Benchling, la
plateforme de R&D utilisée par plus de 1 300 entreprises de biotechnologie
dans le monde, annonce la publication de son rapport 2026 sur l’IA en
biotechnologie, une nouvelle étude sectorielle analysant l’usage concret de
l’intelligence artificielle dans la recherche et le développement en
biotechnologie et biopharma.
Commandé par Benchling
et basé sur une enquête menée auprès de 104 organisations de biotechnologie et
pharmaceutiques utilisant activement l’IA aujourd’hui, le rapport offre un
éclairage rare qui va au-delà des phases d’expérimentation et de pilotes. Il montre
comment les organisations les plus avancées intègrent des copilotes, des
modèles scientifiques et des agents d’IA dans leurs flux de travail
scientifiques quotidiens (workflows).
Les résultats montrent
que l’IA génère un impact déjà mesurable tout au long du cycle de R&D - et
ce, remontant bien avant l’arrivée du premier médicament conçu par l’IA en
clinique - tout en mettant en évidence un écart croissant entre les capacités
de l’IA et des infrastructures de données héritées.
Les principaux
enseignements du rapport incluent
L’IA accélère la
R&D dès aujourd’hui, et pas seulement en théorie.
La moitié des organisations interrogées constatent une atteinte des objectifs plus rapide, tandis que 56% anticipent des réductions de coûts significatives au cours des deux prochaines années. Par ailleurs,
42% observent déjà une amélioration de
la précision scientifique et des taux de succès grâce aux modèles
scientifiques, illustrant l’impact de l’IA en amont, dès la phase de découverte
et de conception expérimentale.
La biotechnologie a
identifié ses premiers « killer apps » de l’IA.
Les cas d'utilisation
de l'IA auxquels les scientifiques font confiance et qu'ils utilisent
quotidiennement :
• la revue de littérature et l’extraction de
connaissances (76 %),
• la prédiction de la structure des protéines
(71 %),
• le reporting scientifique (66 %)
• l’identification de cibles (58 %).
Cela démontre à quel
point l'adoption de l'IA est plus forte dans les domaines où les données sont
structurées, locales et faciles à valider.
L’adoption de l’IA
ralentit à mesure que la science devient plus complexe et réglementée.
Des cas d’usage plus avancés - comme la conception moléculaire générative (42%), l’analyse de biomarqueurs (40%) ou la prédiction ADME (29%) - restent plus difficiles à déployer à grande échelle.
La limite ne vient pas des modèles eux-mêmes, mais
d’environnements de données fragmentés, de métadonnées manquantes ou encore de
la difficulté à vérifier les résultats entre équipes et systèmes.
La qualité des données
est désormais le principal frein au déploiement de l’IA en biotechnologie.
55% des répondants
citent la qualité et la disponibilité des données comme un facteur majeur
d’échec ou de sous-performance des projets d’IA, suivies par les enjeux de
propriété intellectuelle, de sécurité et de conformité (50%). Les organisations
affichant une adoption plus avancée de l’IA déclarent de manière cohérente
disposer de fondations de données plus intégrées et standardisées.
Les scientifiques ont
déjà basculé vers des workflows « AI-first ».
89% des scientifiques
utilisent désormais des outils d’IA tels que des copilotes ou des modèles de
langage comme premier réflexe pour l’exploration des connaissances, et 77%
s’appuient sur des sources de données externes. Toutefois, de nombreux systèmes
de R&D n’ont pas été conçus pour soutenir une science « AI-first »,
générant des frictions à mesure que l’adoption s’accélère.
Un nouveau modèle
opérationnel de l’IA émerge.
Les organisations
biotech les plus avancées se réorganisent autour d’équipes hybrides combinant
expertise scientifique et compétences en IA, privilégient la montée en
compétences interne plutôt que le recrutement externe, et adoptent une approche
« construire ce qui différencie, acheter ce qui s’industrialise » pour les
applications et modèles d’IA.
Plutôt que de constater les avancées de l’IA en se concentrant sur une seule molécule, le rapport démontre et décortique comment des gains incrémentaux en vitesse, en prise de décision et en conception expérimentale s’additionnent tout au long du cycle de R&D, transformant en profondeur le fonctionnement des organisations biotech - et les infrastructures dont elles auront besoin demain.