Un Agente AI Multi-RAG di Ricerca Scientifica Clinica che Risparmia 300.000 € l'anno
In sintesi: dal problema alla soluzione
- Il problema: Swiss Natural Med poteva analizzare manualmente solo lo 0,001% dei paper scientifici pubblicati ogni anno, con tempi di risposta clinica fino a 48 ore per ogni singola richiesta paziente.
- La soluzione: un sistema agentico Multi-RAG a tre livelli che integra storico clinico validato, libreria interna proprietaria e accesso in tempo reale a PubMed, con supervisione umana e apprendimento continuo.
- L'impatto: 10.000 paper analizzati al giorno, risposte cliniche in pochi minuti, risparmio stimato di €300.000 l'anno e miglioramento misurabile della qualità dei prodotti.
L'azienda
Swiss Natural Med (SNM) è un'azienda svizzera specializzata nella produzione di integratori alimentari di nuova generazione, con un focus rigoroso su biocompatibilità e formulazioni scientificamente fondate. Sotto la direzione di Derry Procaccini - ricercatore e imprenditore con decenni di esperienza nella nutrizione clinica - l'azienda ha fondato la propria eccellenza su un principio semplice: ogni prodotto deve essere supportato dalla migliore evidenza scientifica disponibile.
Ma quando la migliore evidenza scientifica è distribuita su milioni di paper pubblicati ogni anno, l'eccellenza diventa impossibile da mantenere con i soli mezzi umani.
La sfida: tre colli di bottiglia critici
Prima dell'AI, Swiss Natural Med affrontava tre limiti strutturali che ne frenava la crescita e la qualità del servizio.
Il primo era l'accessibilità dei dati: la lettura manuale permetteva di analizzare solo lo 0,001% dei paper scientifici pubblicati annualmente su PubMed e le principali banche dati. Derry Procaccini passava l'80% della giornata a scaricare e qualificare studi - un lavoro enorme che produceva una copertura microscopica dell'universo di conoscenza disponibile.
Il secondo erano i tempi accademici: le collaborazioni con le università svizzere (SUPSI, USI) - eccellenze riconosciute nell'AI applicata - operavano con cicli di sviluppo semestrali. Troppo lenti per un'azienda che si misura in settimane.
Il terzo era la scalabilità clinica: ogni richiesta paziente su interazioni farmacologiche, dosaggi o controindicazioni richiedeva ore di lavoro specialistico. Un servizio di qualità ma impossibile da scalare senza moltiplicare il costo del personale medico.
0,001% dei paper analizzati · 48 ore per risposta clinica · 3+ ricercatori a tempo pieno necessari
10.000 paper/giorno · risposta in pochi minuti · risparmio stimato €300.000/anno
Il confronto prima e dopo l'implementazione di SNM Clinical Intelligence
La soluzione: SNM Clinical Intelligence
Martes AI ha sviluppato una piattaforma agentiva basata su un'architettura Multi-RAG (Retrieval-Augmented Generation) a tre livelli, progettata per operare con precisione clinica mantenendo sempre la supervisione umana al centro del processo.
Il sistema non interroga un'unica fonte: scala i livelli di profondità in modo dinamico, fermandosi al primo che fornisce una risposta sufficientemente qualificata. Ogni livello è più costoso computazionalmente del precedente - ma anche molto più potente.
Livello 1 - Historical Knowledge
Storico delle risposte già validate dai medici SNM. Il sistema controlla prima se una domanda simile è già stata risposta e validata - garantisce coerenza e velocità massima.
Livello 2 - Evidence Core
Libreria proprietaria di paper già approvati e scored secondo l'algoritmo di ponderazione di SNM. Solo gli studi con score sufficiente entrano in questa libreria.
Livello 3 - PubMed Real-time
Interrogazione via API dell'intera libreria mondiale di PubMed in tempo reale. Accesso immediato a milioni di paper aggiornati, filtrati dall'algoritmo di scoring prima di essere usati.
Human-in-the-loop
Il medico revisiona e valida la risposta prima dell'invio. Ogni correzione ricalibra automaticamente l'algoritmo di ponderazione - il sistema impara da ogni interazione.
Architettura Multi-RAG a tre livelli di SNM Clinical Intelligence
Il sistema di scoring e qualificazione dei paper
Il cuore dell'Evidence Core è un algoritmo di ponderazione proprietario sviluppato insieme a Derry Procaccini. Ogni paper scientifico che entra nel sistema viene valutato su più dimensioni: la qualità metodologica dello studio, i potenziali bias dichiarati, la fonte di finanziamento (studi sponsorizzati dall'industria ricevono uno score ridotto), la dimensione del campione e la riproducibilità dei risultati.
Solo una minima parte degli studi supera la soglia di qualità e viene ammessa nell'Evidence Core. Il problema non era trovare studi - PubMed ne pubblica milioni ogni anno. Il problema era che la stragrande maggioranza è metodologicamente debole, e identificarli umanamente richiedeva ore per ogni singolo paper.
