โดย Maksym Misichenko · Yahoo Finance ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
ความก้าวหน้าของ AI ของ Johnson & Johnson ในการค้นพบยา โดยเฉพาะอย่างยิ่งการลดเวลาในการปรับปรุงโอกาสลงครึ่งหนึ่ง และการลดเวลาในการเตรียมเอกสารกำกับดูแลอย่างมีนัยสำคัญ โดยทั่วไปถือว่าเป็นผลบวก อย่างไรก็ตาม ผู้ร่วมอภิปรายเห็นพ้องกันว่ามูลค่าที่แท้จริงอยู่ที่ว่าการปรับปรุงเหล่านี้จะนำไปสู่การอนุมัติของ FDA มากขึ้นหรืออัตราความสำเร็จที่สูงขึ้นในการทดลองระยะหลังหรือไม่
ความเสี่ยง: การพึ่งพาเครื่องมือ AI มากเกินไปนำไปสู่การจัดลำดับความสำคัญของโอกาสผิดพลาดหรือ false negatives ซึ่งอาจกัดกร่อนผลตอบแทนจากเงินทุนที่ลงทุน (ROIC)
โอกาส: การนำ AI ไปใช้สำเร็จเพื่อ 'ล้มเหลวเร็วขึ้นใน silico' ลดการใช้จ่าย 'ความผิดพลาดของต้นทุนจม' กับผู้สมัครระยะที่ II ที่สิ้นหวัง และรักษาเงินทุน R&D สำหรับสินทรัพย์ที่มีความน่าจะเป็นสูง
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
โดย Michael Erman
นิวยอร์ก, 27 เมษายน (Reuters) - Johnson & Johnson (JNJ) กำลังใช้ปัญญาประดิษฐ์ (AI) เพื่อลดเวลาในการสร้างสรรค์ยาใหม่สำหรับการพัฒนายาลงครึ่งหนึ่ง ตามคำกล่าวของประธานเจ้าหน้าที่ฝ่ายสารสนเทศของบริษัทเมื่อวันจันทร์
การค้นพบผลิตภัณฑ์ใหม่ทั้งหมดและนำออกสู่ตลาดโดยใช้ AI ยังไม่สามารถทำได้ แต่ J&J กำลังใช้เทคโนโลยีใหม่นี้เพื่อคัดกรอง "จักรวาลศักยภาพ" เพื่อหาสารประกอบทางเคมีหรือชีววิทยาที่มีแนวโน้มดี Jim Swanson ประธานเจ้าหน้าที่ฝ่ายสารสนเทศ กล่าวในการประชุม Reuters Momentum AI ที่นิวยอร์ก
"นั่นยังอีกยาวไกล แต่เราสามารถปรับปรุงให้ดีขึ้นได้" Swanson กล่าว "เราได้ลดเวลาในการปรับปรุงยาให้เหมาะสมลงครึ่งหนึ่งแล้ว"
บริษัทด้านยาและอุปกรณ์ทางการแพทย์ในรัฐนิวเจอร์ซีย์แห่งนี้กำลังมุ่งสู่แนวทางที่มุ่งเน้น AI มากขึ้น โดยมุ่งเน้นไปที่กระบวนการหลัก เช่น ผลิตภัณฑ์ที่เปิดใช้งานด้วย AI การพัฒนายา และการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน
"เรากำลังพยายามรักษามะเร็ง" Swanson กล่าว "เราต้องการเครื่องมือทุกอย่างที่เราสามารถใช้ประโยชน์ได้เพื่อที่จะทำเช่นนั้น"
AI ยังมีประโยชน์ในการผลิตอีกด้วย เขากล่าว เทคโนโลยีนี้ได้ช่วยในการตัดสินใจว่าจะเพิ่มตัวทำละลายในเวลาและอุณหภูมิที่เหมาะสมเมื่อใด
J&J ยังใช้ AI เพื่อปรับปรุงการเตรียมเอกสารสำหรับหน่วยงานกำกับดูแล Swanson กล่าว กระบวนการแบบดั้งเดิมสำหรับรายงานการทดลองทางคลินิกอาจใช้เวลา 700 ถึง 900 ชั่วโมง เขากล่าว
