17/09/2026
Ci auguriamo che renda la conoscenza scientifica più accessibile, riutilizzabile e sfruttabile come base per ulteriori innovazioni:
un primo passo verso un futuro in cui milioni di agenti-articolo collaboreranno proattivamente con i ricercatori umani e tra loro per far progredire la scoperta scientifica. https://paper2agent.ai/live
Gli articoli scientifici sono da tempo il mezzo principale per comunicare la conoscenza scientifica, ma rimangono statici. Mettere a frutto tale conoscenza richiede di collegare i risultati ai dati, consultare materiali supplementari e adattare i metodi a nuove domande: un lavoro che ogni nuovo lettore deve ripetere da capo.
Presentiamo Paper2Agent, un framework multi-agente che trasforma automaticamente gli articoli di ricerca in autori virtuali. Paper2Agent converte il manoscritto, il codice, i dati e i materiali supplementari di un articolo in un server MCP accessibile a qualsiasi agente IA, includendo test automatizzati e un affinamento iterativo all'interno di un ciclo operativo autonomo. L'articolo diventa così un autore virtuale con cui è possibile interagire: si possono verificare le affermazioni risalendo alle prove, analizzare i propri dati e collaborare con gli autori virtuali di altri articoli.
Trasformare un articolo in un agente significa farlo passare da semplice testo da leggere a risorsa che persone e agenti IA possono scoprire e utilizzare come base per nuovi sviluppi, fornendo il contesto necessario per interpretarne i risultati e riutilizzarne i metodi in modo affidabile. Abbiamo valutato l'affidabilità con cui questi agenti utilizzano gli articoli. In diversi benchmark, gli agenti creati con Paper2Agent hanno superato le prestazioni di soluzioni di riferimento come Claude Code, che operano direttamente sui PDF e sui repository di codice degli articoli.
Una volta trasformati in autori virtuali, gli articoli possono collaborare, proprio come fanno i ricercatori umani. In un caso di studio, agenti basati su AlphaGenome e su due studi di perturbazione genetica su larga scala hanno collaborato per proporre un nuovo approccio computazionale volto a integrare le evidenze provenienti da diversi dataset di perturbazione. Collegando le previsioni di un articolo ai dati sperimentali di altri, hanno contribuito a individuare un probabile gene causale della psoriasi.
