Novo Nordisk sceglie AWS nella corsa AI tra Amazon e Google, ma la vera prova è la scoperta di farmaci
Novo Nordisk ha nominato AWS come fornitore cloud preferenziale e partner strategico per l'AI, pur avendo già costruito un'ampia rete di collaborazioni nell'intelligenza artificiale. L'accordo del 10 agosto assegna ad Amazon un ruolo centrale nell'infrastruttura tecnologica dell'azienda farmaceutica. Inserisce inoltre Novo Nordisk nella crescente competizione tra Amazon e Google per i carichi di lavoro delle scienze della vita.
La promessa principale è accelerare la scoperta di farmaci. Ingegneri AWS, scienziati applicati e ricercatori di Novo Nordisk lavoreranno insieme in un nuovo hub di co-innovazione a Londra. Intendono collegare modelli biologici, esperimenti di laboratorio e dati clinici attraverso i servizi cloud di Amazon.
Tuttavia, l'annuncio non indica alcun obiettivo numerico per ridurre i tempi di sviluppo. Non identifica alcun candidato farmaco creato attraverso la partnership. Nemmeno i termini finanziari sono stati divulgati.
Questa distinzione è importante, perché individuare una molecola promettente è solo la fase iniziale dello sviluppo farmaceutico. Test di laboratorio, studi sull'uomo, revisione regolatoria, produzione e accesso dei pazienti restano ostacoli distinti. L'AI può migliorare le decisioni all'interno di questo processo senza eliminare l'incertezza che lo caratterizza.
La partnership con AWS costituisce quindi una prova misurabile. Novo Nordisk dovrà dimostrare che una piattaforma AI più ampia produce decisioni scientifiche migliori, non soltanto più modelli, agenti e chatbot interni.
AWS diventa il cloud preferenziale dietro la spinta AI di Novo Nordisk
Novo Nordisk ha trasformato AWS da fornitore tecnologico a partner preferenziale per infrastruttura e AI.
Le aziende hanno annunciato il loro accordo strategico il 10 agosto 2026. Secondo la partnership strategica ufficiale, il lavoro copre ricerca, sviluppo clinico, operazioni commerciali e tecnologia aziendale.
L'hub londinese è il cambiamento organizzativo più concreto. Specialisti AWS lavoreranno accanto a scienziati e ingegneri di Novo Nordisk presso la struttura di King's Cross dell'azienda farmaceutica. L'obiettivo è ridurre i ritardi tra previsioni computazionali ed esperimenti fisici.
La scoperta di farmaci comporta di solito numerosi passaggi di consegna. I biologi definiscono un meccanismo di malattia, i team computazionali valutano i bersagli e i chimici progettano possibili trattamenti. I risultati di laboratorio costringono poi i team a rivedere le ipotesi precedenti.
Riunire questi gruppi può abbreviare questo ciclo di feedback. I ricercatori possono valutare la raccomandazione di un modello mentre gli ingegneri responsabili del modello restano disponibili. Possono inoltre adattare gli esperimenti prima che un risultato incerto attraversi diversi livelli organizzativi.
Novo Nordisk utilizzerà Amazon Bio Discovery nell'ambito di questo lavoro. AWS lo descrive come un'applicazione per generare e valutare potenziali candidati farmaco con modelli AI biologici. Può inoltre collegare la progettazione computazionale con partner esterni di laboratorio.
Amazon Bedrock fornirà accesso a modelli fondamentali, ovvero modelli per uso generale adattabili a molteplici attività aziendali. Bedrock AgentCore supporterà agenti AI che recuperano dati, eseguono azioni approvate e coordinano flussi di lavoro in più fasi.
Questi servizi affrontano parti diverse del processo di ricerca. Bio Discovery si concentra sulla progettazione scientifica, mentre AgentCore fornisce l'infrastruttura per gli agenti nelle operazioni di ricerca e aziendali. Bedrock offre il livello di modelli sottostante.
L'accordo estende una relazione esistente. Novo Nordisk ha già realizzato su Bedrock un ambiente interno di AI generativa per attività non regolamentate. AWS afferma che oltre 25.000 dipendenti utilizzano quell'ambiente per attività che includono recupero di informazioni, redazione di documenti e sviluppo di chatbot.
