Il 23 settembre 2026 Anthropic ha raccontato qualcosa che, preso alla lettera, sembra già fantascienza: circa 950 agenti Claude hanno scandagliato enormi quantità di sequenze genetiche per oltre venti ore e hanno individuato un sistema enzimatico associato a ripetizioni di DNA che ricorda, per struttura, alcuni elementi di CRISPR. Anthropic lo ha chiamato ART, da array-associated reverse transcriptases.
La tentazione è immediata: titolare che l’AI ha “scoperto un nuovo CRISPR”. Sarebbe troppo. Lo stesso lavoro di Anthropic dice chiaramente che la funzione primaria di ART non è ancora compresa. Esperti sentiti da Wired hanno sottolineato che non sappiamo se questo sistema possa diventare uno strumento di editing genetico utile, e una parte dell’enzima era già stata osservata in letteratura. Ma proprio qui sta il punto più interessante.
La vera notizia non è che Claude abbia già inventato CRISPR 2.0. È che una popolazione di agenti AI ha compresso in circa un giorno una fase di esplorazione biologica che può richiedere settimane o mesi, ha attraversato uno spazio enorme di candidati, ha selezionato anomalie e ha prodotto un’ipotesi abbastanza interessante da meritare esperimenti in laboratorio.
È un passaggio che si collega direttamente a ciò che FuturVibe ha raccontato parlando di AI che comprime il tempo della scienza, di biotech virtuale con decine di migliaia di agenti e di biologia programmabile. ART aggiunge però un elemento nuovo: non solo progettare o analizzare, ma cercare attivamente nel rumore biologico qualcosa che nessuno aveva formulato esattamente come obiettivo.
Che cosa ha fatto davvero Claude
Il punto di partenza erano le reverse transcriptases, enzimi che copiano RNA in DNA. I ricercatori hanno chiesto a Claude di cercare esempi interessanti in grandi database genomici. Gli agenti hanno identificato più di 200.000 possibili reverse transcriptases, ristretto il campo a famiglie meno conosciute e continuato a esplorare i contesti genetici circostanti.
Dopo circa 21 ore, uno degli agenti ha notato una struttura insolita: vicino a una reverse transcriptase compariva una lunga regione di sequenze ripetute con una disposizione che ricordava le array di CRISPR. Da lì il sistema ha approfondito il pattern, confrontato famiglie note, cercato precedenti nella letteratura e preparato un report per i ricercatori umani.
Il lavoro non si è fermato al computer. Anthropic ha costruito un laboratorio biologico e ha eseguito esperimenti fisici per verificare alcune proprietà del sistema. I primi risultati indicano che le array di ART vengono espresse come piccoli RNA distinti. È una caratteristica intrigante perché i sistemi CRISPR usano array di RNA per ottenere programmabilità. Ma “intrigante” non significa “dimostrato equivalente”. La funzione di ART resta aperta.
Questa distinzione è fondamentale anche per capire il futuro della AI biotech. La scienza non avanza perché un modello produce una frase plausibile. Avanza quando un’ipotesi attraversa controlli, esperimenti, riproducibilità e confronto con ciò che già sappiamo.
La scoperta non è un punto: è una pipeline
Per anni abbiamo immaginato “l’AI scienziato” come un singolo modello geniale che osserva dati e improvvisamente formula una teoria. La realtà che sta emergendo è molto diversa e forse più potente. La scoperta diventa una pipeline composta da molti agenti specializzati, database, strumenti di analisi, letteratura, esperimenti fisici e ricercatori umani.
Il salto non consiste quindi nel sostituire il biologo. Consiste nel moltiplicare il numero di direzioni che un gruppo di ricerca può esplorare prima di decidere dove spendere tempo e denaro in laboratorio. È un vantaggio enorme perché la biologia moderna contiene spazi combinatori immensi. Genomi, proteine, interazioni molecolari e condizioni sperimentali generano più possibilità di quante una squadra umana possa esaminare manualmente.
