L'idea originale: predire sui dati, validare al banco
Takeda Pharmaceutical ha portato l'AI dentro i flussi di ricerca e sviluppo. Gli scienziati hanno cambiato modo di lavorare: dalla sperimentazione di laboratorio ad ampio raggio alla predizione sui dati, con validazione mirata su poche ipotesi.
Il caso è uscito il primo ottobre 2026 sul MIT Sloan Management Review, firmato da George Westerman e David Kiron. La ricerca nasce dentro un programma della rivista, svolto con EY e sostenuto da EY. Vale dirlo subito, perché la provenienza pesa sulla lettura dei numeri.
La scelta di fondo rovescia l'ordine del lavoro: prima il modello indica dove guardare, poi il banco verifica l'ipotesi singola.
Qui la leva è il disegno del processo, più della tecnologia scelta. Chi costruisce in azienda riconosce lo schema: il valore arriva quando il modello entra nella giornata di chi decide gli esperimenti.
Il mestiere dello scienziato resta al centro della storia. Il modello restringe lo spazio delle opzioni, la persona decide quale strada merita il reagente.
Un gruppo globale cresciuto per acquisizioni
Takeda ha la sede a Tokyo e due poli grandi, a Zurigo e a Cambridge, in Massachusetts. Dal 2010 una catena di acquisizioni ha trasformato un'azienda a vocazione domestica in un gruppo mondiale: circa 50.000 persone in oltre 80 sedi[1]. Zurigo e Cambridge pesano quanto Tokyo nella geografia della ricerca.
La crescita per acquisizione lascia un conto da pagare. Il caso lo descrive in tre voci: sistemi che si parlavano poco, capacità diverse da regione a regione, flussi di lavoro disallineati rispetto al mercato. È il punto di partenza reale, lontano dalla tavola pulita dei progetti pilota.
Gabriele Ricci, chief data and technology officer, dà il motivo economico dell'urgenza. Il settore cresce del 2%-3% all'anno, lontano dal 10% di un tempo, e da qui arriva la richiesta di agilità e resilienza.
Per un direttore tecnico questo è il dato più utile del caso: la frammentazione viene prima dell'AI, e va trattata prima. La pagina ufficiale di ricerca e sviluppo del gruppo[2] resta il riferimento primario per chi vuole il perimetro della pipeline.
Il mandato: l'80% dei processi ripensato entro il 2028
Christophe Weber, allora amministratore delegato, ha letto la somma delle pressioni come un'occasione. Il mandato all'organizzazione: diventare un'azienda biofarmaceutica digitale, con l'AI dentro la catena del valore.
Il numero che dà la misura dell'ambizione: ripensare l'80% dei processi aziendali entro il 2028[1].
Il contesto esterno spiega la fretta. L'annuncio di AlphaFold, nel 2020, ha mostrato al settore che un modello poteva prevedere il ripiegamento delle proteine e le loro interazioni.
- Prezzi compressi da governi e payer
- Scadenze brevettuali su franchise importanti
- Produttività della pipeline in stallo
- Biotech con algoritmi e capitale di rischio su bersagli difficili
Il messaggio per il settore era chiaro. Chi accelera la scoperta e rifà le proprie operazioni tiene il passo. Gli altri restano indietro, e i biotech piccoli puntavano già a bersagli che la farmaceutica tradizionale considerava impossibili.
Un obiettivo che tocca l'80% dei processi ha un effetto laterale utile: sposta la conversazione dal pilota al sistema. Per un consiglio di amministrazione, questa è l'asticella che si muove davvero.
Il 2028 dà anche un orizzonte misurabile. Chi legge il caso ha una data per tornare a chiedere i numeri.
Le leve che il caso indica come decisive
Il caso del MIT mette quattro condizioni alla base della scala: responsabilità in capo ai capi di business, fondamenta dati solide, trasformazione delle competenze, cultura di fiducia e sperimentazione.
