DOSSIER: LIA CAMBIA LA SCIENZA.

LIA italiana che cura, di Cristina Da Rold.

L'autrice  Cristina Da Rold  giornalista scientifica freelance e data-journalist, si occupa di salute ed epidemiologia. Dal 2015  consulente per la comunicazione per lUfficio italiano dellOrganizzazione mondiale della Sanit.

...
In tutta la penisola, una rete di ricercatori sta costruendo la medicina del futuro, tra robot che riabilitano e algoritmi che predicono malattie e leggono risonanze e PET. Senza aspettare la Silicon Valley.

Nel febbraio del 2026 Isomorphic Labs  la spin-off londinese di Google DeepMind nata per applicare lintelligenza artificiale alla scoperta di farmaci  ha annunciato IsoDDE, un sistema che supera persino AlphaFold 3 (presentato sempre da Isomorphic Labs nel 2024) nel prevedere come una molecola si lega a una proteina. Eppure, lannuncio ha lasciato lambiente scientifico con un sapore amaro: nessun codice pubblicato, nessun accesso per i ricercatori, un report tecnico di 27 pagine da cui  impossibile replicare i risultati. Il contrasto con AlphaFold 2, condiviso gratuitamente nel 2021 e usato da centinaia di laboratori nel mondo,  stridente. LIA per la biomedicina si sta trasformando in un asset strategico delle grandi aziende tecnologiche.

Eppure, mentre i riflettori puntano su San Francisco e Londra, succede qualcosa di meno visibile ma non meno importante in una rete di laboratori, ospedali e fondazioni di ricerca distribuiti lungo tutta la penisola italiana. A fronte di decine di migliaia di pubblicazioni da tutto il mondo, le soluzioni che davvero impattano sul paziente o sul processo sanitario sono pochissime, dice Antonio Esposito, vicedirettore scientifico dellIRCCS Ospedale San Raffaele di Milano. Non  pessimismo:  la fotografia fedele di un campo che corre veloce sulla carta e fatica nellapplicazione reale. I motivi sono noti agli addetti ai lavori: la qualit e rappresentativit dei dati, la difficolt di identificare la domanda clinica davvero rilevante, la trasparenza e affidabilit degli algoritmi, la formazione del personale, la complessit dellintegrazione con i sistemi ospedalieri gi esistenti.

Da anni  in alcuni casi da oltre un decennio  ricercatori italiani lavorano su algoritmi capaci di leggere risonanze magnetiche, predire levoluzione di tumori, riabilitare pazienti con lesioni al midollo spinale, guidare il monitoraggio cardiaco. Non aspirano a costruire la prossima piattaforma da miliardi di dollari, ma a qualcosa di pi concreto e forse pi urgente: far s che lintelligenza artificiale arrivi davvero al letto del paziente.


A Messina, lAI-HealthLab guidato da Daniele Rav nasce con un intento preciso: unire la forza dellintelligenza artificiale con le esigenze reali della medicina. Rientrato dallo University College di Londra nel 2024 grazie al programma di rientro dei cervelli, Rav porta con s una specializzazione in computer vision applicata al neuroimaging: luso dellIA per analizzare le risonanze magnetiche del cervello, modellarne levoluzione nel tempo e predire la traiettoria delle malattie neurodegenerative, con lobiettivo di anticiparne gli effetti clinici e migliorare la comprensione di malattie che oggi dispongono di cure ancora limitate.

Il suo approccio parte da unintuizione semplice ma potente: se il cervello di una persona con Alzheimer in stadio precoce mostra caratteristiche strutturali ricorrenti riconoscibili  assottigliamento della corteccia, atrofia dellippocampo, alterazioni della sostanza bianca  un modello addestrato su migliaia di risonanze dovrebbe essere in grado di identificarle prima che i sintomi diventino clinicamente evidenti. I dataset su cui lavorano Rav e il suo team provengono da iniziative pubbliche internazionali come ADNI (Alzheimers Disease Neuroimaging Initiative), che raccolgono immagini ripetute dei soggetti nel tempo, con follow-up a lungo termine; dati preziosi perch permettono di verificare se il modello stava davvero vedendo qualcosa di reale. Sappiamo che cosa il modello avrebbe dovuto predire, spiega Rav. Questo ci permette di capire se stiamo andando nella direzione giusta.

