Contributo per un intervento alla Fondazione DUSMET
di Gianna Martinengo, Fondatrice e CEO di DKTS e fondatrice e presidente di Women&Tech® ETS

Il valore della competenza nelle scienze della vita

L’intelligenza artificiale può contribuire al progresso delle scienze della vita se la sua adozione rafforza la capacità delle persone e delle organizzazioni di produrre conoscenza e trasformarla in benefici per i pazienti. È questa la prospettiva che vorrei proporre alla Fondazione DUSMET: considerare insieme innovazione scientifica, competenza professionale e apprendimento continuo.

Women&Tech® ETS, di cui sono fondatrice e presidente, si occupa di valorizzare le donne in tutti i settori delle tecnologie emergenti: dalle biotecnologie al digitale, dai nuovi materiali all’energia e all’ambiente.

Nel settore della salute il rapporto tra conoscenza e decisione ha un peso particolare. Una scoperta deve essere verificata; un risultato va interpretato nel suo contesto; una scelta richiede responsabilità riconoscibili. Quando introduciamo un sistema di IA, dobbiamo quindi chiederci come cambiano queste attività e quali capacità occorre coltivare nelle persone che le svolgono.

Il rapporto Deloitte sulle prospettive delle life science per il 2026 offre una lettura delle aspettative delle imprese. I miei testi sull’apprendimento e sull’evoluzione della competenza aiutano ad affrontare la questione organizzativa che emerge da quei dati: come rendere l’innovazione una capacità diffusa e durevole. [1–3]

Le aspettative delle imprese e i risultati ancora da costruire

Il 2026 Life Sciences Outlook di Deloitte si basa su un’indagine condotta tra agosto e settembre 2025 presso 280 dirigenti di vertice: 180 del comparto biofarmaceutico e 100 delle tecnologie mediche. Il campione comprende Stati Uniti, Francia, Germania, Svizzera, Regno Unito, Cina e Giappone; non comprende l’Italia. Sono dunque aspettative per il 2026 raccolte nel 2025, e non un bilancio dei risultati conseguiti nel corso del 2026. [1]

Il 75% degli intervistati è fiducioso nelle prospettive finanziarie della propria organizzazione, mentre il 41% esprime ottimismo sull’economia globale. Le imprese vedono opportunità di crescita, ma devono confrontarsi con pressioni sui prezzi, cambiamenti regolatori e tensioni geopolitiche. La capacità di adattamento diventa parte della strategia di innovazione. [1]

L’IA occupa una posizione centrale. Il 78% si aspetta che abbia un ruolo determinante nei cambiamenti volti a migliorare l’efficienza organizzativa. Tuttavia, soltanto il 22% dichiara di averne esteso con successo l’adozione su scala organizzativa e appena il 9% riferisce ritorni significativi. Queste percentuali riguardano dimensioni diverse dell’adozione: non rappresentano le fasi successive di un unico percorso e non misurano, da sole, l’efficacia clinica delle applicazioni. [1]

La distanza tra aspettative e risultati merita attenzione. A mio giudizio, invita a esaminare come gli strumenti entrino nei processi di lavoro, quali problemi affrontino e come vengano valutati. Deloitte non dimostra che la formazione sia la causa dei risultati migliori; il collegamento con l’apprendimento è la lettura che propongo a partire dalla mia esperienza e dai miei contributi.

Come cambia il contributo umano alla ricerca e alla cura

Le priorità indicate dalle imprese mostrano la varietà delle applicazioni. Nel biofarmaceutico il 41% dei dirigenti considera il miglioramento della produttività della ricerca e sviluppo la principale priorità per la gestione dei costi. Nelle tecnologie mediche il 49% indica la diagnostica basata sull’IA tra le priorità di sviluppo dei prodotti. Sono orientamenti strategici, che richiedono verifiche specifiche per ogni progetto. [1]

Questa varietà ci ricorda che parlare di IA nelle life science significa parlare di sistemi con funzioni e condizioni d’uso differenti. Un supporto alla ricerca, una soluzione per organizzare il lavoro e un’applicazione destinata alla diagnostica richiedono criteri di valutazione coerenti con il compito. L’etichetta «IA» non basta a descrivere il valore di un progetto.

