L’AI oltre la promessa delle cure: il nodo è dove investiamo

Dalla scoperta dei farmaci alle malattie rare, l’intelligenza artificiale può essere usata non soltanto per fare più in fretta ciò che già facciamo, ma per esplorare ipotesi che nessun ricercatore, laboratorio o impresa avrebbe il tempo o l’incentivo di verificare. Il punto non è una AI buona: è la direzione che scegliamo di dare a capitale, compute e ricerca.

Una promessa seducente, ma formulata male

Negli ultimi anni una delle promesse più forti associate all’intelligenza artificiale è diventata quasi una scorciatoia retorica: quando avremo sistemi abbastanza potenti, cureremo il cancro, le malattie rare e, in prospettiva, gran parte delle patologie che oggi non sappiamo trattare. Se l’AI riesce a leggere quantità di informazioni impossibili per un essere umano, trovare regolarità nascoste e generare nuove ipotesi, perché non dovrebbe riuscire a trovare anche nuove cure?

Daphne Koller parte proprio da qui. È una scienziata informatica che lavora da quasi trent’anni all’incrocio fra machine learning e biologia; ha insegnato a Stanford e oggi è fondatrice e CEO di insitro, società che applica AI e dati biologici alla scoperta di farmaci. In un saggio pubblicato su a16z News, Koller sostiene che l’idea della bacchetta magica contiene un errore di fondo: presume che la conoscenza biologica necessaria per trovare le cure esista già e che manchi soltanto una macchina sufficientemente intelligente per collegare i punti.

Il problema è che molti punti non sono ancora stati raccolti. Non sappiamo abbastanza della biologia umana, e soprattutto non conosciamo abbastanza bene le relazioni causali che collegano un meccanismo cellulare all’evoluzione concreta di una malattia in un organismo. Koller usa la parabola dei ciechi e dell’elefante: ognuno tocca una parte diversa dell’animale e descrive correttamente ciò che sente, ma nessuno possiede l’intera figura. La biologia contemporanea dispone di una quantità enorme di informazioni vere, sui geni, sulle proteine, sui tipi cellulari, sui tessuti, sui sintomi, senza che questo equivalga ancora a possedere una mappa completa di come una malattia nasce, evolve e risponde a un intervento.

Questo limite non rende meno interessante l’AI. Al contrario, aiuta a formulare meglio la domanda: non quando l’AI troverà da sola le cure?, ma in quali parti del processo scientifico una macchina può fare qualcosa che gli esseri umani, per limiti di tempo, attenzione, costo o incentivi, non riescono a fare su scala sufficiente? Da questa domanda che vale la pena partire.

Prima di parlare di AI: come si arriva a un farmaco

Per un lettore che non lavora nella ricerca farmaceutica, il punto può essere controintuitivo. Scoprire un farmaco non significa semplicemente inventare una molecola. Prima bisogna capire dove intervenire nella malattia. In termini molto semplificati, il percorso può essere diviso in tre fasi.

Il termine target, molto usato nel settore, indica il bersaglio biologico su cui si decide di intervenire. Il meccanismo è il processo attraverso cui quel bersaglio dovrebbe modificare la malattia. È importante distinguerli dalla molecola: si può progettare perfettamente un farmaco contro un bersaglio e scoprire, anni dopo, che quel bersaglio non era decisivo per la malattia.

Il primo paradosso: l’AI lavora soprattutto dove il problema è più trattabile

Koller osserva che gran parte degli investimenti in AI per il drug discovery si è concentrata sulla seconda fase, quella che va dal meccanismo al farmaco. È comprensibile. AlphaFold, il sistema di DeepMind che ha rivoluzionato la previsione della struttura tridimensionale delle proteine, ha mostrato che un problema biologico molto difficile può diventare molto più trattabile grazie a modelli avanzati. Da allora sono cresciuti gli strumenti per progettare proteine, piccole molecole, terapie a RNA e altre modalità terapeutiche.

Ma Koller sostiene che il collo di bottiglia più importante sta spesso un passo prima: non nel costruire la molecola, ma nel sapere quale meccanismo colpire. Richiama un dato noto nel settore: oltre il 90% dei farmaci che entrano nei trial clinici non arriva all’approvazione. Le cause sono diverse, ma il suo punto è che molto spesso non fallisce la capacità di costruire la “chiave”; fallisce l’ipotesi sulla “serratura”. Un farmaco può raggiungere esattamente il bersaglio per cui è stato progettato e tuttavia non cambiare la malattia in modo sufficiente nel paziente.

