Il sito che ti spiega l'AI.
News, strumenti e guide in italiano.
AI nel settore sanitario

MedChemBench di OpenAI: il test che misura l’AI nella chimica medicinale

OpenAI presenta MedChemBench, un benchmark di 99 problemi per misurare se l'AI sa ragionare come un chimico medicinale. Ecco i risultati dei modelli GPT.

Daniele Della Corte
Novembre 21, 2026
Lettura: 6 min
Ricercatore in un laboratorio di chimica con provette e strumenti
fonte: unsplash photo-1581594549595

Il 20 novembre 2026 OpenAI ha presentato MedChemBench, un benchmark pensato per capire se i modelli di intelligenza artificiale sanno ragionare come un chimico medicinale. Non è un esame di nozioni da manuale: i problemi arrivano da ricerche pubblicate e chiedono di collegare la struttura di una molecola alle prove sperimentali disponibili.

Per chi lavora con l’AI applicata alla scienza è una notizia interessante, perché sposta il discorso dalle promesse ai numeri misurabili.

Che cos’è MedChemBench e perché esiste

La chimica medicinale è la disciplina che trasforma una molecola promettente in un possibile farmaco. Il punto di partenza è quasi sempre un compromesso: migliorare una proprietà spesso ne peggiora un’altra. Un composto molto attivo contro una proteina legata a una malattia può essere assorbito male dall’organismo oppure venire demolito troppo in fretta. Come spiega OpenAI, una maggiore attività verso il bersaglio non porta per forza con sé una migliore permeabilità o una degradazione più lenta.

MedChemBench nasce proprio per misurare questa capacità di bilanciare vincoli diversi. Il modello riceve il contesto che i ricercatori avevano a disposizione in un certo momento del programma: il bersaglio biologico, gli obiettivi del gruppo, i composti già studiati e alcuni risultati sperimentali selezionati. Poi deve spiegare, confrontare e prevedere.

Il benchmark misura il ragionamento, non la memoria.

I numeri del dataset

Secondo la pagina ufficiale, il test contiene 99 problemi tratti da letteratura pubblicata. Le fonti sono 117 tra articoli scientifici e brevetti, e in totale compaiono 761 strutture molecolari distinte. Sono cifre contenute rispetto ai grandi benchmark generalisti, ma la scelta è coerente con l’obiettivo: ogni problema richiede una lettura attenta di evidenze reali e una valutazione che non si presta a una semplice risposta a scelta multipla.

Le quattro componenti valutate

La valutazione si divide in quattro parti, ciascuna con compiti e regole di punteggio diversi. La prima riguarda le strutture molecolari: il modello deve assemblare molecole partendo da disegni e gruppi chimici forniti, rispettando i collegamenti tra gli atomi e la stereochimica richiesta. La seconda è il ragionamento scientifico, cioè spiegazioni sostenute dalle evidenze, per esempio il motivo per cui i ricercatori hanno scelto un composto invece di un altro.

La terza componente è il ranking e la selezione: ordinare i composti o sceglierne uno che soddisfi requisiti dichiarati. La quarta è la previsione di proprietà, con valori numerici e categorie confrontati con quelli riportati nelle fonti, sia misurati sia calcolati. Le previsioni numeriche ricevono un credito parziale in base alla vicinanza al valore reale.

Il punteggio finale è espresso come percentuale del credito disponibile, e ogni risposta è un singolo tentativo, senza strumenti esterni, senza feedback e senza nuovi esperimenti.

Un esempio concreto: gli inibitori di PRMT5

L’esempio riportato da OpenAI riguarda gli inibitori di PRMT5, un bersaglio studiato nella ricerca oncologica. Al modello vengono date le strutture e i risultati precedenti, e deve prevedere per tre composti imparentati la potenza sulle cellule, la capacità di attraversare la membrana cellulare e la velocità di degradazione in un test con enzimi del fegato. Gli esperimenti successivi, tenuti nascosti, hanno mostrato che il composto 23 bloccava PRMT5 nelle cellule a una concentrazione più bassa, mentre il composto 24 attraversava la barriera cellulare con più facilità e si degradava più lentamente.

Un chimico esperto sa che queste due informazioni non vanno nella stessa direzione, e il test vuole verificare se il modello lo capisce.

I risultati dei modelli OpenAI

OpenAI ha valutato undici modelli GPT a diversi livelli di sforzo di ragionamento, e tutti condividono l’impostazione xhigh, che permette un confronto diretto. Nell’introduzione la pagina cita per GPT-6.2 Astra un 84,5% del credito disponibile, il valore più alto indicato. Nel confronto dettagliato compaiono invece GPT-6 Astra con l’83,3% a xhigh e l’83,8% con sforzo massimo, GPT-6.1 Sol con l’82,0%, GPT-6.1 Terra con il 75,1% e GPT-5.6 Sol con il 58,2%.

