Fino a pochi anni fa, l’idea che l’intelligenza artificiale potesse rendere la scoperta di nuovi farmaci più rapida, più precisa e capace di comprimere in pochi anni progressi tradizionalmente misurati in decenni sarebbe apparsa quasi fantascientifica. Oggi questa promessa è al centro dell’ingresso dell’AI nella ricerca farmaceutica. La domanda che anima il dibattito è però più sfumata: quanto di questa promessa deriva davvero dalla capacità dell’AI di “capire” la biologia, e quanto invece dalla sua abilità di accelerare soltanto alcuni segmenti di un processo ben più articolato?
Attorno a questo interrogativo si sta consolidando una discussione in cui convivono almeno tre posizioni. C’è chi guarda con ottimismo alla possibilità che l’intelligenza artificiale produca un’accelerazione sistemica dell’intera ricerca biomedica. Dario Amodei, CEO di Anthropic, ne ha dato una delle formulazioni più ambiziose nel saggio Machines of Loving Grace: sistemi di AI sufficientemente potenti potrebbero moltiplicare per almeno dieci il ritmo delle scoperte biologiche, condensando in cinque-dieci anni ciò che la ricerca umana avrebbe realizzato nei successivi cinquanta o cento. Lo stesso Amodei, però, ammette che certi tempi sperimentali sono difficilmente comprimibili e che esiste una “latenza” inevitabile, legata agli esperimenti, alla progettazione di nuove tecnologie e alla necessità di confrontarsi con il mondo reale in modo iterativo.
È significativo che nell’agosto 2026 Amodei abbia introdotto una nota di cautela più esplicita, riconoscendo che le aziende di AI non hanno ancora mantenuto molte delle grandi promesse formulate sui benefici concreti della tecnologia. Non è una smentita di Machines of Loving Grace: il suo intervento sposta però l’attenzione dalle capacità potenziali alla prova dei risultati, rendendo più evidente la distanza tra ciò che l’AI potrebbe fare e ciò che ha già dimostrato di saper produrre.
Su una linea altrettanto ambiziosa si colloca Demis Hassabis, fondatore di DeepMind e oggi alla guida di Isomorphic Labs, società nata per applicare l’intelligenza artificiale alla drug discovery, dalla selezione dei target alla progettazione delle molecole. All’estremo opposto si trova una lettura più critica, sostenuta con particolare efficacia da Daphne Koller, pioniera del machine learning e fondatrice di insitro. Nel suo recente intervento Drug Discovery Has No Magic Wands, Koller non mette in discussione il potenziale dell’intelligenza artificiale, anzi riconosce che possa trasformare profondamente la medicina. Ciò che contesta è l’assunto che un aumento della capacità computazionale si traduca automaticamente in nuove cure: il problema fondamentale, sostiene, non è soltanto quanto bene sappiamo elaborare le informazioni disponibili, ma quanto della biologia umana continuiamo a non comprendere.
Esiste poi una terza via, probabilmente la più utile per capire dove siamo realmente oggi: quella che emerge dai primi dati clinici. La letteratura disponibile non racconta di un fallimento dell’AI nella drug discovery; mostra invece segnali incoraggianti, ma suggerisce che il vantaggio varia sensibilmente a seconda della fase del processo in cui l’AI viene impiegata. È proprio questa variabilità a rendere il dibattito più interessante di una semplice contrapposizione tra entusiasmo e scetticismo.
Indice degli argomenti
Perché AlphaFold ha cambiato la biologia
Il motivo per cui AlphaFold viene citato così spesso quando si discute del futuro dell’AI in medicina va cercato nel problema specifico che ha saputo risolvere. Le proteine sono molecole essenziali per il funzionamento dell’organismo e non sono semplici catene lineari di aminoacidi: dopo la produzione, queste catene si ripiegano in strutture tridimensionali estremamente precise. La forma finale determina come una proteina interagisce con altre molecole, partecipa alle reazioni biologiche, trasmette segnali o può essere raggiunta da un farmaco.
Per decenni, ricostruire sperimentalmente la struttura tridimensionale di una proteina ha richiesto tecniche complesse e costose, dalla cristallografia a raggi X alla risonanza magnetica nucleare fino alla microscopia crioelettronica. AlphaFold, sviluppato da DeepMind, ha cambiato radicalmente questo scenario: in molti casi, la struttura può oggi essere prevista computazionalmente a partire dalla sequenza di aminoacidi, con un’accuratezza prima difficile da immaginare.
