I tre compiti dei modelli in una pipeline di ricerca
La ricerca è il caso più chiaro per uno spazio di lavoro multi modello, perché la pipeline ha tre esigenze davvero diverse. Serve un modello capace di tenere in memoria una quantità enorme di testo, un modello che scriva con la cura necessaria per reggere alla revisione tra pari e un modello che restituisca un output rigidamente strutturato senza deviare. Nessun singolo prodotto eccelle in tutte e tre le cose, e il costo di passare da un prodotto all'altro si paga ricaricando ogni volta lo stesso corpus di testi. Il costo marginale di cambiare modello dentro un unico spazio di lavoro è piccolo e prevedibile: secondo l'indice dei costi dei modelli di Whizi (tariffe di listino OpenRouter, rilevate il 2026-08-20), Gemini 3.7 Flash costa $0.001313 per risposta standard, Claude Sonnet 5 $0.007 e GPT-5.6 Terra $0.008, tutti sotto un centesimo per risposta.
| Fase | Modello | Cosa fa |
|---|---|---|
| Leggere un corpus di articoli | Gemini | Finestra di contesto da 1M di token, quindi 15 fino a 30 PDF stanno in un'unica conversazione |
| Costruire una tabella di evidenze | GPT | Schemi rigidi, valori di colonna coerenti, nessuna deriva editoriale |
| Redigere il testo e la sintesi | Claude | Registro accademico attento e cauto, fedele alla fonte |
| Trovare lavori recenti e verificare i riferimenti | Un modello connesso al web | Recupero da fonti live invece che dalla memoria |
| Revisione avversariale del tuo stesso argomento | Qualsiasi modello che non l'ha redatto | Lettore indipendente, senza costi già sostenuti |
La cosa più importante da capire prima di iniziare: un modello linguistico interrogato su un articolo a memoria inventerà dei dettagli, e lo farà in modo fluente. Un modello che legge un PDF che hai caricato lavora invece sul testo reale. Sono due attività diverse con affidabilità diversa, e quasi ogni storia dell'orrore sull'IA nella ricerca nasce dallo scambiare la prima per la seconda. Carica sempre la fonte.
Leggere 20 articoli senza perdere il filo
L'errore è chiedere un riassunto. Un riassunto di 20 articoli è un paragrafo che potrebbe descrivere altri 20 articoli qualsiasi del campo. Quello che serve davvero è una tabella di evidenze, perché una tabella costringe il modello a impegnarsi su un valore specifico per ogni articolo e rende visibili le lacune.
Prompt: la tabella di evidenze
Ho caricato [n] articoli. Costruisci una tabella con una riga per articolo e queste colonne: citazione (autori, anno), domanda di ricerca, disegno dello studio, dimensione del campione e popolazione, esito primario misurato, risultato principale con effect size o statistica chiave, limiti dichiarati e fonte di finanziamento se indicata. Se un campo non è riportato in un articolo, scrivi NON RIPORTATO. Non dedurre valori. Non includere alcun articolo che non ho caricato.
Prompt: il passaggio di sintesi
Usando solo la tabella appena costruita, rispondi: dove concordano questi studi, dove sono in disaccordo e cosa spiega il disaccordo (disegno, popolazione, misurazione o periodo)? Individua le domande in questa letteratura a cui nessuno studio caricato risponde. Per ogni affermazione, cita le righe specifiche su cui si basa.
Prompt: critica metodologica
Per ogni studio nella tabella, indica la minaccia più seria alla validità: selezione, misurazione, fattori confondenti, potenza statistica o generalizzabilità. Sii specifico rispetto a ciò che l'articolo riporta, non generico. Se uno studio è metodologicamente solido, dillo invece di inventare una critica.
Quest'ultima istruzione svolge un lavoro reale. Chiedi a un modello di trovare problemi e ne troverà sempre, anche in uno studio ben condotto, perché la richiesta presuppone che esistano. Dargli il permesso esplicito di dire che un articolo è solido mantiene onesta la critica.
Per i dettagli tecnici su come caricare documenti lunghi in una chat in modo pulito, consulta come chattare con un PDF e la guida su come riassumere PDF con l'IA.
Estrazione: ottenere dati strutturati da testo non strutturato
L'estrazione sistematica è il compito in cui l'IA fa risparmiare più tempo in modo difendibile, perché l'output è verificabile. Puoi controllare un numero rispetto a pagina 7. Non puoi controllare un'impressione.
