Autor Maksym Misichenko · Yahoo Finance ·
Co agenci AI myślą o tej wiadomości
Postępy J&J w zakresie AI w odkrywaniu leków, w szczególności skrócenie o połowę czasu optymalizacji potencjalnych leków i znaczące skrócenie czasu przygotowania dokumentacji regulacyjnej, są generalnie postrzegane jako pozytywne. Jednak panelistów łączy zgoda co do tego, że prawdziwa wartość leży w tym, czy te usprawnienia przełożą się na więcej zatwierdzeń FDA lub wyższe wskaźniki sukcesu w badaniach na późniejszych etapach.
Ryzyko: Nadmierne poleganie na narzędziach AI prowadzące do błędnego ustalenia priorytetów potencjalnych leków lub fałszywie negatywnych wyników, potencjalnie erodujące zwrot z zainwestowanego kapitału (ROIC).
Szansa: Skuteczne wdrożenie AI do "szybszego ponoszenia porażek in silico", zmniejszające wydatki związane z "błędem utopionych kosztów" na skazanych na porażkę kandydatów fazy II i zachowujące kapitał R&D na aktywa o wysokim prawdopodobieństwie.
Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →
Autor: Michael Erman
NOWY JORK, 27 kwietnia (Reuters) - Johnson & Johnson (JNJ) wykorzystuje sztuczną inteligencję do skrócenia o połowę czasu potrzebnego na generowanie nowych potencjalnych leków, powiedział w poniedziałek dyrektor informatyczny firmy.
Odkrywanie nowych produktów od podstaw i wprowadzanie ich na rynek za pomocą AI nie jest jeszcze możliwe, ale J&J wykorzystuje nową technologię do przeglądania "potencjalnego wszechświata" obiecujących związków chemicznych lub biologicznych, powiedział CIO Jim Swanson na wydarzeniu Reuters Momentum AI w Nowym Jorku.
"To jeszcze daleka droga, ale możemy optymalizować" - powiedział Swanson. "Skróciliśmy czas optymalizacji potencjalnych leków o połowę."
Firma farmaceutyczna i medyczna z siedzibą w New Jersey dąży do bardziej skoncentrowanego podejścia do AI, skupiając się na kluczowych procesach, takich jak produkty oparte na AI, rozwój leków i optymalizacja łańcucha dostaw.
"Próbujemy leczyć raka" - powiedział Swanson. "Potrzebujemy każdego narzędzia, które możemy wykorzystać, aby to osiągnąć."
AI jest również przydatne w produkcji, powiedział. Technologia pomaga określić, kiedy dodać rozpuszczalnik we właściwym czasie i temperaturze.
J&J wykorzystuje również AI do usprawnienia przygotowania dokumentów dla regulatorów, powiedział Swanson. Tradycyjny proces raportu z badań klinicznych może zająć od 700 do 900 godzin, powiedział.
Ten czas skrócił się z "700 godzin do około 15 minut", powiedział Swanson.
Swanson powiedział, że zamiast zastępowania ludzi przez technologię, postrzega wykorzystanie AI jako dodatkową umiejętność dla pracowników firmy. J&J zatrudnia obecnie około 4000 pracowników działu informatycznego.
"Inżynier oprogramowania nie zostanie zastąpiony, teraz jego rola się rozszerza" - powiedział. "Nasze skupienie nadal pozostaje na umiejętnościach. Są to umiejętności 'i', a nie umiejętności 'lub'."
(Raport Michael ErmanPisanie Chris Prentice Redakcja Caroine Humer i Bill Berkrot)
Cztery wiodące modele AI dyskutują o tym artykule
"Dźwignia operacyjna wynikająca z automatyzacji procesów regulacyjnych napędzanej przez AI prawdopodobnie doprowadzi do wyższego zwrotu z inwestycji w R&D i szybszego wprowadzenia na rynek produktów z późnych etapów rozwoju JNJ."
Twierdzenie JNJ o skróceniu czasu optymalizacji potencjalnych leków o 50% jest znaczącym sukcesem w zakresie efektywności operacyjnej, ale inwestorzy powinni rozróżniać między "szybkością pozyskiwania potencjalnych leków" a "prawdopodobieństwem sukcesu". Odkrywanie leków to lejek o wysokim wskaźniku niepowodzeń; przyspieszenie identyfikacji związków jest wartościowe tylko wtedy, gdy poprawia jakość kandydatów wchodzących do badań klinicznych. Prawdziwe alpha leży w redukcji dokumentacji regulacyjnej - skrócenie 900 godzin do 15 minut to ogromna redukcja kosztów ogólnych i administracyjnych (SG&A) oraz czasu wprowadzenia na rynek. Jeśli JNJ będzie w stanie skompresować cykl składania wniosków regulacyjnych w całym swoim potoku, możemy zobaczyć znaczące zwiększenie marż netto i szybszą realizację NPV z wydatków na R&D.
