Agentic AI non chiuderà le tue gare

Circa il 40% dei medicinali in Europa viene ora acquistato attraverso procedure di appalto pubblico. In ambito ospedaliero, 22 Paesi su 30 fanno affidamento sulle gare d’appalto. Quando questi contratti vengono aggiudicati, il 62% dipende principalmente dal prezzo, contro appena il 24% che utilizza criteri di offerta economicamente più vantaggiosa, mentre in categorie come gli agenti antineoplastici la quota di aggiudicazioni basate esclusivamente sul prezzo raggiunge l’84%.

Per una quota crescente del portafoglio, la gara non è un canale. È il momento commerciale decisivo. Diversi anni di ricavi, e gran parte del margine associato, vengono determinati da un numero inserito da un team entro una scadenza, spesso senza un riferimento sistematico a quanto siano stati effettivamente aggiudicati contratti comparabili.

È questo il momento a cui l’attuale ondata di investimenti nell’AI deve dare una risposta. La maggior parte di questi investimenti sta rispondendo a una domanda diversa.

Il mercato dell’AI nel life sciences è entrato nell’era del conteggio degli agenti. I lanci delle piattaforme arrivano corredati da inventari di agenti. L’adozione viene riportata in base al numero di agenti implementati e al numero di use case coperti. I numeri aumentano ogni trimestre, e aumentano rapidamente.

Il cambiamento alla base è reale. Agentic AI è uscita dal laboratorio ed è entrata nei workflow aziendali, mentre il livello infrastrutturale e quello di dominio stanno convergendo più rapidamente di quanto la maggior parte delle funzioni commerciali riesca ad assorbire. Il rischio è più circoscritto dell’hype e più costoso: che i leader commerciali interpretino la disponibilità di agenti come esecuzione commerciale.

Il mercato sta già imparando dove porta questa confusione. Gartner prevede che oltre il 40% dei progetti di Agentic AI verrà cancellato entro la fine del 2027, citando costi in aumento, valore di business poco chiaro e controlli dei rischi inadeguati, e stima che solo circa 130 delle migliaia di vendor che promuovono Agentic AI la stiano realmente sviluppando. Definisce questo divario “agent washing”: il rebranding di assistenti, robotic process automation e chatbot senza capacità agentiche sostanziali. Nel maggio 2026 ha applicato il termine alla tecnologia per la pianificazione della supply chain e ha aggiunto un avvertimento ancora più netto: qualsiasi vendor che prometta un’autonomia end-to-end prima del 2027 sta sovrastimando ciò che è possibile.

Se si osserva verso cosa vengono effettivamente indirizzati gli agenti commerciali, il divario diventa concreto. I portafogli di agenti commerciali oggi sul mercato si concentrano su market insight, targeting della field force, pianificazione commerciale, literature review e catalogazione dei dati: brand strategy, market intelligence, engagement degli HCP, data governance. Si tratta di attività utili, e sono adiacenti alla gara. Nessuna di queste, tuttavia, è un tender-response engine. Non è una critica a nessuna piattaforma. È un’osservazione su quanta parte del P&L commerciale si trovi attualmente al di fuori delle aree verso cui vengono indirizzati gli agenti.

Un agente può recuperare dati. Può sintetizzare un tender pack, generare una bozza e instradare attività verso altri agenti. Nessuna di queste capacità, da sola, risponde alle domande che determinano se una gara genera crescita redditizia:

• • Dovremmo perseguire questa opportunità?
  • Quale prodotto approvato soddisfa ciascun requisito di linea?
  • Possiamo fornirlo per l’intera durata del contratto?
  • Qual è il giusto prezzo netto dopo rebate, indicizzazione, logistica e obblighi di servizio?
  • Quali claim sono supportati da evidenze aggiornate e approvate?
  • Quali eccezioni richiedono l’approvazione commerciale, legale, regolatoria o della qualità?
  • Cosa dovrebbe insegnarci l’esito prima della prossima gara?

Finché l’AI non sarà in grado di far avanzare queste decisioni attraverso un workflow governato e nei sistemi in cui il lavoro commerciale viene effettivamente svolto, assisterà le attività anziché eseguire il business.

Una gara è una catena di impegni commerciali

Una risposta a una gara non è un’unica attività. È un insieme interconnesso di impegni che collega le esigenze dell’acquirente, l’idoneità del prodotto, le evidenze regolatorie, la capacità di fornitura, gli obblighi di servizio, il prezzo e il rischio contrattuale.

Un singolo anello debole può rendere l’intera offerta non conforme, non competitiva o non redditizia, e il problema raramente si manifesta al momento della presentazione. Una confezione mappata erroneamente nella colonna D diventa un obbligo di consegna impossibile da soddisfare nel secondo anno. Un claim scaduto nascosto in un allegato diventa una non conformità. Un prezzo inserito senza un meccanismo di indicizzazione diventa quattro anni di erosione silenziosa.

