IA pour la recherche pharmaceutique : le guide de référence 2026

En 2025, DealForma a recensé 114 partenariats R&D en IA et apprentissage automatique dans la découverte et la licence de médicaments, contre 84 en 2024, soit environ 36 % de croissance. L’IA pharmaceutique a donc quitté le registre des démonstrations isolées, mais elle n’a pas aboli le risque biologique : aucun médicament conçu par IA n’a encore obtenu d’approbation réglementaire ni achevé les essais cliniques. Ce guide précise les usages qui fonctionnent, les outils, les règles, les pièges et un plan pour démarrer.

Ce que l’IA change vraiment dans la recherche pharmaceutique

La première bascule concerne la continuité du flux de recherche. Une R&D augmentée ne se limite pas à un modèle qui propose une molécule : elle relie cibles biologiques, données omiques, imagerie, bibliothèques chimiques, résultats de laboratoire et décisions de programme. Selon DealForma, 114 partenariats R&D en IA et apprentissage automatique ont été recensés en 2025 dans la découverte et la licence de médicaments, contre 84 en 2024. Notre analyse sur l’investissement britannique de 500 M£ montre que les alliances se déplacent vers capital, données et capacité de calcul.

La seconde bascule est plus sobre : l’IA améliore la carte, pas la preuve. AlphaFold 3 peut prédire des interactions entre protéines, petites molécules, acides nucléiques et autres composants biologiques, mais une molécule crédible en simulation peut échouer dans une cellule, être éliminée par l’organisme ou présenter une toxicité. Notre analyse sur Isomorphic Labs et AlphaFold rappelle qu’aucun traitement conçu par IA n’a encore été approuvé ni achevé les essais cliniques.

La troisième bascule est organisationnelle. Bristol Myers Squibb et Nvidia, Novo Nordisk et AWS, ou encore les collaborations citées autour d’AstraZeneca, Sanofi et Pfizer illustrent la même logique : l’IA devient une infrastructure de décision, pas seulement un outil de chercheur. Les gains viennent de flux de travail capables d’enchaîner génération, filtrage, documentation et arbitrage, avec une gouvernance assez solide pour tracer les données, les modèles, les versions et les validations.

Chercheurs préparant des échantillons dans un laboratoire pharmaceutique à Lyon

L’IA accélère la décision seulement si l’expérience reste le juge de paix.

Les usages qui fonctionnent aujourd’hui

Les usages les plus utiles se situent aux endroits où la R&D perd du temps entre données, hypothèses et expériences. La maturité dépend moins de la démonstration technique que de l’intégration dans les cycles de décision.

Carte des usages de l’IA pour Nos analyses pour les dirigeants R&D, laboratoires pharmaceutiques, biotech et responsables innovation qui utilisent l’IA pour accélérer la découverte, la validation et les essais de nouveaux traitements.

Les usages classés par maturité, avec le gain attendu et le risque en cas d’erreur.

Les usages prêts à l’emploi

Prédiction structurale. Les modèles de structure aident à formuler plus vite des hypothèses sur les cibles, les complexes biologiques et les sites de liaison. AlphaFold 3, développé par Google DeepMind avec la contribution d’Isomorphic Labs, élargit la prédiction aux interactions entre protéines, petites molécules et acides nucléiques. Le bon usage consiste à prioriser des expériences, non à conclure sur l’efficacité d’un candidat.

Priorisation synthèse-test. L’usage le plus robuste consiste à réduire le nombre de composés à synthétiser et à tester. Les modèles estiment l’affinité, la sélectivité, la stabilité ou certaines propriétés liées à l’administration, puis orientent les équipes vers les candidats les plus cohérents. Le gain vient de cycles conception, synthèse et test évités, à condition que chaque prédiction soit reliée à un résultat expérimental.

Documentation d’essais. Les grands modèles peuvent préparer des synthèses, contrôler la cohérence documentaire et accélérer la rédaction de rapports, à condition qu’un expert valide chaque contenu. L’intérêt est fort pour réduire la charge administrative des équipes cliniques et réglementaires. Les contrôles doivent porter sur les omissions, les citations erronées, les versions de données et la séparation entre aide rédactionnelle et décision médicale.

Validation des modèles. La validation devient une brique clé des projets d’IA en santé. Le cadre Learning Ensemble, présenté par des chercheurs de l’Université de Bristol le 21 septembre 2026, recommande de documenter limites d’utilisation, fiabilité entre groupes de patients et adéquation clinique. Cette approche aide à éviter les modèles performants sur un jeu de données mais fragiles en pratique.

