Se vi dicessi che la stessa intelligenza artificiale capace di pianifiare il percorso del rover Perseverance su Marte (500.000 variabili, nessun margine d’errore, un progetto da 3,2 miliardi di dollari), fatica ancora a gestire le liste d’attesa di un ospedale di provincia, probabilmente ridereste. E invece è esattamente questo il paradosso che Andrea Pescino, CEO di Fusion AI Labs, ha messo al centro del suo intervento “From Research to Impact”, un evento che porta nel titolo stesso la sua ragione d’essere: come si fa a trasformare la ricerca in qualcosa che cambia davvero la realtà? E, soprattutto, perché l’AI funziona bene nei laboratori ma fatica negli ospedali?

Prima di parlare di AI, Pescino ha fatto una cosa scomoda: ha mostrato i numeri. E i numeri sulla sanità europea non sono piacevoli da guardare. Un giovane europeo su cinque soffre di problemi di salute mentale. Il 30% dei medici del continente ha più di 55 anni. E la percentuale di europei insoddisfatti del proprio sistema sanitario nazionale è passata dal 44% al 74% in soli quattro anni: un crollo verticale che non è colpa di una singola riforma sbagliata o di un governo di turno, ma di una disfunzione strutturale che si accumula da decenni.

In Italia il quadro è, se possibile, ancora più complicato. Le liste d’attesa sono il problema numero uno citato dai cittadini e non è difficile capire perché: 735 giorni per un ecodoppler cardiaco all’ospedale di Magenta, 720 giorni per una gastroscopia, 612 per una visita endocrinologica. Numeri che non sembrano tabelle sanitarie ma calendari astronomici. Il 46% degli italiani dice di non sentirsi più tutelato nel diritto alla salute, mentre il 50% è già corso al privato per evitare le code.

Pescino usa questi dati non per fare catastrofismo, ma per costruire un argomento solido: se il sistema è sotto pressione strutturale e l’AI è la tecnologia con il tasso di accelerazione più rapido della storia recente, allora la domanda non è “se” usarla, ma “perché ancora così poco” e, soprattutto, “come farlo davvero”.

L’AI corre. La sanità cammina.

Qui entra in scena il secondo atto dell’argomentazione di Pescino, quello che potremmo chiamare il paradosso della velocità asimmetrica. L’AI non è più sul ciglio della rivoluzione: ci è già dentro. La capacità di training raddoppia ogni cinque mesi, più veloce della legge di Moore, che era già considerata straordinaria. Il costo per interrogare un modello equivalente a GPT-3.5 è crollato di 280 volte in diciotto mesi. Gli investimenti globali in AI hanno raggiunto 581 miliardi di dollari nel 2025, più del doppio rispetto all’anno precedente.

Parallelamente, il McKinsey “State of AI 2025” ricorda che quasi due terzi delle organizzazioni nel mondo non ha ancora iniziato a scalare l’AI a livello enterprise. E in sanità, secondo uno studio di Anthropic chiamato “The Modern AI Gap”, il divario è ancora più netto: i modelli potrebbero supportare tra il 50 e il 60% delle attività cliniche di routine, ma l’adozione reale si attesta al 5% o meno.

Attenzione: cinque percento. E non perché i modelli non funzionino, ma perché il sistema non è attrezzato per riceverli.

Pescino lo dice con chiarezza: il problema non è la qualità dell’AI. È l’integrazione, la governance, la responsabilità e la gestione del cambiamento organizzativo. Detto in parole povere: l’AI funziona nei laboratori perché i laboratori sono ambienti controllati, con dati puliti, obiettivi definiti e persone motivate a sperimentare. Gli ospedali sono esattamente l’opposto: sistemi legacy, normative stratificate, professionisti già al limite del carico cognitivo, e una cultura organizzativa che, sia pure comprensibilmente, preferisce il rischio noto al cambiamento sconosciuto.

La NASA ha capito. Le ASL ancora no.

Per rendere il contrasto ancora più evidente, Pescino ha portato l’esempio del Jet Propulsion Laboratory della NASA. Nel dicembre 2025, la NASA ha utilizzato tecnologia AI di Anthropic, parliamo di tecnologia commerciale, non sviluppata ad hoc, per pianificare il percorso del rover Perseverance su Marte. Il processo tradizionale richiedeva due settimane. Con l’AI sono state sufficienti poche ore e le variabili processate sono state oltre 500.000.