Tutti i modelli prodotti dal laboratorio di Messina sono pubblici su GitHub. Non possiamo competere con DeepMind sui salari o sulle risorse computazionali, ammette Rav. Ma possiamo prendere i loro modelli base, aggiungere conoscenza specifica e migliorare la ricerca. E possiamo farlo in modo aperto.

Di recente il gruppo di Rav ha ricevuto 1,3 milioni di euro dal Fondo italiano per la scienza, per estendere la ricerca verso la multimodalit: integrare non solo le risonanze, ma anche PET (tomografie a emissione di positroni), dati genetici e metadati clinici in modelli capaci di dipingere un ritratto a pi dimensioni del paziente. Un secondo filone riguarda un problema meno visibile ma scientificamente critico: la memorizzazione. I modelli di deep learning, addestrati su grandi dataset di immagini mediche, tendono a memorizzare i singoli campioni su cui si addestrano; il che significa che, se il modello  reso pubblico, attacchi hacker potrebbero permettere a terzi di risalire alle scansioni originali dei pazienti. Rav sta sviluppando metodi per misurare e ridurre questa memorizzazione, contribuendo a una dimensione etica e legale dellIA medica spesso trascurata.

Sul tema malattie rare, a Trieste  in fase di sviluppo INGenIO, progetto coordinato dallArea Science Park e finanziato dal Programma nazionale ricerca, innovazione e competitivit del Ministero dellUniversit e della Ricerca (MUR), che punta a integrare intelligenza artificiale e tecnologie multi-omiche. Lobiettivo  coprire lintero arco della ricerca traslazionale: dalla caratterizzazione molecolare delle malattie rare  attraverso risonanza magnetica e microscopia elettronica  alla modellistica computazionale, fino allidentificazione di nuovi candidati terapeutici. Il progetto coinvolge una rete che va da Salerno a Firenze, da Napoli a Lecce, con la partecipazione dellUniversit Federico II di Napoli, del TIGEM di Pozzuoli, del CNR (Consiglio nazionale delle ricerche) e dellENEA (Agenzia nazionale per le nuove tecnologie, lenergia e lo sviluppo economico sostenibile): un consorzio pensato per tenere insieme competenze di laboratorio, calcolo ad alte prestazioni e conoscenza clinica, con lambizione di accorciare la distanza tra scoperta scientifica e farmaco.

 
Alla Fondazione Bruno Kessler di Trento, Giuseppe Jurman guida ununit che affronta la medicina di precisione da una prospettiva computazionale. I progetti che descrive mostrano una caratteristica che torna spesso nel panorama italiano: la capacit di lavorare non su ununica malattia ma su uninfrastruttura metodologica trasferibile. Gli algoritmi che sviluppiamo hanno una base computazionale comune, spiega Jurman. Non  difficile adattarli a domande cliniche diverse.

Il progetto di punta  un programma nazionale con 28 partner che copre cinque malattie  tumore del colon, tumori del sistema nervoso centrale, tumore del fegato, diabete di tipo 1 e sclerosi multipla  con lobiettivo di sviluppare strumenti per la predizione della sopravvivenza, la diagnosi precoce e la classificazione del rischio. Ma una delle innovazioni pi concrete riguarda lanatomia patologica: la digitalizzazione dei vetrini istologici. Losservazione al microscopio  ancora oggi in larga parte unattivit qualitativa, soggetta allinterpretazione del patologo. La Fondazione Kessler, in collaborazione con lAzienda ospedaliera di Trento, ha messo in funzione uno scanner ad alta risoluzione per digitalizzare i vetrini storici dellospedale; un archivio di biopsie che diventa dimprovviso un dataset per laddestramento di algoritmi di segmentazione e classificazione automatica. Si inizia con i tumori del colon e della mammella, ma lapproccio  progettato per scalare.