Il divario tra le generazioni è netto. Passare da GPT-5.6 Sol ai modelli più recenti vale oltre venti punti percentuali, e un maggiore sforzo di ragionamento migliora i punteggi, anche se le differenze tra modelli restano ampie. Se vuoi un quadro del modello più recente della famiglia, trovi i dettagli su prezzi e system card nel nostro articolo su GPT-6.2 Astra e Sol.

Dove l’AI è forte e dove no

La scomposizione per componente è la parte più istruttiva. GPT-6 Astra a xhigh ottiene il 95,4% del credito sulle strutture ed è molto bravo a spiegare le evidenze. Su selezione dei composti e previsione numerica delle proprietà, invece, si ferma intorno alla metà del credito disponibile. In altre parole, il modello legge e ricostruisce bene una molecola, ma fatica ancora quando deve decidere quale variante conviene o stimare un valore sperimentale.

L’esempio sulle strutture rende l’idea. Il compito era assemblare una molecola da un nucleo centrale e due gruppi, mantenendo un anello da 18 atomi. GPT-6 Astra ha risposto correttamente in tutte e dieci le prove. GPT-5.6 Sol e GPT-5.6 Luna hanno sbagliato tutte e dieci: il primo ha prodotto un anello da 15 atomi, il secondo ha spezzato la molecola in due frammenti scollegati.

I limiti dichiarati da OpenAI

La parte più onesta della pagina è quella dedicata ai limiti. OpenAI scrive che i risultati non stabiliscono se i modelli siano in grado di scoprire nuovi farmaci o di migliorare le decisioni in laboratorio. Il test lavora su evidenze storiche, quindi non rappresenta la scoperta di farmaci nel mondo reale, e non si può escludere che i modelli abbiano già incontrato le fonti pubblicate durante l’addestramento.

C’è poi il vincolo del tentativo singolo, senza strumenti. In un laboratorio vero un chimico itera, consulta software di modellazione e propone esperimenti. Il benchmark fotografa quindi una capacità di ragionamento di base, non un flusso di lavoro completo. La pagina cita anche un preprint, ma senza indicare titolo, autori o link, e non menziona la pubblicazione di dataset o codice: per ora non risulta un modo per riprodurre il test in autonomia.

Questi limiti contano, e vanno letti accanto ai punteggi alti.

Il contesto: OpenAI e le scienze della vita

MedChemBench si inserisce in un filone che il sito segue da settimane. Qualche giorno fa abbiamo raccontato BioBasicsBench, il test di OpenAI sull’analisi in laboratorio, e prima ancora il modello GPT-6 Rosalind dedicato a biologia e farmaci. Per chi vuole capire il quadro generale della ricerca farmaceutica assistita dall’AI, resta utile la nostra guida alla scoperta di farmaci con l’intelligenza artificiale.

La strategia è leggibile: costruire benchmark specializzati, con problemi tratti dalla ricerca vera, per misurare dove i modelli possono diventare assistenti credibili per gli scienziati. Un benchmark pubblico e rigoroso serve anche a evitare che il settore si affidi a demo spettacolari ma poco verificabili.

Cosa cambia concretamente per te

Se lavori in ambito sanitario, farmaceutico o nella comunicazione scientifica, il messaggio pratico è duplice. Da un lato, i modelli più recenti sono ormai affidabili nel leggere strutture e nello spiegare perché un composto è stato scelto, quindi possono accelerare la revisione della letteratura. Dall’altro, le scelte decisive, come classificare i candidati o stimare proprietà numeriche, richiedono ancora supervisione umana, perché in quelle attività il punteggio resta vicino al 50%.

Per chi si occupa di contenuti e SEO, vale lo stesso principio: quando riporti i risultati di un benchmark, cita sempre il perimetro del test e i suoi limiti, perché è lì che si trova il valore informativo per i lettori.

Conclusioni

MedChemBench non dice che l’AI scoprirà da sola i farmaci di domani, e OpenAI lo scrive chiaramente. Dice però che i modelli di frontiera sanno già ricostruire molecole e ragionare sulle evidenze con un livello di precisione alto, mentre la selezione dei candidati e la previsione delle proprietà restano il vero banco di prova.

Seguirai questa linea di ricerca? Torna a trovarci ogni giorno: continueremo a raccontare i benchmark che contano e a leggerli con occhio critico, perché i numeri dicono qualcosa solo se ne conosci i limiti.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

  • Le guide e le notizie della settimana, divise per rubrica
  • Solo ciò che conta, verificato e spiegato in italiano
  • Niente spam, ti cancelli con un clic

Daniele Della Corte
Rivisto e verificato da

Daniele Della Corte

Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008

Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.

Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.

Scopri la consulenza