Questa adozione è significativa, ma misura l'accesso più che il valore scientifico. Un chatbot utilizzato da migliaia di dipendenti non dimostra che un farmaco sperimentale raggiungerà prima i pazienti.
L'accordo ampliato supera quel confine. Novo Nordisk ora vuole coinvolgere la tecnologia AWS nell'identificazione dei bersagli, nella progettazione delle terapie e nella connessione di dati genomici, di imaging e clinici.
AWS diventa inoltre il fornitore cloud preferenziale alla base di questi sforzi. Questa designazione attribuisce ad Amazon una posizione più forte all'interno di una delle più importanti organizzazioni di ricerca farmaceutica al mondo.
Il cambiamento crea la tensione centrale dell'articolo. Novo Nordisk ha dimostrato di saper distribuire strumenti AI su scala aziendale. Non ha ancora dimostrato che questa scala aumenti la probabilità di portare sul mercato un farmaco approvato.
Perché Novo Nordisk vuole più di un partner AI
L'accordo con AWS fa parte di una strategia di portafoglio, non di una scommessa esclusiva su un'unica azienda di modelli.
Novo Nordisk ha annunciato una partnership separata con OpenAI nell'aprile 2026. L'accordo riguarda scoperta di farmaci, produzione, catene di fornitura, distribuzione e operazioni commerciali.
L'azienda farmaceutica ha dichiarato che il lavoro con OpenAI analizzerà dataset complessi e individuerà candidati promettenti. Ha inoltre sottolineato una rigorosa governance dei dati e la supervisione umana nella partnership con OpenAI.
AWS occupa ora un livello diverso. OpenAI fornisce modelli avanzati e capacità di ricerca, mentre AWS mette a disposizione infrastruttura cloud, servizi biologici specializzati e strumenti per distribuire agenti. I confini possono sovrapporsi, ma i ruoli non sono identici.
Novo Nordisk ha inoltre collaborato con Microsoft nell'analisi dei dati clinici. I suoi scienziati hanno lavorato con Nvidia su modelli biologici e progettazione molecolare. Una relazione di lunga data con Valo Health applica dati umani e calcolo alla ricerca sui farmaci cardiometabolici.
Questa raccolta di partner mostra che Novo Nordisk non si aspetta che un singolo fornitore risolva ogni problema scientifico. Sta invece assemblando modelli, infrastruttura, dataset e supporto ingegneristico provenienti da più fonti.
Questo approccio protegge l'azienda dal dipendere completamente da un'unica roadmap tecnica. Consente inoltre ai ricercatori di scegliere strumenti per problemi specifici, come la struttura delle proteine, l'analisi clinica o la generazione di molecole.
Tuttavia, una strategia con più partner introduce costi di integrazione. Le autorizzazioni sui dati devono restare coerenti tra le piattaforme. Gli output dei modelli necessitano di standard di valutazione condivisi e i team di ricerca devono comprendere quale sistema abbia prodotto ciascuna raccomandazione.
La sovrapposizione dei fornitori può creare un altro problema. Due sistemi potrebbero recuperare le stesse evidenze ma presentare conclusioni contrastanti. Gli scienziati necessitano quindi di un processo regolato per risolvere il disaccordo senza trattare la fiducia del modello come verità biologica.
La rivalità tra Amazon e Google è alla base di questa decisione infrastrutturale. Google ha combinato la propria piattaforma cloud con i modelli scientifici di DeepMind e il lavoro di progettazione di farmaci di Isomorphic Labs. Alphabet ha posizionato questo stack come un percorso diretto dalla ricerca AI alle terapie commerciali.
Il vantaggio di Google parte dal riconoscimento scientifico. AlphaFold ha cambiato il modo in cui i ricercatori prevedono le strutture proteiche, mentre Isomorphic Labs sta cercando di trasformare capacità correlate in candidati farmaco. Alphabet ha dichiarato nel 2026 che Isomorphic aveva raccolto oltre 2 miliardi di dollari per espandere il proprio motore di progettazione farmaceutica e la pipeline.