Nel mio intervento sull’evoluzione della competenza ho posto al centro la capacità di formulare problemi, integrare conoscenze e valutare i risultati. Nelle scienze della vita questa impostazione trova un’applicazione concreta. Se un sistema facilita l’esame della letteratura, occorre saper distinguere la pertinenza di un articolo dalla solidità delle sue conclusioni. Se aiuta a individuare un’ipotesi, resta da progettare come metterla alla prova. Sono esempi di attività nelle quali la competenza orienta l’uso della tecnologia. [3]

Il valore cognitivo si concentra anche nelle scelte che precedono e seguono l’elaborazione automatica. Definire la domanda di ricerca, riconoscere un limite nei dati, comprendere un’eccezione e motivare una decisione richiede conoscenza del dominio. Per questo considero essenziale che l’interazione con l’IA mantenga attive le capacità professionali e renda comprensibili i passaggi che portano al risultato.

Progettare la collaborazione e mantenere il giudizio

Nel testo «Progettare sistemi di IA che fanno crescere persone e conoscenza» ho affrontato l’adozione tecnologica come un progetto di collaborazione. Ho richiamato un modello che mette in relazione persona, sistema di IA, compito, organizzazione e società. Per le life science propongo di usare questa prospettiva come criterio di progettazione: chi utilizza il sistema, per quale attività, con quali possibilità di verifica e dentro quale distribuzione delle responsabilità. [2]

Non basta assegnare formalmente a una persona il controllo di un risultato. Occorre darle tempo, informazioni e competenze per esercitarlo. Chi può chiedere una verifica aggiuntiva? Come si gestisce un disaccordo con il sistema? In quale momento un’attività va interrotta o affidata a un altro professionista? Le risposte devono trovare posto nell’organizzazione del lavoro.

Uso spesso quattro verbi come promemoria: chiedo, ottengo, valuto, decido. La domanda definisce il problema e le informazioni necessarie. Il risultato ricevuto diventa materiale da esaminare. La valutazione ne considera fondamento e limiti. La decisione impegna la responsabilità di chi opera e dell’organizzazione. Nelle scienze della vita ciascun passaggio deve essere proporzionato alle conseguenze dell’attività. [2]

Questo metodo aiuta anche a conservare la conoscenza. Quando una persona esperta riconosce un errore o un caso particolare, il suo ragionamento dovrebbe diventare comprensibile ai colleghi. Propongo quindi di collegare l’adozione dell’IA a momenti di confronto sui casi e di revisione degli errori. È un modo per far circolare l’esperienza e renderla disponibile a chi entra nella professione.

Il mio contributo al dibattito sull’AI Act

Il rapporto tra intelligenza artificiale e scienze della vita riguarda anche il modo in cui valutiamo l’innovazione. Nel 2021, nell’ambito del mio incarico di membro dell’International Advisory Board di STOA, il panel del Parlamento europeo sul futuro della scienza e della tecnologia, ho contribuito al dibattito sull’AI Act con la riflessione «AI (and software) systems as individual-collective drugs». [4]

Proponevo di considerare i sistemi di IA e software come protesi individuali e collettive: tecnologie i cui effetti dipendono anche dalle persone che le utilizzano e dai contesti nei quali operano. Questa prospettiva invita a valutare il cambiamento che un sistema introduce nei comportamenti e nelle decisioni, oltre alle sue prestazioni tecniche.

L’analogia con i farmaci mi portava a proporre, per i sistemi ad alto impatto, procedure di sperimentazione e valutazione ispirate ai trial clinici. Il richiamo alla sperimentazione controllata e ai sandbox regolatori si colloca in questa impostazione: delimitare l’ambiente di prova, osservare gli effetti, correggere ciò che non funziona e proseguire il monitoraggio. Questa impostazione lega la sperimentazione alla responsabilità di chi progetta e utilizza i sistemi.

Per le life science questo collegamento ha un significato concreto. La verifica di uno strumento deve comprendere il modo in cui entra nelle pratiche professionali e modifica l’interazione tra persone. L’apprendimento continuo permette di esercitare questa osservazione: riconoscere gli errori, discutere le eccezioni e rivedere le scelte quando cambiano le condizioni d’uso.

