Quand l'IA réécrit les règles de la découverte pharmaceutique
Le 29 mars 2026, Insilico Medicine et Eli Lilly ont annoncé une collaboration mondiale en R&D qui accorde à Lilly une licence mondiale exclusive sur un portefeuille de programmes en développement préclinique. Ce n'est pas un communiqué de presse parmi tant d'autres. C'est le signe que le modèle industriel qui a dominé le secteur pharmaceutique pendant soixante-dix ans — grands laboratoires, cycles de dix ans, structures de coût astronomiques — est en train d'être démantelé pièce par pièce par quelque chose qui tient dans un serveur.
Insilico agit en tant qu'entreprise de biotechnologie en phase clinique, mais son actif le plus précieux n'est aucun composé. C'est sa plateforme Pharma.AI, un moteur d'intelligence artificielle générative qui réduit le processus de découverte de médicaments à une fraction de son coût et de son temps habituels. La question que cet accord oblige tout dirigeant à se poser n'est pas technologique. C'est une question de structure de valeur : qui capte la plupart des marges lorsque l'intelligence artificielle transforme la découverte moléculaire en un processus évolutif ?
L'ancien modèle ne peut plus justifier ses coûts
L'industrie pharmaceutique a construit son avantage concurrentiel sur trois piliers qui aujourd'hui fonctionnent comme des ancres : grands laboratoires physiques, équipes scientifiques comptant par milliers et cycles de développement qui, historiquement, ont dépassé les dix ans, de l'hypothèse à l'approbation réglementaire. Ce modèle était rentable tant que l'information était rare et que le savoir biologique était fragmenté. Les marges opérationnelles justifiaient la structure.
Le problème est que cette même structure empêche l'adaptation. Lorsque le coût de génération et d'analyse des hypothèses moléculaires s'effondre, le maintien de laboratoires surdimensionnés cesse d'être un atout et devient un fardeau financier. Les grandes entreprises pharmaceutiques ont dépensé des coûts fixes monumentaux pour soutenir des capacités que l'IA peut répliquer à coût variable, sur demande. Lilly, en signant avec Insilico, n'achète pas une technologie complémentaire : elle externalise la couche la plus coûteuse et incertaine du processus de création de valeur — l'identification et la validation des cibles thérapeutiques — en la transformant en un paiement à la performance.
Cela a des implications directes pour la structure des marges du secteur. Si la découverte devient un service à prix de marché, l'avantage concurrentiel migre vers celui qui dispose de la meilleure plateforme d'IA et des données les plus riches, et non vers celui qui possède le plus de mètres carrés de laboratoire.
Ce qu'Insilico a construit que Lilly ne peut pas répliquer rapidement
Voici la mécanique invisible de l'accord. Insilico n'est pas arrivée à cette négociation avec un médicament. Elle est venue avec un portefeuille de programmes précliniques déjà générés par sa plateforme, plus la capacité d'exécuter de nouveaux programmes sur des cibles que Lilly lui-même sélectionne. C'est une proposition de valeur à deux couches qui se renforcent mutuellement.
La première couche est le portefeuille existant : molécules en développement préclinique pour des indications spécifiques que Lilly acquiert sous licence exclusive mondiale. Le risque de découverte a déjà été absorbé par Insilico. Lilly entre à un stade plus avancé de l'entonnoir, avec moins d'incertitude technique et sans avoir supporté les coûts d'exploration.
La seconde couche est plus stratégique : la collaboration continue sur des cibles thérapeutiques sélectionnées par Lilly, combinant la plateforme Pharma.AI d'Insilico avec l'expertise clinique et réglementaire de Lilly. Ce n’est pas de la sous-traitance. C’est une architecture d’alliance où chaque partie apporte ce que l’autre ne peut pas construire à court terme. Lilly a des décennies de relations avec les régulateurs, une infrastructure clinique mondiale et un accès à des données de patients à grande échelle. Insilico a la capacité computationnelle et les modèles entraînés. La combinaison génère un avantage positionnel qu’aucune des deux n’aurait individuellement.
