Comment l’IA accélère le développement de médicaments et transforme votre pipeline

En 2020, AlphaFold de DeepMind a résolu un problème qui résistait à la biologie structurale depuis 50 ans : prédire le repliement des protéines à partir de leurs séquences d’acides aminés. Ce qui exigeait auparavant des années de cristallographie et de calculs ne prenait plus que quelques secondes. Cette percée montre, parmi bien d’autres avancées, que le développement d’IA permet désormais d’accomplir en sciences de la vie des tâches que les humains ne peuvent tout simplement pas réaliser assez vite, à l’échelle requise par le secteur.

Ce n’était pas une simple preuve de concept, mais un signal fort. Dans tous les secteurs, l’IA transforme le marché du travail à un rythme que peu avaient anticipé, et le développement de médicaments figure parmi les domaines où les enjeux de cette mutation sont les plus élevés.

Le développement de médicaments a toujours été long et coûteux. Dans le secteur, tout le monde connaît le chiffre de 2,6 milliards de dollars. On parle moins de sa cause : la découverte repose encore largement sur l’intuition et les aléas statistiques. L’IA ne résout pas entièrement ce problème, mais elle réduit progressivement les inefficacités les plus importantes, étape par étape.

Où l’IA est réellement utilisée aujourd’hui

Commençons par la découverte des cibles thérapeutiques. C’est là que se perd une grande partie du temps. Identifier la protéine ou la voie biologique sur laquelle un médicament doit agir exige des années de vérification d’hypothèses et d’expériences biologiques. Entraînés sur des données génomiques et protéomiques, les systèmes d’IA accélèrent considérablement cette étape et révèlent en quelques mois des cibles qui auraient pu échapper aux chercheurs pendant des années.

Vient ensuite le criblage moléculaire. Le criblage traditionnel à haut débit teste des milliers de composés. Les modèles d’IA générative en évaluent des millions par calcul, avant toute expérience en laboratoire. Insilico Medicine est passée de l’identification d’une cible à un candidat préclinique en 18 mois. Ce processus prend normalement quatre à cinq ans.

Le repositionnement des médicaments est sous-estimé. BenevolentAI a identifié le potentiel du baricitinib, un traitement contre l’arthrite déjà commercialisé, contre la COVID-19. C’était début 2020, avant l’existence d’un vaccin. Le médicament a obtenu une autorisation d’urgence de la FDA. Cette même capacité d’analyse est désormais appliquée aux maladies rares, pour lesquelles développer un médicament entièrement nouveau n’est souvent pas économiquement viable.

La toxicologie prédictive mérite davantage d’attention. Une grande partie des échecs tardifs concerne des composés qui semblaient prometteurs au départ, mais se révèlent toxiques chez l’humain. Entraînés sur les données historiques d’échec, les modèles d’IA détectent ces signaux plus tôt, avant les phases coûteuses, lorsqu’il est encore possible d’agir.

La conception des essais cliniques est peut-être l’application la plus importante sur le plan commercial, mais reste trop peu évoquée. Recruter les mauvais patients, ou ne pas en recruter suffisamment à temps, compromet la validité statistique des résultats. L’appariement des patients par l’IA répond à ces deux problèmes. Un essai qui recrute plus vite les bons participants évite d’échouer pour des raisons de procédure.

Ce que montrent les données

ÉTAPE	MÉTHODE TRADITIONNELLE	AVEC L’IA
Identification des cibles	2 à 4 ans, sur la base de la littérature	Quelques mois ; analyse à grande échelle de données multiomiques
Génération de molécules candidates	Des milliers de composés testés en laboratoire	Des millions de candidats d’abord évalués par calcul
Du préclinique au candidat	4 à 5 ans en moyenne	18 mois dans des cas documentés faisant appel à l’IA
Prédiction de la toxicité	Détection tardive, corrections coûteuses	Signaux détectés par calcul avant la synthèse en laboratoire
Sélection des patients pour les essais	Manuelle, recrutement lent, modifications du protocole	Correspondance automatisée des critères, recrutement accéléré
Coût global de R&D	2,6 Md$ en moyenne par médicament approuvé	Réduction potentielle de 20 à 40 % selon McKinsey

McKinsey estime que les programmes intégrant l’IA peuvent réduire les coûts globaux de 20 à 40 %, tout en raccourcissant de plusieurs années le parcours entre découverte et essais cliniques. Ces estimations ne reposent pas sur des hypothèses abstraites, mais sur des extrapolations de programmes déjà en cours.

