ISPE GAMP® Guide: Intelligenza Artificiale — Cosa Devono Sapere i Leader del Pharma e del Biotech

L'intelligenza artificiale non è più qualcosa che le aziende farmaceutiche considerano per il futuro. È qui, viene implementata e sta già toccando alcuni degli ambienti più regolamentati del settore — pipeline di scoperta dei farmaci, sistemi di qualità della produzione, operazioni di sperimentazione clinica e submission regolatorie. Eppure, per la maggior parte di quel periodo, una domanda critica è rimasta in gran parte senza risposta: Come esattamente dobbiamo farlo in conformità?*

Quella domanda ora ha una risposta seria e autorevole. Nel luglio 2025, l'International Society for Pharmaceutical Engineering (ISPE) ha pubblicato il GAMP® Guide: Artificial Intelligence, un quadro di 290 pagine progettato specificamente per aiutare le organizzazioni del settore life sciences a implementare l'AI in ambienti regolamentati GxP senza compromettere la sicurezza del paziente, l'integrità dei dati o la qualità del prodotto.

Se stai guidando un'organizzazione farmaceutica o biotech, questa guida non è un documento che il tuo reparto IT deve assorbire e archiviare. È un segnale strategico su dove sta andando il settore, cosa i regolatori si aspetteranno e cosa la leadership deve comprendere e su cui intervenire subito! Questo post analizza cos'è la GAMP AI Guide, perché era necessaria e cosa significa per il modo in cui la tua organizzazione opera.

Perché l'industria farmaceutica aveva bisogno di una guida specifica per la conformità all'AI?

Per capire perché la GAMP AI Guide è importante, è utile comprendere il vuoto che colma. Per decenni, il framework GAMP ha fornito alle aziende farmaceutiche un approccio strutturato e basato sul rischio per la validazione dei sistemi computerizzati. 

GAMP 5 e la sua seconda edizione del 2022 sono diventati il punto di riferimento del settore per la Computer Software Assurance (CSA). Ha funzionato bene per i tipi di sistemi che il settore farmaceutico ha sempre utilizzato.

L'AI rompe il vecchio modello di validazione in modi fondamentali. Il software tradizionale fa esattamente ciò per cui è programmato. I sistemi di AI apprendono, si adattano e in alcuni casi producono output difficili da spiegare completamente — una caratteristica che crea sfide di conformità che il framework GAMP esistente non era stato progettato per affrontare. 

Prima dell'arrivo della AI Guide, le aziende che implementavano AI in ambienti GxP stavano essenzialmente lavorando partendo da principi di base, senza un unico riferimento autorevole per guidare le decisioni.

Le conseguenze di quel vuoto si manifestavano chiaramente in tutto il settore:

1. Progetti pilota di AI bloccati nella fase di proof-of-concept perché i team non riuscivano a concordare un percorso validato e conforme per rilasciarli in uso regolamentato
2. Terminologia frammentata tra qualità, IT, data science e affari regolatori, che rendeva quasi impossibile l'allineamento cross-funzionale sulla governance dell'AI
3. Qualificazione incoerente dei fornitori terzi di AI, senza uno standard concordato su come dovrebbe essere svolta la due diligence nell'acquisto di strumenti AI
4. Lacune nella governance dei dati di training, quando le organizzazioni scoprirono che i loro modelli AI erano costruiti su dati non gestiti secondo gli standard GxP
5. Incertezza regolatoria, mentre FDA, EMA e altre agenzie iniziavano a sviluppare i propri quadri sull'AI, lasciando le aziende insicure su come allineare le pratiche interne

La GAMP AI Guide è stata sviluppata specificamente per risolvere questi problemi, non attraverso principi astratti, ma tramite indicazioni pratiche basate sul ciclo di vita che collegano l'implementazione dell'AI agli obblighi di conformità GxP esistenti.

Cosa copre la ISPE GAMP® AI Guide: una panoramica strutturata?

La GAMP AI Guide è un documento di 290 pagine sviluppato da più di 20 membri ISPE provenienti dall'industria e dal mondo accademico, con un'ampia revisione paritaria. È progettata per essere applicabile all'intera gamma di casi d'uso dell'AI nel life sciences — dai sistemi di gestione della qualità potenziati dall'AI ai modelli di machine learning che supportano il controllo dei processi di produzione e l'analisi dei dati clinici.

