Editorial · AI in biotech

AI in Biotech: Labs, Patients and Molecules – $RXRX, $TEM, $EXAI

Recursion, Tempus AI and Exscientia are three “pure-play” examples of what it really means to put artificial intelligence at the centre of a biotech business model. Used properly, AI can compress timelines, surface non-obvious biology and make better use of messy data. Used badly, it can amplify errors, burn cash faster and create stories the clinic will never confirm.

Focus: AI-native biotech platforms · Audience: long-term investors & curious readers

Context

AI in biotech: three “pure-play” names as a lens, not as idols

When the conversation turns to artificial intelligence in biotech, the usual trap is binary: either the fairy tale (“AI finds miracle drugs in three clicks”) or the knee-jerk reaction (“it’s just a buzzword”). The reality in 2026 sits somewhere in between: in some corners AI is genuinely changing how research is done, in others it’s still paint on an old structure.

Three companies help separate marketing from substance: Recursion Pharmaceuticals ($RXRX), Tempus AI ($TEM) and Exscientia ($EXAI). They put AI in three different places: inside the wet lab, next to the patient and on the chemist’s whiteboard. The goal here is not to say whether these stocks are buys or sells, but to use them as concrete examples of advantages, limits and investor risks.

Case #1

Recursion: when AI is wired into the microscope

Recursion is the archetype of a “tech-first” biotech. Its platform, Recursion OS, combines automated cell culture, high-throughput microscopy and deep-learning models that analyse millions of cellular images to find patterns a human eye would never pick up. The system learns to recognise when a diseased cell looks more like a healthy one after being exposed to a compound, even if the visual difference is subtle or unintuitive.

$RXRX · Lab-first AI, phenotypic screening, supercomputing

A concrete example: for a hereditary condition such as familial adenomatous polyposis (FAP), linked to APC mutations, Recursion’s phenotypic screens pointed to MEK1/2 inhibition as a way to “reset” the disease phenotype. That work fed into the candidate REC-4881, now in clinical development, illustrating how a data-first approach can surface non-obvious mechanisms.

Traditional vs AI: what actually changes in the lab

Traditional discovery

Pick a target based on literature and classic biology.
Design and synthesize a few thousand molecules around that target.
Run relatively simple assays, rank binders, iterate chemistry by hand.
If the original hypothesis is wrong, years of work can be wasted.

AI / Recursion model

Build cellular models of disease and image them at scale.
Let deep-learning models learn patterns of “sick vs rescued” cells.
Work backwards to mechanisms and targets from a phenotype-first view.
Reuse the same platform across many diseases and projects.

The key difference is that you do not start from a narrow target hypothesis. You start from data-rich phenotypes and let the system highlight where biology behaves in interesting, unexpected ways. It is a genuine shift from “we test what we imagine” to “we ask data to reveal what we did not imagine”.

Concrete advantages vs a traditional path

Speed in early stages: in multiple AI-driven programmes across the industry, the journey from hit to clinical candidate has been shortened from ~3–6 years to roughly 12–18 months in favourable cases. Compressing the “trial-and-error” part of discovery matters because this is where most cash is burned with no revenue.
Discovery of non-obvious mechanisms: phenotypic screens can reveal compensatory pathways or unexpected targets that would not appear in a classic literature-based shortlist.
Platform effect: each new experiment teaches the system something; a lab that runs on Recursion OS is not starting from zero every time.

Specific risks with the Recursion-style model: the deeper you lean into pattern-recognition, the more you must translate those patterns into conventional biology for regulators and partners. A model that says “this works” is not enough; you need mechanisms, biomarkers and clean clinical data. On top of that, the capital intensity of supercomputers plus wet lab means dilution risk is structurally high if the pipeline fails to convert into out-licensing deals or approvals.

Case #2

Tempus AI: putting AI next to the oncologist

If Recursion tries to change how drugs are born, Tempus AI wants to change how clinical decisions are made today. Tempus has built one of the largest multimodal datasets in oncology: genomics, real-world evidence, imaging, electronic health records – all poured into a single data infrastructure.

