Newtech
Biotech : l’IA s’installe dans les labos, mais peine encore à entrer au cœur de la R&D
Par Marie Varandat, publié le 21 janvier 2026
L’IA a déjà trouvé sa place dans le quotidien des équipes biotech. Mais, selon le 2026 Biotech AI Report de Benchling, le passage à l’échelle sur les cas d’usage plus stratégiques qui transforment réellement la R&D biopharmaceutique reste freiné par un verrou très concret : la qualité, l’accessibilité et la traçabilité des données expérimentales.
Traditionnellement, la biotechnologie est le secteur de la « patience ». Découvrir un médicament, c’est chercher une aiguille dans une botte de foin moléculaire, avec des cycles de R&D de 10 à 15 ans.
Comme dans bien des secteurs, l’IA promet de rebattre les cartes en accélérant l’identification des cibles, en réduisant le nombre d’expériences inutiles et, in fine, en réduisant drastiquement le temps nécessaire pour passer d’une hypothèse scientifique à une molécule prometteuse. Après une première vague d’expérimentations, le secteur entre aujourd’hui dans une phase d’industrialisation qui pourrait non seulement accélérer la recherche biopharmaceutique mais aussi réduire de façon significative les coûts.
C’est tout du moins ce que laisse entendre l’étude « 2026 Biotech AI Report » de Benchling, éditeur d’une plateforme cloud dédiée à la R&D en sciences de la vie. Réalisée en 2025 auprès d’une centaine d’organisations biotech et biopharma basées aux États-Unis et en Europe, l’étude dresse un état des lieux des usages qui s’installent et des freins rencontrés par les acteurs du secteur.
Une IA adoptée, mais cantonnée aux usages les plus « faciles »
Premier constat : l’IA a déjà trouvé sa place dans le quotidien des équipes, mais elle s’impose d’abord là où elle s’intègre sans friction. Autrement dit, la biotech n’échappe pas à la règle : avant de bouleverser la découverte de médicaments, l’IA commence par faire gagner du temps.
Selon l’étude, l’analyse de littérature scientifique et l’extraction de connaissances figurent ainsi parmi les usages les plus répandus (76 %), suivies par la prédiction de structures et de propriétés de protéines (71 %) et la rédaction scientifique ou communication interne (66 %). L’identification de cibles de recherche (ou cibles biologiques à explorer) est également déjà bien engagée (58 %).
Mais le rapport met aussi en évidence la limite de cette première vague : dès que l’IA touche aux cas d’usage plus complexes, qui sont censés réellement transformer la recherche dans le domaine de la biotechnologie, l’adoption décroît nettement. Non pas tant parce que les modèles seraient insuffisants, mais parce que les conditions pour les faire fonctionner à l’échelle restent difficiles à réunir : données multimodales, boucles de validation longues, et manque d’intégration entre données expérimentales et systèmes de calcul.
Le frein principal est sans surprise : la donnée. Près de 60 % des décideurs interrogés identifient la qualité et l’accessibilité des données de laboratoire comme le premier obstacle à l’adoption de l’IA à grande échelle. Le sujet est d’autant plus prégnant que la donnée dans ce secteur n’est pas seulement très volumineuse : elle est vivante. Un même protocole de recherche peut produire des résultats différents selon le lot de réactifs, l’équipement utilisé, la température, la qualité des échantillons ou même l’opérateur. Or, en biotechnologie, l’information décisive n’est pas seulement le résultat brut, mais tout ce qui l’accompagne : métadonnées, paramètres expérimentaux, conditions d’exécution, versions de protocole. Dès que ce contexte manque, l’IA perd sa capacité à comparer et à généraliser de façon fiable, ce qui complique la validation des résultats et ralentit, au lieu d’accélérer, les cycles de R&D.
Des modèles de plus en plus crédibles…
Si la donnée reste un problème, les modèles, en revanche, commencent à être mieux maitrisés : 55 % des répondants déclarent une confiance « modérée » dans les résultats produits par les LLM, et 66 % estiment que ce niveau de confiance a progressé en un an.
L’étude constate une forte domination d’OpenAI (85 %), mais aussi une diversification rapide, avec une progression marquée d’acteurs comme Anthropic et Mistral. Elle révèle également que les acteurs de la biotech ont adopté une approche hybride : 60 % des organisations s’appuient sur des applications IA prêtes à l’emploi, tandis qu’en parallèle, près de 56 % déclarent aussi développer ou adapter des modèles en interne, en les ajustant avec leurs propres données.
Des gains déjà visibles, mais une transformation encore inégale
Malgré les difficultés rencontrées, l’étude estime que l’IA commence déjà à produire des effets mesurables. Ainsi, 50 % des acteurs interrogés déclarent raccourcir le délai pour identifier et valider une cible de recherche. Et au-delà des gains de temps, la promesse économique se précise : plus d’une organisation sur deux anticipe une baisse des coûts dans les deux prochaines années, portée notamment par l’automatisation et la rationalisation des workflows. Résultat, 80% des organisations prévoient d’augmenter leur budget IA dans les 12 prochains mois, dont 23 % qui envisagent de le doubler (ou plus).
Cette montée en puissance se voit aussi dans les pratiques de travail. Dans de nombreuses équipes de la biotech, l’IA est devenue un point d’entrée quasi systématique. Pour explorer un sujet, structurer une recherche, synthétiser des résultats ou formuler une hypothèse, les scientifiques s’appuient de plus en plus sur des outils d’assistance. L’étude indique d’ailleurs que 89 % des scientifiques utilisent désormais des copilotes ou outils de raisonnement IA comme premier point d’entrée dans leur travail. Ce changement, discret mais profond, dit beaucoup sur la dynamique actuelle : l’IA n’est plus seulement un outil « en plus », elle commence à réorganiser la manière dont la connaissance circule et se construit dans les organisations.
Enfin, l’étude estime également que la montée en compétences constitue un levier central de l’industrialisation en cours. Dans ce domaine, les organisations biotech et biopharma semblent avoir tranché. Plutôt que de miser uniquement sur des recrutements externes (21%), elles privilégient largement la montée en compétences interne (67%), en formant leurs équipes au contact direct des cas d’usage. Une logique qui confirme que dans la biotech aussi, l’IA ne se pilote pas comme une brique technologique isolée : elle s’inscrit dans un environnement métier exigeant, où la valeur dépend autant de la compréhension du métier que de la maîtrise des données et des outils.
À LIRE AUSSI :
À LIRE AUSSI :
