Teva e la “proof of value”: come scegliere quale AI portare in 30 stabilimenti

Il 4 novembre 2026 IIoT World ha riportato gli interventi di un panel all’Industrial AI Summit 2026, in cui Maya Schushan-Orgad di Teva Pharmaceuticals ha spiegato come il gruppo seleziona, testa e porta a scala l’intelligenza artificiale nella propria rete produttiva regolamentata. Al panel hanno partecipato anche Adam Procopio (Merck) e Kristen Sauter (Adlib Software); il moderatore era Rick Franzosa (Tech-Clarity). L’articolo di IIoT World precisa che per riassumere i contenuti sono stati usati strumenti di AI.

Il contesto: 30 stabilimenti e circa 300 tecnologie

Teva ha valutato circa 300 tecnologie in un solo anno, attraverso il programma di open innovation “Teva Rise”. Gestisce 30 stabilimenti e le operations pesano per circa il 70% della struttura dei costi: per questo i guadagni di efficienza in fabbrica sono rilevanti per la strategia “Pivot to Growth”, il passaggio dai farmaci generici al biopharma.

Il punto di partenza non è la tecnologia, ma i problemi. Gli esperti operativi hanno indicato per primi i dolori principali: prevedere prima i rischi sulla qualità del prodotto, migliorare l’affidabilità degli asset e prendere decisioni più informate sulla supply chain.

Dalla proof of concept alla proof of value

Una proof of concept si chiede se la tecnologia funziona. La proof of value di Teva aggiunge cinque domande:

• funziona nel nostro ambiente?
• si integra e scala in una rete di stabilimenti eterogenea?
• genera un valore misurabile rispetto al problema individuato?
• può operare in un contesto regolamentato?
• gli utenti possono fidarsi dell’output e agire di conseguenza?

Ogni verifica viene progettata insieme al fornitore, con mappatura dei flussi decisionali e requisiti di tracciabilità inseriti fin dall’inizio. Si controlla se nel sito esistono i dati, se gli operatori riescono a inserire le raccomandazioni nei flussi di lavoro esistenti senza un forte change management e se le metriche di prestazione si traducono in valore per il business. Un sito privo di maturità dei dati o di prontezza dei sistemi viene rimandato, anche quando il fornitore è valido.

Un buon fornitore non basta: se il sito non è pronto, il progetto aspetta.

Il divario tra i fornitori

Secondo quanto emerso, i fornitori con esperienza nel farmaceutico integrano già requisiti normativi, spiegabilità e tracciabilità. Alcuni fornitori di altri settori avevano tecnologia migliore, ma Teva non ha potuto adottarla perché mancavano le funzioni di conformità e fiducia.

La tracciabilità oltre la conformità

Le tracce di dati che soddisfano le autorità di controllo alimentano anche i modelli di manutenzione predittiva, i sistemi di gestione della qualità e i miglioramenti operativi. La tracciabilità progettata fin dall’inizio, quindi, non è solo un costo normativo: diventa una risorsa riutilizzabile.

Cosa può imparare chi gestisce stabilimenti alimentari

Il caso riguarda il farmaceutico, non il food o il settore avicolo, e va letto come esempio trasferibile più che come ricetta diretta. Resta però utile a direttori di stabilimento e di operations che gestiscono molti pilota e devono decidere quali portare a scala. Alcuni spunti pratici:

• partire dai problemi operativi prioritari, non dalle tecnologie disponibili;
• definire in anticipo criteri di valutazione che vadano oltre “funziona”: integrazione, valore misurabile, fiducia degli utenti;
• chiedere ai fornitori, già in fase di pilota, tracciabilità e spiegabilità dei risultati;
• accettare di rimandare i siti non pronti, invece di forzare un’estensione prematura;
• riutilizzare i dati di tracciabilità per qualità e manutenzione.

In sintesi, la lezione di Teva è che scalare l’AI è prima di tutto un problema di selezione: pochi pilota ben progettati, con criteri chiari e tracciabilità integrata, contano più di molti esperimenti isolati.