L'Intelligenza Artificiale: un nuovo modello di prescrizione dei prodotti farmaceutici

🔍 Artificial Intelligence: A New Pharmaceutical Prescription Model - versione inglese

L'intelligenza artificiale (IA), e più precisamente i Grandi Modelli Linguistici (LLM), si è imposta in pochi anni come una delle tecnologie più strutturanti della nostra epoca. Se il suo impatto sull'insieme dei settori economici è già ampiamente documentato, la sua influenza sulle pratiche mediche, e più specificamente sul modello di prescrizione farmaceutica, resta ancora insufficientemente analizzata. È precisamente questo l'oggetto del presente articolo: esaminare come l'IA stia facendo emergere un nuovo modello di prescrizione, più potente di quello tradizionale, ma che solleva una questione fondamentale di sovranità che le aziende farmaceutiche non possono più ignorare.

Per cogliere pienamente la portata di questa trasformazione, occorre anzitutto esaminare le fragilità strutturali del modello che essa viene a sostituire.

Un modello di prescrizione fisica in pieno declino

Precisiamo subito che cosa intendiamo per modello di prescrizione fisica dei prodotti farmaceutici: si tratta dell'insieme delle azioni volte a informare i medici sulle specialità farmaceutiche mediante contatti e supporti fisici, al fine di aumentare la loro frequenza di prescrizione. Questo modello poggia su alcune funzioni chiave all'interno delle aziende farmaceutiche:

• Le forze commerciali, che visitano direttamente i professionisti sanitari, gli ospedali e le farmacie

• Gli affari medici, che assicurano la diffusione delle informazioni scientifiche e mediche presso i professionisti sanitari in modo individuale o collettivo, in particolare nei congressi, e promuovono progetti a finalità clinica o terapeutica, segnatamente di ricerca

• Il marketing, che produce contenuti e organizza campagne destinate all'insieme dell'ecosistema

Le prestazioni di questo modello sono messe in discussione da tempo. A titolo di esempio, una rassegna della letteratura scientifica pubblicata già nel 2010 evidenzia l'assenza di un'efficacia sistematicamente dimostrata.

Peraltro, la restrizione crescente e continua dell'accesso ai medici ha degradato l'efficacia di questo modello, aggravandone al contempo il costo. Lo sviluppo accelerato degli strumenti digitali non ha invertito questa tendenza: pur avendo introdotto nuovi canali di interazione, non ha permesso di ripristinare l'efficacia del modello.

In questo contesto, l'arrivo dell'intelligenza artificiale non si limita a indebolire questo modello: lo rende obsoleto, creando un nuovo modello radicalmente diverso.

L'IA è già il principale strumento di riferimento di medici e pazienti

Dal lancio di ChatGPT 3.5 il 30 novembre 2022, l'adozione di questi strumenti ha conosciuto una progressione senza precedenti, come illustra la figura 1 qui sotto:

*Figura 1: Evoluzione nel tempo del numero di utenti di ChatGPT, fonte: *https://backlinko.com/chatgpt-stats

Contrariamente a quanto avvenuto con i motori di ricerca, l'ecosistema dell'IA generativa non si riduce a un attore dominante: se ChatGPT è lo strumento più utilizzato, coesistono numerose altre soluzioni, molte delle quali concepite specificamente per il settore medico.

I dati disponibili attestano una penetrazione già significativa di questi strumenti nella pratica medica:

• Uno studio francese dell'Healthcare Data Institute del 2023 mostra che il 41,47% dei medici in Francia utilizza l'IA almeno una volta al mese

• Un altro studio americano pubblicato dall'AMA (American Medical Association) il 12 marzo 2026 mostra che oltre l'80% dei medici americani utilizza strumenti di intelligenza artificiale nel 2026, a fronte del dato del 38% nel 2023

• E per quanto riguarda i pazienti, OpenAI dichiara che, sui suoi 800 milioni di utenti abituali, 1 su 4 (25%) invia un prompt sulla salute ogni settimana

E al di là dell'uso, i primi studi clinici mostrano che le raccomandazioni degli LLM influenzano realmente le decisioni terapeutiche: uno studio pubblicato su Nature Medicine nel 2025 su 50 medici americani mostra che le raccomandazioni di GPT-4 hanno portato i medici a modificare le loro decisioni cliniche iniziali, con un miglioramento misurabile della loro precisione diagnostica.

