Les annonces des entreprises d'IA tendent à attirer l'attention sur les chiffres de performance des nouveaux modèles. Mais cette annonce d'Anthropic ne contient aucun nouveau modèle. Deux choses en sont ressorties : un établi de travail pour les scientifiques et un programme interne de recherche de candidats médicaments. L'entreprise ne rivalise pas sur l'intelligence brute, mais sur la manière dont cette intelligence est mise en œuvre. C'est cette décision d'organisation qui mérite d'être lue.

01Ce qui s'est passé — Lancement simultané d'un atelier et d'un programme de découverte de médicaments

Le 1er juillet 2026, Anthropic a officiellement lancé « Claude Science » à destination des chercheurs et de l'industrie pharmaceutique. TechCrunch y a vu une stratégie consistant à se différencier par le workflow (= le flux de travail) plutôt que par un nouveau modèle. Parallèlement, CNBC, Reuters et Endpoints News ont fait état du lancement d'un programme interne de découverte de médicaments dans le domaine de la biopharmacie. Puis, le 4 juillet, il a été rapporté qu'Anthropic envisageait de se lancer dans le développement de médicaments (The Verge). En quelques jours, deux mouvements sont apparus côte à côte : la fourniture d'outils et la possibilité d'entrer en tant que participant direct. Son concurrent OpenAI a annoncé « GeneBench-Pro », un benchmark d'évaluation pour le domaine de la biologie et des sciences (= une mesure des capacités biologiques d'une IA), à la même période, et la science devient le prochain grand champ de bataille.

02Les coulisses — La voie tracée par Insilico et Moderna

Cette évolution ne sort pas de nulle part. La découverte de médicaments par l'IA a déjà un historique qui s'accumule. Le rentosertib, d'Insilico Medicine (nom d'entreprise dérivé de « in silico » (sur ordinateur)), est un traitement de la fibrose pulmonaire idiopathique (FPI = maladie incurable dans laquelle les poumons durcissent progressivement) pour lequel l'IA a tout pris en charge, de la recherche de la cible (= la molécule de l'organisme sur laquelle agit le médicament) à la conception des molécules candidates. Il a franchi la phase IIa (= l'essai clinique de phase intermédiaire qui confirme pour la première fois l'efficacité chez les patients) début 2026. Il est considéré comme l'un des premiers exemples de molécule ayant atteint ce stade avec une IA impliquée de la recherche à la conception. Il entre désormais en préparation de la phase III (= l'essai à grande échelle avant l'autorisation). Moderna, de son côté, est partenaire d'OpenAI à l'échelle de toute l'entreprise depuis 2024 et est connue comme un cas précoce de déploiement de l'IA dans l'ensemble de ses activités internes. Une IA qui s'occupe de la recherche de cibles et un usage qui dissout l'IA dans l'ensemble des opérations de l'entreprise : ces deux courants forment le socle de la phase actuelle.

03Ce que montrent les chiffres sur notre position, et comment les lire

La découverte de médicaments par l'IA n'est plus une tentative exceptionnelle. Plus de 173 candidats issus de l'IA seraient en essais cliniques (précisons toutefois que la définition de « issu de l'IA » — à quelle étape du processus l'IA est intervenue — n'est pas uniforme). Le taux de réussite en phase I précoce (= le premier essai au cours duquel un médicament est administré à l'être humain pour la première fois) atteindrait 80 à 90 %, dépassant les quelque 52 % habituels. Il faut néanmoins lire ces chiffres avec prudence. L'échantillon utilisé pour le calcul est restreint, et le tableau change selon les phases comparées. De plus, le véritable goulet d'étranglement de la découverte de médicaments ne se situe pas en phase I, qui examine la sécurité, mais en phase II, qui teste l'efficacité. Il est raisonnable de considérer comme encore limité le bilan des molécules conçues par l'IA surpassant nettement les approches conventionnelles en phase II. Le taux de réussite élevé est brouillé non seulement par la capacité de conception de l'IA, mais aussi par un choix prudent des cibles, qui facilite la sélection de cibles déjà validées. La contribution propre à l'IA doit être distinguée de cet effet. La base technique s'est indéniablement élargie. AlphaFold3 (une IA de prédiction de structure des protéines développée par Google DeepMind et Isomorphic Labs) a considérablement accéléré la prédiction de la liaison entre un médicament et sa cible. Les modes de rapprochement entre entreprises sont eux aussi variés. Il existe des partenariats interentreprises comme Bayer × Cradle (une société d'IA) et Eli Lilly × NVIDIA, ainsi que des mouvements de nature différente d'un partenariat, comme Pfizer intégrant Boltz, un modèle de prédiction de structure décrit comme open source. En 2025, Recursion a acquis Exscientia. Mais cette consolidation se lit moins comme la preuve d'une dynamique que comme une restructuration et un sauvetage du secteur face aux échecs cliniques et aux difficultés de financement. Elle peut aussi se lire comme le signe de la difficulté à rendre viable la découverte de médicaments par l'IA en tant qu'activité autonome.

