IA agentique dans le développement de médicaments : battage médiatique ou réalité ?

Pendant la majeure partie des trois dernières années, l'engagement de l'industrie pharmaceutique avec l'intelligence artificielle a été dominé par une catégorie d'outils relativement familière : des grands modèles linguistiques qui répondent aux questions, résument des documents, génèrent du texte et réagissent aux invites humaines. Utile, certes. Transformateur dans certains contextes opérationnels. Mais fondamentalement réactif — il attend d'être sollicité, produit une sortie, puis s'arrête.

L'IA agentique est quelque chose de fondamentalement différent. Un système d'IA agentique n'attend pas d'être sollicité. Il raisonne, planifie et exécute de manière autonome des workflows complexes en plusieurs étapes vers un objectif défini, avec une intervention humaine directe minimale à chaque étape. 

Il peut proposer une expérience, évaluer le résultat, réviser l'hypothèse, sélectionner le test suivant et itérer, dans une boucle continue et autodirigée. Pour le développement de médicaments pharmaceutiques, un domaine défini par des workflows de développement pluriannuels et multimilliardaires qui échouent à des taux supérieurs à 90%, il ne s'agit pas d'une amélioration incrémentale. C'est une disruption structurelle potentielle.

La question à laquelle l'industrie se confronte réellement n'est pas de savoir si l'IA agentique existe, car elle existe clairement. La question est de savoir si elle fournit des résultats réels et reproductibles dans le développement de médicaments, ou si le moment actuel n'est qu'une nouvelle vague d'enthousiasme technologique en avance sur la base de preuves. 

La réponse honnête est que les deux choses se produisent simultanément, à différents niveaux de la chaîne de développement, et la distinction entre elles compte énormément pour quiconque prend aujourd'hui des décisions d'investissement ou d'adoption.

Que fait réellement l'IA agentique dans le développement de médicaments ?

Pour évaluer si l'IA agentique est du battage médiatique ou une réalité, il est d'abord nécessaire de comprendre précisément ce qu'elle fait et où, dans la chaîne de développement, elle est actuellement appliquée de la manière la plus significative.

Les systèmes d'IA agentique dans le développement pharmaceutique opèrent généralement dans un ou plusieurs des modes fonctionnels suivants :

a) Exécution autonome du cycle Design-Make-Test-Analyse (DMTA) — Les cycles DMTA traditionnels, les boucles itératives par lesquelles les chimistes médicinaux conçoivent des molécules candidates, les synthétisent, les testent dans des essais et analysent les résultats pour informer la conception suivante, prennent des semaines par cycle. Les plateformes d'IA agentique peuvent compresser ce cycle en connectant des modèles de conception computationnelle, des plateformes de synthèse robotisée et des systèmes d'essais automatisés dans une boucle fermée qui fonctionne avec une prise de décision humaine minimale entre les étapes.

b) Identification et validation de cibles — Les systèmes agentiques analysent des données génomiques, protéomiques et des voies de la maladie pour identifier de nouvelles cibles thérapeutiques, les classer selon leur « druggability » et leur tractabilité clinique, et générer des hypothèses pour validation expérimentale, des tâches qui nécessitaient auparavant des mois d'efforts de recherche humaine.

c) Conception et optimisation d'essais cliniques — L'IA agentique analyse d'énormes jeux de données d'essais historiques, la littérature scientifique et des preuves du monde réel pour proposer des conceptions de protocoles optimisées — critères de sélection des patients, choix des endpoints, schéma posologique et déclencheurs de conception adaptative, avec un niveau d'intégration des données qu'aucune équipe humaine ne peut égaler sur le même laps de temps.

d) Identification de biomarqueurs — Des modèles d'IA multimodaux entraînés sur des dossiers de santé électroniques, des images de pathologie et des données moléculaires peuvent identifier des biomarqueurs prédictifs pour la stratification des patients dans les essais cliniques, permettant une sélection de patients plus précise et améliorant la probabilité de démontrer l'efficacité dans la population enrôlée.

Chacun de ces modes implique un système d'IA qui n'aide pas simplement un décideur humain en fournissant des informations. Il prend activement les premières étapes de manière autonome et présente une sortie raffinée, prête à être révisée, avec un niveau de qualité qui nécessitait auparavant des semaines d'efforts d'experts pour être produit.

