Mike King, Senior Director, Product & Strategy, IQVIA – Serie di Interviste

Mike King, Senior Director, Product & Strategy, IQVIA, è un dirigente esperto nel settore sanitario e delle scienze della vita con oltre due decenni di esperienza che coprono la strategia di prodotto, gli affari regolamentari, l’assicurazione qualità, le operazioni e la trasformazione aziendale. Prima di entrare in IQVIA nel 2022, King ha ricoperto posizioni di senior leadership presso Dentsply Sirona e GE Healthcare, dove ha supervisionato gli affari regolamentari in mercati internazionali complessi, tra cui Europa, Russia, la Comunità degli Stati Indipendenti (CIS), Israele, Medio Oriente, Africa e Asia. All’inizio della sua carriera, ha ricoperto ruoli nella qualità, nella regolamentazione, nelle operazioni e nel business presso Bio‑Rad Laboratories, Stryker e Accenture, acquisendo una vasta esperienza nell’intersezione tra tecnologia sanitaria, conformità normativa e strategia commerciale.

IQVIA è un fornitore globale di servizi di ricerca clinica, insight commerciali e intelligenza sanitaria al servizio delle industrie delle scienze della vita e della sanità. L’azienda combina grandi volumi di dati sanitari con analisi avanzate, tecnologia, competenza di dominio e le sue capacità di AI di livello sanitario per aiutare le organizzazioni farmaceutiche, biotecnologiche, di dispositivi medici e altre realtà sanitarie a supportare lo sviluppo di farmaci, la ricerca clinica, la commercializzazione e la generazione di evidenze. Attraverso il suo approccio Connected Intelligence, IQVIA mira a trasformare dati sanitari complessi in insight azionabili che possano accelerare l’innovazione e migliorare il processo decisionale in tutto l’ecosistema sanitario.

Il tuo percorso ti ha portato dalla consulenza in Accenture a ruoli di leadership nella qualità e nella regolamentazione presso Stryker, Dentsply Sirona e GE Healthcare, per arrivare ora alla strategia di prodotto in IQVIA. In che modo questa evoluzione ha influenzato la tua visione delle decisioni tecnologiche a lungo termine che le aziende delle scienze della vita stanno prendendo riguardo all’intelligenza artificiale?

La mia carriera finora ha spaziato dalla consulenza alla produzione, alla qualità, agli affari regolamentari globali e alla tecnologia sanitaria, offrendomi l’opportunità di osservare le decisioni tecnologiche da molteplici prospettive di stakeholder. In ogni ruolo, ho constatato che gli investimenti più riusciti sono quelli che collegano le performance operative e commerciali ai risultati per i pazienti. Questo è particolarmente vero per l’AI nel settore delle scienze della vita. Se da un lato i guadagni di efficienza sono importanti, il valore a lungo termine più significativo deriverà dall’utilizzo dell’AI per rafforzare la qualità, la conformità normativa, il processo decisionale e, in ultima analisi, la fornitura di soluzioni sanitarie sicure ed efficaci nei mercati globali.

Affermi che l’AI potrebbe porre fine al tradizionale ciclo di sostituzione tecnologica di cinque‑sette anni. Perché l’introduzione dell’AI rende una piattaforma di qualità o regolamentare più permanente anziché accelerarne la sostituzione?

Tradizionalmente, le aziende sostituivano i sistemi quando era disponibile una funzionalità migliore e quando scadevano i contratti con i fornitori. L’AI modifica questo calcolo accelerando la velocità dell’innovazione tecnologica. Il valore non è più confinato all’applicazione stessa; risiede nei dati, nei flussi di lavoro, nella governance e nella conoscenza istituzionale accumulata in anni di utilizzo. Nel contesto delle Good Practices, o “GxP”, delle applicazioni delle scienze della vita, man mano che le organizzazioni sovrappongono l’AI a processi aziendali convalidati e migliorano continuamente i risultati attraverso una supervisione professionale umana qualificata, creano un asset di intelligenza che diventa sempre più difficile da replicare altrove. In tale ambiente, sostituire una piattaforma non è semplicemente una decisione tecnologica, ma una decisione di ricostruire anni di conoscenza organizzativa accumulata.

