rappresentava il trionfo dell’Intelligenza Artificiale applicata a un problema specifico e circoscritto, l’orientamento attuale di Google mostra l’intenzione di andare ben oltre, superando la logica dello strumento specialistico per abbracciare l’era dei modelli scientifici universali, capaci di muoversi trasversalmente tra la fisica, la chimica, la scienza dei materiali e la climatologia.

Questa ambizione oggi ha un nome operativo: Gemini for Science. Nella documentazione pubblicata in occasione di Google I/O 2026, Google presenta una raccolta di strumenti sperimentali progettati per accelerare passaggi diversi del metodo scientifico, dalla generazione di ipotesi alla scoperta computazionale, usando Co-Scientist, AlphaEvolve, Empirical Research Assistance e NotebookLM.⁴ Il cambio di scala è rilevante perché sposta l’AI scientifica dal singolo modello verticale a una catena di agenti, database e strumenti di verifica. Il ricercatore non interroga più soltanto un sistema che restituisce una risposta: costruisce un ciclo di lavoro in cui l’algoritmo propone ipotesi, le confronta con la letteratura, le rielabora e le trasforma in piani sperimentali sottoposti al giudizio umano.

Co-Scientist e il ciclo ipotesi-verifica

Il caso più avanzato è Co-Scientist, pubblicato da Google DeepMind su Nature nel maggio 2026 come sistema multi-agente basato su Gemini. La sua architettura divide il lavoro tra agenti che generano idee, le raggruppano per prossimità, le criticano come in una revisione tra pari, le classificano in un “torneo di idee” e le fanno evolvere fino a una proposta di ricerca. La parte più interessante non è l’automazione della scrittura di ipotesi, ma l’attenzione alla verificabilità: Google DeepMind dichiara che gran parte del calcolo del sistema è dedicata al controllo delle ipotesi rispetto a letteratura e dati, anche attraverso risorse specialistiche come ChEMBL e UniProt. Le sperimentazioni citate riguardano resistenza antimicrobica, immunità delle piante, fibrosi epatica e meccanismi dell’invecchiamento; in un caso di drug repurposing per la fibrosi epatica, Co-Scientist ha individuato un candidato che nei test di laboratorio ha bloccato il 91% di una risposta collegata alla cicatrizzazione.⁵

Dati e impatto dell’AI nella ricerca scientifica

Lo studio “AI in science: When and where it makes a difference”, firmato da Stefano Bianchini, Valentina Di Girolamo, Julien Ravet e David Arranz e pubblicato su Research Policy nel luglio 2026, conferma il trend perché offre una base empirica importante: analizza oltre 80 milioni di pubblicazioni scientifiche in più di 170 campi tra il 2005 e il 2023, misurando l’effetto dell’AI su novità e impatto della ricerca.

Il risultato: i lavori che impiegano AI tendono in media a essere più nuovi e più presenti tra le pubblicazioni altamente citate, ma il beneficio cambia molto da disciplina a disciplina e diventa più forte quando l’AI è già entrata stabilmente nelle pratiche del campo scientifico.²

I numeri aiutano a capire la novità effettiva.

Nel 2023, secondo lo stesso studio, le pubblicazioni scientifiche collegate all’uso dell’AI hanno superato quota 2 milioni e rappresentavano circa il 13% della produzione scientifica considerata. L’impatto più visibile non è sulla citazione media, che resta più moderata, ma sulla probabilità di finire nella fascia alta delle pubblicazioni più citate. In più di due terzi dei campi analizzati, i paper che usano AI risultano significativamente più presenti nelle classi top cited, soprattutto nel 5% e nell’1% più citato. È un segnale forte, ma non equivale alla prova che l’algoritmo “faccia scienza” da solo: indica che, in molti contesti, l’AI sta diventando un moltiplicatore di produttività, visibilità e capacità combinatoria.