Propriété intellectuelle. L’IA aide à accélérer les recherches d’antériorité, à analyser les tendances de brevets et à documenter des espaces d’innovation. Le chiffre disponible porte sur les jeunes pousses technologiques : 70 % utilisent déjà l’IA dans leur stratégie de propriété intellectuelle. Pour une biotech, l’outil doit rester une aide : brevetabilité, liberté d’exploitation et secret industriel exigent une expertise humaine.

Les usages à piloter

Génération moléculaire. Les modèles génératifs peuvent proposer des structures chimiques nouvelles à partir de contraintes biologiques et pharmacologiques. Isomorphic Labs a présenté en février 2026 un moteur de conception de médicaments visant à optimiser des molécules candidates. Le risque porte sur les faux positifs : une molécule plausible informatiquement doit encore être synthétisée, testée et comparée à des critères de sécurité.

Analyse ADMET. La prédiction des propriétés de toxicité, pharmacocinétique et autres critères de développement permet d’éliminer plus tôt des candidats fragiles. Dans notre analyse sur Bristol Myers Squibb et Nvidia, BioNeMo Agent Toolkit est présenté comme une suite capable d’orchestrer génération, modélisation ADMET, analyse d’images biologiques et filtrage virtuel.

Agents de flux R&D. Les agents IA peuvent exécuter des flux de travail en plusieurs étapes : connecter données génomiques, imagerie et données cliniques, générer des hypothèses, préparer des essais ou produire une documentation. Le partenariat Novo Nordisk et AWS met en avant Amazon Bio Discovery et Amazon Bedrock AgentCore. La priorité est de borner les droits d’action, les validations humaines et les journaux d’exécution.

Réanalyse maladies rares. Dans les maladies rares, l’IA peut réexaminer des dossiers cliniques et génomiques déjà analysés par des experts. Une étude NEJM AI du 18 juin 2026, menée sur 376 dossiers pédiatriques anonymisés, a permis 18 diagnostics confirmés, soit 4,8 % de rendement supplémentaire. Ce cas montre l’intérêt de l’IA pour la stratification d’essais ciblés.

Les usages émergents

Laboratoires autonomes. Les laboratoires combinant IA et robotique visent à fermer la boucle entre hypothèse, expérimentation et optimisation. Eli Lilly a conclu un accord pouvant atteindre 1 milliard de dollars sur cinq ans avec Nvidia pour construire un laboratoire de découverte fermé, combinant IA et robotique expérimentale. Le risque principal est de déléguer trop tôt des arbitrages scientifiques à une chaîne technique encore difficile à auditer.

Les outils à connaître

Il n’existe pas de palmarès valable pour tous les laboratoires : il faut raisonner par familles d’outils, données disponibles et niveau de preuve attendu.

• Les modèles de structure et de conception moléculaire. Ils prédisent des structures, interactions et candidats possibles, puis orientent les expériences. AlphaFold 3 et le moteur de conception d’Isomorphic Labs illustrent cette famille pour la phase amont. À exiger : domaine d’emploi, données d’entraînement décrites, résultats expérimentaux associés, suivi des versions.
• Les plateformes biologiques à agents IA. Elles orchestrent plusieurs tâches sur des données biologiques, chimiques et cliniques. Le partenariat Novo Nordisk et AWS cite Amazon Bio Discovery pour l’accès à des modèles biologiques et Bedrock AgentCore pour les agents d’entreprise. À exiger : droits d’action limités, validation humaine, journaux d’exécution, connexion aux systèmes existants.
• Les infrastructures de calcul pour R&D à grande échelle. Elles permettent d’entraîner des modèles plus complexes et d’exécuter des milliers de simulations ou criblages virtuels. Selon Nvidia, le SuperPOD Vera Rubin de Bristol Myers Squibb apporte jusqu’à 10 fois la performance par mégawatt de l’infrastructure précédente. À exiger : coût complet, sécurité, isolation des données, plan énergétique, réversibilité.
• Les outils d’analyse clinique et de stratification. Ils rapprochent dossiers, données génomiques, pathologie numérique et critères d’inclusion. Waiv, issue d’Owkin, a levé 33 millions de dollars pour développer des tests d’oncologie basés sur l’IA et collaborer avec l’industrie pharmaceutique. À exiger : preuve clinique, biais mesurés, consentement, hébergement adapté, traçabilité patient.
• Les cadres de validation et de gouvernance des modèles. Ils documentent où l’outil fonctionne, pour qui et dans quel parcours. Learning Ensemble propose de décrire limites, équité et adéquation clinique avant et après déploiement. À exiger : fiche d’usage, tests par population, seuils d’alerte, revue externe, réévaluation régulière.