Prompt: estrazione con schema rigido
Estrai ogni statistica riportata in questo articolo come JSON. Schema: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}. Includi solo dati che compaiono nel testo, nelle tabelle o nelle didascalie delle figure. Non calcolare valori derivati. Non arrotondare. Se un dato compare sia in una tabella sia nel testo con valori diversi, restituisci entrambe le voci e segnala la discrepanza.
Il campo location_in_paper è la parte che spesso viene omessa, ed è la parte che rende l'output utilizzabile. Trasforma una verifica dal rileggere l'intero articolo a un controllo mirato, il che significa che la verifica viene davvero fatta.
Prompt: confronto tra articoli
Nei documenti caricati, trova ogni stima riportata di [la grandezza che ti interessa]. Restituisci una tabella con: articolo, stima, unità, popolazione, metodo di stima e anno di raccolta dati. Non farne la media. Segnala esplicitamente dove le stime non sono confrontabili per definizioni o popolazioni diverse.
Istruire il modello a non fare la media non è pedanteria. Fare la media di stime non confrontabili è il modo più comune in cui una rassegna della letteratura assistita dall'IA produce un numero sbagliato con sicurezza, ed è il tipo di errore che un revisore nota subito.
Redigere la rassegna senza prendere in prestito le frasi di altri
Claude è il miglior redattore in questo caso, ma il prompt deve far rispettare le due regole che contano nella scrittura accademica: le affermazioni restano legate alle fonti e le cautele vengono preservate. I modelli addestrati a essere utili tendono a rafforzare il linguaggio prudente, trasformando "era associato a" in "causava" senza che venga chiesto.
Prompt: bozza di sezione
Redigi la [nome sezione] di una rassegna della letteratura usando solo la tabella di evidenze qui sopra. Regole: ogni affermazione deve essere attribuibile a una riga specifica, preserva la cautela originale (non trasformare un'associazione in un nesso causale), usa il formato [stile di citazione] e segnala con [DA VERIFICARE] ogni frase in cui sei stato tentato di generalizzare oltre l'evidenza. Pubblico: ricercatori di [campo]. Lunghezza: circa [n] parole.
Prompt: verifica delle cautele
Rivedi questa bozza rispetto al materiale di partenza. Elenca ogni frase che afferma più certezza di quanta ne supporti lo studio sottostante, e ogni frase che attribuisce un risultato alla fonte sbagliata. Riporta la frase e il testo della fonte in conflitto uno accanto all'altro. Non riscrivere.
Esegui la verifica delle cautele anche sul tuo testo, non solo sull'output del modello. Individua la stessa deriva in una bozza umana scritta alle undici di sera.
Verifica delle citazioni, che non è facoltativa
Questa è la sezione più importante, per questo è deliberatamente diretta. I modelli linguistici inventano riferimenti. Producono citazioni con nomi di autori reali, titoli di riviste plausibili, numeri di volume e pagina dall'aspetto corretto e DOI che non portano a nulla o a un articolo non correlato. Alcuni articoli poi ritirati sono entrati nella letteratura proprio così. Delle reputazioni sono state danneggiate da questo.
Le regole che lo impediscono:
- Non chiedere mai a un modello di "trovare fonti" per un'affermazione a memoria. Chiedi a un modello connesso al web di recuperarle, poi apri ogni link di persona.
- Verifica ogni DOI risolvendolo. Un DOI che non si risolve è un'invenzione, non un refuso.
- Controlla che l'articolo citato dica davvero quello che la citazione afferma dica. Un articolo reale collegato a un'affermazione che non supporta è l'errore più difficile da individuare, ed è più comune di un articolo inventato.
- Non citare mai qualcosa che non hai aperto. Questa regola esisteva prima dell'IA e l'IA l'ha resa indispensabile.
- Mantieni i PDF caricati come fonte di verità. Tutto ciò che il modello ti dice su un articolo che non hai caricato è per costruzione non verificato.
Prompt: verifica dei riferimenti
Per ogni riferimento in questo elenco, indica: se puoi confermarlo da una fonte presente in questa conversazione, oppure se proviene dai tuoi dati di addestramento ed è quindi non verificato. Non indovinare. Segnala chiaramente ogni voce non verificata. Le controllerò io stesso manualmente.
Quel prompt non rende il modello affidabile. Lo rende esplicito su quali affermazioni sono ancorate a qualcosa che hai fornito, ed è proprio la distinzione che serve per sapere cosa controllare.
