Agentic AI nello Sviluppo di Farmaci: Hype o Realtà?

Per la maggior parte degli ultimi tre anni, l'impegno dell'industria farmaceutica con l'intelligenza artificiale è stato dominato da una categoria relativamente familiare di strumenti: grandi modelli linguistici che rispondono a domande, riassumono documenti, generano testo e rispondono a prompt umani. Utili, certamente. Trasformativi in alcuni contesti operativi. Ma fondamentalmente reattivi — aspettano di essere interrogati, producono un output e poi si fermano.

L'AI agentica è qualcosa di significativamente diverso. Un sistema di AI agentica non aspetta di essere attivato. Ragiona, pianifica ed esegue in modo autonomo flussi di lavoro complessi e multi-step verso un obiettivo definito, con minima intervento umano diretto ad ogni fase. 

Può proporre un esperimento, valutare il risultato, rivedere l'ipotesi, selezionare il test successivo e iterare, in un ciclo continuo e autodiretto. Per lo sviluppo di farmaci, un campo definito da flussi di lavoro pluriennali e multimiliardari che falliscono a tassi superiori al 90%, questo non è un aggiornamento incrementale. È una potenziale discontinuità strutturale.

La domanda con cui l'industria si confronta realmente non è se l'AI agentica esista — lo fa chiaramente. La domanda è se stia fornendo risultati reali e riproducibili nello sviluppo di farmaci, oppure se l'attuale fase sia un'altra ondata di entusiasmo tecnologico che corre davanti alla base di evidenze. 

La risposta onesta è che entrambe le cose stanno accadendo contemporaneamente, in diversi livelli della pipeline di sviluppo, e la distinzione tra esse conta enormemente per chi oggi prende decisioni di investimento o di adozione.

Cosa fa effettivamente l'AI agentica nello sviluppo di farmaci?

Per valutare se l'AI agentica sia hype o realtà, è prima necessario capire con precisione cosa fa e dove nella pipeline di sviluppo viene attualmente applicata in modo più significativo.

I sistemi di AI agentica nello sviluppo farmaceutico operano tipicamente all'interno di una o più delle seguenti modalità funzionali:

a) Esecuzione autonoma del ciclo Design-Make-Test-Analyse (DMTA) — I tradizionali cicli DMTA, i loop iterativi attraverso i quali i chimici medicinali progettano molecole candidate, le sintetizzano, le testano in saggi e analizzano i risultati per informare il design successivo, richiedono settimane per ciclo. Le piattaforme di AI agentica possono comprimere questo ciclo collegando modelli di progettazione computazionale, piattaforme robotiche di sintesi e sistemi di saggi automatizzati in un loop chiuso che opera con decisioni umane minime tra i passaggi.

b) Identificazione e validazione del target — I sistemi agentici analizzano dati genomici, proteomici e di pathway patologici per identificare nuovi target terapeutici, classificarli per druggability e fattibilità clinica, e generare ipotesi per la validazione sperimentale, attività che prima richiedevano mesi di lavoro di ricerca umano.

c) Progettazione e ottimizzazione delle sperimentazioni cliniche — L'AI agentica analizza vaste serie di dati storici di trial, letteratura scientifica ed evidenza del mondo reale per proporre disegni di protocollo ottimizzati — criteri di selezione dei pazienti, scelta degli endpoint, schema posologico e trigger di disegno adattivo, con un livello di integrazione dei dati che nessun team umano può eguagliare nello stesso arco temporale.

d) Identificazione di biomarcatori — Modelli AI multimodali addestrati su cartelle cliniche elettroniche, immagini di patologia e dati molecolari possono identificare biomarcatori predittivi per la stratificazione dei pazienti negli studi clinici, permettendo una selezione dei pazienti più precisa e migliorando la probabilità di dimostrare efficacia nella popolazione arruolata.

Ognuna di queste modalità coinvolge un sistema di AI che non si limita ad assistere un decisore umano fornendo informazioni. Prende attivamente i primi diversi passi in autonomia e presenta un output raffinato, pronto per la revisione, con un livello di qualità che in precedenza richiedeva settimane di lavoro esperto per essere prodotto.

