Eli Lilly ha tagliato il nastro di LillyPod, un supercomputer farmaceutico con 1.016 GPU NVIDIA Blackwell Ultra capace di oltre 9.000 petaflops — assemblato in quattro mesi a Indianapolis e già operativo a pieno regime. I primi farmaci «AI-nativi» progettati con AlphaFold 3 sono entrati in Fase I a gennaio 2026, mentre Isomorphic Labs — la spin-off di DeepMind — ha firmato accordi miliardari con Novartis ed Eli Lilly per aggredire tumori complessi e malattie neurodegenerative. Subito dopo, alla J.P. Morgan Healthcare Conference di San Francisco, le due aziende hanno annunciato un ulteriore investimento da un miliardo di dollari per un laboratorio di co-innovazione nella Bay Area. La promessa che ti vendono è sempre la stessa: dimezzare i tempi dello sviluppo farmaceutico, da dieci a cinque anni, grazie alla potenza dell’intelligenza artificiale applicata alla medicina. Peccato che la realtà sia meno luccicante di come la presentano tra applausi e slide patinate — e decisamente meno democratica di come vorrebbero farti credere.
La domanda che nessuno pone durante le conferenze stampa è brutale nella sua semplicità: chi avrà accesso a questa medicina del futuro? Se per progettare una molecola servono millesedici GPU e un miliardo di dollari di infrastruttura, chi non ha quei capitali non siede nemmeno al tavolo. Il 70% dei dati usati per addestrare gli algoritmi medici proviene da popolazioni specifiche — bianche, occidentali, benestanti — il che significa che la ricerca medica guidata dall’intelligenza artificiale rischia concretamente di curare meglio chi è già curato meglio. Non è un difetto tecnico: è la logica di un sistema che si riproduce con efficienza computazionale. Il 2026 ha segnato un cambio di scala innegabile nella sanità digitale: il 70% delle organizzazioni sanitarie usa attivamente soluzioni AI, quasi la metà sta sperimentando agenti autonomi, il calcolo quantistico integrato con l’intelligenza artificiale è entrato per la prima volta nella lista delle innovazioni rilevanti per la scoperta di farmaci contro bersagli complessi. Detto senza mezzi termini, la questione non è più se l’AI funzioni in medicina — funziona, e i risultati sono impressionanti. La questione vera riguarda chi la possiede, chi ne trae profitto, e chi ne viene sistematicamente escluso.
Supercomputer farmaceutici e AlphaFold: quando la cura diventa proprietaria
LillyPod non è un semplice computer particolarmente veloce. È un’infrastruttura progettata per dominare il futuro farmaceutico, costruita su un DGX SuperPOD dove il team di genomica di Lilly elabora 700 terabyte di dati utilizzando oltre 290 terabyte di memoria GPU ad alta larghezza di banda. I carichi di lavoro spaziano dalla genomica al design molecolare, dalla biologia delle singole cellule all’ottimizzazione dei processi produttivi. Per darti un’idea della scala: un laboratorio tradizionale testa circa 2.000 ipotesi molecolari all’anno — LillyPod ne simula miliardi in parallelo. Una singola GPU Blackwell Ultra del sistema contiene la potenza di circa 7 milioni di computer Cray — e ce ne sono millesedici. Il messaggio è cristallino nella sua brutalità: la scoperta farmaceutica del futuro richiede una potenza computazionale che nessuna università pubblica, nessun centro di ricerca indipendente, nessun ospedale potrà mai permettersi. Il tavolo è apparecchiato, e i posti sono riservati a chi ha il portafoglio giusto.
Sul versante della ricerca strutturale, AlphaFold 3 ha riscritto le regole in un modo che pochi anni fa sarebbe parso fantascienza pura. Il 76% delle pose di legame previste dal modello si colloca entro 2 ångström dalla struttura sperimentale — più del doppio rispetto a DiffDock, il miglior strumento specializzato precedente. La fase «Hit-to-Lead» della scoperta farmaceutica, che tradizionalmente richiedeva due-tre anni di lavoro, è stata compressa in alcuni casi a soli quattro mesi. Isomorphic Labs ha stretto partnership multimiliardarie con Johnson & Johnson e Novartis per progettare inibitori di interazione proteina-proteina e attaccare bersagli molecolari considerati intrattabili fino a ieri. I primi candidati farmaceutici progettati nativamente su architetture derivate da AlphaFold 3 sono entrati nelle sperimentazioni cliniche di Fase I a gennaio 2026 — un traguardo storico che segna il passaggio dalla teoria alla clinica. Il settore biotech AI è uscito dalla fase dei modelli fondazionali per entrare nell’«era clinica»: aziende come Iambic e Generate prevedono di avere tre o più farmaci AI-designed in trial entro fine anno, e il rilascio open source del codice sorgente ha generato varianti migliorate come Boltz-2 e Chai-2 che affinano ulteriormente la capacità predittiva.
