Un médicament qui échoue en essais de Phase III a consommé entre 500 M$ et 1 Md$. L'IA repère le même échec au stade de l'hypothèse, quand la dépense totale reste sous 100 000 $. Près de 40% des dirigeants placent désormais la R&D en tête des fonctions qui profitent de l'investissement en IA.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
L’économie de la R&D traditionnelle est structurée autour d’une asymétrie douloureuse : plus un échec survient tard dans le processus, plus il coûte cher. Une hypothèse qui échoue à la paillasse coûte quelques jours et quelques milliers de dollars. Le même échec identifié lors d’essais cliniques de Phase III a consommé des années et des centaines de millions. Toute la discipline de la R&D par jalons a été conçue pour gérer cette asymétrie : tuer les mauvaises idées le plus tôt possible.
L’IA ne change pas l’objectif. Elle change la vitesse et la précision avec lesquelles les mauvaises idées sont tuées, et l’ampleur avec laquelle les bonnes sont trouvées.
De la recherche étroite à l’espace d’options élargi
La première chose que l’IA change en R&D, c’est l’échelle de la recherche. Les chercheurs humains, si experts soient-ils, sont bornés par ce qu’ils peuvent lire, synthétiser et tester au cours d’une vie professionnelle. Les systèmes d’IA ne le sont pas.
Merck KGaA déploie l’IA pour cribler virtuellement des cibles chimiques dans l’ensemble de sa chimiothèque. Le système peut cribler plus de 60 milliards de cibles chimiques en quelques minutes et produire des listes restreintes que les chimistes évaluent ensuite. Ce qui exigeait auparavant des années de travail expérimental se comprime en une étape de précriblage. La vitesse est le gain le plus faible ; le plus grand est un espace de recherche fondamentalement plus vaste. Merck KGaA rapporte 70% d’économies de temps et de coût grâce à cette approche.
La plateforme de recherche agentique d’Insilico Medicine va plus loin : une conception de médicaments pilotée par l’IA de bout en bout, de l’identification de la cible au candidat préclinique. Le délai moyen de l’entreprise jusqu’au candidat préclinique est désormais de 13 mois, un calendrier qui aurait été jugé invraisemblable dans la R&D pharmaceutique traditionnelle il y a cinq ans.
Échouer tôt ou échouer cher
La structure de coûts de la R&D traditionnelle est une cascade. Chaque étape consomme plus de capital que la précédente. Un candidat médicament qui atteint la Phase III et échoue a absorbé l’essentiel de l’investissement sans aucun retour. L’IA déplace le modèle de coûts en ramenant la détection de l’échec au stade le plus précoce possible.
Le déploiement de l’IA par Lundbeck dans son programme de R&D en neurosciences illustre en pratique le principe de l’échec précoce. L’entreprise a construit un graphe de connaissances intégrant 54 millions de dossiers médicaux, permettant à l’IA d’identifier cibles thérapeutiques et contre-indications avec une identification de cibles 80% plus rapide que la revue de littérature classique. Les cibles qui seraient passées à un travail de laboratoire coûteux sont filtrées dès l’étape de synthèse des connaissances.
Ignota Labs démontre le principe à l’autre bout du calendrier : des candidats médicaments abandonnés après avoir échoué en essais ont été reconçus grâce à l’IA, ce qui les a ramenés dans des programmes cliniques en moins de deux ans pour un coût inférieur à 1 million de dollars. Une reconception classique aurait exigé sept à huit ans et 10 millions de dollars ou davantage. L’IA n’a pas rendu la science plus facile. Elle a raccourci le cycle d’itération.
Des prototypes physiques à la validation virtuelle
Dans toutes les industries de produits, et pas seulement la pharmacie, le rapport WEF/Accenture 2026 constate que l’IA fait basculer les tests de stade précoce du physique vers le virtuel. La logique est constante : jumeaux numériques et simulation peuvent valider l’essentiel de ce à quoi servent les prototypes physiques, pour une fraction du coût et du temps. Les essais physiques sont alors réservés au petit nombre de candidats à forte confiance ayant déjà passé l’examen computationnel.
Landing Med utilise des systèmes de manipulation de liquides pilotés par IA pour automatiser le traitement des cultures cellulaires, portant le débit de criblage de 12 à 60 échantillons par heure (un gain de productivité de 5×) tout en réalisant plus de 13 millions de criblages. Le volume de travail de validation aujourd’hui accessible par le calcul n’était tout simplement pas atteignable à un débit opéré par des humains.
Le déploiement de l’IA par Google dans la R&D logicielle suit la même logique structurelle : les LLM génèrent des interactions de test synthétiques, automatisent les tests de sûreté et se sont montrés capables de traiter environ 12% des signalements en doublon dans les flux de test. Le principe est identique d’un domaine à l’autre : utiliser l’IA pour élargir la surface de test avant d’engager une revue humaine coûteuse.
Des cycles d’apprentissage courts comme modèle opératoire
Le changement le plus profond que l’IA introduit en R&D est l’effondrement de l’intervalle entre hypothèse, test et apprentissage. Les cycles d’apprentissage de la R&D traditionnelle se mesurent en mois ou en années. Ceux de la R&D équipée d’IA se mesurent en jours ou en semaines. Cela change le modèle opératoire d’une organisation de recherche.
SandboxAQ a construit un cochercheur agentique hiérarchique qui fonctionne comme un assistant de recherche continu plutôt que comme un outil ponctuel. Le système mène des investigations parallèles, synthétise les résultats issus de la littérature et des données internes, puis remonte ses conclusions aux chercheurs humains pour évaluation. SandboxAQ rapporte un débit de projets multiplié par 4 et une réduction de 50% du temps de compétition comme conséquence directe.
L’équipement intégral en IA des équipes d’ingénierie et de technologie de JLL démontre le même effet cumulatif hors contexte scientifique. Les équipes de développement frontend rapportent 75–85% de temps économisé sur les tâches routinières, avec une réduction de 30% des ressources à l’échelle du programme. Le mécanisme est identique : l’IA comprime le cycle tester-construire-valider, et la capacité humaine migre vers les décisions qui l’exigent.
Les organisations de R&D qui prennent de l’avance font plus qu’exécuter des outils d’IA : elles redessinent la gouvernance de leur portefeuille, redéfinissent ce qui constitue un échec précoce acceptable et restructurent les jalons de décision autour des sorties de l’IA plutôt que des cycles de revue humaine. La technologie comprime le calendrier. L’architecture organisationnelle détermine si cette compression se traduit en avantage concurrentiel.
Frequently asked questions
How is AI accelerating drug discovery?+
AI enables organizations to screen billions of molecular candidates computationally before committing to lab work. Merck KGaA can virtually screen over 60 billion chemical targets in minutes, narrowing to a shortlist for human review — compressing what previously took years into weeks.
What is virtual-first validation in R&D?+
It means shifting most early testing from physical prototypes to simulations and digital twins, reserving physical testing only for high-confidence candidates. This lowers the cost and cycle time of early R&D, allowing more programmes to run simultaneously.
How much can AI reduce R&D cycle times?+
The WEF/Accenture 2026 report cites 20–80% acceleration in R&D cycle times across product industries, up to 50% reduction in time-to-market, and 70% increase in R&D success rates.
Free download
2026 AI Transformation Executive Brief
The WEF data, distilled. Key findings, adoption stages, and the five structural decisions — in one PDF. Or read it now: The 15% Gap (PDF).