Ahli AI mengatakan bahwa 5 hingga 10 tahun akan menyembuhkan sebagian besar penyakit, tetapi Bernstein berkata, "Tunggu dulu." Pada 26 Agustus, Bernstein merilis laporan industri biofarmasi AS, yang secara sistematis menguraikan kemajuan nyata AI dalam pengembangan obat: sekitar 70 proyek berbasis AI telah memasuki saluran klinis, sebagian besar masih berada pada tahap awal, dan ujian sebenarnya akan datang dalam 3 hingga 5 tahun ke depan.
CEO DeepMind, Demis Hassabis, mengatakan "mungkin dalam 10 tahun AI dapat menyembuhkan semua penyakit," sementara CEO Anthropic, Dario Amodei, lebih ambisius: "5 hingga 10 tahun untuk menyembuhkan sebagian besar penyakit manusia." Bernstein berpendapat bahwa pernyataan-pernyataan ini lebih merupakan pembelaan terhadap nilai sosial AI, bukan didasarkan pada realitas pengembangan obat. Dari penemuan target hingga uji klinis, hingga kapasitas sistem kesehatan untuk menyerapnya, setiap tahap merupakan bottleneck. AI mungkin mempercepat beberapa tahap, tetapi biologi pada akhirnya harus diverifikasi dalam tubuh manusia, dan ritme ini tidak dapat dikompresi oleh algoritma.
Keberhasilan yang meningkat lebih berharga daripada kecepatan yang dipercepat
Bernstein menghitung, peningkatan tingkat keberhasilan sebesar 20% menghasilkan pengembalian riset dan pengembangan yang jauh lebih besar daripada penghematan waktu dan biaya sebesar jumlah yang sama. Biaya kegagalan terkonsentrasi di tahap akhir, sehingga menghindari kegagalan lebih berharga daripada mempercepat proses.
Dampak AI terhadap tingkat keberhasilan tergantung pada masalah apa yang dipecahkannya. Jika AI terutama digunakan untuk optimasi molekul pada target yang sudah diketahui, tingkat keberhasilan mungkin meningkat, tetapi nilai dari "masalah mudah" semacam ini terbatas. Jika AI digunakan untuk mengatasi penyakit sulit diobati yang pemahaman biologisnya masih belum memadai, meskipun tingkat keberhasilan keseluruhan rendah, nilai yang diciptakan justru lebih besar.
Bernstein menunjukkan kesimpulan yang kontra-intuitif: semakin banyak AI digunakan, semakin banyak eksperimen basah yang mungkin diperlukan. Masalah paling sulit sedang menghadapi krisis kelangkaan data pelatihan, dan menghasilkan data baru memerlukan investasi eksperimen yang besar. AI dan eksperimen basah bersifat saling melengkapi. Biaya melakukan satu eksperimen basah tambahan jauh lebih rendah daripada kegagalan proyek di tahap akhir.
Penempatan AI di perusahaan farmasi: Eli Lilly paling luas, Amgen paling dalam, Roche paling berat dalam hal daya komputasi
Bernstein menghitung 183 kolaborasi penemuan obat AI dari 15 perusahaan farmasi besar. Strategi masing-masing sangat berbeda.
Eli Lilly memiliki jaringan kolaborasi eksternal terluas, dengan total 25 transaksi sejak 2019, dengan pembayaran muka publik sekitar $353 juta. Mitra kolaborasi meliputi Insilico Medicine, Profluent, Verge Genomics, Genesis Therapeutics, dll. Eli Lilly juga dilengkapi dengan NVIDIA Co-Innovation AI Lab, yang menggabungkan cakupan eksternal dan daya komputasi internal secara paling seimbang.
Roche berada di posisi kedua dengan 20 kolaborasi, secara jelas berfokus pada onkologi (8) dan ilmu saraf (4). Pabrik AI campuran Genentech disebut Bernstein sebagai "penempatan GPU lokal terbesar yang diumumkan industri". Kolaborasi Recursion senilai $1,2 miliar merupakan transaksi tunggal terbesar.
Amgen memiliki kemitraan eksternal paling sedikit (5), dengan strategi AI dan daya komputasi internal yang paling diferensiasi. Akuisisi deCODE Genetics pada tahun 2012 menyediakan mesin genomika populasi terdepan di industri, yang mampu mengidentifikasi dan memvalidasi varian genetik terkait penyakit untuk memprioritaskan target. Amgen telah melatih lima model bahasa antibodi propietari di DGX SuperPOD lokal, dengan keunggulan data yang jelas.
Jumlah transaksi AstraZeneca sebanyak 19, dengan ekonomi sangat terkonsentrasi pada tiga perjanjian dengan CSPC Pharmaceutical Group, yang menyumbang sebagian besar pembayaran muka yang diumumkan.