Les preuves : Qu'est-ce que l'IA agentique a réellement apporté ?

C'est là que la question « battage médiatique ou réalité ? » devient empiriquement répondable. Les preuves sont réelles, en croissance et, dans certains cas, véritablement frappantes. Mais elles sont aussi concentrées aux premiers stades de la chaîne de développement, et une prudence mesurée quant aux conclusions en phase avancée reste de mise.

Au stade de la découverte et de la préclinique, les résultats sont vraiment impressionnants et de mieux en mieux documentés :

1. Insilico Medicine a rapporté un taux de réussite de 100 % dans la progression de ses candidats précliniques nommés par l'IA jusqu'au statut d'Investigational New Drug (IND) — ce qui signifie qu'aucun de ses candidats conçus par l'IA n'a été arrêté avant d'atteindre les essais cliniques. Sa petite molécule conçue par l'IA pour la fibrose pulmonaire idiopathique a atteint la Phase II en environ deux ans et demi, un calendrier qui prendrait normalement cinq ans ou plus en découverte conventionnelle.

1. Schrödinger dispose de trois programmes oncologiques en phase clinique, SGR-1505 (pour les lymphomes), SGR-2921 (pour la leucémie myéloïde aiguë) et SGR-3515 (un inhibiteur dual WEE1/MYT1L pour les tumeurs solides), tous générés via sa plateforme computationnelle basée sur la physique. Les premières données de Phase I sont prometteuses, avec SGR-1505 démontrant une suppression puissante de la cible et SGR-2921 atteignant des expositions pharmacologiquement pertinentes avec un profil d'innocuité gérable.

1. Les analyses de BioPharm International (2025) rapportent que les molécules découvertes par l'IA ont atteint des taux de réussite des essais cliniques de Phase I de l'ordre de 80–90 %, nettement supérieurs aux moyennes historiques traditionnelles de 40–65 %.

1. En oncologie, une collaboration entre une grande entreprise pharmaceutique et des fournisseurs spécialisés en IA a produit le plus grand modèle fondation multimodal en oncologie à ce jour, entraîné sur des dossiers de santé électroniques, des résultats de laboratoires et des images de pathologie, maintenant utilisé pour accélérer l'identification de biomarqueurs à travers plusieurs indications cancéreuses.

1. La plateforme de pathologie computationnelle Quantitative Continuous Scoring (QCS), présentée au congrès ESMO Targeted Anticancer Therapies 2026, a réduit son temps de développement d’environ 2,5 ans à environ 5,5 mois grâce à l’utilisation de modèles d’IA de pointe.

L’application de conception d’essais cliniques génère également des données crédibles. Statista rapporte que le cycle moyen des essais cliniques, de la Phase I à l’achèvement de la Phase III, a augmenté de sept mois entre 2020 et 2024. 

L’IA agentive appliquée à l’optimisation des protocoles, à la sélection des sites, au recrutement des patients et à la gestion des designs adaptatifs est déployée pour inverser cette tendance, avec des premières implémentations chez des entreprises telles qu’Owkin, CytoReason et Medable rapportant des réductions significatives des temps de mise en place des essais.

Cinq exemples documentés d’IA améliorant la prévisibilité tout au long du pipeline de développement de médicaments. 

→ Lire : Comment l’IA améliore la prévisibilité dans le développement de médicaments : 5 études de cas réelles

Où l’enthousiasme dépasse-t-il la réalité ?

Une évaluation honnête et complète de l’IA agentive en développement pharmaceutique exige de reconnaître clairement où l’enthousiasme prend de l’avance sur les preuves.

L’écart le plus important se situe au niveau du développement clinique de phase avancée. Des taux de réussite en Phase I de 80–90 % pour des molécules découvertes par l’IA sont véritablement convaincants, mais la Phase I a toujours été principalement axée sur la démonstration de la sécurité et de la tolérabilité initiale, pas sur l’efficacité thérapeutique. 