La fotografia più sintetica dello stato dell’arte è questa:

• Diffusione dell’AI nella scienza: oltre 2 milioni di pubblicazioni AI-related nel 2023, pari a circa il 13% dell’output osservato nello studio di Research Policy. L’AI non è più confinata all’informatica o a pochi laboratori sperimentali.
• Impatto scientifico: in più di due terzi dei campi, i lavori AI-related sono più presenti tra le pubblicazioni top cited. Il contributo emerge soprattutto nei picchi di impatto.
• Campi più favoriti: astronomia, bioinformatica, climatologia, geodesia, fisica medica e radiologia mostrano associazioni positive forti perché dati, immagini, simulazioni e modelli sono già centrali.
• Campi più problematici: in alcune aree biomedicali e di ingegneria di processo l’associazione con novità o impatto è debole o negativa. L’AI automatizza bene, ma non sempre sposta la frontiera concettuale.
• Rischio sistemico: la ricerca AI-augmented può aumentare l’impatto individuale e restringere il ventaglio collettivo dei temi studiati.

Ricerca scientifica con AI, i limiti: verifica, potere e regole necessarie

Questa accelerazione non è una scelta isolata, ma si inserisce in un contesto competitivo feroce, dove l’Intelligenza Artificiale viene vista dai governi mondiali e dalle grandi corporazioni del globo come la chiave di volta per la supremazia geopolitica ed economica del ventunesimo secolo. Chi controlla gli algoritmi scientifici più avanzati controlla la capacità di brevettare i farmaci del futuro, di progettare i materiali semiconduttori che alimenteranno i computer quantistici e di sviluppare le tecnologie per la transizione energetica, dalle batterie di nuova generazione ai sistemi di contenimento per la fusione nucleare “pulita”.

Il cambiamento di paradigma è evidente soprattutto nel modo in cui viene concepita la figura stessa dello scienziato-ricercatore. Non si tratta più di sostituire l’essere umano (come temono le visioni più “distopiche” e semplicistiche della fantascienza), ma di affiancarlo con un “partner computazionale” dotato di una capacità di calcolo e di una memoria enciclopedica semplicemente inimmaginabili per un cervello umano.

Un ricercatore in carne e ossa può leggere qualche centinaio di paper scientifici all’anno, ricordare un numero limitato di formule e tentare un pugno di combinazioni chimiche nella sua carriera; un sistema di Intelligenza Artificiale di ultima generazione, invece, può analizzare l’intera letteratura scientifica prodotta dall’umanità dall’invenzione della stampa a oggi, incrociare i dati di milioni di esperimenti falliti e proporre ipotesi di lavoro totalmente contro-intuitive, che un occhio umano non avrebbe mai potuto cogliere perché nascoste nel rumore di fondo di moli di dati sterminate.

Allucinazioni, validazione e responsabilità finale

Tuttavia, l’entusiasmo della Silicon Valley deve fare i conti con la realtà complessa e rigorosa della verifica scientifica. Nel giornalismo tecnologico e nel dibattito pubblico si fa un gran parlare delle cosiddette “allucinazioni” dei modelli linguistici, ovvero la tendenza di software come ChatGPT (OpenAI) o Gemini (Google) a inventare fatti di sana pianta, citare fonti inesistenti o fornire risposte errate con un tono di assoluta e crollabile certezza. Se in una chat colloquiale o nella stesura di un testo promozionale l’allucinazione può essere un fastidio minore o persino una bizzarra forma di creatività algoritmica, nel campo della scienza le allucinazioni sono semplicemente inammissibili.

Un errore microscopico nella previsione della stabilità di una molecola farmaceutica può tradursi in un composto tossico o inefficace, mandando in fumo anni di investimenti e mettendo a rischio vite umane. Per questa ragione, il vero sforzo ingegneristico che Google ha illustrato non risiede tanto nell’aumento della potenza bruta dei modelli, quanto nello sviluppo di sistemi di controllo, verifica e validazione incrociata. Gli ingegneri stanno lavorando alla creazione di architetture ibride, dove le proposte del modello probabilistico vengono immediatamente vagliate e verificate da modelli deterministici basati sulle rigide leggi della fisica e della chimica. Questi ultimi agiscono come veri e propri “doganieri” della verità scientifica, scartando sul nascere ogni intuizione che non rispetti i principi della termodinamica o della conservazione dell’energia.

