Per decenni la scoperta di antibiotici è stata una pratica lenta e costosa. Nel frattempo, la resistenza antimicrobica è diventata una minaccia sistemica, capace di mettere in crisi non solo i sistemi sanitari ma intere economie. In questo scenario di stallo industriale e urgenza sanitaria, l’Intelligenza Artificiale si è inserita come un attore inatteso, alterando profondamente l’equilibrio tra scienza, mercato e potere geopolitico.
L’idea che l’antibiotico del futuro nasca in un data center, prima ancora che in una provetta, non è più fantascienza. Nell’agosto 2025 il MIT ha raccontato un risultato che, per come è stato ottenuto, assomiglia a un cambio di regime tecnologico: un sistema di intelligenza artificiale generativa è stato usato per progettare molecole antibatteriche “nuove”, poi sintetizzate e testate, con evidenze precliniche contro due bersagli simbolo, la gonorrea e l’MRSA, ossia il Methicillin-Resistant Staphylococcus aureus.
Questa non è “soltanto” una buona notizia scientifica. È un evento geopolitico, perché sposta la leva del potere dalla chimica come manifattura alla chimica come informazione. La catena del valore non si esaurisce nella formula della molecola, ma include il modello generativo che l’ha proposta, i dati che l’hanno addestrato e l’infrastruttura computazionale che rende possibile l’esplorazione di milioni di candidati. Il risultato visibile è un farmaco candidato; l’asset strategico invisibile è la macchina che sa produrre altri candidati, più velocemente dei concorrenti.
Per capire la portata, serve tenere insieme due numeri. Il primo riguarda la minaccia: l’analisi del progetto GRAM pubblicata su The Lancet stima che nel 2019 le morti “associate” alla resistenza antimicrobica batterica siano state circa 4,95 milioni e che 1,27 milioni siano state “direttamente attribuibili” all’AMR, un ordine di grandezza comparabile alle grandi epidemie “classiche” della salute globale. L’OMS riprende questi valori nella propria scheda informativa e i CDC li ribadiscono come riferimento per il rischio globale. Il secondo numero riguarda la pipeline: la scoperta antibiotica tradizionale è stata così poco remunerativa da lasciare il settore fragile e intermittente. Qui l’AI entra come acceleratore, ma anche come filtro proprietario: riduce tempi di esplorazione e selezione, mentre tende a concentrare capacità e know-how in chi possiede dati e modelli.
L’algoritmo e le molecole
Il caso è utile perché mostra la doppia natura di questa nuova corsa: da un lato l’AI genera e setaccia un enorme spazio chimico; dall’altro la validazione resta biologica, cioè costosa, lenta e regolata. Nei resoconti disponibili, per la gonorrea il team ha usato un “frammento” chimico come punto di partenza e ha guidato l’algoritmo verso molecole più potenti; per l’MRSA, invece, l’algoritmo ha avuto maggiore libertà di generare strutture de novo, con indizi di meccanismi d’azione legati alla membrana batterica. Questo dettaglio conta geopoliticamente, perché meccanicisticamente nuovi competono su accesso e controllo dell’innovazione. Se il salto di meccanismo dipende da modelli e dataset non condivisi, la sovranità farmacologica non è più solo “posso produrre”, ma “posso progettare”.
Non è un episodio isolato. Nel maggio 2023 MIT e McMaster avevano già dimostrato un paradigma simile con l’abaucin, un composto identificato tramite deep learning come attivo contro Acinetobacter baumannii, patogeno ospedaliero temuto proprio per la multiresistenza. Qui la “novità” non era soltanto trovare una molecola, ma trovarne una a spettro relativamente ristretto, cioè mirata su un singolo patogeno, un’idea che in sanità pubblica può ridurre la pressione selettiva sugli altri batteri e quindi rallentare la comparsa di resistenze diffuse. Lo studio su Nature Chemical Biology descrive la scoperta e collega l’attività a un meccanismo che coinvolge il traffico di lipoproteine (LolE), con controllo dell’infezione in un modello murino di ferita. È un esempio concreto di come l’AI possa “stringere” la ricerca su target difficili, bypassando biblioteche chimiche tradizionali che spesso sono ridondanti rispetto alle classi note.
Sempre al MIT, nel dicembre 2023 era stata annunciata l’identificazione, sempre supportata da AI, di una nuova classe di candidati contro MRSA. Anche qui, il punto politico è che l’AI diventa un moltiplicatore della capacità di scouting: se più gruppi riescono a generare classi “nuove”, la competizione non sarà soltanto su chi arriva primo in clinica, ma su chi controlla la piattaforma che genera continuamente varianti migliori, meno tossiche, più stabili, più adatte a diventare farmaci.