$TEM · Data lake, clinical decision support, trial matching

On top of that data lake sit several products: genomic tests and reports for oncologists, trial matching platforms, and generative tools such as Tempus One, an AI assistant integrated into the clinical workflow that summarises patient histories and suggests relevant options. The company has also secured FDA clearances for tools like Tempus Pixel (cardiac MRI analysis) and an RNA-based diagnostic device, showing that some of these AI modules are crossing into regulated medical practice.

Traditional vs AI: a day in the life of an oncologist

Traditional workflow

The oncologist juggles PDFs: radiology, histology, genomics, lab reports from multiple systems.
Trial matching is manual: someone scans trial registries and inclusion criteria by hand.
Decisions lean on broad guidelines plus personal experience and informal peer input.

With AI / Tempus

Data from labs, imaging and genomics are ingested into a single, structured data lake.
Models estimate response probabilities, progression risks and trial eligibility.
Tools like Tempus One surface relevant trials and therapies inside the EHR workflow.

In the “old world” the doctor is also a part-time data engineer and trial matcher. In an AI-supported workflow, the clinician remains the decision-maker, but the heavy lifting of filtering and structuring information is pushed onto algorithms.

Practical benefits vs the old way

Faster, cheaper trial recruitment: matching patients to studies has historically been one of the biggest bottlenecks in oncology drug development. Centralised data and algorithmic matching can significantly reduce the time it takes to find eligible patients across many centres.
Reports that go beyond raw variants: instead of a static list of mutations, AI-driven reports can say “in patients like this, regimen A or B has shown better outcomes”, always with appropriate caveats.
Regulatory signalling: FDA clearances for AI-enabled tools like Pixel and the RNA platform indicate that, at least in some niches, AI is not a thought experiment but part of day-to-day care.

Where the Tempus-style model can break: the platform is only as good as the data feeding it. Coverage gaps or bias across geographies, ethnicities and care settings can make models less reliable for entire patient groups. On top of that, privacy and data ownership rules are evolving, and every regulatory change can add cost and friction to data collection and usage.

Case #3

Exscientia: AI on the medicinal chemist’s whiteboard

Exscientia may be the clearest example of an AI-native small-molecule discovery company. It applies advanced chemoinformatics, generative models and multi-parameter optimisation to design and select molecules, often partnering with large pharmaceutical companies on specific programmes.

$EXAI · Generative chemistry, lead optimisation, pharma partnerships

One of the headline examples across the industry is a candidate for obsessive-compulsive disorder, brought from target to first-in-human in about 12 months – compared with a conventional 4–6 year timeline for similar work. The exact numbers vary by programme, but the signal is clear: algorithmically guided chemistry can compress discovery loops.

Traditional vs AI: how small molecules are born

Classic medicinal chemistry

Select a target based on biology and competitive landscape.
Design a series of scaffolds inspired by existing chemistry.
Test potency, selectivity, ADMET, stability, one parameter at a time.
Iterate tiny changes and repeat experimental cycles, often thousands of times.

AI / Exscientia approach

Define multiple constraints at once: potency, off-target profile, solubility, metabolic stability, safety signals.
Use generative models to search a huge chemical space and propose molecules that satisfy those constraints simultaneously.
Synthesise and test only the most promising ones; feed results back into the model.

The result is not “magic molecules on the first try”, but fewer, smarter cycles. Instead of synthesising thousands of compounds to find a handful of viable leads, you aim to reach similar or better quality with far fewer physical experiments.

Where the risk hides: AI can optimise chemistry against the constraints you give it, but it cannot fix flawed biology. If the underlying target hypothesis is wrong, an AI-designed drug can still fail spectacularly in phase II or III. On top of that, public markets have already gone through one hype-and-comedown cycle on “AI-designed drugs”, repricing Exscientia and peers when it became clear that they face the same clinical risks as any other biotech.

Advantages

What AI really brings to biotech: four concrete benefits

Strip away the marketing slides and four advantages stand out across AI-driven biotech: time, data, capital efficiency and scalability. Each of them looks different when you compare traditional vs AI-native workflows.