Se un’organizzazione come il JPL (Jet Propulsion Laboratory, il principale centro della NASA dedicato all’esplorazione robotica dello spazio e del sistema solare), con uno dei profili di rischio più alti dell’ingegneria umana, ha scelto di affidarsi a strumenti commercial off-the-shelf per un progetto da miliardi di dollari, la domanda che Pescino lascia nell’aria è inevitabile: cosa ci vuole prima che lo stesso approccio venga applicato alla gestione di una lista d’attesa per un ecodoppler?

La risposta non è tecnica. È culturale, organizzativa e, soprattutto, politica.

Il paradosso europeo: tanta ricerca, pochi unicorni, pochissima AI in corsia

Su questo punto Pescino allarga la prospettiva e tocca un nervo scoperto dell’ecosistema europeo e italiano: quello che in letteratura si chiama “European Paradox”. L’Europa produce circa il 30% delle pubblicazioni scientifiche top al mondo, ma genera solo il 15% degli unicorn tech globali. Fa molta scienza, ma poca industria.

L’Italia, dal canto suo, amplifica ogni debolezza europea. Investe in R&D l’1,3% del Pil, contro un obiettivo del 3% e una media europea del 2,2%. Il settore privato contribuisce solo al 53% della spesa in ricerca, contro valori che arrivano all’80% in Giappone e Corea. Il numero di brevetti per milione di abitanti è circa 80, contro i 300 della Germania e i 450 della Svezia. E la ricerca è prevalentemente tradizionale, con una quota marginale dedicata al deep tech e all’AI applicata.

Il Rapporto Draghi del 2024, che Pescino cita come punto di riferimento, identifica la ricerca applicata come il principale gap di competitività europeo. Non la ricerca di base, che esiste ed è di qualità. Non i prodotti finiti, che le grandi aziende sanno sviluppare. Ma lo strato intermedio, quello che trasforma un’ipotesi scientifica in uno strumento che qualcuno può usare: la ricerca applicata è cronicamente sottofinanziata e in sanità si vede.

Fusion AI Labs nasce esattamente in questo spazio vuoto. L’idea è quella di fare da ponte: prendere quello che la ricerca produce e accompagnarlo fino al punto in cui genera impatto reale, misurabile e, sopratutto, implementabile. Non tra dieci anni, ma nei prossimi ventiquattro mesi.

Dall’emergenza COVID a una lezione dimenticata: quando i dati si aprono, succedono cose buone

Uno dei passaggi più suggestivi dell’intervento di Pescino riguarda la pandemia. Quando il COVID colpì l’Italia, che fu uno tra i primi Paesi europei a fare i conti con la crisi, accadde qualcosa di insolito: le Regioni cominciarono a condividere i dati su contagi, trattamenti, esami e ricoveri attraverso GitHub, sotto la regia della Protezione Civile. Per la prima volta, dati sanitari ricchi e granulari erano accessibili a tutti.

Il risultato fu un’esplosione di analisi, previsioni, dashboard e modelli predittivi costruiti da ricercatori, ingegneri e appassionati in tutta Italia. Pescino era parte di quel gruppo. La lezione è chiara: quando i dati vengono liberati in modo intelligente (attenzione, non i dati personali dei pazienti, ma i dati di processo) le cose succedono: si costruiscono modelli, si migliorano le decisioni e il sistema, nel suo complesso, impara ed evolve.

Quella finestra si è richiusa. Ma la lezione è rimasta e torna utile quando si parla di European Health Data Space, di FSE (Fascicolo Sanitario Elettronico) come infrastruttura di ricerca e di come sbloccare quel patrimonio di 70 milioni di cartelle cliniche che l’Italia custodisce senza ancora riuscire a usarlo davvero per fare ricerca applicata.

Cosa serve davvero: non più AI nei PowerPoint, ma AI nei flussi di lavoro

La parte più concreta dell’intervento di Pescino riguarda le liste d’attesa e le quattro aree in cui l’AI agentica, quella che non si limita a estrarre informazioni ma agisce autonomamente, potrebbe cambiare le cose.

La prima è il triage intelligente delle prescrizioni: un agente che, nel momento in cui un medico prescrive un esame, incrocia la storia clinica del paziente con le linee guida e ridistribuisce le priorità in modo automatico, assicurando che i casi più urgenti vengano gestiti per primi.

La seconda è il bilanciamento del carico tra strutture: un sistema multi-agente che monitora in tempo reale la disponibilità di macchinari e personale e, quando una struttura è satura, negozia autonomamente uno slot in una struttura contigua, pubblica o privata accreditata, gestendo logistica e comunicazione al paziente.

