Le rentosertib, un candidat contre la fibrose pulmonaire idiopathique, a atteint le stade de candidat préclinique en environ 18 mois. La comparaison publiée par Insilico porte sur environ 4,5 à 6 ans jusqu’à la nomination d’un candidat préclinique par la voie traditionnelle, sans établir les coûts précis alléguésde 6 millions ou 150 millions de dollars. Ce gain est réel, documenté, et il change quelque chose de fondamental dans la biologie industrielle. Mais les bénéficiaires de cette compression ne sont pas ceux qu’on imagine : les coûts de calcul, les données propriétaires et les brevets reconstituent déjà une barrière que l’IA venait d’abaisser.

L’essentiel

  • Selon Axis Intelligence, 173 programmes cliniques analysés et plus de 200 médicaments IA sont en développement en 2026.
  • Les coûts de calcul GPU constituent une barrière d’entrée significative pour les laboratoires académiques, ce qui reconstitue une barrière d’entrée structurelle.
  • Le marché est présenté comme fragmenté; aucune donnée consultée ne montre que cinq à dix acteurs captent l’essentiel des gains. Les laboratoires académiques et les pays à revenu faible font face à des barrières d’accès significatives liées aux coûts de calcul, aux données propriétaires et à la propriété intellectuelle.
  • À l’horizon 2030-2035, une réforme des brevets et un financement public croissant de l’infrastructure GPU pourraient redistribuer une part significative de ces gains.

Le rentosertib comme preuve de concept

Le rentosertib a été découvert et développé avec le soutien de la plateforme Pharma.AI d’Insilico Medicine et cible la fibrose pulmonaire idiopathique. Son développement a employé des modèles d’apprentissage automatique; Insilico indique que le programme a synthétisé et testé 78 molécules. Le développement a duré environ 18 mois jusqu’au stade de candidat préclinique; aucun coût auditéde 6 millions de dollars n’est établi par la source.

Un nombre croissant de médicaments développés avec des outils d’IA sont en essais cliniques. Le marché mondial de la découverte médicamenteuse assistée par IA est projeté à environ 13,8 milliards de dollars en 2033, d’après Grand View Research.

Quelques noms reviennent systématiquement : Recursion, Insilico Medicine, Exscientia, et les divisions IA d’AstraZeneca, Pfizer ou Roche. La promesse d’une science ouverte se heurte à des barrières d’accès structurelles : coûts computationnels, données propriétaires et concentration de la propriété intellectuelle.

La barrière d’entrée survit à la compression des coûts

La logique semblait simple : si certains stades de développement coûtent moins cher, les acteurs capables de les conduire devraient être plus nombreux. En pratique, les barrières structurelles subsistent.

Les coûts de calcul GPU pour entraîner des modèles de fondation pharmaceutique constituent une barrière d’entrée significative pour les laboratoires académiques sans financement dédié. Il est trivial pour Pfizer ou AstraZeneca, qui l’amortissent sur des pipelines de plusieurs centaines de molécules candidates. La compression des coûts bénéficie d’abord aux acteurs ayant déjà accès à des ressources computationnelles et informationnelles significatives.

Vient ensuite la question des données. Les modèles d’IA apprennent sur des bases de données biologiques massives : résultats d’essais cliniques, séquences génomiques, structures protéiques. Un nombre significatif de bases biologiques de qualité sont propriétaires et détenues par les grandes pharmaceutiques. Un laboratoire académique travaille sur des données publiques, PubChem, UniProt, ChEMBL, qui sont vastes mais moins précises pour les molécules les plus récentes. L’avantage informationnel précède l’avantage computationnel.

Les brevets ajoutent une troisième couche. Un concurrent utilisant une méthode couverte par les revendications d’un brevet peut s’exposer à une action en contrefaçon, exactement le type de risque qu’une startup sans ressources significatives ne peut pas absorber.

Cinq acteurs, deux cents médicaments

Des médicaments en essais cliniques découverts par IA sont développés par plusieurs acteurs majeurs. Les médicaments en essais cliniques découverts par IA sont développés par plusieurs sociétés. Recursion est parmi les acteurs majeurs ; Insilico Medicine développe des candidats médicaments dont le rentosertib, ciblant la fibrose pulmonaire idiopathique. Exscientia, acquise par Recursion en 2024, apporte ses propres candidats oncologiques.