AWS adotta un approccio di piattaforma più ampio. Offre capacità cloud, modelli gestiti, agenti, servizi per dati sanitari e connessioni con laboratori. Piuttosto che possedere l'intero programma di scoperta, AWS punta a diventare il livello operativo attorno agli scienziati e ai dati di un'azienda farmaceutica.
La scelta di Novo Nordisk offre ad Amazon un importante riferimento aziendale. Suggerisce che una grande azienda farmaceutica attribuisca valore all'infrastruttura di distribuzione e all'integrazione organizzativa oltre alle prestazioni dei modelli.
Ciononostante, “preferito” non significa che ogni sistema di ricerca si trasferirà su AWS. Le altre partnership di Novo Nordisk restano rilevanti e i modelli specializzati possono operare in ambienti tecnici complessi.
La vera domanda nella sfida tra Amazon e Google non è quindi quale azienda abbia la dimostrazione biologica più impressionante. È quale piattaforma aiuti un'azienda farmaceutica a produrre decisioni affidabili e tracciabili attraverso migliaia di esperimenti.
La pressione su Novo Nordisk è immediata anche se il ritorno scientifico è distante. Compete con Eli Lilly nell'obesità e nel diabete, dove le prestazioni dei prodotti, la produzione e l'accesso dei pazienti determinano i risultati di mercato.
L'AI non può risolvere da sola queste pressioni. Può aiutare Novo Nordisk a esaminare più ipotesi e a dare priorità alle risorse di ricerca. L'azienda deve comunque far sì che queste scelte producano farmaci con efficacia e tollerabilità competitive.
La sfida tra Amazon e Google entra in laboratorio
La concorrenza nel cloud dipende ora dalla capacità delle previsioni digitali di migliorare gli esperimenti fisici.
Gli accordi aziendali sull'AI un tempo erano incentrati su archiviazione dei dati, analisi e produttività dei dipendenti. La scoperta di farmaci alza la posta in gioco, perché gli errori possono consumare anni di lavoro di laboratorio e clinico.
Amazon Bio Discovery cerca di colmare il divario tra un modello e un esperimento. AWS afferma che il servizio consente agli scienziati di generare candidati, valutarli computazionalmente e inviare i progetti selezionati a partner di laboratorio integrati.
Questo processo viene talvolta descritto come un ciclo chiuso. Un modello propone un candidato, un laboratorio lo testa e i dati risultanti informano il successivo ciclo computazionale. Cicli ripetuti possono restringere lo spazio di ricerca.
Il meccanismo sembra semplice, ma la sfida scientifica non lo è. Una molecola può legarsi al bersaglio previsto e fallire comunque a causa di tossicità, metabolismo, instabilità o scarsa distribuzione nell'organismo.
I sistemi biologici cambiano inoltre tra tipi cellulari, popolazioni di pazienti e stadi della malattia. I dati di addestramento possono nascondere queste condizioni, soprattutto quando gli esperimenti utilizzano protocolli diversi o producono misurazioni incoerenti.
Per questo il laboratorio fisico rimane centrale. I modelli possono classificare le possibilità, ma gli esperimenti determinano se le loro ipotesi resistono al confronto con la biologia.
Novo Nordisk e AWS hanno una certa esperienza con questo tipo di infrastruttura collaborativa. Hanno lavorato con la Columbia University e l'OpenFold Consortium su OpenFold3, un progetto open source di modellazione biologica.
La collaborazione ha utilizzato un ambiente di ricerca AWS sicuro per supportare scienziati esterni e carichi di lavoro computazionali. Il progetto OpenFold3 risultante offre un utile precedente per lo sviluppo scientifico condiviso.
Il nuovo hub londinese applica un principio collaborativo analogo all'interno del processo di scoperta di Novo Nordisk. Avvicina gli specialisti dell'infrastruttura agli scienziati che comprendono la malattia e il contesto sperimentale.
Questa vicinanza può migliorare la progettazione dei modelli. Gli ingegneri possono vedere quando le etichette dei dati nascondono un'importante distinzione biologica. Gli scienziati possono capire quando la certezza di un modello riflette un dataset ristretto anziché evidenze solide.
