L’AI in ambito sanitario è rimasta per anni sospesa tra dimostrazioni impressionanti e implementazioni prudenti. Oggi emergono segnali concreti lungo tutta la value chain sanitaria: dalla progettazione molecolare al diagnostic imaging, dal triage in emergenza alle operazioni dei clinical trial, fino alla supervisione regolatoria e alla cybersecurity dei dispositivi. Si tratta di un’evoluzione che rende più evidente il passaggio da una fase di innovazione sperimentale a un’adozione più strutturata e operativa.
Per i leader tecnologici delle organizzazioni nei settori healthcare, pharma, assicurativo e life sciences regolamentate, non è più possibile considerare questa fase come una semplice sperimentazione. Il livello di evidenza raggiunto impone ormai decisioni operative concrete, con impatti diretti su priorità, investimenti e modelli organizzativi.
I segnali arrivano da più direzioni. Isomorphic Labs ha pubblicato il report tecnico su isoDDE, un drug design engine, evidenziando un’accuratezza più che doppia rispetto ad AlphaFold 3 nella previsione del molecular binding. In ambito clinico, il modello REDMOD della Mayo Clinic ha individuato il 73% dei tumori pancreatici in fase prediagnostica nelle routine CT scans, contro il 39% rilevato dai radiologi. Parallelamente, uno studio di Harvard, Beth Israel e Stanford ha mostrato che il modello o1 di OpenAI supera le performance di due medici nel triage in pronto soccorso. Sul fronte regolatorio, la FDA ha introdotto lo streaming dei dati dei clinical trial in tempo reale e ha rafforzato i requisiti di cybersecurity per i dispositivi medici connessi.
Il punto non è che l’AI arrivi a sostituire clinici o scienziati, ma che si stia inserendo nei momenti decisionali più critici, dove ritardi, incertezza e revisioni manuali generano costi economici e clinici rilevanti. È proprio in questi passaggi che il suo contributo inizia a fare la differenza in modo più evidente.
L’annuncio di Isomorphic Labs rappresenta il segnale più evidente che l’AI nel drug discovery sta evolvendo verso una vera e propria infrastruttura di piattaforma. isoDDE si concentra sulla sfida più complessa: prevedere come le molecole “drug-like” si legano ai target proteici. Il salto di qualità rispetto ad AlphaFold 3 è significativo, perché è proprio nella previsione del molecular binding che spesso le promesse computazionali si scontrano con la wet-lab reality (sperimentazione di laboratorio).
Le implicazioni sul piano commerciale sono immediate: se in alcuni casi è possibile evitare la validazione strutturale, i team pharma possono risparmiare mesi di lavoro e costi rilevanti prima ancora che una molecola candidata arrivi in clinica. È inoltre strategica la scelta di concentrarsi su target storicamente “undruggable”, come KRAS. L’AI, infatti, esprime il suo massimo valore quando apre nuove possibilità terapeutiche che la chimica tradizionale non è in grado di raggiungere, più che quando introduce miglioramenti marginali in ambiti già saturi.
Il risultato della Mayo Clinic mette in luce uno dei principali limiti attuali: la capacità di individuare patologie che restano nascoste in immagini già disponibili. Il modello REDMOD è stato testato su quasi 2.000 routine CT scans inizialmente considerate normali, riuscendo a identificare il 73% dei tumori pancreatici in fase prediagnostica, contro il 39% rilevato dai radiologi specialisti. Il vantaggio è significativo anche in termini temporali, con un anticipo mediano di 16 mesi. Un dato particolarmente rilevante se si considera che il tumore al pancreas è tra i più difficili da trattare proprio perché spesso emerge in stadi avanzati. In questo scenario, un sistema di second-reader integrato nelle infrastrutture CT esistenti potrebbe rendere lo screening più efficace senza richiedere nuovi programmi nazionali di imaging.
Lo studio sul triage in pronto soccorso è altrettanto significativo perché si concentra sui primi momenti dell’assistenza, quando le informazioni sono limitate e le decisioni incidono direttamente sul rischio clinico. Ricercatori di Harvard, Beth Israel Deaconess Medical Center e Stanford hanno testato il modello o1 di OpenAI su 76 casi reali, evidenziando che ha raggiunto il 67% di diagnosi di triage esatte o quasi, superando due medici strutturati. Questo non suggerisce un utilizzo senza supervisione, né deve essere interpretato in tal senso, ma dimostra come i reasoning models possano offrire un supporto concreto anche in contesti clinici complessi e ad alta pressione decisionale.
Questi due risultati clinici vanno letti insieme. Il primo riguarda la rilevazione precoce tramite imaging, prima ancora che venga formulata una diagnosi. Il secondo interviene nel triage in condizioni di incertezza, quando le informazioni sono ancora incomplete. In entrambi i casi, l’AI dimostra di essere particolarmente efficace proprio dove i sistemi umani sono più sotto pressione: nell’individuare pattern sottili in grandi volumi di immagini e nel supportare il ragionamento diagnostico nei momenti iniziali del percorso clinico.
