AI e farmaci: il 72% delle pharma USA la scala ma solo il 24% crede nel salto clinico

🤖 Cosa cambia

• Il 72% dei dirigenti pharma USA intervistati da Citi afferma che l’AI è già in fase di scaling o completamente scalata nella R&D.
• Solo il 24% prevede però un miglioramento significativo della probabilità di successo dei nuovi farmaci.
• La Cina punta rapidamente sulle piattaforme AI-native, ma il vero collo di bottiglia resta trasformare velocità computazionale in risultati clinici.

L’intelligenza artificiale è ormai entrata quasi ovunque nella ricerca farmaceutica, ma il settore sta iniziando a separare la velocità dell’automazione dalla capacità di produrre farmaci migliori. Un’indagine di Citi Research condotta su 50 dirigenti statunitensi responsabili della strategia tecnologica nella ricerca e sviluppo mostra che il 72% delle aziende ha già portato l’AI in fase di scaling o di piena adozione. Eppure soltanto il 24% degli intervistati si aspetta un miglioramento significativo della probabilità che un candidato farmaco raggiunga realmente il successo. È precisamente il punto che distingue l’AI utile alla scoperta molecolare dall’idea, molto più ambiziosa, che algoritmi più veloci possano risolvere automaticamente i fallimenti clinici.

Il 72% scala l’AI ma il consenso crolla quando si arriva al farmaco

La survey Citi Research citata dal South China Morning Post è stata realizzata nel giugno 2026 su dirigenti di aziende farmaceutiche statunitensi responsabili delle strategie tecnologiche nella R&D. Nessuna società coinvolta avrebbe dichiarato di non avere piani per adottare l’AI: 72% risulta già in fase di scaling o completamente scalato. Quando però la domanda passa dall’adozione tecnologica all’impatto sul successo dei farmaci, l’ottimismo si riduce. Solo il 24% prevede un miglioramento significativo della probabilità di successo, mentre il 56% si aspetta un vantaggio moderato. Il dato conferma ciò che era già emerso nei benchmark sull’AI applicata alla drug discovery, dove metriche troppo favorevoli possono sovrastimare la capacità predittiva reale.

Accelerare la scoperta non elimina la biologia

Il problema fondamentale è che drug discovery e sviluppo clinico non sono la stessa cosa. Un modello può ridurre lo spazio di ricerca, proporre molecole, ottimizzare target, prevedere proprietà chimiche o selezionare candidati promettenti. Il farmaco deve però attraversare tossicologia, farmacocinetica, produzione, studi clinici e verifiche sulla sicurezza e sull’efficacia. Il 34% dei dirigenti interpellati da Citi indica infatti biologia umana, giudizio clinico ed esecuzione come colli di bottiglia destinati a rimanere anche con un utilizzo molto più esteso dell’AI. La velocità con cui un sistema genera nuove molecole rischia quindi di spostare il problema più avanti nella pipeline anziché eliminarlo.

Leggi anche: Anthropic porta Claude in sanità e life sciences tra trial, ricerca e scoperta di nuovi farmaci

La Cina costruisce una filiera AI-native della ricerca farmaceutica

La differenza con la Cina non consiste semplicemente in una maggiore fiducia dichiarata nell’AI. Pechino sta sviluppando un ecosistema di aziende specializzate in AI-driven drug discovery, piattaforme di screening, laboratori automatizzati e collaborazione tra biotech e grandi gruppi farmaceutici. Società come XtalPi, Insilico Medicine e altre realtà nate attorno alla chimica computazionale cercano di trasformare l’AI da software di supporto a vera infrastruttura di generazione di asset farmaceutici. L’interesse degli investitori deriva dalla possibilità che una piattaforma non produca un solo candidato, ma alimenti più pipeline contemporaneamente. Il rischio è altrettanto evidente: valutazioni molto elevate possono incorporare in anticipo un miglioramento della probabilità clinica che non è ancora stato dimostrato su larga scala.

Il risparmio economico è enorme soltanto se i candidati funzionano

Le stime citate nel dibattito asiatico attribuiscono all’AI la possibilità di ridurre di 26 miliardi di dollari, circa 22 miliardi di euro, i costi globali della fase di drug discovery e di generare ulteriori risparmi nello sviluppo clinico. Numeri di questa dimensione dipendono però dalla capacità di ridurre realmente esperimenti inutili, selezionare target migliori e diminuire il numero di candidati che falliscono dopo avere assorbito capitale. Il vantaggio economico non deriva quindi dal numero di molecole generate da un modello, ma dalla percentuale di quelle molecole che superano i filtri successivi. È la stessa ragione per cui la ricerca farmaceutica sta investendo contemporaneamente in AI, automazione di laboratorio, genomica, dati clinici e simulazione: nessuno di questi livelli, isolato, risolve il processo completo.

Nvidia e le AI factory entrano direttamente nei laboratori

La competizione sta coinvolgendo anche i fornitori di infrastruttura. Nvidia ha trasformato il settore life science in uno dei campi di applicazione più aggressivi delle proprie piattaforme accelerated computing, arrivando a progettare infrastrutture dedicate alla ricerca farmaceutica come LillyPod e le architetture AI sviluppate insieme a Eli Lilly. Il passaggio è significativo perché la drug discovery AI richiede molto più di un LLM generalista: simulazioni molecolari, modelli strutturali, grandi dataset biologici, pipeline di laboratorio e capacità di calcolo fortemente specializzate. L’AI farmaceutica diventa così un mercato hardware, cloud e dati oltre che algoritmico.

Continua con:

• Quantum computing e scoperta dei farmaci aprono un secondo fronte nella simulazione molecolare
• L’AI agentica entra nelle infrastrutture dedicate alla ricerca farmaceutica

La prossima prova non sarà un benchmark ma una terapia

Il dato del 24% è probabilmente più importante del 72%. Quasi tutte le aziende farmaceutiche stanno adottando l’AI perché sarebbe difficile ignorare strumenti capaci di velocizzare screening, analisi dei dati e progettazione molecolare. Molto meno diffusa è la convinzione che questa efficienza si traduca automaticamente in farmaci che arrivano sul mercato. La Cina può ottenere un vantaggio industriale costruendo più rapidamente aziende, infrastrutture e pipeline AI-native, mentre gli Stati Uniti mantengono una base farmaceutica e biotecnologica enorme. Ma il confronto definitivo non verrà deciso dal numero di modelli, dai benchmark o dalle molecole generate. La misura realmente difficile resterà quante terapie candidate superano gli studi clinici, migliorano gli outcome dei pazienti e riescono a farlo con costi inferiori rispetto al processo tradizionale.