Al San Raffaele di Milano, il team multidisciplinare diretto da Antonio Esposito e Carlo Tacchetti ha dato vita a uninfrastruttura per guidare la trasformazione del dato grezzo del mondo clinico reale in una sorgente preziosa di conoscenza e di soluzioni di IA, con reale impatto nei processi di diagnosi e cura. Si chiama S-Race ed  una piattaforma sviluppata in partnership con Microsoft ma di propriet del San Raffaele, collegata in tempo reale a tutti i sistemi informatici dellospedale: cartelle cliniche, immagini radiologiche, esami di laboratorio, cartelle operatorie, dati e immagini di anatomia patologica. Quando un gruppo di ricercatori vuole verificare se esiste la base dati per rispondere a una domanda clinica, non servono mesi di estrazioni manuali: bastano minuti o al pi ore. Poi S-Race gestisce lintero ciclo che va dal dato allalgoritmo  dalla valutazione di fattibilit allo sviluppo, dalla validazione alla trasparenza sul processo decisionale  fino allesposizione clinica, attraverso una dashboard accessibile ai medici autorizzati. La solidit e linnovativit di questa infrastruttura sono confermate da una recente pubblicazione su NPJ Digital Medicine, che ne evidenzia il valore come piattaforma unica, sicura e scalabile, capace di creare conoscenza e modelli, in conformit ai principi di IA responsabile e affidabile.

Tra i 20 e pi studi attivi sulla piattaforma, due esemplificano bene la direzione. Il primo riguarda il tumore renale, malattia con unaggressivit straordinariamente variabile: ci sono forme che non richiederanno mai un intervento chirurgico nella vita del paziente e forme invece gravissime. La difficolt sta nel decidere chi operare e chi no. Il gruppo multidisciplinare, che ha incluso anche il team di urologia, con Alessandro Larcher e Andrea Salonia, ha costruito un modello di machine learning che integra diversi dati clinici comuni, consentendo di predire, prima dellintervento e senza bisogno di dati istologici, lesito del trattamento chirurgico.

Un secondo progetto riguarda la TC coronarica, un esame ormai standard per chi presenta sintomi sospetti per malattie delle coronarie. Circa il 60-70 per cento dei pazienti sottoposti allesame si trova in una situazione intermedia, con aterosclerosi ma senza ostruzione critica, in cui  molto difficile definire precisamente il rischio di infarto. Lalgoritmo sviluppato al San Raffaele estrae dalle immagini della TC quattro caratteristiche radiomiche  misure matematiche di forma, dimensione e texture che locchio umano non pu distinguere  e che discriminano quadri fisiopatologici allapparenza simili, ma legati a un rischio estremamente diverso.  come osservare due quadri  spiega Esposito  uno dipinto da un pittore classico e uno da un impressionista. Sembrano identici da lontano. Ma visti da molto vicino hanno una texture diversa, e i numeri che descrivono le pennellate colgono questa differenza. Le differenze invisibili colte dalla radiomica vengono combinate in un unico indice con forte capacit di predizione del rischio di infarto o di morte negli anni successivi.

Sul fronte delle malattie neurodegenerative, il CNR ha lavorato alluso di algoritmi di machine learning per predire linsorgenza di Parkinson e Alzheimer tenendo conto delle differenze di sesso, una variabile spesso trascurata nei modelli predittivi, con conseguenze rilevanti per la medicina personalizzata. Un altro progetto dellIstituto dei sistemi complessi del CNR, in collaborazione con Sapienza Universit di Roma, ha invece affrontato la sclerosi laterale amiotrofica (SLA), cercando di predire levoluzione della malattia su un arco di due anni. La SLA  caratterizzata da una variabilit estrema: alcuni pazienti perdono la funzione respiratoria entro mesi, altri mantengono una qualit di vita accettabile per anni. Avere un modello capace di stimare questa traiettoria individuale ha implicazioni enormi sia per le decisioni cliniche sia per la qualit di vita del malato e della sua famiglia.

Anche linfrastruttura EBRAINS-Italy, coordinata sempre dal CNR per lItalia come prosecuzione del progetto europeo Human Brain Project, usa strumenti di IA per la ricerca neuroscientifica, in particolare per produrre modelli virtuali del cervello umano (digital twin) capaci di simulare la progressione di malattie neurologiche, stimare la risposta ai trattamenti e valutare biomarcatori senza test invasivi. EBRAINS-Italy  coinvolta nel progetto MNESYS, un partenariato nazionale finanziato dal PNRR che riunisce pi di 800 ricercatori di oltre 90 centri, con lobiettivo di costruire uninfrastruttura integrata per la ricerca su Alzheimer, Parkinson, depressione, disturbi del movimento e malattie dello sviluppo.

