Che cosa resta della ricerca ai tempi dell’IA?

L’intelligenza artificiale entra in tutte le fasi della ricerca. Se produrre un paper diventa più semplice, aumenterà la quantità degli studi e potenzialmente anche la loro qualità. Su quali basi dovrebbe allora essere valutato il ricercatore?

L’IA nella ricerca economica

Due anni fa sarebbe sembrato azzardato affidare a un modello di intelligenza artificiale la revisione della letteratura, il codice statistico o la prima stesura di un articolo. Oggi molte di queste attività sono già possibili e gli esempi riguardano ormai l’intero processo della ricerca.

Uno studio su 48 paper pubblicati su riviste economiche mostra che un agente può ricostruire gran parte di un’analisi partendo dall’articolo e dai dati originali. Il Project Ape si è spinto fino alla produzione di mille paper di valutazione delle politiche pubbliche, dall’idea al testo, utilizzando dati accessibili pubblicamente. Refine è già impiegato dall’American Economic Association e dall’Econometric Society per effettuare controlli tecnici prima della pubblicazione.

Analisi, scrittura e verifica sono dunque già oggi, almeno in parte, automatizzabili. Se il progresso proseguirà, produrre un paper “costerà” sempre meno. Da qui nasce la domanda centrale: se una macchina può produrre il paper, che cosa resta della ricerca accademica nelle scienze sociali?

Un paper non coincide con la ricerca

Il valore della ricerca non dipende dalle ore impiegate per produrla. Se la domanda è rilevante, l’evidenza è credibile e il risultato è utile, il tempo risparmiato è un vantaggio: permette di affrontare più problemi e ottenere prima risposte utili alle decisioni pubbliche.

Gran parte del tempo dei ricercatori è assorbita dall’esecuzione: ripulire dati, correggere codice, aggiornare tabelle, controllare citazioni e adattare il testo alle richieste di una rivista. Sono proprio le attività più facili da automatizzare.

Si potrebbe concludere che agli esseri umani resterà il compito di formulare le domande e alle macchine quello di trovare le risposte. Ma anche questa distinzione è probabilmente troppo semplice. L’intelligenza artificiale può già suggerire ipotesi, collegare contributi provenienti da discipline diverse e, sul piano teorico, aiutare a formalizzare un’intuizione, risolvere un modello o verificarne le dimostrazioni. La sua capacità di combinare conoscenze esistenti può quindi accelerare in modo considerevole la ricerca incrementale.

Se generare ipotesi costa poco, sarà possibile produrne migliaia. La risorsa scarsa non sarà avere un’idea, ma riconoscere quali meritino attenzione. Una domanda conta dentro un contesto storico, economico e sociale: individuarne l’importanza resta una funzione centrale del ricercatore.

Più incerta è la sua capacità di produrre autentiche rotture concettuali. Un modello addestrato esclusivamente sulle conoscenze disponibili nel 1920 avrebbe saputo elaborare, pochi anni dopo, la moderna meccanica quantistica e mettere in discussione le categorie della fisica classica?

Almeno per ora, dunque, le innovazioni incrementali sembrano più facilmente delegabili alle macchine; quelle davvero dirompenti potrebbero continuare a dipendere maggiormente dall’intuizione e dall’immaginazione umane.

Il valore del confronto

Se testi e analisi diventeranno abbondanti e poco costosi, il tempo e l’attenzione dedicati agli incontri in presenza saranno relativamente più scarsi, e quindi più preziosi.

Potrebbero così acquistare più importanza seminari, congressi, discussioni informali e collaborazioni. Il loro valore dipende da elementi difficili da codificare: la fiducia, la nascita casuale di un’idea o una collaborazione avviata da una conversazione non programmata.

L’intelligenza artificiale potrà assistere questi processi, ma difficilmente sostituirà del tutto la dimensione relazionale e imprevedibile del confronto umano.

Più ricerca, ma anche ricerca migliore

La riduzione dei costi non incide soltanto sul numero degli studi: può migliorarne anche la qualità.

Molte verifiche oggi non vengono svolte perché richiedono troppo tempo: replicare un’analisi, confrontare specificazioni, cercare altri dati o verificare la sensibilità dei risultati. Se diventano più semplici, ogni studio può essere sottoposto a controlli più ampi.

L’intelligenza artificiale può inoltre rendere più sistematica l’individuazione degli errori, segnalando incongruenze tra testo, tabelle e codice e facilitando la riproduzione dei risultati. Non tutte le fasi della ricerca, tuttavia, si svolgono davanti a un computer. L’accesso a dati riservati è soggetto a vincoli giuridici ed etici; realizzare un esperimento randomizzato richiede la collaborazione di istituzioni e partecipanti, la gestione concreta dell’intervento e l’assunzione di precise responsabilità. Sono attriti che l’intelligenza artificiale può contribuire a ridurre, ma non eliminare, e che rendono indispensabile l’intervento umano.

Il miglioramento, inoltre, non è automatico. Gli stessi strumenti possono moltiplicare errori, citazioni inventate e analisi plausibili ma infondate. Se diminuisce il costo della buona ricerca, diminuisce anche quello della cattiva: la qualità dipenderà dalla trasparenza e dalla capacità della comunità scientifica di verificare i risultati.

Dalla produzione alla conoscenza condivisa

Se produrre articoli diventa più semplice, il loro numero può crescere più rapidamente della nostra capacità di leggerli. Acquistano allora valore la selezione e la sintesi: distinguere risultati solidi da quelli fragili, collegare studi lontani e ricostruire che cosa sappiamo nel complesso.

Acquista valore anche la disseminazione: spiegare quali conclusioni possiamo trarre, con quale incertezza e perché siano rilevanti per ricercatori, decisori pubblici e cittadini.

Valutare la ricerca

Tutto ciò richiede di ripensare la valutazione dei ricercatori. Se produrre un paper diventa meno costoso, conteranno meno la pubblicazione in sé e il semplice numero degli articoli. Anche ricostruire quante operazioni abbia svolto personalmente l’autore dirà poco sul valore del suo contributo.

Dovrebbero pesare di più la capacità di individuare problemi rilevanti, collocarli nella conoscenza esistente, migliorare il lavoro altrui, verificarne la solidità, sintetizzare evidenze e comunicarle fuori dal proprio campo. Anche le citazioni andranno interpretate con maggiore cautela: se l’IA aumenta il numero dei paper e facilita l’inserimento di riferimenti, più citazioni non equivalgono necessariamente a maggiore influenza scientifica.

Non basta sostituire il conteggio dei paper con quello delle citazioni, dei congressi o delle repliche. Occorrerà guardare anche alla qualità delle citazioni: se il lavoro è davvero usato, discusso, replicato o messo alla prova, e quale ruolo svolge nella costruzione delle conoscenze successive. Tradurre questo contributo complessivo in criteri osservabili e condivisi resta una questione aperta.

Se una macchina può produrre il paper, il ricercatore non scompare. Diventa però meno convincente considerarlo soltanto un produttore di articoli.