Replica del "momento dei semiconduttori": la versione AI della "transazione di colli di bottiglia" sta prendendo forma, chi sarà il prossimo "venditore di picconi"?

L'AI sta rimodellando la logica di base della scoperta di farmaci, e un'opportunità di investimento simile al "collo di bottiglia nella catena" dell'industria dei semiconduttori sta prendendo forma silenziosamente nella catena di approvvigionamento farmaceutica.

Il 4 ottobre, Freda Duan, partner del fondo Altimeter Capital, ha recentemente pubblicato un articolo suggerendo che il "collo di bottiglia nella catena" del settore farmaceutico guidato dall'AI (AIDD) sta prendendo forma, con una struttura altamente simile alla catena di eventi del settore semiconduttori, che ha visto il passaggio dalla carenza di GPU alla domanda per HBM, rete e potenza elettrica.

Il coinvolgimento collettivo dei laboratori AI d'avanguardia è il segnale più evidente. Anthropic ha istituito un team di ricerca dedicato alle scienze della vita e ha creato un laboratorio umido; OpenAI ha sviluppato una famiglia di modelli GPT-Rosalind progettata appositamente per la biologia e la scoperta di farmaci; Anew Labs, funzionante in autonomia sotto ByteDance, possiede già una propria libreria interna di ricerca sui farmaci; Isomorphic Labs ha dichiarato apertamente l'intenzione di portare i farmaci progettati con AI nelle sperimentazioni cliniche umane.

Allo stesso tempo, i segnali dalla supply chain sono altrettanto chiari. Twist Bioscience (TWST), produttore di DNA, prevede una crescita percentuale a tre cifre degli ordini per la scoperta di farmaci tramite AI per gli anni fiscali 2026 e 2027. Il business di scoperta di farmaci tramite AI di GenScript è raddoppiato nel primo semestre del 2026 rispetto all'anno precedente, e la ricerca sul canale indica che la loro capacità validata ha raggiunto circa 8.000 design al giorno, con la possibilità di arrivare a 16.000 entro la fine del 2026.

Questa logica è altamente simile alla trasmissione dei colli di bottiglia nell’industria dei semiconduttori. La scarsità di GPU ha alimentato in sequenza la domanda di memoria HBM, dispositivi di rete, energia elettrica e sistemi di raffreddamento.

Nell’ambito farmaceutico guidato dall’AI, il collo di bottiglia opera anch’esso verso il basso lungo la supply chain: il modello AI genera design → sintesi DNA → produzione proteica → validazione sperimentale → test preclinici, e ciascuna fase può diventare il prossimo nodo beneficiario.

(I dati della supply chain mostrano che le fasi upstream di scoperta e R&D clinica precoce stanno percependo l'impatto dell'aumento del volume sperimentale)

Freda Duan nel suo articolo descrive l’attuale panorama della scoperta di farmaci tramite AI come un vero e proprio “cambiamento di regime”.

Anthropic ha portato la ricerca nelle scienze della vita a livello strategico; il primo progetto importante completato nel laboratorio umido ha visto l’uso dell’agente intelligente Claude per identificare un nuovo sistema enzimatico associato a sequenze ripetute di tipo CRISPR, precedentemente non caratterizzato.

I modelli GPT-Rosalind lanciati da OpenAI coprono chimica farmaceutica, ingegneria proteica, genomica e flussi di lavoro sperimentali.

L’ex dipartimento AI per la scoperta di farmaci di ByteDance è ora un’entità autonoma denominata Anew Labs, integrando modello base, validazione in laboratorio umido e una pipeline di farmaci proprietaria; ByteDance mantiene comunque la quota di maggioranza.

Isomorphic Labs ha annunciato chiaramente che il proprio obiettivo è avanzare i farmaci progettati con AI alle sperimentazioni cliniche sugli esseri umani.

Da notare che le traiettorie di commercializzazione delle varie organizzazioni sono differenziate.

• Anthropic attualmente si posiziona più come piattaforma e ricerca, dichiarando apertamente di non voler diventare una tradizionale biotech in fase clinica;
• Anew Labs di ByteDance è più vicina a un modello di piattaforma biotech con una pipeline di farmaci propria;
• Isomorphic Labs si trova in una posizione intermedia, impegnandosi a portare autonomamente i farmaci in clinica.

Questo comporta che il percorso di commercializzazione della scoperta farmaceutica tramite AI si biforca: licensing alle big pharma, milestone più royalties brevettuali, o incubazione diretta di nuove società. Per la supply chain a valle, qualunque sia il percorso, la domanda incrementale di sperimentazioni sarà reale.

L’AI accresce l’efficienza; perché allora fa crescere il volume dei laboratori umidi? La risposta sta nel cambiamento radicale dell’economia della generazione di ipotesi.

Primo, la generazione di ipotesi tende al costo zero, la validazione sperimentale diventa il nuovo collo di bottiglia. Nella scoperta di farmaci tradizionale, la selezione di candidati da parte di esperti aveva costi elevatissimi; solo i migliori candidati potevano raggiungere processi di validazione costosi.

L’AI riduce quasi a zero il costo marginale dei design, aumentando esponenzialmente le "occasioni in campo", spostando il collo di bottiglia dalla progettazione alla validazione biologica.

Secondo, anche i test falliti sono preziosi: i campioni negativi servono come dati di addestramento. Anthropic fornisce un esempio tipico: Claude ha progettato 1.320 ligandi proteici; Adaptyv li ha convertiti in DNA, espresso proteine e testato l’attività di legame; solo 354 hanno avuto successo.