Nel suo nucleo, la guida affronta cinque aree che la leadership di pharma e biotech deve comprendere:

1. Estensione dei principi di GAMP 5 alle sfide specifiche dell'AI. Piuttosto che sostituire i framework esistenti, la guida si basa sulla metodologia basata sul rischio di GAMP 5 e la applica alle caratteristiche uniche dell'AI, inclusi comportamento adattivo del modello, data drift, limitazioni nell'esplicabilità e requisiti di governance dei dati di training.

2. Allineamento con il panorama normativo attuale. La guida incorpora l'EU AI Act (formalmente adottato nel maggio 2024), le linee guida FDA provvisorie sull'AI per le domande su farmaci e dispositivi, il reflection paper dell'EMA sull'AI nel ciclo di vita del prodotto medicinale e ISO/IEC 42001 sui sistemi di gestione dell'AI. Questo allineamento significa che la guida non è solo una best practice del settore, ma è una mappa prospettica di dove stanno andando le aspettative regolatorie formali.

3. Copertura completa del ciclo di vita del sistema AI. Le indicazioni abbracciano ogni fase della vita di un sistema AI, dal business case iniziale e progettazione del sistema, attraverso la preparazione dei dati, l'addestramento del modello, i test di validazione e il deployment, fino al monitoraggio operativo continuo e al change control quando i modelli vengono aggiornati o riaddestrati.

4. Ruoli e responsabilità definiti tra gli stakeholder. La guida fornisce un chiaro quadro di responsabilità che copre aziende regolate, fornitori di piattaforme AI, fornitori di servizi terzi e funzioni interne inclusi assurance della qualità, IT e data science.

5. Un approccio di validazione a livelli di rischio. Non tutte le applicazioni AI comportano lo stesso onere di conformità. La guida permette alle organizzazioni di calibrare la profondità delle attività di validazione in base all'uso previsto e al livello di rischio per il paziente di ciascun sistema AI specifico, consentendo una risposta adeguata allo scopo piuttosto che un modello unico per tutti.

Perché la governance dell'AI in pharma è una responsabilità della leadership, non una funzione IT?

Esiste una tendenza comune a trattare la GAMP AI Guide come un documento tecnico, qualcosa di cui si occupano i dipartimenti qualità e IT mentre la leadership si concentra sui risultati di business che ci si aspetta che l'AI fornisca. Questo approccio creerà problemi.

La guida chiarisce che la governance dell'AI in un contesto regolamentato delle scienze della vita non è una funzione di qualità né una funzione IT. È una capacità organizzativa che richiede un coinvolgimento dirigenziale attivo e informato per costruirla, dotarla di risorse e mantenerla nel tempo. Tre motivi per cui questo conta a livello esecutivo:

Il rischio regolatorio derivante da AI non governata è reale e in crescita. FDA, EMA e altre grandi agenzie stanno attivamente sviluppando e formalizzando i loro quadri di supervisione dell'AI. Le organizzazioni che implementano ora una governance dell'AI allineata a GAMP saranno in una posizione difendibile quando tali aspettative regolatorie diventeranno vincolanti. Quelle che non lo fanno affronteranno una transizione di conformità più dirompente e costosa mentre sono già sotto scrutinio.

I guasti dell'AI negli ambienti GxP sono incidenti a livello aziendale, non semplici problemi tecnici. Se un sistema AI implementato in produzione genera un output errato che influisce sulla qualità del prodotto, o un modello usato nei flussi di lavoro per le submission regolatorie produce dati inaffidabili, le conseguenze si estendono ben oltre il team IT. 

Colpiscono l'integrità del prodotto, la sicurezza del paziente, la posizione regolatoria e la continuità commerciale. Questa è la stessa categoria di rischio di un guasto nella catena di approvvigionamento o di un cedimento del sistema qualità e appartiene alle stesse conversazioni in sala consiglio.

Gli investimenti in AI farmaceutica stanno crescendo rapidamente, e gran parte di essi è attualmente non governata per l'uso GxP. Gli analisti del settore prevedono che gli investimenti farmaceutici in AI cresceranno da circa $2 miliardi nel 2025 a oltre $16 miliardi entro il 2034, con un tasso di crescita annuo composto di quasi il 27%. 

