Annex 22 e AI generativa

Annex 22 e AI generativa: cosa cambia per il pharma manufacturing nei prossimi mesi

Il 30 giugno e il primo luglio l’EMA ha riunito online, per due giorni, un gruppo di esperti chiamati a dare il proprio parere sulla bozza di Annex 22. È la linea guida che regolerà l’uso dell’intelligenza artificiale nella produzione farmaceutica europea. Prima giornata aperta, con le presentazioni degli esperti nominati da industria, accademia, regulatory network europeo e autorità internazionali. Seconda giornata chiusa, dedicata al drafting group dell’EMA che ha esaminato i contributi.

Sulla carta è procedura fra addetti ai lavori. In realtà si stava decidendo qualcosa di grosso: a quali condizioni i modelli generativi potranno entrare nelle applicazioni GMP critiche del pharma manufacturing nei prossimi anni. E la risposta a questa domanda vale molto, per chi lavora nel settore.

Il quadro normativo che si sta costruendo in queste settimane governerà l’uso dell’AI nel farmaceutico per il prossimo decennio. Chi capisce lo stato del dibattito adesso parte avvantaggiato. Chi aspetta il testo definitivo si troverà a rincorrere.

Cosa dice il draft attuale

Il draft di luglio 2025 introduce una distinzione che molti commentatori si perdono, ma che è il cuore di tutto il provvedimento. Non tratta l’AI come un blocco unico. Divide i modelli in due categorie, e le tratta in modo profondamente diverso.

Ci sono i modelli statici e deterministici. A parità di input producono sempre lo stesso output, e non cambiano comportamento dopo il rilascio. Sono i modelli di machine learning classici, addestrati su dataset definiti, congelati a una versione precisa. Questi si possono qualificare con i framework GAMP 5 di oggi, con qualche adattamento. Per loro il draft prevede l’ammissibilità anche nelle applicazioni GMP critiche, purché rispettino requisiti di validazione, lifecycle management, explainability e supervisione umana.

Poi ci sono i modelli dinamici, adattivi e probabilistici. Qui rientrano GenAI e Large Language Models. E qui il draft è secco: fuori dalle applicazioni GMP critiche. La ragione ha una sua logica ferrea. Un sistema che cambia risposta fra una query e l’altra, o che si comporta diversamente dopo un aggiornamento del modello, non è riproducibile. E senza riproducibilità il GMP non funziona.

Questa è la fotografia normativa oggi. Ma è una fotografia mossa, perché il quadro si sta spostando.

Perché il workshop conta

La consultazione pubblica del 2025 ha dato un esito che ha sorpreso persino l’EMA. Aziende farmaceutiche, associazioni di settore, fornitori di tecnologia hanno detto più o meno la stessa cosa: il divieto totale di GenAI nelle applicazioni critiche è troppo rigido. Meglio un approccio basato sul rischio, con misure di controllo tecniche e procedurali. I guardrail, per usare il termine che è diventato centrale nel dibattito.

L’EMA ha ascoltato e ha riaperto la questione. Il workshop di fine giugno serviva proprio a questo: capire se esistono guardrail abbastanza solidi da permettere la GenAI in alcune applicazioni regolamentate, e a quali condizioni.

Le domande messe sul tavolo dall’EMA sono molto concrete. Quanto riescono davvero i guardrail disponibili oggi a prevenire, intercettare o contenere allucinazioni, raccomandazioni sbagliate, dati inventati, quando dentro un workflow GMP gira un modello probabilistico? Se il guardrail fallisce, o segnala che è incerto, cosa scatta per garantire un’escalation in tempo? E quanta supervisione umana resta necessaria, sapendo che il modello sotto continua a evolvere?

Domande tecniche, con conseguenze industriali enormi. Le risposte che verranno fuori dal workshop, e poi dal lavoro del drafting group, diranno cosa le aziende farmaceutiche potranno fare concretamente con la GenAI da qui a cinque, dieci anni.

