Un’intelligenza artificiale ha letto la letteratura scientifica, setacciato una grande raccolta di dati genetici, riconosciuto un sistema biologico sconosciuto e progettato gli esperimenti necessari a verificarlo. Gli esseri umani hanno indicato soltanto l’area generale della ricerca ed eseguito le prove in laboratorio. È il processo descritto su X da Dario Amodei, cofondatore e CEO di Anthropic, che attribuisce a Claude la parte principale della scoperta.
Today we announced the Claude-led discovery of a molecular machine that we suspect could represent a new gene editing mechanism. Its precise function, biotechnological utility (if any), or level of significance is not yet clear, but at minimum it is work I would have been proud… https://t.co/hyzhzirNJe
— Dario Amodei (@DarioAmodei) September 23, 2026
Il sistema individuato potrebbe rappresentare un nuovo meccanismo di editing genetico, ma funzione, importanza e utilità biotecnologica non sono ancora state determinate. Amodei sottolinea proprio questa distinzione: il valore immediato del lavoro non dipende dall’avere già ottenuto una nuova tecnologia paragonabile a CRISPR, bensì dal fatto che Claude abbia costruito autonomamente un’ipotesi scientifica originale e verificabile. È un risultato, scrive, di cui sarebbe stato orgoglioso durante il proprio dottorato.
La ricerca pubblicata da Anthropic documenta come il modello sia arrivato a ART, array-associated reverse transcriptases, un sistema enzimatico presente nei batteriofagi, i virus che infettano i batteri. Da qui Amodei sviluppa un’analisi più ampia sulla velocità con cui l’AI sta acquisendo capacità scientifiche e sul ruolo degli esperimenti fisici nella biologia.
Una campagna di ricerca coordinata da Claude
Anthropic ha chiesto a Claude di cercare sistemi biologici interessanti associati alle trascrittasi inverse, enzimi capaci di trasformare una sequenza di RNA in DNA. Non gli è stato indicato ART, né una configurazione molecolare specifica da trovare: il modello doveva esplorare il campo, confrontare ciò che emergeva dai dati con le conoscenze disponibili e decidere quali segnali meritassero un approfondimento.
La campagna ha impiegato circa 950 agenti Claude, cioè sessioni del modello coordinate per svolgere in parallelo parti diverse del lavoro. In 21 ore hanno esaminato oltre 200.000 trascrittasi inverse, individuato circa 3.500 sistemi potenzialmente nuovi e ristretto la selezione a venti candidati, accompagnati da rapporti destinati ai ricercatori. Un’attività di questa portata, stima Anthropic, richiederebbe a uno specialista settimane o mesi.
Uno degli agenti ha notato accanto a un enzima già conosciuto una serie ordinata di sequenze ripetute nel DNA. Il modello ha misurato la disposizione delle ripetizioni, confrontato la struttura con altri sistemi biologici e cercato nella letteratura eventuali precedenti. Da questa analisi è nata l’ipotesi che quei componenti formassero insieme una macchina molecolare finora non caratterizzata.
Gli esperimenti hanno confermato che le sequenze ripetute producono piccoli RNA distinti. È una proprietà che ricorda CRISPR, il meccanismo naturale da cui sono nati potenti strumenti per modificare il DNA, perché in CRISPR gli RNA aiutano a riconoscere bersagli specifici. La somiglianza suggerisce la possibile direzione della ricerca; le prossime verifiche dovranno stabilire quale operazione compia ART e se il sistema sia programmabile.
L’autonomia riguarda la ricerca, non il laboratorio
Il caso ART amplia il ruolo attribuito finora ai modelli nella scienza. Claude non è stato usato soltanto per riassumere articoli o analizzare dati già preparati: ha scartato la maggior parte dei candidati, riconosciuto il segnale inatteso, formulato un’interpretazione e indicato come sottoporla a prova.
L’autonomia resta tuttavia circoscritta alla parte digitale e intellettuale del processo. Tutto il lavoro sperimentale è stato svolto da esseri umani nel laboratorio BSL-1 e BSL-2 di Anthropic, che opera ai livelli inferiori di rischio biologico e non tratta patogeni capaci di infettare l’uomo. Il modello non ha controllato strumenti né manipolato campioni. Amodei considera possibile che in futuro Claude possa utilizzare apparecchiature di laboratorio con misure di sicurezza adeguate, ma precisa che non è ciò che è avvenuto in questa ricerca.
In questo contesto, “AI autonoma” indica dunque un sistema capace di ricevere un obiettivo ampio, organizzare il lavoro e prendere decisioni intermedie, mentre i ricercatori mantengono la supervisione e intervengono nel mondo fisico.
Feng Zhang, tra i pionieri dell’editing genomico CRISPR e professore al MIT e al Broad Institute, ha definito il risultato “un esempio entusiasmante di come gli agenti AI possano contribuire alla scoperta biologica”. L’associazione tra RNA ripetuti e trascrittasi inverse è, nelle sue parole, “davvero interessante e merita ulteriori ricerche”.
Per Amodei, l’esperimento non è un ostacolo all’AI
Amodei inserisce la scoperta in una traiettoria già osservata in altri campi: i modelli passano in pochi anni da prestazioni deboli alla soluzione di problemi sempre più difficili. Nella matematica, osserva, il progresso ha attraversato rapidamente esercizi scolastici, competizioni e problemi di ricerca aperti. La biologia potrebbe seguire una crescita analoga, pur avendo una differenza decisiva: le ipotesi devono confrontarsi con esperimenti fisici, che richiedono tempo e non possono essere risolti attraverso il solo calcolo.
La sua tesi contesta l’idea che questo vincolo renda marginale l’AI nella ricerca biologica. Il caso ART presenta un modello operativo diverso: gli agenti generano e selezionano ipotesi su larga scala, gli scienziati producono i dati sperimentali e i risultati rientrano nel ciclo per una nuova iterazione. I tempi necessari a far crescere cellule, preparare campioni o osservare una reazione rimangono, mentre può aumentare fortemente il numero delle direzioni esplorate in parallelo.
La stessa logica si estende alla filiera biomedica. La scoperta fondamentale precede l’identificazione di bersagli terapeutici, lo sviluppo di farmaci, gli studi clinici e la distribuzione delle cure. L’AI non elimina la durata delle sperimentazioni cliniche, ma potrebbe alimentare il processo con più candidati e strumenti migliori. Si distingue così la latenza della singola ricerca, ancora condizionata dal mondo fisico, dalla capacità complessiva del sistema: se non è possibile abbreviare ogni passaggio, è possibile aumentare il lavoro svolto nello stesso intervallo di tempo.
È su questo aumento di capacità che poggia la previsione formulata nel saggio Machines of Loving Grace: applicata a tutte le fasi della biomedicina, l’AI potrebbe comprimere in cinque-dieci anni progressi che al ritmo attuale richiederebbero decenni. La scoperta fondamentale è il primo passaggio di questa prospettiva, perché nuovi bersagli terapeutici, strumenti di misurazione e modalità di intervento possono alimentare tutte le fasi successive, pur lasciando invariati i tempi biologici e clinici che non possono essere compressi.
