Non è il classico progetto da big pharma. È nato dalla creatività e dalla frustrazione: mettere insieme fondi spiccioli e ore ritagliate al sonno per dimostrare che il calcolo quantistico, abbinato all’intelligenza artificiale, può generare nuovi peptidi. L’obiettivo dichiarato è nobile — sviluppare farmaci per popolazioni trascurate e malattie rare — ma il vero messaggio sta nel metodo: un side hustle scientifico che svela le crepe strutturali dell’innovazione farmaceutica.

La notizia, riportata di recente, racconta di un team che ha spremuto risorse limitate per ottenere un proof-of-concept funzionante. Hanno usato AI e quantum computing per progettare molecole peptidiche, un’area dove la modellazione computazionale promette di accorciare i tempi della scoperta preclinica. Dietro la patina di successo, però, si nasconde una domanda scomoda: perché progetti del genere devono arrangiarsi con i ritagli, mentre miliardi affluiscono verso patologie più redditizie?

La risposta è in parte infrastrutturale. Il calcolo quantistico — ancora acerbo, spesso accessibile solo via cloud — e l’AI generativa per la chimica richiedono potenza di calcolo che pochi laboratori accademici possiedono in casa. Quando i dati riguardano popolazioni vulnerabili o malattie rare, la posta in gioco si alza: spostare tutto su server di terze parti significa perdere controllo su proprietà intellettuale e conformità (si pensi al GDPR per i dati sanitari). Non è un caso che molte realtà farmaceutiche stiano valutando cluster on-premise o ibridi proprio per mantenere la sovranità su pipeline critiche.

Qui si innesta un paradosso di secondo ordine. La promessa dell’AI quantistica — accessibile, democratizzante — rischia di rimanere tale se gli attori più motivati (università, no-profit) non possono permettersi l’hardware necessario. È una lezione che chi si occupa di deployment on-premise di LLM conosce bene: il costo totale di possesso (TCO) non è solo una voce di bilancio, ma un fattore abilitante. Un cluster con GPU adeguate o un simulatore quantistico locale possono fare la differenza tra un esperimento una tantum e un programma di ricerca sostenibile.

Non sappiamo esattamente su quale hardware abbia girato il modello degli scienziati — la fonte non scende in dettagli — ma il framework che emerge è chiaro. Il successo strappato con le unghie segnala un fallimento di sistema: il mercato, da solo, non allocherà potenza di calcolo dove i margini sono più bassi. Eppure, proprio lì si annidano le innovazioni più radicali. Per chi progetta infrastrutture AI, che si tratti di LLM fine-tuned per la ricerca o di pipeline ibride quantistico-classiche, il messaggio è netto: ignorare i contesti meno lucrativi significa lasciare sul tavolo non solo questioni etiche, ma potenziali breakthrough scientifici. Il side hustle di oggi potrebbe diventare il framework di domani, a patto che la potenza di calcolo smetta di essere un lusso.