Les grandes pharmaceutiques combinent partenariats externes et développement interne de capacités, y compris de modèles d’IA. AstraZeneca a conclu des accords avec Tempus et Pathos, tandis que Recursion a conclu un accord distinct avec Tempus, Pfizer a conclu une collaboration de recherche avec Insilico Medicine en 2020 et Merck développe ses capacités en interne. Ces partenariats structurent l’accès au pipeline de découverte médicamenteuse.

Ce mouvement ressemble à d’autres concentrations technologiques observées dans d’autres secteurs. Sur le thème de la concentration induite par l’IA dans des industries où la promesse était celle de la décentralisation, on peut lire l’analyse publiée sur ce journal à propos de l’IA en Afrique et du verrou électrique : le mécanisme de reconstitution des barrières y est similaire, même si le secteur est différent. La question se pose ici avec une acuité particulière parce que les médicaments, contrairement aux robots ou aux modèles de traduction, conditionnent directement des vies.

Les pays à revenu faible face au pipeline oligopolistique

Un médicament découvert 25 fois moins cher ne coûte pas 25 fois moins cher à acheter. L’économie réalisée en amont ne se transfère pas automatiquement en bas prix en aval.

Pour les systèmes de santé à revenu faible ou intermédiaire, cette dynamique crée un problème concret. La Drugs for Neglected Diseases initiative et des organisations similaires ont joué ce rôle de rééquilibrage dans les années 2000-2010. Elles devront s’adapter à un environnement où la propriété intellectuelle est encore plus fragmentée.

L’accès inégal aux médicaments découverts par IA constitue un enjeu majeur de régulation. Aucun cadre alternatif n’est encore adopté.

Ce défi n’est pas sans précédent. La Thaïlande et le Brésil ont utilisé ou brandi des licences obligatoires concernant des antirétroviraux; l’Inde a surtout utilisé d’autres flexibilités. La concurrence générique a réduit certains prix des traitements VIH, avec une offre documentée à 350 dollars par an en 2001. La question est de savoir si un mécanisme équivalent peut s’appliquer à une ère où la propriété intellectuelle s’étend aux méthodes algorithmiques.

L’horizon 2030-2035 selon les choix faits maintenant

Trois trajectoires se dessinent. Leur crédibilité respective dépend de décisions politiques et réglementaires qui commencent à se prendre maintenant.

La première est la consolidation des capacités de découverte. Les accords entre partenaires contractuels concentrent l’accès parmi eux et ne permettent pas d’établir l’existence d’un mécanisme général de redistribution des accès. Recursion, Insilico et d’autres entreprises sont des acteurs importants de l’IA appliquée à la découverte de médicaments; Exscientia a en outre été intégrée à Recursion. L’accès des pays à revenu faible dépendrait de régimes de propriété intellectuelle et de modalités commerciales à définir. Les laboratoires académiques sans accès à l’infrastructure GPU font face à des obstacles significatifs pour conduire des programmes de découverte compétitifs. Ce scénario prolonge les tendances actuelles sans rupture institutionnelle.

Il est le plus probable à court terme.

La deuxième trajectoire part d’une réforme des licences. Depuis 2024, l’OMS poursuit une coopération technique sur les flexibilités existantes de l’accord TRIPS; un projet d’élargissement des accords TRIPS n’est pas documenté. Le NIH revendique un rôle de financement essentiel dans les fondations scientifiques d’AlphaFold; un financement du Wellcome Trust est explicitement déclaré pour des travaux relatifs à la base de données AlphaFold. Des licences non exclusives accordées avant l’expiration des brevets peuvent améliorer l’accès et la concurrence dans les pays à revenu faible ou intermédiaire, mais leur calendrier et leurs effets sur les incitations à innover dépendent des conditions de chaque accord. Le Medicines Patent Pool a permis à un nombre significatif de pays à revenu faible et intermédiaire d’accéder à des génériques de médicaments contre le VIH et l’hépatite C.

