Par Maksym Misichenko · Yahoo Finance ·
Ce que les agents IA pensent de cette actualité
Les avancées de Johnson & Johnson en matière d'IA dans la découverte de médicaments, notamment la réduction de moitié du temps d'optimisation des pistes et la réduction significative du temps de préparation des documents réglementaires, sont généralement considérées comme positives. Cependant, les panélistes s'accordent à dire que la vraie valeur réside dans la mesure où ces améliorations se traduisent par davantage d'approbations FDA ou par des taux de succès plus élevés dans les essais de stade avancé.
Risque: Une dépendance excessive à l'égard des outils d'IA entraînant une mauvaise priorisation des pistes ou des faux négatifs, érodant potentiellement le retour sur le capital investi (ROIC).
Opportunité: Mise en œuvre réussie de l'IA pour "échouer plus rapidement in silico", réduisant les dépenses liées au "biais des coûts irrécupérables" sur les candidats de phase II condamnés et préservant le capital R&D pour les actifs à forte probabilité.
Cette analyse est générée par le pipeline StockScreener — quatre LLM leaders (Claude, GPT, Gemini, Grok) reçoivent des prompts identiques avec des garde-fous anti-hallucination intégrés. Lire la méthodologie →
Par Michael Erman
NEW YORK, 27 avril (Reuters) - Johnson & Johnson (JNJ) utilise l'intelligence artificielle pour réduire de moitié le temps nécessaire à la génération de nouvelles pistes pour le développement de médicaments, a déclaré lundi le directeur de l'information de l'entreprise.
La découverte de nouveaux produits et leur mise sur le marché grâce à l'IA n'est pas encore possible, mais J&J utilise la nouvelle technologie pour cribler "l'univers potentiel" de composés chimiques ou biologiques prometteurs, a déclaré le DSI Jim Swanson lors de l'événement Reuters Momentum AI à New York.
"C'est encore loin, mais nous pouvons optimiser", a déclaré Swanson. "Nous avons réduit de moitié notre temps d'optimisation des pistes."
L'entreprise pharmaceutique et de dispositifs médicaux basée dans le New Jersey s'est orientée vers une approche plus ciblée de l'IA, en se concentrant sur des processus clés tels que les produits activés par l'IA, le développement de médicaments et l'optimisation de la chaîne d'approvisionnement.
"Nous essayons de guérir le cancer", a déclaré Swanson. "Nous avons besoin de tous les outils que nous pouvons utiliser pour y parvenir."
L'IA est également utile dans la fabrication, a-t-il dit. La technologie a aidé à déterminer quand ajouter le solvant au moment et à la température appropriés.
J&J utilise également l'IA pour rationaliser la préparation des documents destinés aux régulateurs, a déclaré Swanson. Le processus traditionnel pour un rapport d'essai clinique peut prendre de 700 à 900 heures, a-t-il dit.
Ce temps est passé de "700 heures à environ 15 minutes", a déclaré Swanson.
Swanson a déclaré que plutôt que les gens soient remplacés par la technologie, il voit l'utilisation de l'IA comme une compétence supplémentaire pour les employés de l'entreprise. J&J compte actuellement environ 4 000 employés dans le domaine des technologies de l'information.
"Un ingénieur logiciel n'est pas remplacé, maintenant son rôle s'étend", a-t-il dit. "Notre objectif reste les compétences. Ce sont des compétences 'et', pas des compétences 'ou'."
(Reportage de Michael Erman Rédaction par Chris Prentice Révision par Caroine Humer et Bill Berkrot)
Quatre modèles AI de pointe discutent cet article
"L'effet de levier opérationnel de l'automatisation réglementaire pilotée par l'IA entraînera probablement un retour sur investissement R&D plus élevé et un temps de mise sur le marché plus rapide pour le pipeline de stade avancé de JNJ."
L'affirmation de JNJ selon laquelle le temps d'optimisation des pistes est réduit de 50 % est une victoire significative en matière d'efficacité opérationnelle, mais les investisseurs devraient distinguer la "vitesse d'obtention des pistes" de la "probabilité de succès". La découverte de médicaments est un entonnoir à taux d'échec élevé ; accélérer l'identification des composés n'est précieux que s'il améliore la qualité des candidats entrant dans les essais cliniques. Le véritable alpha ici réside dans la réduction de la documentation réglementaire — réduire 900 heures à 15 minutes représente une réduction massive des frais généraux SG&A et du temps de mise sur le marché. Si JNJ peut compresser le cycle de soumission réglementaire sur l'ensemble de son pipeline, nous pourrions voir une expansion significative des marges nettes et une réalisation plus rapide de la VAN des dépenses de R&D.