Figura 1 — Dove si concentra lo sforzo AI e dove, secondo Koller, nasce soprattutto il fallimento. La parte superiore indica l’intensità relativa dell’attività AI nelle tre fasi; quella inferiore il punto in cui si origina il rischio di insuccesso. Fonte: Daphne Koller / insitro / a16z, 2026. L’autrice specifica che la figura ha finalità illustrative.

La figura va letta così: oggi l’AI è molto forte nel secondo passaggio, meccanismo → farmaco, mentre il rischio più grande nasce nella prima domanda, malattia → meccanismo. La provocazione non è che l’AI molecolare sia inutile, è che potremmo diventare straordinariamente efficienti nel progettare farmaci contro ipotesi biologiche sbagliate. La tecnologia aumenterebbe la velocità del processo senza eliminare l’incertezza principale.

Più attività non significa più esplorazione

Un secondo grafico usato da Koller aiuta a capire perché questa distinzione non è solo scientifica, ma anche industriale. Negli ultimi dieci anni circa, il numero totale di programmi farmaceutici attivi è cresciuto molto. Nello stesso periodo, secondo i dati riassunti nella figura, il numero di nuovi bersagli biologici che entrano ogni anno nella pipeline è diminuito. In altre parole: più progetti, ma una quota crescente di questi progetti si concentra su un insieme ristretto di meccanismi già considerati promettenti.

Figura 2 — La pipeline globale cresce, mentre diminuiscono i nuovi target biologici introdotti ogni anno. La figura riporta anche che 38 target, circa il 2% del totale considerato, rappresentano approssimativamente un quarto della pipeline. Fonte indicata nel grafico: L.E.K. Consulting, 2025; visualizzazione insitro/a16z. Dati presentati a scopo illustrativo.

Dal punto di vista di un’impresa farmaceutica il comportamento è razionale. Portare un nuovo farmaco fino al mercato richiede anni, investimenti molto elevati e un rischio di fallimento significativo. Se un meccanismo ha già dimostrato di funzionare, sviluppare una nuova molecola contro quello stesso bersaglio può apparire più prudente che esplorare una biologia completamente nuova. Il risultato aggregato, però, può essere paradossale: l’industria diventa più attiva senza diventare proporzionalmente più esplorativa.

È qui che l’AI può avere un ruolo diverso da quello che le attribuiamo normalmente. Non solo rendere più efficiente ciò che già sappiamo fare, ma ridurre il costo dell’esplorazione: aiutare a scandagliare un numero di ipotesi troppo grande perché esseri umani e organizzazioni possano farlo in modo sistematico.

Una capacità poco spettacolare ma decisiva: non stancarsi

Questa proprietà non riguarda soltanto la medicina. A giugno avevamo raccontato un caso matematico: un modello interno di OpenAI aveva confutato una congettura collegata a un problema formulato da Paul Erdős nel 1946. Nel lavoro dei ricercatori emergevano tre vantaggi del sistema: la possibilità di esplorare direzioni meno condizionate dalle convenzioni della comunità scientifica, la capacità di combinare campi diversi e, soprattutto, la persistenza computazionale.

La persistenza computazionale non significa che una macchina possieda volontà o tenacia nel senso umano. Significa una cosa più semplice: un sistema può continuare a generare, valutare e scartare tentativi per tempi e volumi che un ricercatore non può sostenere. Un matematico, un biologo o un medico devono dormire, insegnare, scrivere progetti, seguire pazienti, scegliere quali piste meritino altre settimane di lavoro. Devono anche proteggere il proprio tempo da ipotesi che sembrano poco promettenti. Una macchina può invece essere incaricata di esplorare proprio quella coda lunga delle possibilità.

Questa differenza diventa importante quando lo spazio da esplorare è enorme. Non serve immaginare una superintelligenza che capisca tutto. Basta un sistema abbastanza buono da ordinare milioni di possibilità meglio di quanto potremmo fare manualmente e abbastanza economico da continuare a farlo. Il valore non sta necessariamente nella singola risposta brillante, ma nella possibilità di non chiudere troppo presto lo spazio delle domande.

Il caso Fajgenbaum: quando il farmaco esisteva già

Il drug repurposing, il riutilizzo di un farmaco già approvato per una malattia diversa da quella originaria, rende questa idea molto concreta. Il caso più noto è quello di David Fajgenbaum, medico e ricercatore statunitense. Nel 2010, mentre era studente di medicina, fu colpito dalla malattia di Castleman multicentrica idiopatica, o iMCD: una rara malattia ematologica e infiammatoria che può provocare ingrossamento dei linfonodi, infiammazione sistemica e, nelle forme più gravi, disfunzione di più organi.