Anche al Laboratorio di medical imaging dellIstituto di ricerche farmacologiche Mario Negri di Milano si lavora per sviluppare algoritmi di deep learning per la segmentazione automatica di strutture anatomiche in immagini cliniche. Il laboratorio partecipa per esempio allo studio I3LUNG, un progetto europeo che coinvolge sei centri di eccellenza oncologica su tre continenti volto a costruire uno strumento decisionale per il cancro del polmone, integrando caratteristiche cliniche, genetiche, molecolari e radiologiche di 2000 pazienti arruolati in studi clinici.

Un tema centrale in sanit  quello dei dati sintetici. Ottenere dataset clinici abbastanza grandi per addestrare modelli robusti  difficile per ragioni sia burocratiche che biologiche: alcune malattie rare hanno, per definizione, pochi pazienti; le approvazioni dei comitati etici richiedono mesi; le norme sulla privacy limitano la condivisione tra le istituzioni. LIA generativa offre una via duscita parziale: partire da un piccolo insieme di dati reali  immagini, sequenze genomiche, variabili cliniche  e generare pazienti sintetici che ne condividano le caratteristiche statistiche essenziali ma non siano riconducibili a individui reali. Non li vuoi identici a quelli di partenza  spiega Jurman  ma abbastanza vicini da permetterti di estrarre nuova conoscenza. Questa tecnica, oggi documentata regolarmente su riviste quali Nature, The Lancet e Science, sta diventando uno standard de facto per la ricerca clinica su popolazioni rare.

Humanitas AI Center lavora lungo tre direttrici: estrazione, integrazione e generazione del dato.  tra i partner del progetto europeo SYNTHEMA, che si muove proprio nel campo dei dati sintetici applicati alloncologia ematologica: costruire dataset virtuali che abbiano le propriet statistiche e cliniche dei dati reali ma possano essere condivisi liberamente tra istituzioni. Nel 2025 il progetto ha ricevuto un finanziamento FISA (Fondo italiano per le scienze applicate) dal MUR.

GENOMED4ALL, di cui Humanitas  coordinatore clinico,  invece un progetto europeo che punta a costruire un archivio di dati clinici e genetici in campo ematologico per sviluppare strumenti di supporto alle scelte terapeutiche sui singoli pazienti con tumori del sangue, con peculiare lattenzione alla cosiddetta IA spiegabile (explainable artificial intelligence): lobiettivo non  solo avere un algoritmo che faccia previsioni valide, ma anche capire perch predice quello che predice, condizione necessaria perch il medico possa fidarsi della raccomandazione.

Nello sconfinato spazio dei composti chimici  che si stima contenga tra 1060 e 10100 molecole diverse  i farmaci sinora sviluppati rappresentano poco pi di una manciata di granelli di sabbia.  in questo oceano inesplorato che ricercatori dellUniversit di Padova hanno deciso di cercare nuove molecole per combattere il melanoma, affidandosi al modello di intelligenza artificiale TumFlow. Il sistema, addestrato su dati del National Cancer Institute statunitense,  in grado di generare strutture molecolari inedite  non presenti in alcun database esistente  e di valutarne il potenziale biologico prima ancora che siano sintetizzate in laboratorio. Lintelligenza artificiale non si sostituisce allintuizione del chimico  spiega Stefano Moro, professore di chimica farmaceutica a Padova e tra i coordinatori dello studio  ma ne amplifica limmaginazione, aprendo porte che da soli non avremmo mai saputo dove cercare. Il modello, basato su una tecnica matematica nota come normalizing flow, ha gi dimostrato di saper riscoprire composti oncologici noti, pur non avendoli mai incontrati durante laddestramento: un segnale, secondo i ricercatori, di una capacit genuina di orientarsi nello spazio molecolare.

Sibylla Biotech SpA  una societ di ricerca biotech focalizzata sulla scoperta di farmaci, attualmente in fase preclinica con lobiettivo di arrivare allo sviluppo clinico. La sua ricerca punta a identificare molecole dal potenziale farmacologico che agiscono su un meccanismo del tutto nuovo: Anzich bersagliare le proteine nel loro stato finale come fa la farmacologia tradizionale  spiega Giovanni Spagnolli, cofondatore e chief technical officer (CTO) dellazienda  Sibylla le intercetta durante il protein folding, ovvero il processo di ripiegamento. In questo modo, la proteina bersagliata  riconosciuta dal sistema di controllo di qualit della cellula come mal ripiegata ed  eliminata. Lazienda ha sviluppato metodi computazionali proprietari per simulare a risoluzione atomica gli stati intermedi del folding, combinati con strumenti di IA come il virtual screening accelerato  fino a 100 volte pi rapido  e modelli di supervised learning per ottimizzare le molecole candidate. A questi si aggiungono metodi di design generativo per il disegno semi-automatico di nuovi composti, validati poi sperimentalmente dal laboratorio biologico interno.