Quatre entreprises qui déploient déjà l’IA à grande échelle

INSILICO MEDICINE De la cible au candidat en 18 mois L’IA générative a permis d’identifier une nouvelle cible et de concevoir un candidat-médicament contre la fibrose pulmonaire idiopathique. Le processus a duré 18 mois et coûté 2,6 M$, bien moins que les standards du secteur. Le candidat est désormais en essais de phase II.	BENEVOLENTAI Repositionnement du baricitinib contre la COVID-19 Une IA fondée sur un graphe de connaissances a identifié le baricitinib comme traitement potentiel contre la COVID-19 début 2020. Une autorisation d’urgence de la FDA a suivi. La même plateforme cible désormais des maladies rares et négligées.
RECURSION PHARMACEUTICALS Dépistage des maladies rares à l’échelle industrielle La vision par ordinateur et le machine learning permettent de réaliser des millions d’expériences cellulaires par semaine et de cartographier les perturbations génétiques. Plus de 1 000 programmes consacrés aux maladies rares ont été étudiés.	MODERNA Séquences d’ARNm conçues par IA Des modèles de machine learning ont optimisé la conception des séquences d’ARNm, améliorant leur stabilité et la réponse immunitaire. Le candidat-vaccin contre la COVID-19 a été conçu en 2 jours. Cette approche s’applique désormais à l’ensemble du portefeuille de développement.

Les difficultés qui restent bien réelles

Quiconque vous promet une transformation sans difficulté grâce à l’IA dans le développement de médicaments omet des éléments essentiels. Les obstacles sont réels et toute évaluation sérieuse d’une plateforme doit en tenir compte.

La qualité des données est la principale cause d’échec de nombreux projets d’IA. Les données pharmaceutiques sont disparates, cloisonnées et annotées de manière incohérente dans des décennies de cahiers de laboratoire, de systèmes anciens et d’archives papier. Elles ne s’intègrent pas directement à un processus moderne de machine learning. Dans la plupart des organisations, leur intégration est plus difficile et plus coûteuse que la création des modèles.

L’incertitude réglementaire constitue l’autre obstacle majeur. Le nouveau cadre de recommandations de la FDA représente une avancée, mais les exigences concernant les preuves générées par l’IA dans les dossiers pharmaceutiques continuent d’évoluer. Si vous déployez l’IA dans votre programme de découverte, il faut déterminer dès maintenant comment présenter ces preuves aux autorités, et non attendre le dépôt de votre demande IND.

La dérive des modèles est également souvent sous-estimée par les équipes achats. Un modèle de génération moléculaire entraîné sur des données de 2022 n’est pas un outil figé : ses performances se dégradent à mesure que les connaissances biologiques évoluent, que les échecs documentés s’accumulent et que les cibles changent. Le réentraînement et la gouvernance exigent un engagement continu et coûteux.