Figura 2. L'Intelligenza Artificiale principale influencer e prescrittore per i medici e i pazienti

Finora si parlava molto dell'influenza del Dr. Google, ma il Dr. IA è diventato il più potente influencer di tutto l'ecosistema della salute. Questo slittamento potrebbe essere percepito come una semplice sostituzione di interfaccia; si tratta in realtà di un cambiamento di natura fondamentalmente diverso: laddove Google si limita a indicizzare pagine web senza valutarne l'affidabilità, gli strumenti di IA sintetizzano e gerarchizzano l'informazione privilegiando la letteratura scientifica validata; di fronte a una domanda medica, il Dr. IA risponde da medico, non da motore di ricerca.

Il potere di prescrizione del Dr. IA è direttamente legato alle pubblicazioni scientifiche mediche con dati longitudinali

Gli strumenti di GEO (Generative Engine Optimization), che servono all'ottimizzazione per i motori generativi, permettono di identificare le principali fonti che contribuiscono a creare le risposte alle domande degli utenti. Esistono peraltro strumenti specifici per il mondo dell'industria farmaceutica, come PharmaGEO, sviluppato dall'azienda Aikka.

Questo tipo di strumento permette di identificare, per ciascun motore di intelligenza artificiale, le principali pubblicazioni scientifiche mediche che studiano tutte le molecole e tutti i farmaci.

In altri termini, la comunità scientifica dei medici che pubblica sulle riviste scientifiche alimenta direttamente i motori di intelligenza artificiale e quindi tutti i medici e i pazienti.

Ma per produrre un articolo scientifico medico di qualità occorre disporre di coorti di dati in volume, strutturate, omogenee, longitudinali e specifiche di un'area terapeutica. E le migliori fonti di questi dati sono, senza alcun dubbio, le applicazioni di salute digitale che seguono il paziente lungo tutto il suo percorso terapeutico.

Figura 3. Le startup di salute digitale sono le migliori fonti di dati di vita reale per gli articoli scientifici

La letteratura mostra infatti che il valore dei dati digitali è riconosciuto principalmente quando tali dati sono collegati a una patologia o a un'indicazione chiaramente definita, a esiti clinici e a decisioni terapeutiche, il che è tipicamente il caso delle soluzioni mirate per area terapeutica piuttosto che delle applicazioni generaliste di salute o benessere.

Per accedere ai pazienti alla scala richiesta, queste startup devono necessariamente essere sostenute dai principali attori del sistema sanitario: i medici, in particolare all'interno delle strutture ospedaliere, ma anche le associazioni di pazienti e le farmacie.

Menzioniamo altresì il ruolo nuovo e particolare dei Tiers-Lieux d'Expérimentation (spazi di sperimentazione), un'iniziativa recente del governo francese volta a consentire la creazione di sperimentazioni all'interno dell'ospedale con startup di salute digitale. Oggi in Francia ve ne sono 37 e il loro futuro è ancora incerto, mentre la loro utilità è fondamentale in questa nuova creazione di valore.

Il valore di queste startup, e dei loro dati, è infatti direttamente proporzionale alla loro capacità di diffusione: maggiore è il volume di dati raccolti, maggiore è la loro utilità scientifica e strategica.

Si assiste tuttavia talvolta a un proliferare di startup su una stessa specialità o area terapeutica, il che genera spesso confusione nella scelta tra le diverse soluzioni. Vedremo ora che questa fase è transitoria: per ciascuna area terapeutica presa separatamente — cardiologia, diabetologia, oncologia e così via — si può prevedere che solo un piccolo numero di attori si imporrà. Tuttavia, questa concentrazione non avverrà né tanto rapidamente né tanto uniformemente quanto in altri mercati digitali: la regolamentazione molto variabile da un paese all'altro, la resistenza delle istituzioni ospedaliere alla dipendenza da attori privati e la frammentazione naturale per specialità sono altrettanti freni che rallenteranno il processo. È precisamente per questo che le aziende farmaceutiche che desiderano posizionarsi non hanno interesse ad aspettare, ed è la ragione per cui i modelli collaborativi aperti, che esamineremo nella sezione 6, saranno la condizione sine qua non del successo di queste acquisizioni.

Si delinea una situazione paradossale: le startup di salute digitale sono al cuore della nuova catena del valore della prescrizione e tuttavia restano economicamente fragili. Per comprendere come questo paradosso potrebbe risolversi, la storia degli ERP offre una chiave di lettura illuminante.