La tempistica, e cosa comporta

Negli ambienti regolatori le indicazioni sulla tempistica sono abbastanza allineate. Pubblicazione finale di Annex 22 attesa entro il 2026. Transizione e applicazione effettiva fra il 2027 e il 2028. Tradotto: le aziende farmaceutiche europee hanno tra dodici e ventiquattro mesi prima di ritrovarsi sotto un regime nuovo, verificabile in sede di ispezione.
Non è tantissimo. Non così poco da imporre decisioni affrettate, ma abbastanza da rendere la strategia dell’attesa una cattiva idea. Se il testo definitivo esce entro fine 2026, chi non ha ancora costruito competenze interne, strumenti di governance e procedure di qualificazione dovrà farlo di corsa. E costruire queste cose richiede mesi, non settimane. Chi parte ora ha un margine reale.

Cosa stanno facendo le aziende che si muovono

Da quello che si riesce a ricostruire nel settore, le aziende più attive stanno andando in tre direzioni diverse.

La prima è quella perimetrale. GenAI sì, ma fuori dal perimetro GMP critico. La si usa in regolatorio, qualità documentale, formazione, gestione fornitori: aree dove il rischio compliance è più basso. Bozze di documentazione, sintesi di normative, supporto al drafting di SOP. In tutti questi casi l’ultima parola resta a una persona qualificata, e l’AI accelera il lavoro senza sostituire la decisione. Per un’azienda di dimensione media è probabilmente la scelta più sensata: costruisci esperienza interna senza esporti.

La seconda è quella statica. Investire sul serio in modelli deterministici e qualificabili, accettando i paletti del draft. Machine learning classico, dataset chiusi, versioni congelate, monitoraggio continuo. Meno spettacolare della GenAI, ma è la categoria che il framework ammette esplicitamente. E ha un vantaggio: un modello statico, una volta qualificato, resta in produzione per anni.

La terza è la più impegnativa. Progetti pilota su applicazioni critiche con GenAI, ma in dialogo diretto con le autorità, in regime sperimentale. Serve una funzione regolatoria robusta, risorse importanti, e una tolleranza al rischio reputazionale che non tutti hanno. Chi la percorre però si posiziona come riferimento per la regolamentazione che verrà, e nel lungo periodo è un ritorno che pesa.

Guardando le tre, mi pare che la combinazione delle prime due offra il rapporto migliore tra rischio e rendimento per la maggioranza delle aziende. Competenze interne costruite su applicazioni perimetrali a basso rischio, e in parallelo investimento su modelli statici qualificabili per il critico. Quando arriverà il testo definitivo, queste aziende avranno già infrastruttura e know-how pronti.

Una riflessione finale

C’è qualcosa di affascinante in quello che sta succedendo. Una tecnologia nata fuori dal pharma si sta imponendo nel resto dell’economia a velocità impressionante. E il pharma, settore conservatore per ragioni serie, deve trovare il modo di integrarla senza intaccare le fondamenta che gli hanno permesso di produrre farmaci sicuri ed efficaci per decenni.

Non è una posizione comoda. Da un lato la pressione competitiva è concreta: chi non usa AI nel manufacturing avrà costi più alti e reazioni più lente. Dall’altro la pressione regolatoria e di sicurezza pesa altrettanto. L’EMA con Annex 22 sta cercando l’equilibrio tra le due, e sbaglierà da entrambe le parti. Troppo rigida in certi casi, troppo aperta in altri. Succede sempre così con le prime regolamentazioni di qualcosa.

Ma il messaggio che questo dibattito consegna a chi lavora nel settore è abbastanza chiaro. La domanda non è più se l’AI funzionerà nel pharma manufacturing. Per i modelli statici la risposta normativa è già un sì, condizionato. La domanda vera è come funzionerà nelle vostre applicazioni, in quali punti del processo, con quali vincoli. E quanto prima inizierete a costruire le competenze per gestirla, prima che diventino una risorsa scarsa e contesa sul mercato del lavoro.

Le aziende che chiudono il 2026 con una governance AI strutturata, modelli statici già qualificati in produzione e qualche esperienza documentata di GenAI nel perimetro non critico saranno avanti per tutto il quinquennio successivo. Le altre recupereranno in affanno, con il personale qualificato già impegnato altrove.

Non è una conclusione a effetto. Ma in un’industria regolamentata l’effetto, di solito, non è quello che predice il successo.

Condividi le Innovation insights