Ma chi controlla l’AI?
Il filone della Pennsylvania aggiunge un tassello che rende ancora più evidente la posta in gioco: non solo piccole molecole, ma anche peptidi antimicrobici, cioè brevi catene di amminoacidi. Nel settembre 2025 Penn Engineering ha presentato AMP-Diffusion, un modello generativo “a diffusione” che produce candidati come un’AI genera immagini, ma nello spazio delle sequenze biologiche. La comunicazione istituzionale parla di decine di migliaia di nuovi peptidi generati e di test in modelli animali in cui i più potenti hanno performato come farmaci approvati, senza effetti avversi rilevabili nei test iniziali. Questo tipo di resa, anche se su scala ancora preclinica, cambia il “tasso di conversione” tra idea e molecola biologicamente attiva, e quindi cambia l’economia politica dell’innovazione.
A questo punto la domanda geopolitica non è più “l’AI funzionerà?”, perché i casi documentati mostrano che funziona almeno nel tratto iniziale della pipeline. La domanda diventa “chi controlla l’AI che funziona?”. Il dettaglio al centro — l’impossibilità pratica di replicare queste scoperte senza accesso a modelli e dataset proprietari — è cruciale perché trasforma un bene sanitario in un bene infrastrutturale. Se la scoperta dipende da dati di crescita batterica, librerie chimiche annotate, set di tossicità, e questi asset rimangono privati, allora la barriera d’ingresso per un Paese o un consorzio pubblico non è solo pagare una licenza o aggirare un brevetto: è ricostruire una base dati e un capitale computazionale che richiedono anni e investimenti enormi. In altre parole, l’algoritmo diventa una forma di “sovranità”, comparabile per importanza a un impianto produttivo.
Questa concentrazione avviene mentre l’AMR evolve in modo disomogeneo, producendo geografie del rischio. Un dispaccio Reuters dell’ottobre 2025, basato su dati OMS, parla di un aumento globale della resistenza in campioni raccolti tra 2016 e 2023 e descrive un quadro con differenze regionali marcate, con aree come Asia meridionale e Medio Oriente particolarmente colpite. È un esempio di come la sorveglianza stessa, cioè la capacità di misurare resistenze e tracciare trend, diventi parte della competizione: chi ha dati migliori progetta meglio, e chi progetta meglio ottiene più dati, in un ciclo che tende a premiare gli attori già forti.
Il dilemma della salute globale
Qui entra la “nuova corsa agli algoritmi”: non è soltanto una corsa scientifica, è una corsa a posizionarsi sulle future dipendenze sanitarie. Se un antibiotico AI-designed entra in clinica e funziona su un patogeno prioritario, il sistema sanitario che lo adotta non compra solo un farmaco: compra accesso a una capacità di progettazione continua, perché in un mondo di resistenze che emergono rapidamente, la vera risorsa è poter iterare velocemente, generare analoghi, anticipare mutazioni, ricalibrare spettro e farmacocinetica. La piattaforma è il prodotto, la molecola è la prima prova.
Questo produce un dilemma classico della salute globale, ma in versione digitale. La retorica dell’innovazione promette benefici universali, mentre la struttura proprietaria produce esclusione selettiva. L’AMR, però, non rispetta frontiere: se i Paesi più colpiti non possono accedere rapidamente ai nuovi farmaci, o li ricevono tardi e a costi elevati, il bacino globale di resistenza rimane alto e la minaccia rientra comunque nei Paesi ricchi. È lo stesso paradosso visto con vaccini e diagnostica, ma con una differenza: qui la leva non è solo la produzione fisica, è l’accesso all’intelligenza progettuale. L’antibiotico del futuro rischia di essere un bene scarso non perché manchi materia prima, ma perché mancano permessi e credenziali per entrare nel “laboratorio algoritmico”.
Eppure questi stessi casi documentati indicano anche una possibile via d’uscita politica: l’AI può rendere plausibili programmi pubblici o consortili in cui l’obiettivo non sia massimizzare vendite, ma ridurre mortalità e pressione selettiva. Abaucin suggerisce che l’AI può aiutare a generare farmaci a spettro più stretto. I peptidi progettati con modelli a diffusione mostrano che, con una frazione relativamente piccola di sintesi e test mirati, si può ottenere una probabilità alta di trovare attività. Se queste piattaforme venissero governate come infrastrutture comuni — con dataset condivisi, benchmark pubblici, audit di sicurezza e accordi di accesso per regioni ad alto burden — l’AI potrebbe diventare una tecnologia di riequilibrio.