L’industria farmaceutica è consapevole di avere a disposizione una quantità di dati che solo in parte è possibile trasformare in decisioni operative o in progetti concreti di ricerca. Sanofi, tra i maggiori gruppi biofarmaceutici al mondo, non fa eccezione in questo senso: gli investimenti cumulati nel tempo hanno contribuito a generare migliaia di dashboard, lasciando però gran parte delle informazioni inutilizzata.
Per accedere alle proprie informazioni, l’azienda si trova così a doverle continuamente spostare dentro e fuori dalle applicazioni, con pipeline complesse, oneri crescenti e il rischio di un lock-in tecnologico che ne irrigidisce l’operatività. Il risultato è un’organizzazione ricca di strumenti analitici ma lenta nelle decisioni, in cui il valore potenziale dei dati resta in larga parte inespresso.
Il contesto e il bisogno
A descrivere l’inefficienza ereditata dal modello utilizzato da Sanofi per anni è proprio Emmanuel Frenehard, chief digital officer di Sanofi. “Per anni abbiamo costruito pipeline complesse per spostare i dati dentro e fuori da software costosi, soltanto per poter accedere ai nostri stessi dati”, osserva. Il costo di quella frammentazione non è solo economico: in un comparto in cui portare un nuovo farmaco dal laboratorio al paziente richiede tra i dieci e i dodici anni, con la grande maggioranza dei candidati che non arriva mai all’approvazione, ogni rallentamento nell’analisi dei dati si traduce in tempo sottratto alla ricerca.
È proprio da questo paradosso — dati ovunque, insight da nessuna parte — che ha vita il progetto annunciato e raccontato in occasione di Snowflake Summit 26 a San Francisco, dove l’azienda ha presentato un nuovo modello operativo che porta l’AI direttamente sui propri dati, anziché continuare a spostarli da un software all’altro per poterli interrogare.
Il metodo
La discontinuità in questo modo di operare in parte inefficiente arriva quando il gruppo inizia a collaborare con Elementum, presentata come l’alternativa AI-native al software gestionale tradizionale. Anziché continuare a spostare i dati verso le applicazioni, Sanofi ribalta la logica: unifica il suo patrimonio informativo su Snowflake e porta l’AI a ridosso del dato. I workflow costruiti con Elementum girano direttamente sulla piattaforma, eliminando frizioni, costi e lock-in tipici del software enterprise, mentre l’AI smette di essere sovrapposta alle applicazioni esistenti e tende progressivamente a sostituirle. Il baricentro si sposta così verso un’unica base dati condivisa, pensata per far convergere ricerca, produzione e attività commerciali su una fonte coerente e governata.
Sul piano dell’esecuzione, l’adozione è affidata a un team dedicato di Snowflake, vengono chiamati Forward Deployed Engineers: ingegneri AI, ricercatori, data engineer e specialisti di settore che si integrano direttamente nei team del cliente per co-sviluppare le soluzioni. È un modello di engagment che sposta il baricentro dalla semplice fornitura tecnologica alla costruzione congiunta. “Con Snowflake ed Elementum abbiamo visto davanti a noi una strada chiara”, sintetizza Frenehard, inquadrando la scelta come un cambio di paradigma più che come un aggiornamento tecnologico.
La soluzione
Il cuore della soluzione è Snowflake Cortex AI, la piattaforma agentica su cui Sanofi innesta le proprie capacità di AI, affiancata da Snowflake CoWork, l’agente personale che opera nel contesto di lavoro di ciascun utente. Su questa base l’azienda distribuisce agenti AI su molteplici funzioni – ricerca e sviluppo, procurement, IT, HR e forza vendita – dando forma a quello che definisce un percorso agentico esteso all’intera organizzazione. L’obiettivo non è automatizzare singole attività, ma dotare ogni funzione di agenti capaci di operare sullo stesso patrimonio informativo, con regole e contesto condivisi.
L’esempio più visibile è Concierge for Field, un agente costruito con Snowflake Cortex AI che prepara la rete commerciale globale agli incontri con medici e operatori sanitari. In un’unica conversazione, il rappresentante può richiedere un piano pre-visita e visualizzare immediatamente il professionista a più alta priorità in base alla specializzazione e allo storico prescrittivo, ripercorrere le interazioni precedenti e ricevere l’intero piano nella propria casella di posta. La portata, però, va oltre il singolo caso d’uso. Per Frenehard la trasformazione riguarda il modo stesso in cui l’organizzazione funziona: “Stiamo costruendo l’AI direttamente sui nostri dati e stiamo ripensando il funzionamento dell’azienda, dalla ricerca alla produzione fino al commerciale”. Lo stesso impianto, infatti, alimenta già i team di ricerca, che utilizzano Snowflake per elaborare su larga scala dati clinici real-world a supporto delle decisioni nello sviluppo dei farmaci.
I vantaggi
I benefici più immediati sono di velocità e di efficienza. Con Concierge for Field, un’attività che prima richiedeva ore di ricerca manuale si esaurisce ora in pochi secondi, restituendo tempo alla relazione con il professionista sanitario. Sul fronte della ricerca, l’elaborazione su larga scala dei dati clinici accelera le analisi che orientano lo sviluppo, mentre l’eliminazione di pipeline, costi di licenza e lock-in alleggerisce la struttura dei costi e riduce la dipendenza dai fornitori tradizionali.
Lato vendor, Sridhar Ramaswamy, Ceo di Snowflake, legge il caso come un Poc valido per un intero comparto. “Sanofi dimostra che cosa diventa possibile quando l’AI viene costruita direttamente sui dati aziendali di cui ci si può fidare”, afferma. Il punto, sottolinea, è architetturale prima ancora che tecnologico: invece di sovrapporre l’AI a sistemi legacy frammentati, “stanno usando Snowflake come fondamenta per un’impresa agentica unificata, che connette ricerca, produzione e operazioni commerciali su un’unica piattaforma pronta per l’AI”.
Il valore risiede nella sua misurabilità. Insiste Ramaswamy: “Sanofi è la prova che l’AI può produrre un impatto concreto nel mondo reale e in tempi brevi”. È un segnale che va oltre la singola azienda. In un comparto in cui i cicli di sviluppo si misurano in anni e gli investimenti in miliardi, la capacità di portare l’AI a ridosso del dato — senza repliche, esportazioni o integrazioni fragili — incide direttamente sulla velocità con cui un’organizzazione apprende e decide, trasformando un vantaggio tecnologico in un vantaggio competitivo difficile da colmare. Per un settore fortemente regolamentato conta infine la dimensione di governance: far lavorare gli agenti direttamente su dati governati, senza spostarli, risponde a requisiti stringenti di compliance, tracciabilità e sicurezza del dato. È la stessa logica con cui Snowflake punta a posizionare la propria piattaforma come AI Data Cloud di riferimento per la sanità e il life science.
© RIPRODUZIONE RISERVATA
