Per anni il settore biofarmaceutico ha accumulato enormi volumi di dati. Oggi, mentre l’industria accelera verso un futuro guidato dall’intelligenza artificiale (AI), quei dati devono diventare un vero asset strategico. Una recente ricerca di Veeva, dal titolo The State of Data, Analytics, and AI in Commercial Biopharma evidenzia che, sebbene il 95% delle aziende biofarmaceutiche stia attivamente portando avanti iniziative di AI in ambito marketing e vendite, quasi tutte (l’89%) non riescono a scalare più della metà dei progetti pilota avviati.

Questa mancanza di successo è spesso dovuta a un gap di preparazione: la stessa ricerca rivela, infatti, che il 67% dei responsabili aziendali abbandona i progetti di AI a causa della scarsa qualità dei dati.

Disporre di informazioni pulite e accurate è fondamentale per qualsiasi iniziativa di AI: il 73% dei responsabili aziendali afferma, infatti, che la scarsa qualità dei dati rappresenta il principale ostacolo alla scalabilità dell’intelligenza artificiale. Tuttavia, la strategia adottata dalla maggior parte delle aziende si basa ancora sul tentativo di armonizzare informazioni provenienti da silos separati. Questo approccio non è sostenibile, soprattutto con l’aumento costante dei volumi. I data scientist con cui ho parlato stimano di dedicare fino all’80% del loro tempo alla preparazione, pulizia e trasformazione dei dati per renderli utilizzabili.

Perché l’intelligenza artificiale possa passare da progetti pilota non riusciti alla creazione di valore per l’organizzazione è necessario affrontare il tema della qualità dei dati. Ciò richiede un passaggio da una gestione frammentata delle informazioni a una base dati armonizzata a livello globale, supportata da un approccio proattivo di data stewardship.

La scarsa qualità dei dati rimane il principale ostacolo alla scalabilità dell’AI

La dipendenza del settore da dati incompleti e frammentati ha alimentato un crescente scetticismo: il 96% dei leader ritiene che i propri dati non siano pronti per l’adozione dell’intelligenza artificiale. Questo impatto è evidente anche sul campo: il 72% delle aziende prevede di utilizzare l'AI per supportare i team sul territorio tramite sintesi degli aggiornamenti degli HCP in fase di preparazione delle call, ma i livelli di adozione risultano ancora limitati.

I team sul campo spesso non adottano le raccomandazioni dell’intelligenza artificiale perché percepiscono che i dati sottostanti non siano sufficientemente accurati. Nel momento in cui un modello di next-best-action suggerisce una tattica basata su una modifica di affiliazione avvenuta tre mesi prima, l’informatore o l’MSL non solo tralascia il suggerimento, ma tende a mettere in discussione l’affidabilità dell’intera piattaforma. Questa mancanza di fiducia è uno dei principali motivi per cui numerosi responsabili dei dati nel settore biofarmaceutico si mostrano cauti nell’adozione dei modelli di next-best-action.

Erika Husing, business analyst, commercial operations di GSK, spiega: “Se non ci fidiamo dei dati, come possiamo trarne conclusioni? È fondamentale superare lo scetticismo che oggi li circonda e promuoverne una maggiore fiducia. Disporre di dati di riferimento di alta qualità è essenziale affinché tutto il team possa farvi affidamento.”

L’impatto reale dei processi manuali di data stewardship

Un ulteriore spreco di risorse deriva dalle innumerevoli ore che i team impiegano per mappare manualmente le specificità locali e i tipi di operatori sanitari sugli standard globali. Questo comporta un enorme onere amministrativo ogni volta che si entra in un nuovo mercato. All'interno di una delle prime 20 aziende biofarmaceutiche, i data scientist chiedono alla forza vendita di rivedere i dati sulla segmentazione della clientela ogni sei mesi. Questo compito distoglie i team sul campo dal loro ruolo principale, ossia quello di costruire relazioni con i clienti.

