Laboratori autonomi, primi impieghi in chimica e farmaceutica

Nei laboratori autonomi, robot e algoritmi di intelligenza artificiale pianificano ed eseguono gli esperimenti e scelgono ogni nuova prova in base ai risultati della precedente. Il ricercatore interviene solo nei casi anomali. Nati nelle università, questi laboratori sono oggi impiegati nell'industria chimica e farmaceutica per mettere a punto i processi di produzione dei farmaci e le ricette di vernici e adesivi. Perché si diffondano in altre aziende e in altri settori servono, secondo ricercatori del settore e consulenti scientifici della Commissione europea, il passaggio affidabile dei risultati dal laboratorio alla produzione, standard comuni, regole sull'autonomia dei sistemi e nuove competenze.

Dalla sperimentazione per tentativi al laboratorio autonomo

Lo sviluppo di un materiale, di una reazione chimica o di un processo produttivo procede oggi per tentativi. Il ricercatore pianifica un esperimento, lo esegue, analizza i risultati e decide quali condizioni modificare nel successivo, per esempio la temperatura, i tempi o le quantità dei reagenti. I materiali avanzati sono progettati appositamente per ottenere proprietà migliorate o del tutto inedite, come quelli per le batterie, i semiconduttori o i dispositivi medici. Con i metodi convenzionali il loro sviluppo può richiedere tra 10 e 30 anni (Commissione europea, 2024). Il Gruppo dei consulenti scientifici principali della Commissione europea, sette scienziati indipendenti che forniscono pareri scientifici al Collegio dei commissari, ha pubblicato nell'aprile 2026 un parere sui materiali avanzati. Vi definisce la sperimentazione per tentativi un metodo costoso, che rallenta sia la scoperta dei materiali sia il loro trasferimento alla produzione (Group of Chief Scientific Advisors, 2026).

L'automazione è presente da tempo in alcune fasi del lavoro. Nell'industria farmaceutica la sperimentazione ad alta produttività, che esegue in parallelo molte prove con apparecchiature automatiche, è adottata dagli anni Novanta (Zhu et al., 2025). In questi casi i robot per la manipolazione dei liquidi dosano i reagenti e i programmi di calcolo elaborano le misure, mentre la scelta dell'esperimento successivo resta al ricercatore. Questa configurazione corrisponde al primo dei cinque livelli di autonomia che Tobias e Wahab (2025) descrivono per i laboratori, sul modello di quelli definiti dalla Society of Automotive Engineers per i veicoli a guida autonoma. Al secondo livello il sistema automatizza anche una parte della pianificazione, come la stesura del protocollo sperimentale.

Il laboratorio autonomo inizia dal terzo livello, quando robotica, automazione e intelligenza artificiale pianificano ed eseguono gli esperimenti (Nature Synthesis, 2026a). Il sistema interpreta il risultato di ogni prova e su questa base progetta la successiva, per più cicli consecutivi, mentre il ricercatore interviene solo nei casi anomali. Al quarto livello il sistema aggiorna anche le ipotesi di partenza fornite dal ricercatore. Il quinto livello, un sistema che riceve soltanto obiettivi generali e conduce la ricerca senza altre indicazioni, non è ancora stato realizzato (Tobias, Wahab, 2025).

Un esempio di quarto livello è Adam, il robot scienziato delle università di Aberystwyth e Cambridge. Nel 2009 ha formulato ipotesi sulla funzione di alcuni geni del lievito, le ha verificate con esperimenti propri e ne ha interpretato i risultati. Le ipotesi, controllate poi con esperimenti manuali, si sono rivelate nuove e corrette (University of Cambridge, 2009).

La maggior parte dei laboratori autonomi attuali si colloca al terzo livello ed esegue esperimenti di ottimizzazione, cioè cerca la combinazione migliore di condizioni all'interno di un insieme di variabili definito dal ricercatore (Tobias, Wahab, 2025). Per scegliere l'esperimento successivo si impiegano metodi statistici come l'ottimizzazione bayesiana, che stima come le condizioni di prova influiscano sul risultato misurato e aggiorna la stima dopo ogni esperimento. Secondo Pilon et al. (2026), in questo modo si riduce il numero di prove necessarie per individuare le condizioni migliori.

Risultati nella ricerca universitaria

Nel 2020 il gruppo di Andrew Cooper presso l'Università di Liverpool ha presentato un robot mobile che si sposta in un laboratorio allestito per il lavoro dei ricercatori e ne utilizza gli stessi strumenti. In otto giorni il robot ha eseguito 688 esperimenti per migliorare un fotocatalizzatore, cioè un materiale che sfrutta la luce per accelerare una reazione chimica, in questo caso la produzione di idrogeno. Il fotocatalizzatore individuato era sei volte più attivo delle composizioni di partenza (Burger et al., 2020; University of Liverpool, 2020).

