Dopo il paper il diluvio?

La scienza ha un rito antico: si scrive, si verifica, si firma, si pubblica. Ora l’intelligenza artificiale sta travolgendo il sistema: sforna risultati più in fretta di quanto chiunque riesca a capirli o validarli, sommergendo ricercatori, laboratori, università. È la fine dei paper e della conoscenza o l’inizio di una nuova era del sapere e nuovi “timbri” di fiducia?

Dopo il paper il diluvio?

L’intelligenza artificiale produce ormai conoscenza (paper, dimostrazioni, scoperte) in quantità tale da generare una vera iperinflazione: nessuno riesce più a leggerla, verificarla o capirla. I risultati vengono spesso annunciati di corsa [^1], e chi li firma non sempre ne capisce il contenuto, quindi non può assumersene la responsabilità [^2].

Che cosa porterà questa iperinflazione? Scienziati e università inutili, tranne poche eccezioni? Il valore si sposterà dalla conoscenza (ormai quasi a costo zero, almeno in certi ambiti [^3]) all’attenzione? Giorgio Gilestro parla, non a caso, di una Weimar della conoscenza [^4]. Chi leggerà tutta questa mole e ne farà tesoro? Se l’attenzione è scarsa, andrà a chi ha già la reputazione per farsi sentire, le università storiche o i grandi laboratori commerciali: una rendita, dunque, e un ritorno al Medioevo intellettuale? [^5]

In realtà credo che dovremmo prima smontare una equazione sbagliata: paper=conoscenza. La conoscenza può non avere questa forma, cioè quella di un testo fisso, firmato e controllato da un’autorità prima di poter circolare.
Il rischio infatti è di stare a misurare il nuovo linguaggio (digitale) con le categorie di quello precedente (la scrittura).

Il testo che non cambia mai

Il paper è la forma che la conoscenza scientifica ha preso grazie alla scrittura, perché la scrittura possiede una proprietà che la parola detta non ha, la fissità: un testo resta identico a sé stesso, e per questo si può rileggere, confrontare, citare e contestare [^6]. Ciò che è scritto è ripetibile, e ciò che è ripetibile è verificabile: su questa catena poggia la scienza moderna, intesa come metodo di controllo, che arriva millenni dopo e senza la scrittura non sarebbe nata [^7].

Dal vero all’efficace

Il linguaggio digitale si muove invece su presupposti opposti: è probabilistico, simulativo, muta a ogni interrogazione e sposta il proprio asse dalla verità all’efficacia. Come aveva già intuito Pierre Lévy all’inizio degli anni Novanta [^8], una simulazione si valuta in base alla sua utilità rispetto a uno specifico obiettivo, e la sua verità in senso universale passa in secondo piano. Quando lo strumento non restituisce mai la medesima risposta, giudicarlo con il metro del testo stampato significa scambiare la sua natura per un difetto (Evoluzione su licenza). Se il linguaggio è cambiato, non ha senso pretendere che la conoscenza continui a comportarsi come un paper.

Sapere on demand

Ipotizzo piuttosto uno scenario diverso, in cui i risultati della ricerca (qualunque sia la quota di lavoro umano e di AI) risiedono su piattaforme senza alcuna validazione preventiva, catalogati per il problema che intendono risolvere anziché per ateneo, disciplina o prestigio degli autori. Sono le comunità (un ospedale, un’amministrazione locale, un laboratorio) a esplicitare i propri bisogni [^9]. La piattaforma effettua l’abbinamento, il match, tra la necessità e la soluzione disponibile, e soltanto dopo scatta l’eventuale validazione. Quando i risultati arrivano in numero soverchiante, infatti, il controllo preventivo perde senso: si controlla ciò che serve adesso, con un rigore proporzionale al costo dell’errore (quindi per certi usi non si controllerà affatto).

