Merck sta usando gli agenti di AI per ridurre i cicli di scoperta farmacologica di un terzo e spedire materiali di marketing conformi fino all'80% più velocemente, ma Sean Finnerty, VP di piattaforme digitali, afferma che il motivo per cui funziona è che hanno costruito prima l'infrastruttura. Allo stesso tempo, il produttore farmaceutico sta vedendo risultati promettenti: l’AI genera bozze di marketing che sono “99% corrette” in termini di conformità, riducendo i cicli di revisione da mesi a giorni e velocizzando la consegna dell'80%. Nel settore della ricerca medica, un ciclo di scoperta assistito da AI è stato ridotto del 33%.

Nonostante i progressi, l'AI agente funziona solo se le aziende costruiscono prima l'"infrastruttura" sottostante, ha dichiarato Finnerty nel settore delle piattaforme e servizi digitali in un evento recente sulle Impatto AI.

“Se facciamo cose isolate, finiremo con migliaia di elementi che saranno debiti che dobbiamo affrontare in seguito,” ha detto. “E questo ostacolerà qualsiasi innovazione futura.”

Iniziando con l'infrastruttura

La strategia di Merck, centrata sull'infrastruttura, è tratta da lezioni imparate nei primi anni di cloud computing negli anni 2010, quando non sapeva davvero cosa stava succedendo”, ha detto Finnerty.

Costruire correttamente la cloud ha significato partire da zero; oggi, l'infrastruttura di Merck supporta 2.500 conti AWS, numerosi abbonamenti Microsoft Azure e nuove integrazioni con Google Cloud Platform (GCP).

“L'AI sarà esattamente la stessa cosa,” ha detto Finnerty. “Avremo migliaia di agenti.” I problemi emergeranno rapidamente: come li registriamo? Come li proteggiamo? E come possiamo assicurarci che siano connessi agli strumenti giusti, abbiamo accesso ai dati corretti e alla giusta contestualità?

L'offerta contestuale è altresì cruciale. Merck collabora con tre colossi del cloud con 47 località di edge e centinaia di database. “Dati multi-petabyte,” ha detto Finnerty, “sia strutturati che non strutturati,” sono conservati in Oracle, SQL, Excel, trascrizioni telefoniche e in altri repository.

Il team di Finnerty sta costruendo uno schema per fornire contesto significativo in vari contesti; i dati devono essere organizzati e caricati su diverse piattaforme, poiché “non esiste una soluzione che risolva tutti i problemi.” A volte usa Databricks, altre volte Amazon Redshift, “più quattro altri strumenti.”

L’obiettivo è: “Rendere facile e fruibile per le persone, garantendo la sicurezza e l'integrazione avanzata con MCP [Model Context Protocol] e A2A [Agent2Agent], nonché con le risorse di calcolo upstream,” ha detto Finnerty. “E se vuoi eseguire qualcosa su GCP o su AWS, abbiamo già l'infrastruttura necessaria per farlo tranquillamente e comodamente da dove ti serve.”

Come Merck usa gli agenti

Mentre espande la sua infrastruttura tecnica, Merck sta sperimentando con agenti AI in operazioni aziendali regolate, flussi di lavoro scientifici e modernizzazione delle applicazioni.

Un’applicazione particolarmente nota è l’accelerazione della scoperta di farmaci. Finnerty ha spiegato che i ricercatori esaminano strutture molecolari e stati patologici per determinare se una determinata condizione può essere trattata farmacologicamente. Ma persino quando uno stato patologico è noto, il processo di sviluppo di un farmaco può richiedere anni.

Ora con l’AI, i team stanno ottenendo “risultati molto promettenti”, riducendo un particolare ciclo di ricerca del terzo. “Questo significa un anno in meno nel ciclo di scoperta,” ha detto Finnerty. “Cioè, in teoria, possiamo consegnarcelo a un paziente che ha bisogno di quella terapia un anno prima.”

Una volta sviluppati e approvati, questi prodotti vengono regolati e materiale informativo su di essi deve essere espresso chiaramente e in modo esplicito. “Il modo in cui comunichi quest'informazione per mercato, paese, stato o regione, è governato molto attentamente,” ha spiegato Finnerty. “Ma è variabile”: un piano promozionale per un vaccino in Georgia è molto diverso da uno lanciato in Canada.

Storicamente, l'umano eseguiva la revisione per garantire che l'azienda rispettasse le varie normative. I materiali progettati seguivano cicli di revisione e quando si trovava un errore, tornavano indietro dal principio, ripetendolo per diverse settimane e mesi. Oggi però l’AI può affrontare il lavoro “moltissimo più efficacemente”, e il processo va gradualmente da “umano al controllo” a “umano come governatore.” Con la supervisione umana, l’AI produrrà una bozza in un giorno o una settimana che è “99% vicina”, permettendo alle squadre di consegnare materiali fino all’80% più velocemente.

Applicazione dell'AI agli aggiornamenti applicativi

Per quanto riguarda la modernizzazione delle applicazioni, l’AI può identificare l’architettura, documentare le interazioni dei dati, API, percorsi di rete, svolgere check sugli autenticazioni e autorizzazioni e scrivere codice per il deployment in Terraform e refactorizzare JavaScript in Python.

Un’applicazione richiedeva in precedenza mesi e centinaia di migliaia di dollari per essere aggiornata; ora, Finnerty spiega, gli agenti riescono a effettuare il lavoro attraverso semplici comandi.

Gli imprevisti con l'intelligenza artificiale

Non significa però che non ci siano sfide, sottolinea Finnerty. Il suo team ha riscontrato alcune “stranezze”; per esempio, nelle procedure di test automatizzate con codice. L’AI ha iniziato a inventare scenario per errore, a causa di un contesto errato, di infrastrutture malfunzionanti o forse per semplice creatività: ad esempio, ha suggerito di testare tre funzioni che non esistevano nemmeno nel codice in questione.

“Questo mi ha sorpreso un po’ perché pensavo fossimo più avanzati rispetto a questa tipologia di problemi nell'AI,” ha detto.

Per affrontarlo, il team ha definito degli strumenti di controllo per minimizzare al massimo le invenzioni dell’AI, usando l’AI stessa per supervisarla e