Fajgenbaum arrivò più volte vicino alla morte. Le terapie disponibili non bastavano. Con il suo gruppo analizzò campioni biologici e individuò un’attivazione anomala della via PI3K/AKT/mTOR, un sistema di segnali cellulari coinvolto nella crescita e nell’attivazione delle cellule. A quel punto emerse una possibilità: il sirolimus, un farmaco già usato da anni come immunosoppressore nei trapianti, inibisce proprio mTOR. Il farmaco non era stato sviluppato per la malattia di Castleman, ma il meccanismo suggeriva che potesse essere utile.

Il sirolimus portò a una remissione duratura in Fajgenbaum e successivamente mostrò beneficio anche in altri pazienti refrattari. È importante essere precisi: questa prima scoperta non fu fatta dall’AI. Fu un esempio di medicina di precisione costruita con dati biologici, ragionamento scientifico e un farmaco esistente. Ma proprio quell’esperienza fece emergere una domanda più generale: quante altre associazioni fra farmaci già disponibili e malattie potrebbero esistere senza che nessuno le abbia ancora cercate in modo sistematico?

Da un caso a sessanta milioni di possibilità

Per rispondere a quella domanda Fajgenbaum ha cofondato Every Cure, organizzazione non profit che prova a trasformare il riposizionamento dei farmaci da attività episodica a ricerca sistematica. Il progetto principale si chiama MATRIX. Il principio è all drugs versus all diseases: invece di partire da una sola malattia e cercare qualche farmaco candidato, il sistema costruisce una grande matrice che mette in relazione tutti i farmaci considerati con tutte le malattie considerate.

La documentazione tecnica di Every Cure descrive oggi circa 60 milioni di coppie farmaco-malattia. Per ciascuna coppia il sistema integra informazioni provenienti da fonti biomediche diverse, costruisce un knowledge graph, una rete di relazioni fra farmaci, geni, proteine, meccanismi e malattie, usa modelli di machine learning per produrre un punteggio di plausibilità terapeutica. Il risultato non è questo farmaco cura questa malattia, è una graduatoria: tra milioni di combinazioni, quali meritano per prime l’attenzione di medici e ricercatori?

Questo dettaglio è essenziale. L’AI non chiude il processo, lo apre. Le opportunità suggerite vengono riesaminate da team medici, confrontate con la letteratura e con i dati disponibili, quindi eventualmente portate verso studi di laboratorio o clinici. Every Cure riferisce che il sistema viene usato per selezionare e affinare candidati e che la valutazione umana torna poi nel ciclo come nuovo dato per migliorare i modelli.

Nel 2025 un lavoro pubblicato sul New England Journal of Medicine ha mostrato perché questo approccio può essere rilevante. Un paziente con iMCD di lunga durata, che aveva fallito più terapie ed era in procinto di entrare in hospice, è stato trattato con un inibitore del TNF dopo che analisi computazionali e biologiche avevano indicato quella via come possibile bersaglio. Il farmaco utilizzato, adalimumab, esisteva già ed era approvato per altre malattie infiammatorie. Al momento della pubblicazione, il paziente era in remissione da 24 mesi.

Raccontare il caso come l’AI ha trovato la cura sarebbe sbagliato. La sequenza è più istruttiva: il sistema computazionale riduce lo spazio delle ipotesi, i dati biologici verificano che il meccanismo abbia senso, i medici valutano rischi e opportunità; il paziente e il tempo clinico stabiliscono se la previsione regge nel mondo reale. Si tratta di un esempio di complementarità scientifica, non di sostituzione dello scienziato.

Quando il mercato non ha abbastanza incentivo a cercare

Il drug repurposing mette inoltre in evidenza un problema economico. Non è corretto dire che le malattie rare non interessino alle aziende: alcuni farmaci orfani sono prodotti ad altissimo valore e i principali sistemi regolatori hanno creato incentivi specifici proprio per favorirne lo sviluppo. Il punto è più circoscritto. Se un possibile trattamento è un farmaco vecchio, generico o con protezione brevettuale debole, produrre le prove necessarie per una nuova indicazione può costare molto senza garantire a chi finanzia gli studi un ritorno economico proporzionato.

Qui può formarsi un vuoto: il valore sociale della scoperta è enorme per i pazienti, ma il valore privato dell’investimento può essere troppo basso. La molecola è già disponibile; quello che manca è l’evidenza che autorizzi a usarla con fiducia per un’altra malattia e produrre evidenza resta costoso.