1. Time: from marathon to half-marathon

In the traditional model, bringing a new medicine to market can easily take 10–15 years, with total costs in the billions once you factor in failures and cost of capital. AI does not remove clinical risk, but it can compress the earliest, most trial-and-error-heavy phases:

virtual screening instead of physical screening for every candidate;
generative chemistry instead of purely hand-crafted iterations;
algorithmic trial matching instead of manual recruitment.

That is how you get from 4–6 years to 12–18 months in some discovery programmes: not because AI “finds cures overnight”, but because it trims wasted cycles where the lab used to move blindly.

2. Data: from Excel to multimodal lakes

Many legacy programmes rely on relatively small datasets: hundreds of patients per trial, small internal biobanks, fragmented registries. A platform like Tempus works in the opposite direction: hundreds of thousands or even millions of patient records with genomics, imaging and outcomes, all standardised.

The difference is qualitative, not just quantitative: oncologists and developers can see patterns across subgroups that would never emerge from a single-centre experience. Traditional practice sees a few dozen similar patients in a career; an AI-supported system can interrogate outcomes from thousands of near-matches.

3. Capital efficiency: where you burn and where you save

Classic R&D burns capital on repeated physical experiments: synthesising compounds that never go anywhere, running animal studies that reveal obvious dead ends, starting trials slowly because recruitment is inefficient.

AI and automation shift part of that spend into computation: you burn on GPUs and software teams, but you can reduce the number of unnecessary wet experiments. Regulators themselves are nudging this way by encouraging alternative methods that reduce animal use. The promise, if the tools work, is a better ratio of “capital spent / viable candidates”.

4. Scalability: from single pipeline to platform

Traditional biotech is often built around one or two flagship programmes. When those fail, the equity story collapses. Platform-based AI companies aim for something different: one core engine that can be applied to many projects and many partners.

Recent mega-deals – like large pharma signing multi-year, multi-programme collaborations with AI shops – show where the industry thinks value will accrue: whoever owns the best engine can be paid repeatedly, not just once.

Important nuance: none of these advantages guarantees clinical success. They simply mean you can explore biology more quickly and more broadly. The true test is whether, over a decade, AI-enabled platforms misallocate less capital than traditional pipelines for the same number of meaningful approvals.

Risks

Structural risks investors often underestimate

For pure-play AI biotech, the upside is obvious in pitch decks. The downside is usually more subtle and more structural. Four themes stand out.

1. Black boxes, bias and late-stage surprises

A model that looks brilliant on historical data can stumble when deployed in a slightly different real-world setting. Training data that under-represent certain geographies, ethnicities or care patterns can produce blind spots that only become visible in large, diverse phase III trials.

2. Regulators are not fully aligned yet

Agencies like FDA and EMA are opening to AI-based tools and alternative methods, but cautiously. If a company’s narrative depends on regulators accepting AI as a substitute for certain experiments or endpoints, the risk is binary: either the agency agrees, or years of “saved time” evaporate when traditional evidence is still demanded.

3. Business models are cyclic and fragile

Many AI-first biotechs live at the intersection of equity markets and big-pharma partnerships. When sentiment on AI is euphoric, valuations can overshoot. When a high-profile AI-designed programme fails, the whole sector can be de-rated, independent of any single company’s execution. Exscientia’s post-IPO journey is a good reminder of how quickly expectations can be repriced.

4. Valuations are hard to anchor

Classic biotech can, in theory, be valued with peak sales curves, probability-of-success trees and comparisons to similar drugs. An AI-platform lab is part tool provider, part asset owner, part revenue-sharing partner. Depending on the mood of the market, the same reality can be seen as “infrastructure with infinite upside” or “consultancy with fancy software”.

Bottom line on risk: pure-play AI biotechs combine the usual binary outcome of drug development with an extra layer of uncertainty on data, regulation and business model. That does not make them uninvestable, but it does make them unsuitable as core positions for conservative portfolios.