Novo Nordisk memiliki 10 kemitraan yang seluruhnya terfokus setelah tahun 2022, dengan 7 di antaranya menargetkan penyakit kardiovaskular, metabolisme, dan ginjal, menjadikannya perusahaan farmasi besar dengan fokus terpadu di bidang terapi ini.
Pfizer memiliki kolaborasi berbasis platform terbanyak (9 proyek di seluruh pipeline), hubungan dengan model dasar AI dapat ditelusuri kembali ke IBM Watson tahun 2016, tanpa identifikasi kolaborasi kekuatan komputasi khusus.
Bernstein menekankan bahwa semua ini adalah penilaian dari sudut pandang eksternal, dan integrasi nyata terhadap kualitas serta transformasi budaya internal sulit diukur.
AI bioteknologi: Aset klinis adalah batu uji sejati
Sekitar 70 proyek sumber AI terutama berfokus pada perusahaan publik, dengan definisi yang sangat bervariasi, mulai dari repositioning obat AI hingga penemuan target AI ditambah desain molekul AI, dengan cakupan yang sangat luas.
Rentosertib dari Insilico adalah contoh representatif obat AI end-to-end. Platform AI PandaOmics mengidentifikasi TNIK sebagai target untuk fibrosis paru idiopatik, Chemistry42 generatif AI merancang molekul, dari hipotesis target hingga kandidat preklinis memakan waktu sekitar 18 bulan. Obat ini telah memasuki fase III, dengan hasil utama diharapkan pada Oktober 2029, yang merupakan salah satu titik data paling penting dalam industri obat AI.
Recursion bekerja sama dengan Roche, Bayer, dan Sanofi dalam menemukan target yang didorong oleh pencitraan sel dan multi-omik.
Generate Biomedicines merancang obat protein, GB-0895 (antibodi TSLP) telah memasuki tahap III untuk menguji apakah protein yang dirancang AI dapat diubah menjadi skema pemberian yang berbeda.
Relay Therapeutics merancang obat melalui pemodelan gerakan protein; zoogalalisib (inhibitor PI3Kα) telah memasuki tahap III untuk menguji apakah selektivitas konformasi dapat meningkatkan jendela terapi.
Schrödinger menerapkan strategi komputasi fisika terlebih dahulu, Zasocitinib (inhibitor TYK2) telah diajukan untuk persetujuan pemasaran. Target ini telah diverifikasi secara klinis oleh deucravacitinib dari BMS, sehingga lebih tepat dianggap sebagai contoh keberhasilan optimasi yang dibantu komputasi; terobosan AI dalam penemuan target baru belum terwujud di sini. Dari pemilihan target hingga pengujian klinis memakan waktu 8 hingga 10 tahun, tidak memperpendek garis waktu standar industri.
Data persetujuan FDA belum menunjukkan dampak AI
Dalam lima tahun terakhir, FDA rata-rata menyetujui 48,5 obat baru per tahun, meningkat sekitar 43% dibandingkan rata-rata 33,8 obat baru per tahun dari tahun 1985 hingga 2025. Bernstein berpendapat bahwa hal ini lebih mencerminkan modernisasi regulasi, kebangkitan obat biologis, dan efek akumulasi investasi R&D sebelumnya, sementara AI belum menunjukkan dorongan yang terlihat terhadap data persetujuan. Mengingat skala saluran AI masih kecil dan verifikasi klinis masih memerlukan waktu, situasi ini tidak akan berubah dalam jangka pendek.
Kesimpulan Bernstein pragmatis. AI telah berperan dalam desain molekul, penyaringan virtual, dan penemuan target, dengan sejumlah proyek awal memasuki tahap klinis akhir. "Menyembuhkan semua penyakit" memerlukan melewati berbagai hambatan dalam pemahaman biologi, uji klinis, persetujuan regulasi, dan kapasitas sistem kesehatan—ini bukan masalah yang dapat diselesaikan hanya dengan iterasi algoritma. Nilai AI dalam farmasi mungkin terletak pada membantu industri membuat keputusan yang lebih baik, bukan mempercepat proses. Jawaban sejati masih perlu menunggu 3 hingga 5 tahun.
Disclaimer
Artikel ini merupakan rangkuman dan interpretasi oleh Chaoxiang Research terhadap laporan penelitian dari perusahaan sekuritas pihak ketiga (Bernstein, 26 Agustus 2026), yang dikombinasikan dengan informasi pasar publik. Peringkat, harga target, proyeksi keuntungan, dan penilaian terkait yang dikutip dalam artikel ini merupakan pandangan analis perusahaan sekuritas tersebut, yang hanya mewakili posisi institusi mereka, bukan pandangan Chaoxiang Research, dan tidak merupakan saran investasi apa pun.
Pasaran memiliki risiko, keputusan harus diambil secara independen. Artikel ini tidak boleh dijadikan dasar untuk membeli atau menjual sekuritas apa pun.
Penulis: Rita