เวลานั้นลดลงจาก "700 ชั่วโมงเหลือประมาณ 15 นาที" Swanson กล่าว
Swanson กล่าวว่าแทนที่จะให้คนถูกแทนที่ด้วยเทคโนโลยี เขามองว่าการใช้ AI เป็นทักษะเพิ่มเติมสำหรับพนักงานของบริษัท ปัจจุบัน J&J มีพนักงานด้านเทคโนโลยีสารสนเทศประมาณ 4,000 คน
"วิศวกรซอฟต์แวร์ไม่ได้ถูกแทนที่ ตอนนี้บทบาทของพวกเขากำลังขยายตัว" เขากล่าว "เรายังคงมุ่งเน้นไปที่ทักษะ ทักษะเหล่านี้เป็นทักษะ 'และ' ไม่ใช่ทักษะ 'หรือ'"
(รายงานโดย Michael Erman เขียนโดย Chris Prentice แก้ไขโดย Caroine Humer และ Bill Berkrot)
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"การใช้ประโยชน์จากการดำเนินงานจากการทำงานอัตโนมัติที่ขับเคลื่อนด้วย AI ตามกฎระเบียบ น่าจะส่งผลให้ R&D ROI สูงขึ้น และเวลาออกสู่ตลาดเร็วขึ้นสำหรับท่อส่งระยะท้ายของ JNJ"
การอ้างสิทธิ์ของ JNJ ในการลดเวลาในการปรับปรุงโอกาสลง 50% ถือเป็นชัยชนะด้านประสิทธิภาพการดำเนินงานที่สำคัญ แต่นักลงทุนควรแยกแยะระหว่าง 'ความเร็วสู่โอกาส' และ 'ความน่าจะเป็นของความสำเร็จ' การค้นพบยาเป็นกรวยที่มีอัตราความล้มเหลวสูง การเร่งการระบุสารประกอบจะมีค่าก็ต่อเมื่อช่วยปรับปรุงคุณภาพของผู้สมัครที่เข้าสู่การทดลองทางคลินิกเท่านั้น อัลฟ่าที่แท้จริงอยู่ที่นี่คือการลดเอกสารกำกับดูแล — การลด 900 ชั่วโมงเหลือ 15 นาทีเป็นการลดค่าใช้จ่าย SG&A และเวลาออกสู่ตลาดอย่างมหาศาล หาก JNJ สามารถบีบอัดวงจรการยื่นเอกสารกำกับดูแลทั่วทั้งท่อส่งทั้งหมด เราอาจเห็นการขยายตัวของอัตรากำไรสุทธิอย่างมีนัยสำคัญ และการรับรู้ NPV จากค่าใช้จ่าย R&D ที่เร็วขึ้น
การอ้างสิทธิ์ '700 ชั่วโมงเหลือ 15 นาที' สำหรับการรายงานตามกฎระเบียบ น่าจะหมายถึงการร่างเบื้องต้น โดยไม่คำนึงถึงการตรวจสอบโดยมนุษย์ที่จำเป็นอย่างมากเพื่อให้เป็นไปตามข้อกำหนดของ FDA ซึ่งอาจนำไปสู่ข้อผิดพลาด 'AI-hallucinated' ที่อาจทำให้เกิดความล่าช้าด้านกฎระเบียบหรือค่าปรับ
"ประสิทธิภาพ AI ที่ได้รับการตรวจสอบของ JNJ ใน R&D และการผลิต อาจเร่งการรับรู้มูลค่าของท่อส่งได้ 20-30% ในช่วง 3 ปี"
ชัยชนะของ AI ของ JNJ นั้นเป็นรูปธรรมและน่าเชื่อถือ: การลดเวลาในการปรับปรุงโอกาสลงครึ่งหนึ่งช่วยคัดกรองพื้นที่สารเคมี/ชีวภาพจำนวนมากได้เร็วขึ้น ในขณะที่การลดรายงานการทดลองทางคลินิกจาก 700-900 ชั่วโมงเหลือ 15 นาที ช่วยให้นักวิทยาศาสตร์มีเวลามากขึ้นเพื่อการสร้างสรรค์นวัตกรรม ความแม่นยำในการผลิต (เช่น การจับเวลาตัวทำละลาย) และการปรับปรุงห่วงโซ่อุปทานอาจเพิ่ม EBITDA margins 1-2pp