Portfolio

How to use names like $RXRX, $TEM and $EXAI in a portfolio

Without issuing any buy or sell call, it is realistic to think of these stocks as:

exposure to the long-term theme of AI in healthcare;
high-beta satellites around the broader pharma/biotech core;
tools to test a thesis about whether AI really changes capital allocation in R&D.

Some sanity checks before allocating capital:

Separate “AI as a tool” from “AI as the business”: big pharma using some AI remains mostly a conventional story with efficiency tweaks. A pure-play platform is a direct bet that the tool itself will become critical infrastructure.
Look at cash runway before models: a brilliant platform with less than two years of funding and early-stage assets is a recipe for repeated dilution. Healthy balance sheets and meaningful upfront payments from partners are much better buffers.
Think in satellites, not in centre of gravity: AI-native names can make sense as a small, deliberately volatile slice of an equity book, not as its anchor.
Do not confuse speed with clinical success: the fact that a programme reaches phase I faster does not mean it will succeed more often. The real test is whether, a decade from now, AI platforms have wasted fewer billions on dead ends.

Conclusion

Less religion, more engineering

Seen without hype, Recursion, Tempus and Exscientia tell a consistent story: AI can genuinely change how we explore biology, use patient data and design trials. It can save time in discovery, surface mechanisms that would stay hidden and make better use of scarce capital. But it can also accelerate mistakes, burn money at scale and create a narrative the clinic will never validate.

For investors and observers, the healthiest stance is to treat AI in biotech as a set of engineering tools, not as a new religion. Tools amplify what is already there: strong biology, clean data and disciplined capital allocation get amplified into genuine value; weak foundations get amplified into larger, faster failures.

In the end, AI is an amplifier. In a sector where mistakes already cost years of work and billions of dollars, deciding what you want it to amplify – and how much of your portfolio you are willing to put behind that choice – is the real question.

Educational and informational content only. This editorial does not provide investment, legal or medical advice and does not recommend any security, strategy or transaction. Always refer to official filings and regulatory documents before making decisions, including the information available on the official websites of Recursion Pharmaceuticals, Tempus AI and Exscientia.

Editoriale · AI nel biotech

AI nel biotech: laboratori, pazienti e molecole – $RXRX, $TEM, $EXAI

Recursion, Tempus AI ed Exscientia sono tre esempi “puri” di cosa significa davvero mettere l’intelligenza artificiale al centro del modello di business di una biotech. Usata bene, l’AI può comprimere i tempi, far emergere biologia non ovvia e sfruttare meglio dati rumorosi. Usata male, amplifica gli errori, brucia cassa più in fretta e costruisce storie che la clinica non confermerà mai.

Focus: piattaforme biotech AI-native · Pubblico: investitori di lungo periodo e lettori curiosi

Contesto

AI nel biotech: tre “pure-play” da usare come lente, non come totem

Quando si parla di intelligenza artificiale nel biotech, la trappola è sempre la stessa: o la favola (“l’AI trova farmaci miracolosi in tre click”), oppure il riflesso opposto (“è solo una buzzword”). La realtà nel 2026 sta nel mezzo: in alcuni casi l’AI sta davvero cambiando come si fa ricerca, in altri è ancora vernice su un modello vecchio.

Tre aziende aiutano a mettere ordine: Recursion Pharmaceuticals ($RXRX), Tempus AI ($TEM) ed Exscientia ($EXAI). Mettono l’AI in tre punti diversi: dentro il wet lab, accanto al paziente e sulla lavagna del chimico. L’obiettivo qui non è dire se siano da comprare o da vendere, ma usarle come esempi concreti di vantaggi, limiti e rischi per chi investe.

Caso #1

Recursion: quando l’AI entra nel microscopio

Recursion è il prototipo della biotech “tech-first”. La sua piattaforma, Recursion OS, combina colture cellulari automatizzate, microscopia ad alto throughput e modelli di deep learning che analizzano milioni di immagini cellulari per trovare pattern che l’occhio umano non vedrebbe mai. Il sistema impara a riconoscere quando una cellula malata torna a somigliare a una cellula sana dopo l’esposizione a un composto, anche se la differenza visiva è sottile o controintuitiva.

