Comment l'IA comprime le calendrier de R&D d'une décennie

01 — De la recherche restreinte à l’espace d’options élargi

La première chose que l’IA change dans la R&D, c’est l’échelle de la recherche. Les chercheurs humains, aussi experts soient-ils, sont limités 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 sa bibliothèque de composés. Le système peut cribler plus de 60 milliards de cibles chimiques en quelques minutes, en identifiant des listes restreintes que les chimistes évaluent ensuite. Ce qui nécessitait auparavant des années de travail expérimental est comprimé en une étape de présélection. Le résultat n’est pas seulement une question de vitesse — il s’agit d’un espace de recherche fondamentalement plus vaste. Merck KGaA fait état de 70 % d’économies en temps et en coûts 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 pour atteindre un 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.

02 — Échouer tôt ou échouer chèrement

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 la majeure partie de l’investissement sans aucun retour. L’IA modifie le modèle de coûts en déplaçant la détection des échecs au stade le plus précoce possible.

Le déploiement par Lundbeck de l’IA 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 les cibles thérapeutiques et les contre-indications avec une identification des cibles 80 % plus rapide qu’une revue de littérature conventionnelle. Les cibles qui auraient progressé vers un coûteux travail de laboratoire sont filtrées au stade de la synthèse des connaissances.

Ignota Labs démontre ce principe à l’autre extrémité du calendrier : des candidats-médicaments abandonnés ayant échoué en essais ont été reconçus grâce à l’IA, les ramenant à des programmes cliniques en moins de deux ans, pour un coût inférieur à 1 million de dollars. Une reconception conventionnelle aurait exigé sept à huit ans et 10 millions de dollars ou plus. L’IA n’a pas rendu la science plus facile. Elle a raccourci le cycle d’itération.

03 — Des prototypes physiques à la validation virtuelle

Dans l’ensemble des industries de produits — pas seulement la pharmacie — le rapport WEF/Accenture 2026 constate que l’IA fait passer les tests en amont du physique au virtuel. La logique est constante : les jumeaux numériques et la simulation peuvent valider la plupart de ce à quoi servent les prototypes physiques, à une fraction du coût et en une fraction du temps. Les tests physiques sont alors réservés au petit nombre de candidats à haute confiance ayant déjà passé l’examen computationnel.

Landing Med utilise des systèmes de manipulation de liquides pilotés par l’IA pour automatiser le traitement des cultures cellulaires, augmentant le débit de criblage de 12 à 60 échantillons par heure — une amélioration de productivité de 5× — tout en réalisant plus de 13 millions de criblages. Le volume de travail de validation désormais accessible par voie computationnelle n’était tout simplement pas réalisable au débit d’un opérateur humain.

Le déploiement par Google de l’IA dans la R&D logicielle suit la même logique structurelle : les LLM génèrent des interactions de test synthétiques, automatisent les tests de sécurité, et il a été démontré qu’ils traitent environ 12 % des problèmes en double dans les flux de test. Le principe — utiliser l’IA pour élargir la surface de test avant de s’engager dans une coûteuse revue humaine — est identique d’un domaine à l’autre.

04 — Les cycles d’apprentissage courts comme modèle opérationnel

Le changement le plus profond que l’IA introduit dans la R&D n’est ni la vitesse ni l’échelle prises isolément. C’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. Les cycles d’apprentissage de la R&D dotée d’IA se mesurent en jours ou en semaines. Cela transforme le modèle opérationnel d’une organisation de recherche.

SandboxAQ a construit un co-chercheur 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 à partir de la littérature et des données internes, et remonte les découvertes aux chercheurs humains pour évaluation. SandboxAQ fait état d’un débit de projets 4× supérieur et d’une réduction de 50 % du temps de compétition comme résultat direct.

L’activation de l’IA de bout en bout par JLL pour ses équipes d’ingénierie et de technologie démontre le même effet cumulatif dans un contexte non scientifique. Les équipes de développement front-end font état de 75 à 85 % de gains de temps sur les tâches routinières, avec une réduction de 30 % des ressources sur l’ensemble du programme. Le mécanisme est identique : l’IA comprime le cycle test-construction-validation, et la capacité humaine migre vers les décisions qui l’exigent.

Les organisations de R&D qui prennent de l’avance ne se contentent pas d’exploiter des outils d’IA. Elles reconçoivent la gouvernance de portefeuille, redéfinissent ce qui constitue un échec en amont acceptable et restructurent les points de décision autour des sorties de l’IA plutôt qu’autour des cycles de revue humaine. La technologie comprime le calendrier. C’est l’architecture organisationnelle qui détermine si cette compression se traduit en avantage concurrentiel.