Chai Discovery ha chiuso un round Series C da 400 milioni di dollari che triplica il valore della startup a 3,8 miliardi in appena sette mesi. Il dato non è solo finanziario: è il segnale più nitido che l’intelligenza artificiale per la scoperta di farmaci ha smesso di essere una scommessa di laboratorio e inizia a entrare nei processi produttivi delle aziende farmaceutiche.

Il passaggio dalla promessa al deployment cambia tutto per chi deve gestire l’infrastruttura. Nei laboratori di ricerca, i modelli generativi e predittivi — spesso basati su architetture transformer — girano su cloud con relativa facilità. Ma quando si esce dalla fase esplorativa e si integra la AI nei workflow regolamentati, emerge un vincolo che il cloud non può aggirare: la sovranità dei dati. Le sequenze molecolari, i target terapeutici e le proprietà chimiche rappresentano il patrimonio intellettuale più delicato di un’azienda farmaceutica. Caricarli su server di terze parti significa esporli a rischi di accesso non autorizzato e, in giurisdizioni come l’Unione Europea, scontrarsi con gli obblighi del GDPR. Il deployment on-premise cessa di essere un’opzione e diventa una necessità strutturale.

Questo scenario ha implicazioni immediate sull’hardware. I modelli per drug discovery — dalle reti per il folding proteico ai sistemi generativi per molecole — sono avidi di calcolo e di VRAM. Per eseguirli on-premise servono GPU con memoria sufficiente a caricare pesi spesso nell’ordine di decine di miliardi di parametri, anche dopo quantization. Ma ridurre la precisione a INT8 o FP16 non è banale in un dominio dove ogni piccola variazione nella struttura molecolare predetta può invalidare anni di sviluppo clinico. Chi sceglie il self-hosted deve quindi bilanciare il costo di GPU ad alta capacità — un CapEx che può facilmente superare il milione di euro — con l’esigenza di mantenere l’accuratezza richiesta dagli enti regolatori.

L’iniezione di capitale in Chai Discovery e in altre startup del settore segnala qualcosa di più profondo: l’industria farmaceutica si sta preparando a un cambiamento nei propri equilibri competitivi. Le aziende che costruiranno per prime un’infrastruttura AI on-premise robusta potranno iterare più rapidamente sui candidati farmaci senza dover negoziare ogni volta con provider cloud i termini di residenza dei dati. Chi resta ancorato al cloud rischia invece di accumulare un debito tecnico e di compliance che, alla lunga, si traduce in ritardi nei trial e perdita di vantaggio competitivo. Parallelamente, crescerà la domanda di framework di orchestrazione capaci di gestire carichi di inference e fine-tuning su bare metal, dall’allocazione dinamica della VRAM alla riproducibilità degli esperimenti.

Non è un caso che il tema del Total Cost of Ownership stia scalando le priorità dei CTO farmaceutici. Il passaggio alla produzione costringe a confrontare il costo operativo di un cluster on-premise — ammortizzabile su cicli di sviluppo pluriennali — con i canoni ricorrenti di istanze cloud ad alta memoria. Per chi sta valutando questi trade-off, esistono framework analitici che aiutano a mappare le variabili in gioco, ma la decisione finale dipende dalla natura dei dati e dal livello di controllo richiesto.

La fase che si apre non è priva di incognite. L’ondata di finanziamenti potrebbe portare a una proliferazione di modelli proprietari, aumentando la frammentazione e la difficoltà di integrazione nei pipeline già esistenti. E se da un lato la disponibilità di LLM on-premise specializzati sta crescendo, dall’altro la carenza di competenze interne per gestire cluster GPU e fine-tuning rischia di rallentare l’adozione. Chi riuscirà a combinare competenze di AI, ingegneria dell’infrastruttura e conoscenza del dominio regolatorio avrà un vantaggio decisivo. La scommessa di Chai Discovery, in fondo, è anche questa: che il mercato sia pronto a pagare non solo per i modelli, ma per la capacità di metterli in produzione in modo sicuro, scalabile e sovrano.