Tre di queste quattro sono scelte di organizzazione. La tecnologia entra come ultimo anello, dopo la catena di comando e dopo i dati. Questo ordine spiega perché molte aziende con gli stessi strumenti restano al pilota.
La responsabilità in capo al business cambia il destino di un progetto. Quando il capo di funzione risponde del risultato, il modello trova un committente, e il committente trova un budget.
Le fondamenta dati, su un gruppo nato da acquisizioni, sono il lavoro più ingrato e più decisivo. Unificare anagrafiche, formati e accessi su oltre 80 sedi vale anni di cantiere.
La trasformazione delle competenze resta il capitolo più lento. Insegnare a leggere una predizione, e a diffidare di una predizione, richiede mesi di affiancamento.
La cultura della sperimentazione chiude il cerchio: le persone provano quando l'errore costa poco. È la condizione che un'azienda media può copiare subito, a costo quasi zero.
Il punto di frizione: le cifre di esito restano fuori
Qui arriva la parte che rende il caso istruttivo. Il materiale pubblicato racconta il meccanismo con precisione, e lascia fuori il before/after sulla produttività della scoperta.
Mancano i numeri che contano per un investitore: molecole portate in clinica, tempo di ciclo per bersaglio, costo per candidato. Il testo dichiara quattro fattori critici per scalare l'innovazione AI. Un fattore critico resta una tesi, cosa distinta da una metrica.
Vale distinguere i piani, con rispetto per il lavoro degli autori. Un caso di studio con sponsor dichiarato descrive bene il disegno, e va letto con la mano ferma sui numeri di esito. Le storie più forti arrivano con una correzione dichiarata, e la correzione è il dato più informativo di tutti.
Una seconda incertezza riguarda la continuità al vertice. Il mandato sull'80% dei processi arriva da Weber, e la guida del gruppo è cambiata: la prima conferenza stampa della nuova presidenza l'ha raccontata il quotidiano giapponese The Asahi Shimbun[3].
Un programma che corre fino al 2028 attraversa quindi un passaggio di mano, e questo è il rischio vero da osservare.
Cosa puoi portare via
La parte replicabile di questa storia vive dentro l'organizzazione, prima che dentro un contratto software.
- Fondatore o amministratore di PMI: un processo, un capo, una metrica dichiarata prima di partire
- Direttore tecnico: il modello in produzione vale quando entra nel flusso di chi decide gli esperimenti
- Consiglio e investitori: chiedere la data e il denominatore, poi tornare a chiedere il risultato
- Capo di team: ordinare i dati del proprio processo abilita tutto il resto
Il primo passo costa poco: scegliere un processo e dargli un capo con un numero da muovere. Il secondo passo costa tempo: mettere in ordine i dati di quel processo, prima del modello. Il terzo passo costa coraggio: dichiarare la metrica prima di partire.
Vale anche una prova pratica di taglia piccola: un modello che ordina una coda di priorità, con la verifica umana a valle. La forma del caso Takeda regge anche a scala ridotta, e la lezione resta uguale.
Questa vicenda vale soprattutto come prova di sequenza. L'ordine delle mosse spiega il risultato meglio della scelta del fornitore.
Resta la domanda aperta, utile per qualsiasi organizzazione. Qual è il processo che oggi gira per abitudine, e quale numero mostrerebbe un modello messo al posto giusto?
Chi risponde con una cifra ha già iniziato la trasformazione. Chi risponde con un aggettivo ha ancora il lavoro di fondamenta davanti.
Questo articolo è stato redatto da un autore editoriale AI con supervisione umana, in conformità agli obblighi di trasparenza del Regolamento (UE) 2024/1689 (AI Act, Art. 50). Le fonti sono linkate nel testo.
Article by SAGA
Fonti
- circa 50.000 persone in oltre 80 sedi 1 ott 2026 (sloanreview.mit.edu)
- pagina ufficiale di ricerca e sviluppo del gruppo (takeda.com)
- The Asahi Shimbun (asahi.com)