Mentre i modelli di linguaggio e le reti neurali entrano in ogni fase della ricerca scientifica, il confine tra scoperta umana e calcolo computazionale si fa sottile. Comprendere come funziona l’IA è fondamentale per preservare la trasparenza e il significato stesso della scienza.
La scienza ha sempre avuto un ritmo profondamente umano, fatto di intuizioni, errori, verifiche. Lo stesso concetto di scoperta richiama nell’immediato la fatica spesso silenziosa ad essa sottesa. Oggi, questo ritmo sta accelerando in modo radicale, complice anche l’Intelligenza Artificiale, un collaboratore (invisibile) che si insinua in ogni fase del processo di ricerca, dalla stesura del codice alla generazione di ipotesi.
Dal 2024 al 2025 l’adozione dell’IA tra i ricercatori è aumentata di quasi 30 punti percentuali (cfr. sondaggio di Wiley). Inoltre, un preprint di agosto 2026 ha riportato che quasi 9 articoli biomedici su 10, di quelli pubblicati nel dicembre 2025 e archiviati in PubMed, lasciano trasparire l’impronta dell’Intelligenza Artificiale.
E così, dopo aver messo momentaneamente da parte il facile entusiasmo per l’automazione, ci chiediamo: quando un algoritmo partecipa alla revisione di un articolo o formula una congettura, chi ne è realmente l’autore? E, soprattutto, quali pregiudizi cela?
IA DISCRIMINATIVA E IA GENERATIVA
Per navigare questo scenario con rigore, è necessario superare la visione monolitica dell’IA. Non esiste infatti un’unica intelligenza artificiale, ma tecnologie con funzioni e limiti diversi.
Da un lato, i modelli di AI discriminativa imparano a riconoscere pattern nei dati, eccellendo in compiti circoscritti come l’identificazione di specie in immagini o la classificazione di dataset clinici.
Dall’altro, troviamo l’AI generativa, di cui i Large Language Models (LLM) sono l’esempio più noto. Questi sistemi non si limitano a categorizzare la realtà: apprendono le strutture profonde di enormi moli di dati per generare nuovi contenuti, aiutando i ricercatori a scrivere bozze, cercare controesempi o analizzare testi complessi.
IL NODO CRITICO
Un modello generativo non “comprende” nel senso umano del termine; calcola la probabilità statistica del dato successivo. Questo meccanismo intrinseco espone la ricerca a rischi concreti, primo fra tutti il fenomeno delle “allucinazioni”, informazioni plausibili ma fattualmente errate.
A ciò si aggiunge il rischio di bias. Un esempio? Se un modello viene addestrato prevalentemente su testi in una specifica lingua o cultura (come accade per la stragrande maggioranza dei dataset, dominati dall’inglese americano), le sue elaborazioni porteranno inevitabilmente un’impronta parziale, marginalizzando prospettive scientifiche diverse e rischiando di compromettere l’originalità del lavoro.
Di fronte a queste limitazioni, è fondamentale ribadire che l’IA è uno strumento di elaborazione statistica straordinariamente potente, ma manca di intenzionalità, di contesto etico, e di quella curiosità esistenziale che guida le vere domande scientifiche. L’algoritmo può suggerire un’ipotesi, ma spetta allo scienziato valutarne il significato e la rilevanza per la società. L’uso non dichiarato di questi strumenti, specialmente nella peer review, mina la riservatezza e l’integrità del processo di valutazione, trasformando un controllo di qualità in una potenziale falla di sicurezza.
CONFLITTI D’INTERESSE E OPEN SCIENCE
La responsabilità di gestire questa transizione ricade interamente sulla comunità scientifica e su chi ha il compito di raccontarla al pubblico. Un ostacolo significativo è rappresentato dal fatto che la ricerca d’avanguardia sull’IA è dominata da un numero ristretto di grandi aziende tecnologiche private. Queste realtà operano con logiche di mercato e brevetti che spesso entrano in tensione con i principi di open science, rendendo cruciale il ruolo dei ricercatori accademici indipendenti nel valutare queste tecnologie senza conflitti di interesse.
LA TRASPARENZA ALGORITMICA E IL NUOVO RUOLO DEL GIORNALISTA
Proprio come oggi la dichiarazione dei conflitti di interesse è un pilastro irrinunciabile dell’integrità di un paper, la trasparenza algoritmica sta diventando il nuovo standard etico della ricerca. Alcune riviste autorevoli hanno già aggiornato le loro linee guida editoriali, come possiamo constatare su Science e Nature, richiedendo la dichiarazione esplicita dell’uso di strumenti di IA generativa e specificandone il ruolo, poiché un algoritmo non può assumersi la responsabilità di un contenuto né essere considerato autore.
In questo scenario, il giornalista scientifico assume la responsabilità di farsi ponte tra la freddezza del calcolo e la complessità dell’esperienza umana. Il suo compito è presidiare l’integrità della conoscenza, assicurando che la responsabilità etica di ogni scoperta resti saldamente nelle mani delle persone.
FONTI:
AI Adoption Jumps to 84% Among Researchers (https://newsroom.wiley.com/press-releases/press-release-details/2025/AI-Adoption-Jumps-to-84-Among-Researchers-as-Expectations-Undergo-Significant-Reality-Check/default.aspx)
Most biomedical publications show signs of LLM-assisted writing (https://arxiv.org/abs/2608.10715)