In che modo la qualità dell’architettura dei dati e dell’infrastruttura dei flussi di lavoro di un’organizzazione determina se un’implementazione di AI genera valore significativo o semplicemente rafforza le inefficienze esistenti?

L’AI amplifica l’ambiente in cui viene implementata. Se i dati sono frammentati, i processi sono incoerenti e la governance è debole, l’AI si limiterà ad automatizzare e aggravare tali inefficienze. Al contrario, le organizzazioni con flussi di lavoro standardizzati, dati affidabili e una chiara proprietà e governance possono utilizzare l’AI per migliorare efficienza, coerenza, conformità e processo decisionale. La digitalizzazione e la prontezza dei dati rimangono prerequisiti per un’adozione di AI di successo, mentre la governance continua dei dati e dell’AI è essenziale per garantire valore, conformità e fiducia a lungo termine dopo il dispiegamento.

Qual è il paradosso di approvvigionamento che si crea quando un’organizzazione addestra sistemi di AI su anni di dati proprietari di qualità, clinici o regolamentari?

Il paradosso è che più un’organizzazione riesce a ottenere valore dall’AI, più diventa difficile abbandonare la piattaforma che ha permesso quel successo. Anni di dati di qualità, regolamentari e clinici possono diventare un asset competitivo significativo quando combinati con l’AI, ma possono anche aumentare i costi di migrazione. La risposta non è evitare la creazione di valore guidata dall’AI, ma garantire che la proprietà dei dati, l’interoperabilità e la portabilità siano integrate nelle decisioni di approvvigionamento fin dall’inizio.

Tu suggerisci che le decisioni di piattaforma prese nel 2025 o 2026 potrebbero influenzare le strategie tecnologiche ben oltre il 2035. La maggior parte dei leader della conformità, della tecnologia dell’informazione e della finanza tengono adeguatamente conto di questo impegno a lungo termine?

Le aziende delle scienze della vita regolamentate sono abituate a effettuare investimenti a lungo termine. Le decisioni relative a Enterprise Resource Planning (ERP), produzione, qualità, sistemi clinici e regolamentari hanno sempre richiesto orizzonti di pianificazione pluriennali a causa della validazione, del controllo delle modifiche e dell’impatto operativo. L’AI può estendere alcune di queste considerazioni, ma molti senior leader hanno già esperienza nel bilanciare il rischio tecnologico a lungo termine, gli obblighi normativi e il valore di business. La differenza è che l’AI eleva l’importanza strategica dei dati e della governance, piuttosto che cambiare radicalmente la necessità di una pianificazione a lungo termine.

Come dovrebbero le aziende delle scienze della vita distinguere tra “good lock‑in”, in cui dati e intelligenza accumulati creano un vantaggio competitivo, e “bad lock‑in” che limita flessibilità, interoperabilità o potere contrattuale?

Il good lock‑in non riguarda l’impossibilità di abbandonare una piattaforma, ma il desiderio di non farlo perché la piattaforma continua a evolversi, protegge le tue conoscenze proprietarie e consente l’adozione di nuove capacità AI e di flussi di lavoro agent‑native man mano che la tecnologia matura. Il bad lock‑in si verifica quando l’innovazione della soluzione del fornitore esistente si arresta, l’interoperabilità è limitata e anni di conoscenza accumulata rimangono intrappolati in un sistema che non può adattarsi o essere sostituito facilmente. L’obiettivo dovrebbe essere mantenere la proprietà dei dati e dell’intelligenza istituzionale, conservando al contempo la flessibilità di sfruttare la prossima generazione di AI.

