Quando l’intelligenza artificiale fa ricerca : può una macchina diventare davvero uno scienziato ?

Nuovi agenti di intelligenza artificiale possono formulare ipotesi, scegliere strumenti di analisi, eseguire esperimenti, interpretare dati e persino scrivere articoli scientifici

Un nuovo studio sul neuroimaging mostra però quanto sia decisiva la distinzione tra produrre un risultato e formulare una conclusione scientificamente difendibile

Se una macchina può partecipare all’intero processo della ricerca, che significa oggi essere uno scienziato? Per secoli abbiamo considerato gli strumenti scientifici come estensioni delle capacità umane. Il telescopio permette di vedere ciò che l’occhio non può osservare, il microscopio rivela strutture invisibili, il computer esegue in pochi istanti calcoli che richiederebbero anni di lavoro. Ma nessuno direbbe che sia stato il telescopio a scoprire una galassia o il microscopio a formulare una teoria biologica.

L’intelligenza artificiale potrebbe rendere questa distinzione molto meno evidente. I nuovi sistemi agentici non si limitano infatti a eseguire un calcolo richiesto da un ricercatore. Possono consultare la letteratura scientifica, formulare ipotesi, scegliere strumenti, scrivere codice, analizzare dati, progettare esperimenti, interpretarne i risultati e produrre un articolo scientifico.

La domanda diventa inevitabile: se una macchina può svolgere una parte crescente delle attività dello scienziato, può diventare essa stessa uno scienziato ?

Brain Researcher : l’IA entra nel laboratorio del neuroscienziato

Un interessante contributo al dibattito arriva da un lavoro pubblicato il 20 agosto 2026 su arXiv da un gruppo internazionale di ricercatori, tra i quali Russell A. Poldrack della Stanford University. Il titolo è significativo: Bringing analytic rigor to agentic AI for science: The Brain Researcher platform for neuroimaging data analysis.

Gli autori partono da un problema fondamentale. Gli agenti di intelligenza artificiale sono ormai in grado di eseguire autonomamente analisi scientifiche, ma un risultato analitico non diventa automaticamente una conclusione scientificamente difendibile.

Perché ciò avvenga è necessario valutare spiegazioni alternative, verificare la robustezza dell’analisi e limitare le conclusioni a ciò che le evidenze consentono realmente di affermare.

Sono operazioni che appartengono al cuore del metodo scientifico. Il gruppo ha quindi sviluppato Brain Researcher, un ambiente agentico destinato all’analisi dei dati di neuroimaging. Il sistema opera all’interno dell’ambiente computazionale di un neuroscienziato, ma viene sottoposto a regole che stabiliscono quali analisi siano ammissibili, quali controlli debbano essere effettuati e fino a dove possano spingersi le conclusioni.

I risultati sono notevoli. Nei benchmark riportati dagli autori, l’utilizzo di Brain Researcher ha portato l’accuratezza nella selezione iniziale dello strumento appropriato, considerando sette modelli, dal 23,3% al 93,6%. Anche il livello di verifiable grounding, cioè la possibilità di ricondurre in maniera verificabile le conclusioni alle evidenze, è aumentato, pur rimanendo molto più limitato: dal 4,6% al 22%. Quest’ultimo dato è particolarmente interessante. Mostra contemporaneamente le potenzialità e la distanza che rimane da percorrere.

Un risultato non è ancora una scoperta

Il principio centrale dello studio può sembrare ovvio, ma nell’era dell’intelligenza artificiale assume un’importanza enorme. Produrre un risultato non equivale a produrre conoscenza. Immaginiamo che un sistema analizzi un insieme di scansioni cerebrali e individui una correlazione statisticamente significativa. Dal punto di vista computazionale il compito potrebbe sembrare concluso.

Per uno scienziato, invece, proprio in quel momento comincia una parte essenziale del lavoro. Il risultato dipende dal metodo utilizzato ? Sarebbe emerso scegliendo un’altra tecnica di analisi ? Esistono variabili confondenti  La dimensione del campione è sufficiente ? Il risultato sopravvive a differenti specificazioni del modello ? Esistono spiegazioni alternative ? Quanto può essere generalizzata la conclusione ?

