Les laboratoires de biotechnologie perdent des sommes considérables, non pas à cause de matériel défectueux ou d’expériences infructueuses, mais en raison d’une difficulté à accéder à l’information déjà disponible en interne. Ce « frais caché de la découverte » pourrait bien représenter des dizaines de millions d’euros par an pour l’ensemble du secteur.
Chaque jour, les scientifiques passent un temps précieux à rechercher des données éparpillées dans d’anciens rapports, présentations et documents réglementaires. Ils traquent le moindre indice – un résultat d’analyse antérieur, une note de formulation d’un essai interrompu, un modèle de données oublié dans un fichier personnel – qui pourrait débloquer une avancée. Ironiquement, la réponse à leur question se trouve souvent déjà dans l’entreprise, mais elle reste inaccessible, enfouie dans un flot d’informations.
Selon les estimations, cette perte de productivité coûte environ 1 million de dollars (environ 930 000 euros) par an à un groupe de recherche et développement de dix personnes. À l’échelle d’une entreprise, le montant peut atteindre des dizaines de millions de dollars. Un problème majeur qui n’apparaît pas dans les rapports financiers, mais dont les conséquences se font sentir : retards dans les dépôts de dossiers, étapes de recherche manquées et une frustration croissante des équipes.
L’industrie biotechnologique est devenue riche en données, mais paradoxalement pauvre en réponses exploitables. Chaque étape du processus – formulation, validation, soumission – génère un volume croissant de documents et de notes, dépassant la capacité humaine à les gérer efficacement. Les logiciels traditionnels, conçus pour le stockage plutôt que pour la compréhension, ne permettent pas de relier les informations entre elles. La création de ces liens nécessite l’intervention d’experts en bases de données, et les règles établies enferment le système dans une logique rigide, incapable de s’adapter à de nouvelles connexions.
En conséquence, la connaissance de la manière dont les données s’articulent réside principalement dans l’esprit des scientifiques, techniciens et gestionnaires, qui agissent comme un « tissu conjonctif » reliant mentalement des fragments d’informations. Si cette expertise humaine est essentielle pour les percées, elle est également chronophage. Il faut en moyenne 12 à 15 ans pour qu’un médicament efficace arrive sur le marché, non pas à cause de la lenteur de la science, mais parce que la connaissance est piégée. Les équipes se retrouvent à dupliquer leurs efforts, à répéter des tests ou à adopter des approches conservatrices, ce qui freine l’innovation et biaise la prise de décision stratégique.
Dans une entreprise préclinique de taille moyenne, les analystes peuvent consacrer jusqu’à 40 % de leur temps hebdomadaire à la simple recherche de protocoles et de résultats d’analyses antérieurs, afin de confirmer des données avant de concevoir de nouvelles expériences. Une équipe réglementaire peut mettre six mois à rassembler les données historiques d’un dossier, alors que ce travail pourrait être réalisé en quelques jours si les connaissances internes étaient facilement accessibles et contextualisées.
Les bases de données et les systèmes de recherche conventionnels sont limités dans leur capacité à répondre aux questions complexes posées par les scientifiques. Ils fonctionnent bien pour les requêtes structurées (« trouver le composé numéro 123 »), mais peinent à établir des liens entre différents types de données – structures chimiques, résultats d’essais cliniques, textes réglementaires – pour répondre à des questions relationnelles telles que : « Comment le composé X s’est-il comporté lors d’essais antérieurs similaires dans des conditions de stress thermique ? » ou « Quels signaux cliniques sont corrélés à ce modèle ? »
L’intelligence artificielle (IA) générative a suscité beaucoup d’espoir, mais les systèmes basés sur le cloud présentent des risques inacceptables pour les entreprises de biotechnologie soucieuses de protéger leur propriété intellectuelle. Le téléchargement de données sensibles – bibliothèques de composés, notes cliniques, méthodes propriétaires – vers un modèle externe peut compromettre des informations stratégiques, même après anonymisation. De plus, les modèles génératifs du cloud sont susceptibles de produire des réponses plausibles mais incorrectes, appelées « hallucinations », ce qui est particulièrement dangereux dans un domaine où la précision est primordiale.
L’avenir de la biotechnologie réside dans des systèmes d’IA plus intelligents, déployables localement, qui combinent les modèles de langage avec des réseaux de connaissances capables de distinguer le vrai du faux. Ces systèmes transformeraient chaque nouveau document, ensemble de données ou note d’expérience en un graphique de connaissances dynamique et interconnecté, une carte numérique des relations entre les informations. Lorsqu’un scientifique poserait une question, le système raisonnerait à travers ces relations et fournirait une réponse en quelques secondes, étayée par des références précises et une logique traçable.
Une réduction de 30 % du temps de développement d’un médicament, grâce à un accès plus rapide aux connaissances, pourrait réduire le délai de mise sur le marché de trois à cinq ans. L’entreprise qui obtient l’approbation en premier dans une classe thérapeutique capture souvent jusqu’à 90 % des parts de marché, tandis que la seconde peine à atteindre le seuil de rentabilité.
En permettant aux chercheurs de consacrer moins de temps à la recherche administrative, les systèmes de gestion des connaissances basés sur l’IA favorisent la créativité et la résolution de problèmes. Ils confèrent aux organisations une « mémoire institutionnelle », un cerveau collectif qui n’oublie jamais et ne se lasse pas de répondre aux mêmes questions. Pour les dirigeants, cela signifie une continuité accrue. Pour les scientifiques, cela signifie la liberté d’innover. Et pour l’entreprise, cela signifie une accélération de l’innovation sans compromis sur la qualité.
Pour les responsables informatiques, technologiques et de R&D, la clé de la compétitivité en biotechnologie ne réside plus dans les laboratoires de pointe, mais dans la rapidité avec laquelle l’organisation peut accéder, vérifier et exploiter ses propres données. Les réseaux de connaissances basés sur l’IA transformeront l’apprentissage organisationnel, tout comme le séquençage du génome humain a révolutionné la médecine. Les dirigeants qui agissent dès maintenant permettront non seulement d’économiser du temps et de l’argent, mais redéfiniront également la manière dont la découverte se produit.
Le problème des 10 millions de dollars n’est pas un mystère, mais un défaut dans la gestion des connaissances, où les plus grandes découvertes sont masquées par la difficulté d’accéder à l’information. Le résoudre ne nécessite pas plus de données, mais des systèmes capables de les comprendre. Les laboratoires qui adopteront ce changement découvriront que bon nombre des réponses qu’ils cherchaient n’ont jamais manqué. Ils n’attendaient que d’être connectées. Et c’est là que réside l’avenir de la biotechnologie : plus rapide, plus sûre, plus créative et, en fin de compte, plus humaine.