Sept revues de littérature scientifique, indépendantes des industriels, permettent de sortir du registre de l’annonce : l’IA accélère bien la découverte de médicaments, mais reste un outil complémentaire aux experts, avec un écart persistant entre preuves de concept et validation clinique réelle. 

La promesse de l’IA en pharma est aussi ancienne que répétée : réduire les délais, les coûts et le taux d’échec d’un processus de développement du médicament resté structurellement long et coûteux. Mais que dit la littérature scientifique elle-même, une fois qu’on sort du registre de l’annonce industrielle ? Cet article synthétise les résultats de sept revues de littérature publiées entre 2025 et 2026.  

Les travaux, menés par des équipes de recherche indépendantes des industriels, évaluent ce que l’IA change concrètement dans la découverte de médicaments, leur développement clinique et la pharmacovigilance. 

Les études retenues couvrent trois axes structurants : 

• L’ampleur réelle des gains de temps et de coûts documentés en R&D ; 

• La nature de l’apport de l’IA que ce soit comme outil complémentaire ou rupture de méthode ; 

• Les limites méthodologiques et les angles morts qui persistent malgré le volume de publications. 

Une accélération documentée, mais concentrée en amont de la R&D 

L’apport le plus solidement établi par la littérature concerne les toutes premières étapes du développement d’un médicament. Une revue systématique conduite selon les lignes directrices PRISMA 2020, analysant 100 études publiées entre 2018 et début 2025, conclut que l’IA générative a l’impact le plus documenté sur l’identification de molécules et l’optimisation de candidats en phase de découverte, avec des gains de temps et de coûts substantiels, tout en précisant qu’une large part de ces résultats repose sur des preuves de concept in silico, pas encore validées en conditions réelles de développement. 

Ce constat rejoint celui d’une revue complète parue dans ACS Omega, qui analyse les avancées 2019-2024 en apprentissage profond, réseaux de neurones sur graphes et transformeurs appliqués à l’ensemble du pipeline de découverte, de l’identification de cible au développement clinique. Cette revue rappelle un chiffre structurant pour situer l’enjeu : seuls 10 % environ des médicaments entrant en essais cliniques obtiennent une approbation réglementaire, et le criblage à haut débit classique n’affiche qu’un taux de succès de 2,5 %. C’est ce goulot d’étranglement historique que l’IA cherche à desserrer, sans, à ce stade documenté par la revue, l’avoir résolu. 

Une revue systématique complémentaire, centrée spécifiquement sur l’identification de cibles thérapeutiques et la conception moléculaire assistée par IA (structure-based et ligand-based drug design), confirme cette concentration des progrès sur les étapes amont, en s’appuyant sur des publications à comité de lecture parues entre 2015 et 2025. 

Un outil complémentaire, pas un substitut aux experts 

Plusieurs revues insistent sur un point de nuance important : l’IA ne remplace pas l’expertise humaine, elle la complète. Une revue critique publiée dans Pharmaceuticals retrace l’évolution de l’IA en découverte de petites molécules, des premiers systèmes à base de règles jusqu’aux modèles génératifs et agents autonomes actuels, en présentant délibérément à la fois des succès et des échecs pour donner une vision équilibrée. Sa conclusion centrale : le succès d’une application d’IA dépend étroitement de la qualité des données d’entraînement, de l’expertise des chimistes médicinaux qui interprètent les résultats, et de la robustesse de la validation expérimentale. Autant d’éléments qui restent ancrés dans les pratiques traditionnelles de découverte de médicaments. La revue note aussi que les agences réglementaires elles-mêmes s’appuient déjà sur l’IA pour instruire les dossiers, la FDA ayant traité plus de 500 soumissions comportant une composante IA entre 2016 et 2023. 

Une autre revue, publiée dans le Journal of Pharmaceutical Analysis, situe cette transformation dans un cadre plus large : l’IA agit en intégrant données, puissance de calcul et algorithmes, notamment en combinant biologie des systèmes et modèles d’IA pour mettre au jour des corrélations biologiques auparavant inaccessibles. Une description qui positionne l’IA comme un amplificateur de méthodes existantes plutôt que comme une rupture autonome. 

Une littérature encore en consolidation méthodologique pour la pharmacovigilance 

Contrairement à la découverte de molécules, où les revues systématiques s’accumulent depuis plusieurs années, la littérature sur l’IA appliquée à la pharmacovigilance reste en phase de structuration.  

