Perceptic: бывшие инженеры Palantir запустили end-to-end AI-платформу для разработки лекарств

$12 миллионов. Три бывших инженера Palantir. Одна цель — сделать разработку лекарств такой же предсказуемой, как сборку дашборда.

Компания выходит из стелс-режима с амбицией стать «соединительной тканью» между десятками AI-инструментов, которые фармкомпании накупили за последние три года, но так и не научились использовать как единую систему.

Стартап уже работает с несколькими крупнейшими фармпроизводителями — официально назван только CSL, австралийская биотех-компания. Seed-раунд на $12 млн возглавил Accel, легендарный фонд, который зашел в Facebook на 100 страниц кода и в Slack на 8 тысяч строк.

Рынок AI в фармацевтических R&D оценивался в $3,3 млрд в 2025 году, и, по разным прогнозам, вырастет до $14–18 млрд к 2031 году при CAGR около 25–32%. Только в первом квартале 2026 года AI-ориентированные drug discovery компании привлекли рекордные $11 млрд — 19 мега-раундов по $100 млн и выше, восемь новых единорогов.

На этом фоне $12 млн Разработчик — скромная сумма. Но контекст решает: стартап не просит денег на дорогой вычислительный кластер или многолетние клинические испытания. Он уже в продакшене.

Не AI, а клей

Большинство AI-компаний в фарме решают одну задачу: предсказать структуру белка, найти молекулу-кандидат, оптимизировать набор пациентов в клинические испытания. Проект делает то, что никто не сделал — соединяет их.

Генеральный директор и сооснователь Tilman Flock, биоинформатик по образованию, проработавший семь лет в Palantir над AI-платформой для life sciences, описывает проблему так: у фармкомпаний есть три типа данных — публичные (патенты, литература), собственные (результаты многолетних исследований) и внешние (от консультантов и дата-вендоров).

Каждый тип существует в своём «слое». Аналитики тратят недели на ручное сведение этих слоёв, чтобы принять одно решение — например, стоит ли лицензировать конкретный актив у биотех-стартапа.

Он заменяет этот процесс AI-воркерами: программными агентами, настроенными на разные типы данных. Один воркер сканирует патентный ландшафт, второй — клинические регистры, третий — внутренние данные компании. Результаты сводятся в единую «карту решений» с прозрачной цепочкой рассуждений.

Разработчик лекарств может открыть эту карту и увидеть: на основании каких данных AI-воркер рекомендовал препарат X, какие контраргументы были взвешены, какой уровень неопределённости остаётся. Это не чёрный ящик. Это аудируемый AI.

Как мы писали в мае, рынок AI-открытия лекарств уже достиг $2,3 млрд с 173 программами в разработке — Платформа входит в него не с очередной моделью, а с инфраструктурой, которая заставляет эти модели работать вместе.

Три области, где Компания уже применяется

Компания фокусируется на трёх направлениях, каждое из которых решает конкретную болевую точку фарм-индустрии.

Внешний скрининг активов. Большие фармкомпании тратят миллионы на оценку сотен биотех-активов в год, чтобы выбрать единицы для лицензирования. Due diligence занимает недели: команда из 5–10 человек перелопачивает научную литературу, данные доклиники, патенты, финансовые модели. Стартап сжимает этот процесс до часов. Как говорит Flock, система «не просто ускоряет due diligence — она меняет его структуру», позволяя рассматривать в 10 раз больше активов без увеличения штата.

Выбор показаний для клинических испытаний. Это решение, которое может стоить компании $100–500 млн в зависимости от фазы. Оркестратор помогает фармкомпаниям определить, для каких заболеваний их молекула имеет наибольшие шансы — на основе генетических данных, эпидемиологии и конкурентного ландшафта. Flock описывает это как «Data Foundation» для дизайна клинических испытаний, которая уже показала 50-кратное увеличение объёма извлекаемых клинических данных.

Научный due diligence при M&A. Когда фармгигант покупает биотех-компанию, он должен за недели понять, работает ли её технология на самом деле. Сервис автоматизирует сбор и анализ научной и патентной информации, позволяя принимать решение на основе данных, а не на основе презентации продавца. Сжатие цикла due diligence с 4 недель до «нескольких часов» — одно из ключевых value proposition стартапа.

«С точки зрения, когда у вас есть гипотеза и доказательства, до того момента, когда вы проектируете клиническое испытание — и всё, что между ними — нет никакого смысла, чтобы это было разрознено.»— Sonali De Rycker, партнёр Accel, лидер раунда

Главная проблема: ни один AI-препарат не дошёл до апрува

Компания может идеально решить задачу интеграции данных, и этого всё равно может оказаться недостаточно. Потому что фундаментальный вопрос ко всей индустрии AI drug discovery остаётся открытым: где препарат, открытый AI, который прошёл полный цикл клинических испытаний и получил одобрение FDA?

Его нет. Ни одного.

Isomorphic Labs, Recursion, Insilico — десятки компаний суммарно потратили более $60 млрд (по данным Axis Intelligence), и ни одна не довела AI-открытую молекулу до рынка. Insilico ближе всех: rentosertib в фазе 2b при фиброзе лёгких. Если фаза 3 пройдёт успешно, первый AI-препарат может появиться в 2027–2028.

Стартап не решает эту проблему. Он решает другую, не менее важную: фармкомпании годами накапливали данные и инструменты, но не могут заставить их работать как единую систему. Если AI в фарме когда-нибудь сработает — а скептиков меньше не становится — то сработает он именно в такой инфраструктурной модели. Не чёрный ящик, а прозрачный ассистент, который ускоряет решения учёных, а не заменяет их.

Accel, который инвестировал в Оркестратор, известен тем, что заходит рано и надолго. Де Райкер рассказала Fortune, что фонд отслеживал команду ещё во время их работы в Palantir и встретился с ними сразу после ухода. Инвестиция состоялась через год после первой встречи — к тому моменту Сервис уже перешёл от пилотов к платным продакшен-развёртываниям.

Это дисциплинирует. Palantir-бэкграунд основателей означает, что они знают, сколько на самом деле стоит enterprise-внедрение и как долго оно окупается. Они не обещают «революцию в лечении рака за 6 месяцев». Они обещают, что фармкомпания сможет принимать решения на основе данных на 10× быстрее. Это измеримо. И это проверяемо.

Когда появится первый препарат, открытый AI?

Сценарии развития