Prezes AstraZeneca Pascal Soriot powiedział wprost: sztuczna inteligencja nie jest już w jego firmie projektem przyszłości. Jest wbudowana w cały cykl tworzenia leków, od laboratorium po badania kliniczne. I według niego zaczyna przynosić wymierne efekty.
Kluczowe fakty:
- Prezes AstraZeneca Pascal Soriot poinformował, że sztuczna inteligencja jest już wbudowana w cały cykl tworzenia leków w firmie – od laboratorium po badania kliniczne – i przekłada się na realną poprawę produktywności.
- Narzędzia AI wykorzystywane przez AstraZeneca pomagają identyfikować nowe cele terapeutyczne oraz optymalizować cząsteczki poprzez przewidywanie i eliminowanie potencjalnych efektów ubocznych już na etapie projektowania, a nie dopiero w badaniach klinicznych.
- We współpracy z Tempus AI firma opracowała agenta AI, który łączy dane kliniczne i laboratoryjne w celu przewidywania prawdopodobieństwa powodzenia badań klinicznych fazy 3.
Soriot zabrał głos w programie „Mad Money” na antenie CNBC, a jego słowa szybko obiegły branżę farmaceutyczną. „The value of AI in our industry is productivity improvement” / „Wartością AI w naszej branży jest poprawa produktywności” — powiedział, dodając, że chodzi o projektowanie leków szybciej i mądrzej niż dotychczas.
Od hipotez do cząsteczek, szybciej
Tradycyjny proces odkrywania leku jest powolny, kosztowny i w dużej mierze oparty na eliminacji. Wchodzisz z szerokim pomysłem, wychodzisz z wąską listą kandydatów po latach prób i błędów. AI ma to zmieniać strukturalnie.
Soriot wskazał, że narzędzia AI pomagają identyfikować nowe cele terapeutyczne, ale też optymalizować cząsteczki tak, by ograniczyć potencjalne efekty uboczne już na etapie projektowania: „You can come up with new targets, but also you can optimize your molecule [and] remove what you think is going to be potential side effects from the molecule, and AI helps you do this” / „Możesz odkrywać nowe cele, ale możesz też optymalizować cząsteczkę i usuwać to, co może powodować efekty uboczne, a AI ci w tym pomaga”.
To nie jest mała zmiana. Przez dekady efekty uboczne odkrywano głównie na etapie badań klinicznych, czyli po ogromnych nakładach finansowych i czasowych. Jeśli AI potrafi przewidywać problemy wcześniej, na etapie komputerowych symulacji, całe podejście do R&D się przesuwa.
Prawie co drugi pracownik w Polsce używa AI za plecami swojego szefa. 71% polskich pracowników oszczędza dzięki AI od pół godziny do ponad dwóch godzin dziennie …
Agent, który przewiduje powodzenie badań klinicznych
Ale to co naprawdę przykuło moją uwagę, to konkretny projekt, który Soriot opisał przy okazji partnerstwa z Tempus AI.
„We have developed an agent that takes all this data together — clinical data, laboratory data — and helps us predict the probability of success of a Phase 3 trial” / „Opracowaliśmy agenta, który łączy wszystkie te dane — dane kliniczne, laboratoryjne — i pomaga nam przewidywać prawdopodobieństwo sukcesu badania klinicznego fazy 3”, powiedział szef AstraZeneca.
I od razu wyjaśnił, dlaczego to tak ważne: firmy wydają na jedno badanie kliniczne od 300 do 500 milionów dolarów. Jedno. Badanie. To są kwoty, przy których nawet kilkuprocentowa poprawa trafności decyzji przekłada się na setki milionów oszczędności rocznie.
Rozumiem entuzjazm Soriota i widzę, że AstraZeneca rzeczywiście idzie dalej niż większość graczy w tej przestrzeni. Ale mam jedno pytanie, które zawsze mi się nasuwa przy takich deklaracjach: jak bardzo agent „przewidujący sukces fazy 3” jest jeszcze testowany na danych historycznych, a jak bardzo działa prospektywnie, czyli na nowych, niewidzianych wcześniej przypadkach? To fundamentalna różnica. Model, który świetnie radzi sobie z danymi, które sam „widział” podczas treningu, to jeszcze nie jest narzędzie decyzyjne klasy medycznej. Nie mówię, że AstraZeneca tego nie sprawdziła. Mówię, że jako branża mamy obowiązek zadawać to pytanie głośno, za każdym razem.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Baza danych, której nikt inny nie ma
Za tym wszystkim stoi konkretna infrastruktura danych. W centrum projektu z Tempus AI jest baza ponad 7,3 miliona zanonimizowanych rekordów pacjentów, z czego 1,4 miliona zawiera dane obrazowe, 1,3 miliona dane genomiczne, a 260 tysięcy pełne profile transkryptomiczne. Towarzyszy temu ponad 1,1 miliarda stron dokumentacji klinicznej.