All'Università di Amsterdam il gruppo di Timothy Noël ha sviluppato RoboChem-Flex, una piattaforma costruita con componenti stampati in 3D o disponibili in commercio. Lo studio che la presenta ne fornisce le istruzioni di montaggio e il software è liberamente disponibile. Il sistema ha ottimizzato sei reazioni di quattro tipi, tra cui reazioni attivate dalla luce e reazioni catalizzate da enzimi, e il gruppo ha poi verificato le condizioni individuate su quantità maggiori. In una delle prove RoboChem-Flex ha raggiunto una resa del 71%, cioè il 71% della quantità di prodotto ottenibile in teoria, con un tempo di residenza nel reattore di due minuti. Un altro gruppo di ricerca aveva ottenuto in precedenza la stessa resa in cinque ore (Pilon et al., 2026). Se i campioni si analizzano con gli strumenti già presenti in laboratorio, la piattaforma costa circa 5.000 dollari, mentre i sistemi commerciali con bracci robotici, dosatori di liquidi e pompe superano spesso i 100.000 dollari (Pilon et al., 2026).

Primi impieghi nell'industria chimica e farmaceutica

Nature Synthesis (2026a) ha dedicato il numero di ottobre ai laboratori autonomi nell'industria, con contributi di ricercatori di aziende farmaceutiche, chimiche ed elettroniche. Secondo l'editoriale, gli investimenti in questi laboratori sono diffusi nell'industria, sia tra le imprese di nuova costituzione sia tra i grandi gruppi. Youn-Suk Choi, vicepresidente per la tecnologia del Samsung Advanced Institute of Technology, indica tra i motivi dell'adozione la necessità di accelerare l'innovazione e di far fronte ai vincoli di organico (Nature Synthesis, 2026c).

Nel settore farmaceutico, ricercatori di sette aziende, tra cui AbbVie, AstraZeneca ed Eli Lilly, e dell'Università dell'Illinois a Chicago descrivono applicazioni industriali nello sviluppo dei farmaci. Tra queste ci sono la misura della solubilità dei principi attivi e lo studio delle loro forme solide, cioè delle diverse strutture cristalline che un principio attivo può assumere. Altre riguardano la sintesi elettrochimica e la preparazione di nanoparticelle lipidiche, utilizzate per trasportare farmaci a base di acido ribonucleico (RNA) (Dvivedi et al., 2026).

Il gruppo chimico tedesco Evonik (2026) offre alle aziende farmaceutiche un servizio basato su laboratori autonomi per mettere a punto i processi di produzione dei principi attivi. Un algoritmo di ottimizzazione bayesiana valuta i risultati in tempo reale e sceglie l'esperimento successivo. Gli scienziati supervisionano il processo tramite un'interfaccia che rende tracciabile ogni scelta. Secondo l'azienda, il sistema esegue fino a 100 esperimenti al giorno e prosegue l'ottimizzazione durante la notte. Il 6 ottobre 2026, alla fiera farmaceutica CPHI di Milano, il servizio ha ricevuto il CPHI Pharma Award nella categoria dedicata alla trasformazione digitale.

Il gruppo chimico Covestro (2025a) ha annunciato a marzo 2025 un laboratorio automatizzato per sviluppare, anche insieme ai clienti, le formulazioni di vernici e adesivi. Una formulazione è la ricetta del prodotto. Combina di solito da 7 a 15 componenti, tra cui leganti e reticolanti, e dalla loro combinazione dipendono proprietà come durezza, adesione, opacità, brillantezza e durata. Il laboratorio prepara le formulazioni, applica i prodotti in condizioni climatiche diverse per simularne l'impiego e ne misura le proprietà. È progettato per funzionare 24 ore su 24, con l'obiettivo di eseguire decine di migliaia di prove l'anno.

Un software di apprendimento automatico mette in relazione le composizioni provate, nelle nuove prove e negli studi precedenti, con le proprietà misurate. Su questa base stima quali nuove composizioni possono raggiungere le proprietà richieste al prodotto. Il laboratorio le prepara e ne verifica l'esito (Covestro, 2025a). Secondo l'azienda, il lavoro resta sotto la direzione dei suoi esperti, ai quali spetta la decisione finale (Covestro, 2025b).

