L’AI fa risparmiare quasi 7 ore agli scienziati. Poi crea un altro problema

Quasi sette ore risparmiate ogni settimana possono cambiare il ritmo di un laboratorio. Ma quando l’intelligenza artificiale produce più ipotesi, analisi e possibili direzioni di ricerca, il lavoro non scompare: si accumula nel punto in cui una previsione deve incontrare un esperimento, un campione o una verifica clinica.

È il paradosso che emerge dall’AI Economy Atlas pubblicato da Google. L’azienda ha analizzato 2.600 modelli specializzati e coinvolto oltre 600 scienziati negli Stati Uniti e nel Regno Unito. Quasi la metà dichiara di usare l’AI ogni giorno e il tempo medio risparmiato è poco inferiore alle sette ore settimanali. Il beneficio è reale; il sistema della ricerca deve però assorbirlo.

Che cosa è successo

L’analisi descrive un uso sempre più diffuso dell’AI in attività come ricerca bibliografica, analisi dei dati, generazione di ipotesi, scrittura e sviluppo di codice. I modelli specializzati sono cresciuti in numerosi campi scientifici e permettono a ricercatori con competenze diverse di esplorare più rapidamente informazioni che prima richiedevano passaggi manuali.

Il guadagno non si distribuisce in modo uniforme. Alcune attività digitali possono accelerare molto, mentre esperimenti fisici, accesso a strumenti, raccolta di campioni e procedure cliniche restano vincolati a tempi e risorse materiali. Quando la capacità di generare nuove direzioni supera quella di verificarle, il laboratorio si trova davanti a una coda di ipotesi ancora più lunga.

Google sottolinea quindi il ruolo della validazione e delle infrastrutture scientifiche. Il valore di un modello non si misura soltanto nel numero di idee prodotte o nel tempo risparmiato davanti a uno schermo, ma nella capacità di trasformare quelle idee in conoscenza affidabile, riproducibile e utilizzabile.

Il punto che rischia di passare inosservato

Il rischio è celebrare il tempo liberato senza chiedere dove viene reinvestito. Se un ricercatore genera cinque volte più ipotesi ma il laboratorio può verificarne lo stesso numero di prima, l’organizzazione non ha moltiplicato i risultati: ha moltiplicato le scelte da compiere. La nuova scarsità diventa la capacità di selezionare ciò che merita un esperimento.

Questo cambia anche il significato della produttività. Contare documenti, analisi o proposte può far apparire il sistema molto efficiente, ma premia la produzione intermedia invece dell’evidenza finale. Nella scienza, come in molti processi aziendali, l’output generato dall’AI deve attraversare un passaggio umano e materiale prima di diventare una decisione affidabile.

Quando l’AI accelera la generazione di ipotesi, il vantaggio non dipende da quante ne produce, ma da quanto bene l’organizzazione sceglie, verifica e trasforma le migliori in evidenza.

Che cosa cambia per imprese e professionisti

Per università, centri di ricerca e imprese innovative, l’adozione dell’AI deve essere accompagnata da una revisione della capacità a valle. Servono criteri per assegnare priorità, accesso agli strumenti di laboratorio, tracciabilità tra suggerimento del modello e prova sperimentale, oltre a tempi dedicati alla verifica di errori e risultati inattesi.

Anche le metriche devono cambiare. Ore risparmiate e numero di ipotesi sono indicatori utili, ma incompleti. Occorre misurare quanti risultati superano la validazione, quanto tempo serve per scartare una pista debole, quante risorse vengono consumate e quale quota di lavoro può essere riprodotta da un altro gruppo.

Per i professionisti dell’AI questo significa progettare strumenti che mostrino incertezza, provenienza dei dati e passaggi intermedi. Un’interfaccia che presenta dieci risposte plausibili senza aiutare a valutarle può aumentare il carico cognitivo. L’obiettivo non è soltanto produrre più possibilità, ma ridurre il costo della scelta e rendere espliciti i criteri con cui viene presa.

Che cosa osservare adesso

Il prossimo passo sarà capire se i guadagni di tempo si traducono in scoperte, pubblicazioni più solide o cicli sperimentali più brevi. Servono studi longitudinali e confronti tra discipline, perché un laboratorio di chimica, un gruppo di informatica e una ricerca clinica incontrano limiti molto diversi.

Le organizzazioni possono iniziare mappando il percorso completo di una singola attività: dalla domanda iniziale alla validazione finale. Se l’AI accelera soltanto il primo tratto, il progetto deve investire nel collo di bottiglia che emerge dopo. È lì che il tempo risparmiato può diventare conoscenza, oppure trasformarsi in un nuovo arretrato.

Le fonti

Google — AI Economy Atlas, 15 settembre 2026

Questa analisi della redazione ANPAI aiuta a leggere fatti e conseguenze operative. Non sostituisce una valutazione tecnica o legale riferita a un caso specifico.