Lavorare con l’IA e continuare ad apprendere

Un risultato ben formulato non ci dice, da solo, quanto abbia compreso chi lo presenta. È uno dei punti centrali del mio testo sull’apprendimento, nel quale richiamo il contributo «Educating minds with generative AI». L’articolo è una riflessione teorica, non una prova sperimentale di effetti duraturi: il suo valore sta nelle domande che pone sul rapporto tra prestazione, sviluppo della persona e progettazione degli ambienti educativi. [2]

La questione riguarda anche la formazione degli adulti. Se un professionista ottiene una risposta corretta con il supporto di un sistema, dobbiamo poter capire se sappia spiegarla, riconoscerne i limiti e usare ciò che ha appreso in una situazione diversa. La formazione dovrebbe rendere visibili queste capacità.

Propongo un esempio didattico da sperimentare, senza attribuirgli risultati già dimostrati. In un percorso rivolto a professionisti delle life science, i partecipanti potrebbero analizzare una sintesi di letteratura prodotta con l’IA a partire da materiali pubblici selezionati. Dovrebbero controllare le fonti, discutere le informazioni mancanti e motivare le proprie correzioni. Un successivo esercizio su un caso diverso permetterebbe di osservare ciò che hanno compreso e ciò che richiede ancora accompagnamento.

L’apprendimento continuo richiede anche condizioni organizzative. Servono tempo per sperimentare, occasioni di confronto tra competenze scientifiche e tecnologiche e percorsi adeguati ai diversi ruoli. Un ricercatore, un responsabile di processo e chi dirige un’organizzazione affrontano decisioni differenti: la formazione deve partire dalle attività effettive e dalle responsabilità di ciascuno.

Nella prospettiva che propongo per DKTS, il lavoro quotidiano diventa così un ambiente nel quale si apprende. L’introduzione di uno strumento offre l’occasione per rendere espliciti i criteri professionali, confrontare le interpretazioni e verificare nel tempo le conoscenze acquisite. L’accesso a queste opportunità deve comprendere anche le persone con minore familiarità digitale, il cui sapere professionale può contribuire alla valutazione dei sistemi. [2–3]

Valutare l’innovazione attraverso il valore che produce

Il rapporto Deloitte invita le imprese a collegare gli investimenti tecnologici a risultati misurabili e a mantenere il beneficio per i pazienti come finalità dell’innovazione. Questa indicazione può orientare anche il nostro modo di osservare i progetti. La riduzione dei tempi di un’attività, il rendimento economico e il beneficio per il paziente sono risultati differenti: occorre chiarire quali si intendono ottenere e con quali evidenze verificarli. [1]

Per il confronto alla Fondazione DUSMET propongo di considerare insieme la qualità scientifica del progetto e la sua capacità di essere utilizzato in modo consapevole. Dovremmo poter comprendere quale bisogno affronti, quali prove sostengano le sue prestazioni, chi ne valuti i risultati e come le persone imparino a usarlo. Anche la disponibilità di risorse e competenze per seguirlo nel tempo fa parte della sua sostenibilità.

Suggerisco di partire da un problema delimitato e definire prima della sperimentazione i criteri con cui giudicarne l’esito. Accanto agli indicatori pertinenti al progetto, vorrei osservare la capacità delle persone di riconoscere gli errori e spiegare le proprie scelte. Le verifiche dovrebbero proseguire quando cambiano il sistema o le condizioni di utilizzo. È una proposta di metodo che collega innovazione e apprendimento organizzativo.

La domanda che vorrei lasciare a questo incontro è concreta: quali capacità vogliamo che restino nelle persone e nelle istituzioni dopo l’introduzione dell’IA? Se il sistema rende più accessibile un’informazione, dobbiamo coltivare la capacità di valutarla. Se facilita un’attività, dobbiamo capire come cambia la responsabilità di chi la svolge.

Nelle life science il progresso prende forma quando una conoscenza verificata diventa utile alla vita delle persone. Vorrei che l’IA contribuisse a questo percorso rafforzando la qualità della ricerca e la competenza di chi decide. Investire nell’apprendimento significa creare le condizioni perché tale contributo possa essere compreso, valutato e migliorato nel tempo.