Qui si colloca il confine più delicato tra assistenza e autonomia. Le linee guida europee sull’uso responsabile dell’AI generativa nella ricerca, aggiornate nel 2026 nell’ambito dello Spazio europeo della ricerca, insistono su affidabilità, onestà, rispetto e responsabilità: qualità dei dati e dei risultati, trasparenza sull’uso degli strumenti, attenzione a proprietà intellettuale e dati personali, formazione continua dei ricercatori e cautela nelle attività sensibili come peer review e valutazione dei progetti.⁶ In altre parole, la validazione non può essere delegata al modello che ha prodotto l’ipotesi. Serve una separazione chiara tra generazione, controllo, decisione scientifica e responsabilità finale.

Potere privato e dipendenza dal calcolo

Un altro nodo centrale emerso dal dibattito sollevato dall’evoluzione di Google riguarda la crescente concentrazione del potere scientifico nelle mani di pochissime aziende private. Storicamente, la scienza d’avanguardia è sempre stata un’attività di matrice prevalentemente pubblica, legata alle grandi università, ai centri di ricerca statali e a consorzi internazionali finanziati dalle tasse dei cittadini. Erano le università a dettare l’agenda della ricerca, a stabilire quali fossero le priorità per il progresso dell’umanità e a garantire che le scoperte rimanessero di dominio pubblico, accessibili a chiunque volesse approfondirle o migliorarle.

Oggi stiamo assistendo a uno spostamento epocale dei talenti e dei capitali dal mondo accademico a quello aziendale. I docenti universitari più brillanti e i giovani dottorandi di maggior talento vengono costantemente “corteggiati” e assunti dalle Big Tech, attratti non solo da stipendi astronomici (che nessun ateneo pubblico potrebbe mai permettersi di offrire), ma soprattutto dalla disponibilità di una risorsa che è diventata il vero petrolio del nostro tempo: l’infrastruttura di calcolo. Sviluppare e addestrare un modello di Intelligenza Artificiale applicato alla scienza richiede migliaia di chip che lavorano in parallelo per mesi all’interno di data center monumentali, con consumi energetici (e di acqua) paragonabili a quelli di intere città. Nessuna università al mondo, nemmeno le più ricche e blasonate del panorama anglosassone, possiede la liquidità necessaria per acquistare e mantenere un’infrastruttura di questa portata.

Questo crea una dipendenza strutturale della scienza pubblica dai giganti tecnologici privati, sollevando un gigantesco dilemma etico e politico. Se le scoperte fondamentali del futuro nasceranno all’interno di laboratori privati blindati da accordi di riservatezza, chi garantirà che queste tecnologie vengano utilizzate per il bene comune e non solo per massimizzare il profitto degli azionisti? Come si comporterà un’azienda che scopre una cura rivoluzionaria per una malattia rara se la commercializzazione di quel farmaco non dovesse rivelarsi economicamente vantaggiosa?

Infrastrutture pubbliche e strategia europea

L’Europa sta provando a rispondere a questo squilibrio con una strategia pubblica dedicata. La European AI in Science Strategy, lanciata dalla Commissione europea l’8 ottobre 2025, introduce RAISE, Resource for AI Science in Europe, come istituto virtuale per mettere in comune potenza di calcolo, dati, competenze e finanziamenti. La Commissione indica un pilota da 107 milioni di euro nell’ambito di Horizon Europe, 600 milioni per ampliare l’accesso dei ricercatori a capacità computazionale e l’obiettivo di portare gli investimenti annuali di Horizon Europe sull’AI a oltre 3 miliardi di euro, includendo il raddoppio dei fondi per l’AI nella scienza.⁷ La posta in gioco è chiara: senza infrastrutture pubbliche e accesso condiviso ai dati, l’AI scientifica rischia di diventare una funzione dei bilanci cloud delle Big Tech.

Costi ambientali e laboratori dell’AI scientifica

A queste preoccupazioni di natura etica e sociale si aggiunge l’allarme ambientale, un tema che Google ha dovuto affrontare cercando di bilanciare le promesse di un futuro più sostenibile con l’impatto ecologico immediato delle proprie tecnologie. Da un lato, l’Intelligenza Artificiale viene presentata come lo strumento definitivo per combattere il cambiamento climatico, grazie alla sua capacità di ottimizzare le reti elettriche, migliorare i modelli di previsione meteorologica estrema e scoprire nuovi materiali per catturare l’anidride carbonica direttamente dall’atmosfera. Dall’altro lato, lo spettro dei consumi energetici dei data center incombe come una minaccia concreta sui bilanci di sostenibilità delle stesse aziende che li gestiscono.