Questo è lo stesso principio che rende interessante la biotech virtuale: la risorsa scarsa non è più soltanto la capacità di calcolo, ma la capacità di scegliere quali ipotesi meritano un esperimento reale. Una popolazione di agenti può trasformare il problema da “non riusciamo a guardare abbastanza” a “dobbiamo imparare a filtrare abbastanza bene”.
Ed è qui che nasce un nuovo collo di bottiglia. Se l’AI genera diecimila ipotesi promettenti, il wet lab non può verificarle tutte. Più cresce la ricerca computazionale, più aumenta il valore di robotica, automazione sperimentale e laboratori autonomi. La convergenza con la physical AI non è quindi decorativa: diventa necessaria per trasformare
Questa nuova scala ha anche un costo materiale. Sciami di agenti che leggono enormi database e mantengono analisi parallele dipendono dalla stessa infrastruttura AI che sta trasformando il calcolo in una risorsa industriale. Le future AI factory non serviranno soltanto a generare testi o video: potrebbero sostenere enormi popolazioni di processi scientifici che esplorano continuamente dati biologici. Anche i colli di bottiglia del packaging avanzato dei chip diventano quindi indirettamente colli di bottiglia della scoperta. E la stessa logica vale oltre la biologia: quando nuovi strumenti ampliano lo spazio esplorabile, possono emergere oggetti inattesi come la molecola half-Möbius, ricordandoci che una parte della scienza consiste ancora nel riuscire a guardare dove prima non guardavamo.
950 agenti cambiano la scala mentale della ricerca
Un singolo scienziato può leggere, confrontare e analizzare moltissimo, ma resta vincolato dal tempo. Anche un team di cento ricercatori deve coordinarsi, dividersi compiti, documentare risultati e mantenere una rappresentazione condivisa del problema. Gli agenti software possono replicare alcune di queste funzioni con costi e velocità diversi.
Nel caso ART, la scala è già impressionante: centinaia di agenti hanno lavorato in parallelo su porzioni diverse dello spazio di ricerca. Questo non significa che fossero 950 “scienziati completi”. È più corretto pensarli come processi cognitivi specializzati che potevano cercare pattern, analizzare candidati e scambiarsi risultati.
Il concetto è vicino a quello degli agenti AI autonomi, ma nella scienza assume un significato diverso. Qui l’obiettivo non è soltanto completare una pratica o produrre un documento: è aumentare la superficie esplorata prima che un essere umano decida che cosa vale la pena toccare con una pipetta, sintetizzare o misurare.
Se questa architettura migliora, la ricerca potrebbe iniziare a somigliare a una forma di selezione artificiale delle idee. Migliaia di agenti generano, confrontano e scartano ipotesi; i laboratori verificano le più promettenti; i risultati ritornano ai modelli e modificano il ciclo successivo.
Perché il paragone con CRISPR va trattato con cautela
CRISPR è diventato un simbolo perché ha trasformato una stranezza biologica in uno strumento programmabile capace di modificare il DNA. ART, oggi, non è ancora questo. Wired ha ricordato che il sistema enzimatico individuato da Claude potrebbe essere interessante senza essere un nuovo sistema CRISPR, e che la sua utilità per l’editing genetico deve ancora essere dimostrata.
Inoltre, la reverse transcriptase in questione non era totalmente invisibile alla scienza: un lavoro del 2021 aveva già identificato lo stesso tipo di enzima in jumbo phages. La novità rivendicata da Anthropic riguarda soprattutto l’associazione con le ripetizioni e il riconoscimento di un possibile sistema più ampio.
Questo dettaglio non indebolisce il caso. Lo rende più importante, perché mostra che il valore dell’AI non dipende necessariamente dal creare qualcosa dal nulla. Potrebbe emergere dalla capacità di riconnettere frammenti dispersi, notare configurazioni trascurate e inseguire anomalie a una scala che l’occhio umano fatica a sostenere.
La storia della scienza è piena di elementi conosciuti prima che qualcuno ne capisse il significato. Anche nel percorso verso l’invecchiamento reversibile e le future terapie di ringiovanimento, molti progressi non arriveranno da una singola “scoperta assoluta”, ma dal collegamento fra meccanismi già osservati, nuovi strumenti e capacità di sperimentazione più rapide.