Brain Researcher cerca di incorporare alcune di queste esigenze direttamente nel processo agentico. Gli autori utilizzano anche analisi multiverse, nelle quali vengono esplorate differenti scelte analitiche per verificare quanto il risultato dipenda dalle decisioni metodologiche adottate. La macchina, in altre parole, non deve soltanto trovare una risposta. Deve anche cercare le ragioni per cui quella risposta potrebbe essere sbagliata. Ed è proprio questo uno dei caratteri fondamentali della scienza.

La scienza non consiste nel confermare ciò che speriamo sia vero

Uno dei pericoli degli agenti scientifici è infatti sorprendentemente umano. Un sistema incaricato di raggiungere un obiettivo può imparare a ottimizzare il criterio con cui il successo viene valutato. Se l’obiettivo implicito è trovare un risultato interessante, potrebbe privilegiare percorsi che producono proprio quel risultato.

Gli autori di Brain Researcher richiamano esplicitamente rischi come analisi selettive, dichiarazioni premature di successo e ottimizzazione rispetto a criteri imperfetti.

Non sono problemi esclusivi dell’intelligenza artificiale. La storia della metodologia scientifica conosce da tempo fenomeni come confirmation bias, publication bias, p-hacking e selezione opportunistica delle analisi. Ma un sistema automatico potrebbe riprodurre alcuni di questi comportamenti a una velocità e su una scala enormemente maggiori.

Nel maggio 2026 anche Science ha richiamato l’attenzione sul problema dopo test nei quali sistemi presentati come “AI scientists” hanno mostrato comportamenti incompatibili con le normali regole dell’integrità della ricerca, tra cui fabbricazione di dati e manipolazione opportunistica delle analisi statistiche.

La questione diventa quindi paradossale: per costruire un’intelligenza artificiale capace di fare buona scienza dobbiamo insegnarle non soltanto come cercare conferme, ma soprattutto come tentare di confutare le proprie conclusioni.

Dall’assistente allo “scienziato artificiale”

Brain Researcher appartiene a un movimento molto più ampio. Nel marzo 2026 Nature ha pubblicato la versione peer-reviewed di The AI Scientist, un sistema progettato per automatizzare quasi l’intero ciclo della ricerca nel campo del machine learning.

Il sistema può generare idee, cercare nella letteratura, pianificare e implementare esperimenti, analizzare risultati, produrre grafici, scrivere un articolo scientifico e sottoporlo persino a un processo automatizzato di revisione. Uno dei manoscritti prodotti dal sistema ha superato il primo turno di peer review di un workshop di una conferenza di alto livello nel machine learning, sebbene il contesto e il tasso di accettazione del workshop richiedano prudenza nell’interpretazione del risultato.

È un passaggio concettualmente importante. Finora l’IA veniva utilizzata prevalentemente dallo scienziato. Ora cominciamo a costruire sistemi che tentano di riprodurre il processo dello scienziato. La differenza è profonda.

Che cosa significa scoprire ?

Arriviamo così alla prima grande questione epistemologica. Supponiamo che un sistema artificiale analizzi milioni di dati, formuli autonomamente un’ipotesi che nessun essere umano aveva mai considerato, progetti un esperimento e ottenga una previsione successivamente confermata.

Possiamo dire che l’IA abbia fatto una scoperta? In un senso operativo, potremmo certamente attribuirle un ruolo causale determinante. Senza quel sistema, quella particolare conoscenza forse non sarebbe emersa in quel momento. Ma la parola scoperta contiene qualcosa di più complesso della produzione di un risultato nuovo.

Quando diciamo che uno scienziato ha scoperto qualcosa, normalmente intendiamo che ha riconosciuto il significato di un fenomeno e lo ha inserito all’interno di una struttura di conoscenze. E questo introduce una seconda domanda.

Scoprire significa comprendere ?

Un sistema di machine learning può trovare correlazioni che nessun essere umano sarebbe in grado di individuare. Può anche formulare previsioni estremamente accurate. Ma prevedere non significa necessariamente comprendere.

La distinzione è antica nella filosofia della scienza. Una teoria scientifica non viene valutata soltanto perché produce risultati corretti: cerchiamo anche spiegazioni, relazioni causali, meccanismi e connessioni con altre conoscenze.