La transizione verso l’Intelligenza Artificiale scientifica richiede un quantitativo di elettricità e di acqua per il raffreddamento dei server che rischia di vanificare gli sforzi compiuti negli ultimi anni per ridurre le emissioni di gas serra. Google si trova così nell’ambigua posizione di dover consumare enormi quantità di energia fossile o di sottrarre energia pulita ad altri settori della società per alimentare i super-computer che dovrebbero, in teoria, salvare il pianeta. È un paradosso tecnologico che richiede soluzioni immediate, spingendo l’azienda a investire massicciamente in contratti di fornitura di energia pulita a lungo termine, nell’acquisto di energia nucleare da piccoli reattori modulari e nello sviluppo di chip sempre più efficienti dal punto di vista termico ed energetico.

AI nella ricerca scientifica: materiali, matematica e multimodalità

Nonostante queste ombre, l’impatto pratico delle tecnologie presentate all’I/O 2026 sta già ridisegnando la quotidianità di migliaia di laboratori in tutto il mondo. La narrazione mediatica tende spesso a concentrarsi sui grandi annunci sensazionali, ma la vera rivoluzione scientifica si propaga in modo silenzioso, attraverso piccoli miglioramenti incrementali che cambiano il flusso di lavoro quotidiano dei ricercatori di tutto il mondo.

Si pensi, tra le altre cose, alla sintesi dei materiali. Storicamente, identificare una nuova lega metallica più leggera e resistente per il mondo dell’aviazione, oppure un nuovo polimero per le celle solari, richiedeva anni di tentativi empirici, mescolando elementi chimici in varie proporzioni e testandone le proprietà meccaniche ed elettriche in laboratorio.

Con i nuovi strumenti basati sull’Intelligenza Artificiale generativa, gli scienziati possono impostare i parametri desiderati, come il punto di fusione, la conducibilità o il livello di elasticità, e lasciare che l’algoritmo generi una lista ristretta di strutture molecolari teoriche che hanno la massima probabilità di successo. Questo restringe drasticamente il campo degli esperimenti fisici necessari, riducendo i tempi di sviluppo da anni a settimane e abbattendo i costi di laboratorio in modo drastico. È un cambio di marcia che permette alla scienza di muoversi alla stessa velocità del software, trasformando la ricerca sui materiali da una disciplina basata sull’intuizione e sull’esperienza “artigianale” a una vera e propria scienza dei dati esatta e predittiva.

AlphaEvolve e la verifica formale

La matematica e l’algoritmica mostrano un’altra frontiera, più controllabile perché ogni proposta può essere verificata formalmente. AlphaEvolve, sistema di Google DeepMind basato su Gemini e valutatori automatici, è stato applicato a oltre 50 problemi aperti in analisi matematica, geometria, combinatoria e teoria dei numeri: secondo Google DeepMind, ha riscoperto soluzioni allo stato dell’arte in circa il 75% dei casi e migliorato le migliori soluzioni note in circa il 20%, inclusa una nuova soglia inferiore per il kissing number in 11 dimensioni. Nello stesso filone, il sistema ha trovato algoritmi più efficienti per la moltiplicazione di matrici e ottimizzazioni già usate in produzione, come una euristica che recupera in media lo 0,7% delle risorse di calcolo mondiali di Google nei data center.⁸ Sono risultati che vanno letti con cautela, ma indicano perché la matematica è diventata un banco di prova così importante: quando il criterio di verifica è esplicito, l’AI può esplorare molte più varianti di quante ne possa testare un gruppo umano.

Dati multimodali e campi più favoriti

Un aspetto fondamentale di questa nuova ondata di Intelligenza Artificiale scientifica è la sua natura multimodale, un termine tecnico che descrive la capacità di un algoritmo di comprendere ed elaborare contemporaneamente tipologie di dati molto diverse tra loro. Fino a poco tempo fa, un’Intelligenza Artificiale poteva analizzare un testo, un’immagine o una sequenza numerica.