Il nuovo problema è la provenienza della conoscenza
Quando un’AI propone una scoperta, nasce una domanda che la scienza tradizionale non ha ancora risolto completamente: da dove viene l’idea? Un essere umano può citare il paper letto, il collega che ha suggerito un’ipotesi, il dataset usato. Un modello è addestrato su enormi quantità di informazione e può combinare pattern in modi difficili da ricostruire.
Nel caso ART il tema è già concreto. Alcuni ricercatori hanno sollevato dubbi sulla provenienza di intuizioni simili a lavori non ancora pubblicati, mentre Anthropic ha negato che Claude sia stato addestrato su conversazioni degli utenti o che il team biologico abbia avuto accesso a quelle chat. Non esiste qui una prova pubblica che risolva definitivamente ogni sospetto.
Questo apre un fronte nuovo: la scienza accelerata dall’AI avrà bisogno di sistemi di tracciamento più forti, non più deboli. Se le macchine partecipano alla generazione delle ipotesi, diventa essenziale conservare log, fonti consultate, passaggi intermedi, dataset e catene di verifica.
Il problema richiama ciò
che accade nella biotech proprietaria, dove modelli e processi possono diventare parte del vantaggio competitivo e quindi meno trasparenti. Ma la scienza vive di riproducibilità. Se l’AI diventa sempre più importante nella scoperta, dovremo trovare un equilibrio fra proprietà intellettuale e possibilità di capire come siamo arrivati a un risultato.Dal database al laboratorio autonomo
Il passaggio successivo è quasi inevitabile sul piano ingegneristico: collegare la ricerca agentica a strumenti fisici sempre più automatizzati. Dario Amodei ha già evocato la possibilità che in futuro Claude possa controllare direttamente attrezzature di laboratorio in contesti sicuri. Oggi è una prospettiva, non una realtà generale.
Ma i pezzi stanno convergendo. Abbiamo modelli che leggono letteratura, agenti che esplorano database, sistemi che progettano molecole e DNA, robot di laboratorio, strumenti di imaging automatico e piattaforme che raccolgono enormi volumi di dati biologici. È la stessa logica di convergenza che FuturVibe segue quando racconta che i robot iniziano a costruire l’infrastruttura dell’AI: il digitale accelera il fisico e il fisico restituisce nuovi dati al digitale.
In biologia questa retroazione potrebbe essere ancora più potente. Un agente propone un esperimento, un sistema robotico lo esegue, i sensori producono dati, altri agenti analizzano il risultato e aggiornano le ipotesi. Il ciclo non elimina il ricercatore, ma può ridurre drasticamente il tempo fra una domanda e la domanda successiva.
È anche qui che la corsa alla longevità potrebbe essere trasformata. La prima terapia di ringiovanimento cellulare entrata nell’uomo mostra quanto sia difficile passare da meccanismi promettenti a interventi reali. Se l’AI riesce a moltiplicare i cicli di ipotesi e verifica, il vantaggio non consiste nel saltare i trial o la biologia, ma nell’arrivare ai candidati migliori più velocemente.
Entro 2–3 anni: milioni di esperimenti virtuali prima di uno reale
Fra il 2028 e il 2029 è plausibile che i gruppi di ricerca più avanzati usino sciami di agenti come strato standard prima del laboratorio. Ogni nuovo dataset potrebbe essere esplorato automaticamente da centinaia o migliaia di processi che cercano anomalie, relazioni e candidati.
In questa fase il valore maggiore potrebbe arrivare non dalla totale autonomia, ma dall’ampliamento del campo visivo. Un ricercatore umano continuerà a decidere quali domande sono importanti e quali risultati meritano fiducia, ma potrà interrogare uno spazio molto più grande.
La condizione necessaria è che i sistemi migliorino nella selezione, non soltanto nella generazione. Se producono troppi falsi positivi, il laboratorio diventa il nuovo imbuto e l’accelerazione computazionale si perde. Servono quindi metodi di ranking, stime di incertezza, controlli incrociati e capacità di riconoscere quando una “novità” era già stata descritta.