C’è però una condizione importante. AlphaFold ha potuto apprendere grazie a decenni di strutture proteiche determinate sperimentalmente e raccolte nel Protein Data Bank. L’intelligenza artificiale, in altri termini, non ha creato dal nulla quel patrimonio di conoscenza: ha imparato da dati prodotti da generazioni di ricerca sperimentale.
Ed è qui che le tre letture cominciano a separarsi. Per gli ottimisti, AlphaFold dimostra che problemi scientifici apparentemente intrattabili possono diventare risolvibili quando dati, capacità computazionale e qualità dei modelli superano una certa soglia. Per Koller dimostra invece che l’AI eccelle quando il problema è ben definito, i dati sono abbondanti e il criterio di verifica è chiaro. La posizione intermedia tiene insieme le due osservazioni: AlphaFold prova che l’AI può trasformare alcune fasi della ricerca, non che possa accelerare automaticamente l’intero cammino verso una terapia efficace.
Dalla malattia al farmaco: non esiste un unico problema
La distinzione proposta da Koller aiuta a individuare dove si trovi il vero collo di bottiglia. La scoperta di un farmaco può essere concepita come una sequenza di almeno tre passaggi. Il primo è il passaggio dalla malattia al meccanismo: capire quali pathway, proteine, interazioni o processi biologici abbiano un ruolo realmente causale nella patologia e quali possano costituire bersagli terapeutici validi. Il secondo è il passaggio dal meccanismo al farmaco: progettare una molecola, un anticorpo, una terapia genica o un’altra modalità terapeutica capace di modificare quel bersaglio. Il terzo è il passaggio dal farmaco al paziente: l’intero percorso necessario a dimostrare che l’intervento è sicuro e, soprattutto, che produce nell’essere umano il beneficio clinico atteso.
Gran parte del successo attuale dell’intelligenza artificiale si concentra soprattutto nel secondo passaggio. Una volta identificato un target, modelli generativi, sistemi di previsione molecolare e piattaforme automatizzate possono esplorare spazi chimici vastissimi, generare candidati, prevedere alcune proprietà e ottimizzare molecole con una velocità di gran lunga superiore a quella delle metodologie tradizionali. Ma è proprio questa capacità a generare il paradosso: potremmo diventare straordinariamente bravi a progettare farmaci contro target scelti male.
L’immagine usata da Koller è particolarmente efficace: l’AI sta migliorando enormemente la nostra capacità di costruire chiavi; il problema è che, per molte malattie, continuiamo a non sapere quale sia la serratura giusta. Sistemi futuri potrebbero individuare connessioni che oggi sfuggono alla ricerca tradizionale, ma molti dei dati decisivi non esistono ancora. Il progresso dipenderà quindi anche dalla capacità di generare nuova evidenza biologica capace di confermare o smentire le ipotesi prodotte dai modelli.
Il 90% dei candidati fallisce, ma questo dato va letto con attenzione
Uno dei numeri più ricorrenti nell’industria farmaceutica è il tasso di fallimento clinico: circa nove candidati su dieci che entrano nella sperimentazione clinica non arrivano all’approvazione. Le cause sono molteplici, ma la mancanza di efficacia continua a pesare in modo rilevante. Il dato è cruciale perché dimostra che un farmaco può essere chimicamente ben progettato, interagire con il bersaglio previsto e possedere proprietà farmacologiche accettabili senza produrre nel paziente il risultato terapeutico sperato. In altri termini, il problema non è sempre la molecola: a volte è l’ipotesi biologica che ha condotto alla scelta del target.
I primi farmaci AI: promettenti, ma il vero test arriva in Fase II
Uno studio pubblicato nel 2024 su Drug Discovery Today ha analizzato i primi risultati clinici delle pipeline di aziende biotech AI-native. I segnali più incoraggianti sono emersi in Fase I, dove i candidati AI-discovered hanno mostrato tassi di successo dell’80-90%, superiori ai benchmark storici. Il dato è rilevante perché la Fase I verifica in larga misura se il candidato possieda caratteristiche accettabili in termini di sicurezza, tollerabilità e comportamento farmacologico.
