Опрос Pistoia Alliance показывает, что в отрасли происходит смещение акцента с повышения эффективности на инновации, в то время как готовность к обработке данных остается главным препятствием.
Автор: Эллисон Проффитт
20 января 2026 г. | По словам Кристиана Бабера, директора по управлению портфелем проектов в Pistoia Alliance, подход фармацевтической отрасли к искусственному интеллекту развивается, и компании все больше сосредотачиваются на инновациях, а не просто на повышении эффективности. Однако значительные препятствия, связанные с качеством данных и подготовкой персонала, продолжают тормозить прогресс.
Выступая на мероприятии Pistoia Alliance Boston, посвященном результатам опроса «Лаборатория будущего», проведенного прошлой осенью, и более недавним опросам на конференции, Бабер отметил неожиданный позитивный момент в статистике, которая на первый взгляд может показаться тревожной. Когда результаты опроса показали, что примерно 27% респондентов не знают источника данных, используемых для обучения их моделей ИИ, реакция Бабера была нелогичной: «Я бы поспорил, что гораздо больше… люди действительно не знают, как создаются их модели».
Дилемма данных
Проблема подготовки данных для ИИ стала одним из главных препятствий, отмеченных примерно половиной респондентов опроса. Эта проблема существует уже много лет, но обострилась, поскольку модели машинного обучения требуют данных в определенных, машиночитаемых форматах, а не в виде традиционных отчетов.
«Некоторые группы обмениваются историческими данными в отчетах, — пояснил Бабер. — Теперь эти данные должны быть представлены в машиночитаемом формате, чтобы на них можно было ссылаться в будущих моделях».
Проблема выходит за рамки технического форматирования. Культурные барьеры внутри организаций продолжают препятствовать обмену данными, даже внутри компании. Ученые часто сопротивляются отказу от контроля над своими данными, предпочитая представлять выводы в отчетах, а не предоставлять необработанные данные для более широкого переанализа и применения в искусственном интеллекте.
Это далеко не новая проблема в биологических науках, но, по словам Барбера, сейчас настало время для культурных изменений. «Ваша работа заключается в создании [данных], их распространении и использовании для принятия решений, — подчеркнул Бабер. — Вы хотите, чтобы они оказывали влияние».
Стратегический сдвиг
Пожалуй, наиболее обнадеживающим результатом опросов этого года является фундаментальное изменение подхода фармацевтических компаний к внедрению ИИ. В предыдущие годы организации в основном стремились к повышению эффективности и постепенным улучшениям — то, что Бабер характеризует как «делать дела лучше». В этом году произошел поворот в сторону «делать дела лучше», когда компании сосредоточились на инновациях и трансформационных изменениях, а не просто на оптимизации существующих процессов.
Этот сдвиг отражает зрелость инвестиционной стратегии. Раннее внедрение ИИ характеризовалось некоторой паникой — компании чувствовали себя обязанными «внедрить ИИ» и использовать любые доступные варианты его применения, отметил Бабер. Теперь инвестиции стали более разумными и целенаправленными, и организации задаются вопросом, где ИИ действительно может трансформировать их бизнес, а не просто ускорить его.
Пробел в обучении
Развитие трудовых ресурсов стало еще одной важнейшей потребностью, а образование и профессиональная подготовка были названы значительной частью респондентов основными препятствиями. Но универсального решения не существует. Некоторым специалистам необходимо создавать модели ИИ, но многим другим достаточно обладать достаточной грамотностью для их правильного использования.
Понимание «области применимости» модели — диапазона задач, которые она может надежно решать, — является первым шагом к правильному использованию ИИ для любого пользователя. Как отметил Бабер, модели ИИ «очень хорошо интерполируют, но довольно плохо экстраполируют». Они превосходно работают с известными примерами, но испытывают трудности с совершенно новыми сценариями, подобно классической проблеме «черного лебедя»: модель, обученная только на белых лебедях, никогда не идентифицирует черного лебедя как лебедя.
«Ответственность за публикацию информации о модели лежит как на тех, кто её создаёт, так и на тех, кто её использует», — сказал Бабер, имея в виду область применения, типы данных, на которых обучалась модель, и правила управления. Пользователи должны знать, какая документация должна существовать, и уметь распознавать признаки отсутствия важной информации.