Les tests les plus difficiles, la preuve de concept en Phase II et la confirmation d’efficacité en Phase III, sont historiquement ceux où la plupart des échecs de médicaments surviennent, et où le bilan de l’IA agentive est encore trop limité et trop récent pour tirer des conclusions solides. Le secteur attend collectivement encore que la première molécule découverte par l’IA termine avec succès un essai de Phase III et obtienne une autorisation réglementaire sur cette base.

Il existe aussi des défis structurels et de gouvernance importants que l’IA agentive ne résout pas d’elle-même et qui, dans certains cas, peuvent même compliquer la situation :

1) Acceptation réglementaire des résultats agentifs — La FDA et l’EMA n’ont pas encore établi de cadres clairs indiquant comment les contributions de l’IA agentive à la découverte de médicaments et à la conception d’essais cliniques doivent être documentées, validées et soumises dans les dossiers réglementaires. 

Le cadre émergent de la FDA pour l’évaluation de la crédibilité de l’IA (projet de guidance de janvier 2025) couvre généralement les données générées par l’IA, mais les systèmes agentifs, qui prennent des séries de décisions autonomes, posent des problèmes d’attribution et d’auditabilité que les modèles d’IA ponctuels ne présentent pas.

2) Qualité des données et risque d’hallucination — Les systèmes d’IA agentive ne sont fiables qu’à la mesure des données sur lesquelles ils opèrent et des modèles qui les interprètent. Dans un contexte de développement de médicaments, une cascade de décisions autonomes basée sur une hypothèse défaillante ou un jeu de données d’entraînement mal organisé peut amplifier les erreurs sur de nombreuses étapes avant qu’un réviseur humain n’identifie le problème.

3) Complexité d’intégration — Relier des plateformes de chimie computationnelle, des systèmes de synthèse robotique, des lecteurs d’essais automatisés et l’infrastructure de gestion des données dans une boucle agentive réellement fermée nécessite une interopérabilité technologique et des données que la plupart des organisations pharmaceutiques n’ont pas encore atteinte.

Les entreprises qui bâtissent l’infrastructure pour la suite ?

Le signal le plus clair que l’IA agentive en développement pharmaceutique est réellement concrète, et non du battage médiatique, est la qualité, la crédibilité et l’échelle des organisations qui y investissent. Il ne s’agit pas de paris spéculatifs faits par des startups en phase initiale sur une science non prouvée. Ce sont des engagements stratégiques majeurs de la part d’entreprises et d’investisseurs disposant d’un accès direct et privilégié aux données de performance.

Les organisations qui façonnent le plus activement cet espace en 2025 et 2026 incluent :

1. Recursion Pharmaceuticals / Exscientia (Fusionnées 2024): construisant une plateforme TechBio de bout en bout combinant le moteur de génération de données phénotypiques de Recursion avec les capacités de conception de petites molécules de précision d’Exscientia

1. Insilico Medicine — poursuivant un accord de 2,75 milliards de dollars avec Eli Lilly pour commercialiser des médicaments développés par l’IA, avec 115 millions de dollars versés d’avance

1. Isomorphic Labs (Google DeepMind) — appliquant des connaissances de biologie structurale dérivées d’AlphaFold à la conception autonome de médicaments avec des partenariats marquants avec Eli Lilly et Novartis

1. Owkin — déployant une architecture multi-agent spécialisée utilisant le retour des données patients pour optimiser la conception d’essais cliniques et l’identification de biomarqueurs, avec un objectif explicite d’atteindre un taux de succès clinique de 50 %, plus de cinq fois la moyenne actuelle de l’industrie

1. CytoReason — a lancé un agent d’IA lors de la JPMorgan Healthcare Conference 2026 axé sur l’identification de cibles en immunologie et la stratification des patients

1. Pistoia Alliance — a lancé une initiative dédiée à l’IA agentive en septembre 2025, recherchant des financements industriels pour promouvoir une adoption sûre et validée des systèmes agentifs dans la R&D pharmaceutique

Recursion. Insilico. Isomorphic. Les noms sont familiers, mais le champ est bien plus large.

Voici 19 startups qui construisent déjà l’infrastructure de découverte de médicaments agentive qui arrive. 