ในช่วง 2 ปี การมุ่งเน้นด้านเนื้องอกสอดคล้องกับท่อส่งมูลค่ากว่า 1.5 หมื่นล้านดอลลาร์ของ JNJ การเพิ่มทักษะพนักงาน IT 4,000 คนช่วยหลีกเลี่ยงการหยุดชะงัก ต่างจาก vaporware ที่อื่น สิ่งเหล่านี้คือการทดลองที่ได้รับการยืนยันจาก CIO ที่กำลังขยายขนาดในขณะนี้ — สัญญาณเชิงบวกสำหรับการเพิ่มขึ้นของ R&D NPV ท่ามกลาง patent cliffs คู่แข่งอย่าง PFE ล้าหลังในความลึกของ AI ที่เปิดเผย
นี่คือการปรับปรุงที่แคบ ไม่ใช่การค้นพบ de novo ที่สวอนสันยอมรับว่า 'ยังอีกยาวไกล' และประวัติ AI ของบริษัทยาไม่ดีนัก โดยมีอัตราความล้มเหลวสูงจากข้อมูลที่มีสัญญาณรบกวนและความสงสัยของ FDA เกี่ยวกับการส่งเอกสารที่ตรวจสอบด้วย AI
"J&J ได้ปรับปรุงด้าน *อินพุต* ของการค้นพบยา (การสร้างโอกาสที่เร็วขึ้น) แต่บทความนี้ไม่ได้ให้หลักฐานว่าสิ่งนี้จะลดวงจรการพัฒนายา 10-15 ปี หรือปรับปรุงโอกาสในการอนุมัติ ซึ่งเป็นตัวชี้วัดที่ขับเคลื่อนมูลค่าผู้ถือหุ้นจริง"
การเพิ่มขึ้นของ AI ของ J&J นั้นเป็นจริง แต่มีขอบเขตจำกัด การลดเวลาในการปรับปรุงโอกาสลงครึ่งหนึ่งมีความสำคัญต่อความเร็วของ R&D แต่บทความนี้ผสมปนเปสองสิ่งที่แตกต่างกันมาก: การคัดกรองสารประกอบ (ประสิทธิภาพที่เพิ่มขึ้น) กับการค้นพบยาใหม่ (การเปลี่ยนแปลง) การอ้างสิทธิ์เอกสารกำกับดูแล 700-15 นาทีนั้นน่าประทับใจ แต่ใช้กับกระบวนการ back-office ไม่ใช่รายได้ การทดสอบที่แท้จริง: การสร้างโอกาสที่เร็วขึ้นจะแปลเป็นจำนวนการอนุมัติของ FDA ที่มากขึ้นหรืออัตราความสำเร็จที่สูงขึ้นในการทดลองระยะที่ II/III หรือไม่? บทความนี้ให้หลักฐานเป็นศูนย์ การอ้างสิทธิ์ของพนักงาน IT 4,000 คนของ J&J และกรอบ 'ทักษะและ' บ่งชี้ถึงการใช้งานที่วัดผลได้ ไม่ใช่การโฆษณาเกินจริง — แต่ก็บ่งชี้ถึงขอบเขตการแข่งขันที่จำกัด หากการคัดกรอง AI กลายเป็นสินค้าโภคภัณฑ์
นี่คือการเพิ่มประสิทธิภาพในกระบวนการที่ไม่ใช่แกนหลัก (การเตรียมเอกสาร การคัดกรองโอกาส) ซึ่งไม่ส่งผลกระทบต่อปัญหาหลักของ J&J: อัตราความสำเร็จของการทดลองทางคลินิกและเวลาออกสู่ตลาดสำหรับยาใหม่ยังคงถูกจำกัดโดยชีววิทยาและกฎระเบียบ ไม่ใช่ความเร็วในการคำนวณ
"AI สามารถลดงาน R&D ที่ไม่ใช่ทางคลินิกได้อย่างมีความหมาย แต่ ROI สุดท้ายขึ้นอยู่กับการแปลการเพิ่มขึ้นของ AI ไปสู่การทดลองที่ประสบความสำเร็จและการอนุมัติจากหน่วยงานกำกับดูแล"
