Quando si parla di intelligenza artificiale nel biotech, la trappola è sempre la stessa: o la favola (“l’AI trova farmaci miracolosi in tre click”), oppure il riflesso opposto (“è solo una buzzword”). La realtà nel 2026 sta nel mezzo: in alcuni casi l’AI sta davvero cambiando come si fa ricerca, in altri è ancora vernice su un modello vecchio.

Tre aziende aiutano a mettere ordine: Recursion Pharmaceuticals ($RXRX), Tempus AI ($TEM) ed Exscientia ($EXAI). Mettono l’AI in tre punti diversi: dentro il wet lab, accanto al paziente e sulla lavagna del chimico. L’obiettivo qui non è dire se siano da comprare o da vendere, ma usarle come esempi concreti di vantaggi, limiti e rischi per chi investe.

Recursion è il prototipo della biotech “tech-first”. La sua piattaforma, Recursion OS, combina colture cellulari automatizzate, microscopia ad alto throughput e modelli di deep learning che analizzano milioni di immagini cellulari per trovare pattern che l’occhio umano non vedrebbe mai. Il sistema impara a riconoscere quando una cellula malata torna a somigliare a una cellula sana dopo l’esposizione a un composto, anche se la differenza visiva è sottile o controintuitiva.

Un esempio concreto: in una patologia ereditaria come la familial adenomatous polyposis (FAP), legata a mutazioni di APC, gli screening fenotipici di Recursion hanno indicato l’inibizione di MEK1/2 come possibile modo per “resettare” il fenotipo di malattia. Da lì è nato il candidato REC-4881, oggi in sviluppo clinico, che illustra come un approccio data-first possa far emergere meccanismi non ovvi.

Metodi tradizionali vs AI: cosa cambia davvero in laboratorio

La differenza chiave è che non parti da una ipotesi di target molto stretta. Parti da fenotipi ricchi di dati e lasci che sia il sistema a evidenziare dove la biologia si comporta in modo interessante e inatteso. È un passaggio da “testiamo ciò che immaginiamo” a “chiediamo ai dati di mostrarci ciò che non immaginavamo”.

Vantaggi concreti rispetto al percorso tradizionale

• Velocità nelle fasi iniziali: in diversi programmi AI-driven nel settore, il passaggio da hit a candidato clinico si è accorciato da ~3–6 anni a circa 12–18 mesi nei casi favorevoli. Ridurre la parte più “trial-and-error” della discovery significa bruciare meno cassa al buio.
• Scoperta di meccanismi non ovvi: screening fenotipici guidati dall’AI possono rivelare pathway compensatori o target inaspettati che non comparirebbero in una shortlist costruita solo a tavolino.
• Effetto piattaforma: ogni nuovo esperimento insegna qualcosa al sistema; un laboratorio che gira su Recursion OS non riparte da zero ad ogni programma.

Se Recursion prova a cambiare come nascono i farmaci, Tempus AI vuole cambiare come si prendono decisioni cliniche oggi. Tempus ha costruito uno dei più grandi data lake multimodali in oncologia: genomica, real-world data, imaging, cartelle cliniche elettroniche – tutto in un’unica infrastruttura.

Sopra questo data lake vivono vari prodotti: test genomici e report per oncologi, piattaforme di trial matching e strumenti generativi come Tempus One, un assistente AI integrato nel flusso clinico che riassume la storia del paziente e suggerisce opzioni rilevanti. L’azienda ha ottenuto anche autorizzazioni FDA per strumenti come Tempus Pixel (analisi di risonanza cardiaca) e un device basato su RNA, segnale che alcuni moduli AI stanno entrando nella pratica regolata.

Metodi tradizionali vs AI: una giornata in oncologia

Nel “vecchio mondo” il medico è anche mezzo data engineer e mezzo trial matcher. In un flusso supportato dall’AI, il clinico resta il decisore, ma il lavoro pesante di filtrare e strutturare l’informazione viene scaricato sugli algoritmi.

