Agenti AI nel farmaceutico: casi d’uso, GxP e onboarding

Nel farmaceutico l’adozione dell’intelligenza artificiale non si scontra con un limite tecnologico: si scontra con un sistema qualità. Un Regulatory Affairs manager che valuta gli agenti AI nel settore farmaceutico non si chiede se il modello sappia riassumere un dossier, lo sa fare, ma chi firma il risultato, come si dimostra la tracciabilità in audit e cosa succede quando il fornitore aggiorna il modello sotto il cofano. È una domanda diversa da quella che si fa un e-commerce, e richiede risposte diverse.

Questo articolo mette in fila quattro casi d’uso realmente praticabili in un contesto validato, dossier regolatori, triage di farmacovigilanza, medical writing assistito, controllo qualità documentale, e per ognuno esplicita il dato di partenza, il vincolo normativo e la parte di lavoro che nessun software fa da solo: il setup.

In questo articolo scoprirai:

• Perché gli agenti AI nel settore farmaceutico partono dal vincolo, non dal modello
• Dossier regolatori: l’agente prepara, la persona qualificata approva
• Pharmacovigilance triage: il caso d’uso con il ROI più misurabile
• Medical writing assistito e controllo qualità documentale
• GxP, Annex 11 e Annex 22: cosa cambia per gli agenti AI nel farmaceutico

Perché gli agenti AI nel settore farmaceutico partono dal vincolo, non dal modello

Il potenziale teorico è enorme e ben documentato. Secondo l’analisi McKinsey sull’agentic AI nel pharma, tra il 75% e l’85% dei workflow di un’azienda farmaceutica contiene attività automatizzabili o migliorabili da agenti AI, con una liberazione stimata del 25-40% della capacità aziendale (AlphaLifeSci su McKinsey). Sulle sottomissioni regolatorie, accelerare da mesi a settimane viene valutato attorno ai 180 milioni di dollari di valore attuale netto per un asset prioritario.

Il problema è che quello stesso lavoro segnala un secondo numero, meno citato: circa l’80% delle aziende sperimenta AI generativa e l’80% di queste non registra benefici tangibili a bilancio. La causa non è il modello, è la frammentazione, pilot isolati che non si agganciano ai sistemi aziendali. Il settore lo chiama pilot purgatory, un cortocircuito che abbiamo analizzato in generale quando l’AI generativa non genera ROI.

Nel farmaceutico il pilot purgatory ha una causa specifica

Fuori dal pharma un pilot muore per mancanza di sponsor. Dentro il pharma muore per mancanza di convalida: funziona in dimostrazione, ma nessuno può metterlo in un processo GxP perché non esiste un intended use scritto, un test set indipendente, un audit trail leggibile in ispezione. La differenza tra demo e produzione, nel farmaceutico, è documentale prima che tecnica. Chi valuta il tema con la lente giusta trova utile partire da una diagnosi di AI agent readiness prima che da una proof of concept.

Dossier regolatori: l’agente prepara, la persona qualificata approva

Dato di partenza. Un dossier di autorizzazione o una variazione vivono su documenti sorgente eterogenei: report di stabilità, batch record, letteratura, testi già approvati in altre giurisdizioni. La parte costosa non è scrivere: è recuperare, riconciliare e mantenere coerenti i riferimenti incrociati tra moduli.

Cosa fa bene un agente AI su un dossier regolatorio

Cosa fa bene un agente. Ricerca sul corpus interno, estrazione di valori con puntamento alla fonte, redazione di prime bozze di sezioni ripetitive, controllo di coerenza tra un modulo e l’altro. L’architettura corretta qui è un sistema che recupera prima di generare, il pattern RAG, perché ogni affermazione deve poter essere ricondotta al documento da cui proviene. Un agente che “ricorda” senza citare, in regolatorio, è inutilizzabile.

Vincoli EMA e ruolo del partner nel regolatorio

Vincolo. L’EMA ha adottato nel settembre 2024 il Reflection paper on the use of AI in the medicinal product lifecycle, approvato da CHMP e CVMP, che imposta un approccio risk-based lungo tutto il ciclo di vita e lascia la responsabilità in capo all’applicant: è l’azienda, non il fornitore, a dover dimostrare che l’uso dell’AI è appropriato e documentato (EMA, Artificial intelligence). Vale la pena notare il precedente AIM-NASH, primo caso in cui l’Agenzia ha accettato dati clinici generati da AI, e lo ha fatto in quanto supervisionati da un patologo umano.

Ruolo del partner. Mappare quali documenti l’agente può leggere e quali no, scrivere l’intended use, definire il punto esatto in cui la bozza passa in revisione firmata. Nessuna di queste tre attività è configurazione di software: sono decisioni di processo che vanno prese con QA e Regulatory al tavolo.