จอห์นสัน แอนด์ จอห์นสัน รายงานว่า AI กำลังลดเวลาในการคัดกรองโอกาสลงครึ่งหนึ่งและลดชั่วโมงการเตรียมเอกสารกำกับดูแล ซึ่งเป็นสัญญาณที่น่าสนับสนุนว่าระบบอัตโนมัติสามารถบีบอัดคอขวดที่ไม่ใช่ทางคลินิกได้ แต่ข้อโต้แย้งที่แข็งแกร่งที่สุดคือคุณค่าที่แท้จริงส่วนใหญ่ในบริษัทยามาจากการรักษาประสิทธิภาพทางคลินิกและการอนุมัติจากหน่วยงานกำกับดูแล ไม่ใช่ความเร็วในการค้นพบ ประสิทธิภาพของ AI ขึ้นอยู่กับคุณภาพของข้อมูล การกำกับดูแลโมเดล และการบูรณาการกับการออกแบบการทดลองที่ซับซ้อน การลดงานระยะเริ่มต้นลงครึ่งหนึ่งอาจไม่ส่งผลให้การอนุมัติเร็วขึ้น หากความล้มเหลวในระยะท้ายมีจำนวนมาก นอกจากนี้ ยังมีความเสี่ยงที่เครื่องมือ AI จะสร้างการพึ่งพามากเกินไปหรือจัดลำดับความสำคัญของโอกาสผิดพลาด และต้นทุนของการขยายขนาด ความปลอดภัยทางไซเบอร์ และประเด็นข้อมูลของรัฐบาลสามารถจำกัด ROI ได้ ขนาดและการกำกับดูแลจะมีความสำคัญพอๆ กับปริมาณงาน
AI อาจเร่งการค้นพบในระยะเริ่มต้น แต่รายการที่จำกัดจริงคือการทดลองระยะท้ายและการอนุมัติจากหน่วยงานกำกับดูแล หากไม่มีการแปลที่พิสูจน์แล้ว การเพิ่มขึ้นในระยะเริ่มต้นมีความเสี่ยงที่จะระเหยไปและอาจนำไปสู่การจัดสรรเงินทุนผิดพลาด
"การปรับปรุงโอกาสที่ขับเคลื่อนด้วย AI ทำหน้าที่เป็นกลไกการรักษาเงินทุนโดยการเร่งการระบุและยุติผู้สมัครยาที่ไม่สามารถใช้งานได้"
Claude คุณพูดถูกว่าการคัดกรองกำลังกลายเป็นสินค้าโภคภัณฑ์ แต่คุณกำลังมองข้ามมุมมองการจัดสรรเงินทุน JNJ ไม่เพียงแค่ปรับปรุงให้เหมาะสมเท่านั้น พวกเขากำลังใช้ AI เพื่อยกเลิกโครงการก่อนหน้านี้ ด้วยการล้มเหลวเร็วขึ้นใน silico พวกเขาจึงรักษาเงินทุน R&D ที่มีค่าไว้สำหรับสินทรัพย์ที่มีความน่าจะเป็นสูง อัลฟ่าที่แท้จริงไม่ใช่แค่ความเร็ว — แต่เป็นการลดการใช้จ่าย 'ความผิดพลาดของต้นทุนจม' กับผู้สมัครระยะที่ II ที่สิ้นหวัง หากพวกเขาประสบความสำเร็จในการลดอัตราการผ่านเกณฑ์สำหรับการทดลอง นั่นคือผลกระทบโดยตรงที่วัดผลได้ต่อ ROIC ระยะยาว
"ทฤษฎีการล้มเหลวเร็วขึ้นของ Gemini ขาดหลักฐานความแม่นยำในการคัดกรองที่เหนือกว่าของ AI ทำให้เสี่ยงต่อ false negatives และการจัดสรร R&D ผิดพลาด"
Gemini การ 'ล้มเหลวเร็วขึ้นใน silico' สมมติว่า AI มีประสิทธิภาพเหนือกว่ามนุษย์ในการคัดกรองโอกาส แต่บทความไม่ได้ให้หลักฐานเกี่ยวกับความแม่นยำของโมเดลหรืออัตรา false negative บริษัทยาเต็มไปด้วยเครื่องมือ AI ที่คัดกรองผู้ชนะออกเนื่องจากอคติของข้อมูล หากไม่มีอัตราการฆ่าที่ได้รับการตรวจสอบเทียบกับเกณฑ์พื้นฐานในอดีต สิ่งนี้มีความเสี่ยงที่จะจัดสรรผิดพลาดไปยังผู้รอดชีวิตที่มีคุณภาพต่ำ ทำให้ ROIC ลดลงแทนที่จะเพิ่มขึ้น ทดสอบกับอัตราการเลิกโครงการระยะที่ II ของ JNJ ในปี 2023