→ Lire : 19 startups pharmaceutiques qui façonnent la découverte de médicaments pilotée par l’IA

Conclusion : réel, précoce et gagnant en crédibilité

L’IA agentielle dans le développement de médicaments n’est ni un simple battage médiatique ni une réalité totalement prouvée. C’est quelque chose de plus nuancé et, finalement, de plus intéressant : un véritable point d’inflexion technologique qui délivre des résultats mesurables et reproductibles aux stades de la découverte et des premiers essais cliniques, tandis que son impact en phase avancée reste à démontrer et à confirmer au cours des trois à cinq prochaines années d’accumulation de preuves cliniques.

Les éléments probants fournis par Insilico Medicine, Schrödinger, Owkin et le paysage plus large de la découverte de médicaments par IA établissent clairement que les systèmes agentiels réduisent effectivement les délais, améliorent les taux de réussite en phase précoce et permettent des formes d’intégration multimodale de données qu’aucune équipe de recherche humaine ne peut reproduire à une vitesse ou une échelle comparables. 

Ce qu’ils n’ont pas encore réalisé, c’est d’obtenir une autorisation réglementaire dont les origines remontent directement à un processus de découverte agentiel de bout en bout. Cette autorisation, lorsqu’elle arrivera — et la plupart des observateurs sérieux et bien informés s’attendent à ce qu’elle arrive avant 2030 — sera le moment où la question « battage médiatique ou réalité ? » prendra définitivement fin. 

D’ici là, la réponse la plus exacte et la plus utile est la suivante : c’est assez réel pour y investir, et suffisamment précoce pour pouvoir l’influencer. Les organisations qui développent aujourd’hui leurs capacités d’IA agentielle, alors que les cadres réglementaires et scientifiques sont encore en train de se former, seront les mieux placées pour diriger lorsque l’ensemble des preuves sera enfin complet.

FAQ

1. Qu’est-ce que l’IA agentielle dans le développement de médicaments ?

L’IA agentielle désigne des systèmes d’intelligence artificielle capables de planifier, raisonner et exécuter de manière autonome plusieurs étapes vers un objectif défini, au lieu de se contenter de répondre à des requêtes utilisateur. Dans le développement de médicaments, ces systèmes peuvent aider à concevoir des expériences, analyser des résultats, générer de nouvelles hypothèses et recommander la prochaine marche à suivre avec une intervention humaine minimale. Cela permet aux chercheurs d’automatiser des flux de travail complexes qui nécessitaient traditionnellement un effort manuel important. En conséquence, l’IA agentielle a le potentiel d’accélérer diverses étapes du processus de découverte et de développement de médicaments.

2. Comment l’IA agentielle est-elle utilisée en recherche pharmaceutique ?

L’IA agentielle est appliquée à plusieurs stades de la recherche pharmaceutique, notamment l’identification de cibles, la conception de molécules médicamenteuses, la découverte de biomarqueurs et l’optimisation des essais cliniques. Elle peut analyser de grands ensembles de données issus de la génomique, de la protéomique, de la littérature scientifique et des dossiers patients pour identifier des candidats-médicaments prometteurs et améliorer l’efficacité de la recherche. Certaines plateformes s’intègrent également à l’automatisation des laboratoires pour soutenir des cycles continus Design-Make-Test-Analyse (DMTA). Ces capacités aident les chercheurs à prendre des décisions plus rapides et fondées sur les données tout au long du pipeline de développement.

3) L’IA agentielle a-t-elle déjà prouvé sa valeur dans le développement de médicaments ?

L’IA agentielle a montré des résultats prometteurs, en particulier pendant les stades de découverte et précliniques du développement de médicaments. Plusieurs sociétés pharmaceutiques et entreprises d’IA ont rapporté une identification plus rapide des molécules, des délais de développement raccourcis et des résultats cliniques précoces encourageants grâce à des approches assistées par IA. Cependant, la plupart des preuves disponibles proviennent de recherches en phase précoce, et le succès à long terme jusqu’aux essais cliniques de phase III et à l’approbation réglementaire reste limité. Bien que la technologie ait démontré un potentiel significatif, davantage de preuves cliniques sont nécessaires avant que son impact complet puisse être confirmé.