Le startup di salute digitale sono gli ERP del sistema sanitario

La salute digitale è da tempo riconosciuta dalle grandi organizzazioni internazionali come una leva fondamentale di trasformazione dei nostri sistemi sanitari: l'Assemblea Mondiale della Sanità ha adottato all'unanimità una risoluzione sulla salute digitale, e l'OMS ha definito una strategia mondiale volta a fare dei sistemi sanitari dei sistemi centrati sulle persone e attivati dal digitale.

Resta il fatto che queste stesse startup faticano a trovare un modello economico sostenibile che permetta loro di crescere e consolidare il proprio valore sul mercato.

Oggi, in Francia, i principali modelli di business per le startup di salute digitale sono:

• la vendita diretta ai medici, agli ospedali e/o ai pazienti

• il rimborso delle soluzioni di telemedicina da parte della previdenza sociale

• il rimborso delle terapie digitali da parte della previdenza sociale

Il rimborso delle soluzioni di telemedicina e delle terapie digitali in Francia, avviato dopo quello della Germania, sembrava a un certo punto offrire un quadro che avrebbe permesso l'emergere della salute digitale. Oggi ci si accorge che non è affatto così: l'ottenimento del rimborso è un processo al tempo stesso lungo e complicato, e non è garanzia di successo commerciale.

È questa la ragione per cui la comparsa di questo nuovo modello di prescrizione tramite l'intelligenza artificiale può diventare rapidamente il vero catalizzatore per sviluppare la salute digitale.

L'analogia con gli ERP (Enterprise Resource Planning) è illuminante. Questi software, diffusi in tutte le imprese a partire dalla fine degli anni '90, hanno permesso di definire per ciascuna organizzazione i dati importanti da raccogliere, per poi creare un cruscotto centralizzato che offre una visione globale del suo funzionamento: è così che le imprese hanno potuto guidare la propria trasformazione.

È possibile utilizzare questa analogia per comprendere meglio come le soluzioni di salute digitale, definendo i dati per ciascuna area terapeutica e raccogliendo poi tali dati in tutte le componenti del percorso di cura, permetteranno di disporre di una visione globale basata su dati pertinenti e omogenei.

In definitiva, se il valore di questi dati è tanto fondamentale quanto quello degli ERP per le imprese, allora chi controlla queste startup controllerà domani una parte del potere di prescrizione. È precisamente questo che innescherà una corsa all'acquisizione.

La rarefazione delle startup di salute digitale: un'occasione propizia per le aziende farmaceutiche

L'esperienza dei mercati digitali permette di identificare una dinamica ricorrente. Una prima fase di esplorazione vede emergere numerose soluzioni concorrenti: gli utenti adottano generalmente la prima soluzione disponibile e mostrano una certa riluttanza a moltiplicarne l'uso. Progressivamente si opera una selezione: le soluzioni meno performanti scompaiono, mentre quelle che beneficiano della maggiore diffusione attirano nuovi utenti, sensibili agli effetti di rete. Questo processo accelera la concentrazione del mercato verso una struttura oligopolistica, in cui un piccolo numero di attori si spartisce l'essenziale del mercato.

Questa situazione oligopolistica pone le startup in una posizione di forza: detentrici di una quota di mercato significativa, sono in grado di imporre condizioni contrattuali a sé favorevoli alle aziende farmaceutiche che desiderano accedervi, il che contribuisce ad accrescerne la valutazione. Di fronte a questo rapporto di forza, le aziende farmaceutiche possono scegliere tra due strategie per mettere in sicurezza le proprie partnership: l'acquisizione diretta o l'ingresso nel capitale.

Diverse operazioni illustrano già questa tendenza:

• Acquisizione di Flatiron Health nel 2018 da parte di Roche per un importo di 1,9 miliardi di dollari

• Partnership e investimento in Aetion da parte di Sanofi nel 2019

Peraltro, ogni azienda che acquisisca una di queste startup si assicurerebbe il controllo esclusivo di una risorsa rara e strategica. Man mano che il numero di attori si ridurrà, l'acquisizione di queste piattaforme creerà una vera e propria occasione propizia: le aziende in posizione di controllare l'accesso a questi dati potrebbero precluderli ai concorrenti, costituendo così un vantaggio competitivo duraturo a scapito di chi avrà rinviato la propria decisione.