Naturalmente i domini non si comporteranno allo stesso modo. Come osserva Gilestro, matematica, informatica e fisica cederanno per prime all’AI (la matematica e l’informatica teorica in particolare perché il loro prodotto è manipolazione di simboli, cioè ciò che questi sistemi sanno fare). Medicina, chimica e biologia vengono dopo perché il passaggio limitante è fisico: una registrazione di sei settimane di mille moscerini che dormono va eseguita, e richiede animali, incubatrici, telecamere.
Immagino quindi che il cambiamento parta dalla matematica e dall’informatica: un risultato comparirà sulla piattaforma senza passare da nessuna rivista, lo troverà chi ne ha bisogno (un gruppo che lavora su un problema affine, un’azienda che deve ottimizzare un calcolo) e lo controllerà per conto proprio, spesso con una macchina, mentre la validazione ufficiale, se arriverà, arriverà a cose fatte. In biologia e in medicina, come per un farmaco o per la statica di un ponte, nessuno userà un’ipotesi prima di averla provata: il match produrrà una richiesta a un laboratorio, e chi ha strumenti e competenze per eseguirla deciderà quali ipotesi diventano conoscenza.

I nuovi scribi

In questo schema, l’attenzione si organizza intorno al problema da risolvere anziché intorno al nome di chi firma: il valore sta nel filtro che trova il risultato giusto e nel validatore che lo certifica dopo il match, mentre il paper costa quasi nulla.

La piattaforma che abbina bisogni e soluzioni diventa così il primo potere del nuovo scenario: al posto degli atenei blasonati, un nuovo PageRank (Google). Il meccanismo è quello di Amazon, che orienta i bisogni e finisce per produrre su richiesta ciò che li soddisfa, ma trasferito dai beni di consumo alla conoscenza: qui molti paper verranno scritti direttamente per combaciare con le richieste, molti altri a prescindere da esse.

Come ci fideremo

Stiamo attraversando una fase di transizione. Aspettare la validazione di ogni risultato prima di poterlo usare rispondeva a un bisogno legittimo di fiducia, ma quando i risultati diventano troppi la validazione preventiva non è più sostenibile, se non a posteriori e soltanto in alcuni casi. Occorre allora costruire una fiducia nuova. Otto, il personaggio dell’esperimento mentale di Clark e Chalmers, si fida del suo taccuino perché ne ha scritto e controllato lui ogni voce nel tempo [^10]; un modello linguistico, invece, pesca da uno spazio di dati altrui che nessuno ha approvato. La fiducia dovrà quindi nascere dalla verifica accumulata, e uno storico di verifiche, per ora, non esiste.

Vedo diversi meccanismi possibili, tutti da intendere come ipotesi: livelli dichiarati di verifica, esito nel tempo, responsabilità legale di chi certifica, verifica formale dove il dominio la permette, pluralità dei validatori e strumenti aperti, come propone Gilestro [^11].

Ciascuno è anche un posto da occupare: chi fissa gli standard, chi misura gli esiti, chi si assume il rischio, chi possiede gli strumenti di verifica. È lì che il potere si deposita, ed è lì che nascono le caste. Del resto, ogni nuovo linguaggio segna la nascita delle sue corporazioni: gli scribi esistono dalle origini della scrittura, con la stampa arrivano le gilde dei tipografi [^12], poi i grandi editori scientifici. Domani sarà il turno delle piattaforme che gestiscono l’abbinamento e dei certificatori privati, perché la validazione è un servizio che si può vendere. Il rischio politico sta nella concentrazione del potere in chi decide quali soluzioni vengono messe in evidenza e quali richieste ottengono per prime una validazione.

Per governare questa fase emergono due spinte: le Istituzioni che accreditano e sorvegliano i validatori, e un’industria privata della certificazione che nascerà comunque. Ritengo che la validazione sia un bene pubblico, ma una verifica interamente pubblica su milioni di paper mi pare difficile da finanziare: la strada realistica è l’ecosistema distribuito di controllo (Il piede del re) con validatori numerosi, criteri pubblici e nessun soggetto che controlli da solo la certificazione [^13]. Lo stesso vale per le piattaforme: più d’una, e con la possibilità per ogni comunità di portare con sé il proprio corpus validato.

Senza più il timbro

Dalla nascita della scrittura alla definizione del metodo scientifico sono trascorsi millenni, perché occorreva interiorizzare la tecnologia del testo, imparando a fidarsi delle firme, della filologia, della stampa e delle autorità riconosciute. Ritengo che con l’intelligenza artificiale il processo sarà enormemente più rapido.