Benefici pratici rispetto al vecchio modello

• Arruolamento più rapido e meno costoso: trovare pazienti per gli studi è sempre stato uno dei colli di bottiglia maggiori. Dati centralizzati e matching algoritmico possono ridurre sensibilmente i tempi di reclutamento.
• Referti che vanno oltre la lista di varianti: invece di un elenco statico di mutazioni, report guidati dall’AI possono indicare “in pazienti come questo, i regimi A o B hanno mostrato risultati migliori”, sempre con le dovute cautele.
• Segnali regolatori: le autorizzazioni FDA per strumenti come Pixel e la piattaforma RNA indicano che, almeno in alcune nicchie, l’AI non è teoria ma parte della pratica quotidiana.

Exscientia è uno degli esempi più chiari di small-molecule discovery AI-native. Applica chemoinformatica avanzata, modelli generativi e ottimizzazione multi-parametro al design e alla selezione delle molecole, spesso in partnership con big pharma su programmi specifici.

Uno degli esempi simbolici è un candidato per il disturbo ossessivo-compulsivo, portato da target a first-in-human in circa 12 mesi, contro i 4–6 anni tradizionali. I numeri cambiano da programma a programma, ma il segnale è chiaro: la chimica guidata da algoritmi può comprimere i cicli di discovery.

Metodi tradizionali vs AI: come nascono le small molecules

Il risultato non è “molecole magiche al primo tentativo”, ma meno cicli, più intelligenti: invece di sintetizzare migliaia di composti per trovare pochi lead decenti, si punta a raggiungere qualità simile (o migliore) con molti meno esperimenti fisici.

Tolte le slide di marketing, emergono quattro vantaggi ricorrenti nelle biotech AI-driven: tempo, dati, efficienza di capitale e scalabilità. Ognuno diventa più chiaro se confronti metodi tradizionali e metodi AI.

1. Tempo: da maratona a mezza maratona

Nel modello tradizionale, portare un nuovo farmaco sul mercato può richiedere 10–15 anni, con costi complessivi nell’ordine dei miliardi se sommi fallimenti e costo del capitale. L’AI non elimina il rischio clinico, ma può comprimere le fasi più lente e caotiche all’inizio:

• screening virtuale invece di test fisici per ogni candidato;
• chimica generativa invece di iterazioni solo manuali;
• trial matching algoritmico invece di reclutamento manuale e frammentato.

È così che si passa, in alcuni programmi, da 4–6 anni a 12–18 mesi: non perché l’AI “trova cure in una notte”, ma perché taglia una parte dei cicli buttati a vuoto.

2. Dati: dal foglio Excel al data lake multimodale

Molti programmi legacy vivono su dataset tutto sommato piccoli: centinaia di pazienti per trial, biobanche interne limitate, registri frammentati. Piattaforme come Tempus vanno nella direzione opposta: centinaia di migliaia o milioni di cartelle con genomica, imaging, outcome integrati.

La differenza non è solo quantitativa: clinici e sviluppatori possono vedere pattern in sottogruppi che non emergerebbero mai da un’esperienza mono-centro. La pratica tradizionale vede qualche decina di casi simili in una carriera; un sistema supportato dall’AI può interrogare migliaia di “quasi-gemelli”.

3. Efficienza di capitale: dove bruci e dove risparmi

L’R&D classica brucia capitale su esperimenti fisici ripetuti: sintesi di composti che non portano a nulla, studi animali che rivelano dead-end ovvi, trial che partono lentissimi per problemi di reclutamento.

AI e automazione spostano parte di quella spesa in computazione: consumi GPU e team software, ma puoi ridurre il numero di esperimenti inutili. Gli stessi regolatori stanno spingendo verso metodi alternativi che riducono l’uso di modelli animali. La promessa, se gli strumenti funzionano, è un rapporto migliore “capitale speso / candidati validi”.

4. Scalabilità: da singola pipeline a piattaforma

La biotech tradizionale è spesso costruita intorno a uno o due programmi principali. Quando questi falliscono, il titolo si sgretola. Le aziende piattaforma AI puntano a qualcosa di diverso: un motore centrale applicabile a molti progetti e molti partner.

I maxi-accordi degli ultimi anni – big pharma che firmano collaborazioni multi-programma con realtà AI – mostrano dove il settore si aspetta che si concentri il valore: chi possiede il motore migliore può essere pagato più volte, non una sola.

