De Novartis à Roche, les géants pharmaceutiques misent sur l’intelligence artificielle pour accélérer leur recherche. Mais une révolution scientifique suffit-elle à transformer le modèle économique d’un secteur où les prix restent avant tout une affaire de stratégie ?

En janvier 2020, la société britannique Exscientia annonçait un résultat inédit : une molécule candidate contre les troubles obsessionnels compulsifs, intégralement conçue par intelligence artificielle, venait d’entrer en essai clinique de phase I après seulement douze mois de recherche, contre quatre à cinq ans en moyenne pour les méthodes conventionnelles. Cet exemple emblématique résume à la fois les promesses de l’IA dans le domaine pharmaceutique et la complexité de la question qui en découle : si la recherche coûte moins cher et va plus vite, le prix des médicaments finira-t-il par baisser ?

Le processus classique de développement d’un médicament est long, risqué et onéreux. Entre la recherche fondamentale, les essais cliniques et la mise sur le marché, il faut souvent plus d’une décennie pour qu’une molécule devienne un traitement accessible. Les estimations des coûts varient considérablement selon les méthodologies : certaines études industrielles avancent des montants dépassant deux milliards de dollars par médicament, tandis que des analyses indépendantes concluent à des chiffres sensiblement inférieurs. Ces écarts illustrent d’emblée la difficulté à établir un consensus, et la nécessité de traiter ces données avec prudence.

L’IA intervient principalement dans les premières étapes du pipeline : identification des cibles thérapeutiques, conception de molécules et optimisation des candidats. Chez Novartis, des algorithmes d’apprentissage profond analysent en temps réel les images de cellules traitées par des composés expérimentaux, permettant de trier des millions de molécules à une vitesse qu’aucune équipe humaine ne pourrait atteindre. Chez Roche, la filiale Genentech a développé une approche dite « lab-in-the-loop » : les données générées en laboratoire alimentent en continu des modèles d’IA, qui génèrent de nouvelles prédictions testées à leur tour en laboratoire, créant un cycle d’apprentissage itératif particulièrement efficace pour la découverte de cibles thérapeutiques inédites. Le cas le plus documenté à ce jour reste celui d’Exscientia, dont la plateforme Centaur Chemist a permis de concevoir la molécule DSP-1181 en moins de douze mois, en ne synthétisant que 350 composés au lieu des 2 500 habituellement nécessaires. Si ces résultats sont réels, ils restent encore trop récents et trop peu nombreux pour permettre de tirer des conclusions définitives sur leur impact économique global.

C’est là que la promesse d’une baisse des coûts rencontre ses premières limites. Même si l’IA accélère sensiblement la phase de découverte, la portion la plus onéreuse du développement reste celle des essais cliniques sur l’être humain, un processus encadré par des exigences réglementaires strictes auxquelles aucun algorithme ne peut se substituer. En 2023, la FDA américaine a approuvé 55 nouveaux médicaments ; en 2024, ce chiffre s’établissait à 50. Ces données témoignent d’un secteur dynamique, mais elles ne signalent aucune simplification majeure des étapes de validation. Les essais restent longs, coûteux et à fort taux d’échec : même si la phase de découverte s’accélère grâce aux algorithmes, l’essentiel des coûts subsiste ailleurs dans la chaîne.

Supposons toutefois que l’IA réduise réellement les dépenses de recherche. Cela entraînerait-il mécaniquement des prix plus bas pour les patients ? Rien n’est moins sûr. Le tarif d’un médicament dépend d’un ensemble de facteurs bien distincts du coût de développement : stratégie commerciale, exclusivité liée aux brevets, négociation avec les systèmes de santé, concurrence existante ou absence d’alternative thérapeutique. Les laboratoires pharmaceutiques fixent généralement leurs prix en fonction de la valeur perçue par le marché, bien davantage qu’en fonction de ce qu’il leur a coûté d’aboutir à la molécule. L’histoire récente illustre cette réalité : les innovations technologiques précédentes, automatisation, biotechnologies, séquençage génétique, n’ont pas engendré de baisse générale des prix. Dans certains cas, elles ont au contraire rendu possible le développement de traitements ultra-spécialisés, commercialisés à des tarifs élevés en raison de leur caractère innovant ou de leur destination à des populations restreintes. La logique économique n’a pas changé : une innovation qui réduit les coûts de production accroît les marges avant de faire baisser les prix.

L’IA pourrait néanmoins contribuer indirectement à une compression des coûts. En augmentant le taux de succès des candidats médicaments, elle pourrait réduire le nombre d’échecs coûteux, un problème majeur du secteur, où environ 90 % des molécules n’atteignent jamais le marché, contraignant les entreprises à répartir l’intégralité de leurs dépenses sur les seuls produits qui réussissent. Une meilleure sélection initiale rendrait donc la recherche structurellement plus efficiente. Certains chercheurs évoquent également une accélération du développement de médicaments génériques ou de biosimilaires grâce à l’analyse automatisée des données, ce qui renforcerait la concurrence, un levier historiquement efficace pour faire reculer les prix. Ces effets restent cependant difficiles à mesurer et leur impact réel devra s’observer dans la durée.

En définitive, toute baisse éventuelle des prix dépendra autant des choix politiques que de l’innovation technologique. Les régulateurs et les systèmes de santé devront décider comment intégrer les gains de productivité liés à l’IA dans leurs négociations tarifaires avec l’industrie. Sans transparence accrue sur les coûts réels de recherche, en distinguant notamment ce que l’IA permet d’économiser de ce que les essais cliniques continuent de coûter, il sera impossible d’évaluer si ces économies bénéficient effectivement aux patients ou si elles se traduisent simplement par une amélioration des marges des laboratoires.

Retrouvez l’ensemble de nos articles Tech