Ma i restanti 966 falliti non sono stati sprecati: ciò che non si esprime, non si lega o ha bassa affinità sono etichette negative preziose, usate per l’addestramento della prossima iterazione del modello. La scoperta tradizionale si chiede "il candidato X funziona?"; l’AI si domanda anche "cosa può insegnare questo test al modello?".

Terzo, il laboratorio umido sta passando dalla produzione di farmaci alla produzione di dati di addestramento. TWST dichiara che il proprio business si sta evolvendo per generare dai design AI dati sperimentali strutturati pronti per l’input nei modelli. Il workflow di GenScript dalla sequenza al dato di binding restituisce risultati in 4-7 giorni.

In alcuni workflow, il cliente non cerca più la proteina fisica, ma che i risultati strutturati tornino al modello. TWST e GenScript sono così sempre più simili a "data foundry biologiche".

L’articolo afferma che, oltre alla logica teorica, ci sono segnali quantitativi tracciabili a livello di supply chain.

TWST prevede una crescita percentuale a tre cifre degli ordini per la scoperta farmaceutica tramite AI per l’esercizio finanziario 2026, con una crescita simile anche per il 2027. GenScript ha raddoppiato il business AI nella prima metà del 2026; la sua capacità dichiarata è di oltre 4.000 design al giorno, con workflow completo dalla sequenza al dato.

Le indagini sul canale mostrano progressi ancora più rapidi: la capacità attuale è circa 8.000 design/giorno, con l’obiettivo di circa 16.000 entro la fine del 2026.

Dalla prospettiva della supply chain, i beneficiari sono nell’ordine: Modello AI → design della sequenza → sintesi DNA (TWST ecc.) → produzione proteica (GenScript ecc.) → validazione sperimentale → sequenziamento (ILMN, TXG ecc.) → automazione → test preclinici (CRO).

In termini di scala di mercato, se l’AI fosse solo uno strumento di R&D più efficiente, il pool di spesa sarebbe i 300-400 miliardi $ annui della R&D farmaceutica globale. Ma se l’AI dovesse effettivamente ampliare il numero di progetti farmacologici praticabili, il potenziale sarebbe maggiore perché trainerebbe anche la domanda incrementale di sintesi DNA, produzione proteica, validazione ed attività precliniche.

Inoltre, dal lato delle spese delle aziende AI stesse, si può stimare: se Anthropic nel 2026 dovesse realizzare 80 miliardi di dollari di entrate annualizzate e ne allocasse solo l’1% alla scoperta farmaceutica, significherebbe già 800 milioni l’anno d’investimenti.

Freda Duan avverte che gli investitori che conoscono il tema penseranno istintivamente al boom e poi al crollo della scoperta farmaceutica via AI tra il 2020 e il 2021.

La molecola DSP-1181 di Exscientia passò dalla scoperta alla fase I in meno di un anno, ma fu poi abbandonata per non aver raggiunto gli obiettivi clinici. Le cause del fallimento all’epoca furono due: contesto macroeconimico drasticamente peggiorato, e la dura lezione che "scoprire più in fretta non equivale a migliore biologia clinica".

Ma secondo Freda Duan, il contesto nel 2026 è radicalmente diverso; quel ciclo avvenne prima dei grandi modelli come GPT.

La logica del 2020/21 era: usare la computazione per ridurre test sperimentali di scarso valore, l’AI come strumento di efficienza di ricerca, per ridurre gli esperimenti fisici e trovare più in fretta candidati.

La logica del 2026 è completamente diversa: usare l’AI per ampliare enormemente lo spazio delle ipotesi, poi usare il laboratorio umido per generare dati di validazione. Il ciclo è: AI → laboratorio → dati → AI migliore → più esperimenti. L’AI genera talmente tanti test potenziali che la biologia sperimentale fisica stessa diventa il collo di bottiglia.

Dai dati attuali, una ricerca del 2024 mostra che la fase I di farmaci scoperti via AI ha una probabilità di successo dell'80-90%, maggiore della media storica; la fase II circa il 40%, in linea con la storia, ma i numeri sono ancora limitati.

Freda Duan sottolinea come attualmente sintesi DNA e produzione proteica siano i nodi di collo di bottiglia più diretti.

Con sempre più candidati che arrivano agli stadi preclinici, i test sugli animali potrebbero essere il prossimo anello limitante. I prezzi per i primati sono vicini ai massimi storici, la capacità dei CRO è tesa, e l’afflusso di candidati AI al preclinico aumenterà la pressione.

Secondo l’analisi, questa opportunità potrebbe durare a lungo, almeno fino ai risultati clinici di fase I/II del 2028 in poi, e difficilmente si vedrà un’inversione della logica prima di allora. Le principali pietre miliari:

• Fine 2026-inizio 2027: i primi farmaci AI-designed di Isomorphic entrano in clinica, più progetti AI arrivano alla fase IND-enabling;
• 2028-2030: i risultati clinici iniziano a mostrare se i farmaci AI siano realmente superiori a quelli tradizionali.

Nel breve termine, se i budget sperimentali non cresceranno, i design AI non genereranno risultati di laboratorio concreti, o se la capacità produttrice rincorrerà la domanda troppo in fretta, allora la supply chain upstream (“picks and shovels”) ne risentirà.

Nel lungo termine, se i farmaci AI brillano nelle prime fasi ma poi in fase II/III falliscono come da tasso storico, l’intera tesi d’investimento sarà messa in discussione – ecco perché la fase II è cruciale.

Il professor Quanquan Gu della UCLA ha sintetizzato così questa logica:

La biologia potrebbe diventare il prossimo fronte del miglioramento ricorsivo dell’AI: progettare al computer, testare in laboratorio, trasformare i feedback sperimentali in dati sinteticamente etichettati, aggiornare il modello, e ricominciare.