Un sondaggio del 2024 ha rilevato che circa il 60% dei dirigenti farmaceutici aveva già avviato pilot di Generative AI, con il 32% che stava espandendo oltre la fase pilota. La domanda strategica che la leadership dovrebbe porsi non è se investire in AI, ma se quell'investimento sia governato in modo da permettere agli strumenti di AI di operare all'interno di ambienti GxP o se l'organizzazione stia accumulando un portafoglio di pilot che non potrà mai essere implementato in conformità dove genererebbe il massimo valore.

Principali sfide di conformità che rendono la validazione dell'AI più complessa rispetto alla CSV tradizionale

Per i leader che hanno sovrinteso programmi di Computer System Validation (CSV) o sistemi di gestione della qualità, è utile essere chiari sui modi in cui la validazione dell'AI è realmente più esigente, non per creare allarme, ma per garantire che la sfida sia compresa e dotata delle risorse appropriate.

La validazione di un sistema informatizzato abilitato all'AI in un ambiente GxP è più complessa rispetto alla validazione del software tradizionale per cinque motivi specifici:

1. I modelli AI possono cambiare comportamento nel tempo. Un sistema software convalidato convenzionalmente esegue le stesse operazioni dopo la convalida di quanto facesse durante la stessa. Un modello AI riaddestrato su nuovi dati può produrre output diversi rispetto a quelli al momento della convalida iniziale. La validazione quindi non può essere un evento unico nel tempo: richiede monitoraggio continuo delle prestazioni, soglie definite per innescare la riconsiderazione della convalida e processi di change control progettati specificamente per gli aggiornamenti e il riaddestramento dei modelli.
2. La spiegabilità del modello è una vera sfida di documentazione. Molti sistemi AI, in particolare quelli che utilizzano architetture di deep learning, non possono spiegare con facilità perché hanno generato un output specifico. Negli ambienti GxP, dove auditabilità e tracciabilità sono requisiti regolatori, questo crea lacune di responsabilità che devono essere affrontate tramite scelte di progettazione deliberate a livello di architettura e governance, non retrospettivamente durante un'ispezione regolatoria.
3. La qualità dei dati di addestramento determina direttamente la conformità del modello. L'affidabilità degli output di un sistema AI è inseparabile dalla qualità dei dati sui quali è stato addestrato. In ambito farmaceutico, i dati di addestramento devono essere gestiti secondo i principi ALCOA+ come attributable, legible, contemporaneous, original, accurate, complete, consistent, enduring, and available che si applicano a tutti i record GxP. La maggior parte delle pipeline di dati AI non è stata originariamente costruita su questi standard, e adeguarle è un'impresa significativa.
4. La qualificazione dei fornitori terzi di AI richiede un nuovo quadro. Molti strumenti AI impiegati negli ambienti farmaceutici sono sviluppati e aggiornati continuamente da vendor terzi con una comprensione limitata dei requisiti GxP. Qualificare questi fornitori con il rigore appropriato e mantenere tale supervisione mentre le loro piattaforme vengono aggiornate, riaddestrate o ristrutturate richiede un quadro di qualificazione che la maggior parte delle organizzazioni sta ancora sviluppando.
5. L'allineamento della governance cross-funzionale è una sfida organizzativa, non tecnica. Stabilire un linguaggio condiviso, criteri condivisi di classificazione del rischio e un processo di governance condiviso per l'AI tra qualità, IT, data science, affari regolatori e operations è più difficile nella pratica di quanto sembri nella pianificazione. Questa è una delle ragioni principali per cui le iniziative AI si bloccano dopo la fase pilota, ed è un'area in cui lo sponsorship della leadership determina direttamente l'esito.

La vostra infrastruttura dati di base si basa ancora su processi manuali o disconnessi?

I modelli AI falliscono negli ambienti GxP senza dati digitalizzati e impeccabili.