AgentCore di Amazon aggiunge un altro meccanismo. Un agente potrebbe raccogliere evidenze su un bersaglio, interrogare database approvati, preparare un'analisi e registrare i propri passaggi per la revisione umana.
Tali agenti possono ridurre il lavoro informativo ripetitivo. Se configurati correttamente, possono anche preservare una catena di evidenze. Questa caratteristica è importante negli ambienti regolamentati, dove i ricercatori devono spiegare come sia stata raggiunta una decisione.
Tuttavia, l’AI agentica introduce proprie modalità di fallimento. Un agente può recuperare evidenze irrilevanti, interpretare erroneamente un documento o eseguire il passaggio sbagliato tra sistemi connessi.
La supervisione umana rimane quindi parte del meccanismo, non un livello di sicurezza opzionale. Gli scienziati necessitano di controlli sull’accesso ai dati, le autorizzazioni d’azione, la convalida e l’escalation.
Google affronta il laboratorio da un’altra direzione. DeepMind e Isomorphic Labs pongono l’accento sulla previsione biologica e sulle molecole progettate dall’AI. Google Cloud può fornire l’infrastruttura attorno a questi modelli e ai relativi dati sanitari.
AWS enfatizza il flusso di lavoro che collega modelli, dati, persone ed esperimenti. Novo Nordisk sta di fatto verificando se questa orchestrazione produca un vantaggio scientifico.
Nessuna delle due strade ha stabilito un vantaggio ampio nei farmaci scoperti con l’AI e approvati. La competizione rimane aperta perché i benchmark di ricerca non equivalgono agli esiti clinici.
Per gli acquirenti aziendali, questo cambia il modo in cui le piattaforme dovrebbero essere valutate. L’accuratezza di un modello su un dataset pubblico è utile, ma non misura l’integrazione con gli strumenti di laboratorio o gli standard interni per le evidenze.
La piattaforma più solida aiuterà i team a mettere in discussione le previsioni, riprodurre i risultati e scartare presto i candidati deboli. Dovrà inoltre preservare la sicurezza senza far attendere ogni esperimento una lunga revisione dell’infrastruttura.
È un obiettivo meno spettacolare che generare una molecola su richiesta. È anche più vicino al punto in cui l’infrastruttura cloud può creare valore difendibile.
Una scoperta più rapida non garantisce un farmaco di successo
L’AI può comprimere la ricerca iniziale lasciando irrisolte le questioni cliniche più difficili.
Novo Nordisk e AWS non hanno fornito una tempistica di riferimento per la scoperta. Non hanno nemmeno indicato un obiettivo percentuale per ridurre i costi di ricerca o raggiungere gli studi first-in-human.
Senza queste misure, “accelerare” rimane un obiettivo aziendale. Non è ancora un risultato dimostrato di questa partnership.
Le aziende non hanno inoltre nominato un candidato regolato dal nuovo programma. Ciò significa che gli osservatori esterni non possono seguire una molecola specifica dall’ipotesi generata dal modello alla convalida in laboratorio.
Le evidenze del settore più ampio sostengono un ottimismo cauto. Un’analisi del 2024 ha esaminato le pipeline cliniche di aziende biotecnologiche native dell’AI. Ha rilevato tassi stimati di successo in Fase I dall’80% al 90%, superiori agli intervalli storici di confronto.
Tuttavia, la stessa analisi della pipeline clinica ha rilevato un tasso stimato di successo in Fase II vicino al 40%. Il campione era limitato e le evidenze nelle fasi successive restavano immature.
Questa differenza è importante. La Fase I esamina principalmente sicurezza e dosaggio, sebbene alcuni studi includano segnali iniziali di efficacia. La Fase II valuta se un trattamento funziona nei pazienti affetti dalla condizione bersaglio.
Un modello può contribuire a progettare una molecola con proprietà favorevoli. Non può garantire che modificare il suo bersaglio produca un beneficio clinico significativo.
Una prospettiva del 2026 pubblicata su Nature Reviews Drug Discovery ha reso più netto questo avvertimento. I suoi autori hanno descritto l’assenza di evidenze di un impatto ampio e clinicamente rilevante della nuova biologia e delle terapie scoperte con l’AI.