Les critères essentiels pour choisir un partenaire IA

Les échanges avec les fournisseurs portent souvent sur les capacités de leur plateforme. Les questions vraiment importantes concernent son utilisation au quotidien :

• Le modèle peut-il expliquer son raisonnement ? L’interprétabilité est indispensable pour les dossiers réglementaires. Demandez des exemples documentés d’explicabilité en contexte clinique ou réglementaire, et pas seulement une description générale de la méthode.
• Sur quelles données a-t-il été entraîné ? Les bases publiques et les données cliniques propriétaires produisent des profils de performance très différents. Vérifiez la provenance des données d’entraînement ainsi que les lacunes et biais connus avant toute intégration à votre processus.
• Quel est son historique réglementaire ? La plateforme a-t-elle été utilisée dans un programme ayant atteint le dépôt d’une demande IND ou une étape ultérieure ? Une validation universitaire ne remplace pas une véritable expérience réglementaire.
• Comment s’intègre-t-elle à vos systèmes existants ? Remplacer votre LIMS ou votre ELN constitue un projet à part entière. Vérifiez si la plateforme fonctionne avec votre infrastructure actuelle ou impose son remplacement.
• Comment le modèle sera-t-il maintenu après 18 mois ? Obtenez des précisions sur la fréquence du réentraînement, le suivi des performances et les responsabilités de gouvernance une fois le modèle intégré à vos processus.
• À qui appartiennent les résultats ? La propriété intellectuelle des molécules générées par l’IA reste une question juridique émergente, comparable aux débats sur la propriété des données et la gestion des clés dans les cryptomonnaies. Clarifiez ce point dans le contrat avant la première recherche.

Les cinq étapes du développement de médicaments

Pour comprendre où intervient l’IA, il faut d’abord connaître le processus dans lequel elle s’insère. Le développement traditionnel de médicaments comporte cinq étapes distinctes, chacune caractérisée par des taux d’échec élevés et des délais importants.

• Sélection de la cible. Les chercheurs identifient la voie biologique ou la protéine dont dépend une maladie, en analysant les données génomiques et protéomiques pour trouver des cibles à la fois accessibles à un traitement et pertinentes pour la maladie.
• Validation de la cible. Avant toute conception moléculaire, il faut démontrer que la cible influence l’évolution de la maladie. Seules les cibles dont l’intérêt thérapeutique est établi passent à l’étape suivante.
• Découverte et optimisation des molécules principales. Des milliers, voire des millions de composés sont testés sur la cible validée. Les plus prometteurs sont optimisés en matière de puissance, de sélectivité et de sécurité avant de progresser.
• Essais précliniques. Les candidats prometteurs sont étudiés en laboratoire et sur des modèles animaux pour évaluer leur innocuité, leur toxicité et leur comportement biologique avant toute administration à l’humain.
• Essais cliniques et autorisation réglementaire. Le composé est testé chez l’humain au cours de trois phases d’essais, puis soumis aux autorités pour approbation. C’est l’étape la plus longue et la plus coûteuse du processus.

Pourquoi développer un médicament prend plus de 10 ans

Ces délais ne résultent pas uniquement de contraintes administratives. Chaque année supplémentaire reflète la difficulté fondamentale de prédire quels composés fonctionneront chez l’humain. Selon l’analyse de Scilife sur les délais de développement des médicaments, il faut en moyenne 10 à 15 ans entre la découverte et l’autorisation, pour un coût supérieur à 2,5 milliards de dollars.

Les taux d’abandon sont considérables. Dix mille composés entrent en phase de test. Peut-être 10 à 20 atteignent le développement. Une poignée arrive aux essais sur l’humain. Puis 90 % échouent pendant le développement clinique, principalement par manque d’efficacité (40 à 50 %), toxicité (30 %) ou mauvaises propriétés pharmacocinétiques. Près de 80 % des essais ne respectent pas leur calendrier de recrutement. Le processus ressemble à un long entonnoir dont très peu de candidats sortent.

Au moment de l’autorisation, la majeure partie de la durée du brevet est déjà écoulée. Rentabiliser dix ans d’investissement pendant la période d’exclusivité restante n’est pas seulement une contrainte financière : cela influence toutes les décisions commerciales ultérieures.

Les techniques d’IA dans la découverte de médicaments

Une revue de Springer Nature consacrée aux techniques d’IA en recherche pharmaceutique décrit les méthodes concrètement déployées tout au long du processus. Elles sont plus variées que ne l’imaginent la plupart des dirigeants.