→ Leggi: Qualità Senza Digitalizzazione: un rischio che i leader della moderna industria farmaceutica non possono ignorare

Sei domande che i dirigenti di Pharma e Biotech dovrebbero porre ai loro team

La GAMP AI Guide fornisce una base pratica per valutare dove si trova attualmente la vostra organizzazione sulla governance dell'AI. Queste sono le domande che fanno emergere le lacune più importanti:

1. Esiste un inventario documentato di tutti i sistemi AI attualmente in funzione o in sviluppo nelle aree dell'azienda regolamentate da GxP? Molte organizzazioni scoprono molte più applicazioni AI in corso di quante la leadership ne fosse a conoscenza quando conducono un inventario strutturato per la prima volta.
2. L'organizzazione dispone di un processo definito e documentato per classificare l'impatto GxP e il rischio per il paziente di un nuovo sistema AI prima del suo dispiegamento? In assenza di ciò, le decisioni di qualificazione del rischio vengono prese in modo informale e incoerente tra le funzioni.
3. I fornitori di strumenti e piattaforme AI di terze parti vengono qualificati formalmente allo stesso standard applicato ad altri fornitori di sistemi computerizzati GxP? Questo è uno dei gap più comuni e con maggiori conseguenze nella pratica di governance dell'AI attuale.
4. I team di garanzia della qualità e di data science operano con un vocabolario condiviso e un quadro di governance comune per l'AI? Il disallineamento tra queste funzioni, inclusa una diversa comprensione di cosa significhi convalida in un contesto AI, è una delle ragioni principali per cui i programmi di AI non riescono a passare dal pilota alla produzione.
5. Come vengono monitorati i sistemi AI già in produzione per drift del modello, degradazione della qualità dei dati o deviazioni di performance? Se la risposta onesta è che non esiste un monitoraggio strutturato, questo rappresenta un gap prioritario con implicazioni regolatorie dirette.
6. I data pipeline che alimentano i sistemi AI in ambienti GxP sono gestiti secondo gli standard di integrità dei dati ALCOA+? Per la maggior parte delle organizzazioni, la risposta corretta attualmente è "non completamente", e questo richiede un piano esplicito di remediation.

Una roadmap pratica di implementazione: come applicare la Guida GAMP AI per fasi?

La Guida GAMP AI è completa, e implementarla integralmente non è un obiettivo realistico nel breve termine per la maggior parte delle organizzazioni. L'approccio di leadership più efficace è considerarla come una roadmap di maturità e sequenziare l'implementazione in fasi che sviluppino progressivamente le capacità.

1) Istituire una struttura di governance AI interfunzionale con sponsorship esecutiva. Questo organismo dovrebbe includere garanzia della qualità, IT, data science, affari regolatori e legale, con diritti decisionali definiti, chiara responsabilità e una linea di reporting diretta alla leadership senior. In assenza di questa struttura, tutto il resto è più difficile da sostenere.

2) Eseguire un inventario dei sistemi AI e applicare la classificazione del rischio. Documentare ogni applicazione AI operativa o in sviluppo nelle aree rilevanti per GxP. Classificare ciascuna per uso previsto, impatto GxP e livello di rischio per il paziente. Questo esercizio identifica immediatamente dove si trovano le priorità di convalida e quali sistemi richiedono attenzione normativa urgente.

3) Costruire o aggiornare il quadro di qualificazione dei fornitori AI. Revisionare i processi correnti di qualificazione dei vendor rispetto alle raccomandazioni della guida per la supervisione dei fornitori. Identificare dove è necessaria una due diligence aggiuntiva e integrare i criteri di qualificazione aggiornati nei flussi di lavoro di procurement e vendor management.

4) Valutare la governance dei dati di training rispetto ai requisiti ALCOA+. Condurre una revisione dell'integrità dei dati delle pipeline che forniscono i dati di training ai sistemi AI operanti in ambienti GxP. Nella maggior parte delle organizzazioni, questo passaggio mette in luce i più grandi gap strutturali e informa l'investimento di remediation più significativo.

5) Definire protocolli di monitoraggio continuo dei sistemi AI e di revalidazione. Per ogni sistema AI in deployment GxP, stabilire soglie di performance documentate, cadenza di monitoraggio e le condizioni specifiche che innescano l'escalation, il retraining o la revalidazione formale. Questo dovrebbe essere incorporato nel design operativo di ogni sistema AI dal momento del dispiegamento iniziale.

6) Erogare formazione mirata interfunzionale sui principi GAMP AI. Il quadro di governance funziona solamente quando le persone responsabili della qualità, IT, affari regolatori e data science comprendono i principi della guida e sono in grado di applicarli in modo collaborativo. Una formazione strutturata tra queste funzioni, adattata al ruolo di ciascun pubblico nella governance dell'AI, è uno degli investimenti più diretti che un'organizzazione possa fare per la prontezza alla compliance dell'AI.

