Le soluzioni di AI per il Pharma stanno ricoprendo un ruolo essenziale nella ridefinizione dei processi di financial planning delle aziende del settore. Parliamo del resto di un comparto, quello farmaceutico appunto, e di contesti organizzativi a dir poco complessi, che più di altre realtà devono adottare estrema cautela quando si tratta di affrontare un percorso di digital transformation.

Specie all’interno di alcuni verticali, infatti, il ripensamento delle procedure non deve tener conto solo dell’obiettivo della massima efficienza, ma anche della conformità normativa, essendo AI e Pharma due materie sempre più rigidamente regolamentate.

In questo senso, l’intelligenza artificiale non rappresenta solo un’opportunità di innovazione, ma anche una nuova fattispecie di rischio. Ecco perché, come vedremo, lungo la strada dell’innovazione è fondamentale integrare approcci evoluti, in grado di trovare e mantenere il giusto equilibrio tra le due istanze.

AI e Pharma: tutti i vantaggi della trasformazione

Cominciamo con l’evidenziare i casi d’uso (e i relativi vantaggi) che l’integrazione e lo sviluppo nativo di funzioni di intelligenza artificiale possono offrire alle aziende del settore farmaceutico sul piano delle attività che influiscono in modo più o meno diretto sulla pianificazione finanziaria.

L’AI per il Pharma innanzitutto migliora la rilevazione delle frodi e l’aderenza alle normative e ai framework di controllo (basti pensare alle verifiche di conformità rispetto ai beneficiari dei pagamenti). Le piattaforme di intelligenza artificiale stanno inoltre diventando sempre più determinanti nel fornire supporto alle decisioni strategiche e nel bilanciare l’allocazione delle risorse umane: in particolare, a giovarsene sarebbe soprattutto la gestione dei talenti, attraverso sistemi di previsione dei ruoli e delle skill più richieste in grado di aiutare gli esperti HR a pianificare le assunzioni nel medio termine.

Ci sono poi i versanti dell’automazione e dell’analisi predittiva: si parte dalla possibilità di devolvere alle macchine operazioni amministrative e contabili routinarie e a basso valore (come la gestione delle fatture, l’elaborazione delle transazioni finanziarie, la riconciliazione dei conti e così via) per arrivare al forecasting vero e proprio. Innovazioni che permettono di migliorare sensibilmente il controllo finanziario e il cost management, oltre che di ottimizzare la supply chain e la gestione inventariale.

AI e Pharma, il proof of concept sviluppato da Qintesi

Facendo leva su queste istanze, Qintesi ha realizzato, per un’azienda cliente attiva nel settore farmaceutico, un proof of concept a supporto delle funzioni di pianificazione finanziaria: una soluzione AI per il Pharma che ha l’obiettivo dichiarato di contestualizzare l’utilizzo e il valore aggiunto dei modelli di predictive analytics messi al servizio della pianificazione della liquidità.

Anche la sfida è molto ben definita: le principali soluzioni di pianificazione della liquidità e cash flow statement attualmente presenti sul mercato sono infatti time consuming. Ciò significa che gli end user di business e i responsabili di funzione aziendale possono analizzare i risultati solo al termine e al completamento dei processi avviati e in periodi limitati dell’anno. In aggiunta a questo, ogni modello di previsione cambia a seconda delle logiche e delle assunzioni su cui si fonda, e spesso si tratta di fattori poco flessibili e reattivi rispetto alle continue evoluzioni del business.

Per queste ragioni, abbiamo lavorato a una piattaforma che fosse in grado di stimare automaticamente la previsione di liquidità, con un margine di scostamento accettabile (15%) rispetto al modello in essere, attraverso l’adozione di due specifiche linee guida:

• Metodologia CRISP-DM (Cross-industry standard process for data mining), con cui configurare e/o personalizzare le soluzioni in breve tempo, con la garanzia della piena soddisfazione del cliente;
• Segmentazione dei modelli di Machine Learning e Predictive Analytics, in funzione della tipologia e delle caratteristiche del dato.