Considerando quanto del portafoglio europeo passa oggi attraverso gli appalti, questa esposizione ha ormai superato i confini del bid desk. È un’esposizione sul P&L di cui è responsabile l’intera organizzazione commerciale, indipendentemente dal fatto che qualcuno ne sia stato formalmente reso responsabile.

È per questo che l’AI per l’esecuzione commerciale ha bisogno di qualcosa di più di una raccolta di agenti. Ha bisogno di un contesto commerciale condiviso, modelli di dati specifici per il dominio, controlli deterministici, integrazioni con i sistemi e una comprensione verificabile di chi può approvare cosa.

Le indicazioni di Gartner per gli acquirenti, elaborate per la pianificazione della supply chain anziché per le gare d’appalto ma applicabili in modo diretto anche a questo contesto, richiedono sostanzialmente gli stessi elementi: dati unificati e in tempo reale, solide integrazioni tra i sistemi di pianificazione e di esecuzione, e una governance trasparente con guardrail chiari, punti di passaggio all’intervento umano e meccanismi di audit. Il fattore distintivo non è l’agente. È tutto ciò su cui l’agente deve poggiare.

In pratica, deve fare bene cinque cose.

1. Trovare l’opportunità giusta prima che inizi il conto alla rovescia

L’AI generica può monitorare le fonti e sintetizzare gli avvisi. L’AI per l’esecuzione commerciale deve andare oltre: acquisire opportunità pubbliche e private, strutturare documenti in più lingue, identificare scadenze e criteri di idoneità e confrontare i requisiti dell’acquirente con il portafoglio effettivo del fornitore.

L’output non dovrebbe essere un altro alert. Dovrebbe essere un’opportunità qualificata, con strategic fit, contesto storico, vincoli di fornitura, rischi, responsabili e una motivazione difendibile per la decisione bid/no-bid già associati.

La prima decisione sul margine è spesso se partecipare o meno alla gara.

2. Risolvere la verità sul prodotto, riga per riga

I file degli acquirenti raramente parlano la stessa lingua dei cataloghi dei fornitori. Combinano descrizioni in testo libero, identificativi legacy, riferimenti ai competitor, codici dei distributori, formati delle confezioni e unità di misura. Una singola risposta può richiedere centinaia o migliaia di decisioni relative alle singole righe.

L’AI per l’esecuzione commerciale deve normalizzare questo linguaggio, confrontarlo con gli SKU approvati e i sostituti e mostrare le evidenze e il livello di confidenza alla base di ogni corrispondenza. Le mappature ad alta confidenza possono procedere rapidamente. Le corrispondenze ambigue o ad alto impatto dovrebbero essere sottoposte alla revisione di una persona.

Questa è product intelligence applicata nel punto preciso in cui i ricavi vengono acquisiti o lasciati sul tavolo.

3. Portare il margine all’interno del workflow

Una gara può essere conforme e distruggere comunque valore.

Quando il prezzo pesa tanto sulla decisione di aggiudicazione quanto mostrano i dati europei, il risultato in termini di margine viene in gran parte determinato al momento della definizione del prezzo, e in gran parte viene determinato alla cieca. La storia delle aggiudicazioni, il comportamento dei competitor e il cost-to-serve tendono a risiedere in sistemi diversi da quello in cui viene assemblata l’offerta, quando vengono acquisiti del tutto.

L’AI per l’esecuzione commerciale deve collegare i dati sulle opportunità con la storia delle aggiudicazioni, il comportamento dei competitor, il cost-to-serve, il rischio di fornitura, i rebate, gli scaglioni di volume, l’esposizione valutaria, l’indicizzazione e la durata del contratto. Dovrebbe modellare scenari, stimare il trade-off tra probabilità di successo e redditività e applicare price corridor, floor di prezzo e regole per le eccezioni.

Gli esseri umani devono rimanere responsabili della strategia commerciale e delle decisioni di walk-away. Il ruolo dell’AI è rendere visibile l’economia abbastanza presto da poter influenzare l’offerta, non riportare l’erosione dopo la firma del contratto.

4. Costruire la risposta intorno alle evidenze

La prosa fluida è facile. Gli impegni difendibili sono difficili.

Un vero sistema di execution dovrebbe trasformare il tender pack in una matrice di conformità strutturata, recuperare risposte, claim ed evidenze approvati, segnalare lacune o artefatti obsoleti, assegnare attività ai team commerciali, legali, qualità e regolatori e preservare il controllo delle versioni, la cronologia delle approvazioni e la tracciabilità delle fonti.

Dovrebbe sapere quando può riutilizzare una risposta approvata, quando un esperto deve convalidarla e quando il sistema deve fermarsi. Nei mercati regolamentati, la supervisione umana non è una concessione a un’AI debole. È il modo in cui la responsabilità diventa scalabile.