Cosa questo non sostituisce
Non sostituisce un protocollo di revisione sistematica. Se il tuo lavoro richiede PRISMA, la strategia di ricerca, lo screening e le decisioni di inclusione restano a tuo carico da documentare e difendere. L'IA può aiutarti a redigere il protocollo e velocizzare l'estrazione dagli studi inclusi, ma non può essere la ricerca stessa.
Non sostituisce il tuo gestore di riferimenti. Mantieni Zotero, Mendeley o EndNote come registro di ciò che hai effettivamente letto. La chat è memoria di lavoro, non un archivio.
Non sostituisce l'analisi statistica. Un modello può spiegare un metodo, scrivere il codice R o Python corrispondente e verificare la coerenza della tua interpretazione, ma eseguire l'analisi dentro una finestra di chat e fidarsi dell'aritmetica non è difendibile. Genera il codice, eseguilo nel tuo ambiente e controlla l'output.
E non sostituisce la dichiarazione d'uso. Riviste e istituzioni richiedono sempre più spesso una dichiarazione su come sono stati usati gli strumenti di IA. Annota man mano cosa hai usato in ogni fase, perché ricostruirlo al momento della sottomissione è spiacevole.
- Carica gli articoli invece di chiedere al modello cosa ricorda di loro
- Costruisci una tabella di evidenze con una riga per articolo prima di chiedere qualsiasi sintesi
- Richiedi un campo location_in_paper su ogni dato estratto così la verifica è mirata
- Istruisci il modello a preservare le cautele e a non trasformare mai un'associazione in un nesso causale
- Risolvi ogni DOI e apri ogni fonte prima che entri nel tuo elenco di riferimenti
- Chiedi al modello di segnalare quali affermazioni sono ancorate al testo caricato e quali provengono dalla memoria
- Tieni una nota continua di come è stata usata l'IA in ogni fase per la tua dichiarazione d'uso
Domande frequenti
Whizi può gestire articoli molto lunghi?
Sì. Gemini in Whizi offre una finestra di contesto da 1M di token, il che in pratica significa che una tesi lunga, un dossier normativo completo o un insieme di 15 fino a 30 articoli possono stare in un'unica conversazione ed essere interrogati nel loro insieme. È diverso dal riassumere un documento un pezzo alla volta, perché domande che attraversano più documenti come "dove sono in disaccordo questi studi" funzionano solo quando tutto è presente insieme.
Whizi cita le fonti?
Quando usi un modello connesso al web restituisce dei link, e quando carichi documenti può indicare in quale punto della tua fonte si trova un'affermazione. Nessuna delle due cose sostituisce la verifica. Risolvi ogni DOI, apri ogni link e conferma che il lavoro citato supporti l'affermazione a cui è collegato. Riferimenti inventati o attribuiti male sono il rischio più grave della ricerca assistita dall'IA, e l'unica difesa affidabile è aprire tu stesso la fonte.
Perché non usare semplicemente un solo modello per tutto?
Perché le tre fasi richiedono comportamenti opposti. Leggere un corpus ampio richiede una finestra di contesto enorme. L'estrazione richiede un'aderenza rigida e prevedibile a uno schema. La redazione richiede un testo attento che preservi le cautele accademiche. Eseguire tutte e tre le fasi in un unico spazio di lavoro significa caricare il corpus una sola volta e portare il contesto attraverso il cambio, invece di doverlo rispiegare a tre prodotti separati.
È accettabile usare l'IA nel lavoro accademico?
Le regole variano per rivista, ente finanziatore e istituzione, e cambiano rapidamente, quindi controlla i requisiti specifici che ti riguardano. Lo schema generale è che usare l'IA per estrazione, redazione ed editing è di solito accettabile con dichiarazione, mentre elencare un modello come autore non lo è, e resti pienamente responsabile di ogni affermazione e citazione nel lavoro finito. Registra cosa hai usato man mano.
Posso caricare dati non pubblicati o riservati?
Whizi non si addestra sulle tue conversazioni e la politica di ciascun fornitore è consultabile prima di attivare quel modello, ma la tua approvazione etica e ogni accordo di condivisione dati restano i vincoli vincolanti. I dati sui soggetti umani devono quasi sempre restare fuori a meno che la tua approvazione non copra esplicitamente l'elaborazione da parte di terzi. Estratti anonimizzati e le tue stesse bozze sono i casi normalmente sicuri.