Da un punto di vista funzionale, il proof of concept è stato realizzato nell’ambito della generazione predittiva dei “DSO Outstanding”, utilizzati come leve di proiezione del dato economico sui flussi di cassa finanziari e per la proiezione automatica di liquidità in entrata del Cash Flow relativo alla gestione operativa. Sotto il profilo tecnologico, invece, ci siamo affidati alla Google Cloud Platform, attraverso i modelli Arima Plus, AutoML (Vertex AI) e le tecniche di Kernel Smoothing per la manipolazione e la modellazione dei dati più complessi.

Il proof of concept implementato da Qintesi non sostituisce gli utenti, ma viene integrato nel loro flusso di lavoro, consentendo ai singoli professionisti di amplificare la propria esperienza e la propria sensibilità in fase di previsione, agendo sulle leve “bottom-up” del modello di riferimento. La soluzione è così in grado di generare una previsione con una qualità paragonabile a quella prodotta dall’utente di business, ma realizzabile in tempi immediati e replicabile/aggiornabile non appena si rendono disponibili nuovi dati più recenti.

La piattaforma dunque riduce drasticamente i tempi e l’effort organizzativo, e soprattutto consente di ottenere un dato predittivo non necessariamente vincolato alle cadenze dei processi istituzionali di pianificazione operativa (Forecasting e Budget). Integrando infine fonti informative esogene (dati di mercato, insight provenienti dal marketing, aggiornamenti su eventi geopolitici e naturali) fornisce maggiore spessore e profondità della serie temporale oggetto di previsione.

Come implementare l’intelligenza artificiale per mitigare i rischi di compliance

Quando si tratta di implementare l’AI per fare vera innovazione, tecnologia e competenze sono essenziali, ma non sufficienti. Bisogna anche saper costruire processi e piattaforme che non generino problemi di compliance. Sprigionare il potenziale di queste applicazioni significa perciò dare vita a soluzioni e procedure innestate su una cultura digitale diffusa e condivisa, a tutti i livelli aziendali.

Noi di Qintesi lo sappiamo bene. Ed è per questo che, durante tutte le fasi dello sviluppo di progetti di AI, collaboriamo con esperti di regolamentazione per creare processi di validazione dei dati e dei modelli di intelligenza artificiale in linea con le normative di qualità. Nella fase di assessment, in particolare, non possono mancare la mappatura e l’analisi dei processi esistenti, con l’obiettivo di valutare il modo in cui l’intelligenza artificiale possa integrarsi senza compromettere la qualità o la sicurezza.

C’è poi il tema della cultura digitale. Vale per qualsiasi tipologia di impresa, ma soprattutto il binomio AI e Pharma richiede l’attivazione di programmi di formazione continua e change management: le persone non devono solo essere preparate rispetto al corretto utilizzo degli strumenti, ma devono anche poter toccare con mano, mediante programmi di training personalizzati e seminari di sensibilizzazione tecnologica, i benefici che questi strumenti portano al business.

Una volta stabilita la roadmap e iniziata la messa in produzione, la nostra metodologia prevede un rilascio graduale delle soluzioni, con progetti pilota per testare l’efficacia degli strumenti AI in un contesto controllato, ponendo particolare enfasi sulla trasparenza e sulla tracciabilità dei dati. Questo presuppone anche la creazione di un sistema di monitoraggio continuo e l’adozione di un’architettura scalabile, per aiutare i sistemi di AI ad adattarsi rapidamente a eventuali modifiche legislative e di business.

Il tutto non può comunque prescindere – come del resto previsto dai nuovi framework normativi dedicati allo sviluppo digitale, basti pensare alla NIS2 e all’AI Act – dall’attivazione di collaborazioni attive con le autorità regolatorie.