Il segnale che smentirebbe la traiettoria sarebbe proprio questo: tanti risultati appariscenti, poche conferme indipendenti e nessun aumento reale della produttività scientifica. Per ora ART è interessante perché il sistema ha prodotto almeno un oggetto biologico concreto da testare, non soltanto testo.
Tra dieci anni: la scienza potrebbe diventare un sistema continuo
Guardando verso il 2036, il salto più grande non sarebbe un singolo laboratorio autonomo. Sarebbe una rete di ricerca in cui letteratura, database, simulazioni, agenti, robot e strumenti sperimentali funzionano come un circuito continuo.
Oggi un paper chiude spesso mesi o anni di lavoro. In un sistema scientifico continuo, ogni risultato potrebbe alimentare immediatamente nuovi agenti, che generano ipotesi, confrontano dati globali e preparano esperimenti successivi. La pubblicazione resterebbe importante per validazione e comunicazione, ma il ritmo interno della ricerca diventerebbe molto più rapido.
Questa prospettiva si collega anche all’idea di corpo come sistema di manutenzione biologica. Se vogliamo capire e intervenire su processi complessi come invecchiamento, cancro o neurodegenerazione, il problema non è trovare una singola leva magica. È esplorare reti di meccanismi, combinazioni e tempi. Una scienza agentica può aumentare enormemente il numero di ipotesi esplorabili.
Ma il decennio non garantisce una medicina miracolosa. I sistemi biologici restano fisici, rumorosi e pieni di effetti inattesi. La cura dell’invecchiamento non nascerà perché un modello “sa molto”, ma se modelli, esperimenti, dati clinici e capacità di intervento convergeranno abbastanza da trasformare conoscenza in terapie sicure.
Chi decide che cosa vale la pena scoprire?
Quando il costo dell’esplorazione mentale crolla, cambia anche una domanda più profonda: chi decide quali direzioni meritano attenzione? Nella ricerca tradizionale, una parte enorme della selezione avviene prima ancora dell’esperimento. I ricercatori scelgono un problema, costruiscono una grant proposal, ottengono fondi, dedicano mesi
a una linea e rinunciano inevitabilmente a migliaia di alternative.Gli agenti possono ridurre il costo di questa rinuncia. Se cento o mille processi possono esplorare in parallelo percorsi che un team umano non avrebbe tempo di seguire, aumenta la probabilità di trovare anomalie laterali. ART è interessante proprio per questo: il sistema non si è limitato a restituire una classifica di reverse transcriptases note, ma ha inseguito un pattern che appariva strano nel contesto genomico.
Questo non significa che l’AI sappia automaticamente quale problema sia importante. Un modello può trovare correlazioni eleganti ma biologicamente irrilevanti, oppure ottimizzare criteri che non corrispondono alle priorità della medicina. La scelta del valore resta una questione umana e sociale: quali malattie studiare, quali rischi accettare, quali risultati rendere pubblici, quali tecnologie sviluppare.
Ma la capacità di esplorare più strade cambia il potere della scelta. Nel mondo precedente, molte ipotesi non venivano testate perché mancavano tempo e persone. Nel mondo agentico, il filtro si sposta: non “possiamo analizzarlo?”, ma “vale la pena verificarlo nel mondo reale?”.
È un cambiamento che potrebbe essere particolarmente importante nella ricerca su malattie complesse e invecchiamento, dove i meccanismi interagiscono su molti livelli. Gli articoli di FuturVibe su orizzonti di longevità radicale e sulla possibilità che l’invecchiamento diventi curabile dipendono da questa realtà: non basta un singolo farmaco, serve comprendere reti di processi e trovare combinazioni che oggi sfuggono alla ricerca lineare.
Il collo di bottiglia si sposta nel mondo fisico
Più gli agenti diventano veloci, più il laboratorio diventa prezioso. Questo sembra un paradosso: ci aspetteremmo che più AI significhi meno fisicità. Succede il contrario. La crescita della capacità computazionale aumenta il numero di cose che desideriamo misurare davvero.
