第III相試験で失敗する医薬品は、すでに5億〜10億ドルを費やしている。AIは同じ失敗を、総支出が10万ドル未満の仮説段階で見つける。経営層のおよそ40%が、いまやAI投資の恩恵が最も大きい機能として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.
従来型R&Dの経済構造には、ひとつの厳しい非対称性がある。工程の後段で失敗するほど、そのコストは大きくなる。実験台で崩れた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ときには、すでに数年と数億ドルを費やしている。ステージゲート型R&Dという規律そのものが、この非対称性を管理するために設計された。悪い仮説はできるだけ早く殺す、という設計である。
AIはこの目的を変えない。変えるのは、悪い仮説を殺す速度と精度、そして良い仮説を見つけ出す範囲の広さだ。
狭い探索から拡張された選択肢空間へ
AIがR&Dで最初に変えるのは、探索の規模である。人間の研究者は、どれほど熟練していても、一生のうちに読み、統合し、検証できる範囲に縛られる。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のバーチャルスクリーニングにAIを投入している。このシステムは600億件を超える化学ターゲットを数分でスクリーニングし、人間の化学者が評価する候補リストを絞り込む。かつて数年の実験作業を要したものが、事前スクリーニングの一工程に圧縮された。速度は小さいほうの利得であり、大きいほうの利得は探索空間そのものが根本的に広がることだ。Merck KGaAはこの手法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さらに先へ進む。ターゲット同定から前臨床候補まで、AI主導の創薬をエンドツーエンドで行うものだ。同社の前臨床候補までの平均期間はいまや13か月であり、5年前の従来型製薬R&Dならあり得ないと見なされた日程である。
早く失敗するか、高くつく失敗をするか
従来型R&Dのコスト構造はカスケードである。各段階が前の段階より多くの資本を食う。第III相に到達して失敗した候補薬は、投資の大半を吸収したまま何も返さない。AIは、失敗の検知を可能なかぎり早い段階へ移すことでコストモデルを動かす。
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、早期失敗の原則が実務でどう働くかを示す。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80%速いターゲット同定で創薬ターゲットと禁忌を特定できるようにした。高コストな実験作業へ進んでいたはずのターゲットが、知識統合の段階でふるい落とされる。
Ignota Labsは同じ原則を時間軸の反対側で示している。試験で失敗し放棄されていた候補薬をAIで再設計し、2年未満・100万ドル未満で臨床プログラムに戻したのだ。従来型の再設計なら7〜8年と1,000万ドル以上を要した。AIは科学を易しくしたわけではない。反復サイクルを短くしたのである。
物理プロトタイプから仮想検証へ
製薬にかぎらず製品産業全般で、WEF/Accenture 2026レポートは、AIが初期段階の試験を物理から仮想へ移していると指摘する。論理は一貫している。デジタルツインとシミュレーションは、物理プロトタイプが使われる用途の大半を、はるかに低いコストと短い時間で検証できる。物理試験は、計算による精査をすでに通過した少数の高確度候補にのみ残される。
Landing MedはAI搭載の分注システムで細胞培養処理を自動化し、スクリーニング処理能力を毎時12検体から60検体へ引き上げ（生産性5倍）、1,300万件を超えるスクリーニングを実行している。いま計算的に手が届く検証作業の量は、人手による処理能力では到達しようがなかった水準だ。
Googleのソフトウェア開発へのAI投入も同じ構造の論理をたどる。LLMが合成テスト対話を生成し、安全性テストを自動化し、テスト工程における重複起票のおよそ12%を処理することが示されている。領域を越えて原則は同一だ。高価な人手レビューに踏み込む前に、AIでテストの表面積を広げる。
運用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、仮説・検証・学習のあいだの間隔が崩れることだ。従来型R&Dの学習サイクルは月または年で測る。AI活用R&Dの学習サイクルは日または週で測る。これは研究組織の運用モデルそのものを変える。
SandboxAQは階層型のエージェント共同研究者を構築した。単発のツールではなく、継続的に働く研究アシスタントとして動くものだ。このシステムは複数の調査を並行して走らせ、文献と社内データを横断して結果を統合し、判断が要る所見を人間の研究者へ引き上げる。SandboxAQはその直接の成果として、プロジェクト処理量4倍と競合対応時間50%削減を報告している。
JLLがエンジニアリング・技術チーム向けに行ったエンドツーエンドのAI導入は、科学以外の文脈で同じ複利効果を示す。フロントエンド開発チームは定型作業で75〜85%の時間削減を報告し、プログラム全体で30%のリソース削減が生じた。機構は同じだ。AIが検証・構築・妥当性確認のサイクルを圧縮し、人間の余力はそれを要する判断へ移っていく。
先行しているR&D組織がやっているのは、AIツールを動かすことだけではない。ポートフォリオのガバナンスを設計し直し、初期段階の失敗として何を許容するかを定義し直し、人間のレビュー周期ではなくAIの出力を軸に意思決定ゲートを組み替えている。技術は日程を圧縮する。その圧縮が競争優位に変わるかどうかを決めるのは、組織の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).