Uno studio della University of California San Francisco pubblicato su Cell Reports Medicine ha dimostrato qualcosa che ridefinisce i colli di bottiglia della ricerca biomedica: l’AI generativa gestisce dataset medici complessi — nello specifico dati sul microbioma vaginale collegati al rischio di parto pretermine — con risultati pari o superiori a quelli di team umani esperti che avevano impiegato mesi a costruire modelli predittivi. Quella fase lenta e costosa dell’analisi dati che paralizza i laboratori viene compressa in una frazione del tempo. La FDA stessa sta cambiando approccio: l’analisi dello STAT Breakthrough Device Tracker mostra che l’agenzia non premia più semplicemente algoritmi che migliorano le capacità del medico, ma cerca soluzioni AI capaci di risolvere problemi impossibili per l’essere umano da solo. Il paradigma si è spostato dal supporto alla sostituzione, almeno per certi compiti diagnostici e analitici. E questo apre scenari enormi — nel bene e nel male — che la narrativa entusiasta delle Big Pharma preferisce non approfondire troppo.
Facciamo un passo indietro e guardiamo i numeri nella loro crudezza, perché è qui che la narrazione trionfale si incrina. Il laboratorio pubblico medio — quello dell’università statale dove lavorano ricercatori precari con contratti a tempo determinato e stipendi da fame — non ha accesso a una singola GPU Blackwell Ultra, figuriamoci a millesedici. La ricerca indipendente, quella non finanziata da Big Pharma, si arrangia con risorse computazionali che rispetto a LillyPod sono un pallottoliere. Eppure sono proprio quei laboratori a produrre le scoperte di base su cui le multinazionali costruiscono i loro profitti: AlphaFold nasce dalla ricerca di DeepMind, che a sua volta si appoggia su decenni di lavoro accademico finanziato con denaro pubblico. Il meccanismo è il solito: la ricerca pubblica si accolla il rischio, il settore privato incassa il rendimento. Nel contesto della medicina AI questo schema si amplifica all’ennesima potenza: servono infrastrutture da miliardi che solo il privato può costruire, ma i dati — i dati clinici di milioni di pazienti — vengono dai sistemi sanitari pubblici. Come abbiamo visto con l’impatto dell’AI sul lavoro, la tecnologia amplifica le dinamiche di potere esistenti. In medicina, il potere si misura direttamente in vite umane.
Il bias che uccide in silenzio
Parliamo dell’elefante nella stanza — o meglio, del fantasma nei dataset. Oltre il 70% dei dati usati per addestrare i modelli di intelligenza artificiale medica proviene da gruppi demografici specifici, causando una sottorappresentazione sistematica di minoranze etniche, donne, anziani e persone con malattie rare o complesse. Quando il tuo algoritmo diagnostico ha imparato a riconoscere il cancro della pelle guardando prevalentemente foto di pelle chiara, la conseguenza è una sola: accuratezza diagnostica significativamente inferiore per chi ha la pelle scura, con rischi concreti di diagnosi mancate o ritardate in tumori cutanei che, individuati per tempo, sarebbero curabili. Non è un’ipotesi accademica rimasta nei paper: è un dato verificato, replicato in decine di studi indipendenti e documentato anche dall’OMS. Un melanoma non diagnosticato perché l’algoritmo non ha mai visto abbastanza pelle nera durante il suo addestramento non è un «errore tecnico» — è negligenza strutturale codificata in pesi statistici e spacciata per scienza. La tecnologia, lungi dall’essere quello strumento neutro che ti raccontano, replica e amplifica le disuguaglianze del sistema sanitario che l’ha generata.