$RXRX · AI in laboratorio, screening fenotipico, supercalcolo

Un esempio concreto: in una patologia ereditaria come la familial adenomatous polyposis (FAP), legata a mutazioni di APC, gli screening fenotipici di Recursion hanno indicato l’inibizione di MEK1/2 come possibile modo per “resettare” il fenotipo di malattia. Da lì è nato il candidato REC-4881, oggi in sviluppo clinico, che illustra come un approccio data-first possa far emergere meccanismi non ovvi.

Metodi tradizionali vs AI: cosa cambia davvero in laboratorio

Discovery tradizionale

Si sceglie un target sulla base di letteratura e biologia classica.
I chimici progettano e sintetizzano qualche migliaio di molecole.
Si testano potenza e affinità in saggi relativamente semplici, si ottimizza a piccoli passi.
Se l’ipotesi iniziale sul target è sbagliata, anni di lavoro finiscono nel cestino.

Approccio AI / Recursion

Si costruiscono modelli cellulari della malattia e li si fotografa in massa.
I modelli di deep learning imparano i pattern di “cellula malata” vs “cellula recuperata”.
Si risale poi a meccanismi e target partendo dal fenotipo, non dall’ipotesi.
La stessa piattaforma viene riutilizzata su molte patologie diverse.

La differenza chiave è che non parti da una ipotesi di target molto stretta. Parti da fenotipi ricchi di dati e lasci che sia il sistema a evidenziare dove la biologia si comporta in modo interessante e inatteso. È un passaggio da “testiamo ciò che immaginiamo” a “chiediamo ai dati di mostrarci ciò che non immaginavamo”.

Vantaggi concreti rispetto al percorso tradizionale

Velocità nelle fasi iniziali: in diversi programmi AI-driven nel settore, il passaggio da hit a candidato clinico si è accorciato da ~3–6 anni a circa 12–18 mesi nei casi favorevoli. Ridurre la parte più “trial-and-error” della discovery significa bruciare meno cassa al buio.
Scoperta di meccanismi non ovvi: screening fenotipici guidati dall’AI possono rivelare pathway compensatori o target inaspettati che non comparirebbero in una shortlist costruita solo a tavolino.
Effetto piattaforma: ogni nuovo esperimento insegna qualcosa al sistema; un laboratorio che gira su Recursion OS non riparte da zero ad ogni programma.

Rischi specifici del modello Recursion: più ti affidi al pattern-recognition, più devi tradurre quei pattern in biologia tradizionale per regolatori e partner. Un modello che dice “funziona” non basta: servono meccanismi, biomarcatori e dati clinici puliti. In più, l’intensità di capitale (supercomputer + wet lab) implica un rischio di diluizione strutturalmente alto se la pipeline non si traduce in accordi di licensing o approvazioni.

Caso #2

Tempus AI: quando l’AI siede accanto all’oncologo

Se Recursion prova a cambiare come nascono i farmaci, Tempus AI vuole cambiare come si prendono decisioni cliniche oggi. Tempus ha costruito uno dei più grandi data lake multimodali in oncologia: genomica, real-world data, imaging, cartelle cliniche elettroniche – tutto in un’unica infrastruttura.

$TEM · Data lake, supporto decisionale, trial matching

Sopra questo data lake vivono vari prodotti: test genomici e report per oncologi, piattaforme di trial matching e strumenti generativi come Tempus One, un assistente AI integrato nel flusso clinico che riassume la storia del paziente e suggerisce opzioni rilevanti. L’azienda ha ottenuto anche autorizzazioni FDA per strumenti come Tempus Pixel (analisi di risonanza cardiaca) e un device basato su RNA, segnale che alcuni moduli AI stanno entrando nella pratica regolata.

Metodi tradizionali vs AI: una giornata in oncologia

Flusso tradizionale

L’oncologo gestisce pile di PDF: radiologia, istologia, genomica, referti da sistemi diversi.
Il trial matching è manuale: qualcuno sfoglia i registri di studi clinici e i criteri di inclusione.
Le decisioni si basano su linee guida generali, esperienza personale e confronti informali.