Per le biotech AI-pure-play, l’upside è evidente nelle presentazioni. Il downside è più silenzioso e strutturale. Quattro i temi principali.

1. Black box, bias e sorprese in fase avanzata

Un modello brillante sui dati storici può incepparsi in un contesto reale leggermente diverso. Bias nei dati di training (per area, etnia, tipo di centro) possono produrre zone d’ombra che emergono solo in grandi studi di fase III.

2. Regolatori non ancora allineati

Agenzie come FDA ed EMA stanno aprendo alle soluzioni AI e ai metodi alternativi, ma con prudenza. Se la narrativa di un’azienda dipende dal fatto che il regolatore accetti l’AI come sostituto di certe fasi o endpoint, il rischio è binario: o l’agenzia è d’accordo, o gli anni “risparmiati” svaniscono quando vengono comunque richieste le prove tradizionali.

3. Modelli di business ciclici e fragili

Molte biotech AI-first vivono all’incrocio tra equity e partnership con big pharma. Quando il sentiment sull’AI è euforico, le valutazioni possono salire troppo; quando un programma AI di alto profilo fallisce, l’intero settore può essere de-ratingato, indipendentemente dall’esecuzione del singolo nome. Il percorso post-IPO di Exscientia è un promemoria piuttosto chiaro.

4. Valutazioni difficili da ancorare

Una biotech “classica” si può, almeno in teoria, valutare con curve di vendite di picco, alberi di probabilità di successo e comparabili. Un laboratorio piattaforma AI è in parte fornitore di strumenti, in parte proprietario di asset, in parte partner su ricavi futuri. A seconda dell’umore del mercato, la stessa realtà può essere vista come “infrastruttura con upside infinito” o “società di servizi con software carino”.

Senza entrare nel terreno “compra/vendi”, è realistico vedere questi titoli come:

• esposizione al tema di lungo periodo AI in healthcare;
• satelliti a beta elevata intorno a un core più tradizionale pharma/biotech;
• strumenti per testare una tesi su come l’AI cambi davvero l’allocazione di capitale in R&D.

Qualche criterio di buon senso prima di allocare capitale:

• Separare “AI come tool” da “AI come business”: una big pharma che introduce un po’ di AI resta una storia tradizionale con qualche miglioria operativa. Una piattaforma pura è invece una scommessa diretta sul fatto che lo strumento diventi infrastruttura critica per molti altri attori.
• Guardare la cassa prima dei modelli: una piattaforma brillante con meno di due anni di runway e asset molto early-stage è una ricetta per diluizioni ripetute. Bilanci solidi e pagamenti upfront significativi dai partner sono una protezione molto migliore.
• Usarli come satelliti, non come centro di gravità: i nomi AI-native hanno senso come quota piccola e volutamente volatile del portafoglio, non come pilastro centrale.
• Non confondere velocità con successo clinico: il fatto che un programma arrivi prima in fase I non garantisce che avrà più successo. Il vero test è se, su dieci anni, le piattaforme AI avranno bruciato meno miliardi su vicoli ciechi.

Guardate senza paraocchi, Recursion, Tempus ed Exscientia raccontano una storia coerente: l’AI può davvero cambiare il modo in cui esploriamo la biologia, usiamo i dati dei pazienti e disegniamo i trial. Può far risparmiare tempo nella discovery, far emergere meccanismi nascosti e usare meglio il capitale. Ma può anche accelerare gli errori, bruciare soldi su larga scala e costruire narrative che la clinica non confermerà.

Per chi osserva o investe, il modo più sano di guardare all’AI nel biotech è trattarla come un insieme di strumenti ingegneristici, non come una nuova religione. Gli strumenti amplificano ciò che c’è già: biologia solida, dati puliti e disciplina nell’uso del capitale si amplificano in valore reale; fondamenta fragili si amplificano in fallimenti più grandi e più rapidi.

In ultima analisi, l’AI è un amplificatore. In un settore in cui gli errori costano già anni di lavoro e miliardi di dollari, decidere cosa vuoi che l’AI amplifichi – e quanta parte del tuo portafoglio sei disposto a legare a quella scelta – è la vera domanda.