Con l’aumento del capitale destinato a AI, manutenzione predittiva e automazione, quali rischi emergono quando le organizzazioni rimandano la sostituzione dei sistemi core invecchiati?

Il rischio più grande è che le piattaforme obsolete diventino colli di bottiglia per l’adozione dell’AI. I sistemi legacy spesso contengono dati frammentati, flussi di lavoro manuali o altamente personalizzati e processi isolati che limitano le opportunità di automazione immediata. Le organizzazioni possono investire in progetti pilota di AI, analisi predittive e agenti intelligenti solo per scoprire che la loro infrastruttura core non è in grado di supportare una distribuzione su larga scala.

Esistono anche rischi aziendali più ampi. Con l’invecchiamento delle tecnologie, il supporto dei fornitori può diminuire, le risorse specializzate diventano più difficili da trovare e i costi di manutenzione aumentano. Parallelamente, il divario tra lo stato attuale e le piattaforme AI di nuova generazione si allarga, rendendo gli sforzi di modernizzazione futuri più complessi e costosi. Le organizzazioni possono trovarsi a investire per mantenere lo status quo senza generare miglioramenti tangibili nelle prestazioni dei processi, nella qualità del prodotto, nei risultati per i pazienti, nella conformità o nell’efficacia commerciale. In molti casi, la modernizzazione e la prontezza all’AI devono progredire insieme, piuttosto che come iniziative separate.

Quali protezioni tecniche e contrattuali dovrebbero le aziende cercare per preservare la portabilità dei dati, la portabilità dei modelli e l’accesso alla loro conoscenza istituzionale nel caso cambino fornitore in futuro?

Le organizzazioni dovrebbero concentrarsi su protezioni contrattuali e tecniche che mantengano la proprietà e l’accessibilità delle loro informazioni. Ciò include capacità di esportazione dei dati chiaramente definite, framework di integrazione aperti, API documentate, tracciabilità dei dati, diritti di migrazione e trasparenza su come i modelli proprietari interagiscono con le informazioni aziendali. La conoscenza istituzionale può diventare uno degli asset più preziosi di un’azienda e deve rimanere portabile, sicura e controllata.

Come dovrebbero i requisiti di validazione normativa e di controllo delle modifiche influenzare le decisioni relative all’aggiornamento, al riaddestramento o alla sostituzione di sistemi abilitati all’AI negli ambienti farmaceutici e dei dispositivi medici?

In ambienti GxP, l’AI non modifica la responsabilità. I professionisti della qualità e della normativa rimangono responsabili della governance, dell’integrità e della conformità dei loro sistemi e processi. Le tecnologie abilitate all’AI devono quindi essere supportate da una governance solida, da una validazione basata sul rischio, da un controllo delle modifiche documentato e da una sufficiente spiegabilità per resistere al vaglio normativo. L’expertise umana qualificata rimane un componente essenziale di governance dell’AI GxP.

Quali criteri di selezione del fornitore dovrebbero le aziende delle scienze della vita dare priorità oggi per garantire che una piattaforma abilitata all’AI rimanga sicura, conforme, adattabile e economicamente sostenibile nel prossimo decennio?

Nell’era delle soluzioni AI GxP per la sanità, le organizzazioni dovrebbero scegliere un partner collaborativo e non semplicemente acquistare un software. La funzionalità conforme è essenziale, ma è altrettanto importante la capacità del fornitore di evolvere la propria soluzione con i progressi tecnologici, proteggendo al contempo i dati dell’azienda, le conoscenze proprietarie e gli obblighi normativi. Le piattaforme vincenti saranno quelle che combinano una profonda competenza nelle scienze della vita con un’architettura flessibile, una governance solida e un percorso chiaro per adottare future capacità AI e agent‑native senza interrompere le operazioni aziendali, compromettere la conformità globale, mantenendo al contempo un impatto positivo sulla sicurezza dei pazienti.

Grazie per la grande intervista, i lettori che desiderano saperne di più dovrebbero visitare IQVIA.