Les grands experts en IA affirment que la plupart des maladies pourraient être guéries dans 5 à 10 ans, mais Bernstein dit d'attendre. Le 26 août, Bernstein a publié un rapport sur l'industrie biopharmaceutique américaine, dressant un bilan systématique des progrès réels de l'IA dans le développement de médicaments : environ 70 projets issus de l'IA ont déjà atteint le pipeline clinique, la majorité restant à un stade précoce ; le véritable test se produira dans les 3 à 5 prochaines années.
Le PDG de DeepMind, Demis Hassabis, a déclaré : « Peut-être que dans 10 ans, l’IA pourra guérir toutes les maladies », tandis que le PDG d’Anthropic, Dario Amodei, est plus audacieux : « Guérir la plupart des maladies humaines dans 5 à 10 ans ». Bernstein estime que ces affirmations ressemblent davantage à une défense de la valeur sociale de l’IA qu’à une évaluation fondée sur la réalité du développement pharmaceutique. Chaque étape — de la découverte de cibles aux essais cliniques, en passant par la capacité du système de santé à les intégrer — constitue un goulot d’étranglement. L’IA pourrait accélérer certains processus, mais la biologie doit finalement être validée dans le corps humain, un rythme que les algorithmes ne peuvent pas compresser.
L'augmentation du taux de réussite est plus précieuse que l'accélération de la vitesse
Bernstein estime que le retour sur investissement généré par une augmentation de 20 % du taux de réussite dépasse largement les économies de temps et de coûts équivalentes. Les coûts des échecs sont concentrés en phase finale ; éviter les échecs vaut plus que d'accélérer le processus.
L'impact de l'IA sur le taux de réussite dépend du problème qu'elle cherche à résoudre. Si l'IA est principalement utilisée pour l'optimisation de molécules sur des cibles connues, le taux de réussite peut augmenter, mais la valeur de ces « problèmes faciles » est limitée. Si l'IA est utilisée pour combattre des maladies réfractaires dont la compréhension biologique est encore insuffisante, même un taux de réussite global faible peut générer une valeur bien plus importante.
Bernstein souligne une conclusion contre-intuitive : plus on utilise l'IA, plus les expériences en laboratoire pourraient être nécessaires. Les problèmes les plus difficiles font face à une pénurie de données d'entraînement, et la génération de nouvelles données exige un investissement important en expériences. L'IA et les expériences en laboratoire sont complémentaires. Le coût d'une expérience en laboratoire supplémentaire est bien inférieur à celui d'un projet échoué en phase avancée.
Stratégie IA des entreprises pharmaceutiques : Eli Lilly la plus étendue, Amgen la plus approfondie, Roche la plus exigeante en termes de puissance de calcul
Bernstein a recensé 183 collaborations en matière de découverte de médicaments par l'IA auprès de 15 grandes entreprises pharmaceutiques. Les stratégies varient considérablement.
Eli Lilly possède le réseau de partenariats externes le plus étendu, avec 25 transactions depuis 2019 et un paiement initial public d'environ 353 millions de dollars américains. Ses partenaires incluent Insilico Medicine, Profluent, Verge Genomics et Genesis Therapeutics. Eli Lilly dispose également du NVIDIA Co-Innovation AI Lab, combinant de manière la plus équilibrée l'ampleur des partenariats externes et la puissance de calcul interne.
Roche figure en deuxième position avec 20 collaborations, se concentrant clairement sur l'oncologie (8) et les neurosciences (4). La fabrique hybride d'IA de Genentech a été qualifiée par Bernstein de « plus grande déploiement local de GPU jamais annoncé dans l'industrie ». La collaboration de Recursion d'un montant de 1,2 milliard de dollars est la plus importante transaction unique.
Amgen a le moins de collaborations externes (5), avec la disposition la plus différenciante en matière d'IA et de puissance de calcul. L'acquisition de deCODE Genetics en 2012 a fourni un moteur de génomique de population de pointe, capable d'identifier et de valider des variants génétiques associés à des maladies afin de prioriser les cibles. Amgen a entraîné cinq modèles linguistiques d'anticorps propriétaires sur un DGX SuperPOD local, créant un avantage évident en matière de données.
AstraZeneca compte 19 transactions, avec une forte concentration économique sur trois accords avec CSPC Pharmaceutical Group, qui représentent la majeure partie des paiements initiaux publics.
Novo Nordisk a concentré ses 10 collaborations entièrement après 2022, dont 7 ciblent les maladies cardio-métaboliques et rénales, ce qui en fait la plus grande entreprise pharmaceutique avec la plus grande focalisation thérapeutique.
