Comment les 500 M£ britanniques en IA peuvent transformer la R&D pharmaceutique

Le Royaume-Uni s’apprête à engager 500 millions de livres dans une startup d’IA pour la découverte de médicaments, via son Fonds Souverain Britannique d’IA. Cet engagement place l’IA au cœur de la stratégie nationale de biotechnologie, avec un objectif clair : accélérer la R&D pharmaceutique et réduire les coûts.

Cet investissement s’inscrit dans un mouvement mondial où les grands groupes pharmaceutiques multiplient les alliances avec des plateformes d’IA, des laboratoires automatisés et des acteurs de la donnée biomédicale. Il ouvre une fenêtre d’opportunité pour toute organisation engagée dans la découverte de médicaments, à condition de savoir précisément où l’IA apporte de la valeur, comment l’intégrer à un pipeline existant, et sous quelles conditions de gouvernance.

Ce guide propose une lecture opérationnelle de cette bascule : comment structurer une R&D pharmaceutique augmentée par l’IA, quels types de partenariats privilégier, comment articuler régulation et innovation au Royaume-Uni, et quels choix d’architecture technique font réellement la différence.

Un contexte où l’IA devient un pilier stratégique de la R&D pharmaceutique

La décision du Fonds Souverain Britannique d’IA de négocier un investissement de 500 millions de livres dans une startup de découverte de médicaments marque une étape de plus dans la convergence entre politique industrielle et stratégie pharmaceutique au Royaume-Uni. Ce fonds, doté de 500 millions de livres, est conçu comme un outil d’ancrage pour des entreprises jugées stratégiques dans des secteurs comme les chips, le scientific AI ou la découverte de médicaments.

Cette dynamique ne concerne pas uniquement le Royaume-Uni. Les grands laboratoires pharmaceutiques multiplient les partenariats avec des plateformes d’IA pour réduire les délais et le coût du développement de médicaments. En 2025, les analyses de DealForma ont recensé 114 partenariats R&D en IA et machine learning dans la découverte et la licence de médicaments, contre 84 en 2024, soit une croissance d’environ 36 % en un an. Ces partenariats représentent un potentiel de plusieurs dizaines de milliards de dollars en valeur totale.

Plusieurs accords emblématiques illustrent cette intensification des investissements. Eli Lilly a par exemple 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. Pfizer a engagé jusqu’à 610 millions de dollars de paiements potentiels avec PostEra dans un portefeuille d’alliances couvrant la conception moléculaire et la découverte de candidats. AstraZeneca a acquis Modella, une société spécialisée dans les modèles prédictifs pour l’oncologie, et a rejoint un consortium avec Illumina, Merck et Lilly pour lancer le Billion Cell Atlas, une ressource de données expérimentales destinée à entraîner des modèles d’IA à grande échelle.

À retenir : l’investissement de 500 M£ au Royaume-Uni s’inscrit dans une vague globale d’alliances IA-pharma, où les montants unitaires se situent régulièrement dans des ordres de grandeur de plusieurs centaines de millions de dollars.

Structurer un pipeline de découverte de médicaments réellement augmenté par l’IA

Pour qu’un investissement de 500 M£ dans l’IA change réellement la R&D pharmaceutique, le pipeline de découverte doit être pensé comme un enchaînement d’étapes augmentées par des modèles, et non comme une série de « gadgets » d’analyse ponctuelle. La valeur se crée dans la continuité entre génération d’hypothèses, design de molécules, expérimentation et décision.

Cartographier les points de friction de la R&D actuelle

L’IA ne remplace pas tout le pipeline. Elle apporte de la valeur sur des points précis, qui doivent être identifiés en amont :

• Identification de cibles biologiques à partir de données omiques et cliniques, où des modèles de foundation models biomédicaux peuvent détecter des signaux difficilement accessibles par des approches classiques.
• Conception de petites molécules ou de protéines thérapeutiques, où des modèles génératifs apprennent les relations entre structure et activité pour proposer des candidats optimisés.
• Priorisation de combinaisons et de schémas thérapeutiques à partir de données de cohortes, de registres et de dossiers patients pseudonymisés.