La rassegna delle evidenze cliniche ha inoltre distinto la progettazione dei ligandi dalla progettazione completa di un farmaco. Trovare una molecola che interagisce con un bersaglio è solo una parte della creazione di un medicinale.
Biodisponibilità umana, tossicità, dosaggio e complessità della malattia rimangono difficili da prevedere. Queste proprietà emergono spesso solo attraverso esperimenti che i modelli non possono sostituire.
La rassegna ha inoltre messo in dubbio interpretazioni semplicistiche degli elevati tassi di successo in Fase I. Alcuni programmi AI si basano su una biologia della malattia consolidata e su chimica nota, fattori che possono ridurre l’incertezza sulla sicurezza indipendentemente dall’AI.
Questo non rende la tecnologia inutile. Significa che i ricercatori dovrebbero identificare il contributo esatto dell’AI invece di attribuire ogni risultato del programma al modello.
La partnership con Novo Nordisk può creare valore prima di un’approvazione. Potrebbe eliminare prima i bersagli deboli, ridurre gli esperimenti ridondanti o migliorare la progettazione degli studi clinici.
Questi guadagni richiedono controfattuali credibili. Novo Nordisk deve confrontare un processo supportato dall’AI con il suo flusso di lavoro precedente o con un programma simile che non abbia utilizzato il nuovo sistema.
Le metriche di attività grezze non saranno sufficienti. Un maggior numero di molecole generate, query al modello o sessioni di agenti può indicare adozione, ma dice poco sulla qualità della ricerca.
Le misurazioni più utili seguirebbero le decisioni scientifiche. Con quale frequenza un’ipotesi supportata da un modello ha superato la convalida in laboratorio? Quanto tempo è trascorso tra la nomina del bersaglio e una decisione sulla selezione di un candidato?
I ricercatori dovrebbero anche monitorare con quale frequenza le raccomandazioni dell’AI sono state respinte. Un sistema che rende visibile l’incertezza può essere prezioso anche quando gli scienziati rifiutano i suoi suggerimenti.
Il rischio è che una grande piattaforma aumenti il throughput senza migliorare il giudizio. I team potrebbero ricevere più candidati plausibili di quanti i laboratori possano testare, spostando semplicemente il collo di bottiglia più a valle.
Un altro rischio riguarda la qualità dei dati. I dataset genomici, di imaging e clinici riflettono popolazioni e metodi di raccolta differenti. Collegarli non li rende automaticamente comparabili.
I modelli possono apprendere correlazioni create dal disegno dello studio anziché dalla biologia della malattia. Se tali correlazioni guidano la selezione dei candidati, il programma potrebbe fallire quando viene testato in condizioni diverse.
L’esperienza di dominio di Novo Nordisk è quindi la parte essenziale della partnership. AWS fornisce strumenti e supporto ingegneristico, ma l’azienda farmaceutica deve definire domande significative e riconoscere gli artefatti biologici.
Questo è il conflitto tra promessa e realtà al centro dell’accordo. La piattaforma può rendere più rapidi i cicli di scoperta, ma solo i medicinali convalidati dimostrano che quei cicli più rapidi hanno selezionato idee migliori.
Il rendimento a breve termine potrebbe arrivare dalle operazioni
È probabile che Novo Nordisk veda guadagni aziendali misurabili prima di vedere un medicinale originato dall’AI.
L’azienda ha già oltre 25.000 dipendenti che utilizzano il suo ambiente di AI generativa basato su Bedrock, secondo un case study AWS. Questa scala crea molte opportunità di miglioramenti incrementali.
I dipendenti possono recuperare informazioni interne, redigere documenti e creare chatbot specializzati per flussi di lavoro non regolamentati. Queste attività hanno cicli di feedback più brevi rispetto allo sviluppo di farmaci.
Un team può misurare se la preparazione dei documenti richiede meno tempo. Può valutare l’accuratezza del recupero, contare gli errori ripetuti e monitorare se i dipendenti continuano a utilizzare uno strumento.
La produttività della ricerca è più difficile da attribuire. Un programma di scoperta può estendersi per diversi anni e comportare cambiamenti nelle ipotesi scientifiche, nei metodi di laboratorio e nelle priorità di investimento.