L’étendre à l’ère des médicaments IA exigerait une volonté politique que les négociations actuelles à l’OMS n’ont pas encore produite.

La troisième trajectoire est celle de l’infrastructure publique partagée. Le NIH américain et la Commission européenne ont engagé des réflexions, encore embryonnaires, sur le financement d’une capacité GPU accessible aux laboratoires académiques. En Europe, EuroHPC fournit déjà du calcul à haute performance pour la recherche ; son extension explicite à la biologie computationnelle est techniquement faisable. Aux États-Unis, plusieurs projets de loi ont été déposés pour créer un accès subventionné aux modèles de fondation biologiques pour les universités publiques. Aucun n’est encore adopté.

Si ces initiatives aboutissent, elles pourraient maintenir une recherche académique compétitive et fournir une base ouverte sur laquelle des pays à revenu intermédiaire construiraient leurs propres capacités, à l’image de ce que l’adoption de l’IA sans formation locale produit comme dépendance dans d’autres secteurs.

Ces trois scénarios ne s’excluent pas. La consolidation peut coexister avec des licences obligatoires sur certains médicaments, et une infrastructure publique partielle peut réduire sans éliminer les barrières d’entrée. Les signaux à surveiller sont précis : le rythme d’approbation par la FDA et l’Agence européenne du médicament des premiers médicaments entièrement découverts par IA, la part de marché des cinq premiers acteurs IA pharma dans deux ans, et le volume de financement public alloué à des infrastructures GPU ouvertes aux académiques.

La propriété intellectuelle, nerf de la prochaine bataille

Le rentosertib est un exemple de candidat médicament identifié et conçu avec l’aide de l’IA, et non la preuve définitive qu’une IA découvre à elle seule un médicament efficace et approuvé. L’enjeu institutionnel porte sur la titularité des droits attachés à ces découvertes et sur les conditions dans lesquelles elles peuvent être reproduites ou utilisées.

Les régimes de brevets actuels récompensent l’inventeur et l’investisseur, ce qui a une logique économique. Mais ils ont été conçus pour des médicaments où l’essentiel du coût résidait dans la découverte, le criblage chimique, la synthèse, les tests in vitro. Même si certains coûts de découverte diminuent, cela ne détermine pas mécaniquement la justification ou la durée légale des brevets. Un cadre qui distinguerait la propriété sur la molécule de la propriété sur la méthode algorithmique, et qui prévoirait des licences différenciées selon le niveau de revenu du pays acheteur, serait plus adapté à cette économie nouvelle.

Cela n’a rien d’utopique. Le Medicines Patent Pool, créé en 2010 à l’initiative de l’UNITAID, a permis à un nombre significatif de pays à revenu faible et intermédiaire d’accéder à des génériques de médicaments contre le VIH et l’hépatite C à des prix compatibles avec leurs systèmes de santé. Les entreprises participantes ont conservé leurs droits dans les marchés solvables. La recherche publique et les modèles de propriété intellectuelle partagée coexistent déjà dans d’autres secteurs, les standards de télécommunication, les vaccins contre la Covid-19 sous COVAX, avec des résultats variables mais non négligeables.

L’IA en pharmacologie n’est pas différente d’autres secteurs où la même tension entre gains de productivité et concentration s’observe. La robotique en Europe illustre comment l’avance technologique et la question de l’accès aux infrastructures se posent simultanément. La spécificité du médicament, c’est l’urgence humaine qui rend les délais d’accès politiquement intenables.

Les premières approbations de médicaments découverts par IA constitueront un test politique autant que scientifique. Son prix, ses conditions de licence, et sa disponibilité dans les systèmes de santé à revenu faible diront si le gain de productivité produit par la machine est partagé ou capturé.

Sources

  1. Towards Healthcare, North America AI in Drug Discovery Market : https://www.towardshealthcare.com/outlook/north-america-ai-in-drug-discovery-market
  2. Axis Intelligence, AI Drug Discovery Statistics 2026
  3. Grand View Research, AI Drug Discovery Market 2025–2033
  4. OCDE, Intellectual Property and AI report 2026
  5. Medicines Patent Pool, historique des licences et pays couverts : https://medicinespatentpool.org