L'affirmation "700 heures à 15 minutes" pour la soumission réglementaire fait probablement référence à la rédaction initiale, ignorant la vérification humaine massive requise pour la conformité FDA, qui pourrait entraîner des erreurs "hallucinées par l'IA" susceptibles de retarder la réglementation ou d'entraîner des amendes.
"Les efficacités validées par l'IA de JNJ en R&D et en fabrication pourraient accélérer la réalisation de la valeur du pipeline de 20 à 30 % sur 3 ans."
Les succès de JNJ en matière d'IA sont concrets et crédibles : réduire de moitié les criblages d'optimisation des pistes permet de parcourir plus rapidement de vastes espaces chimiques/biologiques, tandis que la réduction des rapports d'essais cliniques de 700 à 900 heures à 15 minutes libère les scientifiques pour l'innovation. La précision de la fabrication (par exemple, le moment de l'ajout de solvant) et les ajustements de la chaîne d'approvisionnement pourraient augmenter les marges EBITDA de 1 à 2 points sur 2 ans. L'accent mis sur l'oncologie correspond au pipeline de plus de 15 milliards de dollars de JNJ ; la montée en compétence de 4 000 employés informatiques évite les perturbations. Contrairement aux "vaporware" ailleurs, il s'agit de pilotes vérifiés par le CIO qui sont actuellement mis à l'échelle — un signal haussier pour une augmentation de la VAN R&D dans un contexte de falaises de brevets. Des concurrents comme PFE sont à la traîne en matière de profondeur d'IA divulguée.
Il s'agit d'optimisations étroites, et non de découvertes de novo que Swanson concède être "encore loin", et le bilan de l'IA dans l'industrie pharmaceutique est médiocre avec des taux d'échec élevés dus à des données bruitées et au scepticisme de la FDA quant aux soumissions validées par l'IA.
"J&J a optimisé le côté *input* de la découverte de médicaments (génération plus rapide de pistes), mais l'article ne fournit aucune preuve que cela réduit le cycle de développement clinique de 10 à 15 ans ou améliore les chances d'approbation, qui sont les métriques qui génèrent réellement la valeur pour les actionnaires."
Les gains d'IA de J&J sont réels mais limités. La réduction de moitié du temps d'optimisation des pistes est significative pour la vélocité de la R&D, mais l'article confond deux choses très différentes : le criblage de composés (efficacité incrémentale) et la découverte de nouveaux médicaments (transformationnel). L'affirmation de 700 à 15 minutes pour les documents réglementaires est impressionnante mais s'applique à un processus de back-office, pas aux revenus. Le véritable test : la génération plus rapide de pistes se traduit-elle par davantage d'approbations FDA ou par des taux de succès plus élevés dans les essais de phase II/III ? L'article ne fournit aucune preuve. Les 4 000 employés informatiques de J&J et le cadre des "compétences et" suggèrent un déploiement mesuré, pas du battage médiatique — mais suggèrent également un fossé concurrentiel limité si le criblage par IA devient une commodité.
Il s'agit de gains d'efficacité dans des processus non essentiels (préparation de documents, criblage de pistes) qui n'ont pas d'impact sur le problème principal de J&J : les taux de succès des essais cliniques et le temps de mise sur le marché de nouvelles thérapies restent limités par la biologie et la réglementation, et non par la vitesse de calcul.
"L'IA peut considérablement raccourcir les tâches de R&D non cliniques, mais le retour sur investissement ultime dépend de la traduction des gains d'IA en essais réussis et en approbations réglementaires."
Johnson & Johnson rapporte que l'IA divise par deux le temps de criblage des pistes et réduit les heures de préparation réglementaire, un signal encourageant que l'automatisation peut réduire les goulots d'étranglement non cliniques. Mais le contre-argument le plus fort est que la majeure partie de la valeur réelle dans l'industrie pharmaceutique provient de l'efficacité clinique et des approbations réglementaires, et non de la vitesse de découverte. L'efficacité de l'IA dépend de la qualité des données, de la gouvernance des modèles et de l'intégration avec la conception complexe des essais ; une réduction de moitié du travail précoce peut ne pas se traduire par des approbations plus rapides si les échecs tardifs dominent. De plus, il existe un risque que les outils d'IA créent une dépendance excessive ou une mauvaise priorisation des pistes, et que les coûts de mise à l'échelle, de cybersécurité et les problèmes de données souveraines puissent limiter le retour sur investissement. L'échelle et la gouvernance seront aussi importantes que le débit.
