Reproduction du « moment des semi-conducteurs » : une « transaction de goulot d'étranglement » dans la pharmaceutique IA prend forme, qui sera le prochain « vendeur de pelles » ?

L’IA est en train de remodeler la logique sous-jacente de la découverte de médicaments ; une opportunité d’investissement semblable au « trade des goulets d’étranglement » de l’industrie des semi-conducteurs est en train d’émerger discrètement dans la chaîne d’approvisionnement pharmaceutique.

Le 4 octobre, Freda Duan, associée chez le fonds dollar de premier plan Altimeter Capital, a récemment publié un article signalant que le « trade des goulets d’étranglement » dans le secteur de la pharmaceutique par IA (AIDD) prenait forme, sa structure étant fortement similaire à la dynamique en chaîne observée précédemment dans les semi-conducteurs, du GPU à la HBM, aux réseaux et à l’énergie.

L’entrée collective des laboratoires IA de pointe est le signal le plus marquant. Anthropic a constitué une équipe dédiée à la recherche en sciences de la vie et a établi un laboratoire humide ; OpenAI a développé le modèle GPT-Rosalind spécifiquement conçu pour la biologie et la découverte de médicaments ; Anew Labs, filiale opérant indépendamment du groupe ByteDance, possède déjà sa propre bibliothèque interne de R&D pharmaceutique ; Isomorphic Labs a clairement déclaré vouloir amener les médicaments conçus par IA en essais cliniques sur l’homme.

Parallèlement, les signaux côté chaîne d’approvisionnement sont tout aussi clairs. Le synthétiseur d’ADN Twist Bioscience (TWST) estime que ses commandes liées à la découverte de médicaments par IA connaîtront une croissance annuelle à trois chiffres pour les exercices 2026 et 2027. L’activité de découverte de médicaments par IA de GenScript a doublé au premier semestre de l’exercice 2026 par rapport à l’année précédente ; selon des études de terrain, sa capacité de validation effective atteint environ 8 000 conceptions par jour, avec une ambition de doubler ce chiffre à 16 000 d’ici fin 2026.

Cette dynamique rappelle fortement la chaîne de transmission des goulets d’étranglement dans l’industrie des semi-conducteurs. La rareté des GPU a successivement stimulé des explosions d’activité dans la mémoire HBM, les équipements de réseau, l’énergie et les systèmes de refroidissement.

Dans le domaine pharmaceutique par IA, les goulots d’étranglement se déplacent de manière similaire le long de la chaîne industrielle : depuis la conception générée par IA → synthèse d’ADN → production de protéines → validation expérimentale → essais précliniques, chaque maillon pouvant devenir le prochain point bénéficiaire.

(Les données de la chaîne d’approvisionnement montrent que les maillons amont de la découverte et de la R&D préclinique initiale ressentent déjà l’impact de l’augmentation du nombre d’expériences)

Freda Duan décrit le paysage actuel du secteur IA pharmaceutique comme un véritable « changement de régime ».

Anthropic a élevé la recherche en sciences de la vie au niveau stratégique ; son premier grand projet en laboratoire humide a permis, grâce à un agent Claude, d’identifier une nouvelle catégorie d’enzymes associées à des motifs d’ADN répétés de type CRISPR, auparavant inconnue.

La gamme GPT-Rosalind d’OpenAI couvre la chimie pharmaceutique, l’ingénierie des protéines, la génomique et les workflows expérimentaux.

L’ancienne division de découverte de médicaments par IA de ByteDance opère désormais de façon indépendante sous le nom d’Anew Labs, intégrant modèles de base, validations en laboratoire humide et portefeuille pharmaceutique propre, ByteDance restant actionnaire majoritaire.

Isomorphic Labs a publiquement affirmé son objectif d’amener des molécules conçues par IA en essais cliniques sur l’humain.

À noter, cependant, que les trajectoires de commercialisation diffèrent nettement selon les institutions.