"การคัดกรองที่เร็วขึ้นจะช่วยประหยัดเงินได้ก็ต่อเมื่อต้นทุน false negative ต่ำกว่าการประหยัด SG&A — JNJ ไม่ได้เปิดเผยการแลกเปลี่ยนนั้น"
ความต้องการข้อมูลอัตราการเลิกโครงการระยะที่ II ของ Grok นั้นสมเหตุสมผล แต่พลาดความไม่สมมาตร: JNJ ไม่จำเป็นต้องให้ AI *เหนือกว่า* มนุษย์ — แค่ *เทียบเท่า* กับพวกเขา ในขณะที่ประหยัดเวลา 900 ชั่วโมงต่อสารประกอบ แม้แต่ false negatives 10% ในการคัดกรองก็ยอมรับได้หากช่วยลดค่าใช้จ่าย SG&A ลง 50 ล้านดอลลาร์ต่อปี ความเสี่ยงที่แท้จริงที่ Gemini มองข้าม: หาก AI ยกเลิกโครงการเร็วขึ้น ท่อส่งของ JNJ จะ *ดู* ผอมลง แต่อาจถูกอดอยากจากสินทรัพย์ที่มีศักยภาพปานกลางที่การตัดสินใจของมนุษย์จะก้าวหน้าไปได้ นั่นคือการลาก ROIC ที่ซ่อนอยู่
"วินัยในการกำกับดูแลอัตราการฆ่าและการตรวจสอบตามขั้นตอนเป็นสิ่งจำเป็น หากไม่มีสิ่งเหล่านี้ การคัดกรอง AI ที่เร็วขึ้นอาจเพิ่มปริมาณงาน แต่ล้มเหลวในการปรับปรุง ROI หรือแม้แต่สิ้นเปลืองต้นทุนจม"
Grok สร้างคำเตือนที่ถูกต้องเกี่ยวกับความเสี่ยงของ AI — false negatives, อคติของข้อมูล และการขาดข้อมูลอัตราการเลิกโครงการระยะที่ II — แต่ความเสี่ยงตรงกันข้ามกลับถูกประเมินต่ำเกินไป: หากไม่มีการกำกับดูแลอัตราการฆ่าที่เข้มงวด การคัดกรองที่เร็วขึ้นเพียงอย่างเดียวอาจเพิ่มความผิดพลาดของต้นทุนจมโดยการตัดสินสินทรัพย์ที่ชายแดนซึ่งมนุษย์อาจกู้คืนได้ในภายหลัง ROI ขึ้นอยู่กับเกณฑ์ที่ปรับเทียบ การตรวจสอบตามขั้นตอน และวินัยด้านกฎระเบียบ ไม่ใช่แค่ปริมาณงาน จับตาดูว่า JNJ รายงานเกี่ยวกับการกำกับดูแลโมเดลและผลลัพธ์การทดลองจริงอย่างไร เพื่อหลีกเลี่ยงเศรษฐกิจที่ผิดพลาด
ความก้าวหน้าของ AI ของ Johnson & Johnson ในการค้นพบยา โดยเฉพาะอย่างยิ่งการลดเวลาในการปรับปรุงโอกาสลงครึ่งหนึ่ง และการลดเวลาในการเตรียมเอกสารกำกับดูแลอย่างมีนัยสำคัญ โดยทั่วไปถือว่าเป็นผลบวก อย่างไรก็ตาม ผู้ร่วมอภิปรายเห็นพ้องกันว่ามูลค่าที่แท้จริงอยู่ที่ว่าการปรับปรุงเหล่านี้จะนำไปสู่การอนุมัติของ FDA มากขึ้นหรืออัตราความสำเร็จที่สูงขึ้นในการทดลองระยะหลังหรือไม่
การนำ AI ไปใช้สำเร็จเพื่อ 'ล้มเหลวเร็วขึ้นใน silico' ลดการใช้จ่าย 'ความผิดพลาดของต้นทุนจม' กับผู้สมัครระยะที่ II ที่สิ้นหวัง และรักษาเงินทุน R&D สำหรับสินทรัพย์ที่มีความน่าจะเป็นสูง
การพึ่งพาเครื่องมือ AI มากเกินไปนำไปสู่การจัดลำดับความสำคัญของโอกาสผิดพลาดหรือ false negatives ซึ่งอาจกัดกร่อนผลตอบแทนจากเงินทุนที่ลงทุน (ROIC)