Pharmacovigilance triage: il caso d’uso con il ROI più misurabile

Dato di partenza. Il volume delle segnalazioni cresce e l’intake resta in gran parte manuale. I dati di vendor specializzati indicano 15-40 minuti per un ICSR semplice e fino a quattro ore per un caso complesso, con il triage attorno ai 30 minuti per caso; con intake assistito da AI il triage scende sotto il minuto e i cicli di follow-up passano da 45 giorni a meno di 5 (Datafoundry). Sono numeri di fornitore, quindi ottimistici per costruzione, ma l’ordine di grandezza è coerente con quanto riportato dalla letteratura di settore.

Più interessante del risparmio è il dato sulla qualità: la stessa fonte segnala che circa un terzo dei report processati manualmente contiene errori di codifica e che l’8% classifica male eventi avversi critici. Qui l’AI non compete con un processo perfetto: compete con un processo umano sotto pressione di volume.

Dove l’agente AI si ferma in farmacovigilanza

Vincolo. La valutazione di causalità, il medical review e la decisione regolatoria restano attività umane. Il pattern accettabile è sempre lo stesso: l’agente estrae, struttura, deduplica, propone una codifica MedDRA e una priorità; il professionista qualificato conferma o corregge. Un agente che chiude un caso da solo non è un progetto ambizioso, è un progetto non autorizzabile.

Ruolo del partner. Costruire il set di regole di escalation, definire le soglie di confidenza sotto le quali il caso va comunque a revisione, e, la parte che tutti sottovalutano, preparare il dataset di validazione con casi storici già codificati da umani, che è l’unica prova difendibile in ispezione.

Medical writing assistito e controllo qualità documentale

Medical writing: velocità sul primo draft, non sul deliverable

Protocolli, CSR, IB, materiale informativo: documenti lunghi, con struttura ricorrente e forte riuso. Un agente con accesso ai template aziendali e allo storico riduce il tempo del primo draft e, soprattutto, l’incoerenza tra sezioni. Il limite è netto sui contenuti interpretativi: la discussione dei risultati e ogni affermazione su efficacia o sicurezza restano scritte e firmate da un autore qualificato.

Su questo terreno EMA e HMA sono stati espliciti nelle guiding principles sull’uso degli LLM in ambito regolatorio: variabilità dei risultati, allucinazioni e rischi di sicurezza dei dati impongono valutazione critica dell’output, protezione degli input e formazione continua del personale (RAPS). La formazione non è un accessorio del progetto: è un requisito citato dal regolatore.

QC documentale: il caso d’uso più sottovalutato

Il controllo qualità documentale, coerenza tra versioni, riferimenti rotti, valori che non tornano tra tabella e testo, terminologia non allineata al glossario aziendale, è ripetitivo, deterministico e verificabile. Ha una proprietà preziosa: l’errore dell’agente è un falso positivo, non una decisione sbagliata sul paziente. Chi vuole un primo caso d’uso difendibile in un ambiente validato spesso fa bene a partire da qui invece che dal dossier, con la stessa logica con cui si affrontano i processi ripetitivi di back-office.

GxP, Annex 11 e Annex 22: cosa cambia per gli agenti AI nel farmaceutico

La revisione di Annex 11

La bozza di revisione dell’Annex 11 delle EU GMP è stata pubblicata il 7 luglio 2025, con consultazione chiusa il 7 ottobre 2025. Rispetto al testo del 2011 amplia in modo sostanziale audit trail (sezione dedicata con dieci sottopunti, log non cancellabili e revisione tempestiva), gestione dei fornitori IT esterni, archiviazione dei dati e, per la prima volta, la cybersecurity come requisito GMP a pieno titolo, con penetration test regolari sui sistemi critici (ECA Academy). La revisione tratta i sistemi computerizzati come asset GMP e non come strumenti di supporto, allineandosi a PIC/S, GAMP 5, ICH Q9/Q10, 21 CFR Part 11 e ai principi ALCOA+ (Montrium).

Annex 22 e il confine sui modelli generativi

È il punto che chi progetta agenti AI per il pharma deve conoscere prima di scrivere una riga di codice. Il nuovo Annex 22, atteso in versione finale nel 2026, ammette nelle decisioni GMP-critiche modelli statici e deterministici, mentre esclude esplicitamente modelli adattivi e generativi, e richiede intended use definito, metriche e criteri di accettazione predefiniti, spiegabilità della logica decisionale, monitoraggio continuo delle prestazioni, change control sulle versioni del modello e responsabilità umana sulla decisione finale (Epista).

La conseguenza pratica è chiara: un LLM può stare a monte di un processo GMP-critico, preparando, estraendo, proponendo, ma non dentro il punto di decisione. Sul metodo, GAMP 5 Second Edition sposta l’accento dal riempimento di checklist al critical thinking di esperti competenti e introduce un’appendice dedicata ad AI/ML; segnala anche che l’uso di piattaforme cloud sposta parte del risk management fuori dall’azienda regolata (ISPE). Tradotto: la scelta del fornitore diventa parte della compliance.