AgentCore potrebbe comunque migliorare il lavoro attorno a quella scienza. Gli agenti potrebbero raccogliere evidenze per le revisioni della ricerca, organizzare i registri sperimentali o coordinare processi computazionali approvati.
Questi utilizzi possono ridurre l’attrito amministrativo senza consentire a un agente di prendere una decisione clinica autonoma. Forniscono inoltre un percorso a rischio inferiore per comprendere il comportamento degli agenti.
La partnership si estende oltre la ricerca. Novo Nordisk afferma che applicherà gli agenti alle operazioni aziendali, mentre AWS descrive potenziali attività nello sviluppo clinico, nella produzione e nell’information technology.
Ogni area offre esiti di processo misurabili. I team di produzione possono valutare i flussi di lavoro di ispezione o manutenzione. I team tecnologici possono misurare i tempi di risoluzione e l’affidabilità dei sistemi.
Novo Nordisk ha già utilizzato la computer vision su AWS per contare le cartucce di farmaco. Un sistema con braccio robotico e fotocamera acquisiva immagini, mentre un dispositivo edge eseguiva l’inferenza di machine learning.
Quel progetto affrontava un compito definito con risultati osservabili. I conteggi delle cartucce potevano essere confrontati con l’inventario fisico e gli errori potevano essere identificati rapidamente.
La scoperta di farmaci non dispone di una verità di base così immediata. Un bersaglio può apparire convincente per mesi prima che un esperimento riveli un’ipotesi errata.
Questa differenza aiuta a spiegare la strategia di Amazon. AWS può fornire valore in molti processi aziendali mentre i programmi scientifici maturano. La relazione più ampia non dipende interamente da un singolo candidato farmaco.
Novo Nordisk collabora anche con altre attività di Amazon. Amazon Pharmacy, Amazon Ads e One Medical partecipano al modo in cui le terapie vengono commercializzate, rese accessibili o distribuite.
Questa connessione commerciale amplia la relazione oltre l’infrastruttura. Solleva inoltre questioni di governance, poiché sanità, pubblicità e informazioni cliniche richiedono chiari confini dei dati.
Nessuna delle due aziende ha affermato che il nuovo accordo combinerebbe dati dei pazienti tra tali attività di Amazon. I lettori non dovrebbero dedurre una simile condivisione dall’esistenza di molteplici partnership.
La collaborazione resa nota si concentra sulla tecnologia AWS e sui dati di Novo Nordisk. Qualsiasi utilizzo di informazioni cliniche sensibili deve rispettare le autorizzazioni applicabili, i requisiti di sicurezza e i controlli normativi.
Per i knowledge worker, l’insegnamento operativo è più ampio dei prodotti farmaceutici. Un programma AI necessita di evidenze tracciabili, autorizzazioni definite e contesto duraturo tra molti team.
Un flusso di lavoro della conoscenza strutturato può aiutare le persone a collegare il materiale fonte senza trattare le risposte generate come fatti verificati. La stessa distinzione diventa critica nelle organizzazioni scientifiche.
Il caso di successo a breve termine è quindi pratico. Novo Nordisk dovrebbe prima dimostrare flussi di lavoro più rapidi e affidabili attorno alla ricerca e alle operazioni.
Questi miglioramenti non dimostrerebbero che l’AI accelera il successo clinico. Mostrerebbero che l’azienda ha costruito la base organizzativa necessaria per testare responsabilmente questa affermazione più ampia.
Tre segnali mostreranno se la strategia sta funzionando
Le prossime evidenze dovrebbero provenire da un programma di ricerca nominato, metriche di flusso di lavoro convalidate e progressione clinica.
Il primo segnale è uno specifico programma di scoperta di farmaci collegato all’hub di Londra. Novo Nordisk e AWS devono identificare un bersaglio, una terapia o un flusso di lavoro di ricerca che gli osservatori esterni possano seguire.
Un programma nominato stabilirebbe un punto di partenza. Chiarirebbe inoltre se Amazon Bio Discovery influenza la selezione dei bersagli, la progettazione delle molecole, la prioritizzazione in laboratorio o diverse fasi.