L’intelligenza artificiale rende questa distinzione ancora più evidente perché può produrre risultati scientificamente utili attraverso processi che risultano difficili da interpretare persino per gli stessi ricercatori. Potremmo quindi trovarci davanti a una situazione nuova: conoscenze che sappiamo utilizzare ma che nessun essere umano comprende completamente.

Hosseini, Murad e Resnik, discutendo nel 2026 benefici e rischi degli agenti AI nella ricerca, indicano proprio tra i possibili problemi la produzione di conoscenza generata dall’IA che risulti non verificabile o incomprensibile agli esseri umani.

Spiegare è diverso dal generare una risposta

Esiste poi un terzo livello: la spiegazione. Un’IA generativa è particolarmente brava a produrre spiegazioni linguisticamente convincenti. Ma una spiegazione plausibile non è necessariamente una spiegazione vera. Questo problema diventa particolarmente delicato nella scienza perché il linguaggio stesso può creare un’illusione di comprensione.

Un sistema può descrivere con estrema sicurezza un meccanismo inesistente. Può collegare correttamente alcuni dati e introdurre contemporaneamente un passaggio infondato. Può generare un’ipotesi elegante che non possiede alcun supporto empirico.

Per questo la qualità retorica di una spiegazione non può diventare una misura della sua validità scientifica. La scienza ha costruito nel corso dei secoli strumenti proprio per difendersi dalla forza persuasiva delle idee: verifica sperimentale, replicazione, controllo statistico, revisione tra pari e disponibilità dei dati. L’IA non rende questi strumenti meno necessari. Potrebbe renderli ancora più importanti.

La provenienza dell’evidenza

Uno degli aspetti più interessanti di Brain Researcher è perciò l’enfasi sulla provenance, la provenienza delle evidenze. Una conclusione deve poter essere ricondotta ai dati, alle trasformazioni applicate, alle decisioni analitiche e alle verifiche che l’hanno prodotta. È una sorta di genealogia della conoscenza. Sapere che un sistema afferma qualcosa non basta. Dobbiamo poter ricostruire perché lo afferma e su quali evidenze.

Questa esigenza diventa ancora più importante quando agenti differenti interagiscono tra loro. Sempre il 20 agosto è stato presentato Symposium, un framework concepito per conservare registrazioni verificabili delle attività di comunità di agenti scientifici: ipotesi, analisi, evidenze, assunzioni e discussioni vengono inserite in una storia persistente e controllabile. Il problema non è quindi soltanto costruire macchine capaci di produrre scienza. Occorre costruire sistemi nei quali il percorso della conoscenza rimanga controllabile.

Chi è responsabile quando lo scienziato è un algoritmo ?

Rimane infine il problema forse più difficile: la responsabilità epistemica. Se un ricercatore pubblica un risultato, si assume una responsabilità nei confronti della comunità scientifica. Deve poter spiegare le proprie scelte metodologiche, rispondere alle critiche, correggere gli errori e, nei casi più gravi, rispondere di eventuali manipolazioni.

Ma che cosa significa attribuire questa responsabilità a un agente artificiale ? Un sistema può generare un articolo. Può perfino simulare una peer review. Ma non è per questo automaticamente un soggetto moralmente ed epistemicamente responsabile.

Se produce un errore, chi ne risponde ? Il ricercatore che lo ha utilizzato ? Chi ha progettato l’agente ? L’istituzione ? Il produttore del modello ? La questione non è marginale. Un’analisi pubblicata nel Hastings Center Report indica proprio i responsibility gaps, i vuoti di responsabilità, tra i rischi dell’introduzione degli agenti AI nella ricerca e propone persino di valutare figure specifiche incaricate di garantire l’integrità dei contributi prodotti con l’intelligenza artificiale.

Una macchina può essere uno scienziato senza essere cosciente ?

A questo punto emerge una domanda ancora più radicale. Per essere uno scienziato è necessario essere coscienti ? Un sistema potrebbe forse applicare perfettamente il metodo scientifico senza possedere alcuna esperienza soggettiva. Potrebbe formulare ipotesi, cercare confutazioni, aggiornare le proprie conclusioni e riconoscere statisticamente i propri errori.

