95% пилотов ИИ в фармацевтике провалились. Виноваты не алгоритмы

Отрасль потратила сотни миллиардов долларов на пилоты генеративного ИИ в фармацевтике — и большинство из них тихо закрылось. По данным отчёта Benchling «2026 Biotech AI Report», 95% корпоративных внедрений так и не вышли на измеримый результат. Причина не в том, что модели плохи: виновата биология данных, которая оказалась сложнее, чем ожидали.

Вот конкретная картина. Среди барьеров для масштабирования ИИ в биомедицине 55% компаний называют низкое качество и неполноту данных как главную причину провала проектов. Генеративный дизайн молекул внедрён лишь у 42% организаций, анализ биомаркеров — у 40%, прогнозирование фармакокинетики (ADME — поглощение, распределение, метаболизм, выведение) — у 29%. Это не отставание по алгоритмам. Это отставание по экспериментальной культуре: биологические данные «живут» в дюжине несвязанных систем, ключевые метаданные часто отсутствуют, и никакая постфактическая нормализация этого не исправит.

Для понимания масштаба: суммарная стоимость объявленных партнёрств по ИИ в поиске лекарств превысила $15 млрд в «биобаксах» за 2025 год. Но реальные авансовые платежи составили около 2% от этих сумм — остальное привязано к клиническим и коммерческим результатам, которые пока не подтверждены. Несколько хорошо финансируемых компаний полностью закрылись или приостановили клинические программы. Разрыв 50:1 между объявленными суммами и реальными выплатами — это не скептицизм прессы, это сигнал рынка о том, что доказательство состоятельности ИИ ещё не получено.

Есть и позитивные исключения. Absci вывела первый ИИ-разработанный препарат ABS-101 в клинические испытания за два года вместо среднеотраслевых 5,5 лет. Moderna развернула 750 специализированных GPT-инструментов и достигла 80% внутреннего охвата среди сотрудников. Isomorphic Labs привлекла $600 млн в марте 2025 года и готовит первые молекулы к фазе I клинических испытаний. Что объединяет успешных? Не мощность модели, а глубина интеграции мокрой и сухой лаборатории — по данным Benchling, компании с высокой степенью такой интеграции вдвое чаще сообщают об успехе ИИ-проектов (30% против 18%).

Регуляторная среда нагнетает дополнительное давление. В январе 2025 года FDA опубликовало черновое руководство по применению ИИ в регуляторных решениях: семишаговая система оценки достоверности моделей, требования к прозрачности архитектуры и данных обучения, обязательные планы жизненного цикла. В декабре того же года агентство квалифицировало первый ИИ-инструмент, одобренный для клинических испытаний, — платформу оценки биопсий печени при лечении НАСГ (неалкогольного стеатогепатита). Это небольшой, но принципиальный прецедент: FDA начинает встраивать ИИ в регуляторную цепочку, а не держать его за её пределами.

Вывод для стратегов: вопрос уже не «внедрять ли ИИ», а «есть ли у нас данные, которые ИИ сможет использовать». Компании, которые сегодня инвестируют в проспективный сбор хорошо аннотированных данных и интеграцию лабораторных систем, формируют конкурентный барьер, который через три-пять лет будет трудно преодолеть.

Источники