Pfizer a le plus de collaborations de type plateforme (9 dans l'ensemble du pipeline), les relations avec des modèles de base d'IA remontent à 2016 avec IBM Watson, aucune collaboration dédiée à la puissance de calcul n'a été identifiée.
Bernstein souligne que tous ces éléments sont des jugements externes, et qu'il est difficile de quantifier l'intégration réelle de la qualité et la transformation culturelle interne.
IA et biotechnologie : les actifs cliniques sont le véritable test
Environ 70 projets issus de sources IA sont principalement axés sur des entreprises cotées, avec des définitions très variées, allant de la réaffectation de médicaments par IA à la découverte de cibles par IA combinée à la conception moléculaire par IA.
Rentosertib d'Insilico est un exemple emblématique de médicament développé par l'IA de bout en bout. La plateforme d'IA PandaOmics a identifié TNIK comme cible de la fibrose pulmonaire idiopathique, tandis que Chemistry42, une IA générative, a conçu la molécule, passant de l'hypothèse cible au candidat préclinique en environ 18 mois. Le médicament est désormais en phase III, avec un résultat principal attendu en octobre 2029, l'un des points de données les plus importants de l'industrie de la pharmacie par IA.
Recursion collabore avec Roche, Bayer et Sanofi grâce à la découverte de cibles pilotée par l'imagerie cellulaire et les omiques.
Generate Biomedicines conçoit des médicaments protéiques ; GB-0895 (anticorps TSLP) est entré en phase III pour valider la capacité des protéines conçues par IA à être transformées en schémas posologiques différenciés.
Relay Therapeutics conçoit des médicaments grâce à la modélisation du mouvement des protéines ; zoogalalisib (inhibiteur de PI3Kα) est en phase III pour évaluer si la sélectivité conformationnelle peut améliorer la fenêtre thérapeutique.
Schrödinger adopte une stratégie privilégiant le calcul physique ; le Zasocitinib (inhibiteur de TYK2) a fait l'objet d'une demande d'autorisation de mise sur le marché. Ce cible est déjà validée cliniquement par le deucravacitinib de BMS, et doit donc être considérée comme un exemple de réussite d'optimisation assistée par le calcul, sans que l'on puisse y voir une percée de l'IA dans la découverte de nouvelles cibles. Le processus, de la sélection de la cible aux essais cliniques, a duré 8 à 10 ans, sans raccourcir la ligne temporelle standard de l'industrie.
Les données d'approbation de la FDA ne reflètent pas encore l'impact de l'IA
L'FDA a approuvé en moyenne 48,5 nouveaux médicaments par an au cours des cinq dernières années, soit environ 43 % de plus que la moyenne annuelle de 33,8 entre 1985 et 2025. Bernstein estime que cela reflète davantage la modernisation réglementaire, l'essor des médicaments biologiques et les effets cumulés des investissements passés en recherche et développement, et que l'IA n'a pas encore eu d'impact visible sur les données d'approbation. Étant donné que les pipelines basés sur l'IA restent de petite taille et que la validation clinique nécessite du temps, cette situation ne changera pas à court terme.
Les conclusions de Bernstein sont pragmatiques. L'IA joue déjà un rôle dans la conception de molécules, le criblage virtuel et la découverte de cibles, avec certains projets précoces entrant dans les phases tardives des essais cliniques. « Guérir toutes les maladies » nécessite de surmonter de multiples obstacles : compréhension biologique, essais cliniques, autorisations réglementaires et capacité du système de santé — ce ne sont pas des itérations d'algorithmes qui peuvent les résoudre. La valeur de l'IA dans la pharmacie réside peut-être dans l'aide à la prise de meilleures décisions, et non dans l'accélération des processus. La vraie réponse attendra encore 3 à 5 ans.
Disclaimer
Ce document est une synthèse et une interprétation réalisées par Chaoxiang Research sur un rapport d'analyse d'un courtier tiers (Bernstein, 26 août 2026), complétée par des informations publiques du marché. Les notations, prix cibles, prévisions de résultats et jugements cités reflètent uniquement les opinions des analystes de ce courtier et représentent la position de leur institution respective ; ils ne reflètent pas les vues de Chaoxiang Research et ne constituent en aucun cas une recommandation d'investissement.
Le marché comporte des risques ; prenez vos décisions de manière indépendante. Ce document ne doit pas servir de base à l'achat ou à la vente de tout titre.
Écrit par Rita