Pour le dirigeant qui insiste encore pour construire des capacités d’IA en interne depuis zéro, cet accord envoie un message clair : le temps de développement d’une plateforme propre est exactement le temps qu’un concurrent a besoin pour établir des alliances lui donnant un accès immédiat à ces capacités. L’écart ne se comble pas en embauchant des data scientists ; il se comble lorsque les modèles sont entraînés, validés et ont produit des résultats reproductibles. Cela prend des années.
Le risque que personne ne lit dans ce communiqué
L'accord est solide sur le plan financier, mais il présente un point de tension que les analyses superficielles ignorent. Les modèles d’IA générative en découverte pharmaceutique sont aussi bons que les données avec lesquelles ils ont été entraînés. La qualité prédictive de Pharma.AI dépend de la profondeur et de la diversité de sa base de connaissances moléculaires et cliniques accumulée. Tant que ces données sont propriétaires et bien gardées, la plateforme maintient son avantage différentiel.
Le risque émerge lorsque Lilly, après des années de collaboration, accumule suffisamment de compréhension méthodologique pour internaliser des capacités similaires ou pour négocier d'une position de moindre dépendance. Ce n'est pas un risque immédiat, mais c'est le scénario qu'Insilico doit gérer activement : la plateforme doit rester plus avancée que la capacité de réplique de son propre client.
Cela n'invalide pas le mouvement stratégique. Cela le contextualise. Pour Insilico, la valeur à long terme ne réside pas dans l'accord avec Lilly en tant qu'événement unique, mais dans la démonstration que sa plateforme peut générer des molécules arrivant à l'approbation réglementaire. Chaque programme qui avance dans le couloir clinique est une preuve qui renforce la marque scientifique et justifie de futurs accords de licence avec des conditions plus favorables. Le portefeuille de collaborations devient, avec le temps, l’actif le plus précieux : non pas les molécules individuelles, mais la réputation de précision prédictive.
Pour Lilly, la logique est tout aussi directe. Si l’un des programmes précliniques acquis parvient à obtenir une approbation, le retour sur le coût de la licence peut être de plusieurs ordres de grandeur. Si ce n’est pas le cas, le coût irrécupérable est significativement moindre que de faire financer cette découverte en interne. L’asymétrie des résultats favorise l’alliance.
Le marché qui se forme sous l'accord
Ce que cet accord révèle pour l'industrie dans son ensemble est plus pertinent que ses termes spécifiques. Nous assistons à la formation d'un marché de plateformes de découverte comme couche intermédiaire entre la science fondamentale et le développement clinique. Ce marché n'existait pas il y a dix ans avec l'échelle et la sophistication qu'il a aujourd'hui.
Les entreprises pharmaceutiques qui gagneront au cours de la prochaine décennie ne seront pas nécessairement celles qui possèdent les plus grands laboratoires ni les budgets de R&D les plus élevés en termes absolus. Ce seront celles qui apprendront à assembler des capacités externes rapidement, tout en maintenant le contrôle sur les décisions cliniques et réglementaires qui nécessitent un jugement humain expert. L'avantage concurrentiel migre de l'infrastructure interne vers la capacité d'identifier, d'intégrer et d'évoluer les meilleures plateformes externes disponibles.
Les dirigeants qui continuent de mesurer la force de leur département R&D par le nombre de scientifiques sur la liste de paie ou par les mètres carrés de laboratoire utilisent le mauvais tableau. L'indicateur qui compte est la vitesse à laquelle ils peuvent passer d'une hypothèse thérapeutique à un candidat préclinique validé, et à quel coût variable. Insilico et Lilly viennent d'établir un nouveau point de référence pour cette métrique.
Le leadership qui génère de la valeur durable ne consiste pas à allouer davantage de budget aux variables que toute l'industrie maximise déjà. Il s'agit d'avoir la clairvoyance d'éliminer les couches de coût qui ne génèrent plus d'avantages différenciels et de rediriger ce capital vers les capacités que le marché n'a pas encore pleinement valorisées. Ceux qui attendront que cette reconfiguration soit évidente pour tous arriveront trop tard.