Il problema si estende ben oltre la dermatologia, e i dati del 2026 sono impietosi. Il Journal of Young Investigators ha documentato a gennaio come GPT-4 in contesti clinici mostri bias razziali e di genere misurabili e replicabili: esagera le differenze note nella prevalenza delle malattie tra gruppi etnici, amplifica stereotipi consolidati nella letteratura medica e — il dato più inquietante di tutti — produce risposte diagnostiche diverse a seconda della razza del paziente anche quando l’etnia non è clinicamente rilevante. Lo stesso identico sintomo, descritto con le stesse identiche parole, genera suggerimenti diversi se il paziente è nero o bianco. Non perché esista una ragione medica, ma perché il modello ha assorbito i pregiudizi della medicina occidentale — quelli che per decenni hanno fatto sì che il dolore dei pazienti neri venisse sottovalutato, che le donne venissero liquidate come «ansiose», che i pazienti poveri ricevessero meno attenzione — e li ha cristallizzati in parametri matematici presentati come neutrali e oggettivi. Hai preso secoli di razzismo istituzionale, li hai compressi in un modello statistico, e il risultato è un sistema che discrimina con la stessa efficienza con cui diagnostica.
C’è poi un effetto a cascata che rende tutto più grave e difficile da arginare. La ricerca della Northeastern University, pubblicata a inizio 2026, ha dimostrato che gli operatori sanitari assistiti da sistemi AI con bias tendono a riprodurre quegli stessi errori anche dopo che il sistema viene rimosso dal processo decisionale. Il pregiudizio algoritmico contamina il giudizio clinico umano, lo «addestra» nella direzione sbagliata, e la correzione non è né automatica né rapida. Il National Council on Disability statunitense ha lanciato l’allarme al Senato nel marzo 2026, sottolineando che i sistemi AI sanitari sviluppano con particolare facilità bias espliciti e impliciti verso le persone con disabilità. Nel campo della salute mentale gli algoritmi diagnostici rischiano di distorcere le diagnosi psichiatriche in base a variabili sociodemografiche — medicalizzando la povertà, patologizzando il disagio sociale, trasformando la sofferenza di chi vive ai margini in una diagnosi individuale anziché nel prodotto di un sistema ingiusto. Come abbiamo analizzato parlando di algoritmi e punteggi sociali, il cerchio vizioso è completo: bias strutturale che si amplifica attraverso la tecnologia, si trasferisce agli umani che la usano, e viene legittimato dal marchio della «scienza».
Le soluzioni che l’establishment propone — dataset più diversificati, audit periodici di equità, processi avversariali per il debiasing — sono passi necessari ma da soli non basteranno mai. Non puoi risolvere con un cerotto tecnico un problema che è strutturale e politico fino al midollo. Se i dati sanitari vengono raccolti in sistemi dove le minoranze hanno meno accesso alle cure, meno visite specialistiche, meno diagnosi precoci per ragioni economiche e sociali, nessun algoritmo al mondo compenserà quel gap — lo riprodurrà con precisione digitale, dandogli una patina di oggettività che lo rende ancora più difficile da contestare. Gli enti regolatori — Commissione Europea, FDA, Health Canada, OMS — hanno intensificato gli sforzi per stabilire framework più stringenti, ma la velocità della regolamentazione è geologica rispetto a quella dello sviluppo tecnologico. Nel frattempo i sistemi vengono già deployati negli ospedali, le diagnosi vengono già emesse, e i pazienti che cadono nelle crepe del dataset pagano un prezzo che nessuna statistica cattura e nessun comunicato stampa menziona.
Brevetti, profitti e chi possiede la medicina del futuro
L’intelligenza artificiale promette di abbattere i costi dello sviluppo farmaceutico. Comprimere la timeline da dieci a cinque anni, simulare miliardi di molecole invece di testarne duemila in provetta — sulla carta il risparmio è colossale. Ma la domanda è spietata nella sua ovvietà: quei risparmi arriveranno mai ai pazienti? La storia dell’industria farmaceutica non lascia spazio a illusioni, e la risposta è un «no» talmente prevedibile da risultare quasi comico — se non fosse che parliamo di accesso alle cure per miliardi di persone. Per decenni Big Pharma ha giustificato i prezzi astronomici dei farmaci invocando i costi della ricerca e i tempi biblici dello sviluppo. Se l’AI abbatte quei costi e quei tempi, logica vorrebbe che i prezzi crollassero di conseguenza. Ma guardiamoci negli occhi: quando è stata l’ultima volta che un’azienda farmaceutica ha abbassato il prezzo di un farmaco perché ha risparmiato sulla R&D? La risposta è: mai. E non succederà nemmeno stavolta — il profitto non si redistribuisce spontaneamente, va strappato con le unghie attraverso la regolamentazione e la pressione sociale.