I modelli attuali di Google sono in grado di leggere un articolo scientifico scritto in linguaggio naturale (“umano”), osservare l’immagine al microscopio di un tessuto cellulare, analizzare i grafici delle serie temporali dei parametri vitali di un paziente e combinare tutte queste informazioni per formulare una diagnosi medica, oppure proporre una linea di ricerca scientifica.

Questa capacità di sintesi permette di superare la storica frammentazione del sapere umano, dove gli specialisti di settori affini faticano a comunicare tra loro a causa di linguaggi tecnici eccessivamente gergali e barriere accademiche invalicabili. L’Intelligenza Artificiale si propone come un traduttore universale e un connettore di idee, capace di accorgersi che una scoperta effettuata nel campo dell’astrofisica per l’analisi delle immagini stellari può contenere la soluzione matematica a un problema di fluidodinamica studiato dai biologi per comprendere la circolazione del sangue nei capillari.

Lo studio di Research Policy spiega perché questo vantaggio è più forte in alcuni campi. L’AI sembra rendere di più negli spazi di conoscenza “ruvidi”, cioè frammentati, ricchi di combinazioni possibili e difficili da attraversare con la sola specializzazione umana. In questi ambienti, la macchina aiuta a collegare tasselli lontani, a esplorare accoppiamenti non ovvi e a ridurre il costo cognitivo della ricerca interdisciplinare. Al contrario, nei campi più codificati, con protocolli stabili e traiettorie sperimentali già molto standardizzate, l’AI può migliorare l’efficienza senza generare lo stesso aumento di novità. È una distinzione decisiva: l’adozione dell’AI non produce automaticamente scoperte, ma dipende dalla struttura del campo scientifico, dalla qualità dei dati, dalla maturità degli strumenti e dalla capacità della comunità di integrare il nuovo metodo.

Il futuro della ricerca scientifica potenziata dall’AI

Guardando al futuro a medio e lungo termine, la vera scommessa di Google e dell’intero settore tecnologico consiste nel capire se l’Intelligenza Artificiale rimarrà sempre e solo un assistente straordinariamente sofisticato o se sarà in grado, un giorno, di compiere veri e propri salti concettuali autonomi. Finora, i modelli si basano sull’apprendimento dai dati esistenti, il che significa che sono eccezionali nel replicare, combinare ed estrapolare schemi già scoperti dall’umanità. Ma la vera grande scienza, quella che cambia la storia, è fatta di rotture, di intuizioni rivoluzionarie che vanno contro tutto ciò che era considerato vero fino a quel momento.

Quando Albert Einstein formulò la teoria della relatività o quando Isaac Newton teorizzò la gravità, tali geni non si limitarono a calcolare la media dei dati disponibili all’epoca, ma ribaltarono il tavolo delle certezze esistenti introducendo concetti totalmente inediti. Può un algoritmo, strutturato su base statistica e probabilistica, concepire un’idea che si trova completamente al di fuori del suo set di dati (dataset) di addestramento? Molti scienziati sono scettici al riguardo, sostenendo che l’Intelligenza Artificiale soffrirà sempre di una mancanza intrinseca di vera creatività e di coscienza fenomenica. Tuttavia, i sostenitori della via algoritmica ribattono che la creatività umana stessa è spesso sopravvalutata e che molte delle grandi scoperte del passato sono state il frutto di combinazioni casuali, errori fortuiti ed esplorazioni sistematiche di possibilità, tutte attività in cui un computer eccelle senza subire la stanchezza o i pregiudizi cognitivi tipici della nostra specie.

Mentre questo affascinante dibattito filosofico prosegue nelle aule universitarie e nei convegni internazionali, la realtà dei fatti ci costringe a prendere coscienza di una trasformazione già in atto, che richiede una regolamentazione attenta e lungimirante da parte delle istituzioni politiche globali. Non si può permettere che la transizione verso la scienza guidata dall’Intelligenza Artificiale diventi una terra di nessuno senza regole, dove i giganti tecnologici operano in totale autonomia al di fuori di ogni controllo democratico.

