A settembre, Pavel Rabtsevich ha chiesto a un modello di IA di scoprire un pianeta. Lo ha puntato su un lotto di dati telescopici, gli ha affidato un piano di alto livello e, circa due settimane dopo, il sistema ha restituito due possibili mondi in orbita attorno a una stella a 116 anni luce dalla Terra. Gli astronomi professionisti stanno ora controllando il risultato. Questa storia è un utile caso di studio su cosa succede quando un’analisi di livello esperto diventa qualcosa che un non esperto può richiamare in linguaggio comune.
Cosa ha fatto realmente il bot
Rabtsevich lavora in Spagna come specialista di IA e non ha una formazione formale in astronomia. Per la sua ricerca, ha usato Claude Code, uno strumento di programmazione realizzato da Anthropic, e gli ha chiesto di setacciare i dati di oltre 120.000 stelle osservate dal Transiting Exoplanet Survey Satellite (TESS) della NASA tra la fine del 2025 e l’inizio del 2026.
Il metodo in sé è classico. Una stella che si affievolisce regolarmente, ancora e ancora, potrebbe avere un pianeta che le passa davanti e blocca una fettina di luce a ogni transito. Rabtsevich ha guidato Claude nell’uso di un popolare algoritmo di rilevamento di pianeti per andare a caccia proprio di quei cali di luminosità.
Claude si è concentrato su una stella chiamata TIC 4206066, che mostrava due cicli di affievolimento distinti: uno all’incirca ogni 3 giorni e un altro ogni 11 giorni. Questo schema suggerisce la presenza di due pianeti, con quello più interno che orbita attorno alla stella più velocemente di quello esterno. Rabtsevich ha poi fatto controllare a Claude i dati d’archivio del TESS, e lo stesso affievolimento è comparso nei record del 2018 e del 2020. Per convalidare i segnali, Claude ha trovato un algoritmo di rilevamento di pianeti scritto e pubblicato pubblicamente dalla ricercatrice Michelle Kunimoto, e lo ha eseguito.
Nota la divisione del lavoro. L’essere umano ha fornito la direzione e il giudizio su cosa chiedere. L’IA ha gestito il volume: scansionando un numero enrome di stelle, localizzando strumenti esistenti su internet e collegandoli tra loro.
Perché i professionisti sono a disagio
I dilettanti usano strumenti pubblici della NASA e di altri ricercatori per trovare pianeti da decenni. Ciò che è cambiato è la barriera all’ingresso. Un’IA in grado di scandagliare internet alla ricerca di quegli strumenti ed eseguirli su enormi dataset significa che una persona non ha più bisogno di capire come funziona il software per poterlo utilizzare.
È qui che Kunimoto, una ricercatrice di esopianeti presso la University of British Columbia a Vancouver, solleva una preoccupazione precisa. Alcuni cacciatori di pianeti, dice, non comprendono appieno gli algoritmi che l’IA sta usando, il che significa che non possono convalidare ciò che produce. Descrive un’ondata enorme e travolgente di documenti guidati dall’IA, che tendono a contenere candidati pianeti che non sono della migliore qualità. La sua conclusione è diretta: i sistemi usati per diffondere la scienza vengono sopraffatti.
Ecco la parte che la maggior parte della copertura mediatica tralascia. Il collo di bottiglia nella scienza non è mai stato solo trovare segnali. Era decidere quali segnali meritano fede. Quando la scoperta diventa economica, la verifica diventa la risorsa scarsa, e ricade su un piccolo gruppo di revisori e redattori che ora affrontano un’ondata di invii.
Un caso andato bene, e ciò che lo ha fatto funzionare
Il risultato di Rabtsevich merita di essere letto con attenzione, perché mostra le salvaguardie che separano un contributo utile dal rumore. Ha pubblicato le sue scoperte sulla piattaforma Zenodo come preprint il 25 settembre. Quel lavoro non è stato sottoposto a revisione paritaria. Ma gli astronomi del TESS hanno completato un’analisi indipendente dei segnali e li hanno aggiunti alla loro lista ufficiale di candidati pianeti.
Tre cose risaltano. Il rilevamento è stato incrociato con i vecchi dati d’archivio del 2018 e del 2020. La fase di validazione ha utilizzato un algoritmo rispettato e pubblicamente disponibile. E, cosa fondamentale, i professionisti hanno rianalizzato autonomamente i segnali prima che entrassero in una lista ufficiale. Anche la parola “candidato” è importante qui: un candidato è una pista promettente, non un pianeta confermato. La stessa formulazione di Rabtsevich, due possibili pianeti, riflette questa cautela.
La lezione non è che le scoperte dell’IA siano sospette. È che una scoperta dell’IA guadagna fiducia attraverso la conferma indipendente, allo stesso modo di qualsiasi altra scoperta.
Cosa significa questo oltre l’astronomia
Il modello si estende ben oltre gli esopianeti. L’IA sta trasformando molti flussi di lavoro specialistici in qualcosa che un estraneo motivato può tentare, e questo è genuinamente prezioso. Le persone con curiosità e tempo, ma senza una laurea nel settore, possono ora contribuire alla ricerca reale. I professionisti, a loro volta, ottengono un bacino più ampio di piste da esaminare.
Ma il beneficio dipende da un cambiamento in ciò che conta come competenza. Azionare lo strumento sta diventando facile. Capire cosa ha fatto lo strumento, perché potrebbe essere sbagliato e come testarlo è l’abilità che conta adesso. Un dilettante che sa spiegare il metodo di affievolimento e controllare un risultato rispetto ai dati d’archivio aggiunge qualcosa. Un dilettante che inoltra l’output grezzo si limita ad aumentare la pila.
Per le istituzioni, la sfida è la capacità. Le riviste, i server di preprint e i processi di revisione sono stati costruiti per un mondo in cui produrre un’analisi plausibile richiedeva uno sforzo reale. Man mano che tale sforzo diminuisce, lo strato di filtraggio ha bisogno di supporto, e le persone che fanno quel filtraggio diventano più importanti, non meno. Il giudizio umano è la parte del pipeline che non può essere saltata.
In breve
Un non specialista ha usato uno strumento di programmazione basato sull’IA per scansionare oltre 120.000 stelle e ha fatto emergere due pianeti candidati attorno a TIC 4206066, segnali che gli astronomi del TESS hanno analizzato in modo indipendente e aggiunto alla loro lista ufficiale dei candidati. Gli stessi strumenti che rendono questo possibile stanno anche producendo un’ondata di candidati di qualità inferiore, che Kunimoto avverte stanno sovraccaricando i sistemi che diffondono la scienza. La differenza tra i due risultati è la verifica: il controllo incrociato con i dati d’archiviazione, l’uso di algoritmi affidabili e il fatto che i professionisti confermino il risultato. Poiché l’IA rende facile trovare segnali, il vero valore si sposta verso le persone che sanno giudicare quali sono reali.
Basato su un articolo di Nature.