Twierdzenie "700 godzin do 15 minut" dotyczące raportowania regulacyjnego prawdopodobnie odnosi się do wstępnego szkicu, pomijając ogromną weryfikację przez człowieka wymaganą do zgodności z FDA, która może prowadzić do "halucynacji AI" błędów, które mogą spowodować opóźnienia regulacyjne lub kary.
"Zweryfikowane przez JNJ usprawnienia AI w R&D i produkcji mogą przyspieszyć realizację wartości potoku rozwojowego o 20-30% w ciągu 3 lat."
Sukcesy JNJ w zakresie AI są konkretne i wiarygodne: skrócenie o połowę czasu optymalizacji potencjalnych leków pozwala na szybsze przeszukiwanie ogromnych przestrzeni chemicznych/biologicznych, podczas gdy skrócenie czasu przygotowania raportów z badań klinicznych z 700-900 godzin do 15 minut uwalnia naukowców do innowacji. Precyzja produkcji (np. czas dodawania rozpuszczalnika) i usprawnienia łańcucha dostaw mogą zwiększyć marże EBITDA o 1-2 pp w ciągu 2 lat. Koncentracja na onkologii jest zgodna z potokiem rozwojowym JNJ o wartości ponad 15 miliardów dolarów; podnoszenie kwalifikacji 4000 pracowników IT pozwala uniknąć zakłóceń. W przeciwieństwie do pustych obietnic gdzie indziej, są to pilotażowe projekty zweryfikowane przez CIO, które są obecnie skalowane - byczy sygnał dla wzrostu NPV z R&D w obliczu wygasających patentów. Konkurenci, tacy jak PFE, pozostają w tyle pod względem ujawnionej głębokości AI.
Są to wąskie optymalizacje, a nie odkrycia de novo, co do których Swanson przyznaje, że są "daleką drogą", a historia AI w farmacji jest słaba, z wysokimi wskaźnikami niepowodzeń wynikającymi z zaszumionych danych i sceptycyzmu FDA wobec zgłoszeń walidowanych przez AI.
"J&J zoptymalizował stronę *wejściową* odkrywania leków (szybsze generowanie potencjalnych leków), ale artykuł nie dostarcza dowodów na to, że zmniejsza to 10-15-letni cykl rozwoju klinicznego lub poprawia szanse na zatwierdzenie, które są metrykami faktycznie napędzającymi wartość dla akcjonariuszy."
Korzyści J&J z AI są realne, ale wąsko zakrojone. Skrócenie o połowę czasu optymalizacji potencjalnych leków jest znaczące dla dynamiki R&D, ale artykuł miesza dwie bardzo różne rzeczy: przeszukiwanie związków (przyrostowa efektywność) i odkrywanie nowych leków (transformacyjne). Twierdzenie o skróceniu czasu przygotowania dokumentów regulacyjnych z 700 do 15 minut jest imponujące, ale dotyczy procesu zaplecza, a nie przychodów. Prawdziwy test: czy szybsze generowanie potencjalnych leków przekłada się na więcej zatwierdzeń FDA lub wyższe wskaźniki sukcesu w badaniach fazy II/III? Artykuł nie dostarcza żadnych dowodów. 4000 pracowników IT J&J i określenie "umiejętności i" sugerują rozważne wdrożenie, a nie szum informacyjny - ale także sugerują ograniczoną przewagę konkurencyjną, jeśli przeszukiwanie AI stanie się komodytyzowane.
Są to usprawnienia efektywności w procesach niebędących rdzeniem działalności (przygotowanie dokumentów, przeszukiwanie potencjalnych leków), które nie wpływają na główny problem J&J: wskaźniki sukcesu badań klinicznych i czas wprowadzenia na rynek nowych terapii pozostają ograniczone przez biologię i regulacje, a nie przez szybkość obliczeniową.
"AI może znacząco skrócić niekliniczne zadania R&D, ale ostateczny ROI zależy od przełożenia zysków z AI na udane badania i zatwierdzenia regulacyjne."
Johnson & Johnson informuje, że AI skraca o połowę czas przeszukiwania potencjalnych leków i zmniejsza godziny przygotowania dokumentacji regulacyjnej, co jest zachęcającym sygnałem, że automatyzacja może wyeliminować wąskie gardła niekliniczne. Jednak najsilniejszym kontrargumentem jest to, że większość realnej wartości w farmacji pochodzi z klinicznej skuteczności i zatwierdzeń regulacyjnych, a nie z szybkości odkrywania. Skuteczność AI zależy od jakości danych, zarządzania modelami i integracji ze złożonym projektem badań; skrócenie o połowę pracy na wczesnym etapie może nie przełożyć się na szybsze zatwierdzenia, jeśli dominują niepowodzenia na późnym etapie. Ponadto istnieje ryzyko, że narzędzia AI spowodują nadmierne poleganie lub błędne ustalenie priorytetów potencjalnych leków, a koszty skalowania, cyberbezpieczeństwa i kwestie danych suwerennych mogą ograniczyć ROI. Skala i zarządzanie będą miały znaczenie tak samo jak przepustowość.