Le evidenze: cosa ha effettivamente prodotto l'AI agentica?

Qui la domanda "hype o realtà?" diventa empiricamente rispondibile. Le evidenze sono reali, in crescita e in alcuni casi davvero impressionanti. Ma sono anche concentrate nelle fasi iniziali della pipeline di sviluppo, e una cautela misurata sulle conclusioni a fine percorso è ancora giustificata.

Nella fase di discovery e preclinica, i risultati sono davvero impressionanti e sempre più documentati:

1. Insilico Medicine ha riportato un tasso di successo del 100% nell'avanzamento dei suoi candidati preclinici nominati dall'AI allo stato di Investigational New Drug (IND) — il che significa che nessuno dei suoi candidati progettati dall'AI è stato terminato prima di raggiungere le sperimentazioni cliniche. La sua small molecule progettata dall'AI per la fibrosi polmonare idiopatica ha raggiunto la Fase II in circa due anni e mezzo, un arco temporale che normalmente richiederebbe cinque o più anni con la discovery convenzionale.

1. Schrödinger ha tre programmi oncologici in fase clinica, SGR-1505 (per linfomi), SGR-2921 (per leucemia mieloide acuta) e SGR-3515 (un inibitore duale WEE1/MYT1L per tumori solidi), tutti generati attraverso la sua piattaforma computazionale basata sulla fisica. I primi dati di Fase I sono stati promettenti, con SGR-1505 che ha dimostrato una potente soppressione del target e SGR-2921 che ha raggiunto esposizioni farmacologicamente rilevanti con un profilo di sicurezza gestibile.

1. Analisi di BioPharm International (2025) riportano che molecole scoperte con AI hanno raggiunto tassi di successo negli studi clinici di Fase I nell'intervallo dell'80–90%, significativamente al di sopra delle medie storiche tradizionali del 40–65%.

1. In oncologia, una collaborazione tra una grande azienda farmaceutica e fornitori specialisti di AI ha prodotto il più grande modello fondazionale multimodale oncologico finora, addestrato su cartelle cliniche elettroniche, risultati di laboratorio e immagini di patologia, ora usato per accelerare l'identificazione di biomarcatori in più indicazioni tumorali.

1. La piattaforma di patologia computazionale Quantitative Continuous Scoring (QCS), presentata al ESMO Targeted Anticancer Therapies Congress 2026, ha ridotto il suo tempo di sviluppo da una stima di 2,5 anni a circa 5,5 mesi grazie all'uso di modelli AI all'avanguardia.

L'applicazione per la progettazione di trial clinici sta anche generando dati credibili. Statista riporta che il ciclo medio di un trial clinico dalla Fase I al completamento della Fase III è aumentato di sette mesi tra il 2020 e il 2024. 

L'Agentic AI applicata all'ottimizzazione dei protocolli, alla selezione dei siti, al reclutamento dei pazienti e alla gestione del design adattivo viene impiegata per invertire questa tendenza, con prime implementazioni in aziende come Owkin, CytoReason e Medable che riportano riduzioni significative dei tempi di allestimento dei trial.

Cinque esempi documentati di AI che migliora la prevedibilità lungo la pipeline di sviluppo dei farmaci. 

→ Leggi: Come l'IA migliora la prevedibilità nello sviluppo dei farmaci: 5 casi di studio reali

Dove l'hype supera la realtà?

Una valutazione onesta e completa dell'Agentic AI nello sviluppo di farmaci richiede di riconoscere chiaramente dove l'entusiasmo corre avanti rispetto alle prove.

Il divario più significativo è a livello dello sviluppo clinico in fase avanzata. I tassi di successo in Fase I per molecole scoperte con AI del 80–90% sono realmente convincenti, ma il successo in Fase I è sempre stato principalmente sulla dimostrazione della sicurezza e della tollerabilità iniziale, non sull'efficacia terapeutica. 

