Merck e Mastercard ottengono risultati reali con l’AI agentica. Entrambe dicono: prima arriva l’infrastruttura
Merck usa agenti AI per ridurre i cicli di scoperta di farmaci di un terzo e spedire materiali di marketing conformi fino all’80% più velocemente. Ma Sean Finnerty, VP delle piattaforme digitali, dice che funziona solo perché hanno costruito prima l’infrastruttura.
L’azienda farmaceutica vede già risultati promettenti: l’AI genera bozze di marketing “corrette al 99%” dal punto di vista normativo, riducendo i cicli di revisione da mesi a giorni e accelerando la consegna del 70-80%. Nel campo della ricerca medica, un ciclo di scoperta assistito dall’AI è stato ridotto del 33%.
“Se facciamo cose isolate, ci ritroveremo con migliaia di progetti che saranno debiti da gestire più avanti”, ha detto Finnerty a un evento AI Impact Series. “E questo rallenterà qualsiasi innovazione futura”.
Prima l’infrastruttura, poi l’AI
La strategia di Merck arriva dalle lezioni imparate nei primi tempi del cloud, negli anni 2010. Oggi la loro infrastruttura supporta 2.500 account AWS, numerose sottoscrizioni Microsoft Azure e nuove integrazioni Google Cloud. “L’AI sarà la stessa cosa”, ha detto Finnerty. “Avremo migliaia e migliaia di agenti”. Le domande si accumulano: come si registrano? Come si proteggono? Come si assicura che siano connessi agli strumenti giusti e ai dati giusti?
Il contesto è fondamentale. Merck lavora con tre hyperscaler, ha 47 sedi edge e centinaia di database. “Molti, molti petabyte” di dati, tra Oracle, SQL, Excel, trascrizioni telefoniche. Il team sta costruendo impalcature per fornire contesto significativo. “Non esiste una soluzione unica per ogni problema”, ha spiegato. A volte si usa Databricks, altre Amazon Redshift. L’obiettivo è semplificare e proteggere il tutto, integrandolo con protocolli come MCP e A2A.
Come Merck usa gli agenti
L’AI sta accelerando la scoperta di farmaci: gli scienziati studiano strutture molecolari e stati patologici per capire se una condizione è “drogabile”. Con l’AI, un ciclo di ricerca è stato ridotto di un terzo: “Un anno in meno nel ciclo di scoperta”, ha detto Finnerty. “Teoricamente, possiamo portare una terapia a un paziente un anno prima”.
Nel marketing regolamentato, l’AI produce prime bozze conformi al 99% in un giorno o una settimana, con un processo che passa da “human-in-the-loop” a “human-as-governor”. I materiali vengono spediti fino all’80% più velocemente. Per la modernizzazione delle app, l’AI scopre architetture, documenta API, scrive codice Terraform e rifattorizza JavaScript in Python. Dove prima servivano settimane e centinaia di migliaia di dollari per aggiornare un’applicazione, ora gli agenti gestiscono il lavoro con prompt.
Non mancano le sfide. Finnerty ha raccontato di “stranezze” nei test automatici: l’AI ha inventato scenari inesistenti. “Mi ha sorpreso: pensavo fossimo più avanti con le allucinazioni”, ha detto. Per limitarle, usano l’AI per supervisionare l’AI, applicando punteggi di confidenza. Se Claude produce un output, chiedono a Microsoft Copilot di valutarlo. “Chiedi una cosa tre volte, la confidenza aumenta e minimizzi la spazzatura”, ha spiegato.
Casi d’uso in ambito finanziario
Da Mastercard, Andrew Reiskind (Chief Data Officer) si concentra su flussi di lavoro di transazioni e controversie. Una contestazione di addebito non è un evento singolo. Quando un consumatore contesta un addebito, parte un processo complesso: Mastercard raccoglie dettagli, il commerciante fa le sue verifiche, la rete ha le sue regole. “Ci sono passaggi strutturati e non strutturati”, ha detto Reiskind. “E decisioni sia deterministiche che probabilistiche”.
L’AI agentica può velocizzare il tutto, ma è complesso: quali compiti affidare agli agenti? Quando tornano ai rappresentanti umani? Quanti agenti servono? E ci sono rischi reputazionali: “Hai appena definito potenzialmente bugiardo un consumatore che non lo era?”, ha detto. “Come banca, vuoi mantenere la fiducia, ma anche efficientare e ridurre i costi”.