5. Imparare dal risultato commerciale

La maggior parte degli strumenti per le gare si ferma alla presentazione dell’offerta. Questo impedisce al sistema di imparare proprio ciò che conta, e ciò che conta è misurabile.

World Commerce & Contracting stima una media del contract value leakage pari al 5,4% e ha rilevato che il 70% degli intervistati riconosce una disconnessione tra il modo in cui i contratti vengono gestiti e il modo in cui viene monitorata la performance finanziaria. Su una base di ricavi contrattualizzati di 500 milioni di euro, significa 27 milioni di euro all’anno che vanno persi in un’area di cui nessuno è responsabile.

L’AI per l’esecuzione commerciale dovrebbe acquisire la decisione di aggiudicazione, il prezzo vincente, il comportamento dei competitor, il feedback dell’acquirente, la performance del contratto e le successive perdite di valore. Questi risultati dovrebbero quindi migliorare il matching delle opportunità future, il punteggio bid/no-bid, le raccomandazioni di pricing e la strategia di risposta.

Senza questo closed loop, gli agenti possono ripetere lo stesso errore dall’aspetto intelligente a una velocità maggiore.

Il modo di misurare i risultati deve cambiare

Il numero di agenti implementati è una metrica di adozione. I documenti generati, i prompt a cui viene data risposta e le ore risparmiate sono metriche di produttività. Sono utili. Non rappresentano il risultato commerciale.

Per i team che si occupano di gare e contratti, le metriche più difficili da misurare sono:

• • opportunità qualificate abbastanza presto da poter agire;
  • copertura delle singole righe e completezza delle risposte;
  • tempo del ciclo decisionale, di approvazione e di presentazione dell’offerta;
  • tasso di successo e margine di contribuzione;
  • contract leakage e performance dopo l’aggiudicazione; e
  • se i team si fidano effettivamente del sistema e lo utilizzano.

Un dato, fornito precisando che è un nostro dato e che è auto-riferito. In un deployment di Vamstar della durata di 12 mesi presso una delle 10 maggiori aziende farmaceutiche globali, anonimizzata ai sensi di un NDA, attiva in 165 mercati, il programma è entrato in funzione in 25 mercati ad alto impatto e ha prodotto un miglioramento del 73% nell’efficienza del processo di contracting, un aumento del 17% del tasso di successo nei mercati in cui è stato implementato e un’espansione del margine del 9% sui ricavi da contratti. L’adozione da parte dei team locali ha raggiunto l’86% nell’arco dell’anno, un dato che conta più di quanto possa sembrare inizialmente: è arrivato dopo un programma interno che aveva assorbito 6 milioni di dollari e quattro anni senza riuscire a raggiungere una scala significativa.

Questi risultati non dovrebbero essere generalizzati a ogni programma. Il punto è più circoscritto e più difficile. L’AI commerciale deve essere responsabile dei risultati di business, non delle dimensioni del proprio catalogo di agenti.

L’infrastruttura è la linea di partenza

Agentic AI diventerà parte dello stack tecnologico aziendale. Le piattaforme orizzontali stanno rendendo più semplice creare e governare gli agenti. Le piattaforme specifiche per dominio stanno dimostrando il valore dell’intelligence di settore nel life sciences. Entrambe sono importanti ed entrambe sono prerequisiti, non destinazioni.

Il vantaggio commerciale verrà creato a un livello più profondo, dove l’AI comprende la gara, il prodotto, il prezzo, le evidenze, la policy di approvazione e il risultato come un unico workflow connesso.

I team commerciali non hanno bisogno dei prossimi cento agenti. Il numero continuerà a crescere, ed è proprio per questo che rappresenta una metrica poco utile. Ciò di cui i team hanno bisogno è un sistema in grado di mantenere la coerenza commerciale di un’offerta dall’opportunità all’aggiudicazione e che sappia quando agire, quando chiedere e quando fermarsi.

I vincitori non saranno le aziende con il maggior numero di agenti. Saranno le aziende con meno opportunità mancate, decisioni più rapide, impegni più difendibili e ricavi di maggiore qualità.

Agentic AI può automatizzare le attività. L’AI per l’esecuzione commerciale deve cambiare il P&L.

Fonti: Medicines for Europe, position paper sulla Direttiva UE sugli appalti pubblici (10 febbraio 2026); comunicato stampa di Gartner, “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027” (25 giugno 2025); comunicato stampa di Gartner, “Gartner Warns of Agent Washing Risks in Supply Chain Planning Technology Market” (20 maggio 2026); World Commerce & Contracting, “Smarter Contracts, Better Margins” (22 settembre 2025); case study di Vamstar, “Redefining Contracting Strategy: AI Enables Pharma Cost Optimization” (consultato il 12 agosto 2026).