To skala, której nie da się zreplikować w rok ani nawet w pięć lat. CEO Tempus Eric Lefkofsky powiedział wprost, że jego firma „przez ostatnią dekadę inwestowała miliardy dolarów w zbieranie danych potrzebnych do stworzenia modelu fundacyjnego tego rodzaju”.
Umowy w ramach tego trójstronnego projektu obejmują 200 milionów dolarów w opłatach za licencjonowanie danych i rozwój modelu dla Tempus. Model po ukończeniu ma być współdzielony przez wszystkich trzech partnerów.
Przy czym warto pamiętać, że to nie jest nowy związek. AstraZeneca i Tempus współpracują już od 2021 roku, a w 2023 rozszerzyły partnerstwo o wdrożenie platformy Next do wspierania decyzji klinicznych u pacjentów z niedrobnokomórkowym rakiem płuca.
AI end-to-end, nie tylko w laboratorium
AstraZeneca nie ogranicza zastosowań AI do etapu odkrywania leków. Soriot mówił wcześniej, że AI jest „wbudowane end-to-end w całą firmę, od odkrycia i rozwoju po operacje komercyjne i świadczenie opieki zdrowotnej”. I dodał wprost: „This is not a future ambition” / „To nie jest przyszłościowa ambicja”.
Kilka konkretnych przykładów z tego, co firma już robi:
- Program Reinvent „fundamentalnie zmienia szybkość, z jaką możemy przejść od koncepcji do wiodących cząsteczek”
- Algorytm QCS (quantitative continuous scoring) analizuje cyfrowe obrazy próbek tkankowych pacjentów, by identyfikować tych, którzy z największym prawdopodobieństwem odpowiedzą na leczenie
- AI Development Agent ma docelowo skrócić o połowę czas potrzebny na etap wytwarzania i kontroli jakości (CMC)
Branża, która uczy się na błędach
Nie warto jednak czytać tych deklaracji w oderwaniu od rzeczywistości. Żaden lek stworzony w pełni przez AI nie przeszedł jeszcze wszystkich faz badań i nie uzyskał zatwierdzenia, choć pierwsze zatwierdzenie AI-projektowanego leku jest prognozowane na lata 2026-2027 z prawdopodobieństwem około 60%.
Były też porażki. W maju 2025 roku Recursion Pharmaceuticals wycofało swojego wiodącego kandydata odkrytego przez AI po tym, jak długoterminowe dane nie potwierdziły wcześniejszych trendów. Wcześniejsze niepowodzenia obejmowały związki zaprojektowane przez AI, które nie osiągnęły zakładanych punktów końcowych w badaniach dotyczących atopowego zapalenia skóry, schizofrenii i nowotworów.
Krishna Bulusu, dyrektor ds. onkologicznej analizy danych w AstraZeneca, mówił już wcześniej publicznie, że „przyspieszenie odkrywania leków nie oznacza tylko robienia tego samego bardzo szybko. Oznacza też robienie różnych rzeczy i robienie ich wydajniej”. To uczciwe postawienie sprawy.
Gdzie to wszystko zmierza
AstraZeneca dąży do osiągnięcia 80 miliardów dolarów rocznych przychodów do 2030 roku. Przy takich celach każda dźwignia produktywności ma znaczenie.
Firma zakończyła 2025 rok z przychodami na poziomie 58,7 miliarda dolarów, a sprzedaż leków onkologicznych wzrosła o 14% do 25,6 miliarda dolarów. Silna pozycja, ale do 80 miliardów droga jeszcze daleka.
AI jest w tym kontekście czymś więcej niż modnym hasłem. Dla AstraZeneca to zakład strategiczny: że da się skrócić czas dotarcia do pacjenta, ograniczyć marnotrawstwo w badaniach i trafniej stawiać na właściwe cząsteczki. Czy to zadziała w pełnej skali? Tego jeszcze nie wiemy. Ale kierunek jest jasny.