È urgente stabilire standard internazionali per garantire la trasparenza dei modelli, l’accessibilità dei dati scientifici fondamentali e la sicurezza degli esperimenti simulati al computer, prevenendo il rischio che queste tecnologie possano essere utilizzate per scopi bellici o per la creazione di agenti patogeni letali nei laboratori di bioingegneria domestici. Il futuro della scienza è indissolubilmente legato al futuro dell’Intelligenza Artificiale e la sfida che abbiamo davanti non è tecnologica, ma culturale e politica. Dobbiamo decidere se vogliamo essere spettatori passivi di una rivoluzione guidata dagli algoritmi di Wall Street e della Silicon Valley o se vogliamo essere attori consapevoli, capaci di orientare questa immensa potenza computazionale verso la risoluzione delle sfide più urgenti e universali del nostro tempo, dalla fame nel mondo alla sconfitta delle malattie degenerative, mantenendo sempre l’essere umano e i suoi valori al centro del progresso scientifico. L’evento Google I/O 2026 non ha mostrato soltanto una serie di software aggiornati, ma ha tracciato il sentiero di una trasformazione radicale che ridefinisce i confini di ciò che possiamo conoscere e realizzare, inaugurando un’era in cui la scoperta scientifica non dipenderà più soltanto dalla genialità del singolo individuo, ma dalla simbiosi perfetta e senza precedenti tra la mente umana e la macchina.

Ricercatori automatizzati e formazione universitaria

La traiettoria non riguarda solo Google. OpenAI, nel piano pubblicato nel giugno 2026, indica esplicitamente tra i propri obiettivi la costruzione di un ricercatore AI automatizzato, capace di accelerare e automatizzare porzioni crescenti del processo di ricerca restando governabile, responsabile e collegato alle persone. L’azienda colloca al marzo 2028 la possibilità che una frazione significativa della propria ricerca venga svolta da sistemi AI insieme ai ricercatori umani.⁹ È una formulazione prudente nella scelta delle parole, ma radicale nelle implicazioni: l’obiettivo non è più soltanto assistere lo scienziato nella consultazione della letteratura o nell’analisi dei dati, ma trasformare l’AI in un attore del ciclo ipotesi-esperimento-validazione.

Questo scenario in rapida evoluzione ci impone anche di riconsiderare l’intera struttura dell’istruzione superiore e della formazione dei futuri scienziati. Se gli algoritmi sono ormai capaci di svolgere compiti complessi di calcolo, simulazione e analisi dei dati in una frazione del tempo precedentemente necessario, l’insegnamento universitario non può più limitarsi alla trasmissione mnemonica di nozioni, formule e procedure standardizzate. Le università del futuro dovranno concentrarsi sullo sviluppo del pensiero critico, della capacità di formulare le domande giuste e dell’etica della ricerca.

Lo scienziato di domani non sarà colui che esegue materialmente l’esperimento o che calcola manualmente le equazioni, ma sarà un regista del sapere, un professionista capace di dialogare con le macchine, di interpretare i risultati algoritmici con scetticismo metodologico e di comprendere l’impatto sociale e antropologico delle proprie scoperte. C’è il rischio concreto, infatti, che una fiducia cieca e acritica nelle risposte fornite dall’Intelligenza Artificiale possa indurre una sorta di pigrizia intellettuale, portando la comunità scientifica ad accettare soluzioni tecnicamente valide ma prive di una reale comprensione dei meccanismi causali sottostanti. La scienza non è solo previsione e controllo, ma è soprattutto spiegazione, ricerca del perché profondo delle cose, un territorio in cui la curiosità umana rimane insostituibile.