Figura 4. L'acquisizione delle startup di salute digitale crea un'occasione propizia per le aziende farmaceutiche

Questa strategia di acquisizione non è tuttavia priva di rischi: il controllo di una startup da parte di un'azienda farmaceutica crea tensioni potenziali con l'ecosistema da cui dipende precisamente il valore di quella startup.

L'architettura collaborativa aperta: condizione di durata delle acquisizioni

L'interesse delle aziende farmaceutiche può infatti non essere del tutto allineato con tutte le componenti dell'ecosistema che alimentano il valore della startup e che permettono la produzione di questi dati di qualità.

Possono emergere vere tensioni tra chi controlla la startup e l'ecosistema che la circonda, il che può sfociare in un conflitto e nel rigetto della startup.

Figura 5. Illustrazione delle tensioni potenziali tra aziende farmaceutiche ed ecosistema sanitario

Perché una simile acquisizione sia duratura, l'azienda farmaceutica che controlla la startup non può comportarsi da predatore nei confronti dell'ecosistema che ne costituisce il valore. Tre condizioni sono indispensabili: in primo luogo, una governance multi-attore che allinei gli interessi di ciascuno attorno a obiettivi condivisi; in secondo luogo, un modello di condivisione del valore che vada a beneficio dell'insieme dei contributori — medici, ospedali, associazioni di pazienti, farmacie — senza i quali i dati non possono essere prodotti; in terzo luogo, una capacità di sperimentazione concreta sul campo, che validi l'utilità delle soluzioni e generi prove di valore reali. Queste tre condizioni definiscono quella che si può chiamare un'architettura collaborativa aperta.

Figura 6. Occorre creare coalizioni che allineino gli interessi degli attori dell'ecosistema sanitario

NextGen Coalition, co-fondata e gestita da Digital Pharma Lab dal 2020, costituisce oggi il modello di riferimento di questo tipo di architettura in Francia. In cinque anni ha riunito oltre 40 strutture partner — ospedali, aziende farmaceutiche, startup e istituzioni — attorno a una governance collettiva, con 3,5 milioni di euro mobilitati e più di 35 progetti innovativi sostenuti, che coprono percorsi di cura digitali, telemonitoraggio e strumenti di IA per i clinici, e 100.000 pazienti utenti che beneficiano già delle soluzioni sperimentate in questo quadro.

Nel settore delle farmacie, la Coalition IDEO, anch'essa promossa da Digital Pharma Lab, applica lo stesso principio a un ecosistema diverso. Riunisce industriali della salute, gruppi di farmacie, distributori ed esperti digitali attorno a un obiettivo comune: accompagnare le farmacie nell'integrazione del digitale, in un momento in cui il mestiere di farmacista si diversifica rapidamente: vaccinazione, screening, accompagnamento terapeutico. Ogni anno, un bando di progetti co-costruito con l'insieme dei membri nell'arco di sei mesi di lavoro collettivo seleziona le soluzioni più promettenti, garantendo che i bisogni reali delle farmacie e dei pazienti siano al centro dell'approccio. Il primo bando ha permesso di ricevere 42 candidature, di cui 11 sono state presentate alla Coalizione e 4 progetti sono stati selezionati e sono attualmente in fase di finalizzazione e diffusione.

Questi due esempi illustrano una lezione essenziale: il valore di una coalizione non si decreta, si costruisce pazientemente, attraverso la prova dei fatti. Ciò che rende robusti questi modelli è precisamente il fatto che non sono controllati da un solo attore: funzionano perché ogni parte interessata vi trova un interesse reale e misurabile. È questo il modello che le aziende farmaceutiche che acquisiscono startup di salute digitale dovranno riprodurre e istituzionalizzare, pena la distruzione del valore stesso che cercano di catturare.

Conclusione: l'IA creerà un circolo virtuoso che valorizzerà le startup di salute digitale e veri sistemi collaborativi a beneficio di tutti

L'intelligenza artificiale sta ricomponendo in profondità il modello di prescrizione farmaceutica offrendo tanto ai medici quanto ai pazienti risposte fondate sulla letteratura scientifica validata. In questa nuova configurazione, le startup di salute digitale che producono coorti di dati in volume, strutturate, omogenee, in tempo reale, longitudinali e specifiche di un'area terapeutica permetteranno la produzione di pubblicazioni scientifiche fondate su una visione globale, quantitativa e rappresentativa del percorso terapeutico.

