Link al documento da consultare/scaricare: articolo World View di Nature, non un white paper o report tecnico. È firmato da Rupa Sarkar, editor-in-chief di Cochrane, pubblicato il 26 maggio 2026 con DOI 10.1038/d41586-026-01616-3.
Fonti di contesto verificate: Cochrane ha avviato nel 2026 uno studio indipendente per valutare strumenti IA nelle sintesi delle evidenze, selezionando Laser AI e Nested Knowledge da 48 proposte, senza considerarli formalmente approvati. Cochrane, Campbell Collaboration, JBI e Collaboration for Environmental Evidence hanno inoltre pubblicato una posizione comune sull’uso responsabile dell’IA nelle evidence synthesis, richiedendo trasparenza, supervisione umana e responsabilità metodologica.
L’intelligenza artificiale promette di accelerare le revisioni della letteratura scientifica, ma secondo Rupa Sarkar, nuova editor-in-chief di Cochrane, gli strumenti attuali non sono ancora affidabili per sostituire il giudizio umano nelle revisioni sistematiche. Il nodo riguarda salute pubblica, trasparenza, conflitti d’interesse e rischio di errori su larga scala.
Le revisioni sistematiche sono tra gli strumenti più influenti della medicina basata sulle evidenze: orientano linee guida cliniche, decisioni sanitarie e politiche pubbliche. Per questo, l’uso dell’intelligenza artificiale nella loro produzione è diventato un tema sensibile. In un intervento pubblicato su Nature, Rupa Sarkar avverte che gli attuali sistemi IA possono aiutare in alcune fasi, ma non sono pronti per sostituire ricercatori, metodologi e clinici.
Il problema non è solo tecnico. Una revisione di qualità richiede la definizione di domande rilevanti, la valutazione critica degli studi, l’interpretazione dei risultati e la comprensione del contesto clinico. Sono passaggi in cui contano esperienza, prudenza e capacità di distinguere dati solidi da segnali fragili. I modelli generativi, invece, possono produrre errori, citazioni inesatte o inferenze non verificabili.
Cochrane sta sperimentando l’IA per screening degli studi ed estrazione dei dati, ma segnala limiti importanti: strumenti spesso proprietari, processi opachi, rischio di bias e necessità di lunga formazione per operatori e sistemi. In alcuni casi, il lavoro automatizzato può richiedere più tempo della revisione manuale.
La direzione indicata non è il rifiuto dell’IA, ma un cambio di paradigma: non macchine che imitano interamente il processo umano, bensì sistemi collaborativi, trasparenti e verificabili. In ambito sanitario, la velocità non può prevalere sull’affidabilità. Un errore in una revisione può alimentare false speranze nei pazienti o indirizzare risorse pubbliche verso interventi inefficaci o rischiosi.
