Vers une R&D augmentée : La biopharmaceutique face au défi de l’IA

L’année écoulée a marqué un tournant pour l’intelligence artificielle dans la biopharma. Entre engouement technologique, scepticisme méthodologique et promesses de transformation profonde, l’IA s’impose désormais comme un levier incontournable pour repenser la recherche et le développement pharmaceutiques.
Le dernier rapport annuel publié par Benchling, développeur de logiciels avancés pour la biologie, dresse un état des lieux précis de la technologie dans la biopharma et de la manière dont les entreprises (grandes ou petites) s’emparent de cette révolution. À travers cette étude, c’est tout un écosystème industriel qui se redessine, entre stratégies offensives des géants du médicament et prudence mesurée des structures plus modestes.

Une révolution scientifique qui s’accélère

Depuis quelques années, l’intelligence artificielle ne cesse d’étendre son empreinte sur les sciences du vivant. Après la révolution du texte avec les grands modèles de langage, la recherche biomédicale vit aujourd’hui le passage vers l’IA multimodale, capable d’interpréter la voix, l’image et les données moléculaires complexes. Des modèles comme AlphaFold ou ESM ne se contentent plus de prédire la structure des protéines : ils s’aventurent désormais dans la modélisation d’interactions biomoléculaires entières, ouvrant la voie à une compréhension beaucoup plus systémique de la biologie.

Pourtant, cette accélération vertigineuse n’efface pas la réalité des contraintes : dans la biopharma, la donnée reste la ressource la plus stratégique et la plus difficile à maîtriser. Contrairement aux LLM formés sur des corpus textuels massifs, les modèles biologiques reposent sur des volumes de données souvent propriétaires, épars et hétérogènes.
Le rapport de Benchling souligne cet écart fondamental : «notre industrie produit d’immenses quantités de données, mais leur intégration dans les processus de R&D reste fragmentée». Le défi n’est donc plus de produire, mais d’organiser et de relier, de transformer la donnée brute en intelligence exploitable.

Les grandes entreprises en tête de course

La biopharma mondiale se divise aujourd’hui en deux dynamiques distinctes. Les grandes entreprises, armées de ressources considérables et d’équipes pluridisciplinaires, ont déjà pris le virage de la transformation numérique. Près de 67 % d’entre elles ont intégré des initiatives IA/ML, un taux trois fois supérieur à celui observé dans les petites structures. Leur objectif est clair : accélérer le cycle de découverte et réduire les coûts de développement, deux leviers déterminants pour la compétitivité future.

Pour ces acteurs, la priorité n’est plus seulement l’efficacité opérationnelle, mais l’échelle. 72 % des grandes biopharma interrogées estiment que l’adoption de l’IA leur permettra d’accélérer significativement la vitesse de leurs programmes R&D dans les deux prochaines années.
Cet enthousiasme se traduit dans leurs investissements : la robotique, l’automatisation et les plateformes de données R&D occupent le haut du podium, suivies de près par l’IA/ML. Près de 83 % des grandes entreprises ont déjà automatisé une partie de leurs processus, et plus de la moitié disposent d’infrastructures connectées entre instruments et logiciels.

Mais cette puissance d’exécution a son revers. Leur taille même crée des écosystèmes logiciels complexes : 43 % des responsables IT des grandes organisations gèrent plus de vingt outils scientifiques différents, dont près de la moitié sont des développements sur mesure. Cette prolifération, si elle permet la spécialisation, freine aussi la fluidité des échanges de données et l’interopérabilité entre laboratoires. L’intégration des flux entre laboratoires humides et secs, les fameux wet labs et dry labs, reste une gageure : seuls 41 % des répondants estiment être prêts à relever ce défi.

Prudence et pragmatisme pour les petites entreprises

Face à ces mastodontes, les petites biopharma avancent avec plus de prudence. Souvent dépourvues d’une base technologique native, elles concentrent leurs ressources sur des investissements à impact immédiat : plateformes de données R&D (89 % d’adoption), réduction des erreurs humaines et amélioration de la qualité expérimentale. L’IA/ML, perçue comme coûteuse et complexe, ne figure qu’en avant-dernière position dans leurs priorités. Seules 23 % des petites structures déclarent avoir intégré ces technologies à leurs workflows.

