Dalla revisione degli studi alle frodi scientifiche, l’IA impone una scelta: investire nella qualità delle verifiche e rendere riconoscibile la responsabilità di chi produce conoscenza.
Il valore di una scoperta dipende anche dalla possibilità di metterla alla prova. Quali dati la sostengono? Come sono stati raccolti? Le conclusioni reggono a un esame indipendente? L’ingresso dell’intelligenza artificiale nella ricerca scientifica rende queste domande ancora più urgenti. Produrre un testo convincente diventa più semplice; stabilire se descriva una conoscenza affidabile continua a richiedere competenza, tempo e verifiche.
La riflessione del neurologo Simone Rossi, pubblicata su Le Scienze nel settembre 2026, richiama l’attenzione sulla responsabilità di chi valuta gli studi nell’epoca dei chatbot. È un tema che riguarda l’intera organizzazione della ricerca: università, finanziatori, editori, comunità scientifica. E riguarda i cittadini, perché dalle conoscenze validate dipendono decisioni sulla salute, sull’ambiente e sull’impiego delle risorse pubbliche.
La peer review, cioè la valutazione di un manoscritto da parte di esperti del settore, è uno dei passaggi attraverso cui si controllano metodi, risultati e interpretazioni prima della pubblicazione. Ha limiti evidenti: un revisore può individuare una conclusione eccessiva, ma difficilmente può ripetere tutti gli esperimenti descritti. La sua efficacia dipende dalla qualità del materiale disponibile e dall’attenzione dedicata all’esame. Presentarla come un certificato di infallibilità significa attribuirle un compito che non può assolvere.
Un dato aiuta a comprendere la portata del problema. In uno studio pubblicato su PLOS Biology il 30 ottobre 2025, René Aquarius, Kimberley E. Wever e colleghi hanno esaminato 608 articoli su interventi contro il danno cerebrale precoce in modelli animali di emorragia subaracnoidea. Ne hanno classificati 243 come problematici, il 40% del campione; in 239 erano presenti anomalie relative alle immagini.
Il risultato richiede precisione. Riguarda uno specifico ambito preclinico e non consente di stimare la quota di frodi nell’intera ricerca scientifica. Un’immagine duplicata o manipolata richiede accertamenti per distinguere errori e comportamenti intenzionali. Inoltre, lo studio non dimostra che quelle anomalie siano state prodotte dall’IA. Dimostra invece quanto sia necessario verificare la letteratura anche dopo la pubblicazione.
Le frodi scientifiche hanno una storia precedente ai chatbot. Le cosiddette paper mill, organizzazioni che commercializzano manoscritti di scarsa qualità o fabbricati e posizioni di autore, sono oggetto delle iniziative internazionali United2Act, promosse da COPE e STM. La possibilità di generare rapidamente testi plausibili aggiunge un rischio a questa attività: può rendere più economica la produzione di materiale da sottoporre alle riviste. Quantificare tale contributo richiede però evidenze specifiche, evitando di attribuire automaticamente all’IA ogni irregolarità.
La stessa prudenza deve valere quando si osservano revisioni formulate con parole o strutture simili. Una somiglianza può giustificare un approfondimento; da sola non dimostra che il giudizio sia stato delegato a un chatbot. Il controllo dell’integrità deve fondarsi su riscontri documentabili anche quando riguarda chi controlla. Altrimenti si rischia di sostituire una verifica insufficiente con un’accusa altrettanto fragile.
Il punto decisivo è stabilire come venga usata l’IA e chi risponda del risultato. Le raccomandazioni dell’International Committee of Medical Journal Editors, ICMJE, chiedono ai revisori di rispettare le regole della rivista o di ottenere il permesso prima di impiegare questi strumenti, dichiararne l’uso e verificare la validità dei contenuti prodotti. Richiamano inoltre il dovere di mantenere riservato il manoscritto.
È un aspetto sostanziale. Uno studio ancora in valutazione contiene informazioni che gli autori hanno affidato a un preciso circuito editoriale. Caricarlo in un sistema che non garantisce la riservatezza può violare quell’impegno. Le indicazioni generali ICMJE sull’IA richiedono, in tale situazione, il permesso esplicito degli autori. Trasparenza, protezione delle informazioni e responsabilità devono accompagnare ogni sperimentazione degli strumenti automatici.
Le regole, tuttavia, hanno bisogno di condizioni di lavoro che ne permettano l’applicazione. Se la valutazione di una carriera premia soprattutto il numero delle pubblicazioni, il tempo impiegato per verificare un risultato rischia di apparire improduttivo. Se una revisione accurata resta un’attività poco riconosciuta, sarà difficile chiedere che riceva la stessa attenzione delle attività decisive per ottenere un finanziamento o una promozione.
Una direzione è già indicata dalla Dichiarazione di San Francisco sulla valutazione della ricerca, DORA: giudicare i contributi per il loro contenuto, evitando di usare indicatori della rivista, come l’impact factor, al posto della valutazione dei singoli lavori. Applicare questo principio significa riconoscere anche il valore di dati ben documentati, software riutilizzabile e contributi che permettono ad altri di verificare i risultati.
Agli editori va chiesto un investimento stabile nelle competenze e nei controlli. Alle università spetta riconoscere il lavoro di revisione e formare i ricercatori all’uso responsabile degli strumenti digitali. Ai finanziatori compete sostenere anche la verifica indipendente delle scoperte. La qualità richiede risorse: inserirla nei regolamenti senza darle tempo, personale e riconoscimento lascia irrisolto il problema.
L’intelligenza artificiale può contribuire a questo lavoro. Nello stesso studio di Aquarius e colleghi, l’esame delle immagini ha combinato controlli umani e software assistito dall’IA per individuare duplicazioni. È un esempio concreto di collaborazione utile: il sistema segnala corrispondenze da indagare, i ricercatori ne valutano il significato nel contesto dello studio.
Su questa strada si può costruire un uso maturo dell’innovazione. Servono dati e procedure accessibili alla verifica, nei limiti imposti dalla riservatezza, controlli documentati e risposte tempestive alle segnalazioni. Correzioni e ritrattazioni devono essere motivate e visibili. Anche un’accusa infondata deve poter essere chiarita: proteggere l’integrità significa tutelare insieme l’affidabilità dei risultati e la correttezza delle valutazioni.
Il giornalismo scientifico ha una responsabilità nello stesso processo. Occorre distinguere un esperimento preliminare da un risultato confermato, una segnalazione da una frode accertata, una previsione da un’efficacia dimostrata. Dare spazio ai limiti di uno studio permette al lettore di comprenderne meglio il valore. La fiducia cresce quando il percorso che conduce a una conclusione diventa leggibile.
La promessa più interessante dell’IA nella ricerca è liberare tempo e capacità per domande migliori e controlli più profondi. Realizzarla richiede istituzioni disposte a premiare l’accuratezza e persone pronte a rispondere delle proprie decisioni. Ogni pubblicazione dovrebbe rendere più facile capire che cosa sappiamo, quanto ne siamo certi e come possiamo verificarlo. È su questa possibilità di verifica che la scienza costruisce il proprio futuro pubblico.