Produttività, focus della scienza e geopolitica

Il rischio opposto è già misurabile. Qianyue Hao, Fengli Xu, Yong Li e James Evans, in un lavoro pubblicato su Nature nel gennaio 2026 dopo una versione arXiv del 2024-2025, hanno analizzato 41,3 milioni di articoli nelle scienze naturali usando un modello linguistico validato per identificare ricerca AI-augmented. I ricercatori stimano che gli scienziati che adottano strumenti AI pubblichino 3,02 volte più articoli, ricevano 4,84 volte più citazioni e diventino leader di progetto 1,37 anni prima rispetto ai colleghi che non li usano. La stessa analisi segnala però una contrazione del volume collettivo dei temi studiati del 4,63% e una riduzione del 22% dell’engagement reciproco tra scienziati.¹⁰ La produttività cresce, ma tende a concentrarsi nelle aree più ricche di dati e più facili da automatizzare. È la versione empirica dell’allarme sulla “science slop”: più risultati, più velocità, più output, ma anche il pericolo di restringere il perimetro delle domande considerate meritevoli perché compatibili con gli strumenti disponibili.

Inoltre, l’internazionalizzazione della ricerca scientifica potenziata dall’Intelligenza Artificiale apre scenari complessi sul fronte dei rapporti geopolitici tra le grandi potenze mondiali. Gli Stati Uniti, grazie alla presenza di colossi come Google, Microsoft e OpenAI, detengono attualmente un vantaggio competitivo straordinario; tuttavia, dall’altro lato dell’Oceano Pacifico la Cina sta investendo cifre astronomiche per colmare il divario con lo Zio Sam, focalizzandosi su modelli di Intelligenza Artificiale applicati alla manifattura avanzata, alla farmaceutica di Stato e al controllo climatico. Questa competizione rischia di trasformare la cooperazione scientifica internazionale, che per decenni ha rappresentato un canale di dialogo pacifico anche nei momenti più bui della Guerra Fredda USA-URSS, in un terreno di scontro caratterizzato da sanzioni commerciali, blocchi delle esportazioni di microchip e spionaggio industriale cibernetico. Quando la scienza diventa un’estensione degli algoritmi proprietari protetti da segreto militare o industriale, i canali di condivisione del sapere si chiudono, rallentando il progresso complessivo dell’umanità e impedendo una risposta coordinata a minacce globali che non conoscono confini nazionali, come le pandemie o il collasso degli ecosistemi planetari.

Ricadute dell’AI scientifica su sanità, agricoltura e società

Nel tessuto sociale ed economico di tutti i giorni, le ricadute di questo nuovo corso storico dell’Intelligenza Artificiale “scientifica” inizieranno a farsi sentire molto prima di quanto il grande pubblico (tutti noi) possa immaginare. Non si tratta di attendere decenni per vedere i frutti di queste tecnologie, poiché i tempi di trasferimento tecnologico dal laboratorio al mercato si sono accorciati in modo esponenziale.

Nel settore sanitario, per esempio, la medicina predittiva (che permette di identificare la probabilità di sviluppare malattie future, permettendo di intervenire in anticipo per prevenirle) sta già uscendo dalla fase di sperimentazione per entrare negli ospedali più all’avanguardia sparsi per il mondo. I sistemi in grado di analizzare il genoma completo di un individuo, incrociandolo con i dati storici del suo stile di vita e con le tendenze epidemiologiche della sua area geografica, permetteranno di prevenire l’insorgenza di patologie croniche cardiovascolari od oncologiche con anni di anticipo, trasformando la medicina da “reattiva” e terapeutica (azione della malattia, reazione della cura) a proattiva e preventiva (ossia, predittiva).

Questo comporterà una ristrutturazione profonda dei sistemi sanitari nazionali, che dovranno spostare il baricentro degli investimenti dalle cure ospedaliere ad alta intensità alla diagnostica precoce sul territorio, con un potenziale risparmio economico enorme e un miglioramento senza precedenti della qualità e dell’aspettativa di vita della popolazione.

Anche l’industria alimentare e dell’agricoltura di precisione subirà una metamorfosi radicale grazie agli algoritmi presentati sulla scia delle innovazioni di Google. Di fronte a una popolazione mondiale in costante crescita e alla perdita di terreni fertili a causa della desertificazione, l’Intelligenza Artificiale scientifica viene utilizzata per progettare colture geneticamente resilienti, capaci di prosperare in condizioni di siccità estrema o in presenza di suoli ad alta salinità, senza la necessità di ricorrere a pesticidi chimici nocivi per l’ambiente. Attraverso la simulazione molecolare, gli scienziati possono prevedere la risposta di una pianta alle mutazioni climatiche prima ancora di piantare un singolo seme, accelerando i programmi di selezione agricola che un tempo richiedevano generazioni di incroci naturali. Al tempo stesso, l’ottimizzazione algoritmica della logistica e della distribuzione alimentare globale potrebbe ridurre drasticamente lo spreco di cibo, garantendo un approvvigionamento più equo e sostenibile e affrontando alla radice una delle piaghe più vergognose del nostro secolo.