Il panorama dei brevetti sui farmaci AI-designed è un caos giuridico che avvantaggia sistematicamente chi ha più risorse legali. I tribunali hanno stabilito che un sistema di intelligenza artificiale non può figurare come inventore di un brevetto — serve un essere umano. Nessuno però ha chiarito quanta contribuzione umana sia sufficiente quando l’AI progetta la molecola, prevede le interazioni, ottimizza la struttura chimica e identifica i candidati clinici. Il risultato è una zona grigia enorme dove le aziende con gli studi legali più costosi si muovono con disinvoltura, brevettando aggressivamente farmaci la cui «invenzione» è stata sostanzialmente automatizzata, mentre startup, università e centri di ricerca pubblici restano impantanati nell’incertezza normativa. La Cina ha fiutato l’occasione prima di tutti: le biotech cinesi rappresentano quasi il 70% delle domande di brevetto globali nella drug discovery guidata dall’AI, sfruttando costi di laboratorio inferiori, accesso a enormi database di pazienti e piattaforme integrate. Le multinazionali occidentali lo ammettono a mezza bocca — i laboratori cinesi producono asset clinici validati più velocemente e a costi più bassi della ricerca interna statunitense. L’investimento globale nella drug discovery AI è proiettato a 15,7 miliardi di dollari, ma l’infrastruttura legale per stabilire chi possiede cosa è in ritardo di almeno tre-quattro anni. Si spendono cifre oscene per sviluppare farmaci con l’AI senza che il sistema giuridico abbia ancora deciso a chi appartengono davvero.
Le alternative dal basso esistono, però, e meritano tutta l’attenzione che i media mainstream non gli danno. Google ha rilasciato MedGemma, una collezione di modelli open source leggeri per applicazioni AI sanitarie dove gli sviluppatori mantengono pieno controllo su privacy e infrastruttura. DxGPT è uno strumento completamente gratuito che genera diagnosi differenziali basate sui sintomi del paziente. OpenEvidence, nato dal programma Mayo Clinic Platform Accelerate, offre ai professionisti sanitari accesso immediato a risultati clinici da fonti verificate, senza paywall e senza vincoli proprietari. Sono progetti che dimostrano una cosa tanto semplice quanto sistematicamente ignorata: la medicina AI non deve essere per forza proprietaria. Come abbiamo scritto a proposito degli LLM open source nella guerra dell’AI, l’alternativa comunitaria esiste e funziona — il problema è che ha molti meno miliardi di marketing alle spalle e nessun CEO che va in televisione a prometterti la luna. Servirebbero investimenti pubblici massicci in infrastrutture sanitarie AI aperte, dataset diversificati e liberamente accessibili, ricerca finanziata con fondi pubblici che produca risultati pubblici. Non è utopia: è la scelta — politica, non tecnica — tra una medicina del futuro che serve tutti e una che serve esclusivamente chi paga di più.
La medicina AI non è né salvezza né condanna — è uno specchio del potere. Riflette chi decide cosa viene finanziato, quali malattie interessano agli investitori, quali corpi meritano di essere rappresentati nei dataset e quali finiscono nelle crepe statistiche senza che nessuno se ne accorga. Se lasciamo questa tecnologia nelle sole mani del profitto farmaceutico avremo farmaci migliori per chi può permetterseli e algoritmi che diagnosticano peggio chi è già svantaggiato — il tutto avvolto in un’aura di oggettività scientifica che rende la disuguaglianza ancora più difficile da contestare. Il software libero e la scienza aperta hanno dimostrato che un altro modello di sviluppo è possibile, anche in campo medico — e i progetti open source del 2026 ne sono la prova vivente. Ma richiede una scelta collettiva: smettere di trattare la salute come merce e iniziare a trattarla come bene comune, non negoziabile. La prossima volta che leggi un comunicato entusiasta su un supercomputer da 9.000 petaflops o un algoritmo che «rivoluziona la diagnosi», poniti tre domande: chi paga, chi guadagna, chi resta fuori. Le risposte ti diranno tutto quello che devi sapere sulla medicina del futuro — e sul presente che la sta costruendo.