第III相試験で失敗する薬剤には5億～10億ドルが費やされている。AIは同じ失敗を、総支出が10万ドル未満の仮説段階で特定する。現在では経営幹部の約40%が、AI投資から最も恩恵を受ける機能としてR&Dを挙げている。
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
従来のR&Dの経済性は、ある痛みを伴う非対称性を軸に構造化されている。すなわち、プロセスの後段で失敗が起きるほど、そのコストは大きくなる。実験台で潰れる仮説にかかるのは数日と数千ドルだ。同じ失敗が第III相臨床試験で判明した場合、そこには数年と数億ドルが費やされている。ステージゲート型R&Dという規律全体は、この非対称性を管理するために設計されてきた——悪いアイデアをできるだけ早期に排除するためだ。
AIはこの目標を変えるものではない。それが変えるのは、悪いアイデアが排除される速度と精度、そして良いアイデアが見出される範囲の広さである。
01 — 狭い探索から拡張された選択肢空間へ
AIがR&Dにおいてまず変えるのは、探索の規模である。人間の研究者は、どれほど専門的であっても、生涯の職務期間に読み、統合し、検証できる範囲に制約される。AIシステムはそうではない。
Merck KGaAは、自社の化合物ライブラリ全体にわたる化学ターゲットを仮想スクリーニングするためにAIを展開している。同システムは600億を超える化学ターゲットを数分でスクリーニングでき、その後に人間の化学者が評価する候補リストを絞り込む。従来なら数年の実験作業を要したものが、事前スクリーニングという一段階に圧縮される。その結果は単なる速度にとどまらない——根本的により広い探索空間である。Merck KGaAは、このアプローチにより時間とコストで70%の削減を報告している。
Insilico Medicineのエージェント型研究プラットフォームは、これをさらに進める。ターゲット特定から前臨床候補までを一気通貫でAIが駆動する創薬設計だ。同社の前臨床候補までの平均期間は現在13ヶ月であり、これは5年前の従来型製薬R&Dでは実現不可能とみなされていた期間である。
02 — 早期に失敗するか、高コストで失敗するか
従来のR&Dコスト構造はカスケード(連鎖)である。各段階は前段階よりも多くの資本を消費する。第III相まで到達して失敗した薬剤候補は、投資のほとんどを吸収しながら、リターンをまったく生まない。AIは、失敗の検出を可能な限り早い段階へ移すことで、このコストモデルを転換する。
Lundbeckが神経科学R&Dプログラム全体にAIを展開した事例は、早期失敗の原則を実践において示している。同社は5,400万件の医療記録を統合したナレッジグラフを構築し、AIが従来の文献レビューよりも80%高速なターゲット特定で創薬ターゲットと禁忌を特定できるようにした。従来ならコストのかかる実験作業へと進んでいたはずのターゲットが、知識統合の段階でフィルタリングされる。
Ignota Labsは、タイムラインの反対側でこの原則を実証している。試験で失敗して放棄された薬剤候補をAIで再設計し、2年未満・100万ドル未満のコストで臨床プログラムへ復帰させた。従来型の再設計であれば7～8年、1,000万ドル以上を要していただろう。AIは科学を簡単にしたわけではない。反復サイクルを短縮したのだ。
03 — 物理的試作から仮想検証へ
製品産業全般——製薬に限らず——において、WEF/Accenture 2026 レポートは、AIが初期段階のテストを物理的なものから仮想的なものへ移行させていることを見出している。その論理は一貫している。すなわち、デジタルツインとシミュレーションは、物理的試作が用いられる用途のほとんどを、わずかなコストとわずかな時間で検証できる。そして物理的テストは、すでに計算上の精査を通過した少数の高信頼候補に限定される。
Landing MedはAI駆動の液体ハンドリングシステムを用いて細胞培養処理を自動化し、スクリーニングのスループットを毎時12サンプルから60サンプルへ——5倍の生産性向上——引き上げ、同時に1,300万件を超えるスクリーニングを実施した。いまや計算的にアクセス可能となった検証作業の量は、人手による処理能力では到底達成できなかったものである。
GoogleがソフトウェアR&DにAIを展開した事例も、同じ構造的論理をたどる。LLMが合成的なテスト対話を生成し、安全性テストを自動化し、テストワークフローにおける重複課題の約12%に対応することが示されている。その原則——高コストな人間によるレビューに踏み切る前にAIを用いてテスト範囲を拡張する——は、領域を超えて同一である。
04 — 運営モデルとしての短い学習サイクル
AIがR&Dにもたらす最も深い変化は、速度や規模を単独で見たものではない。それは、仮説・テスト・学習の間の間隔の崩壊である。従来のR&Dの学習サイクルは数ヶ月から数年で測られる。AI対応のR&Dの学習サイクルは数日から数週間で測られる。これは研究組織の運営モデルを変える。
SandboxAQは、単発のツールではなく継続的な研究アシスタントとして機能する、階層型エージェント共同研究者を構築した。同システムは並行して調査を実行し、文献と内部データを横断して結果を統合し、評価のために知見を人間の研究者へエスカレーションする。SandboxAQは、その直接的な結果として、プロジェクトスループット4倍、競合対応時間50%削減を報告している。
JLLがエンジニアリング・テクノロジーチームに対して行った一気通貫のAI活用は、非科学的な文脈においても同じ複利的効果を示している。フロントエンド開発チームは、定型的なタスクで75～85%の時間削減を報告し、プログラム全体で30%のリソース削減を実現した。そのメカニズムは同一である。AIがテスト・構築・検証のサイクルを圧縮し、人間の能力はそれを必要とする意思決定へと移行する。
先頭を走るR&D組織は、単にAIツールを稼働させているだけではない。彼らはポートフォリオガバナンスを再設計し、許容可能な初期段階の失敗とは何かを再定義し、意思決定ゲートを人間のレビューサイクルではなくAIの出力を軸に再構築している。テクノロジーはタイムラインを圧縮する。その圧縮が競争優位に転換されるかどうかを決めるのは、組織アーキテクチャである。
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).