Le gain concret : accélérer de mois ou d'années l'étape de prédiction in silico, ce qui allège les essais physiques et abaisse le coût par candidat validé. Des équipes comme celles de DeepMind (AlphaFold) ou Isomorphic Labs explorent déjà cette voie. La limite reste la validation : l'IA prédit, mais les tests biologiques et cliniques restent obligatoires — pas de raccourci légal ou éthique.
Pour les pharmas et biotech, l'enjeu est l'intégration : qui maîtrise l'IA en interne, qui l'achète, qui l'externalise. Les coûts opérationnels baissent, mais la course à la donnée (cristallographie, criblage ancien) structure déjà les partenariats. Les petites structures accèdent à des outils cloud (Schrödinger, Benchling), mais la propriété intellectuelle des modèles reste concentrée chez les grands acteurs tech ou pharma.
Ce n'est pas une révolution du jour au lendemain, mais un déplacement des goulots : moins de temps en prédiction, plus de rigueur en validation — et des équipes qui doivent apprendre à travailler avec des scores de confiance issus d'une boîte noire.