GDPR, dati di studio e dove girano i modelli

La domanda ricorrente in ogni kick-off farmaceutico è se si possano usare LLM cloud su dati sensibili. La risposta dipende da cosa entra nel prompt, non dal fornitore: le guiding principles EMA/HMA avvertono che il trattamento di dati personali negli LLM può avvenire in fase di sviluppo, implementazione e uso senza essere evidente. Da qui tre scelte architetturali che vanno decise all’inizio, non dopo il pilot: pseudonimizzazione a monte dell’agente, residenza dei dati in UE con esclusione contrattuale del training sui dati del cliente, oppure deployment dedicato quando il dato clinico non può uscire dal perimetro.

A questo si somma il livello europeo: molti di questi sistemi ricadono in categorie ad alto rischio o comunque in obblighi di trasparenza e governance, un tema che abbiamo trattato in dettaglio parlando di AI Act e agenti AI in azienda e di sicurezza, GDPR e AI. In un’azienda farmaceutica queste due dimensioni, GxP e privacy, vanno istruite insieme, perché producono requisiti diversi sullo stesso sistema.

Onboarding: nel farmaceutico vale il 60% del progetto

Sommando quanto visto sopra, si capisce dove finisce davvero l’effort. Il modello è una commodity: si sceglie in un pomeriggio. Il resto, mappatura dei processi con QA e Regulatory, definizione dell’intended use per ogni agente, costruzione del test set di validazione, integrazione con eDMS, safety database ed ERP, disegno dell’audit trail, formazione delle persone che dovranno approvare l’output, è la parte che determina se il progetto arriva in produzione o resta un pilot. Nel farmaceutico questa parte pesa la maggioranza del progetto, non un accessorio della fornitura.

Sistemi e persone: le due implicazioni dell’onboarding

Due implicazioni concrete. La prima riguarda i sistemi: l’integrazione con ERP, CRM e sistemi legacy in un ambiente validato è quasi sempre il collo di bottiglia reale, e va stimata all’inizio. La seconda riguarda le persone: se un agente propone e una persona qualificata approva, la qualità del risultato dipende dalla capacità di quella persona di riconoscere un output sbagliato. Per questo la formazione del team non è un modulo opzionale ma parte del sistema di controllo, coerentemente con quanto chiede lo stesso regolatore.

Su questo si gioca anche la scelta tra soluzione verticale già pronta e agente costruito sul processo aziendale: un tema che merita una valutazione caso per caso, come abbiamo argomentato in custom vs off-the-shelf e nelle attese realistiche di time-to-value dal pilot al ROI.

Come affrontiamo i progetti di agenti AI nel farmaceutico

In MIMIR affrontiamo questi progetti esattamente in quest’ordine: prima il processo e i vincoli, poi l’agente. È la ragione per cui accanto alla tecnologia forniamo assistenza dedicata all’onboarding, perché in un contesto validato un agente senza convalida, senza integrazione e senza persone formate non produce valore. Se stai valutando un caso d’uso concreto nella tua azienda, puoi partire dalla nostra pagina dedicata agli agenti AI per il settore farmaceutico oppure scriverci da mimir.bot per una consulenza: la prima cosa che facciamo è capire se il caso d’uso è difendibile davanti a un ispettore, non quanto sia impressionante in demo.

Fonti:

• McKinsey — The agentic AI advantage for pharma
• McKinsey — Agentic AI advantage for pharma (Week in Charts)
• McKinsey & Microsoft — Accelerating agentic AI deployment at a top pharmaceutical company
• AlphaLifeSci — lettura critica della visione McKinsey sull’agentic AI nel pharma
• Capgemini — Agentic AI in Life Sciences (point of view, PDF)
• EMA — Artificial intelligence
• EMA — Use of artificial intelligence in the medicinal product lifecycle (scientific guideline)
• EMA — Reflection paper on the use of AI in the medicinal product lifecycle (PDF)
• EMA — Reflection paper sull’uso dell’AI, documento ufficiale
• NSF — commento al reflection paper EMA sull’AI
• BioSlice Blog — EMA adotta il reflection paper sull’uso dell’AI (ottobre 2024)
• RAPS — EMA e HMA pubblicano i principi sull’uso dei large language model
• ECA Academy — Annex 11 draft: prima analisi
• Lachman Consultants — EU GMP Annex 11: cosa cambia nella bozza 2025
• Montrium — EU GMP Annex 11, cosa è cambiato in 14 anni
• Sakara Digital — revisioni Annex 11 e Annex 22, sistemi GxP e data integrity
• Epista — prepararsi alle revisioni GMP 2026 (Chapter 4, Annex 11, Annex 22)
• ISPE — cosa sapere sulla GAMP 5 Guide Second Edition
• ISPE — GAMP 5 Guide Second Edition (scheda della guida)
• IntuitionLabs — GAMP 5 e validazione dell’AI in ambito GxP
• Datafoundry — case intake automatizzato in farmacovigilanza
• Indegene — automazione efficace nel processing degli ICSR
• Drug Safety (Springer) — automazione e AI nel case processing di farmacovigilanza
• Narrativa — agenti AI nel regolatorio life sciences