In Fase II, però, la domanda cambia natura: non basta più dimostrare che il farmaco sia gestibile, bisogna cominciare a verificare se produca realmente l’effetto terapeutico atteso nei pazienti. Ed è qui che il tasso osservato nello stesso studio si attestava attorno al 40%, un valore molto più vicino ai benchmark storici. Il campione disponibile è ancora limitato e trarre conclusioni definitive sarebbe prematuro, ma la differenza è teoricamente significativa: i dati indicano un vantaggio reale, senza permettere ancora di stabilire se quel vantaggio si tradurrà in una maggiore probabilità di portare nuove terapie fino all’approvazione.
KRAS: quando la svolta è stata capire dove intervenire
La storia di KRAS rende particolarmente chiara questa distinzione. KRAS è uno degli oncogeni più importanti nella biologia dei tumori ed è stato per decenni considerato uno dei target più difficili da colpire farmacologicamente. La svolta arrivò quando la ricerca sperimentale identificò una vulnerabilità nella variante KRAS-G12C: una tasca allosterica che poteva essere sfruttata per sviluppare inibitori specifici. Da quella scoperta sono poi derivati farmaci come sotorasib e adagrasib.
Il significato di questo caso non è che l’intelligenza artificiale non avrebbe potuto contribuire: una volta identificata una nuova vulnerabilità biologica, gli strumenti computazionali possono accelerare l’esplorazione e l’ottimizzazione delle molecole. Il punto è che la scoperta fondamentale è stata anzitutto biologica. Le due prospettive possono quindi convergere proprio nel collegamento tra AI e sistemi capaci di produrre nuova evidenza.
La differenza tra conoscenza dispersa e conoscenza inesistente
Questa distinzione riguarda anche i grandi modelli linguistici applicati alla ricerca scientifica. Il vantaggio di sistemi capaci di analizzare milioni di pubblicazioni, individuare connessioni, sintetizzare risultati e proporre ipotesi è evidente. Ma esiste una differenza fondamentale fra una risposta dispersa nella letteratura e una risposta che nessuno ha ancora prodotto. Se la conoscenza necessaria esiste già ma è distribuita fra migliaia di studi, l’AI può avere un vantaggio enorme nel ricomporla. Se invece manca l’esperimento che dimostra come una cellula si comporti in una particolare condizione, nessun modello può estrarre quella conoscenza dal nulla.
Virtual Cells: la scommessa più ambiziosa
Le Virtual Cells mirano a costruire rappresentazioni computazionali capaci di prevedere come una cellula reagirà a modificazioni genetiche, farmaci o altre perturbazioni. La promessa è chiara: se fosse possibile simulare con sufficiente accuratezza il comportamento cellulare, molte ipotesi potrebbero essere testate virtualmente prima di passare al laboratorio.
Per la posizione più ottimistica, questa è una delle strade attraverso cui il collo di bottiglia biologico potrebbe essere progressivamente ridotto. La letteratura più cauta evidenzia però un problema importante. Il lavoro Virtual Cells Need Context, Not Just Scale sostiene che aumentare semplicemente dimensione del modello e quantità di dati dello stesso tipo potrebbe non bastare, perché il comportamento cellulare dipende profondamente dal contesto. Una stessa perturbazione può produrre effetti diversi in tessuti diversi, in differenti stati della malattia o in presenza di microambienti differenti. La prospettiva intermedia è quindi che le Virtual Cells possano diventare utili, ma richiedano dati sperimentali più diversificati e una migliore capacità di rappresentare la causalità.
Il vero vincolo potrebbe essere il tempo necessario per ottenere feedback
La differenza più profonda fra AI applicata al software e AI applicata alla biologia emerge osservando il feedback loop. Un sistema che genera codice può testare quasi immediatamente il proprio output: il programma compila oppure no, il test viene superato oppure fallisce e il sistema può correggersi in pochi secondi. La biologia opera su tempi diversi. Per sapere se un candidato farmacologico funziona bisogna produrlo, testarlo, studiarne gli effetti, comprenderne la tossicità, verificarne il comportamento nell’organismo e, infine, arrivare al paziente. Il feedback decisivo può richiedere mesi o anni.
Anche questo limite può essere ridotto attraverso automazione, simulazioni migliori, biomarcatori e nuovi modelli sperimentali, ma resta un punto fondamentale: il ground truth definitivo è il paziente e molti aspetti della biologia umana non possono essere accelerati allo stesso ritmo del calcolo. La domanda più produttiva non è quindi come eliminare il feedback finale, ma quanto del percorso che conduce a quel feedback possa essere ripensato.
