Intelligenza artificiale e industria chimica: il contributo di Kode al Workshop di Chemiometria 2026

Una disciplina che allarga i propri confini

Uno dei fili conduttori dell’intervento è stato osservare quanto le tecniche chemoinformatiche, nate per rispondere a esigenze molto specifiche — la predizione delle proprietà molecolari, il drug design, la valutazione ecotossicologica — si stiano oggi diffondendo in ambiti apparentemente lontani da quel perimetro originario, come il controllo qualità integrato al controllo di processo in ambito industriale. La Business Unit Kode Chemoinformatics osserva questa evoluzione da una posizione privilegiata: nata fianco a fianco con la comunità scientifica (contribuendo, fra gli altri, al progetto di sviluppo di VEGA, la piattaforma di modelli QSAR per la predizione ecotossicologica diventata un riferimento internazionale) ha esteso negli anni il proprio raggio d’azione a similarity search, target prediction, Design of Experiment e analisi multivariata applicati a farmaceutica, cosmetica, nutraceutica e chimica industriale. Un’esperienza che permette al team di riconoscere, in contesti anche molto diversi tra loro, i casi in cui un approccio chemoinformatico può portare un vantaggio competitivo reale.

Il vero problema non è la tecnologia, ma la domanda giusta

Durante l’intervento è stato citato, quasi per gioco, un piccolo aneddoto tratto da un’indagine su un campione di start-up italiane e francesi, in cui una singola domanda a risposta chiusa aveva generato decine di varianti testuali difficilmente riconducibili a un’unica lettura. Un esempio non serio, ma efficace per introdurre un problema molto concreto: la qualità del dato resta un prerequisito spesso sottovalutato, e troppe aziende investono tempo e risorse in progetti di digitalizzazione e AI senza aver prima chiarito a fondo quale sia il problema che vogliono davvero risolvere, restando poi insoddisfatte di soluzioni tecnicamente corrette ma poco allineate alle loro reali esigenze. Il valore aggiunto della data science, come sottolineato durante l’intervento, nasce proprio dalla capacità di leggere la sfida specifica di un’azienda prima di scegliere lo strumento, invece di partire dalla tecnologia per poi cercare un’applicazione.

Cinque sfide, cinque risposte diverse

Coerentemente con questa impostazione, l’intervento ha presentato cinque casi reali, ciascuno costruito attorno a un’esigenza distinta, partendo da un primo caso attinente al mondo della ricerca chimica farmacologica, per arrivare all’utilizzo in ambito chimico industriale di strumenti AI-based lontani dalla chemoinformatica, ma che risolvono problematiche di primaria necessità per chi utilizza composti chimici di cui è necessario conoscere le caratteristiche e i rischi per poter svolgere in maniera sicura il proprio lavoro.

Un centro di ricerca farmaceutica interessato al drug repurposing di un principio attivo FANS, aveva l’esigenza di ridurre le ricerche manuali in letteratura. Una pipeline di similarity search su ChEMBL e PubChem, con rescoring a consenso su sei metriche e classificazione dell’evidenza biologica su cinque livelli, ha identificato 150 analoghi strutturali — il 40% recuperato solo incrociando più fonti — permettendo di prioritizzare tre soli candidati per approfondimenti.

In un centro di eccellenza per resine acriliche, il problema era diverso: velocizzare lo sviluppo di formulazioni chimicamente delicate, riducendo trial & error e prototipazione fisica. La piattaforma Formana, costruita in tre fasi — gestione dati, DoE/analisi multivariata, assistente virtuale LLM — ha portato a un -30% di campioni fisici testati e al recupero di 150 giorni/persona.

Ma la chemoinformatica interviene anche in soluzioni avanzate di controllo qualità. Per un produttore di un fertilizzante, la sfida era sostituire parte dei test di laboratorio con un monitoraggio continuo nella linea produttiva, senza spreco di tempo di laboratorio e di prodotto: attraverso spettri NIR e modelli MSPC dinamici (formalizzati in SpectralizeR, software proprietario di Kode), il sistema ha raggiunto un’accuratezza molto elevata (MAE tra 0,06% e 0,17%) ed è oggi operativo in stabilimento.

Questo tipo di analisi chemoinformatiche si integra con il controllo di processo per consentire una comprensione immediata dei difetti di produzione e degli interventi necessari per mantenere standard di prodotto e efficienza produttiva. In un’azienda chimica, la necessità era digitalizzare procedure e ottenere un controllo in tempo reale dell’impianto: la soluzione FactorAI (framework creato da Kode per l’industria 5.0) acquisisce oltre 2000 segnali, calcola KPI e correlazioni e supporta la root-cause analysis, migliorando l’efficienza produttiva.

Le soluzioni più avanzate di Intelligenza Artificiale, benché possano sembrare distanti dal settore chimico, quando rispondono ad inefficienze, intervenendo in processi manuali ripetitivi caratterizzati da grande dispendio di tempo e rischio di errore, rappresentano un’applicazione utile delle più avanzate tecnologie. Per un’azienda alle prese con le Schede Dati di Sicurezza, la sfida era l’eterogeneità formale di documenti normativamente standardizzati ma difficili da leggere in modo automatico: Kode ha sviluppato, per il team compliance, SDS Reader. Integrando LLM e computer vision, la soluzione software estrae tutti i dati necessari (come ingredienti e pittogrammi di pericolo), trasformando queste informazioni in dati tabellari organizzati e azzerando gli errori di trascrizione manuale.

Il filo conduttore

Al di là della diversità delle applicazioni — dal controllo di impianto alla lettura documentale, dalla formulazione cosmetica alla ricerca sui bersagli molecolari — l’intervento ha messo in evidenza un principio comune: l’intelligenza artificiale in ambito chimico non sostituisce la competenza di dominio ma la amplifica, riducendo i tempi di analisi, gli errori manuali e il ricorso alla sperimentazione fisica, e restituendo al ricercatore più tempo per l’interpretazione e la decisione.