Rispetto a strumenti come AlphaFold, la differenza  sostanziale: AlphaFold predice lo stato nativo della proteina dalla sequenza amminoacidica, mentre Sibylla studia il percorso che la proteina compie per arrivarci.

Lintelligenza artificiale non  solo calcolo e predizione. In un corridoio di riabilitazione, pu essere il motore che guida il braccio di un robot mentre un paziente cerca di riapprendere il movimento dopo un ictus, o lalgoritmo che analizza i segnali elettrici del cervello per restituire al midollo spinale limpulso motorio che il trauma ha interrotto.

Fit for Medical Robotics (Fit4MedRob)  un progetto coordinato dal CNR attraverso tre dei suoi istituti (IEIIT, ISTC e STIIMA), con 25 partner complessivi. Lobiettivo dichiarato  rivoluzionare i modelli riabilitativi per persone con ridotte o assenti funzioni motorie, sensoriali o cognitive, coprendo tutte le fasi del percorso, dalla prevenzione alla fase acuta e allassistenza domiciliare nella cronicit.

Al San Raffaele, in questa stessa direzione, nel 2024  nato il Neurotech Hub, la prima iniziativa del genere in Europa: un centro dedicato allimplementazione su larga scala di neurotecnologie e protocolli di neuroriabilitazione basati su interfacce cervello-macchina non invasive. La partnership con il Nicolelis Institute for Advanced Brain Studies brasiliano porta a Milano i protocolli sviluppati da Miguel Nicolelis  il neuroscienziato che aveva fatto muovere a un paraplegico le gambe di un esoscheletro durante il calcio dinizio della Coppa del Mondo di calcio 2014  e li combina con lesperienza clinica di Massimo Filippi nelle malattie neurodegenerative. I protocolli integrano realt virtuale, robotica e tecniche di neuromodulazione non invasiva per il trattamento di lesioni al midollo spinale, Parkinson, sclerosi multipla e ictus. LIA entra nel processo raccogliendo segnali elettrici, analizzandoli con algoritmi di machine learning e restituendo in tempo reale impulsi di feedback per guidare il recupero della funzione perduta.

Anche il Laboratorio trauma spinale acuto e neurorigenerazione dellIstituto Mario Negri affronta una delle malattie neurologiche pi difficili: le lesioni del midollo spinale, condizioni gravi per le quali non esistono ancora terapie risolutive. Lintelligenza artificiale entra qui in un modo insolito: non per prevedere la malattia, ma per misurarla. I tradizionali test di valutazione del recupero motorio soffrono di una soggettivit inevitabile: due ricercatori possono interpretare diversamente lo stesso movimento di un topo con lesione spinale sperimentale. Il gruppo del Mario Negri ha sviluppato un sistema basato su deep learning che analizza flussi video ad alta frequenza ed estrae automaticamente parametri biometrici complessi: ampiezza degli angoli articolari, regolarit del passo, coordinazione dei quattro arti. La stessa logica  applicata allanalisi istologica: algoritmi che classificano in automatico ogni singola cellula nel tessuto lesionato  forma, livello di attivazione, posizione nella zona del danno  trasformando losservazione al microscopio da attivit descrittiva in misurazione quantitativa e riproducibile.

Servono sviluppatori che capiscano la medicina, e medici che capiscano lalgoritmo. LUniversit Vita-Salute San Raffaele ha risposto creando, in collaborazione con il Politecnico di Milano, un corso di laurea magistrale in Health Informatics che forma figure ibride capaci di muoversi tra i due mondi. E la MEDTEC School di Humanitas University ha laureato nel 2025 i primi 42 medici-ingegneri dEuropa, con doppio titolo in medicina e chirurgia e ingegneria biomedica. Humanitas ha poi attivato un percorso di dottorato con il Politecnico di Milano e una laurea magistrale in Data Analytics and AI in Health Sciences con lUniversit Luigi Bocconi, sempre di Milano.