L’iniziativa della FDA sui dati in tempo reale dei clinical trial introduce un cambiamento strutturale nel modo in cui vengono valutate le evidenze. Lo streaming continuo dei dati dai trial oncologici verso l’agenzia supera il modello tradizionale basato su submission a fasi, aprendo a una revisione più dinamica. Se le stime di approvazioni più rapide del 20–40% dovessero confermarsi, non si tratterebbe di un semplice miglioramento operativo, ma di una vera riprogettazione del flusso di evidenze tra sponsor e regolatore.
Le implicazioni per il settore pharma sono rilevanti. La possibilità di identificare prima i candidati destinati a fallire consente di ridurre costi ed esposizione dei pazienti, mentre segnali positivi anticipati possono accelerare l’accesso ai trattamenti. Allo stesso tempo, cresce il livello richiesto per le infrastrutture dati, in termini di audit e cybersecurity, perché i regolatori saranno sempre più vicini ai dati operativi in tempo reale.
La cybersecurity è il fattore trasversale che accomuna tutti questi sviluppi e ne condiziona l’adozione. I requisiti della FDA per i connected medical devices impongono ora ai produttori di garantire la sicurezza lungo l’intero lifecycle del prodotto, dall’ideazione fino alla gestione in esercizio. Questo cambia radicalmente il perimetro di valutazione: non basta più dimostrare l’efficacia clinica, ma serve integrare fin dall’inizio una visione completa del rischio.
Di conseguenza, qualsiasi dispositivo connesso abilitato dall’AI, dai sistemi di remote monitoring alle piattaforme diagnostiche fino ai sistemi chirurgici, deve essere valutato sia come tecnologia clinica sia come asset esposto a rischio di rete. In questo contesto, i CIO healthcare dovrebbero considerare la documentazione FDA sulla cybersecurity non come un adempimento formale, ma come un elemento standard e imprescindibile nei processi di procurement.
Le organizzazioni healthcare dovrebbero iniziare a distinguere le opportunità legate all’AI in tre ambiti principali. Il primo riguarda la produttività amministrativa, dove il ritorno sull’investimento è facilmente misurabile in termini di tempo risparmiato e riduzione dei cicli operativi. Il secondo è il supporto clinico, in cui entrano in gioco evidenze, responsabilità, progettazione dei workflow e supervisione umana per determinare il livello di maturità delle soluzioni. Il terzo ambito è quello dell’infrastruttura scientifica e regolatoria, dove l’AI sta cambiando in modo strutturale l’economia della ricerca e della generazione di evidenze.
Le evidenze emerse risultano particolarmente solide proprio nel supporto clinico e nell’ambito scientifico-regolatorio, con conseguenze dirette anche sul piano del budget. La strategia AI non può più restare confinata ai team di innovazione digitale, ma richiede il coinvolgimento coordinato di più funzioni: governance clinica, legale, cybersecurity, affari regolatori, procurement e finanza.
Anche la vendor selection deve evolvere in questa direzione, diventando più strutturata e rigorosa. Le organizzazioni healthcare dovrebbero richiedere validazione esterna e trial prospettici, insieme ad analisi delle failure mode, sistemi di model monitoring, regole di escalation e documentazione FDA sulla cybersecurity. Devono inoltre essere chiariti aspetti come data retention e responsabilità legale: un modello che performa bene in uno studio ma non è monitorabile nel contesto ospedaliero non è pronto per la produzione.
Infine, per i leader pharma e biotech, le partnership nell’ambito AI devono essere considerate veri e propri investimenti in capacità strategiche. La valutazione non dovrebbe limitarsi alla qualità del modello, ma concentrarsi sulla sua capacità di ridurre i cicli sperimentali e abilitare nuove opportunità. In particolare, diventa cruciale capire se la soluzione è in grado di aprire target inaccessibili e integrarsi efficacemente con lab automation, data management e workflow regolatori.
L’adozione dell’AI in sanità non è ancora pienamente consolidata, ma è evidente che il costo dell’attesa sta aumentando. Il settore dispone ormai di evidenze solide: l’AI può migliorare la diagnosi precoce del cancro, supportare il ragionamento nel triage, accelerare la progettazione molecolare e trasformare i flussi di dati dei clinical trial. Ciò che ancora manca non è la tecnologia, bensì una reale maturità operativa, che includa governance, auditability, cybersecurity, framework di responsabilità e un’effettiva adozione da parte dei clinici.
Per i leader enterprise, la priorità deve essere la costruzione di questo livello. L’Healthcare AI non può più essere considerata solo una valutazione tecnologica, ma si configura sempre più come un programma operativo integrato, che coinvolge clinical operations, regolamentazione e gestione del rischio. In questo scenario, la capacità di governare l’AI in modo strutturato diventa un fattore chiave di vantaggio competitivo e sostenibilità nel tempo.