I test più difficili, la prova di principio in Fase II e la conferma dell'efficacia in Fase III, sono dove storicamente si verificano la maggior parte dei fallimenti dei farmaci, e dove il track record dell'Agentic AI è ancora troppo limitato e troppo giovane per trarre conclusioni solide. Il settore, collettivamente, sta ancora aspettando la prima molecola scoperta con AI che completi con successo un trial di Fase III e riceva l'approvazione regolatoria sulla base di ciò.

Ci sono anche importanti sfide strutturali e di governance che l'Agentic AI non risolve da sola e che in alcuni casi può complicare attivamente:

1) Accettazione regolatoria degli output Agentic — La FDA e l'EMA non hanno ancora stabilito quadri chiari su come i contributi dell'Agentic AI alla scoperta di farmaci e alla progettazione di trial clinici debbano essere documentati, convalidati e presentati nei dossier regolatori. 

Il framework emergente della FDA per la valutazione della credibilità dell'AI (bozza di linee guida di gennaio 2025) copre i dati generati dall'AI in generale, ma i sistemi agentic, che prendono sequenze di decisioni autonome, presentano sfide di attribuzione e auditabilità che i modelli AI puntuali non affrontano.

2) Qualità dei dati e rischio di allucinazioni — I sistemi Agentic AI sono affidabili solo quanto i dati su cui operano e i modelli che li interpretano. In un contesto di sviluppo di farmaci, una cascata di decisioni autonome fondata su un'ipotesi errata o su un dataset di addestramento scarsamente curato può amplificare gli errori attraverso molti passaggi prima che un revisore umano identifichi il problema.

3) Complessità di integrazione — Collegare piattaforme di chimica computazionale, sistemi di sintesi robotica, lettori di saggi automatizzati e infrastrutture di gestione dei dati in un vero ciclo agentic chiuso richiede interoperabilità tecnologica e dei dati che la maggior parte delle organizzazioni farmaceutiche non ha ancora raggiunto.

Le aziende che stanno costruendo l'infrastruttura per ciò che verrà dopo?

Il segnale più chiaro che l'Agentic AI nello sviluppo dei farmaci è veramente reale, non hype, è la qualità, la credibilità e la scala delle organizzazioni che ci investono. Questi non sono scommesse speculative fatte da startup in fase iniziale su scienze non provate. Sono impegni strategici ampi da parte di aziende e investitori con accesso diretto e privilegiato ai dati di performance.

Le organizzazioni che stanno plasmando attivamente questo spazio nel 2025 e 2026 includono:

1. Recursion Pharmaceuticals / Exscientia (fusioni 2024): costruzione di una piattaforma TechBio end-to-end che combina il motore di generazione dati fenomici di Recursion con le capacità di design di piccole molecole di precisione di Exscientia

1. Insilico Medicine — in trattativa per un accordo da $2.75 billion con Eli Lilly per portare sul mercato farmaci sviluppati con AI, con $115 million upfront

1. Isomorphic Labs (Google DeepMind) — applicazione di intuizioni di biologia strutturale derivate da AlphaFold al design autonomo di farmaci con partnership di rilievo con Eli Lilly e Novartis

1. Owkin — implementazione di un'architettura multi-agente specializzata che utilizza il feedback dei dati dei pazienti per ottimizzare la progettazione dei trial clinici e l'identificazione di biomarcatori, con l'obiettivo esplicito di raggiungere un tasso di successo clinico del 50%, più di cinque volte la media attuale del settore

1. CytoReason — ha lanciato un agente AI al JPMorgan Healthcare Conference 2026 focalizzato sull'identificazione di target immunologici e sulla stratificazione dei pazienti

1. Pistoia Alliance — ha lanciato una Agentic AI Initiative dedicata a settembre 2025, cercando finanziamenti del settore per promuovere un'adozione sicura e validata dei sistemi agentic nella R&D farmaceutica

Recursion. Insilico. Isomorphic. I nomi sono familiari, ma il campo completo è molto più ampio.

Ecco 19 startup che stanno già costruendo l'infrastruttura per la scoperta di farmaci agentic che verrà. 