Une revue systématique dont le protocole a été enregistré a priori sur PROSPERO, couvrant les publications indexées sur PubMed entre janvier 2010 et août 2025, documente une utilisation croissante de modèles d’IA et de machine learning pour détecter ou prédire des événements indésirables médicamenteux à partir de données cliniques réelles, avec des applications déjà démontrées sur la néphrotoxicité, le risque hémorragique associé aux ISRS, les dysfonctions thyroïdiennes d’origine médicamenteuse ou les atteintes hépatiques liées aux interactions médicamenteuses. 

 Le fait même qu’un protocole ait dû être enregistré aussi tardivement, sur un champ déjà actif depuis plus d’une décennie, illustre le retard de structuration méthodologique du domaine par rapport à la découverte de molécules. 

Ce que ces revues ne disent pas encore  

Trois limites reviennent, explicitement ou en creux, dans plusieurs de ces travaux. 

 D’abord, l’écart entre preuve de concept et validation clinique réelle, souligné par la revue PRISMA de 100 études : une bonne part de la littérature documente des gains en conditions de laboratoire, pas en conditions de développement réel. Ensuite, la persistance des taux d’échec en phase clinique malgré les progrès en amont : un point qui rejoint des données évoquées ailleurs dans cette étude sur les taux de succès en phase II, restés proches des niveaux historiques. Enfin, une dépendance forte et rarement quantifiée à la qualité des données d’entraînement et à l’expertise humaine d’interprétation, qui relativise l’idée d’une automatisation complète du processus scientifique. 

Tableau comparatif synthétique des 7 études : 

Une accélération réelle, mais encore concentrée et non généralisée 

Il ressort de ces sept travaux que l’apport de l’IA à l’industrie pharmaceutique repose sur un constat central, nuancé par deux réserves convergentes : un gain de temps et de coûts désormais bien documenté dans les toutes premières étapes de la découverte de médicaments, où plusieurs revues systématiques indépendantes convergent ; une littérature qui insiste unanimement sur le rôle complémentaire – et non substitutif – de l’IA vis-à-vis de l’expertise scientifique humaine ; et un écart persistant entre les résultats démontrés en amont (identification de cibles, conception moléculaire) et leur validation aux étapes cliniques ultérieures, où les taux d’échec historiques n’ont pas encore été documentés comme significativement réduits.  

C’est un point qui fait écho aux données évoquées plus tôt dans cette étude sur les taux de succès en phase clinique des médicaments conçus par IA, et qui invite à la prudence sur toute promesse de rupture généralisée à court terme. 

Bibliographie 

1. AI-Driven Drug Discovery: A Comprehensive Review. ACS Omega, 2025. PMCID: PMC12177741. — https://pmc.ncbi.nlm.nih.gov/articles/PMC12177741/ 

1. Artificial Intelligence Meets Drug Discovery: A Systematic Review on AI-Powered Target Identification and Molecular Design. Preprints.org, 2025. Manuscript 202503.0912. — https://www.preprints.org/manuscript/202503.0912 

1. Generative artificial intelligence in pharmaceutical drug development: A systematic review of time and cost efficiency across discovery, preclinical, and clinical phases. ScienceDirect, 2026. — https://www.sciencedirect.com/science/article/pii/S2949866X25000784 

1. The future of pharmaceuticals: Artificial intelligence in drug discovery and development. J Pharm Anal. 2025 Feb 26;15(8):101248. PMCID: PMC12391800. — https://pmc.ncbi.nlm.nih.gov/articles/PMC12391800/ 

1. From Lab to Clinic: How Artificial Intelligence (AI) Is Reshaping Drug Discovery Timelines and Industry Outcomes. Pharmaceuticals (MDPI), 30 June 2025. — https://www.mdpi.com/1424-8247/18/7/981 

1. Artificial Intelligence in Small-Molecule Drug Discovery: A Critical Review of Methods, Applications, and Real-World Outcomes. Pharmaceuticals. 2025 Aug 26;18(9):1271. PMCID: PMC12472608. — https://pmc.ncbi.nlm.nih.gov/articles/PMC12472608 

1. Systematic review of AI-based models in pharmacoepidemiology for adverse drug event prediction and detection. Frontiers in Drug Safety and Regulation, 2026. PROSPERO ID: CRD420251159394. — https://www.frontiersin.org/journals/drug-safety-and-regulation/articles/10.3389/fdsfr.2026.1773186/full