Le cadre : AI Act, données de santé et logiciels médicaux

Les dates réglementaires à suivre pour l’IA pharmaceutique

Les dates clés, état au 12 novembre 2026.

AI Act : obligations déjà actives

Le règlement (UE) 2024/1689 est entré en vigueur le 1er août 2024 et s’applique par étapes. Depuis le 2 février 2025, les pratiques interdites sont prohibées et toute organisation qui utilise des systèmes d’IA doit assurer un niveau suffisant de maîtrise de l’IA à son personnel. Depuis le 2 août 2026, les obligations de transparence s’appliquent : un assistant conversationnel doit indiquer qu’il est une IA, et certains contenus générés doivent être signalés comme tels. En entreprise française, le CSE est informé et consulté lors de l’introduction de nouvelles technologies.

Produits médicaux : l’échéance majeure

Après le Digital Omnibus, publié au Journal officiel le 24 juillet 2026 et entré en vigueur le 27 juillet 2026, les obligations des systèmes à haut risque de l’annexe III s’appliquent à partir du 2 décembre 2027. Pour l’IA intégrée à des produits déjà réglementés, notamment les dispositifs médicaux, les obligations s’appliquent à partir du 2 août 2028. Elles ne s’appliquent donc pas encore.

Données de santé et décisions automatisées

Le RGPD est applicable depuis le 25 mai 2018. Son article 22 encadre les décisions fondées exclusivement sur un traitement automatisé qui produisent des effets juridiques ou significatifs sur une personne. En France, l’hébergement de données de santé exige un prestataire certifié HDS. L’Espace européen des données de santé, entré en vigueur en mars 2025, prévoit une application échelonnée jusqu’en 2031. Ces jalons doivent être intégrés aux projets qui exploitent des données de santé.

Logiciels, sécurité et responsabilité

La directive (UE) 2024/2853 sur la responsabilité du fait des produits défectueux inclut les logiciels, y compris les systèmes d’IA, et les États membres doivent la transposer au plus tard le 9 décembre 2026. Le Cyber Resilience Act impose depuis le 11 septembre 2026 aux fabricants de produits comportant des éléments numériques de signaler les vulnérabilités activement exploitées et les incidents graves, avec alerte sous 24 heures et notification sous 72 heures.

Les pièges à éviter

Confondre prédiction et preuve. Une structure prédite, une affinité estimée ou un biomarqueur suggéré ne prouvent pas l’efficacité d’un traitement. Chaque sortie de modèle doit être reliée à une hypothèse testable, un protocole expérimental et un seuil de décision défini avant l’usage.

Industrialiser des données fragiles. L’IA dépend de données fiables, comparables et accessibles. Les données silotées par équipe, mal annotées ou hétérogènes peuvent produire des classements trompeurs de candidats. Avant d’acheter une plateforme, il faut cartographier les jeux de données, les formats, les droits d’accès et les responsabilités.

Déléguer la décision clinique. Les agents de santé et de recherche peuvent suggérer des ajustements, trier des informations ou préparer des documents. Ils ne doivent pas remplacer la décision médicale ou réglementaire. L’actualité sur Robin de Ro rappelle les demandes de preuves d’efficacité et les enjeux de confidentialité.

Créer une dépendance fournisseur. Les grands laboratoires s’appuient sur des fournisseurs externes de modèles, cloud et calcul. Cette dépendance doit être pilotée par des clauses sur la réversibilité, les données, les journaux, la propriété intellectuelle, les incidents de sécurité et la continuité d’accès aux capacités critiques.

Oublier l’usage réel. Un modèle performant dans un jeu d’évaluation peut échouer dans un laboratoire, un centre clinique ou une population différente. La validation doit préciser l’utilisateur, le matériel, le type de données, les patients visés et les situations où l’outil ne doit pas être utilisé.

Passer à l’action : le plan en 90 jours

Trois mois pour tester l’IA sans fragiliser la R&D

Trois étapes : cadrer, tester, déployer.