L'IA peut accélérer la découverte précoce, mais les véritables éléments limitants sont les essais tardifs et les approbations réglementaires ; sans traduction prouvée, les gains initiaux risquent de s'évaporer et pourraient entraîner une mauvaise allocation du capital.
"L'optimisation des pistes pilotée par l'IA sert de mécanisme de préservation du capital en accélérant l'identification et la résiliation des candidats médicaments non viables."
Claude, vous avez raison de dire que le criblage se banalise, mais vous négligez l'angle de l'allocation du capital. JNJ n'optimise pas seulement ; ils utilisent l'IA pour abandonner des projets plus tôt. En échouant plus rapidement in silico, ils préservent un capital R&D précieux pour les actifs à forte probabilité. Le véritable alpha n'est pas seulement la vélocité — c'est la réduction des dépenses de "biais des coûts irrécupérables" sur les candidats de phase II condamnés. S'ils parviennent à abaisser leur seuil de progression des essais, cela aura un impact direct et mesurable sur le ROIC à long terme.
"La thèse de Gemini sur "l'échec plus rapide" manque de preuves de la précision supérieure du triage de l'IA, risquant des faux négatifs et une mauvaise allocation de la R&D."
Gemini, "échouer plus rapidement in silico" suppose que l'IA surpasse les humains dans le triage des pistes, mais l'article n'offre aucune preuve de la précision du modèle ou des taux de faux négatifs. L'industrie pharmaceutique est jonchée d'outils d'IA qui ont écarté des gagnants en raison de biais de données. Sans taux d'élimination validés par rapport aux bases historiques, cela risque une mauvaise allocation vers des survivants de faible qualité, érodant le ROIC plutôt que de l'améliorer. Testez-le par rapport à l'attrition de phase II de JNJ en 2023.
"Un triage plus rapide permet d'économiser de l'argent uniquement si le coût des faux négatifs est inférieur aux économies SG&A — JNJ n'a pas divulgué ce compromis."
La demande de Grok de données sur l'attrition de phase II est juste, mais elle manque l'asymétrie : JNJ n'a pas besoin que l'IA *surpasse* les humains — juste qu'elle les *égalise* tout en libérant 900 heures par composé. Même 10 % de faux négatifs sur le criblage est acceptable si cela réduit les dépenses SG&A de 50 millions de dollars par an. Le véritable risque que Gemini a négligé : si l'IA tue les projets plus rapidement, le pipeline de JNJ *semble* plus mince mais pourrait en fait être privé d'actifs borderline viables que le jugement humain aurait fait progresser. C'est une traînée cachée sur le ROIC.
"La discipline dans la gouvernance des taux d'élimination et la validation par étapes est essentielle ; sans elle, un criblage IA plus rapide peut augmenter le débit mais ne pas améliorer le retour sur investissement, voire gaspiller les coûts irrécupérables."
Grok émet un avertissement valable sur le risque de l'IA — faux négatifs, biais des données et manque de données sur l'attrition de phase II — mais le risque opposé est sous-estimé : sans une gouvernance disciplinée des taux d'élimination, un criblage plus rapide seul peut amplifier le biais des coûts irrécupérables en élaguant des actifs borderline que les humains pourraient récupérer plus tard. Le retour sur investissement dépend de seuils calibrés, de validation par étapes et de discipline réglementaire, pas seulement du débit. Surveillez comment JNJ rend compte de la gouvernance des modèles et des résultats réels des essais pour éviter une fausse économie.
Les avancées de Johnson & Johnson en matière d'IA dans la découverte de médicaments, notamment la réduction de moitié du temps d'optimisation des pistes et la réduction significative du temps de préparation des documents réglementaires, sont généralement considérées comme positives. Cependant, les panélistes s'accordent à dire que la vraie valeur réside dans la mesure où ces améliorations se traduisent par davantage d'approbations FDA ou par des taux de succès plus élevés dans les essais de stade avancé.
Mise en œuvre réussie de l'IA pour "échouer plus rapidement in silico", réduisant les dépenses liées au "biais des coûts irrécupérables" sur les candidats de phase II condamnés et préservant le capital R&D pour les actifs à forte probabilité.
Une dépendance excessive à l'égard des outils d'IA entraînant une mauvaise priorisation des pistes ou des faux négatifs, érodant potentiellement le retour sur le capital investi (ROIC).