04Pourquoi maintenant — Pression structurelle et initiative du conseil d'administration

L'industrie pharmaceutique est soumise à une forte pression. Le coût de développement d'un seul nouveau médicament est passé en 20 ans de 1 milliard de dollars à 2–3 milliards de dollars. De plus, la période 2025–2030 coïncide avec la falaise des brevets (= la période où les brevets des médicaments phares expirent de façon concentrée et où les ventes chutent fortement). Les coûts augmentent et les piliers de revenus disparaissent. Cela dit, ce que l'IA peut raccourcir, ce sont principalement les étapes de recherche et préclinique. L'essentiel des coûts de développement provient des essais cliniques à grande échelle, sur lesquels l'IA n'agit pas directement. Son effet immédiat sur le coût total de développement doit être considéré comme limité. Il existe aussi un décalage sur l'axe du temps. Un candidat trouvé avec l'IA aujourd'hui atteindra l'approbation, au plus tôt, dans la seconde moitié de la prochaine décennie ou plus tard, et ne sauve pas directement la falaise imminente de 2025–2030. Le fond de l'attente réside dans le renforcement du pipeline de nouvelle génération (= l'ensemble des médicaments en cours de développement). C'est là que se recoupe l'initiative propre d'Anthropic. En avril 2026, Vas Narasimhan, PDG de Novartis (médecin de formation, impliqué dans le développement de plus de 35 nouveaux médicaments), est devenu membre du conseil d'administration d'Anthropic. L'organe qui l'a nommé est le Long-Term Benefit Trust (LTBT = l'organe de supervision propre à Anthropic qui donne la priorité à l'intérêt à long terme de l'humanité plutôt qu'aux intérêts des actionnaires). Ce Trust détient le pouvoir de nommer des membres du conseil, et avec cette nomination, le camp nommé par le Trust a dépassé la majorité du conseil. Pour une couverture détaillée, voir un rapport antérieur (/journal/novartis-anthropic-board.html), mais l'importance d'intégrer un acteur de la découverte de médicaments au cœur de la structure de gouvernance n'est pas négligeable.

05Comment lire la stratégie d'Anthropic

À partir d'ici, il s'agit d'interprétation. Premièrement, Anthropic semble prête à se différencier non par les performances d'un nouveau modèle, mais par le flux de travail. Le fait que Claude Science soit arrivé sans nouveau modèle relève probablement d'une décision de gagner sur la qualité de l'intégration au terrain de la recherche plutôt que sur la valeur absolue de l'intelligence. Les modèles généralistes finissent souvent au même niveau que leurs concurrents, alors qu'un poste de travail étroitement lié au travail de recherche crée des coûts de changement et renforce la fidélité. Deuxièmement, le lancement du programme interne de découverte de médicaments peut se lire comme un passage de fournisseur d'outils à participant à la découverte de médicaments. En ne vendant que des outils, les résultats appartiennent au client et le degré de contribution de l'IA reste difficile à discerner. En produisant elle-même des candidats, elle peut démontrer jusqu'où l'IA peut aller grâce à son propre bilan. Toutefois, l'activité de développement de médicaments elle-même n'est rapportée que comme « à l'étude ». Cela peut aussi se lire comme le signe qu'Anthropic évalue elle-même la distance à laquelle elle pourrait concurrencer ses clients pharmaceutiques. Troisièmement, la nomination de Narasimhan par le LTBT peut être vue comme un travail préparatoire qui soutient cette orientation sur le plan de la gouvernance. Pour un Trust qui place l'intérêt à long terme au-dessus de celui des actionnaires, placer au conseil une personne ayant l'expérience de la découverte de médicaments constitue une structure qui facilite la présentation du développement de nouveaux médicaments comme un bénéfice pour l'humanité plutôt que comme un chiffre d'affaires à court terme. Pour la philosophie de conception de l'ensemble de la gamme de produits, voir aussi le rapport précédent (/journal/claude-science-pharma-future.html).

06Implications pour l'industrie pharmaceutique et la première ligne

À l'avenir, la frontière entre ceux qui détiennent l'IA et ceux qui détiennent les médicaments finira probablement par se dissoudre davantage. Si le passage du partenariat à la participation directe se poursuit, une entreprise d'IA devient, pour les laboratoires pharmaceutiques, à la fois un vendeur d'outils et un concurrent potentiel. À ce stade, ce à quoi le côté pharmaceutique devra d'abord se préparer, c'est, je pense, à plusieurs questions pratiques. La première est la propriété de la PI (= propriété intellectuelle). À qui appartiennent les droits sur les molécules générées par l'IA, et qu'advient-il de la souveraineté sur les données utilisées pour l'entraînement : ce sont des domaines où les contrats et les institutions restent insuffisamment développés. La deuxième est la position des autorités de régulation. La manière dont la FDA (Food and Drug Administration des États-Unis) et la PMDA (Agence japonaise des produits pharmaceutiques et des dispositifs médicaux) évalueront un développement fondé sur l'IA n'est pas encore arrêtée. La troisième est un refroidissement du partage de données qui survient à mesure que les entreprises d'IA deviennent des concurrentes. Les chiffres détaillés sont réunis dans un rapport précédent (/journal/ai-drug-discovery-2026.html). De tels changements touchent aussi le travail de première ligne. Dans la revue des supports (= la tâche consistant à vérifier que les documents promotionnels respectent la réglementation), de nouveaux jugements sont requis sur la manière de vérifier les données probantes et le processus de conception auxquels l'IA a participé, et sur ce qu'il est permis de documenter. Au sein du service médical (= le département chargé de fournir l'information médicale), la responsabilité de relayer avec exactitude aux professionnels de santé le mécanisme d'action et les résultats d'essais des candidats-médicaments issus de l'IA devient plus lourde. Dans le domaine de la sécurité (= la surveillance des effets indésirables), on fera d'autant plus appel au regard capable de déceler si un médicament conçu par l'IA se comporte de manière inattendue. Plus l'outil devient intelligent, moins la responsabilité de vérification des humains qui le manient s'allège. Elle devient plutôt plus lourde. C'est là, je crois, le cœur de la façon dont la première ligne devrait accueillir la découverte de médicaments par l'IA à l'ère nouvelle.