Pourquoi les initiatives en matière d'IA dans le secteur pharmaceutique piétinent avant de pouvoir se développer à grande échelle

L'intelligence artificielle est devenue l'une des priorités bénéficiant des financements les plus importants dans l'ensemble du secteur pharmaceutique. De la découverte de médicaments à l'analyse commerciale, les projets pilotes d'IA sont omniprésents — et bon nombre d'entre eux portent leurs fruits. Le modèle donne de bons résultats. Les conclusions semblent prometteuses. L'argumentaire commercial paraît clair.

Et pourtant… quelques mois plus tard, ces mêmes initiatives s’enlisent. Non pas parce que la technologie a échoué, mais parce que l’entreprise n’était pas prête à la déployer à grande échelle. La réalité, aussi dérangeante soit-elle, c’est que l’IA échoue rarement lors de la phase pilote. C’est lors de la transition vers un déploiement à l’échelle de l’entreprise qu’elle échoue.

L'illusion du succès : pourquoi les pilotes ont l'air si brillants

Les pilotes IA sont conçus pour réussir. Ils interviennent dans :

• Environnements de données contrôlés

• Cas d'utilisation restreints

• Équipes spécialisées

• Résultats clairement définis

Dans ce contexte, il est possible de constituer un ensemble de données propres et structurées et de démontrer rapidement une valeur mesurable. Mais faire évoluer l'IA à grande échelle, c'est tout autre chose :

• Intégration entre les domaines clinique, réglementaire, de la fabrication et commercial

• Fonctionnement dans un contexte de variabilité des données réelles

• Respecter les exigences en matière d'audit, de validation et de conformité

• Intégrer les résultats dans les processus de travail quotidiens

C'est là que la plupart des initiatives échouent. À l'échelle du secteur, une grande partie des projets d'IA ne dépassent jamais le stade de l'expérimentation ou ne parviennent pas à apporter une valeur ajoutée significative à l'entreprise.

Les trois obstacles structurels à la mise à l'échelle

1. Les silos de données : le problème fondamental

Les entreprises pharmaceutiques disposent d'une grande quantité de données, mais celles-ci sont rarement interconnectées. Les systèmes cliniques, les plateformes réglementaires, les bases de données sur la sécurité et les outils commerciaux fonctionnent souvent de manière indépendante. Chaque domaine possède ses propres structures de données, définitions et modèles de gouvernance. En l'absence d'une base de données unifiée, les modèles d'IA peinent à fonctionner de manière cohérente en dehors des conditions pilotes.

La fragmentation entraîne :

• Résultats incohérents

• Réutilisation limitée des modèles

• Impossibilité d'évoluer à l'échelle de l'ensemble des fonctions

En bref : il est impossible de développer l'IA à grande échelle à partir de données isolées. Les environnements de données fragmentés et cloisonnés sont régulièrement cités comme l'un des principaux obstacles à l'adoption de l'IA dans le secteur des sciences de la vie. (https://intuitionlabs.ai/articles/ai-adoption-life-sciences-barriers)

2. Lacunes en matière de gouvernance : l'obstacle de la confiance

Dans les secteurs réglementés, la confiance n'est pas facultative.

L'IA en soi ne résout pas les mêmes problèmes que ceux auxquels se heurtaient les anciennes technologies d'analyse :  

• D'où proviennent ces données ?

• Comment le modèle a-t-il été entraîné ?

• Les résultats peuvent-ils être expliqués et reproduits ?

• Sans une gouvernance solide, ces questions restent sans réponse. Et tant qu'elles restent sans réponse, les équipes chargées de la conformité n'approuveront pas le déploiement, les utilisateurs métier ne feront pas confiance aux résultats et la direction ne décidera pas d'étendre l'investissement. Les organisations tournées vers l'avenir prennent conscience que la gouvernance est un catalyseur de croissance.  

3. La complexité de la conformité : la réalité du secteur pharmaceutique

Le secteur pharmaceutique est soumis à certains des cadres réglementaires les plus stricts au monde, notamment les recommandations de la FDA, de l’EMA et de l’ICH, les restrictions en matière de données prévues par la loi HIPAA et le RGPD, ainsi que les exigences de validation, d’auditabilité et de traçabilité. Pour que l’IA puisse répondre à toutes ces normes à grande échelle, vous devez tenir compte des éléments suivants :

• Validation des modèles et gestion du cycle de vie

• Pistes d'audit et explicabilité

• Traçabilité des données dans les pipelines complexes

• Différences réglementaires d'une région à l'autre

Le développement à grande échelle de l’IA ne se limite pas au simple déploiement de modèles : il s’agit de démontrer qu’on peut leur faire confiance en environnement de production. Et c’est là que de nombreuses initiatives s’enlisent. Les contraintes réglementaires et de conformité sont régulièrement citées comme un facteur majeur ralentissant le déploiement de l’IA dans le secteur pharmaceutique. (https://techbullion.com/breaking-barriers-the-challenges-of-ai-integration-in-the-pharmaceutical-market/)

La véritable cause profonde : l'IA est un problème lié au modèle opérationnel

La plupart des organisations considèrent l'IA comme une initiative technologique. Or, pour déployer l'IA à grande échelle, il faut quelque chose de très différent :

• Une architecture de données interconnectée

• Gouvernance et contrôles intégrés

• Alignement interfonctionnel

• Intégration des flux de travail

• Gestion du changement organisationnel

En d’autres termes, l’IA n’est pas quelque chose que l’on déploie. C’est une capacité que l’organisation acquiert. C’est pourquoi certaines entreprises peuvent mener à bien des projets pilotes sans pour autant parvenir à en tirer une valeur ajoutée pour l’entreprise. Elles ont certes développé des modèles, mais ne disposent pas des systèmes nécessaires pour les faire fonctionner à long terme.

Ce qui distingue les leaders des autres

Les organisations qui parviennent à déployer l’IA à grande échelle adoptent une approche fondamentalement différente en mettant d’abord en place des bases de données solides avant d’étendre les cas d’utilisation. Les dirigeants du secteur pharmaceutique considèrent la gouvernance comme une architecture, et non comme une simple politique. Les dirigeants efficaces intègrent la durabilité dans leurs initiatives d’IA en prévoyant, dès le premier jour, des mécanismes d’auditabilité et de traçabilité au sein du projet. Cela leur permet d’aligner concrètement ces initiatives sur des flux de travail opérationnels réels, ce qui leur donne les moyens de déployer à grande échelle des plateformes, et non pas des modèles individuels. Ils comprennent que le succès de l’IA d’entreprise dépend bien davantage des données, de la gouvernance et du modèle opérationnel que des algorithmes.

Du projet pilote à la plateforme : une évolution décisive

L'avenir de l'IA dans le secteur pharmaceutique ne dépendra pas de modèles plus performants.

Elle sera définie par :

• Meilleur alignement des données

• De meilleurs cadres de gouvernance

• Une meilleure intégration dans les processus décisionnels

La question n'est plus : « Pouvons-nous développer l'IA ? », mais plutôt : « Pouvons-nous exploiter l'IA à grande échelle ? »

‍