Les algorithmes de machine learning identifient les interactions entre médicaments et cibles et réalisent le criblage virtuel, en sélectionnant les molécules selon leur comportement prédit avant toute synthèse. Le deep learning, notamment les réseaux neuronaux convolutifs, permet de concevoir de nouveaux médicaments et de prédire les interactions protéiques. Le traitement automatique du langage analyse la littérature scientifique et les bases cliniques à une échelle inaccessible aux équipes humaines, révélant des liens entre mécanismes pathologiques et composés existants.

L’apprentissage par renforcement suit une autre logique : il optimise les structures moléculaires par essais et erreurs simulés, améliorant progressivement l’efficacité tout en réduisant la toxicité. Les réseaux neuronaux de graphes modélisent les liaisons et interactions atomiques avec une précision auparavant inaccessible. L’IA générative, qui appartient à la même famille que les grands modèles de langage désormais connus du public, peut créer des molécules entièrement nouvelles, absentes de toutes les bibliothèques chimiques existantes.

Applications de l’IA dans le développement de médicaments

Les applications concrètes de l’IA au développement de médicaments couvrent désormais toutes les étapes, et pas seulement la conception moléculaire qui fait les gros titres.

• Identification des cibles. L’IA analyse d’immenses ensembles de données génomiques, protéomiques et biomédicales pour révéler des cibles thérapeutiques que les chercheurs mettraient parfois des années à découvrir. Les modèles de deep learning repèrent dans les données multiomiques des schémas trop complexes pour être détectés manuellement.
• Conception et criblage moléculaires. L’IA générative conçoit de nouvelles molécules candidates, tandis que les modèles de machine learning évaluent par calcul des millions de composés avant toute synthèse en laboratoire. Des années de travail expérimental peuvent ainsi être ramenées à quelques semaines de calcul.
• Simulation préclinique. L’IA prédit le comportement des candidats dans l’organisme : absorption, distribution, métabolisme, excrétion et toxicité, avant les études animales. Une revue de Springer Nature sur les applications de l’IA confirme que cette approche réduit déjà le besoin d’études animales précoces dans certains programmes.
• Repositionnement des médicaments. L’IA analyse les médicaments déjà autorisés face à de nouvelles cibles pathologiques et identifie des possibilités de repositionnement bien plus rapidement que la recherche classique. L’identification du baricitinib par BenevolentAI comme traitement contre la COVID-19 en 2020 en est l’exemple le mieux documenté.
• Optimisation des essais cliniques. L’IA associe les patients aux essais à partir de dossiers médicaux réels, de registres génétiques et de bases de remboursement, réduisant les retards de recrutement. Un agent IA pour la santé peut aussi automatiser la gestion du consentement et les échanges avec les patients pendant toute la durée des essais.
• Contrôle qualité de la fabrication. L’IA surveille en continu les processus de production et signale les écarts avant qu’ils n’entraînent la perte de lots. Maintenance prédictive, optimisation des rendements et détection des contaminations sont déjà utilisées dans l’industrie pharmaceutique, tout comme la blockchain dans l’industrie manufacturière améliore la traçabilité et l’assurance qualité.

Avantages de l’IA dans le développement de médicaments

L’intérêt de l’IA ne se limite pas à la vitesse. L’analyse de Scilife sur ses avantages dans le développement de médicaments recense plusieurs bénéfices qui se renforcent à chaque étape.

