L'enjeu économique est brutal : Eroom's Law stipule que le coût double tous les 9 ans depuis les années 1950. Fermer la boucle via l'IA ne supprime pas les essais cliniques (immuables), mais saute les itérations chimiques inefficaces. Résultat : moins de composés testés, plus de candidats pertinents en amont.
La limite : les modèles d'IA restent dépendants de la qualité des données d'entraînement (résultats d'essais précédents, structures moléculaires, toxicité). Un labo sans historique riche doit d'abord construire son dataset—ou payer pour accéder à des données agrégées (consortiums, bases publiques). Le coût caché : infrastructure cloud, gouvernance data, validation réglementaire que la FDA exige déjà sur les prédictions IA.
Pour les pharmas, c'est une course : adopter l'IA maintenant coûte moins que rester en silos séquentiels pendant 3-5 ans de plus. Les joueurs comme GSK, Roche, Novo Nordisk déploient déjà. Les PME biotech doivent choisir : partenariat avec un studio IA spécialisé ou intégration interne.