Эволюция регулирования
Нормативно-правовая база становится все более понятной, и власти ЕС и США предоставляют более конкретные рекомендации по использованию ИИ. Эти рекомендации придают отрасли уверенности. В опросе «Лаборатория будущего» только 9% респондентов считали регулирование препятствием для ИИ, по сравнению с 23% в 2024 году.
Однако в консервативной отрасли внутренние корпоративные политики и рабочие процессы все еще отстают. Регулирующие органы, как правило, заинтересованы в развитии технологий, но отдельные компании опасаются внедрять что-либо, что может быть отклонено.
«Регулирующие организации в фармацевтической отрасли, как правило, очень консервативны, — заметил Бабер. — Они не хотят делать ничего, что может быть отклонено или вызвать проблемы».
Ответ Пистойи
Работая в доконкурентной среде, альянс Pistoia решает эти проблемы с помощью ряда инициатив. Организация поддерживает успешную базу данных примеров использования обработки естественного языка, недавно расширенную за счет включения больших языковых моделей, документируя, что работает, а что нет в различных реализациях.
Новый проект по сравнительному анализу призван решить проблему, которую примерно 50% респондентов назвали своим главным препятствием. Инициатива будет сосредоточена на создании эталонных показателей, специально предназначенных для исследований в области здравоохранения и науки, с возможностью их развития по мере совершенствования моделей.
Недавно Альянс завершил проект, посвященный изучению способов минимизации ошибок при выполнении запросов к базам данных на естественном языке. Вывод: шаблоны обеспечивают 100% точность, но ограниченную гибкость, в то время как агентный ИИ представляет собой следующий наилучший подход.
Основываясь на этих результатах, компания Pistoia запустила проект по созданию агентного ИИ, изучающий возможности работы агентов в области биологических наук и биофармацевтики, включая разработку протоколов для объявления агентами своих возможностей и общения с использованием специфической для биологических наук терминологии.
Практические рекомендации
Исследователям и ученым, стремящимся расширить свои возможности в области искусственного интеллекта, Бабер предлагает простые и понятные советы. Во-первых, с самого начала записывайте данные в машиночитаемых форматах с соответствующими метаданными. Это создает ценность для организации и обеспечивает надлежащее указание авторства создателей данных.
Во-вторых, уделите время пониманию ограничений технологии. Для этого не требуются навыки программирования или глубокие технические знания, а скорее развитие практических навыков посредством экспериментов.
«Каждый учёный может использовать Excel», — сказал Бабер, проводя параллель с программами для работы с электронными таблицами, — «даже если не каждый учёный программирует макросы для Excel».
Он рекомендует использовать базовые методы подсказок в инженерном деле, отмечая, что простые корректировки — например, просьба к модели ИИ показать свою работу — могут значительно уменьшить количество галлюцинаций. В качестве ресурсов для обучения он предлагает курсы от уважаемых университетов, таких как Гарвард и Массачусетский технологический институт, многие из которых доступны онлайн, а также практические эксперименты.
«Попробуйте заставить его лгать вам, а затем выясните, почему он лжет и как мне получить правду», — посоветовал Бабер, сравнивая модели ИИ с политиками, которые дают уверенные ответы, независимо от того, знают они эту информацию на самом деле или нет.
Взгляд в будущее
Несмотря на сохраняющиеся трудности, Бабер сохраняет оптимистичный настрой, основанный на очевидных улучшениях за последние два-три года. Траектория развития указывает на будущее, в котором инструменты искусственного интеллекта станут стандартным оборудованием практически для всех фармацевтических исследователей.
«Все идет в правильном направлении», — сказал он. Опрос «Лаборатория будущего» показал, что 77% лабораторий ожидают использования ИИ в течение следующих двух лет, и ИИ остается ведущей областью инвестиций третий год подряд.
Ключ к реализации этого будущего заключается не в разработке новых алгоритмов — фармацевтические компании, как правило, адаптируют существующие технологии ИИ, а не изобретают их, — а в решении человеческих проблем: методов работы с данными, организационной культуры, квалификации персонала и управленческих стимулов, которые либо способствуют, либо препятствуют внедрению ИИ.
Как метко заметил Бабер: «Проблема не в технологиях, а в людях».
Источник: www.bio-itworld.com