Il flusso di risposta clinica: dalla domanda del paziente all'invio
Il secondo modulo della piattaforma gestisce le richieste cliniche in arrivo dai pazienti. Quando un paziente pone una domanda - su un'interazione farmacologica, un dosaggio, un effetto collaterale - il sistema avvia un processo strutturato in più fasi prima che la risposta raggiunga il paziente.
Domanda del paziente ricevuta
Es. "Insonnia, quale integrazione consigliare?" oppure "Effetti collaterali dolore addominale con Pro-Bio24"
Riformulazione e ricerca Multi-RAG
Il sistema riformula la domanda in query scientifica e interroga i tre livelli in cascata
Bozza di risposta generata con citazioni
La risposta include riferimenti bibliografici precisi agli studi usati come fonte
Quality check medico (Human-in-the-loop)
Il medico revisiona - può approvare, riformulare o correggere. Ogni correzione alimenta il modello.
Risposta inviata al paziente
Scientificamente fondata, personalizzata, con citazioni bibliografiche - in pochi minuti invece di 48 ore
Il flusso completo dalla domanda del paziente alla risposta validata
Il meccanismo di apprendimento continuo
Ogni interazione medico-sistema alimenta un loop di miglioramento supervisionato. Quando il medico revisiona una bozza e la corregge, il sistema registra l'errore, identifica quale fattore di ponderazione ha prodotto quella risposta subottimale, e ricalibra automaticamente i pesi dell'algoritmo.
Il risultato pratico è evidente confrontando le prime settimane con quelle successive: l'86,4% delle risposte viene oggi inviato direttamente come corretto, senza necessità di riformulazione. Una percentuale destinata a crescere con ogni nuova interazione. Come ha spiegato Derry Procaccini nell'intervista, questa capacità di allenamento continuo è ciò che distingue il sistema dalle app generiche testate e trovate inadeguate per un lavoro di questa precisione clinica.
Impatto sulla qualità dei prodotti
Uno degli effetti più sorprendenti del sistema è stato il suo impatto diretto sulla formulazione degli integratori. Con accesso a una base di evidenze molto più ampia e qualificata, il team di SNM ha potuto identificare e correggere problemi di biocompatibilità che prima erano impossibili da rilevare sistematicamente.
Un esempio concreto: il sistema ha evidenziato che integratori con un singolo nutriente ad alto dosaggio - come vitamina B12 o acido folico - creano picchi metabolici che generano squilibri su tutti i cofattori correlati. Una scoperta che ha portato a riformulare diverse linee di prodotto con matrici alimentari più equilibrate, che rispettano i naturali meccanismi di assorbimento del corpo.
Questo tipo di ottimizzazione - che richiede di incrociare centinaia di studi su interazioni tra micronutrienti - sarebbe stato umanamente impossibile da condurre su larga scala senza supporto AI.
I risultati
- 10.000 paper analizzati al giorno: da poche decine di studi manualmente selezionabili a un flusso continuo 24/7, qualificati dall'algoritmo di scoring proprietario prima di entrare nell'Evidence Core
- €300.000 di risparmio stimato annuo: equivalente al lavoro di almeno tre ricercatori a tempo pieno, per un output nettamente superiore in qualità e volume
- Da 48 ore a pochi minuti: i tempi di risposta per richieste cliniche complesse, complete di citazioni bibliografiche precise e aggiornate
- 86,4% di risposte validate al primo tentativo: la percentuale di risposte approvate direttamente senza riformulazione, con trend in crescita grazie all'apprendimento continuo
- Qualità dei prodotti migliorata: ottimizzazione delle matrici alimentari e correzione di squilibri biochimici precedentemente non identificabili su larga scala
Conclusione
Il caso Swiss Natural Med dimostra che l'intelligenza artificiale, quando progettata con rigore e supervisione umana, non sostituisce l'expertise clinica - la amplifica. Derry Procaccini non ha meno lavoro: ha un lavoro migliore. Si concentra sull'intuizione, sui collegamenti tra scoperte, sulla qualità finale del prodotto. Il sistema si occupa del resto.
Per un'azienda che fonda la propria identità sull'eccellenza scientifica, questo non è solo un vantaggio operativo: è un vantaggio competitivo strutturale che nessun concorrente senza AI può replicare a parità di costo.
"Prima passavo l'80% del mio tempo a scaricare e qualificare studi scientifici che spesso si rivelavano metodologicamente deboli. Oggi il sistema analizza migliaia di fonti al giorno, presentandomi solo le evidenze più solide. Non abbiamo sostituito il medico, ma gli abbiamo restituito il tempo per fare il medico."
Vuoi risultati simili per la tua azienda?
Raccontaci la tua sfida. Troveremo insieme la soluzione AI più adatta al tuo business.
Parliamone