Aujourd’hui, trouver de nouveaux médicaments est un processus de plus en plus long et de plus en plus coûteux. Mais une nouvelle génération de laboratoires automatisés, les « dark labs », pourrait bien changer la donne ; et ouvrir de grandes opportunités d’investissement.
Depuis les années 1950, le nombre de nouveaux médicaments autorisés rapporté à chaque milliard de dollars investi en recherche a été divisé par deux environ tous les neuf ans.
Une fois corrigé de l’inflation, le constat est encore plus frappant : il s’agit d’une division par quatre-vingts.
Ainsi, la recherche pharmaceutique évolue à l’opposé de la loi de Moore : les coûts doublent tandis que le nombre d’autorisations de mise sur le marché diminue. Les économistes à l’origine de ce constat ont qualifié ce phénomène de « loi d’Eroom » (Moore écrit à l’envers).
À la différence de la loi de Moore, nul n’en annonce la fin, car elle se vérifie continuellement.
Pourquoi les investisseurs devraient-ils s’y intéresser ? Parce qu’apporter une solution à ce problème donnerait naissance à l’un des marchés les plus importants au monde.
Toutefois, les gains les plus significatifs reviendront à ceux qui auront identifié en amont les véritables leviers de transformation.
La prochaine étape de l’intelligence artificielle
Les spécialistes de l’IA ont consacré des années à entraîner les machines à raisonner sur les molécules : prédire le repliement des protéines (c’est‑à‑dire la manière dont une chaîne d’acides aminés adopte sa structure tridimensionnelle, essentielle à son fonctionnement), ou encore concevoir des millions de nouvelles molécules.
Cette capacité de calcul est désormais rapide et peu coûteuse. En revanche, le travail expérimental demeure, lui, toujours aussi lent.
Une molécule prometteuse sur écran doit néanmoins être produite dans des conditions réelles : elle est mélangée, chauffée, testée, puis « resynthétisée » à de nombreuses reprises avec des variations, parfois des centaines de fois.
C’est précisément à cette étape que les ralentissements apparaissent, pour trois raisons principales.
· Des paramètres trop nombreux à maîtriser
Une réaction chimique dépend de multiples variables interdépendantes : température, durée, proportions des réactifs, entre autres. Or, un chercheur ne peut en suivre simultanément qu’un nombre limité. Il est donc contraint d’en fixer la plupart et de tester les paramètres un à un.
Dans ce contexte, la configuration optimale est souvent celle qui n’a jamais été explorée.
· Une sous-exploitation des échecs
Les expériences infructueuses sont généralement mises de côté. Pourtant, ces données sont essentielles pour les systèmes informatiques : elles permettent d’identifier les impasses et d’éviter de reproduire les mêmes erreurs.
· Des données éphémères difficilement capturables
Certaines molécules intermédiaires, déterminantes dans l’issue d’une réaction, n’existent que pendant quelques secondes avant de se transformer. Le temps d’analyser l’échantillon, elles ont souvent déjà disparu.
En résumé, au-delà de la seule dimension financière, la loi d’Eroom traduit un déséquilibre : nos capacités de modélisation ont fortement progressé, mais notre exécution expérimentale reste limitée.
Or, c’est précisément dans cette phase d’exécution que se crée la valeur.
L’émergence des « dark labs »
Imaginons un dispositif composé de bras robotisés, d’un réacteur, et d’un système d’analyse fonctionnant en continu, piloté par une IA suivant une boucle permanente : expérimenter, observer, apprendre, ajuster, puis recommencer.
Dans ce schéma, l’IA supervise et exécute simultanément les réactions, détecte les composés éphémères avant leur disparition, enregistre chaque échec, et détermine de manière autonome les expériences suivantes.
À l’image des « dark factories », ces usines entièrement automatisées, apparaissent désormais les « dark labs » : des laboratoires autonomes capables de conduire des expérimentations 24 heures sur 24, 7 jours sur 7, avec une intervention humaine minimale.
Alors que de nombreux investisseurs restent focalisés sur l’IA générative — modèles, agents conversationnels et applications — la prochaine vague concernera sa dimension physique : les systèmes capables d’agir et d’observer le monde réel.
Les points de vigilance pour l’investisseur
La loi d’Eroom n’a jamais été infirmée en plus de soixante-dix ans, et les investissements dans le développement de médicaments restent particulièrement risqués.
Il ne s’agit pas ici d’affirmer que « cette fois c’est différent », mais de souligner un changement fondamental : jusqu’à présent, toutes les analyses reposaient sur une exécution humaine, avec ses contraintes de temps et ses limites pratiques.
C’est précisément ce paradigme qui est en train d’évoluer.
Trois axes d’observation s’imposent :
- les fabricants d’équipements, qui privilégient la vente d’outils plutôt que le pari sur une molécule spécifique ;
- les entreprises maîtrisant les systèmes d’observation (« les yeux ») : la capacité à analyser en temps réel ce qui se passe au sein d’une réaction – avant la disparition des composés clés – constitue un avantage concurrentiel déterminant ;
- les solutions déployées sur site, capables de fonctionner en environnement sécurisé. Les laboratoires pharmaceutiques ne confieront pas leurs actifs stratégiques à des infrastructures externes. Une IA opérant derrière leurs propres pare-feu peut représenter un levier majeur d’efficacité.
Les entreprises qui répondent à un ou plusieurs de ces critères devraient tirer parti de l’essor des « dark labs » fondés sur l’intelligence artificielle.