Il risultato iniziale più solido sarebbe la convalida in laboratorio di un candidato classificato dall’AI. Ciò sosterrebbe il meccanismo senza sopravvalutarne l’importanza clinica.
Un risultato più debole sarebbe un altro annuncio generale sull’accesso ai modelli. L’espansione della piattaforma può avere importanza operativa, ma non risponderebbe alla domanda se la scoperta sia diventata più rapida.
Il secondo segnale è un insieme di misure di produttività comparabili. Novo Nordisk dovrebbe riportare il tempo dalla nomina del bersaglio alla revisione sperimentale, l’attrito dei candidati o le ipotesi convalidate per ciclo di ricerca.
Queste misurazioni richiedono contesto. Un miglioramento percentuale significa poco senza una base di riferimento, una definizione e una spiegazione dei passaggi inclusi nel calcolo.
Novo Nordisk dovrebbe inoltre distinguere l’elaborazione automatizzata dal tempo scientifico risparmiato. Un modello potrebbe completare rapidamente un’analisi mentre i ricercatori trascorrono giorni aggiuntivi a verificare un output inaffidabile.
Evidenze di decisioni end-to-end più rapide rafforzerebbero l’affermazione della partnership. Un maggiore utilizzo del calcolo o un numero più alto di dipendenti fornirebbero un supporto molto più debole.
Il terzo segnale è la progressione clinica di un candidato supportato dall’AI. L’ingresso in uno studio first-in-human dimostrerebbe che il lavoro computazionale ha superato i test preclinici e la revisione interna degli investimenti.
Le evidenze di Fase II sarebbero più importanti perché riguardano l’efficacia nei pazienti. È in questa fase che i primi dati del settore sono apparsi meno eccezionali rispetto alla Fase I.
Nessuna valutazione ragionevole dovrebbe prevedere un farmaco approvato entro i prossimi tre mesi. Lo sviluppo dei farmaci non segue le tempistiche del software aziendale.
Tuttavia, le aziende possono rendere pubblici i programmi, i metodi di valutazione e le tappe fondamentali che intendono utilizzare. La trasparenza renderebbe più semplici da valutare le affermazioni future.
La competizione tra Amazon e Google continuerà durante questa attesa. Google e Isomorphic Labs faranno avanzare i propri candidati, mentre Microsoft, OpenAI, Nvidia e aziende biotecnologiche specializzate perseguiranno strategie sovrapposte.
Novo Nordisk potrebbe continuare a utilizzare diversi di questi strumenti. La designazione di AWS centralizza l'infrastruttura, ma i team scientifici continueranno a cercare il modello o il dataset più efficace per ciascun problema.
Questo rende l'interoperabilità un altro segnale indiretto. Se l'ambiente AWS sarà in grado di governare modelli di più fornitori, Novo Nordisk otterrà flessibilità senza frammentare il proprio archivio di ricerca.
Se l'ambiente vincolerà i team a una sola e ristretta famiglia di modelli, la decisione sul cloud preferito potrebbe limitare la sperimentazione. L'annuncio non fornisce dettagli sufficienti per risolvere questa questione.
Il criterio finale resta più semplice dell'architettura. Un sistema utile dovrebbe aiutare gli scienziati a scartare prima le idee sbagliate e a portare avanti quelle valide con prove più solide.
Novo Nordisk ha scelto AWS per costruire l'ambiente operativo destinato a questa verifica. Amazon ha ora un'importante opportunità per dimostrare che il suo approccio al cloud può collegare le previsioni dell'AI alle decisioni reali di laboratorio.
L'azienda farmaceutica ha un compito altrettanto impegnativo. Deve trasformare le partnership con AWS, OpenAI, Nvidia, Microsoft e altri in un processo scientifico coerente.
Per i lettori che seguono la corsa tra Amazon e Google, il prossimo annuncio dovrebbe contare meno del prossimo candidato convalidato. Cercate un programma nominato, dati comparabili sui flussi di lavoro e progressi clinici.
Questi segnali mostreranno se Novo Nordisk sta comprimendo i tempi della scoperta o si sta semplicemente limitando ad ampliare il proprio stack tecnologico. Fino ad allora, la partnership è un esperimento credibile, non la prova che l'AI abbia risolto lo sviluppo dei farmaci.