Un modello può proporre mille proteine, cento combinazioni terapeutiche o dieci meccanismi biologici plausibili. Ma cellule, animali, tessuti e organismi non sono file che si possono duplicare senza costo. Ogni verifica richiede reagenti, strumenti, protocolli, controlli e tempo. Il mondo biologico conserva attrito.
Per questo il prossimo salto della scienza AI-native potrebbe dipendere meno dal modello linguistico e più dall’automazione del laboratorio. Robot che preparano campioni, sistemi che gestiscono colture cellulari, microscopia automatizzata, strumenti di sequenziamento ad alto rendimento e software che pianificano esperimenti possono chiudere il circuito fra ipotesi e verifica.
La convergenza ricorda ciò che sta avvenendo nella physical AI industriale: non serve costruire una macchina che “sembra umana”, serve una macchina che gestisca bene un ambiente complesso. In laboratorio questo significa manipolare materiali, rispettare protocolli, reagire a misure inattese e produrre dati affidabili.
Se questo livello fisico accelera insieme agli agenti, la scienza può cambiare ritmo in modo non lineare. Oggi il modello trova un candidato in ore e l’esperimento richiede settimane. Domani il modello potrebbe proporre, il robot eseguire, i sensori misurare e un secondo gruppo di agenti analizzare nello stesso ciclo operativo.
La conseguenza più grande non sarebbe soltanto “più scoperte”. Sarebbe una riduzione drastica del tempo che separa errore e correzione. La ricerca progredisce spesso perché un’ipotesi fallisce e costringe a formularne una migliore. Se quel ciclo passa da mesi a giorni, anche senza una singola intelligenza sovrumana, il tasso di accumulo della conoscenza può cambiare.
La scienza agentica avrà bisogno di nuovi standard
Per funzionare davvero, però, questo sistema dovrà diventare più rigoroso mentre diventa più veloce. Serviranno standard per registrare quali agenti hanno prodotto una proposta, quali database hanno consultato, quali versioni dei modelli erano attive e quali passaggi sono stati scartati. Senza questa tracciabilità rischiamo una scienza rapidissima ma difficile da verificare.
È un problema vicino a quello della riproducibilità, ma più complesso. Due laboratori potrebbero usare lo stesso prompt e ottenere risultati diversi perché il modello è stato aggiornato, i dati sono cambiati o gli agenti hanno seguito percorsi differenti. La documentazione dell’esperimento dovrà quindi includere non solo reagenti e protocolli, ma anche infrastruttura AI.
Questo renderà sempre più importante distinguere fra scoperta, suggerimento e conferma. Un agente può proporre una relazione. Un esperimento può supportarla. Una replica indipendente può renderla credibile. Una terapia richiede poi un percorso ancora più lungo. Saltare questi livelli produrrebbe soltanto hype.
Il valore di ART, per ora, sta proprio nell’essere un caso utile per imparare questa disciplina. È abbastanza concreto
Il vero significato di ART
ART potrebbe rivelarsi un sistema biologico importantissimo oppure una curiosità con applicazioni limitate. Oggi non lo sappiamo. Ed è proprio per questo che non bisogna misurare l’evento dal destino finale di quella singola molecola.
Il segnale più grande è il metodo: centinaia di agenti hanno attraversato una porzione enorme dello spazio genomico, hanno individuato un’anomalia non completamente predefinita e l’hanno portata fino al confine in cui servono mani, reagenti e strumenti reali. La macchina non ha sostituito la scienza. Ha allargato il punto in cui la scienza può guardare.
Abbiamo già visto l’AI scrivere codice, progettare proteine, generare DNA e formalizzare matematica. Ora iniziamo a vedere sistemi che cercano nel mondo naturale domande che gli umani non avevano ancora formulato con precisione. Il giorno in cui questa capacità si collegherà stabilmente a laboratori automatizzati, la domanda non sarà più se l’AI può aiutare la scienza. Sarà quanta scienza possiamo permetterci di verificare.
Per secoli il limite della scoperta è stato anche il numero di occhi e di ore disponibili. Con gli agenti, quel limite sta cominciando a cambiare. E quando cambia la quantità di possibilità che possiamo esplorare, prima o poi cambia anche ciò che siamo capaci di trovare.