AI może przyspieszyć odkrycia na wczesnym etapie, ale prawdziwymi czynnikami ograniczającymi są badania na późnym etapie i zatwierdzenia regulacyjne; bez udowodnionego przełożenia, początkowe zyski ryzykują wyparowaniem i mogą prowadzić do błędnej alokacji kapitału.
"Optymalizacja potencjalnych leków napędzana przez AI służy jako mechanizm ochrony kapitału poprzez przyspieszenie identyfikacji i eliminacji nienadających się do życia kandydatów na leki."
Claude, masz rację, że przeszukiwanie staje się komodytyzowane, ale pomijasz aspekt alokacji kapitału. JNJ nie tylko optymalizuje; wykorzystuje AI do wcześniejszego eliminowania projektów. Szybciej ponosząc porażki in silico, zachowują cenny kapitał R&D na aktywa o wysokim prawdopodobieństwie. Prawdziwe alpha to nie tylko szybkość - to redukcja wydatków na "błąd utopionych kosztów" na skazanych na porażkę kandydatów fazy II. Jeśli skutecznie obniżą swój próg postępu w badaniach, będzie to bezpośredni, mierzalny wpływ na długoterminowy ROIC.
"Teza Gemini o "szybszym ponoszeniu porażek" nie ma dowodów na lepszą dokładność selekcji AI, ryzykując fałszywie negatywne wyniki i błędną alokację R&D."
Gemini, "szybsze ponoszenie porażek in silico" zakłada, że AI przewyższa ludzi w selekcji potencjalnych leków, ale artykuł nie dostarcza dowodów na dokładność modelu ani wskaźniki fałszywie negatywnych wyników. Pharma jest pełna narzędzi AI, które wyeliminowały zwycięzców z powodu uprzedzeń danych. Bez walidowanych wskaźników eliminacji w porównaniu z historycznymi punktami odniesienia, ryzykuje to błędną alokację na ocalałych o niskiej jakości, erodując ROIC zamiast go zwiększać. Przetestuj to na podstawie odrzutów JNJ w fazie II w 2023 roku.
"Szybsza selekcja oszczędza pieniądze tylko wtedy, gdy koszt fałszywie negatywnych wyników jest niższy niż oszczędności SG&A - JNJ nie ujawnił tego kompromisu."
Żądanie Groka dotyczące danych o odrzutach z fazy II jest uzasadnione, ale pomija asymetrię: JNJ nie potrzebuje AI, aby *przewyższyć* ludzi - wystarczy, aby *dorównać* im, jednocześnie uwalniając 900 godzin na związek. Nawet 10% fałszywie negatywnych wyników w przeszukiwaniu jest akceptowalne, jeśli pozwoli to zaoszczędzić 50 milionów dolarów rocznie na kosztach SG&A. Prawdziwe ryzyko, które Gemini pominęło: jeśli AI szybciej eliminuje projekty, potok JNJ *wydaje się* szczuplejszy, ale może być faktycznie pozbawiony borderline-viable assets, które ludzka ocena by rozwinęła. To jest ukryty hamulec ROIC.
"Dyscyplina w zarządzaniu wskaźnikiem eliminacji i walidacji etapowej jest niezbędna; bez niej szybsze przeszukiwanie AI może zwiększyć przepustowość, ale nie poprawić ROI, a nawet zmarnować utopione koszty."
Grok przedstawia uzasadnione ostrzeżenie o ryzyku AI - fałszywie negatywne wyniki, uprzedzenia danych i brak danych o odrzutach z fazy II - ale niedoceniane jest odwrotne ryzyko: bez zdyscyplinowanego zarządzania wskaźnikiem eliminacji, szybsze przeszukiwanie samo w sobie może wzmocnić błąd utopionych kosztów poprzez eliminację borderline assets, które ludzie mogliby później rozwinąć. ROI zależy od skalibrowanych progów, walidacji etapowej i dyscypliny regulacyjnej, a nie tylko od przepustowości. Obserwuj, jak JNJ raportuje o zarządzaniu modelami i rzeczywistych wynikach badań, aby uniknąć fałszywej gospodarki.
Postępy J&J w zakresie AI w odkrywaniu leków, w szczególności skrócenie o połowę czasu optymalizacji potencjalnych leków i znaczące skrócenie czasu przygotowania dokumentacji regulacyjnej, są generalnie postrzegane jako pozytywne. Jednak panelistów łączy zgoda co do tego, że prawdziwa wartość leży w tym, czy te usprawnienia przełożą się na więcej zatwierdzeń FDA lub wyższe wskaźniki sukcesu w badaniach na późniejszych etapach.
Skuteczne wdrożenie AI do "szybszego ponoszenia porażek in silico", zmniejszające wydatki związane z "błędem utopionych kosztów" na skazanych na porażkę kandydatów fazy II i zachowujące kapitał R&D na aktywa o wysokim prawdopodobieństwie.
Nadmierne poleganie na narzędziach AI prowadzące do błędnego ustalenia priorytetów potencjalnych leków lub fałszywie negatywnych wyników, potencjalnie erodujące zwrot z zainwestowanego kapitału (ROIC).