Passaggio di scala, integrazione degli strumenti e standard

Il passaggio di scala consiste nel riprodurre un risultato di laboratorio su quantità via via maggiori, fino alla produzione industriale, e ne costituisce spesso il punto critico. Zhihao Wang e Xiaonan Wang (2026) propongono che i laboratori autonomi tengano conto della scala fin dall'inizio, collegando i risultati di laboratorio alle successive fasi di prova e di sviluppo del processo. Ogni combinazione di condizioni verrebbe così classificata come pronta per la prova su scala maggiore, da scartare perché incompatibile con i vincoli industriali oppure da approfondire per ridurre l'incertezza legata alla scala.

Il funzionamento in autonomia richiede inoltre che gli strumenti del laboratorio si scambino dati e comandi senza passaggi manuali. Secondo i ricercatori delle aziende farmaceutiche, molti sensori non sono compatibili con gli altri apparecchi e ogni strumento registra le misure in un formato proprio (Dvivedi et al., 2026). Tobias e Wahab (2025) aggiungono che le interfacce di programmazione, cioè i comandi con cui un software controlla uno strumento, cambiano da un fabbricante all'altro. Per coordinare le procedure servono quindi programmi di gestione complessi, che collegano gli strumenti in un'unica sequenza di lavoro. Per gli strumenti autocostruiti su progetti condivisi liberamente, il lavoro di integrazione spetta a chi li monta. Mancano anche procedure operative standard e una comunità di utenti a cui rivolgersi in caso di guasti (Tobias, Wahab, 2025).

Per i consulenti della Commissione, la mancanza di standard riduce l'affidabilità dei risultati. Non esistono metodi comuni per quantificare l'incertezza delle misure, né interfacce e protocolli di comunicazione condivisi tra gli strumenti. La taratura degli apparecchi resta instabile e la riproducibilità tra sedi diverse è limitata (Group of Chief Scientific Advisors, 2026).

In un commento pubblicato nello stesso numero di Nature Synthesis, Brandon Sutherland, Varinia Bernales e Alán Aspuru-Guzik (2026) individuano il punto in cui oggi la ricerca rallenta. Secondo gli autori, la scoperta di nuovi materiali è limitata soprattutto dal tempo necessario per produrre, analizzare e convalidare i materiali promettenti nelle quantità richieste dalle applicazioni. Sintesi più rapide, decisioni migliori in condizioni di incertezza e un trasferimento affidabile dal laboratorio alla produzione dipendono quindi da un sistema coordinato di standard, dati condivisi e infrastrutture per il trasferimento tecnologico. Secondo gli autori, nessun laboratorio, azienda o ente pubblico può costruirlo senza gli altri.

Sicurezza e competenze

Chen, Li, Lin e Jiang (2026), dell'Università di scienza e tecnologia della Cina e di China Energy Investment Corporation, sostengono che un laboratorio autonomo industriale richieda, oltre a robot e strumenti sicuri, regole sull'autonomia del sistema. Queste regole stabiliscono come un'indicazione generata dall'intelligenza artificiale diventa un esperimento eseguibile, come le azioni vengono monitorate e come i risultati si trasformano in una base affidabile per lo sviluppo successivo.

Secondo Tobias e Wahab (2025), coordinare questi sistemi richiede competenze di programmazione in genere poco diffuse tra i ricercatori di chimica e biologia, e ciò rende i laboratori autonomi meno accessibili, soprattutto per gli enti più piccoli. Nessa Carson, intervistata nello stesso numero di Nature Synthesis (2026b), ritiene necessari nell'industria gruppi che uniscano chimica, scienza dei dati e ingegneria, insieme a una gestione rigorosa dei dati sperimentali.

In Europa queste competenze sono scarse. Secondo i consulenti della Commissione mancano ingegneri dell'automazione di laboratorio e responsabili della gestione dei dati, e la carenza di competenze digitali e di conoscenza delle norme rallenta la digitalizzazione e l'adozione dell'intelligenza artificiale (Group of Chief Scientific Advisors, 2026).

Sugli effetti per i ricercatori, Ross King, tra i pionieri della disciplina e tra gli autori di Adam, ipotizza che nei prossimi dieci anni circa i laboratori autonomi, più che sostituire gli scienziati, ne aumenteranno con ogni probabilità la produttività. Secondo Tobias e Wahab (2025), che lo hanno intervistato, cambierà soprattutto il lavoro dei ricercatori più giovani, che oggi svolgono la maggior parte delle attività ripetitive di laboratorio.

Sintesi e prossimi sviluppi

I laboratori autonomi attuali ottimizzano soprattutto condizioni definite dal ricercatore (Tobias, Wahab, 2025). Nell'industria i primi impieghi riguardano la messa a punto dei processi di produzione dei farmaci e delle formulazioni di vernici e adesivi (Evonik, 2026; Covestro, 2025a).