• Délais raccourcis. Dans certains cas documentés, l’IA réduit de quatre à cinq ans à 13 à 18 mois le passage de la découverte au candidat préclinique. Le programme de 18 mois d’Insilico Medicine en est la démonstration, mais des gains similaires apparaissent dans tout le secteur lorsque l’IA intervient dès la sélection des cibles.
• Coûts réduits. McKinsey prévoit une réduction de 20 à 40 % des coûts globaux de R&D pour les programmes intégrant l’IA. Les économies viennent de deux sources : des délais plus courts réduisent les frais généraux, et la détection précoce des échecs permet d’écarter les candidats inefficaces avant les phases les plus coûteuses.
• Précision accrue. Les modèles d’IA surpassent les méthodes traditionnelles pour prédire la toxicité, modéliser les interactions médicament-cible et stratifier les patients. Moins de faux positifs progressent dans le processus, ce qui réduit les échecs de phase II dus à des problèmes techniques.
• Moins d’expérimentation animale. La simulation informatique du comportement des médicaments dans les systèmes biologiques réduit déjà le nombre d’études précliniques sur les animaux nécessaires dans certains programmes. Elle diminue les coûts et répond à la pression réglementaire et éthique croissante visant à limiter ces expérimentations.
• Meilleure conception des essais cliniques. L’appariement des patients et l’optimisation des protocoles par l’IA accélèrent le recrutement, améliorent la pertinence des populations étudiées et augmentent les chances de réussite statistique. Ils répondent aux trois principales causes d’échec liées à l’exécution plutôt qu’à la science.

Les enjeux économiques de la découverte de médicaments par l’IA

La réalité financière est plus complexe que ne le suggèrent les annonces de partenariats. L’analyse publiée en 2025 par Drug Target Review sur l’économie de la découverte de médicaments par l’IA le montre clairement : la valeur totale annoncée des accords de partenariat en IA dépassait 15 milliards de dollars, mais les versements initiaux effectifs ne représentaient en moyenne que 2 % de ce montant.

Le versement intégral dépend du franchissement de jalons cliniques et commerciaux par plusieurs candidats médicaments. Le rapport de 50:1 entre la valeur annoncée des accords et les paiements initiaux réels traduit la prudence du secteur, une dynamique comparable à celle de la fintech, analysée dans notre article sur la blockchain dans les paiements, où les promesses dépassent régulièrement les infrastructures éprouvées.

Plusieurs entreprises de découverte de médicaments par IA, pourtant bien financées, ont réduit leurs effectifs de 20 à 30 % en 2025. D’autres ont suspendu leurs programmes cliniques ou fermé définitivement. Le marché a changé : les investisseurs exigent désormais des validations cliniques, pas seulement des algorithmes sophistiqués. La seule maîtrise de l’IA ne suffit plus à obtenir des financements.

Soutien réglementaire aux initiatives d’IA pour la découverte et le développement de médicaments

Les autorités réglementaires évoluent elles aussi. Les analyses du cadre réglementaire soulignent que la FDA élabore déjà des dispositifs d’intégration de l’IA aux environnements cGMP. La tendance est clairement à des procédures formalisées plutôt qu’à des évaluations ponctuelles au cas par cas.

L’avancée majeure date du 6 janvier 2025, lorsque la FDA a publié un projet de recommandations sur l’utilisation de l’IA pour étayer les décisions réglementaires concernant les médicaments et produits biologiques. Ce cadre prévoit une évaluation de crédibilité en sept étapes, impose des plans de maintenance sur tout le cycle de vie et exige la transparence sur les architectures des modèles et les données d’entraînement.

En décembre 2025, la FDA a qualifié son premier outil fondé sur l’IA pour les essais cliniques de développement de médicaments : une plateforme de notation des biopsies hépatiques dans les essais NASH/MASH. Il s’agit d’un outil d’évaluation de la qualité, et non de conception de médicaments. Mais cette première reconnaissance réglementaire officielle de l’IA dans le processus de développement est importante.

Précision importante : ces recommandations excluent délibérément l’IA utilisée dans les premières phases de découverte. Elles visent uniquement les applications qui contribuent aux décisions réglementaires. Cette distinction influence les investissements des entreprises avisées : les outils de recherche précoce ne sont pas soumis au même examen que ceux intégrés à un dossier réglementaire.

État des lieux des résultats cliniques

Les analyses disponibles offrent le bilan le plus lucide de la situation : elles décrivent une année de transition entre les promesses et les preuves.