→ Leggi: 19 startup farmaceutiche che stanno plasmando la scoperta di farmaci guidata dall'IA

Conclusione: reale, precoce e che si sta guadagnando credibilità

L'AI agentica nello sviluppo farmaceutico non è né puro clamore né una realtà completamente dimostrata. È qualcosa di più sfumato e, in ultima analisi, più interessante: un vero punto di inflessione tecnologico che sta producendo risultati misurabili e riproducibili nelle fasi di discovery e cliniche precoci, mentre il suo impatto nelle fasi tardive resta da dimostrare e confermare nei prossimi tre-cinque anni di accumulo di evidenze cliniche.

Le evidenze da Insilico Medicine, Schrödinger, Owkin e dall'ampio panorama dell'AI per la scoperta di farmaci mostrano chiaramente che i sistemi agentici stanno effettivamente comprimendo i tempi, migliorando i tassi di successo nelle fasi iniziali e permettendo forme di integrazione multimodale dei dati che nessun team di ricerca umano può replicare a pari velocità o scala. 

Ciò che non hanno ancora fatto è ottenere un'approvazione regolatoria che sia tracciabile direttamente a un processo di discovery agentico end-to-end. Quell'approvazione, quando arriverà — e la maggior parte degli osservatori seri e ben informati si aspetta che arrivi prima del 2030 — sarà il momento in cui la domanda “clamore o realtà?” verrà archiviata definitivamente. 

Fino ad allora, la risposta più accurata e utile è questa: è abbastanza reale da meritare investimenti, e sufficientemente precoce da poter essere plasmata. Le organizzazioni che costruiranno ora le loro capacità di AI agentica, mentre i quadri regolatori e scientifici sono ancora in fase di definizione, saranno nelle migliori condizioni per guidare quando la base completa delle evidenze sarà finalmente disponibile.

Domande frequenti

1. Che cos'è l'AI agentica nello sviluppo di farmaci?

Per AI agentica si intendono sistemi di intelligenza artificiale in grado di pianificare, ragionare ed eseguire in modo indipendente più passaggi verso un obiettivo definito, invece di limitarsi a rispondere a prompt dell'utente. Nello sviluppo di farmaci, questi sistemi possono aiutare a progettare esperimenti, analizzare i risultati, generare nuove ipotesi e raccomandare la prossima linea d'azione con intervento umano minimo. Ciò consente ai ricercatori di automatizzare flussi di lavoro complessi che tradizionalmente richiedevano notevole lavoro manuale. Di conseguenza, l'AI agentica ha il potenziale per accelerare varie fasi del processo di scoperta e sviluppo dei farmaci.

2. In che modo l'AI agentica viene utilizzata nella ricerca farmaceutica?

L'AI agentica viene applicata in diverse fasi della ricerca farmaceutica, inclusi l'identificazione dei target, la progettazione di molecole, la scoperta di biomarcatori e l'ottimizzazione degli studi clinici. Può analizzare grandi set di dati provenienti da genomica, proteomica, letteratura scientifica e cartelle cliniche per identificare candidati farmaci promettenti e migliorare l'efficienza della ricerca. Alcune piattaforme si integrano anche con l'automazione di laboratorio per supportare cicli continui di Design-Make-Test-Analyse (DMTA). Queste capacità aiutano i ricercatori a prendere decisioni più rapide e basate sui dati lungo l'intero percorso di sviluppo.

3) L'AI agentica ha già dimostrato il suo valore nello sviluppo di farmaci?

L'AI agentica ha mostrato risultati promettenti, in particolare durante le fasi di discovery e precliniche dello sviluppo dei farmaci. Diverse aziende farmaceutiche e di AI hanno segnalato identificazione più rapida di molecole, tempi di sviluppo più brevi e risultati clinici precoci incoraggianti utilizzando approcci assistiti dall'AI. Tuttavia, la maggior parte delle evidenze disponibili proviene da ricerche in fase iniziale, e il successo a lungo termine attraverso studi clinici di Fase III e l'approvazione regolatoria è ancora limitato. Sebbene la tecnologia abbia dimostrato un potenziale significativo, sono necessarie più evidenze cliniche prima che il suo impatto completo possa essere confermato.