Con AI / Tempus

Dati di laboratorio, imaging e genomica confluiscono in un unico data lake strutturato.
I modelli stimano probabilità di risposta, rischio di progressione e idoneità ai trial.
Strumenti come Tempus One evidenziano trial aperti e terapie possibili dentro la cartella clinica.

Nel “vecchio mondo” il medico è anche mezzo data engineer e mezzo trial matcher. In un flusso supportato dall’AI, il clinico resta il decisore, ma il lavoro pesante di filtrare e strutturare l’informazione viene scaricato sugli algoritmi.

Benefici pratici rispetto al vecchio modello

Arruolamento più rapido e meno costoso: trovare pazienti per gli studi è sempre stato uno dei colli di bottiglia maggiori. Dati centralizzati e matching algoritmico possono ridurre sensibilmente i tempi di reclutamento.
Referti che vanno oltre la lista di varianti: invece di un elenco statico di mutazioni, report guidati dall’AI possono indicare “in pazienti come questo, i regimi A o B hanno mostrato risultati migliori”, sempre con le dovute cautele.
Segnali regolatori: le autorizzazioni FDA per strumenti come Pixel e la piattaforma RNA indicano che, almeno in alcune nicchie, l’AI non è teoria ma parte della pratica quotidiana.

Dove può rompersi il modello Tempus-like: la piattaforma è forte solo quanto i dati che la alimentano. Gap di copertura o bias per area geografica, etnia o setting di cura possono rendere i modelli meno affidabili per intere fasce di pazienti. In più, privacy e regole sulla proprietà dei dati sono in evoluzione, e ogni cambiamento può aggiungere costi e attrito alla raccolta e all’uso delle informazioni.

Caso #3

Exscientia: l’AI sulla lavagna del chimico

Exscientia è uno degli esempi più chiari di small-molecule discovery AI-native. Applica chemoinformatica avanzata, modelli generativi e ottimizzazione multi-parametro al design e alla selezione delle molecole, spesso in partnership con big pharma su programmi specifici.

$EXAI · Chimica generativa, lead optimisation, partnership

Uno degli esempi simbolici è un candidato per il disturbo ossessivo-compulsivo, portato da target a first-in-human in circa 12 mesi, contro i 4–6 anni tradizionali. I numeri cambiano da programma a programma, ma il segnale è chiaro: la chimica guidata da algoritmi può comprimere i cicli di discovery.

Metodi tradizionali vs AI: come nascono le small molecules

Chimica classica

Si sceglie un target sulla base di biologia e panorama competitivo.
Si progetta una serie di scaffolds ispirati a chimica esistente.
Si testano potenza, selettività, ADMET, stabilità, un parametro alla volta.
Si modificano i composti a piccoli passi e si ripetono gli esperimenti mille volte.

Approccio AI / Exscientia

Si definiscono contemporaneamente vincoli multipli: potenza, profilo off-target, solubilità, stabilità metabolica, segnali di sicurezza.
Si usano modelli generativi per esplorare uno spazio chimico enorme e proporre molecole che soddisfano tutti i vincoli insieme.
Si sintetizzano e testano solo le proposte più promettenti e i risultati alimentano di nuovo il modello.

Il risultato non è “molecole magiche al primo tentativo”, ma meno cicli, più intelligenti: invece di sintetizzare migliaia di composti per trovare pochi lead decenti, si punta a raggiungere qualità simile (o migliore) con molti meno esperimenti fisici.

Dove si annida il rischio: l’AI può ottimizzare la chimica rispetto ai vincoli che le dai, ma non può correggere una biologia sbagliata. Se l’ipotesi sul target è fragile, un farmaco disegnato dall’AI può comunque fallire in modo spettacolare in fase II o III. Inoltre, il mercato ha già vissuto un ciclo di entusiasmo e raffreddamento sui “farmaci disegnati dall’AI”, ricalibrando le valutazioni di Exscientia e dei suoi peer quando è diventato chiaro che affrontano gli stessi rischi clinici di qualunque altra biotech.

