Nel Pharma il dato ha sempre rappresentato un asset critico per il business. Oggi, mentre il settore accelera verso un futuro sempre più guidato dall’intelligenza artificiale, quel patrimonio informativo diventa un asset strategico ancora più centrale.
Dati di prescrizione, delle vendite, della quota di mercato dei prodotti o relativi agli adempimenti regolatori e alla farmacovigilanza incidono direttamente sulla continuità della supply chain e sui risultati aziendali, rappresentando pertanto la base con cui costruire le strategie di vendita e negoziare i prezzi con i decisori pubblici. L’intelligenza artificiale non cambia questo principio, ma lo amplifica in modo esponenziale.
Un modello AI basato su dati accurati, aggiornati e governati può infatti accelerare la capacità decisionale di un’organizzazione. Tuttavia, lo stesso modello, se alimentato da dati inconsistenti, non aggiornati o non certificati, rischia di allargare l’errore con una velocità e una pervasività enorme, e con conseguenze che nel Pharma possono avere impatti significativi, arrivando a tradursi in implicazioni legali e regolatorie.
Passare dalla Shadow AI all’AI governata. Le 3 dimensioni chiave
In molte aziende del comparto, l’AI è già entrata nei processi decisionali quotidiani. Spesso, però, lo ha fatto in modo informale, non governato, quasi invisibile: persone e team sperimentano strumenti esterni, automatizzano attività, generano analisi o supportano decisioni senza un ambiente condiviso, policy comuni e una piena tracciabilità.
Questo fenomeno, che possiamo definire di “Shadow AI”, genera un paradosso evidente: se, da un lato, aumenta la velocità dell’innovazione, dall’altro espone a rischi difficili da controllare. In un settore in cui qualità del dato, compliance regolatoria, accuratezza delle decisioni e sicurezza dei processi sono elementi centrali, l’innovazione deve essere governata.
La sfida quindi è trasformare l’utilizzo dell’AI da fenomeno spontaneo a capacità strutturata così da rendere l’innovazione realmente scalabile. Questo significa definire regole chiare su quali strumenti possono essere utilizzati, quali dati, con quali responsabilità e meccanismi di verifica dei risultati. Come? Sono tre le dimensioni a cui prestare attenzione:
- Data Quality: assicurarsi che i dati siano corretti, coerenti e comprensibili nei diversi domini aziendali (prodotto, cliente, canale, area geografica, codici ATC, strutture sanitarie, etc.);
- Data Accuracy: garantire che i dati disponibili nei sistemi siano allineati alla realtà effettiva del mercato e dei processi;
- AI Compliance: assicurare tracciabilità dei modelli, auditabilità delle raccomandazioni e governance degli output AI, in linea con i framework regolatori del settore.
Il ruolo delle piattaforme Augmented Analytics & Agentic AI
È solo a questo punto, potendo cioè basarsi su un modello alimentato da dati corretti, strutturati e coerenti, che Augmented Analytics e Agentic AI possono esprimere il loro vero valore.
La prima consente di rendere i processi di analisi più rapidi ed efficaci, aiutando le organizzazioni a individuare correlazioni, anomalie, pattern e opportunità che richiederebbero molto più tempo con approcci tradizionali. L’Agentic AI compie un passo ulteriore: abilita sistemi capaci di collegare dati governati, contesto operativo e insight, contribuendo ad accelerare il passaggio all’azione nei workflow aziendali.
Da un modello in cui il dato genera un insight, “qualcuno” decide e “qualcun altro” esegue, si passa a un flusso completamente integrato, in cui insight, decisione e azione sono connessi in modo governato, misurabile e tracciabile.
In questo scenario le persone restano centrali: l’AI accelera e rafforza il processo decisionale, ma responsabilità, supervisione e decisione finale rimangono in capo all’elemento umano, secondo il principio di human in the loop.
Le implicazioni dell’AI sono tangibili su tutti i processi chiave del Pharma: ad esempio, nel commerciale e nelle vendite OTC, un sistema di Agentic Analytics può analizzare in tempo reale e in modo integrato i dati di performance per prodotto, area e canale, aggiornare automaticamente la proposta commerciale e attivare campagne mirate nei punti vendita; nel Market Access, i modelli agentici supportano la costruzione dinamica dei dossier di rimborso, identificando in anticipo i pattern di successo nelle negoziazioni; nella Supply Chain, l’AI Agentica integra domanda, vincoli produttivi e variabili logistiche e stagionalità per generare piani di approvvigionamento dinamici che riducono il rischio di interruzioni su prodotti critici.
AI Preparation, i 4 step per abilitare l’AI nel Pharma
L’adozione dell’AI richiede un percorso strutturato che tenga insieme persone, processi e tecnologie. L’approccio di Atlantic Technologies parte dall’AI Preparation, un processo che si articola su 4 dimensioni fondamentali:
- Diffusione della consapevolezza sull’AI: la conoscenza dell’AI non può essere appannaggio solo dei team tecnici. Nel Pharma, dove le decisioni strategiche passano per funzioni anche molto diverse tra loro (Medical, Market Access, Sales, Marketing, Regulatory Affairs, Supply Chain), serve una visione condivisa di cosa significa usare l’AI nelle decisioni di business.
- Definizione della strategia e dei principi guida: l’AI deve entrare nei processi aziendali seguendo regole chiare e allo stesso tempo deve essere governata: chi usa quali strumenti, su quali dati, quali livelli di accesso e con quali responsabilità rispetto all’output.
- Valutare la Data Readiness ovvero la maturità e qualità dei dati: ogni organizzazione deve avere una fotografia della propria maturità sui dati. Non per essere perfetta prima di iniziare, ma per sapere su cosa costruire il percorso.
- Identificazione e prioritizzazione dei casi d’uso:
il valore dell’AI nel Pharma nasce da use case specifici, ben definiti e misurabili, non da strategie astratte. È preferibile partire da pochi use case, ma chiari e verificabili.
In conclusione, per integrare l’AI nel Pharma serve avere una visione chiara della direzione stabilita e una piena consapevolezza dei passi che occorre intraprendere. Atlantic Technologies può accompagnare le organizzazioni del settore in questo percorso, supportandole dalla data preparation alla data readiness, alla definizione della governance e dei framework di compliance, all’identificazione degli use case prioritari per processo all’implementazione di architetture di Modern BI integrate con i sistemi commerciali, regolatori e di supply chain. Perché il vero valore dell’AI non è nella capacità di analizzare più dati, ma nella capacità di trasformare ogni insight in un’azione concreta, tracciabile e conforme.
A cura di Massimo Celani, VP Data & AI Solutions di Atlantic Technologies (Gruppo Engineering)