Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
L'échec des projets d'IA dans la biopharmaceutique : un problème de données
Dans le secteur biopharmaceutique, la mise en œuvre de l'intelligence artificielle (IA) se heurte à un obstacle majeur : la fiabilité des données. En effet, neuf projets sur dix échouent principalement à cause de données qui ne sont pas à la hauteur. Pour inverser cette tendance, un socle de données harmonisé à l'échelle mondiale est essentiel pour convertir les sceptiques en véritables ambassadeurs de l'IA.
Depuis plusieurs années, les entreprises biopharmaceutiques accumulent d'énormes quantités de données. Avec l'essor de l'IA, ces données doivent être transformées en un atout stratégique. Pourtant, malgré l'engouement pour l'IA, 95 % des entreprises du secteur poursuivent des initiatives dans ce domaine, mais 89 % d'entre elles échouent à industrialiser plus de la moitié de leurs projets pilotes. Ce manque de succès est souvent attribué à une maturité insuffisante des données, ce qui pousse 67 % des dirigeants à abandonner leurs projets.
La qualité des données : un obstacle majeur à l'industrialisation de l'IA
La qualité des données est cruciale pour toute initiative d'IA. Cependant, 73 % des dirigeants estiment que la mauvaise qualité des données est le principal frein à l'industrialisation de l'IA. La plupart des entreprises tentent d'harmoniser des sources de données cloisonnées, une approche qui devient insoutenable face à l'augmentation continue des volumes de données. Les data scientists, avec lesquels nous avons échangé, passent jusqu'à 80 % de leur temps à préparer et nettoyer les données pour les rendre exploitables.
Pour que l'IA passe du stade de projets pilotes avortés à celui de création de valeur, un changement de paradigme est nécessaire. Il s'agit de passer d'une gestion fragmentée des données à un socle harmonisé à l'échelle mondiale, soutenu par une gouvernance proactive.
Le scepticisme face à l'IA : un frein à son adoption
La dépendance du secteur à des données imparfaites et fragmentées a engendré un scepticisme croissant. En effet, 96 % des dirigeants estiment que leurs données ne sont pas prêtes pour l'IA. Ce scepticisme se manifeste sur le terrain, où 72 % des entreprises envisagent d'utiliser l'IA pour synthétiser les mises à jour sur les professionnels de santé, mais l'adoption reste limitée.
Les équipes sur le terrain rejettent souvent les recommandations de l'IA, car elles ne font pas confiance aux données sous-jacentes. Par exemple, lorsqu'un modèle de "next-best-action" propose une action basée sur un changement d'affiliation datant de trois mois, le délégué commercial ne se contente pas d'ignorer la suggestion, il perd confiance dans l'ensemble de la plateforme.
Erika Husing, analyste métier en opérations commerciales chez GSK, résume bien la situation : "Si nous ne faisons pas confiance aux données, comment pouvons-nous en tirer des conclusions ? Il est essentiel que nous passions du scepticisme actuel envers les données à une véritable promotion de la donnée."
Le coût de la gouvernance manuelle des données
Un autre défi majeur réside dans les ressources considérables consacrées à la gestion manuelle des données. Les entreprises passent d'innombrables heures à cartographier manuellement les spécialités locales et les typologies de professionnels de santé selon des standards mondiaux, ce qui représente une charge administrative importante à chaque ouverture de marché.
Dans une entreprise biopharmaceutique de premier plan, les data scientists demandent aux équipes sur le terrain de revoir les données de segmentation client tous les six mois, les éloignant ainsi de leur mission principale. Plus frustrant encore, cette entreprise estime que seulement 10 % de ses données sont suffisamment propres pour être utilisées, et que seulement 1 % sont effectivement exploitées. Face à la croissance des volumes de données, les entreprises ne peuvent plus se permettre de résoudre ces problèmes au niveau local.
Vers un socle de données harmonisé à l'échelle mondiale
La gestion des données est intrinsèquement complexe, car les filiales locales maintiennent leurs données différemment pour répondre aux réglementations régionales. Cela crée un système fragmenté qui rend les analyses transnationales et l'IA particulièrement difficiles.
Avant de mettre en place un modèle de données global, Bayer AG faisait face à des définitions incohérentes et à l'absence d'une vision client unique. "Notre paysage data mondial était fragmenté — différents pays s'appuyaient sur différentes sources", explique Stefan Schmidt, responsable des capacités digitales chez Bayer. "Pour avoir une vision complète, nous avions besoin d'un référentiel client unifié."
Pour Bayer, ce socle centralisé a fourni une source unique de vérité et renforcé la confiance dans les insights générés par l'IA. Les équipes sur le terrain sont désormais moins enclines à remettre en question le système et plus disposées à utiliser ses recommandations.
Maintenir des données de haute intégrité grâce à une curation agentique
Pendant des décennies, le secteur s'est appuyé sur une gouvernance manuelle pour maintenir la qualité des données. Aujourd'hui, une nouvelle opportunité se présente : élever la qualité des millions d'enregistrements grâce à une combinaison d'expertise humaine et de curation agentique.
Les agents IA prennent en charge des tâches répétitives, telles que le croisement de sources et la détection de doublons, en examinant 100 % des enregistrements quotidiennement. Un data steward humain valide ensuite les résultats. Fonctionnant en continu, ces agents captent les changements immédiatement, souvent avant même qu'ils n'apparaissent dans les registres publics. Cette précision en temps réel permet des recommandations pertinentes et évite l'écueil fréquent d'informer les équipes sur des événements qu'elles connaissent déjà.
En transférant la charge de la curation à des agents autonomes, nous passons d'un modèle réactif — qui engendre le scepticisme — à un modèle proactif. La curation agentique combinée à une gouvernance humaine fournit les données vérifiées et fiables nécessaires pour industrialiser l'IA.
On ne peut pas industrialiser ce en quoi l'on n'a pas confiance, et on ne peut pas faire confiance à ce que l'on n'a pas harmonisé. Un socle de données cohérent à l'échelle mondiale permet aux entreprises biopharmaceutiques de se concentrer sur l'exploitation des données plutôt que sur leur nettoyage. C'est ce recentrage qui transformera les plus grands sceptiques de l'IA en ambassadeurs convaincus.