Avete difficoltà ad assumere gli esperti tecnici specializzati necessari per governare e convalidare questi sistemi complessi?

L'industria delle scienze della vita sta affrontando una massiccia carenza di competenze interfunzionali.

→ Leggi: Divario di talenti nel settore farmaceutico | Modelli previsionali che lo colmano

Il caso strategico: perché l'implementazione conforme dell'AI è un vantaggio competitivo?

Esiste una lettura della Guida GAMP AI che la considera come un onere di compliance, un altro insieme di requisiti da soddisfare al minimo costo. Tale lettura sottovaluta significativamente ciò che è in gioco.

Le organizzazioni farmaceutiche che costruiscono una capacità genuina e documentata nell'implementazione conforme dell'AI saranno posizionate per:

1. Accelerare il percorso dal pilota al dispiegamento in produzione GxP perché l'infrastruttura di governance per convalidare, qualificare e rilasciare i sistemi AI sarà già in atto
2. Mantenere una posizione regolatoria difendibile man mano che FDA, EMA e altre agenzie formalizzano le aspettative sulla supervisione dell'AI
3. Espandere le applicazioni AI nell'ambito del più ampio spettro di funzioni regolate come qualità di produzione, operazioni cliniche, affari regolatori, farmacovigilanza, senza essere limitati da questioni di conformità irrisolte
4. Attrarre e trattenere talenti in data science e AI engineering che vogliono lavorare in organizzazioni dove i loro contributi possono evolvere in deployment di livello regolatorio anziché rimanere in uno status di pilota perpetuo

Le aziende farmaceutiche e biotech che realizzeranno il maggior valore a lungo termine dall'AI non saranno quelle che si sono mosse più velocemente in contesti non regolamentati. Saranno invece quelle che hanno costruito l'infrastruttura di governance abbastanza presto da poter implementare l'AI su scala all'interno di ambienti GxP, generando valore clinico, operativo e commerciale con la piena fiducia regolatoria alle spalle.

La ISPE GAMP® Guide: Artificial Intelligence è la roadmap più autorevole e completa del settore per fare esattamente questo. Per la leadership di pharma e biotech, la decisione non è se interagire con essa — è quanto prima farlo.

Domande frequenti

1. Che cos'è la Guida ISPE GAMP® AI e perché è stata creata?

La guida ISPE GAMP® AI è un framework di 290 pagine progettato per aiutare le aziende farmaceutiche e biotecnologiche a implementare l’intelligenza artificiale in ambienti regolamentati GxP senza compromettere la sicurezza, l’integrità dei dati o la qualità. È stata creata per colmare una lacuna critica in cui gli approcci di convalida tradizionali non riuscivano a trattare il comportamento adattivo, opaco e dipendente dai dati dell’AI. Garantisce alle organizzazioni una roadmap chiara, conforme e allineata all’industria per distribuire l’AI in modo responsabile.

2. In che modo la guida GAMP® AI aiuta le organizzazioni farmaceutiche e biotecnologiche a utilizzare l’AI in conformità?

La guida fornisce indicazioni strutturate basate sul ciclo di vita che coprono governance dei dati, addestramento dei modelli, convalida, deployment dei sistemi, monitoraggio delle prestazioni e controllo delle modifiche. Si allinea a normative globali come l’EU AI Act, le linee guida preliminari della FDA e ISO/IEC 42001 per aiutare le organizzazioni a rimanere avanti rispetto alle aspettative regolatorie. Seguendola, le aziende possono scalare l’AI con fiducia anziché lasciare i progetti pilota bloccati nella fase di sperimentazione.

3. Perché la governance dell’AI dovrebbe essere una priorità della leadership anziché solo una responsabilità IT?

I sistemi di AI utilizzati nella produzione, nella qualità, nelle operazioni cliniche o nelle submission regolatorie possono avere un impatto diretto sull’integrità del prodotto, sulla sicurezza dei pazienti e sulla conformità, rendendo la governance una responsabilità critica per il business. La guida sottolinea che il rischio dell’AI non è un problema IT ma organizzativo, che richiede supervisione strategica, allocazione di risorse e responsabilità da parte della leadership senior. Un forte coinvolgimento della leadership assicura che gli investimenti in AI raggiungano effettivamente una distribuzione conforme invece di rimanere frammentati o privi di governance.