Quando l’IA ha smesso di assistere la scienza e ha iniziato a farla

È successo qualcosa che merita molta più attenzione di quanta ne stia ricevendo.

Il 6 ottobre, OpenAI ha pubblicato 722 manoscritti matematici in un repository pubblico su GitHub. I lavori sono stati prodotti da un modello interno di frontiera, non ancora rilasciato e privo di un nome noto al pubblico. I risultati riguardano 17 campi della matematica, organizzati in 372 famiglie distinte. Alcune delle affermazioni, se verificate, rappresenterebbero un autentico progresso su problemi aperti da decenni.

La reazione immediata si è divisa in due fazioni, come accade sempre. Da una parte, c’è chi ha detto che si tratta di qualcosa di straordinario e rivoluzionario. Dall’altra, chi ha invitato a non affrettare i giudizi: niente è stato sottoposto a revisione paritaria e non sappiamo se i risultati siano corretti.

Entrambe le reazioni hanno ragione, ma a entrambe sfugge la domanda più importante: i risultati sono corretti e chi sta verificando la risposta?

Due domande. Solo una ha avuto risposta.

Vorrei distinguere due aspetti che i resoconti hanno accorpato, ma che meritano un’analisi più approfondita, perché hanno implicazioni del tutto diverse.

La prima domanda è: questi risultati matematici sono corretti? È una domanda a cui devono rispondere i matematici e ci vorranno mesi. Circa un quinto dei 722 manoscritti include dimostrazioni in Lean, cioè prove formali verificate automaticamente. I restanti circa 580 non ne includono, e OpenAI stessa riconosce nel file README del repository che alcuni risultati non formalizzati potrebbero presentare problemi. La comunità matematica li esaminerà con attenzione. Alcuni risultati saranno confermati. Altri, probabilmente, no. È un processo essenziale, che non ha ancora avuto luogo.

La seconda domanda è diversa: che cosa significa che un modello di IA abbia prodotto 722 manoscritti matematici in 17 campi, impiegando per ciascun risultato una quantità di calcolo equivalente a circa tre ore di ragionamento?

Un sistema di IA ha funzionato come un vero e proprio motore di scoperta matematica: si è posto circa 4.000 problemi e ha prodotto nuovo lavoro matematico in teoria dei numeri, geometria, informatica teorica, fisica matematica e logica. La questione della verifica è importante per lo studio della matematica, ma l’impresa e la capacità dimostrata contano per tutto il resto.

Il modello che nessuno può usare

Il dettaglio che trovo più sorprendente non sono i 722 lavori, ma il modello che li ha prodotti: è ancora senza nome e non dispone di un’API. Non è accessibile a nessun cliente, a nessun ricercatore al di fuori di OpenAI né ad alcuna azienda che voglia svilupparci sopra. OpenAI ha pubblicato i risultati di una capacità che il mercato non ha ancora visto e a cui non può ancora accedere.

In termini di investimenti, è un segnale molto preciso. L’azienda ha dimostrato una capacità di frontiera che, per definizione, supera ciò che il mercato ha già scontato. Con questa impresa, si è ampliato il divario tra ciò che i modelli interni di OpenAI sono in grado di fare e ciò che il mercato ritiene che siano in grado di fare.

Tuttavia, questo divario non resta ampio per sempre. Si riduce quando il modello viene rilasciato, quando i concorrenti recuperano terreno o quando i risultati contribuiscono a definire nuovi benchmark rispetto ai quali tutti iniziano a ottimizzare i propri sistemi. Ma in questo momento, nell’ottobre del 2026, esiste una dimostrazione pubblica documentata di una capacità matematica di un sistema di IA che nessuno al di fuori dell’azienda può usare o valutare pienamente.

Come cambia la tesi di investimento

In Investing in Revolutions, descrivo l’effetto di convergenza come il principio secondo cui, quando si combinano tecnologie trasformative, il risultato non è additivo, ma moltiplicativo. Due più due non fa quattro: nasce qualcosa che nessuna delle due tecnologie potrebbe produrre da sola.

Da due anni scrivo dell’IA applicata alla scoperta scientifica come tema d’investimento dalle prospettive promettenti. I tempi della scoperta di farmaci si riducono da anni a settimane grazie alla combinazione di IA e calcolo quantistico. Le simulazioni molecolari generate dall’IA fanno progredire la scienza dei materiali. L’analisi assistita dall’IA dei fondamenti matematici sta trasformando la crittografia.

Erano previsioni fondate su primi segnali. Questa settimana, una di esse si è avverata.

Un modello di IA che realizza vere scoperte matematiche, producendo 722 manoscritti in 17 campi, rappresenta un rapporto tra IA e conoscenza scientifica radicalmente diverso da quello a cui eravamo abituati. I campi in cui questo cambiamento conta di più sono proprio quelli che seguo da vicino. La teoria dei numeri è il fondamento matematico della crittografia, che a sua volta è alla base di ogni sistema blockchain e protocollo di comunicazione sicuro. La fisica matematica è alla base della scienza dei materiali e dell’hardware per il calcolo quantistico. L’informatica teorica è la spina dorsale dello sviluppo degli algoritmi. I progressi in uno qualsiasi di questi campi si ripercuotono a valle su prodotti, aziende e interi settori.