Le résultat marquant : un médicament entièrement conçu par IA a terminé des essais de phase IIa. Les résultats ont été publiés dans Nature Medicine en juin 2025. Le passage de la cible aux candidats précliniques a pris 18 mois, contre trois à quatre ans habituellement. L’essai a montré une amélioration dépendante de la dose chez les patients atteints de FPI. C’est une véritable étape clinique.

Cependant, l’essai ne comptait que 71 patients et le signal d’efficacité doit être confirmé sur des cohortes plus importantes. Plusieurs autres médicaments conçus par IA ont été rétrogradés dans les priorités, abandonnés après la phase II ou n’ont montré aucun signal d’efficacité. L’IA n’a pas encore démontré qu’elle réduisait le taux d’échec clinique d’environ 90 % de l’industrie pharmaceutique. Pour les deux à trois prochaines années, la question essentielle n’est pas de savoir si l’IA raccourcit les délais précliniques — c’est démontré — mais si elle améliore les taux de réussite clinique.

Défis liés à l’infrastructure et à l’intégration

Les difficultés organisationnelles du déploiement de l’IA à grande échelle dépassent souvent les obstacles techniques. Une analyse des infrastructures cite une enquête dans laquelle 68 % des dirigeants technologiques désignent la mauvaise qualité des données et leur gouvernance comme principale cause d’échec des initiatives d’IA.

Dans l’industrie pharmaceutique, le problème des données est particulièrement aigu. Les cahiers de laboratoire électroniques, les anciens systèmes LIMS et les archives papier communiquent mal entre eux. Une même molécule peut être représentée différemment dans trois bases internes. Les annotations manquent de cohérence, la provenance est incertaine et les restrictions de confidentialité limitent le partage entre organisations ou l’entraînement de modèles communs.

En 2025, les grands groupes pharmaceutiques ont réagi en investissant dans des infrastructures GPU et en lançant des plateformes de partage de modèles d’IA avec leurs partenaires biotechnologiques. Certains ont déployé des scientifiques humanoïdes dotés d’IA dans des laboratoires robotisés. Mais l’intégration des expérimentations physiques et des simulations informatiques reste difficile : les laboratoires autonomes n’ont pas encore démontré leur capacité à découvrir seuls des candidats médicaments validés.

Défis et limites actuels

Une analyse des limites de l’IA dans la découverte de médicaments met en évidence plusieurs problèmes persistants, au-delà de la qualité des données.

L’interprétabilité des modèles est un problème concret, pas seulement théorique. La plupart des systèmes d’IA très performants sont des boîtes noires : ils produisent des résultats sans pouvoir les expliquer. Cela peut convenir aux technologies grand public. Mais dans le développement de médicaments, où la FDA exige désormais explicitement la transparence sur les architectures et les données d’entraînement, c’est un obstacle majeur.

La généralisation est plus difficile que ne le laissent penser les scores des tests de référence. Un modèle entraîné sur une catégorie de maladies ou une famille chimique peine souvent face à des cibles structurellement atypiques, précisément celles qui présentent parfois le plus grand potentiel thérapeutique. De bons résultats sur des jeux de données standards ne se confirment pas toujours dans la découverte réelle de médicaments.

La standardisation des données à l’échelle du secteur reste également loin d’être acquise. Constituer des jeux de données annotés et fiables coûte cher. Les règles de confidentialité limitent les échanges. Les entreprises concurrentes ont peu d’intérêt à coopérer sur une infrastructure bénéficiant à tous. Résultat : même les meilleurs modèles restent limités par la qualité des données utilisées pour leur entraînement.

Enjeux éthiques de l’utilisation de l’IA

L’analyse des questions éthiques liées à l’IA dans la découverte de médicaments soulève des problèmes que le secteur commence à peine à prendre véritablement en compte.

Les biais des données d’entraînement constituent aujourd’hui la préoccupation la plus urgente. Les jeux de données cliniques sous-représentent systématiquement les femmes, les personnes âgées, les groupes ethniques non blancs et les personnes atteintes de maladies rares. En leur absence, les modèles sont moins performants pour ces populations. Dans la découverte de médicaments, cela peut signifier un traitement moins efficace ou présentant un profil de sécurité différent pour les personnes qui en avaient le plus besoin.