Per l'Europa, i consulenti della Commissione raccomandano di creare strutture di sperimentazione per laboratori autonomi dotate di linee pilota aperte, cioè impianti sperimentali su scala ridotta condivisi tra più utenti. Programmi di finanziamento dedicati permetterebbero a piccole e medie imprese e istituti di ricerca di accedere ad attrezzature che singolarmente non potrebbero sostenere. Le strutture sarebbero progettate fin dall'inizio per gestire l'incertezza dei risultati, e la loro efficacia si misurerebbe con indicatori come la durata del ciclo di sviluppo e l'energia consumata per ogni nuovo materiale individuato (Group of Chief Scientific Advisors, 2026).

I consulenti osservano inoltre che la Cina ha acquisito una posizione di primato nei laboratori autonomi (Group of Chief Scientific Advisors, 2026). In Corea del Sud il Ministero del Commercio, dell'Industria e dell'Energia ha fissato nel 2024 l'obiettivo di introdurre 500 laboratori autonomi entro il 2030 (Hwang et al., 2026).

Il parere richiama infine l'Advanced Materials Act, la proposta legislativa che la Commissione prevede di presentare entro la fine del 2026 (Parlamento europeo, 2026). Secondo la Commissione europea (2025), l'atto dovrebbe ridurre i tempi di sviluppo dei materiali avanzati, un obiettivo al quale, per i consulenti, i laboratori autonomi possono contribuire (Group of Chief Scientific Advisors, 2026).

Fonti

Commissione europea (2024): Advanced Materials for Industrial Leadership, comunicazione COM(2024) 98, 27 febbraio 2024

Commissione europea (2025): Commission seeks feedback on future Advanced Materials Act, notizia, 21 ottobre 2025

Group of Chief Scientific Advisors (2026): Advanced Materials, Scientific Opinion n. 18, aprile 2026

Parlamento europeo (2026): Advanced Materials Act, Legislative Train Schedule, aggiornamento del 20 settembre 2026

Nature Synthesis (2026a): The road to self-driving laboratories in industry, editoriale, 8 ottobre 2026

Nature Synthesis (2026b): Autonomous laboratories and digital chemistry in industry, intervista a Nessa Carson a cura di Peter Seavill, 20 luglio 2026

Nature Synthesis (2026c): Self-driving labs for research and development in industry, intervista a Youn-Suk Choi a cura di Jet-Sing Lee, 22 maggio 2026

Dvivedi, S., Minocha, N. et al. (2026): Towards self-driving laboratories in the biopharmaceutical industry, Nature Synthesis, 4 agosto 2026

Chen, L., Li, X., Lin, Q., Jiang, J. (2026): Self-driving laboratories need an autonomy safety harness, Nature Synthesis, 22 luglio 2026

Wang, Z., Wang, X. (2026): Scale-aware self-driving laboratories for multiscale process development, Nature Synthesis, 29 luglio 2026

Sutherland, B. R., Bernales, V., Aspuru-Guzik, A. (2026): Accelerating synthesis at scale requires a coordinated ecosystem, Nature Synthesis, 26 agosto 2026

Pilon, S., Savino, E., Bayley, O. M. et al. (2026): A flexible and affordable self-driving laboratory for automated reaction optimization, Nature Synthesis, 13 aprile 2026

Tobias, A. V., Wahab, A. (2025): Autonomous 'self-driving' laboratories: a review of technology and policy implications, Royal Society Open Science, 16 luglio 2025

Zhu, J., Huang, K., Pipe, J., Horbaczewsky, C., Tyrrell, A., Fairlamb, I. J. S. (2025): Rise of the Robochemist, preprint arXiv 2510.10337, ottobre 2025

University of Cambridge (2009): Robot scientist becomes first machine to discover new scientific knowledge, comunicato stampa, 2 aprile 2009

Burger, B., Maffettone, P. M. et al. (2020): A mobile robotic chemist, Nature, 8 luglio 2020

University of Liverpool (2020): Experiment too big? Hire a mobile robot scientist, comunicato stampa, 8 luglio 2020

Hwang, J. et al. (2026): Self-driving laboratories in Korea: a new era of autonomous discovery, Digital Discovery, 18 marzo 2026

Evonik (2026): Evonik wins CPHI Pharma Award 2026 for Self Driving Labs, comunicato stampa, 7 ottobre 2026

Covestro (2025a): Covestro to open automated laboratory for developing coating and adhesive formulations, comunicato stampa, 25 marzo 2025

Covestro (2025b): Thomas Büsgen Interview, Status Next, 7 maggio 2025