Arriveremo a una fase in cui la validazione non sarà più la porta d’accesso preliminare o il criterio fondamentale richiesto alla conoscenza che nasce nel linguaggio digitale. Gli altri modi di fidarsi resteranno però al loro posto: come la scienza non ha cancellato il sapere mitico e quello dell’esperienza, rimasti validi anche se non si possono verificare, così certi domini continueranno come prima, per tradizione nel mondo classico, per verifica preliminare nel mondo scientifico. Per la conoscenza digitale generativa, invece, la fiducia, costruita nella prima fase con la verifica, viene poi interiorizzata: integrata nella nostra struttura cognitiva ed esperienziale, smette di passare dal timbro di una revisione tra pari o da una piattaforma di certificazione. Quando la tecnologia sarà diventata un’estensione trasparente del pensiero, la necessità di sottoporre ogni frammento informativo a un giudizio d’autorità apparirà per quello che è: l’eredità orfana dell’era della stampa.

– di Paola Furlan

POSTILLA
Il 6 ottobre, OpenAI ha pubblicato su GitHub 722 manoscritti di matematica prodotti da un modello interno non accessibile al pubblico. Solo una parte delle dimostrazioni è formalizzata in Lean, e nessuna è passata da una rivista. Per la matematica è lo scenario descritto sopra, con una differenza che non avevo previsto: lo stesso soggetto produce i risultati, li cataloga e ne prepara la verifica, usando un modello che nessun altro può usare. È la concentrazione di potere di cui parlo nell’articolo, in una forma più stretta di quella che avevo immaginato: chi produce un risultato ne controlla anche la verifica.