Le frein majeur reste le retour sur investissement (ROI) : la robotique, l’automatisation ou les logiciels SaaS exigent des dépenses importantes sans garantie de bénéfices à court terme. Dans ces conditions, l’adoption se limite souvent à des projets pilotes, voire à des preuves de concept isolées.
Les obstacles structurels aggravent la situation : 53 % des répondants évoquent la rareté des talents spécialisés et 42 % pointent le manque de données bien structurées. Sans capital humain ni architecture de données solide, l’IA reste un horizon lointain.

Un fossé technologique qui s’élargit

Cette dichotomie crée une fracture technologique au sein même du secteur. D’un côté, les grands laboratoires investissent massivement dans des infrastructures intégrées ; de l’autre, une multitude de petites biopharma évoluent encore dans des environnements peu connectés.
Ainsi, seulement 37 % des instruments de laboratoire des petites structures transfèrent leurs données automatiquement, et à peine un cinquième ont adopté des logiciels scientifiques en mode SaaS. Ces limitations ralentissent la vitesse d’exécution et limitent la capacité à exploiter des volumes massifs de données.

Pourtant, les signaux de changement existent. Une nouvelle génération de “techbios” émerge : des start-up conçues dès l’origine autour d’une stratégie IA-first. Agiles, collaboratives et centrées sur la donnée, ces structures pourraient bien préfigurer le modèle biopharmaceutique de demain. Leur approche s’appuie sur des outils natifs cloud, des workflows automatisés et une culture de l’expérimentation numérique.
Si elles parviennent à surmonter la barrière du financement, ces techbios pourraient accélérer la démocratisation de l’IA dans la recherche biomédicale, là où les acteurs historiques avancent plus lentement, freinés par leurs architectures héritées.

La donnée, nerf de la guerre

Le rapport Benchling le souligne : la donnée est la véritable infrastructure de la biopharma moderne. 87 % des répondants anticipent un doublement des volumes de données R&D dans l’année à venir. Une croissance exponentielle alimentée par les avancées en sciences computationnelles, la généralisation des séquenceurs de nouvelle génération et la multiplication des capteurs dans les laboratoires.
Cette explosion quantitative oblige les entreprises à se doter de plateformes capables de centraliser, gouverner et partager l’information selon les principes FAIR (Findable, Accessible, Interoperable, Reusable).

Les plateformes de données R&D sont aujourd’hui la technologie la plus adoptée du secteur, avec 90 % d’implémentation. Elles constituent la pierre angulaire de la transformation numérique : en assurant la traçabilité, la qualité et la contextualisation des données, elles permettent de bâtir des fondations solides pour l’intelligence artificielle.
L’enjeu n’est plus simplement de stocker, mais de relier et d’orchestrer : relier les laboratoires humides et analytiques, orchestrer les flux de données pour permettre aux modèles d’IA de nourrir la recherche en temps réel.

L’adoption de l’IA se heurte à un manque criant de talents

Mais la technologie ne suffit pas. L’adoption de l’IA se heurte à un manque criant de talents. Selon le rapport, moins de la moitié des grandes entreprises (46 %) et seulement 17 % des petites se disent prêtes en matière de compétences IA/ML. Le déficit est tel que les grands groupes n’hésitent plus à recruter hors secteur : des profils issus de la tech (Nvidia, Google, Nike) rejoignent désormais la pharma pour construire des infrastructures de données et des modèles d’apprentissage automatisé.

Ce déséquilibre alimente une compétition mondiale pour les talents. D’après GlobalData, les cinq plus grandes entreprises pharmaceutiques ont concentré 43 % des recrutements en IA/ML du secteur au deuxième trimestre 2024.
Mais au-delà des chiffres, l’enjeu est culturel. Comme le résume Ron Hause, SVP en charge de l’IA chez Shape Therapeutics : «La clé du succès de l’IA réside dans la collaboration entre les laboratoires expérimentaux et analytiques. Trop orienter les équipes vers un seul pôle, expérimental ou computationnel, conduit à des approches déséquilibrées, inefficaces, voire déconnectées de la réalité biologique».

La véritable transformation passe donc par une hybridation des pratiques scientifiques : faire dialoguer les biologistes avec les data scientists, les expérimentateurs avec les ingénieurs logiciels. Une évolution qui demande autant de changements organisationnels que technologiques.

