Google ha annunciato a I/O 2026 Gemini for Science, una collezione di strumenti pensati esplicitamente per il lavoro di ricerca, non per il knowledge worker generico. Il punto interessante non è un singolo prodotto: è il modo in cui DeepMind, Google Research, Google Cloud e Google Labs hanno deciso di muoversi insieme.
Tre strumenti, un metodo
Il primo si chiama Hypothesis Generation. Costruito sopra Co-Scientist (il sistema multi-agente che DeepMind ha pubblicato su Nature), simula il metodo scientifico: collabora con il ricercatore per definire la sfida, poi attiva un "idea tournament" tra agenti che generano, dibattono e valutano ipotesi alternative. Non risponde a una domanda. Apre uno spazio di ipotesi.
Il secondo è Computational Discovery, costruito sopra AlphaEvolve e su ERA (Empirical Research Assistance). È un motore agentico che genera in parallelo migliaia di varianti di codice scientifico, le valuta e seleziona quelle più promettenti. È pensato per quei problemi in cui la differenza tra una soluzione mediocre e una buona si trova provando moltissime strade.
Il terzo è Literature Insights, costruito sopra NotebookLM. Naviga milioni di paper scientifici e produce tabelle, slide e report navigabili. Non sostituisce la lettura, ma evita di passare giorni a cercare quale paper effettivamente serve.
Science Skills: il pezzo di sistema più importante
C'è poi Science Skills, un bundle che integra oltre trenta database e tool delle scienze della vita: UniProt, AlphaFold Database, AlphaGenome API, InterPro e altri. Le Skills sono disponibili su GitHub e dentro Google Antigravity, dove un ricercatore può orchestrare flussi di bioinformatica strutturale o analisi genomiche in pochi minuti invece che in ore. È qui che il discorso si fa interessante: Google sta connettendo la sua piattaforma agentica per sviluppatori al lavoro reale dei laboratori.
Perché conta
La narrazione dell'AI generalista — "chiedi a Gemini di scriverti la tesi" — è una scorciatoia che non parla alla ricerca seria. Qui Google sceglie un'altra strada: agenti specializzati, agganciati a database autorevoli, pensati per accelerare il workflow di chi fa scienza per mestiere. È il primo passo verso un modello in cui l'AI non risponde, ma collabora con un metodo.