Vantaggi

Cosa porta davvero l’AI nel biotech: quattro benefici concreti

Tolte le slide di marketing, emergono quattro vantaggi ricorrenti nelle biotech AI-driven: tempo, dati, efficienza di capitale e scalabilità. Ognuno diventa più chiaro se confronti metodi tradizionali e metodi AI.

1. Tempo: da maratona a mezza maratona

Nel modello tradizionale, portare un nuovo farmaco sul mercato può richiedere 10–15 anni, con costi complessivi nell’ordine dei miliardi se sommi fallimenti e costo del capitale. L’AI non elimina il rischio clinico, ma può comprimere le fasi più lente e caotiche all’inizio:

screening virtuale invece di test fisici per ogni candidato;
chimica generativa invece di iterazioni solo manuali;
trial matching algoritmico invece di reclutamento manuale e frammentato.

È così che si passa, in alcuni programmi, da 4–6 anni a 12–18 mesi: non perché l’AI “trova cure in una notte”, ma perché taglia una parte dei cicli buttati a vuoto.

2. Dati: dal foglio Excel al data lake multimodale

Molti programmi legacy vivono su dataset tutto sommato piccoli: centinaia di pazienti per trial, biobanche interne limitate, registri frammentati. Piattaforme come Tempus vanno nella direzione opposta: centinaia di migliaia o milioni di cartelle con genomica, imaging, outcome integrati.

La differenza non è solo quantitativa: clinici e sviluppatori possono vedere pattern in sottogruppi che non emergerebbero mai da un’esperienza mono-centro. La pratica tradizionale vede qualche decina di casi simili in una carriera; un sistema supportato dall’AI può interrogare migliaia di “quasi-gemelli”.

3. Efficienza di capitale: dove bruci e dove risparmi

L’R&D classica brucia capitale su esperimenti fisici ripetuti: sintesi di composti che non portano a nulla, studi animali che rivelano dead-end ovvi, trial che partono lentissimi per problemi di reclutamento.

AI e automazione spostano parte di quella spesa in computazione: consumi GPU e team software, ma puoi ridurre il numero di esperimenti inutili. Gli stessi regolatori stanno spingendo verso metodi alternativi che riducono l’uso di modelli animali. La promessa, se gli strumenti funzionano, è un rapporto migliore “capitale speso / candidati validi”.

4. Scalabilità: da singola pipeline a piattaforma

La biotech tradizionale è spesso costruita intorno a uno o due programmi principali. Quando questi falliscono, il titolo si sgretola. Le aziende piattaforma AI puntano a qualcosa di diverso: un motore centrale applicabile a molti progetti e molti partner.

I maxi-accordi degli ultimi anni – big pharma che firmano collaborazioni multi-programma con realtà AI – mostrano dove il settore si aspetta che si concentri il valore: chi possiede il motore migliore può essere pagato più volte, non una sola.

Una precisazione necessaria: nessuno di questi vantaggi garantisce successo clinico. Significa solo che puoi esplorare la biologia in modo più rapido e ampio. Il vero test è se, su un orizzonte di dieci anni, le piattaforme AI avranno sprecato meno capitale rispetto alle pipeline tradizionali, a parità di farmaci davvero utili.

Rischi

Rischi strutturali che spesso il mercato sottovaluta

Per le biotech AI-pure-play, l’upside è evidente nelle presentazioni. Il downside è più silenzioso e strutturale. Quattro i temi principali.

1. Black box, bias e sorprese in fase avanzata

Un modello brillante sui dati storici può incepparsi in un contesto reale leggermente diverso. Bias nei dati di training (per area, etnia, tipo di centro) possono produrre zone d’ombra che emergono solo in grandi studi di fase III.

2. Regolatori non ancora allineati

Agenzie come FDA ed EMA stanno aprendo alle soluzioni AI e ai metodi alternativi, ma con prudenza. Se la narrativa di un’azienda dipende dal fatto che il regolatore accetti l’AI come sostituto di certe fasi o endpoint, il rischio è binario: o l’agenzia è d’accordo, o gli anni “risparmiati” svaniscono quando vengono comunque richieste le prove tradizionali.

