IA nella scienza: risparmiare tempo non basta per fare scoperte

Uno studio di Google e di ricercatori affiliati al MIT rileva risparmi di tempo dichiarati dagli scienziati, ma anche ipotesi in attesa e un notevole bisogno di verifica. Accelerare alcune attività non basta a convalidare le scoperte.

Scrivere codice, analizzare dati o preparare un manoscritto: l’IA può alleggerire diverse attività di ricerca senza accorciare il percorso che porta da un’idea a un risultato verificato. Un rapporto pubblicato da Google e da ricercatori affiliati al MIT descrive questo divario sulla base di usi osservati e di un’indagine condotta tra scienziati negli Stati Uniti e nel Regno Unito. Fa luce sui risparmi di tempo, ma anche sulle fasi in cui il lavoro si accumula in seguito.

Ore risparmiate in alcune attività

Il rapporto «AI in Science: Early Insights», pubblicato nel settembre 2026, raccoglie tre tipi di dati: un campione di circa 15 milioni di interazioni con Gemini, un inventario di modelli di IA specializzati in ambito scientifico e un’indagine condotta tra 637 ricercatori attivi negli Stati Uniti e nel Regno Unito. Circa tre quarti dei ricercatori intervistati dichiarano di risparmiare tempo grazie all’IA; il risparmio medio riferito è di quasi sette ore alla settimana, reinvestite principalmente nella ricerca.

Questa media descrive le risposte a un’indagine, non una misurazione cronometrata di ogni attività né un risparmio garantito per tutti gli scienziati. Gli autori precisano inoltre che il campione di ricercatori non va considerato rappresentativo dell’intera comunità scientifica. Lo studio è condotto da Google e Google DeepMind, che sviluppano Gemini: i risultati offrono uno sguardo utile sugli usi, ma la provenienza è importante quando si valutano affermazioni sull’adozione dei loro strumenti.

Gli usi descritti non si limitano agli assistenti conversazionali. I grandi modelli linguistici, o LLM, vengono impiegati in particolare per scrivere o correggere codice di ricerca, esaminare dati, fare una rassegna della letteratura e preparare documenti. Modelli specializzati intervengono in attività più circoscritte, come la previsione delle strutture delle proteine o le simulazioni. Secondo il rapporto, queste famiglie di modelli sono più complementari che sostituibili: non svolgono esattamente le stesse operazioni.

Formulare un’ipotesi non significa verificarla

La ricerca procede per fasi. Occorre formulare una domanda, analizzare dati, proporre una spiegazione e poi confrontarla con un esperimento o con altri elementi di prova. L’IA può accelerare alcune operazioni preliminari; non fornisce automaticamente i mezzi materiali né le osservazioni necessarie per verificare ogni pista.

È qui che il rapporto colloca lo spostamento del collo di bottiglia. Più di quattro ricercatori intervistati su dieci affermano che il principale vincolo si è spostato verso fasi successive, come l’esecuzione in laboratorio, la validazione clinica o la raccolta di dati sul campo. Allo stesso tempo, il 41 % segnala un accumulo di ipotesi ancora non verificate. Questi dati riflettono le risposte di un campione d’indagine, non un conteggio universale dei progetti scientifici in attesa.

Il contrasto è concreto: un gruppo può generare o esaminare piste più rapidamente, pur restando limitato dal numero di esperimenti realizzabili, dall’accesso alle attrezzature, dai dati disponibili o dal tempo necessario all’analisi. Nei settori in cui un’ipotesi può essere valutata tramite calcoli, alcune fasi si prestano maggiormente ad accelerazioni. Ma le simulazioni stesse possono richiedere una notevole potenza di calcolo, essere costose e dipendere dalla qualità dei dati.

La verifica assorbe una parte del risparmio

Un risultato prodotto rapidamente non è per questo un risultato scientifico accertato. Il codice deve essere eseguito e controllato. Un’analisi va esaminata alla luce dei dati. Una proposta nelle scienze della vita può richiedere prove di laboratorio; una conclusione nelle scienze fisiche, un esperimento. La verifica cambia forma a seconda della disciplina, ma resta parte del lavoro.

Tra gli scienziati che dichiarano di risparmiare tempo, l’89 % afferma di dedicare più di un decimo del tempo risparmiato a verificare i risultati prodotti dall’IA. Per il 46 %, la quota supera un quarto. Il tempo risparmiato, quindi, non scompare necessariamente: può essere ridistribuito tra una maggiore attività di ricerca e il controllo dei risultati generati o assistiti da un sistema.

Il rapporto non afferma che questa verifica annulli i risparmi. Mostra piuttosto che misurare la produttività contando le fasi iniziali svolte più rapidamente darebbe un quadro incompleto. Se un maggior numero di piste arriva alla fase della sperimentazione, ma le capacità di validazione non tengono il passo, il volume delle ipotesi aumenta senza produrre scoperte confermate allo stesso ritmo.

Il rischio di scegliere le domande più facili

Un altro risultato dell’indagine riguarda il tipo di ricerca favorito. Quasi la metà degli scienziati intervistati, pari al 49 %, ritiene che l’IA li spinga verso progetti più prudenti e incrementali, per i quali sono già disponibili metodi e criteri di confronto. Al contrario, il 28 % afferma che consente loro di affrontare domande più rischiose.

Questa differenza non dimostra che l’IA riduca l’innovazione in tutte le discipline. Mette in luce una possibile tensione: è più semplice ricorrere a uno strumento quando l’attività è ben definita e un risultato può essere confrontato con riferimenti esistenti. Le domande che esulano dai metodi consolidati possono essere più difficili da valutare, e le relative risposte più costose da verificare. Se i gruppi privilegiano le piste più facili da trattare, rischiano di produrre più lavori su questioni prevedibili senza ampliare altrettanto i confini della conoscenza.

La scelta degli esperimenti e delle priorità resta quindi centrale. L’IA può aiutare a classificare le opzioni in base alla loro fattibilità o novità, ma spetta ai ricercatori decidere quali piste meritano risorse, quali possono aspettare e quando abbandonare un’ipotesi. Questo giudizio comporta vincoli che il modello non risolve da solo: attrezzature, bilanci, accesso ai dati e valore scientifico atteso.

Interpretare i risultati nella giusta prospettiva

Questo studio è una prima ricognizione, non la dimostrazione che il progresso scientifico stia accelerando — né che stia rallentando. Le interazioni analizzate riguardano Gemini e l’indagine concerne ricercatori reclutati negli Stati Uniti e nel Regno Unito. Gli autori segnalano che le risposte non rappresentano necessariamente l’intera comunità scientifica. Il rapporto stesso presenta i risultati come prime indicazioni sull’adozione, sui risparmi percepiti e sui vincoli della ricerca.

Per valutare che cosa cambia con l’IA, occorre quindi distinguere tre questioni: quali attività vengono svolte più rapidamente, quale quota del tempo è assorbita dai controlli e quante piste portano a risultati effettivamente convalidati. Il rapporto documenta soprattutto le prime due attraverso dati sugli usi e le dichiarazioni dei ricercatori. Ricorda che tra un’ipotesi formulata e una scoperta accertata ci sono ancora esperimenti, dati e verifica umana.