• Anthropic se positionne davantage sur la recherche et la plateforme, indiquant clairement ne pas vouloir devenir une biotech commerciale opérant en phase clinique traditionnelle ;
• Anew Labs de ByteDance s’oriente vers un modèle de plateforme biotech disposant de son portefeuille propre ;
• Isomorphic Labs adopte une position intermédiaire, s’engageant à amener elle-même les médicaments basés sur IA jusqu’aux essais cliniques.

Cela signifie que la voie de commercialisation dans la découverte de médicaments par IA se divise : octroi de licences à des grands groupes pharmaceutiques, milestones partagés avec redevances de brevets, ou incubation directe de sociétés indépendantes. Qu’importe le chemin, la demande expérimentale additionnelle sur la chaîne d’approvisionnement sera bien réelle.

L’IA accroît l’efficacité, alors pourquoi stimule-t-elle les expérimentations en laboratoire humide ? La réponse réside dans le changement économique fondamental de la génération d’hypothèses opéré par l’IA.

Premièrement, la génération d’hypothèses tend vers un coût nul, rendant la validation expérimentale le nouveau goulet d’étranglement. Dans la découverte médicamenteuse traditionnelle, le filtrage des candidats moléculaires par des experts est très coûteux ; seules les hypothèses à plus grande confiance sont portées jusqu’aux validations coûteuses.

L’IA rend quasi gratuit le design de candidats moléculaires, multipliant les « chances de passage », faisant glisser le goulot d’étranglement de la conception vers la validation biologique.

Deuxièmement, les expérimentations ratées ont aussi de la valeur : les échantillons négatifs deviennent des données d’apprentissage. Anthropic illustre la chose : Claude a conçu 1 320 ligands protéiques, Adaptyv les a synthétisés, exprimés et testés ; seulement 354 sont ressortis comme positifs.

Mais les 966 échecs n’ont pas été perdus : ce qui ne s’exprime pas, ne se lie pas ou a une affinité faible devient un label négatif précieux pour entraîner la génération suivante de modèles. La découverte médicamenteuse classique se pose la question « le candidat X est-il efficace ? », là où l’approche par IA demande en outre « que va apprendre le modèle de cette expérience ? ».

Troisièmement, le laboratoire humide bascule du rôle de fabricant de médicaments à celui de producteur de données d’entraînement. TWST affirme que son activité se réoriente vers la production, à partir de séquences générées par IA, de résultats expérimentaux structurés utilisables directement pour entraîner des modèles. Le flux de données de séquence à affinité développé par GenScript peut retourner des résultats en 4 à 7 jours.

Pour certains workflows, le client n’attend plus nécessairement la protéine physique, mais le retour des résultats structurés vers son modèle. TWST et GenScript se rapprochent ainsi du rôle de « fonderie de données biologiques ».

L’article relève qu’au-delà des considérations théoriques, la chaîne d’approvisionnement livre des signaux quantitatifs traçables.

TWST s’attend à une croissance annuelle à trois chiffres pour ses commandes IA pharma sur l’exercice 2026, et prévoit une croissance similaire pour 2027. Les activités de découverte IA de GenScript ont doublé au premier semestre 2026 ; leur plateforme revendique une capacité de validation industrielle de plus de 4 000 designs par jour, avec un workflow complet de la séquence à la donnée.

Les études de terrain estiment même une progression plus rapide : capacité réelle d’environ 8 000 designs/jour actuellement, avec un objectif de 16 000 à la fin 2026.

Du point de vue de la supply chain, les maillons bénéficiaires s’enchaînent ainsi : Modèles IA → Design de séquence → Synthèse d’ADN (TWST...) → Production de protéines (GenScript...) → Validation expérimentale → Séquençage (ILMN, TXG...) → Automatisation → Essais précliniques (CRO).

En termes de taille de marché, si l’IA n’est qu’un outil plus efficace, le champ d’investissement se limite au budget mondial de R&D pharma, 300 à 400 milliards USD par an. Mais si l’IA élargit réellement le portefeuille de projets médicamenteux viables, le potentiel est nettement supérieur car cela stimule toute la demande en synthèse d’ADN, production de protéines, validation expérimentale et travaux précliniques.