In conclusione, il messaggio emerso dall’ultimo Google I/O va letto non come un semplice “catalogo” di innovazioni commerciali per consumatori digitali, ma come un manifesto programmatico per il futuro della conoscenza umana. La strada intrapresa per la scienza associata all’Intelligenza Artificiale sta cambiando direzione, spostandosi dalla periferia dei servizi digitali al centro della ricerca e del sapere moderno.

Ci troviamo sulla soglia di un’epoca affascinante e formidabile, un’era in cui gli strumenti che abbiamo creato non si limitano più a estendere la forza dei nostri muscoli o la portata dei nostri sensi, ma entrano in simbiosi con la nostra capacità di pensare, scoprire e comprendere l’universo. La vera riuscita di questa transizione non dipenderà dalla potenza dei processori o dalla quantità di dati accumulati nei server di Mountain View, ma dalla nostra saggezza collettiva, dalla nostra capacità di guidare questo immenso potere con responsabilità etica, lungimiranza politica e un incrollabile impegno verso il benessere dell’intera umanità. Inoltre, questo cambiamento solleva importanti domande sulla natura stessa dell’esperienza umana della scoperta, portandoci a interrogarci se l’algoritmo diventerà col tempo il vero autore del sapere o se rimarrà un fedele riflesso della nostra inesauribile curiosità.¹¹

Fonti

Google I/O showed how the path for AI-driven science is shifting. MIT Technology Review. https://www.technologyreview.com/2026/05/22/1137813/google-i-o-showed-how-the-path-for-ai-science-is-shifting/↩︎

Google I/O: In cinque annunci e dieci video tutto quello che è successo. Il Sole 24 Ore. https://www.infodata.ilsole24ore.com/2026/05/23/google-i-o-in-cinque-annunci-e-dieci-video-tutto-quello-che-e-successo/↩︎

Stefano Bianchini, Valentina Di Girolamo, Julien Ravet, David Arranz, “AI in science: When and where it makes a difference”, Research Policy, Volume 55, Issue 6, July 2026, 105478, DOI: 10.1016/j.respol.2026.105478. Studio basato su oltre 80 milioni di pubblicazioni scientifiche e più di 170 campi tra il 2005 e il 2023.↩︎

DeepMind AlphaFold: Intelligenza Artificiale e 3D per la ricerca scientifica e la risoluzione del protein folding problem. Tech4Future. https://tech4future.info/deepmind-alphafold-protein-folding-problem-3d/↩︎

Google, “Gemini for Science: AI experiments and tools for a new era of discovery”, 2026. https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/↩︎

Google DeepMind, “Co-Scientist: A multi-agent AI partner to accelerate research”, 19 maggio 2026; Nature, “Accelerating scientific discovery with Co-Scientist”, 2026. https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/↩︎

Commissione europea, “Living guidelines on the responsible use of generative AI in research”, aggiornamento 2026. https://research-and-innovation.ec.europa.eu/document/download/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en↩︎

Commissione europea, “European AI in Science Strategy”, 8 ottobre 2025. https://research-and-innovation.ec.europa.eu/strategy/strategy-research-and-innovation/our-digital-future/european-ai-science-strategy_en↩︎

Google DeepMind, “AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms”, 2025. https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/↩︎

OpenAI, “Built to benefit everyone: our plan”, giugno 2026. https://openai.com/index/built-to-benefit-everyone-our-plan/↩︎

Qianyue Hao, Fengli Xu, Yong Li, James Evans, “Artificial intelligence tools expand scientists’ impact but contract science’s focus”, Nature, 649, 1237-1243, 2026, DOI: 10.1038/s41586-025-09922-y; versione arXiv: 2412.07727, ultima revisione 29 novembre 2025.↩︎