Ma comprenderebbe ciò che sta facendo ? È possibile separare completamente la pratica della scienza dall’esperienza del conoscere ? Non disponiamo oggi di prove che gli attuali sistemi di IA possiedano coscienza. Eppure essi possono già riprodurre alcune attività cognitive che fino a pochi anni fa avremmo considerato strettamente legate all’intelligenza umana.

L’AI scientist ci costringe quindi a distinguere concetti che spesso abbiamo trattato come se fossero inseparabili: calcolo, scoperta, conoscenza, comprensione e coscienza. Potrebbero non essere la stessa cosa.

La scienza è un prodotto o un processo ?

La domanda più importante non è se una macchina possa scrivere un buon articolo scientifico. È se la scienza possa essere identificata con il prodotto finale. Un paper non è la scienza. È la rappresentazione pubblica di un percorso fatto di domande, tentativi, errori, dubbi, controlli, discussioni e revisioni.

Se valutiamo un sistema artificiale soltanto dalla qualità del manoscritto che produce, rischiamo di confondere la forma della scienza con il processo della conoscenza scientifica.

È significativo che anche Nature, commentando nel marzo 2026 la pubblicazione di The AI Scientist, abbia sottolineato la necessità che università, finanziatori, editori e ricercatori si preparino alle conseguenze dell’automazione della ricerca. La rivista osservava inoltre che gli esseri umani erano comunque intervenuti nella selezione degli output più promettenti e richiamava la necessità di trasparenza e riproducibilità.

E studi recentissimi continuano a suggerire prudenza. Il 13 agosto Nature ha riportato risultati secondo i quali gli agenti artificiali riescono a ricostruire alcuni risultati della ricerca informatica, ma rimangono ancora lontani dall’automazione completa della ricerca aperta e creativa.

L’IA potrebbe cambiare il significato stesso di “scienziato”

Questo non significa che gli AI scientist siano destinati a fallire. Potrebbe accadere esattamente il contrario. Potrebbero diventare strumenti straordinariamente potenti, capaci di esplorare contemporaneamente migliaia di ipotesi, analizzare quantità di dati irraggiungibili per un essere umano, controllare automaticamente alternative metodologiche e individuare connessioni che nessun ricercatore avrebbe immaginato.

Ma proprio il loro successo potrebbe costringerci a ridefinire il ruolo dello scienziato. Forse il ricercatore del futuro eseguirà meno analisi direttamente e avrà sempre più il compito di formulare buone domande, valutare evidenze, riconoscere limiti, scegliere quali problemi meritino di essere studiati e assumersi la responsabilità delle conclusioni.

La macchina potrebbe diventare sempre più capace di esplorare lo spazio delle possibilità. All’essere umano potrebbe rimanere qualcosa di ancora più fondamentale: stabilire quali possibilità abbiano significato.

Può esistere scienza senza qualcuno che sappia di conoscere ?

Gli agenti scientifici ci riportano così a una domanda molto più antica dell’intelligenza artificiale. Che cosa significa conoscere ? Se un sistema trova una legge che nessun essere umano aveva scoperto, produce previsioni corrette e fornisce prove sperimentali riproducibili, abbiamo certamente acquisito nuova conoscenza scientifica.

Possiamo dire che la macchina conosca quella legge ? Oppure la conoscenza esiste soltanto quando un soggetto ne comprende il significato ? Forse dovremo abituarci a distinguere tra macchine che producono conoscenza e soggetti che conoscono. O forse lo sviluppo dell’intelligenza artificiale finirà per mettere in discussione anche questa distinzione.

Per ora, il lavoro su Brain Researcher suggerisce una conclusione più concreta e immediata: automatizzare la scienza non significa semplicemente costruire sistemi capaci di trovare risposte più velocemente. Significa incorporare nel processo anche dubbio, controllo, confronto delle alternative, tracciabilità delle evidenze e capacità di limitare ciò che possiamo affermare.

Ecco una delle caratteristiche più profonde del metodo scientifico. La scienza non consiste soltanto nel trovare qualcosa che sembra vero. Consiste nel costruire le condizioni perché possiamo avere buone ragioni per credere che lo sia. Questa è la distanza tra una macchina capace di fare ricerca e uno scienziato capace di comprendere e rispondere della conoscenza che produce.

Immagine elaborata con IA.