Enfin, du côté des dépenses des sociétés IA elles-mêmes, on peut aboutir à une estimation comparable. Si Anthropic atteint 80 milliards USD de revenus annualisés en 2026 et n’investit que 1 % dans la découverte pharma IA, cela pèse déjà quelque 800 millions USD par an.

Freda Duan précise qu’un investisseur connaissant ce thème pensera spontanément à la vague de hype sur l’IA pharma entre 2020 et 2021, et à l’effondrement qui s’est ensuivi.

La molécule DSP-1181 d’Exscientia avait rejoint la phase clinique I en moins d’un an après sa découverte, mais l’essai fut arrêté faute de résultats suffisants sur le critère clinique de phase I. Deux raisons claires à cet échec : resserrement brutal de l’environnement macroéconomique, et démonstration amère que « découvrir plus vite ne veut pas dire meilleure biologie clinique ».

Mais Freda Duan estime que le contexte pour 2026 diffère fondamentalement de celui de 2020/21, car cette précédente vague précède l’apparition des modèles GPT.

La logique 2020/21 était : utiliser l’informatique pour réduire le pool d’expériences humides à faible valeur, l’IA étant surtout un outil d’efficacité de recherche, visant à réduire le nombre d’expériences physiques pour cibler plus vite les molécules les plus prometteuses.

En 2026, la logique est inverse : utiliser l’IA pour démultiplier l’espace des hypothèses, puis générer des données de validation réelles en laboratoire humide. Le cycle vertueux devient : IA → Expérience → Donnée → IA améliorée → Plus d’expériences. La capacité de l’IA à générer des expériences exploitables fait du monde biologique physique le nouveau goulet d’étranglement.

Les données disponibles montrent qu’en 2024, le taux de succès en phase I pour des médicaments conçus par IA avoisine 80 à 90 %, mieux que la moyenne historique ; le taux de succès en phase II, à 40 %, reste dans la moyenne, mais avec un nombre d’échantillons encore limité.

Freda Duan insiste sur le fait que la synthèse d’ADN et la production de protéines sont à présent les goulets d’étranglement les plus directs.

À mesure que davantage de candidats-médicaments atteignent la phase préclinique, les expérimentations animales pourraient devenir le prochain segment sous tension. Les prix des primates frôlent déjà les anciens records ; la capacité CRO reste contrainte, et le flux additionnel injecté par la découverte IA vers la préclinique ne fera qu’exacerber cette pression.

L’analyse suggère que l’opportunité de cette thématique pourrait durer jusque vers 2028, date des premiers résultats de phase I/II, sans dénouement logique incontournable avant cette échéance. Points de repère clés :

• Fin 2026 à fin 2027, les tous premiers médicaments conçus par IA chez Isomorphic Labs entrent en essai clinique sur l’homme, et davantage de projets IA natifs franchissent le stade IND-enabling ;
• 2028 à 2030, publication des résultats cliniques révélant si et dans quelle mesure les médicaments par IA surpassent les médicaments traditionnels.

À court terme, si les budgets d’expérimentation cessent de croître, si les conceptions générées par IA ne se traduisent pas en résultats exploitables ou si la capacité de production rattrape trop vite la demande, le trade du « pick and shovel » amont subira une pression.

À long terme, si les médicaments IA brillent en phase de découverte et en phase I, mais échouent en phase II/III au même taux que la moyenne, la logique d’investissement sera fondamentalement remise en cause : d’où l’importance cruciale des résultats de phase II.

Le professeur Quanquan Gu de l’Université de Californie à Los Angeles résume brillamment cet enjeu :

La biologie pourrait devenir le nouveau front de l’auto-amélioration récursive de l’IA – design sur ordinateur, test en laboratoire, rétroaction des résultats expérimentaux comme données (semi-)synthétiques d’apprentissage, amélioration des modèles, et ainsi de suite.