De la découverte à la conformité : l’IA tout au long du cycle de vie

Si la découverte de médicaments reste le terrain privilégié de l’IA, les usages s’étendent désormais à l’ensemble du cycle de vie biopharmaceutique.
Dans la recherche fondamentale, l’intelligence artificielle intervient pour identifier des cibles (59 %), sélectionner et optimiser des candidats (60 % et 55 % respectivement). Dans les phases de développement, elle contribue à la conception de bioprocédés et de formulations (55 %), mais aussi à la modélisation via les jumeaux numériques.
Plus en aval, elle soutient la documentation et la conformité réglementaire (49 %), ou encore le reporting scientifique (44 %). L’IA devient ainsi un fil conducteur de la chaîne de valeur pharmaceutique, du laboratoire à la mise sur le marché.

Les estimations économiques confirment cette montée en puissance : selon McKinsey, l’impact potentiel de l’IA dans la pharma pourrait atteindre 60 à 110 milliards de dollars par an à l’échelle mondiale. Un chiffre qui reflète l’espoir d’une industrie plus agile, plus rapide et plus accessible.

Préparer la prochaine étape : vers la maturité IA

Benchling distingue trois niveaux de préparation à l’IA : Fondamental, lorsque l’entreprise dispose des talents et d’une première structuration de données ; Mise à l’échelle, où les flux sont automatisés et les données générées à haut débit ; Avancé, lorsque les laboratoires humides et secs sont pleinement intégrés, avec des modèles capables d’orienter les expériences en temps réel.

Seules 14 % des grandes entreprises et 3 % des petites atteignent aujourd’hui ce stade avancé. Une statistique révélatrice du chemin restant à parcourir. La préparation ne se résume pas à une question d’infrastructure : elle repose sur la capacité à changer de paradigme, à unifier les mondes du vivant et du calcul, à concevoir la R&D non plus comme un processus linéaire mais comme un écosystème dynamique et interconnecté.

Des sceptiques aux convaincus : la gestion du changement

L’étude distingue deux profils d’entreprises : les convaincues, qui croient au potentiel de l’IA même sans l’avoir encore adoptée, et les sceptiques, qui doutent de son retour sur investissement.
Dans le domaine du SaaS et des laboratoires connectés, la majorité des non-adopteurs sont des convaincus — un signe que l’adoption n’est qu’une question de temps. En revanche, pour la robotique ou l’automatisation, la proportion de sceptiques reste élevée, notamment parmi les petites structures (50 %).
Cette distinction n’est pas anodine : elle souligne l’importance d’une stratégie d’accompagnement du changementfondée sur la pédagogie, la preuve de valeur et le partage d’expériences réussies.

Vers une convergence technologique et scientifique

Un mouvement fascinant se dessine : les frontières entre la biopharma et la tech s’effacent. Les entreprises technologiques s’invitent dans la biologie, tandis que les laboratoires pharmaceutiques adoptent les méthodes, la culture et les architectures de la Silicon Valley. De DeepMind à la Chan Zuckerberg Initiative, de nouveaux acteurs cherchent à rendre les outils d’IA accessibles à l’ensemble du secteur, démocratisant l’innovation biomédicale.

Les grandes entreprises, par leur puissance financière, ouvriront sans doute la voie à cette nouvelle ère. Mais les petites structures, plus agiles et centrées sur des missions précises, pourraient bien être les pionnières des approches les plus disruptives. Dans un monde où les algorithmes deviennent partenaires des chercheurs, la vitesse d’adoption ne sera plus le seul critère du succès : c’est la capacité à collaborer, à partager et à transformer la donnée en découverte qui définira la biopharma de demain.

La promesse d’un nouvel âge de la recherche

La révolution de l’intelligence artificielle dans la biopharma n’est pas un simple effet de mode : c’est une transformation structurelle, comparable à l’arrivée du séquençage génomique ou de la robotisation des laboratoires.
Mais cette révolution ne sera réellement bénéfique que si elle reste inclusive, reliant les grandes et les petites structures, les laboratoires humides et secs, la biologie et l’informatique.
Les entreprises qui réussiront ce passage, en investissant dans les plateformes de données, en favorisant la formation et en créant une culture collaborative, récolteront les fruits d’une innovation accélérée.

Une chose est certaine : la biopharma entre dans une ère nouvelle, où chaque découverte sera aussi computationnelle qu’expérimentale, et où l’intelligence artificielle, loin de remplacer le chercheur, en deviendra le plus puissant allié.

(Source : Benchling)