Il futuro dell’intelligenza artificiale in medicina potrebbe assomigliare sempre meno a un unico chatbot molto potente e sempre più a un gruppo di agenti specializzati che lavorano insieme. Un sistema pianifica il compito, un altro recupera l’evidenza, un terzo verifica il risultato, un quarto valuta la coerenza e un supervisore controlla il processo.
È una delle direzioni che emerge dalla scoping review pubblicata il 2 settembre da npj Health Systems, che ricostruisce l’evoluzione metodologica dei large language model generativi applicati alla Medicina.
Gli autori hanno effettuato una ricerca su PubMed, Web of Science e arXiv relativa alla letteratura prodotta tra il 2023 e settembre 2025, identificando inizialmente 205.865 record. Dopo deduplicazione e screening, anche attraverso una pipeline supportata da LLM e successiva revisione umana, 90 studi sono stati inclusi nell’analisi approfondita. La review organizza l’evoluzione del settore intorno a tre grandi pilastri — pretraining, fine-tuning e prompt engineering — e individua tra le direzioni emergenti architetture più efficienti, generazione ancorata all’evidenza e sistemi multi-agent.
È proprio quest’ultimo passaggio a essere particolarmente interessante. Nei multi-agent systems, diversi agenti AI vengono assegnati a funzioni differenti e scambiano tra loro informazioni e risultati intermedi. Alcuni possono agire da planner, altri da retriever, altri ancora da evaluator. Meccanismi di retrieval aggiuntivo, cross-examination e critica iterativa consentono al sistema di mettere in discussione le proprie conclusioni e interrogare nuovamente fonti esterne quando rileva incertezza.
La letteratura esaminata nella review comprende già applicazioni sperimentali in campi differenti, dalla progettazione dei trial alla predizione dell’Alzheimer fino alla pianificazione diagnostica. Secondo gli autori, diversi sistemi multi-agent hanno mostrato miglioramenti di factual accuracy, interpretabilità e sicurezza rispetto alle configurazioni single-agent. La review precisa però di essere una sintesi descrittiva e non una meta-analisi quantitativa delle performance.
I riflessi sull’industria farmaceutica
Il concetto ha implicazioni evidenti anche al di fuori della pratica clinica e potrebbe diventare particolarmente interessante per le content operation dell’industria farmaceutica.
La prima generazione di sistemi utilizzati nel pharma è stata spesso costruita secondo un modello relativamente semplice: un LLM riceve un prompt, accede eventualmente ad alcuni documenti attraverso RAG e produce una bozza che viene poi revisionata da una persona.
Un’architettura multi-agent può scomporre lo stesso processo. Un agente identifica le evidenze autorizzate, un secondo costruisce il testo, un terzo verifica che ogni claim sia sostenuto dalla fonte, un altro controlla terminologia, riferimenti e regole di brand e un ulteriore livello individua eventuali anomalie prima che il materiale venga sottoposto alla revisione umana.
Questo modello si presta, almeno teoricamente, a medical writing, congress intelligence, FAQ scientifiche, preparazione di materiali per gli MSL, adattamento multicanale dei contenuti e supporto alle attività MLR.
“Il salto vero non sarà passare da un chatbot a dieci chatbot che si parlano tra loro”, osserva Francesco Maria Avitto, Direttore editoriale Homnya, “Un sistema multi-agent ha valore soltanto se i controlli sono realmente indipendenti e ancorati a fonti e regole esterne al modello. Se un’AI scrive e un’altra AI le dice automaticamente che ha scritto bene, abbiamo aumentato la complessità, non la sicurezza. E alla fine deve comunque esistere una responsabilità umana chiaramente identificata.”
È probabilmente questa la distinzione fondamentale. I sistemi multi-agent possono introdurre forme di controllo incrociato, ma non eliminano il problema della governance. Un errore nella fonte utilizzata dal retriever può infatti propagarsi agli agenti successivi; allo stesso modo, agenti costruiti sullo stesso modello o sulle stesse assumptions possono condividere gli stessi bias.
La review sottolinea per questo la necessità di valutazioni rigorose di sicurezza e affidabilità, protocolli standardizzati di coordinamento e collaborazione continua tra sistemi AI ed expertise umana prima dell’adozione nei workflow reali.
Per il pharma si apre tuttavia un’opportunità significativa. Il collo di bottiglia della produzione di contenuti non è più soltanto la capacità di scrivere più velocemente, ma la possibilità di verificare in modo sistematico fonti, claim, aggiornamenti e regole prima dell’arrivo del documento sul tavolo del revisore.
Se costruiti correttamente, gli agenti potrebbero quindi non sostituire il Medical, il Regulatory o il Legal reviewer, ma consegnargli un materiale già passato attraverso una serie di verifiche automatiche tracciabili.
È un modello molto diverso dalla promessa iniziale della generative AI come macchina capace di produrre contenuti in pochi secondi. E probabilmente molto più interessante per un settore regolato.
La prossima evoluzione delle content factory farmaceutiche potrebbe non essere quindi un modello più grande. Potrebbe essere un’architettura nella quale più sistemi piccoli e specializzati collaborano, verificano reciprocamente il lavoro e portano alla persona soltanto ciò che richiede realmente un giudizio umano.