Des collaborations comme celle entre AstraZeneca et BenevolentAI ont permis l’intégration de cibles inédites dans les portefeuilles de découverte, dans des indications telles que la maladie rénale chronique, la fibrose pulmonaire idiopathique, l’insuffisance cardiaque ou le lupus systémique. Sanofi a structuré avec Exscientia une collaboration couvrant jusqu’à 15 petites molécules en oncologie et immunologie, avec des jalons d’avancement sur plusieurs programmes conçus par IA. Novartis a noué des partenariats pour appliquer la génération de protéines thérapeutiques à des pipeline existants.

Ces exemples montrent que l’IA est utilisée en priorité là où le volume et la complexité des données dépassent les capacités humaines, mais où l’expertise biologique reste essentielle pour interpréter les résultats.

Intégrer l’IA dans un pipeline expérimental bouclé

Les investissements récents combinant IA et robotique montrent une évolution vers des systèmes fermés, où le modèle ne s’arrête pas à la prédiction mais pilote la génération de nouvelles données. Le partenariat d’Eli Lilly avec Nvidia pour un laboratoire fermé de découverte en est un exemple emblématique : la plate-forme combine des modèles de design avec des robots de laboratoire, dans un cycle répétitif de proposition, synthèse, test et retrain.

La logique d’optimisation est celle d’un « moteur d’hypothèses » qui réduit les cycles d’expérimentation. À chaque itération, le modèle propose des candidats, les robots réalisent les tests, les résultats sont intégrés au corpus de données, et les modèles sont recalibrés. Dans ce cadre, la R&D devient un système cyber-physique, où les boucles de feedback sont raccourcies.

Pour exploiter pleinement un investissement de 500 M£ en IA au Royaume-Uni, une organisation pharmaceutique peut viser ce type d’architecture bouclée, en combinant :

• Une plate-forme de modèles de découverte (génératifs et prédictifs).
• Un laboratoire automatisé capable de tester plusieurs centaines voire milliers de composés par cycle.
• Une intégration continue des résultats dans une base de données normalisée, accessible aux équipes data et scientifiques.

À retenir : l’IA change la R&D pharmaceutique quand elle est intégrée dans une boucle de conception-test-apprentissage, plutôt que comme une simple couche d’analyse.

Choisir et orchestrer les bons partenariats IA pour la pharma

L’investissement du Fonds Souverain Britannique d’IA vise un startup spécialisée dans la découverte de médicaments, mais le succès dépendra aussi des écosystèmes de partenariats qui seront tissés autour de cette plate-forme. Les grandes pharmas structurent déjà des portefeuilles étendus de collaborations en IA.

Les données de marché montrent que, en 2025, 114 partenariats R&D en IA/Ml pour la découverte de médicaments ont été recensés, représentant une valeur potentielle de plus de 40 milliards de dollars. Ces deals combinent des licences de plate-forme, des co-développements de programmes, des accès à des datasets et des co-investissements dans des infrastructures.

Typologie des partenariats IA-pharma

Une stratégie de R&D augmentée peut s’appuyer sur plusieurs types d’accords :

• Licences d’outils de découverte, comme le AI Scientist K Pro d’Owkin, licencié à Boehringer Ingelheim pour accélérer la découverte en oncologie et immunologie.
• Partenariats de design moléculaire, comme ceux de PostEra avec Pfizer, où la plate-forme joue un rôle clef dans la sélection et l’optimisation de candidats.
• Programmes de co-développement structurés autour d’un nombre définis de cibles ou de molécules, à l’image de la collaboration Sanofi–Exscientia.

Une façon simple de visualiser ces options est de les comparer selon trois dimensions : type d’apport, périmètre sur le pipeline et degré d’intégration dans la R&D interne.

Ce tableau ne recense que des catégories pour lesquelles les exemples sont documentés et le périmètre décrit publiquement.

Articuler l’investissement national et les portefeuilles privés

Le Fonds Souverain Britannique d’IA associe capitaux, accès à des supercalculateurs nationaux, soutien réglementaire et facilités de visas pour des talents scientifiques. L’enjeu est de connecter ce dispositif publique avec les stratégies de partenariat des groupes pharmaceutiques.

Une organisation peut tirer parti de cette articulation de plusieurs façons :

• En co-localisant des équipes de R&D expérimental avec des startups IA soutenues par le fonds, pour accélérer les transferts de méthodes et de données.
• En structurant des accords où des ressources de calcul nationales sont utilisées pour des programmes conjoints de découverte, tout en respectant les contraintes de confidentialité.
• En capitalisant sur le soutien réglementaire pour co-construire des dossiers avec les startups IA, notamment sur des usages innovants comme l’apprentissage continu des modèles.