3. Modelli di business ciclici e fragili

Molte biotech AI-first vivono all’incrocio tra equity e partnership con big pharma. Quando il sentiment sull’AI è euforico, le valutazioni possono salire troppo; quando un programma AI di alto profilo fallisce, l’intero settore può essere de-ratingato, indipendentemente dall’esecuzione del singolo nome. Il percorso post-IPO di Exscientia è un promemoria piuttosto chiaro.

4. Valutazioni difficili da ancorare

Una biotech “classica” si può, almeno in teoria, valutare con curve di vendite di picco, alberi di probabilità di successo e comparabili. Un laboratorio piattaforma AI è in parte fornitore di strumenti, in parte proprietario di asset, in parte partner su ricavi futuri. A seconda dell’umore del mercato, la stessa realtà può essere vista come “infrastruttura con upside infinito” o “società di servizi con software carino”.

In sintesi sul rischio: le biotech AI-pure-play uniscono il solito esito binario dello sviluppo di farmaci a un ulteriore livello di incertezza su dati, regolazione e modello di business. Questo non le rende ingestibili, ma le rende poco adatte come posizioni centrali in un portafoglio prudente.

Portafoglio

Come usare in portafoglio titoli come $RXRX, $TEM e $EXAI

Senza entrare nel terreno “compra/vendi”, è realistico vedere questi titoli come:

esposizione al tema di lungo periodo AI in healthcare;
satelliti a beta elevata intorno a un core più tradizionale pharma/biotech;
strumenti per testare una tesi su come l’AI cambi davvero l’allocazione di capitale in R&D.

Qualche criterio di buon senso prima di allocare capitale:

Separare “AI come tool” da “AI come business”: una big pharma che introduce un po’ di AI resta una storia tradizionale con qualche miglioria operativa. Una piattaforma pura è invece una scommessa diretta sul fatto che lo strumento diventi infrastruttura critica per molti altri attori.
Guardare la cassa prima dei modelli: una piattaforma brillante con meno di due anni di runway e asset molto early-stage è una ricetta per diluizioni ripetute. Bilanci solidi e pagamenti upfront significativi dai partner sono una protezione molto migliore.
Usarli come satelliti, non come centro di gravità: i nomi AI-native hanno senso come quota piccola e volutamente volatile del portafoglio, non come pilastro centrale.
Non confondere velocità con successo clinico: il fatto che un programma arrivi prima in fase I non garantisce che avrà più successo. Il vero test è se, su dieci anni, le piattaforme AI avranno bruciato meno miliardi su vicoli ciechi.

Conclusione

Meno religione, più ingegneria

Guardate senza paraocchi, Recursion, Tempus ed Exscientia raccontano una storia coerente: l’AI può davvero cambiare il modo in cui esploriamo la biologia, usiamo i dati dei pazienti e disegniamo i trial. Può far risparmiare tempo nella discovery, far emergere meccanismi nascosti e usare meglio il capitale. Ma può anche accelerare gli errori, bruciare soldi su larga scala e costruire narrative che la clinica non confermerà.

Per chi osserva o investe, il modo più sano di guardare all’AI nel biotech è trattarla come un insieme di strumenti ingegneristici, non come una nuova religione. Gli strumenti amplificano ciò che c’è già: biologia solida, dati puliti e disciplina nell’uso del capitale si amplificano in valore reale; fondamenta fragili si amplificano in fallimenti più grandi e più rapidi.

In ultima analisi, l’AI è un amplificatore. In un settore in cui gli errori costano già anni di lavoro e miliardi di dollari, decidere cosa vuoi che l’AI amplifichi – e quanta parte del tuo portafoglio sei disposto a legare a quella scelta – è la vera domanda.

Contenuto a solo scopo informativo ed educativo. Questo editoriale non fornisce raccomandazioni di investimento, legali o mediche e non suggerisce alcun titolo, strategia o operazione. Prima di qualsiasi decisione fare sempre riferimento a documenti ufficiali e fonti regolatorie, incluse le informazioni disponibili sui siti ufficiali di Recursion Pharmaceuticals, Tempus AI ed Exscientia.