Lo scorso 2 agosto Scientific American ha raccontato una scena che, fino a pochi anni fa, sarebbe sembrata soltanto una bizzarra coincidenza statistica. In una giornata di luglio 2026 due gruppi di ricercatori indipendenti hanno caricato su arXiv la dimostrazione dello stesso, identico problema di crittografia quantistica. Il primo deposito e arrivato alle 10:35 del mattino, ora del Pacifico; il secondo alle 13:53. Tre ore e diciotto minuti di distanza. Entrambi i team si erano affidati allo stesso strumento: il modello di frontiera di OpenAI GPT-5.6, nella variante Sol Ultra, capace di coordinare in parallelo quattro agenti.
Da una parte c'erano Prabhanjan Ananth, dell'Universita della California a Santa Barbara, e Amit Sahai, della UCLA; dall'altra Seyoon Ragavan, dottorando al MIT. Nessuno dei due gruppi sapeva del lavoro dell'altro. Avevano ascoltato la stessa domanda aperta, l'avevano affidata allo stesso modello e ne erano usciti, a poche ore di distanza, con il medesimo risultato: la prova che una versione efficiente della cosiddetta unclonable encryption, la cifratura non clonabile, puo esistere senza ipotesi di sicurezza aggiuntive, estendendo un quadro teorico proposto nel 2019 da Anne Broadbent e Sebastien Lord.
Due paper a tre ore di distanza sullo stesso problema
La quasi-simultaneita non e un dettaglio pittoresco: e il nocciolo della vicenda. I due lavori sono nati con metodi diversi. Ragavan ha proceduto in modo interattivo, guidando il sistema in sessioni di circa due ore e correggendone la rotta passo dopo passo. Ananth e Sahai hanno invece impiegato un'infrastruttura sviluppata alla UCLA, pensata perche l'IA proponga e allo stesso tempo critichi le proprie soluzioni. Approcci distinti, stesso punto d'arrivo. I due preprint sono comparsi su arXiv ancora privi di revisione paritaria, e i ricercatori hanno subito discusso l'ipotesi di fonderli in un'unica sottomissione a conferenza.
E qui che la cronaca diventa problema di sistema. Quando due dimostrazioni arrivano nello stesso giorno, chi puo dire di essere arrivato prima? E, soprattutto: conta ancora, quel primato, se lo strumento decisivo e lo stesso per tutti?
Perche l'IA moltiplica le scoperte simultanee
La scoperta simultanea non e un'invenzione dell'era dei modelli linguistici. Il sociologo Robert Merton la chiamava multiple: il calcolo infinitesimale conteso tra Newton e Leibniz, la selezione naturale formulata quasi in contemporanea da Darwin e Wallace, il brevetto del telefono depositato da Bell e Gray lo stesso giorno. La storia della scienza e piena di idee che maturano quando strumenti e conoscenze necessarie diventano disponibili a piu persone nello stesso momento.
L'intelligenza artificiale non fa che accelerare e comprimere questo meccanismo. Se decine di gruppi usano lo stesso modello di frontiera, con capacita paragonabili, sugli stessi problemi ormai maturi, la probabilita di collisioni cresce in modo naturale. Non e un fenomeno confinato alla crittografia: negli ultimi anni l'IA ha ridotto i tempi della ricerca in ambiti diversissimi, dalle dimostrazioni matematiche formalizzate in Lean 4 e assistite da sistemi come AlphaProof, alla previsione della struttura delle proteine con AlphaFold, fino alla scoperta di nuovi materiali cristallini con progetti come GNoME. Come ha sintetizzato Ananth, "oggi la mentalita generale e: se qualcuno cita un problema aperto, la prima cosa e vedere se GPT lo risolve".
Chi merita il credito quando il modello fa gran parte del lavoro
Se il contributo intellettuale decisivo passa attraverso un sistema automatico, la vecchia domanda "chi ha avuto l'idea?" si sdoppia. Da un lato resta il merito di aver posto la domanda giusta, di aver impostato il flusso di lavoro, di aver riconosciuto e verificato la soluzione corretta tra le tante prodotte dal modello. Dall'altro c'e il timore che il lavoro piu automatizzabile, quello tradizionalmente affidato a dottorandi e assegnisti, venga eroso. "Ho molte domande sui vincitori e sui vinti", ha osservato Broadbent, ricordando che proprio quel tipo di lavoro rappresenta un gradino formativo essenziale nella carriera dei giovani ricercatori.
Il paradosso e evidente: se lo strumento e uguale per tutti, il vantaggio competitivo si sposta dalla profondita del ragionamento alla rapidita di esecuzione e all'accesso alle risorse di calcolo. E la priorita scientifica, storicamente misurata in mesi di lavoro, rischia di ridursi a una questione di minuti su un server.
Cosa dicono arXiv e le riviste sull'IA come autore
Sul punto piu delicato - l'IA puo firmare un articolo? - le regole sono gia chiare e convergenti. Le testate del gruppo Nature stabiliscono che un modello linguistico non puo essere elencato come autore, perche la paternita implica una responsabilita che un software non puo assumersi; l'uso dell'IA va semmai documentato nella sezione dei metodi. La stessa linea vale per Science, Elsevier e Springer Nature, e per i principali editori accademici.
Anche arXiv impone di dichiarare qualsiasi uso significativo di strumenti generativi e ribadisce che, firmando, ogni autore si assume la piena responsabilita dei contenuti, indipendentemente da come sono stati prodotti. Nel 2026 il repository e arrivato a prevedere la sospensione per un anno di chi viola l'obbligo di trasparenza. Eppure il divario tra norma e pratica resta enorme: secondo una recente analisi, su decine di migliaia di paper solo una frazione minima, dell'ordine dello 0,1%, dichiara esplicitamente di aver usato l'IA.
Timestamp, preregistrazione e disclosure: che cosa si puo fare
Il caso delle due prove a tre ore di distanza suggerisce alcuni correttivi concreti, molti dei quali gia disponibili:
- Timestamp certificati. Marcature temporali crittografiche e verificabili sui depositi, per stabilire con precisione al minuto l'ordine di arrivo e sganciare la priorita da dispute interpretative.
- Preregistrazione dei problemi. Registrare pubblicamente la domanda aperta che si intende attaccare, come gia avviene in altre discipline, per rendere trasparente chi lavora a cosa e attenuare le collisioni.
- Disclosure obbligatoria dell'uso dell'IA. Indicare quale modello e stato impiegato, in quale versione e con quale flusso di lavoro, cosi che la revisione paritaria possa valutare davvero il contributo umano.
- Credito condiviso. Normalizzare, come hanno ipotizzato gli stessi protagonisti, la fusione di risultati simultanei in un unico lavoro co-firmato, invece di trasformare la coincidenza in una gara.
La revisione paritaria e il sistema piu esposto. Se i modelli abbassano il costo di produrre dimostrazioni plausibili, i revisori dovranno distinguere sempre piu spesso tra risultati solidi e argomentazioni solo apparentemente corrette, e il carico di verifica crescera. Senza timestamp affidabili, disclosure sistematica e nuove convenzioni sul credito, la scienza rischia di ritrovarsi con piu scoperte e, insieme, con piu liti su chi le ha fatte. Le due prove di luglio non sono un incidente: sono il primo, nitido sintomo di come la ricerca dovra ripensare le proprie regole nell'era dell'IA.