À retenir : un investissement de 500 M£ dans une startup IA de drug discovery est d’autant plus efficace qu’il s’inscrit dans un maillage de partenariats, combinant outils, programmes et infrastructures.

Gouvernance, supervision humaine et régulation au Royaume-Uni

Les experts qui commentent l’investissement du Fonds Souverain Britannique d’IA soulignent systématiquement deux exigences : une régulation adaptée et une supervision humaine forte. Ces préoccupations font écho aux travaux spécifiques engagés au Royaume-Uni sur la régulation de l’IA en santé.

En 2025, une Commission nationale dédiée à la régulation de l’IA en santé a été instaurée pour formuler des recommandations sur un cadre futur. Les autorités de régulation des médicaments, en particulier l’Agence de réglementation des médicaments et des produits de santé (MHRA), sont engagées dans une réflexion sur l’adaptation du cadre des dispositifs médicaux pour tenir compte des particularités des systèmes d’IA.

Les recommandations récentes insistent sur plusieurs points structurants pour une R&D pharmaceutique utilisant l’IA :

• Révision régulière des textes pour permettre une approche différenciée des logiciels et des dispositifs médicaux intégrant de l’IA.
• Mise en place d’un suivi continu des produits d’IA après leur autorisation, avec la capacité de retirer l’autorisation si leurs performances se dégradent.
• Droits explicites pour les patients d’être informés lorsque l’IA intervient dans leur prise en charge et d’avoir accès à des informations claires sur les produits utilisés.
• Renforcement des pouvoirs de sanction des autorités vis-à-vis des développeurs dont les produits ne respectent pas les standards.

Un dispositif d’« apprentissage encadré » a également été proposé, sous forme de signalisation particulière pour des modèles en phase de test clinique ou d’implémentation pilote, permettant aux professionnels de les utiliser sous surveillance renforcée.

Traduire ces exigences dans la R&D pharmaceutique

Pour une organisation pharmaceutique britannique, la prise en compte de ces évolutions réglementaires se traduit par des choix opérationnels :

• Conserver des circuits de décision où un comité humain, comprenant des cliniciens, des pharmaciens, des data scientists et des experts réglementaires, valide les grandes étapes du pipeline de découverte.
• Documenter précisément les versions de modèles utilisées, les datasets d’entraînement et les processus de validation, de manière à pouvoir répondre à des demandes d’audit ou de contrôle.
• Anticiper l’obligation potentielle d’informer les patients lorsque des aspects de la conception ou de la sélection des traitements reposent sur des systèmes d’IA.

À retenir : la régulation britannique oriente la R&D vers des systèmes d’IA documentés, surveillés et explicables, plutôt que des « boîtes noires » autonomes.

Alignement avec les tendances globales de marché de l’IA en drug discovery

Le Royaume-Uni cherche, avec son Fonds Souverain d’IA, à renforcer sa place face à la concurrence internationale dans la biotechnologie et la découverte de médicaments. L’investissement de 500 M£ dans une startup IA de discovery doit se lire en cohérence avec les tendances globales du marché.

Les analyses récentes du marché de l’IA pour la découverte de médicaments mettent en avant plusieurs signaux forts :

• Une montée en puissance des alliances IA-pharma, avec une centaine de partenariats R&D structurés en IA/ML en 2025 et plusieurs dizaines de milliards de dollars de valeur potentielle.
• Un flux soutenu de levées de fonds et de tours de financement pour des startups spécialisées, avec plusieurs centaines de tours de venture capital en une année.
• La diversification des modèles, allant des systèmes de design moléculaire à des plateformes de génération de protéines, en passant par des moteurs d’analyse de données cliniques.

Des acteurs comme Novo Nordisk ont, par exemple, annoncé un partenariat avec OpenAI en 2026 pour appliquer l’IA à la découverte de médicaments, mais aussi à des opérations de production et d’optimisation de chaîne de valeur. Ces annonces illustrent une vision intégrée de l’IA, où la découverte n’est qu’un élément parmi d’autres dans un continuum allant jusqu’à la fabrication.

Dans ce contexte, le Royaume-Uni dispose d’atouts spécifiques : un écosystème académique très dense en biologie et en IA, des ressources de calcul nationales et une stratégie industrielle qui combine capitaux, compute et régulation.