La propriété intellectuelle des candidats générés par IA reste juridiquement incertaine. À qui appartient la molécule : à l’entreprise qui a créé le modèle, à celle qui l’a utilisé, ou à personne ? Les tribunaux de plusieurs pays examinent des questions connexes. Il n’existe pas encore de jurisprudence propre à la découverte de médicaments. Mieux vaut régler ce point contractuellement avant la première recherche, et non après.

Troisième enjeu : la responsabilité. Si un modèle d’IA recommande un candidat provoquant des effets indésirables graves lors d’un essai de phase III, qui en répond ? La chaîne de responsabilité est moins claire que dans un programme classique. Il est bien plus simple de définir un cadre de gouvernance avant qu’un incident survienne qu’après.

Perspectives et tendances émergentes

Pour l’avenir, l’analyse des tendances émergentes de l’IA dans la découverte de médicaments identifie plusieurs évolutions qui transformeront le secteur au cours des cinq prochaines années.

La convergence de l’IA et de la biologie progresse plus vite que prévu dans la plupart des feuilles de route. La prédiction des structures ne concerne déjà plus seulement les protéines, mais aussi l’ADN, l’ARN, les anticorps et les interactions moléculaires. La prochaine génération de modèles raisonnera sur des systèmes biologiques complets, et non sur leurs seuls composants. C’est un changement de capacité fondamental.

L’IA multimodale passe des publications scientifiques aux processus opérationnels. Ces systèmes réunissent simultanément des données génomiques, d’imagerie, cliniques et de vie réelle. Mettre en relation le profil génétique d’un patient, ses images médicales et ses antécédents thérapeutiques ne présente pas qu’un intérêt analytique : cela transforme la stratification des patients dans les essais cliniques.

L’apprentissage fédéré est l’une des solutions les plus concrètes au problème des données. Les modèles s’entraînent sur des jeux de données distribués sans que celles-ci quittent leur établissement d’origine, ce qui évite la plupart des difficultés de confidentialité et de concurrence. Plusieurs consortiums pharmaceutiques le testent déjà pour les maladies rares, domaine où aucune entreprise ne dispose seule de suffisamment de données pour créer des modèles utiles.

Dernier élément : les laboratoires robotisés autonomes. Ceux qui bouclent sans intervention humaine le cycle conception–fabrication–test–apprentissage ne sont pas encore pleinement opérationnels : aucun n’a découvert seul un candidat médicament validé. Mais l’écart entre leurs capacités actuelles et l’objectif se réduit plus vite que ne l’imaginaient la plupart des acteurs du secteur il y a deux ans.

Conclusion

Tous les grands laboratoires pharmaceutiques ont désormais une stratégie IA. Ceux qui obtiennent des résultats se distinguent généralement de ceux qui restent au stade pilote sur un point : ils ont cessé de considérer l’IA comme un projet informatique et ont construit une véritable infrastructure d’IA d’entreprise intégrée aux décisions de développement.

Les entreprises qui obtiennent des résultats concrets ont intégré l’IA dès la sélection des cibles, avant toute dépense de laboratoire et toute synthèse. C’est là que se trouve le principal levier. Poursuivre une mauvaise cible pendant trois ans coûte des dizaines de millions et un temps irrécupérable. La détecter par calcul dès le deuxième mois ne coûte presque rien.

La possibilité de prendre une longueur d’avance existe encore, mais pas pour longtemps. Les plateformes validées aujourd’hui deviendront la norme dans cinq ans. Les organisations qui développent dès maintenant ces compétences n’auront donc pas à reconstruire leur infrastructure dans l’urgence. La question n’est pas de savoir si l’IA a sa place dans votre développement, mais si vous l’intégrez à votre rythme ou sous la pression de vos concurrents.