MATRIX è interessante proprio perché prova a ridurre il costo della fase precedente: trovare le ipotesi che vale la pena portare verso la validazione. ARPA-H, l’agenzia statunitense per progetti avanzati nella salute, ha finanziato il programma con un award complessivo indicato fino a 124 milioni di dollari. La seconda fase, annunciata nel 2026, destina fino a 76 milioni alla validazione preclinica e clinica delle opportunità più promettenti individuate dalla piattaforma. È un esempio concreto di politica dell’innovazione: non finanziare genericamente più AI, ma indirizzare AI, dati e sperimentazione verso un problema nel quale il mercato da solo può lasciare opportunità inesplorate.

Il limite di Koller: i dati che non esistono non possono essere elaborati

A questo punto potrebbe sembrare che basti aumentare la scala: più compute, più agenti, più combinazioni, più tentativi, esattamente la conclusione da cui Koller mette in guardia. Perché un sistema può cercare efficacemente solo dentro lo spazio di informazione che possiede. Se la relazione causale fra un meccanismo e una malattia non è stata osservata, perturbata o misurata, nessun modello linguistico può trasformare la sua assenza in un fatto sperimentale.

Il suo grafico The Data Chasm prova a rappresentare questa distanza. Gli atlanti cellulari contemporanei contengono enormi quantità di dati descrittivi sulle cellule. Ma una mappa causale dovrebbe contenere qualcosa di più: non solo come una cellula è fatta in un certo momento, ma come cambia se modifichiamo un gene, blocchiamo una proteina, alteriamo l’ambiente, cambiamo tipo di tessuto o interveniamo in un organismo vivente. Le combinazioni crescono rapidamente e una parte decisiva dei dati, soprattutto quelli perturbazionali e clinici, semplicemente, non è ancora disponibile.

Figura 3 — “The Data Chasm”. La scala è logaritmica: si passa da gigabyte a terabyte e petabyte. Koller contrappone i dati oggi disponibili a un ordine di grandezza ipotetico per una mappa causale della biologia, indicando un divario di circa 1.000 volte. La stima è dichiaratamente illustrativa: serve a mostrare la natura del problema, non a fissare una misura universale.

Il “mille volte” non va quindi preso come una misura precisa del deficit informativo della biologia. È una stima di ordine di grandezza. Il punto concettuale è un altro: ragionare meglio su una biblioteca incompleta non equivale a fare gli esperimenti mancanti. L’AI può aiutare a scegliere quali esperimenti abbiano più valore, automatizzarne una parte e imparare dai risultati. Ma la conoscenza causale continua a richiedere un contatto con il mondo.

Nemmeno il tempo biologico è software

C’è un secondo limite che diventa evidente quando un farmaco arriva alla sperimentazione clinica. Una parte dello sviluppo può essere accelerata: modelli predittivi possono aiutare nella tossicologia, sistemi generativi possono assistere nella documentazione regolatoria, algoritmi possono migliorare l’identificazione dei pazienti o la selezione dei centri clinici. Ma una parte del processo dipende dalla velocità con cui la biologia si manifesta.

Se vogliamo sapere se una terapia rallenta una malattia che evolve in mesi o anni, dobbiamo osservare pazienti reali per un intervallo sufficiente. Non è un problema di inefficienza amministrativa e non si risolve aumentando i FLOPS. La malattia ha un proprio tempo.

Figura 4 — Che cosa l’AI può e non può comprimere in un trial. Koller rappresenta come comprimibili soprattutto attività precliniche e operative, mentre una grande quota resta legata all’osservazione biologica “in-life”. Le percentuali sono illustrative e non vanno lette come una legge generale dello sviluppo farmaceutico.

Anche qui l’AI può incidere, ma indirettamente: se comprendiamo meglio il meccanismo possiamo scegliere pazienti più adatti, trovare biomarcatori che segnalino prima se il farmaco sta funzionando e interrompere più rapidamente studi destinati a fallire. La leva più potente torna quindi alla stessa domanda iniziale: capire meglio la biologia, non soltanto accelerare la burocrazia che la circonda.