À retenir : l’investissement britannique de 500 M£ en IA s’aligne sur des stratégies similaires en Europe et aux États-Unis, où les montants engagés dans des alliances IA-pharma atteignent régulièrement le milliard de dollars.

Feuille de route pratique pour une R&D pharmaceutique britannique post-500 M£

L’enjeu pour les organisations pharmaceutiques qui évoluent dans cet environnement n’est pas seulement de se brancher sur les investissements du Fonds Souverain Britannique d’IA, mais de construire une feuille de route cohérente pour leur R&D.

Une approche pragmatique peut être structurée en quelques axes :

1. Prioriser les cas d’usage à fort retour sur investissement

Les cas d’usage doivent être choisis là où le gain en temps ou en coût est tangible :

• Identification rapide de nouvelles cibles à partir de données omiques et de registres.
• Design accéléré de candidats pour des aires thérapeutiques où les besoins médicaux non couverts sont élevés.
• Repositionnement de molécules existantes à partir de corrélations identifiées par les modèles.

Les collaborations déjà en cours entre grandes pharmas et startups d’IA montrent que ces domaines sont les premiers à bénéficier de l’IA.

2. Construire l’infrastructure de données et de calcul

Le Fonds Souverain Britannique d’IA met à disposition des ressources de calcul nationales et un environnement favorable pour les startups. Pour la R&D pharmaceutique, il est critique d’aligner cette offre avec une infrastructure de données robuste :

• Un environnement sécurisé pour stocker et traiter des données biologiques et cliniques.
• Des outils de gestion de métadonnées pour tracer les usages et les origines des datasets.
• Des connecteurs pour alimenter les modèles de discovery et les plates-formes de design.

3. Formaliser une gouvernance IA dédiée à la R&D

Les recommandations de la Commission nationale sur l’IA en santé, et le rôle de la MHRA, incitent à mettre en place une gouvernance claire pour les projets IA de drug discovery :

• Comité de gouvernance IA dédié à la R&D, avec pouvoir de valider les modèles et de prioriser les cas d’usage.
• Processus formalisés de revue éthique pour les projets impliquant des données patients ou des modèles qui pourraient influencer des décisions cliniques.

4. Articuler supervision humaine et automatisation

L’automatisation croissante des laboratoires ne doit pas conduire à une dilution des responsabilités. Les partenariats comme celui entre Lilly et Nvidia montrent que des systèmes très automatisés peuvent rester sous contrôle humain, avec des seuils d’acceptation et des règles explicites.

Dans une R&D pharmaceutique britannique post-500 M£, une architecture de supervision pourrait :

• Maintenir des validations humaines obligatoires pour des décisions structurantes, comme l’entrée d’un candidat en études précliniques majeures.
• Imposer des audits réguliers des modèles les plus influents, avec revue par des experts externes lorsque nécessaire.

Notre avis : qui devrait s’aligner sur cette nouvelle R&D IA dès maintenant ?

L’investissement de 500 M£ du Royaume-Uni dans une startup d’IA pour la découverte de médicaments ne change pas uniquement la trajectoire de cette entreprise. Il signale un repositionnement stratégique de la R&D pharmaceutique britannique autour de l’IA, dans un contexte où les grands acteurs internationaux misent déjà des centaines de millions voire des milliards de dollars sur des alliances similaires.

Les organisations qui ont le plus à gagner à se positionner rapidement sont celles qui disposent déjà d’un volume significatif de données biologiques et cliniques, et qui sont prêtes à investir dans des infrastructures de laboratoire automatisé. Une intégration précoce avec des startups IA soutenues par le Fonds Souverain Britannique d’IA, des collaborations avec des plateformes établies et une gouvernance solide peuvent les placer en avance de phase.

Sur les six prochains mois, deux lignes de tension seront particulièrement visibles : la vitesse à laquelle les pipelines de découverte basculeront vers des boucles fermées IA + robotique, et la capacité de la régulation britannique à accompagner ce mouvement sans freiner l’innovation. Les entreprises qui parviendront à articuler ces deux dimensions, en assumant une supervision humaine forte et une transparence des modèles, seront mieux placées pour transformer l’investissement public en résultats cliniques.

La question désormais est de savoir jusqu’où la R&D pharmaceutique britannique acceptera de reconfigurer ses processus à la lumière de ces 500 M£ : les prochains programmes de découverte portés par l’IA seront-ils réservés à quelques acteurs pionniers, ou deviendront-ils rapidement la norme pour l’ensemble du secteur ?