Intanto, ad aprile 2026 si  tenuta per la prima volta anche in Italia una tappa dellHarvard Health System Innovation Lab (HSIL), lhackathon sullintelligenza artificiale in sanit, giunto alla settima edizione e organizzato in contemporanea in oltre 30 paesi. La sede  stata la Fondazione Triulza presso il Milano Innovation District (MIND) del capoluogo lombardo, e la risposta  stata immediata: oltre 400 candidature per soli 100 posti disponibili. I progetti migliori vinceranno laccesso a un Venture Building Program e continueranno la competizione a livello internazionale.

A portare levento in Italia  stata la Societ italiana di intelligenza artificiale in medicina (SIIAM), associazione senza scopo di lucro fondata nel 2023, che ha trovato la sua ragione dessere nella multidisciplinarit. Non siamo una societ solo per medici, spiega il vicepresidente Francesco Baglivo. Tra i nostri quasi 600 soci ci sono data scientist, bioeticisti, matematici, biologi, statistici, oltre a specialisti di circa 30 discipline mediche. Una composizione tuttaltro che casuale, che riflette una convinzione precisa: Per interconnettere i dati bisogna prima connettere i professionisti. SIIAM si propone infatti come piattaforma di formazione e divulgazione, ma anche come osservatorio: tramite partnership con altre societ scientifiche mediche, costruisce una rete che riunisce allo stesso tavolo competenze e istituzioni che di rado dialogano tra loro. Bisogna rompere questi silos, dice Baglivo.
 
Chi lavora nel campo da anni sa che il ritmo del cambiamento  diventato quasi ingestibile. Non puoi permetterti di perderti cinque minuti, sintetizza Jurman con la pragmaticit di chi ogni giorno deve selezionare che cosa leggere in un oceano di pubblicazioni. Ed  sempre Jurman, che lavora anche presso Humanitas, a indicare quella che considera la traiettoria pi significativa dei prossimi mesi: i modelli stanno acquisendo sempre pi autonomia e consapevolezza degli strumenti che hanno a disposizione, in modo progressivo e, per ora, ragionevole. Come queste due cose  i modelli fondazionali multimodali e lagentic AI  evolveranno nel giro di un anno  davvero difficile predirlo, ammette. Oggi lIA agentica [che interagisce con lambiente ed esegue attivit autonome per raggiungere gli obiettivi assegnati, N.d.R.],  usata nella logistica ospedaliera, ma la prospettiva  che sistemi capaci di organizzare in autonomia flussi di lavoro complessi entrino presto anche nel percorso diagnostico e terapeutico.

Sul sito della Food and Drug Administration (FDA) statunitense, nel marzo 2026 risultano approvati per uso clinico 1016 algoritmi di IA. Non tutti funzionano come promettono, non tutti sono stati validati col rigore che meriterebbero. La strada , per usare ancora le parole di Mauro Dragoni, della Fondazione Kessler, bumpy, accidentata: piena di curve, accelerazioni e frenate. Ma la direzione  tracciata.

Sul tema dei gemelli digitali del paziente per esempio  uno degli orizzonti pi discussi della medicina computazionale  la comunit  tuttaltro che unanime. Dragoni resta cauto: Su aspetti organizzativi siamo gi a un buon livello di maturit. Ma sul gemello digitale del paziente sono tiepido. Il motivo  la complessit della fisiologia umana: ogni persona risponde in modo estremamente individuale, e il concetto di digital twin  nato nellindustria manifatturiera, dove la macchina lhai costruita tu e ne conosci ogni parametro. Lessere umano  unaltra cosa. La curiosit c  concede Dragoni  ma forse  una prospettiva per un domani ancora lontano.

Lunico rischio che vedo  un appiattimento della cultura della ricerca, in cui il pensiero critico viene sostituito dalla ricerca casuale, commenta Esposito.  un rischio reale, ma non  destino. La comunit italiana di ricercatori che applica lIA alla biomedicina lavora ancora, nella maggior parte dei casi, seguendo la logica classica della scienza: ipotesi, esperimento, tesi, dove lalgoritmo  uno strumento potente in questo ciclo, non il suo sostituto.