Self-driving labs: non fare più esperimenti, ma scegliere meglio quali fare
Una delle direzioni più promettenti è rappresentata dai self-driving laboratories. L’idea è integrare intelligenza artificiale, robotica e automazione sperimentale in un ciclo chiuso: il modello formula un’ipotesi, identifica quale esperimento sarebbe più informativo, il laboratorio automatizzato lo esegue e il risultato viene reintegrato nel sistema per decidere il passo successivo. Il vantaggio non consiste semplicemente nell’aumentare il numero degli esperimenti, ma nel migliorarne la selezione. Questi sistemi possono quindi ridurre la distanza fra predizione computazionale ed evidenza reale senza pretendere di sostituire quest’ultima.
Organoidi: rendere il feedback più vicino all’essere umano
Un’altra strategia riguarda gli organoidi, strutture tridimensionali derivate da cellule staminali che riproducono alcune caratteristiche dei tessuti umani. Non sostituiscono la sperimentazione clinica, ma possono offrire un passaggio intermedio più realistico fra previsione computazionale e paziente: un modello propone un’ipotesi, un sistema biologico più vicino alla fisiologia umana la testa e il risultato alimenta nuovamente il modello. Il valore, almeno nel breve periodo, è costruire filtri migliori capaci di eliminare prima le ipotesi meno promettenti.
Dalla correlazione alla causalità
Rimane poi un problema ancora più difficile. Il machine learning è eccellente nel riconoscere associazioni, ma la drug discovery ha bisogno di qualcosa di diverso. Sapere che una proteina è associata a una malattia non significa sapere che intervenire su quella proteina migliorerà la malattia. La differenza fra correlazione e causalità è precisamente il punto in cui molte ipotesi promettenti falliscono quando vengono portate nella sperimentazione.
L’integrazione fra grandi dataset, perturbation biology e causal AI potrebbe aiutare i modelli ad avvicinarsi alla scoperta di relazioni causali, ma la verifica sperimentale resta essenziale. La soluzione più plausibile è quindi integrare i due approcci: usare l’AI per generare e prioritizzare ipotesi causali e gli esperimenti per verificarle. Non più soltanto chiedere quali fenomeni compaiano insieme, ma che cosa succeda se interveniamo in un punto preciso del sistema.
Anche il trial clinico può diventare più intelligente
Il passaggio finale rimane il più difficile, perché il paziente non può essere eliminato dal processo. Ma anche la sperimentazione clinica può essere resa più efficiente. AI, trial adattivi, digital twins, biomarcatori e strumenti di stratificazione possono contribuire a identificare popolazioni più appropriate, migliorare il reclutamento e modificare alcune decisioni durante lo studio.
Nessun algoritmo elimina la necessità di osservare gli effetti del farmaco nell’essere umano e molti endpoint clinici richiedono inevitabilmente tempo. Il vero guadagno potrebbe derivare dall’identificazione di segnali precoci più informativi: se comprendiamo meglio il meccanismo della malattia, possiamo individuare biomarcatori che ci dicano prima se il farmaco stia realmente modificando la biologia rilevante. Anche l’accelerazione della fase clinica torna così a dipendere da una migliore comprensione del passaggio dalla malattia al meccanismo.
Quando accelerare significa soltanto fallire più velocemente
Questa distinzione dovrebbe cambiare anche il modo in cui misuriamo il successo dell’AI nella drug discovery. Generare più molecole non equivale automaticamente a generare più farmaci efficaci. Se un sistema produce cento molecole nel tempo in cui prima ne producevamo dieci, ma tutte dipendono dalla stessa ipotesi biologica sbagliata, abbiamo semplicemente aumentato la velocità con cui possiamo arrivare al fallimento.
Il benchmark dovrebbe quindi cambiare. Non soltanto quanto più velocemente arriviamo a una molecola, ma quanto aumenta la probabilità che quella molecola produca nel paziente l’effetto previsto. È questa la differenza tra accelerare un processo e trasformarne realmente l’esito.
La prossima gara potrebbe non essere per il modello migliore
Se questa lettura è corretta, la competizione futura nella drug discovery potrebbe assumere una forma diversa da quella immaginata oggi. Il vantaggio non dipenderà necessariamente soltanto dal possesso del modello più grande o del foundation model più sofisticato. Potrebbe dipendere dalla capacità di costruire il feedback loop migliore: trasformare rapidamente una previsione in un esperimento, scegliere l’esperimento più informativo, integrare dati genomici, proteomici, clinici e fenotipici e utilizzare organoidi, Virtual Cells e perturbation biology per eliminare prima le ipotesi sbagliate.