Commencer par un programme où un point de friction opérationnel est visible : cycles trop longs entre conception et test, données d’essais dispersées ou documentation clinique lente. Le premier mois sert à cadrer données, responsabilités et indicateurs. Le deuxième teste un cas limité avec validation humaine. Le troisième prépare l’extension : sécurité, contrats, formation, information-consultation du CSE dans les entreprises françaises concernées et décision d’arrêt ou de passage à l’échelle.

Huit contrôles avant de déployer une IA en recherche pharmaceutique

Huit vérifications à faire avant chaque nouvel usage.

Pour aller plus loin

Nos analyses pour Nos analyses pour les dirigeants R&D, laboratoires pharmaceutiques, biotech et responsables innovation qui utilisent l’IA pour accélérer la découverte, la validation et les essais de nouveaux traitements.

• Isomorphic Labs : l’IA face à l’épreuve clinique. Pourquoi AlphaFold accélère la conception sans supprimer la validation biologique, préclinique et clinique.
• R&D pharmaceutique : structurer un flux augmenté par l’IA. Comment passer d’outils ponctuels à un flux intégré entre cible, molécule, expérience et décision.
• Bristol Myers Squibb et Nvidia : l’usine IA appliquée à la recherche. Ce que change une infrastructure dédiée au calcul, aux agents biologiques et aux flux de découverte.
• Novo Nordisk et AWS : intégrer l’IA dans toute la R&D. Le rôle d’Amazon Bio Discovery, de Bedrock AgentCore et du pôle londonien de co-innovation.
• Learning Ensemble : valider les IA médicales par l’usage réel. Une méthode pour documenter limites, équité et adéquation clinique des modèles avant déploiement.

L’actualité à retenir

• 10x Science lève 4,8 millions de dollars pour caractériser les candidats IA
• Waiv lève 33 millions de dollars pour des tests d’oncologie fondés sur l’IA
• Ro lance Robin, agent IA santé, avec des questions sur preuve et confidentialité
• OpenAI et Anthropic testés par des agences de santé publique américaines
• Open-H-Embodiment réunit 35 organisations autour de la robotique de santé
• Google présente Gemini for Science lors de Google I/O

Vous éditez une solution pour la recherche pharmaceutique ?

Ce guide est lu par des dirigeants R&D, laboratoires pharmaceutiques, biotech et responsables innovation. Brief IA propose aux éditeurs de plateformes d’IA pour la R&D pharmaceutique des articles dédiés, des encarts dans le brief du soir et une mise en avant dans l’annuaire. Formats et tarifs sur briefia.fr/partenaires.

L’essentiel en questions

Comment utiliser l’IA dans la découverte de médicaments ?

Commencer par un point précis du processus : prédiction structurale, génération de molécules, priorisation de composés, analyse ADMET ou documentation d’essais. Le bon critère n’est pas la sophistication du modèle, mais sa capacité à réduire des cycles inutiles entre conception, synthèse et test, avec une validation expérimentale claire.

L’IA peut-elle concevoir un médicament approuvé seule ?

Non, pas au vu des éléments disponibles. Aucun traitement conçu par IA n’a encore été approuvé ni achevé les essais cliniques. L’IA peut proposer, classer et optimiser des candidats, mais la preuve passe encore par les expériences, les tests précliniques, les essais chez l’humain et l’évaluation réglementaire.

Quelles données faut-il pour un projet IA pharmaceutique ?

Il faut des données traçables, qualifiées et reliées à une question scientifique : structures, résultats biologiques, données omiques, imagerie, données cliniques ou mesures expérimentales. En France, les données de santé doivent être hébergées par un prestataire certifié HDS. Les droits d’accès et de réutilisation doivent être clarifiés dès le départ.

L’AI Act bloque-t-il les projets IA en R&D pharmaceutique ?

Non, mais il impose déjà des obligations générales, notamment la formation des personnels depuis le 2 février 2025 et la transparence depuis le 2 août 2026. Les obligations relatives à l’IA intégrée à des produits déjà réglementés, comme les dispositifs médicaux, s’appliqueront à partir du 2 août 2028.

Comment choisir entre construire un modèle ou acheter une plateforme ?

Construire peut se justifier si les données, les compétences et la propriété intellectuelle sont stratégiques. Acheter accélère le démarrage, mais impose de vérifier réversibilité, confidentialité, validation, sécurité, coût complet et intégration. Dans les deux cas, il faut tester l’outil sur un cas réel avant de l’étendre.