La terza è la gestione dei no-show: un agente che non si limita a mandare un SMS di promemoria, ma intrattiene una vera conversazione con il paziente, raccoglie la sua disponibilità e, in caso di cancellazione, riassegna il posto al paziente successivo in coda in pochi secondi e non dopo alcuni giorni.

La quarta è la modellazione predittiva della domanda: anticipare i picchi stagionali, le variazioni demografiche, l’impatto dell’influenza sulle agende degli ambulatori. Il progetto REG4IA della Regione Liguria è un esempio concreto di come questo tipo di analisi sia già possibile con strumenti esistenti.

Non si tratta di fantascienza: si tratta di orchestrazione.

Il problema delle liste d’attesa italiane, come sottolinea Pescino, non è un problema di dati: è un problema di workflow.

Fusion AI Labs: la ricerca applicata come scelta politica

In questo quadro, Fusion AI Labs si posiziona non come un altro laboratorio di ricerca che produce paper interessanti destinati a finire in un cassetto, ma come un’organizzazione che misura il proprio successo sulla capacità di rendere i propri progetti implementabili entro ventiquattro mesi. Il sessanta percento degli output deve essere operativo nel breve periodo. Il resto può essere più sperimentale, ma deve avere un orizzonte temporale credibile.

È un approccio che ricorda quello dei Fraunhofer Institute tedeschi, 76 istituti, 32 mila dipendenti, 3,6 miliardi di euro all’anno di budget e un ritorno stimato di circa 7 euro di valore industriale per ogni euro investito.

Tra i progetti concreti già in corso, Pescino ha presentato Aura, un assistente nutrizionale personalizzato che integra conoscenza scientifica su nutrienti, composti bioattivi e supplementazione per migliorare la qualità della vita degli utenti, con una particolare attenzione alle fasce più giovani e agli anziani. Non un sostituto del medico, ma uno strumento di prevenzione attiva che riduce il carico sul sistema sanitario a monte, prima che la malattia si manifesti.

Ma Fusion AI Labs è coinvolta anche nel progetto Aida, per l’applicazione dell’AI nel contrasto al cancro gastrico, un esempio di AI clinica di alta specializzazione, e lavora con Microsoft sulla piattaforma Discovery per accelerare la ricerca scientifica in ambito life science.

La regulation non è il nemico (se la si usa bene)

Un ultimo punto merita attenzione, perché spesso viene presentato come un ostacolo invalicabile: la normativa. Il GDPR, l’AI Act, le regole sulla privacy sanitaria. Nel racconto comune, la regulation è il freno che impedisce all’innovazione di correre.

Pescino e i giuristi che hanno partecipato all’evento la vedono diversamente. Una regulation ben costruita non blocca l’innovazione: la rende più solida. Chi costruisce sistemi AI in sanità rispettando le normative costruisce sistemi più affidabili, più trasparenti, più difficili da attaccare legalmente. L’AI Act è ancora in revisione, il GDPR ha eccezioni per la ricerca e il Data Act, spesso ignorato nel dibattito, impone ai produttori di rendere accessibili i propri dati, aprendo opportunità che pochi stanno ancora esplorando.

Il problema non è la legge. È la postura di chi preferisce stare fermo per paura di sbagliare, invece di muoversi con intelligenza all’interno degli spazi che le norme già consentono.

La distanza tra laboratorio e paziente si misura in governance, non in algoritmi

Il messaggio centrale che emerge dall’intervento di Pescino è, in fondo, semplice: l’AI non manca, i dati esistono e i modelli funzionano. Quello che manca è il collegamento: tra ricerca e applicazione, tra tecnologia e organizzazione, tra capacità tecnica e volontà politica di cambiare i processi.

Fusion AI Labs si propone come quel collegamento. Non un fornitore di soluzioni prêt-à-porter e nemmeno un laboratorio accademico distante dal mercato, ma qualcosa nel mezzo: un’organizzazione che parla la lingua della ricerca e quella dell’ospedale, che sa costruire un prototipo e sa anche spiegare a un direttore sanitario perché dovrebbe adottarlo.

In un sistema sanitario che sta invecchiando, in un Paese che spende meno in ricerca dei propri competitor e in un continente che produce scienza ma non sa industrializzarla, questo tipo di ponte non è un lusso. È una necessità.

Il rover su Marte ce la fa a pianificare la sua strada attraverso mezzo milione di variabili in poche ore. I pazienti italiani aspettano ancora 720 giorni per una gastroscopia. Da qualche parte, in mezzo, c’è un’opportunità enorme che aspetta solo di essere presa sul serio.