Ancora più frustrante è probabilmente il fatto che, secondo le stime delle aziende biofarmaceutiche, solo il 10% dei loro dati sia sufficientemente pulito e curato da poter essere utilizzato e solo l’1% venga effettivamente sfruttato per casi d’uso rilevanti. Con il continuo aumento dei volumi, le aziende biofarmaceutiche non possono più permettersi di affrontare i problemi di qualità dei dati a livello locale.

Una base dati armonizzata a livello globale permette di scalare l'AI

La gestione dei dati è intrinsecamente complessa, poiché le sedi locali li trattano in modi diversi per rispettare le normative regionali. Ne consegue un sistema frammentato, in cui le informazioni non sono uniformi tra i diversi Paesi, rendendo complicate le analisi transnazionali e l’applicazione dell’intelligenza artificiale.

Una base dati armonizzata a livello globale garantisce coerenza e accessibilità dei dati in tutti i mercati. Prima di adottare un modello di dati globale, Bayer AG si confrontava con definizioni di dati incoerenti e con l’assenza di una visione unica del cliente tra i vari mercati. “Il nostro panorama dati globale era frammentato: ogni Paese attingeva a fonti diverse,” spiega Stefan Schmidt, digital capability lead di Bayer. “Per avere una visione completa, avevamo bisogno di un’anagrafica clienti unificata".

Per Bayer, una base dati centralizzata e accurata non ha solo fornito un’unica fonte attendibile di dati per operatori e strutture sanitarie, ma ha anche aumentato la fiducia nell’affidabilità delle analisi dell’intelligenza artificiale. Di conseguenza, i team sul campo tendono meno a mettere in discussione il sistema e a seguire maggiormente le raccomandazioni dell’AI.

Una base dati armonizzata a livello globale fornisce l’architettura per rendere i dati fruibili in tutta l’azienda, ma il vero incremento di efficienza nasce dalla qualità della fonte stessa. Partendo da una base dati più solida, l’attenzione si sposta dalla correzione degli errori al mantenimento di livelli costanti di eccellenza attraverso mantenendo livelli costanti di eccellenza attraverso processi di agentic curation.

Garantire dati ad alta integrità mediante attività di data curation umana e agentica

Per decenni, il settore ha fatto affidamento su una gestione dei dati manuale, svolta dall’uomo, per mantenere livelli adeguati di qualità. Oggi esiste l’opportunità di elevare la qualità di milioni di record combinando l’esperienza umana con l’agentic data curation. Gli agenti AI possono assumere attività specifiche e ripetitive di data curation, come il confronto incrociato delle informazioni o l’identificazione dei duplicati. Agenti specializzati analizzano il 100% dei record ogni giorno, mentre un data steward umano rivede successivamente i risultati.

Poiché gli agenti operano continuamente, rilevano le modifiche non appena si verificano, spesso individuando segnali prima che vengano registrati nei database pubblici. Ad esempio, possono monitorare le affiliazioni a livello dettagliato e identificarne le variazioni. Questa precisione permette all’intelligenza artificiale di fornire raccomandazioni sulle azioni migliori basate su dati aggiornati, evitando, il comune inconveniente per cui i team sul campo ricevono informazioni già note, come il cambio di sede di uno studio medico visitato la settimana precedente.

Spostando una gran parte del carico della data curation su agenti autonomi, è possibile ridurre la dipendenza dagli aggiornamenti inviati dai team sul campo e passare da un modello reattivo - che spesso alimenta scetticismo sulla qualità dei dati - a un approccio proattivo. L’agentic data curation, combinata con la supervisione umana, permette di ottenere dati verificati, affidabili e di elevata qualità, necessari per scalare efficacemente l’intelligenza artificiale

Non si può scalare ciò di cui non ci si fida, e non ci si può fidare di ciò che non è stato armonizzato. Una base dati coerente a livello globale consente alle aziende biofarmaceutiche di concentrarsi sull’utilizzo dei dati, invece di dedicare tempo alla loro pulizia. È proprio questo approccio che trasformerà i più scettici sull’AI in sostenitori.