Quando l’IA permette a questi campi di progredire più rapidamente rispetto al lavoro dei ricercatori umani da soli, anche la propagazione degli effetti a valle accelera. Per gli investitori, le domande sono: che cosa accelererà, quali saranno i fattori acceleranti, con quale rapidità e chi si troverà sul percorso di questa accelerazione?

L’economia della verifica che ancora non esiste

In questa vicenda c’è una specifica implicazione per gli investimenti che non ho ancora visto formulare chiaramente da nessuno.

162 dei 722 manoscritti contengono dimostrazioni in Lean verificate automaticamente. Gli altri no. OpenAI si è affidata a un gruppo consultivo dell’Institute for Advanced Study per la supervisione iniziale. Il gruppo ha descritto la pubblicazione come un primo passo che avvia, ma non porta a termine, il lavoro necessario per integrare i risultati nel patrimonio matematico.

In pratica, significa che oggi viviamo in un mondo in cui i sistemi di IA possono produrre affermazioni matematiche e scientifiche più velocemente di quanto le infrastrutture umane esistenti riescano a verificarle. Il divario tra produzione e verifica non è un problema temporaneo: cresce insieme alle capacità. Ogni miglioramento nella capacità dell’IA di produrre risultati scientifici amplia il divario di verifica, a meno che non si costruiscano strumenti per colmarlo.

Questi strumenti appartengono a una nuova categoria di infrastrutture: strumenti di verifica formale, controllo delle dimostrazioni assistito dall’IA e pipeline automatizzate per confrontare le affermazioni matematiche con risultati noti e strutture coerenti al loro interno. Il sistema di dimostrazione Lean è un punto di partenza, ma copre il 22% di questa pubblicazione e non è stato progettato per i volumi in arrivo.

L’economia della verifica della scienza generata dall’IA sarà considerevole, ma oggi è pressoché inesistente. Le aziende che la costruiranno faranno qualcosa di davvero necessario, non semplicemente utile: è il tipo di infrastruttura più duraturo che si possa realizzare.

La linea che si sposta da 80 anni

Quando i computer iniziarono a eseguire calcoli numerici più velocemente degli esseri umani, la maggior parte dei matematici liquidò il fenomeno come semplice calcolo, non come matematica. Le macchine potevano calcolare, ma non scoprire. Quella era la linea di demarcazione.

Da allora, la linea si è spostata continuamente. Le dimostrazioni assistite dal computer di risultati importanti, come il teorema dei quattro colori, suscitarono polemiche negli anni Ottanta e Novanta perché un essere umano non poteva verificare completamente la dimostrazione. I dimostratori automatici di teoremi fecero progressi negli anni Duemila e Duemiladieci. Ogni volta che la linea si spostava, riemergeva la stessa obiezione: non è vera matematica, è solo calcolo.

La linea si è spostata di nuovo, in modo più evidente che negli ultimi anni e più difficile da liquidare, perché i risultati sono disponibili in un repository pubblico su GitHub che chiunque può esaminare.

Non sostengo che tutti e 722 i risultati supereranno il vaglio. Sostengo che la capacità dimostrata nel produrli rappresenta un cambiamento reale e duraturo in ciò che l’IA può fare nei campi scientifici.

Il punto di svolta per gli investitori

In Investing in Revolutions, sostengo che le maggiori opportunità di investimento emergono nei punti di svolta, quando le tecnologie trasformative superano una soglia che cambia radicalmente ciò che diventa possibile. Questo è uno di quei momenti.

La capacità emergente dell’IA di generare scoperte scientifiche originali segnala un cambiamento nel modo in cui avviene l’innovazione e nei luoghi in cui si creerà valore. Le implicazioni vanno oltre gli sviluppatori di IA e riguardano la scoperta di farmaci, i materiali avanzati, l’energia, la crittografia e la ricerca e sviluppo industriale, dove l’accelerazione della ricerca potrebbe abbreviare i tempi di sviluppo, ridurre i costi e aprire mercati del tutto nuovi.

Per gli investitori, l’opportunità consiste nel riconoscere questo punto di svolta prima che le sue implicazioni commerciali diventino evidenti. Ciò significa individuare le infrastrutture necessarie per convalidare le scoperte generate dall’IA e le aziende nella posizione migliore per trasformarle in tecnologie proprietarie, attività scalabili e vantaggi competitivi duraturi.

I singoli risultati devono ancora essere verificati, ma il segnale più ampio è chiaro: l’IA sta passando dall’assistere la scoperta scientifica al potenzialmente guidarla. Gli investitori che comprenderanno la portata di questo cambiamento e i punti in cui i suoi effetti convergeranno saranno nella posizione migliore per cogliere il valore che genererà.