NOTE

1. Ne è un esempio la dichiarazione “A Severe Misalignment of AI in Mathematics”, pubblicata l’11 settembre 2026 da 25 firmatari iniziali, tutti medaglie Fields, tra cui Terence Tao (blog di Tao; la dichiarazione è anche su mathandai.org). Sostengono che risolvere problemi sia soltanto un mezzo per arrivare a capire, e che la produzione di massa, sempre più rapida, di enunciati veri o falsi rischi di distruggere il terreno fertile da cui nascono le idee: i risultati vengono spesso annunciati di corsa, senza il tempo di scriverli bene, di isolarne i metodi e di citare chi c’era prima.
2. Tom Dietterich (University Distinguished Professor Emeritus, Oregon State University), in un post [piattaforma, data e link da completare], segnala una tendenza nelle sottomissioni ad arXiv (e presumibilmente a conferenze e riviste): autori che inviano articoli di cui probabilmente non capiscono il contenuto, mentre la politica di arXiv vuole che un autore umano se ne assuma la responsabilità. Propone tre risposte: escludere le sottomissioni di autori privi di storico o credenziali nell’area; sottoporre l’autore a un esame orale, eventualmente certificato da una lettera di un’autorità riconosciuta; creare una piattaforma per risultati scritti e verificati dall’AI, con un “umano di riferimento”. Le prime due affidano la garanzia a chi ha già un nome; la terza ammette che la firma di una persona non garantisce più che il risultato sia stato capito.
3. Il costo si azzera prima dove il prodotto è manipolazione di simboli (la matematica, l’informatica teorica), e più lentamente dove il passaggio limitante è fisico (biologia, medicina, chimica): un esperimento richiede animali, strumenti, tempo, e nessuna capacità di calcolo lo cancella. La distinzione è di Gilestro (nota 4), che porta l’esempio di una registrazione di sei settimane di mille Drosophila.
4. Giorgio Gilestro, “The Weimar of Knowledge“, 20 settembre 2026. Attribuisce l’inflazione anche a vent’anni o trent’anni di indicatori di carriera che premiavano la quantità delle pubblicazioni.
5. Sul tecnofeudalesimo: Cédric Durand, Techno-féodalisme. Critique de l’économie numérique, La Découverte, 2020; Yanis Varoufakis, Technofeudalism: What Killed Capitalism, Bodley Head, 2023; Jodi Dean, “Neofeudalism: The End of Capitalism?”, Los Angeles Review of Books, 2020. Per la critica, Evgeny Morozov, “Critique of Techno-Feudal Reason”, New Left Review, 133/134, 2022. Gilestro applica questa letteratura al mondo accademico. [Titoli, editori e date da verificare.]
6. Elizabeth L. Eisenstein, The Printing Press as an Agent of Change, Cambridge University Press, 1979; Walter J. Ong, Orality and Literacy, Methuen, 1982. Adrian Johns (The Nature of the Book, University of Chicago Press, 1998) ha contestato Eisenstein: la fissità non sarebbe una proprietà della stampa, ma il risultato di pratiche sociali di fiducia.
7. Mesopotamia, Egitto e Cina hanno avuto scrittura per millenni senza produrre la scienza sperimentale moderna: la scrittura è quindi condizione necessaria e non sufficiente. Su alfabetizzazione e pensiero: Jack Goody e Ian Watt, “The Consequences of Literacy”, Comparative Studies in Society and History, 5(3), 1963; per le critiche, Sylvia Scribner e Michael Cole, The Psychology of Literacy, Harvard University Press, 1981, e Brian Street, Literacy in Theory and Practice, Cambridge University Press, 1984. Sul criterio di controllo, Karl Popper, Logik der Forschung (1934): conta la falsificabilità più che la verificabilità.
8. Pierre Lévy, Les technologies de l’intelligence, La Découverte, Paris 1990; ed. it. Le tecnologie dell’intelligenza, Synergon, Bologna 1992.
9. Obiezione possibile, di Abraham Flexner (“The Usefulness of Useless Knowledge”, Harper’s Magazine, ottobre 1939): un sistema guidato dai bisogni dichiarati non vede ciò che nessuno sa di voler sapere. Ne è un esempio CRISPR, la tecnica che permette di modificare il DNA con precisione, nata dallo studio di come i batteri si difendono dai virus (Rodolphe Barrangou et al., Science, 315, 2007; l’uso come strumento di editing è in Martin Jinek et al., Science, 337, 2012). Nello scenario descritto pesa poco: la conoscenza viene prodotta comunque, anche senza richiesta, i risultati richiesti sono messi in evidenza e gli altri restano disponibili, mentre la verifica arriva dopo. Nei domini fisici il ragionamento regge meno, perché produrre ha un costo (animali, strumenti, tempo) che nessuna capacità di calcolo azzera. E disponibile non significa visto: conta il filtro che mette in evidenza.
10. Andy Clark e David Chalmers, “The Extended Mind”, Analysis, 58(1), 1998.
11. Dettaglio dei meccanismi, tutti da intendere come ipotesi. Livelli dichiarati di verifica: sul modello dei livelli di evidenza in medicina e dei Technology Readiness Level della NASA. Esito nel tempo: un validatore che certifica risultati poi falliti perde credito; uno studio affine è Anna Dreber et al., “Using prediction markets to estimate the reproducibility of scientific research”, PNAS, 112(50), 2015, che però riguarda la capacità dei mercati predittivi di anticipare quali risultati verranno replicati, non la reputazione dei validatori. Responsabilità legale o assicurativa: equivalente della firma, che con la scrittura attribuì a qualcuno il costo dell’errore. Verifica formale: in Lean, un assistente di dimostrazione, la dimostrazione matematica è scritta in un linguaggio formale e controllata passo per passo dal programma, e un file accettato è corretto senza che importi chi l’abbia scritto. Pluralità: più validatori o modelli diversi che si controllano a vicenda, come nella “regola del principe azzurro” citata da Gilestro. Strumenti aperti: hardware, software di acquisizione e dati grezzi aperti, con dettagli sufficienti perché chiunque possa costruire lo strumento e dissentire; per Gilestro, un progetto che chiunque può replicare non può essere affittato.
12. La Stationers’ Company di Londra ottenne nel 1557 una carta reale con il monopolio della stampa in Inghilterra e fece da braccio di licenza e censura. Il sistema di licenza decadde nel 1695, e lo Statute of Anne (1710) spostò il diritto sull’autore, con durata limitata. Si veda Lyman Ray Patterson, Copyright in Historical Perspective, Vanderbilt University Press, 1968 [date e fonte da verificare].
13. Regolamento (UE) 2024/1689 (AI Act), capo III, sezione 4, artt. 28-39, su autorità di notifica e organismi notificati: il pubblico stabilisce le regole e sorveglia, mentre la verifica di conformità è delegata a organismi designati. Se ne richiama qui l’architettura istituzionale, non l’efficacia: in Il piede del re (18 maggio 2026) l’AI Act è criticato perché controlla il risultato o il resoconto del fornitore e non il processo interno. L’ecosistema di controllo (agenzie pubbliche indipendenti, auditor certificati secondo standard pubblici, coordinamento internazionale, ridondanza tra i livelli) è quello proposto lì, dove l’oggetto della verifica sono i sistemi di AI e non i risultati che producono: qui se ne propone l’estensione.