Dall’AI che toglie lavoro cognitivo all’AI che amplia la ricerca

Gran parte del dibattito pubblico sull’AI generativa riguarda un’altra direzione. I sistemi scrivono una mail, sintetizzano un documento, producono una presentazione, ricordano informazioni, propongono una risposta. Sono usi che riducono il tempo necessario per attività cognitive già note. Accanto ai vantaggi, è nato anche un filone di ricerca sul cognitive offloading: che cosa accade quando deleghiamo in modo sistematico memoria, scrittura, ricerca o ragionamento a uno strumento esterno? Le evidenze sono ancora da interpretare con cautela e non autorizzano a parlare genericamente di declino cognitivo causato dall’AI. Ma la domanda è legittima: una tecnologia può aumentare la produttività individuale e, se usata passivamente, ridurre l’esercizio di alcune competenze.

Il caso della scienza suggerisce una traiettoria quasi opposta. Qui la macchina non serve principalmente a evitarci un lavoro che potremmo fare. Serve a esplorare uno spazio che, nelle dimensioni richieste, non potremmo percorrere. Sessanta milioni di coppie farmaco-malattia non sono una normale lista di attività da delegare. Sono un problema che esiste solo perché il calcolo rende possibile formularlo su quella scala.

La differenza può essere sintetizzata così: una cosa è usare l’AI per comprimere ciò che già sappiamo fare; un’altra è usarla per espandere ciò che siamo in grado di cercare. Nel primo caso il valore è soprattutto efficienza. Nel secondo può essere nuova conoscenza.

La tecnologia non sceglie da sola la propria direzione

Qui il discorso incontra l’economia dell’innovazione. Daron Acemoglu, David Autor e Simon Johnson hanno proposto un quadro per una pro-worker AI, cioè tecnologie che rendano le competenze umane più preziose invece di limitarsi a sostituire lavoro. Il loro oggetto è il mercato del lavoro, non la ricerca biomedica. Ma il principio che interessa qui è più generale: la direzione del progresso tecnologico dipende dagli incentivi, dalle priorità di ricerca e dagli investimenti. Non è un risultato automatico della capacità tecnica.

Estendere questo ragionamento a una AI pro-human richiede attenzione: non è una categoria usata dagli autori e non basta appiccicare un’etichetta positiva a qualsiasi applicazione sanitaria. Può però indicare una scelta concreta di allocazione. Una parte di capitale, compute, dati e talento può essere indirizzata verso problemi in cui il rendimento sociale è alto anche quando quello privato è incerto: malattie senza terapie, prevenzione, nuovi materiali, clima, matematica, scienze di base.

Le politiche pubbliche hanno strumenti per farlo: grant di ricerca, procurement, infrastrutture di calcolo, condivisione di dataset, programmi mission-oriented, incentivi alla validazione clinica, costruzione di benchmark e laboratori automatizzati. La questione non è decidere centralmente quali scoperte debbano avvenire, ma creare condizioni in cui una parte della frontiera dell’AI sia premiata non soltanto quando riduce costi commerciali immediati, ma anche quando apre capacità scientifiche nuove.

Dove decidiamo di spendere l’intelligenza delle macchine

Il contributo di Koller è prezioso perché impedisce di trasformare questo scenario in una nuova utopia. L’AI non può sostituire i dati che non abbiamo, non può abolire la sperimentazione e non può accelerare arbitrariamente il tempo biologico. Every Cure non dimostra che un algoritmo possa curare tutte le malattie: dimostra che è possibile rendere sistematica una ricerca che prima dipendeva in larga parte da intuizioni, coincidenze, conoscenze locali e disponibilità di singoli gruppi a inseguire piste laterali.

Il caso di Erdős mostra la stessa proprietà in un dominio completamente diverso. Una macchina può continuare a esplorare dove un essere umano deve scegliere di fermarsi. Nel drug repurposing questa persistenza acquista un significato immediatamente umano: una pista che sarebbe rimasta in fondo a una lista può diventare il candidato da verificare per un paziente che non ha altre opzioni.

Per questo la discussione sull’AI non dovrebbe fermarsi alla domanda su quanti lavori sostituirà, quanti documenti produrrà o quanti minuti ci farà risparmiare. Esiste un’altra domanda, meno visibile ma forse più importante: quali problemi diventano finalmente esplorabili quando disponiamo di una capacità di ricerca che non si stanca, attraversa milioni di possibilità e può essere collegata a laboratori, medici e scienziati?

Non è una contrapposizione morale fra AI buona e AI cattiva, è una scelta di direzione dell’innovazione. Possiamo usare una parte crescente della potenza computazionale per ridurre il costo di ciò che già facciamo. Oppure possiamo destinarne una parte a cercare dove, fino a ieri, non avevamo abbastanza tempo, denaro o attenzione per cercare.