In questa prospettiva, self-driving labs, causal AI, modelli cellulari avanzati e trial adattivi smettono di essere tecnologie separate e diventano componenti di una nuova infrastruttura scientifica. La domanda strategica non è più soltanto chi possieda il miglior modello, ma chi possieda il miglior ciclo fra modello, esperimento e paziente.
Dall’AI che predice all’AI che interroga la biologia
Il successo di AlphaFold è stato possibile anche perché generazioni di scienziati avevano già prodotto il patrimonio sperimentale necessario affinché il modello potesse imparare. Per alcune delle grandi domande ancora aperte della medicina questo patrimonio non esiste ancora nella stessa forma.
Ed è forse qui che le tre posizioni del dibattito possono trovare un punto di incontro. Gli ottimisti potrebbero avere ragione nel sostenere che l’AI possa accelerare enormemente la scoperta scientifica; Koller nel ricordare che la capacità computazionale, da sola, non può generare automaticamente la conoscenza biologica che ancora manca; i primi dati clinici nel suggerire che la trasformazione emergerà dalla combinazione delle due cose.
La prossima rivoluzione dell’intelligenza artificiale nella ricerca biomedica potrebbe quindi non arrivare soltanto da macchine capaci di leggere più velocemente ciò che sappiamo, ma da sistemi capaci di aiutarci a decidere quale esperimento fare dopo per scoprire ciò che ancora non sappiamo. L’AI non eliminerebbe la complessità della biologia umana, ma potrebbe cambiare radicalmente il modo in cui la esploriamo, passando dalla sola capacità di predire la biologia alla capacità di interrogarla più intelligentemente.
Perché il limite fondamentale non è quanto velocemente una macchina riesca a produrre una risposta, ma quanto velocemente riusciamo a produrre un’evidenza biologica abbastanza buona da capire se quella risposta sia vera.
Bibliografia
- Koller D. (2026), Drug Discovery Has No Magic Wands: On AI, human biology, and what it will actually take to discover transformative new medicines, a16z.
- Amodei D. (2024), Machines of Loving Grace: How AI Could Transform the World for the Better.
- Sun D., Gao W., Hu H., Zhou S. (2022), Why 90% of clinical drug development fails and how to improve it?, Acta Pharmaceutica Sinica B, 12(7), 3049-3062.
- Jayatunga M.K.P., Ayers M., Bruens L., Jayanth D., Meier C. (2024), How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons, Drug Discovery Today, 29(6), 104009.
- Jacobson R.D. (2025), The AI drug revolution needs a revolution, npj Drug Discovery, 2, 10.
- Dibaeinia P., Babu S., Knudson M. et al. (2026), Virtual Cells Need Context, Not Just Scale, bioRxiv, preprint.
- Collins E., Langer R., Anderson D.G. (2025), Self-driving labs for biotechnology, Nature Computational Science, 5, 976-979.
- Wang D., Villenave R., Stokar-Regenscheit N. et al. (2026), Human organoids as 3D in vitro platforms for drug discovery: opportunities and challenges, Nature Reviews Drug Discovery, 25, 204-226.
- Badani A. et al. (2025), AI and innovation in clinical trials, npj Digital Medicine, 8, 683.
- Ostrem J.M., Peters U., Sos M.L., Wells J.A., Shokat K.M. (2013), K-Ras(G12C) inhibitors allosterically control GTP affinity and effector interactions, Nature, 503, 548-551.
- U.S. Food and Drug Administration (2021), FDA approval of sotorasib for KRAS G12C-mutated non-small cell lung cancer.
- U.S. Food and Drug Administration (2022), FDA grants accelerated approval to adagrasib for KRAS G12C-mutated NSCLC.
- Teslo R. (2026), AI Won’t Automatically Accelerate Clinical Trials, Asimov Press.
- Hudson E. (2026), Drug Discovery AI Has A Ground Truth Problem, Drug Discovery Online.
- Nature Biotechnology (2025), Clinical trials gain intelligence, 43, 1017-1018.
- Protein Data Bank / RCSB PDB, database internazionale delle strutture biologiche tridimensionali determinate sperimentalmente.
- TechCrunch (2026), reporting on Dario Amodei’s August 2026 remarks on AI’s unfulfilled promises and the need for demonstrated real-world impact.
1
Partecipa alla community