Per garantire la propria sovranità e consolidare il proprio vantaggio competitivo, le aziende farmaceutiche avranno tutto l'interesse ad acquisire o controllare queste startup. Ma per farlo dovranno costruire vere architetture collaborative aperte, capaci di allineare gli interessi dell'insieme degli attori dell'ecosistema attorno a questa nuova catena del valore, condizione sine qua non di un cambiamento sistemico duraturo, a beneficio dell'intero settore.

Bibliografia

Gagnon, M. A., & Lexchin, J. (2010). Information from pharmaceutical companies and the quality, quantity, and cost of physicians' prescribing: A systematic review. PLOS Medicine, 7(10), e1000352. https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1000352

Romanow, K. (2015, August 18). Crossing the threshold: More than half of physicians restrict access to sales reps. PR Newswire. https://www.prnewswire.com/news-releases/crossing-the-threshold-more-than-half-of-physicians-restrict-access-to-sales-reps-300136525.html

PR Newswire. (2016, July 14). As doctors keep closing doors on pharma reps, do digital communications provide a better solution? PR Newswire. https://www.prnewswire.com/news-releases/as-doctors-keep-closing-doors-on-pharma-reps-do-digital-communications-provide-a-better-solution-300317132.html

Healthcare Data Institute. (2023). Les Français, les professionnels de santé et l'intelligence artificielle. https://healthcaredatainstitute.com/wp-content/uploads/2024/01/etudes-hdi-day-2023_compressed_compressed-1.pdf

American Medical Association. (2026, March 12). More than 80% of physicians use AI professionally: AMA survey. https://www.ama-assn.org/practice-management/digital-health/more-80-physicians-use-ai-professionally-ama-survey

Fierce Healthcare. (2024). 40M people use ChatGPT to answer healthcare questions, OpenAI says. https://www.fiercehealthcare.com/ai-and-machine-learning/40m-people-use-chatgpt-answer-healthcare-questions-openai-says

Semigran, H. L., Linder, J. A., Gidengil, C., & Mehrotra, A. (2017). The effect of Dr Google on doctor–patient encounters in primary care: A quantitative, observational, cross-sectional study. BMC Family Practice. https://pmc.ncbi.nlm.nih.gov/articles/PMC6169945

Staudenmayer, K. L., et al. (2025). Physician clinical decision modification and bias assessment in a randomized controlled trial of AI assistance. Communications Medicine (Nature). https://www.nature.com/articles/s43856-025-00781-2

Wikimedia Foundation. (2024). Optimisation pour les moteurs génératifs. Wikipédia. https://fr.wikipedia.org/wiki/Optimisation_pour_les_moteurs_g%C3%A9n%C3%A9ratifs

Aikka. (s.d.). PharmaGEO. https://www.aikka.ai/

Neves, A. L., et al. (2023). Digital health technology for real-world clinical outcome measurement using patient-generated data: Systematic scoping review. Journal of Medical Internet Research, 25, e46992. https://www.jmir.org/2023/1/e46992/

GNIUS - Espace Numérique de Santé. (2023). Les Tiers-Lieux d'Expérimentation en santé (TLE) - fiche acteur. https://gnius.esante.gouv.fr/fr/acteurs/fiches-acteur/tiers-lieux-dexperimentation-en-sante-tle

GNIUS - Espace Numérique de Santé. (2023). Les Tiers-Lieux d'Expérimentation en santé (TLE) - programmes nationaux. https://gnius.esante.gouv.fr/fr/programmes-nationaux/tiers-lieux-dexperimentation

Sinsky, C., et al. (2018). Digital health and health systems of the future. National Library of Medicine. https://pmc.ncbi.nlm.nih.gov/articles/PMC6203414/

Wikimedia Foundation. (2024). Thérapie numérique ou digitale. Wikipédia. https://fr.wikipedia.org/wiki/Th%C3%A9rapie_num%C3%A9rique

Wikimedia Foundation. (2024). Progiciel de gestion intégré. Wikipédia. https://fr.wikipedia.org/wiki/Progiciel_de_gestion_int%C3%A9gr%C3%A9

Digital Pharma Lab. (s.d.). NextGen Coalition. digitalpharmalab.com/ecosysteme/nextgen-coalition

Digital Pharma Lab. (s.d.). Coalition IDEO - Innovation Officine. digitalpharmalab.com/ecosysteme/coalition-ideo

Wikimedia Foundation. (2024). Grand modèle de langage. Wikipédia. https://fr.wikipedia.org/wiki/Grand_mod%C3%A8le_de_langage