New York, 11 mai 1997. Après dix-neuf coups, Garry Kasparov renverse son roi. Deep Blue, l'ordinateur d'IBM, vient de battre le champion du monde d'échecs. Dès le lendemain, la presse enterre le jeu: à quoi bon encore s'asseoir devant un échiquier si une machine peut surpasser les meilleurs joueurs du monde?
Et pourtant, près de trente ans plus tard, les échecs n'ont jamais été aussi vivants. «Pour que rien ne change, il faut que tout change », faisait dire Tomasi di Lampedusa à son jeune Tancrède dans Le Guépard (1958). Kasparov lui-même a livré la clé de ce nouveau paradigme; sous le terme de «centaure», il a forgé un concept: l'avenir n'appartiendrait ni à l'homme seul, ni à la machine seule, mais à ceux qui auront appris à jouer avec elle. Et cette vision se confirme, les générations qui dominent actuellement l'échiquier, celle des Magnus Carlsen et des Javokhir Sindarov, sont les premières à s'être formées avec la machine plutôt que contre elle.
Aujourd'hui, c'est au tour des laboratoires pharmaceutiques de vivre leur moment Deep Blue. Les algorithmes lisent des bibliothèques entières de molécules connues, simulent leur comportement, génèrent des candidates à un rythme inédit.
L'imaginaire collectif s'embrase, une fois de plus, on annonce la fin d'un monde. Cette fois, le marché n'a pas attendu le verdict: il a déjà vendu. Encore faut-il savoir ce qu'il pénalise.
I. Ce que le marché est en train de brader
Après la robustesse des grands leaders industriels, puis la régularité de la consommation courante, notre série s'arrête sur un troisième pilier de l'investissement de qualité, la santé. Tout comme la consommation courante, le secteur est typiquement synonyme de résilience, avec une croissance que le cycle économique n'entame pas, des positions concurrentielles défendables, et la capacité à capitaliser ses résultats sur des décennies. Tout comme la consommation courante, le secteur présente un profil stabilisateur dans les cycles. Sa vertu la plus précieuse se révèle aussi dans les tempêtes. La demande de soins ne s'ajourne pas, une douleur n'attend pas que les marchés se retournent. Lors des grandes corrections de ces vingt-cinq dernières années, le secteur a systématiquement mieux résisté que le marché dans son ensemble. Cette résilience ne se remarque guère dans les années d'euphorie; elle se paie très cher lorsque tout vacille.
Recul du secteur de la santé comparé au marché mondial lors des grandes corrections (2000-2025)
Source: MSCI
Mais là s'arrête le parallèle. Là où l'intelligence artificielle ne devrait affecter les biens de consommation qu'à la marge, dans le secteur de la santé son impact pourrait être structurellement transformateur.
II. Des vents contraires
Une partie de la défiance des marchés ces dernières années envers le secteur repose sur des difficultés bien réelles, étrangères à la mode du moment. Les grands laboratoires abordent une série de falaises de brevets: d'ici la fin de la décennie, plusieurs traitements qui pèsent lourd dans leurs revenus perdront leur protection. Aux Etats-Unis, l'Inflation Reduction Act ouvre pour la première fois la négociation, par l'assurance publique, du prix de certains médicaments. Des taux d'intérêt élevés ont pénalisé des sociétés dont la valeur repose sur des flux lointains. Et chez les fournisseurs d'outils de laboratoire, les années de commandes exceptionnelles nées de la pandémie ont fait place à une normalisation brutale.
Mais une autre crainte s'est greffée sur ces inquiétudes, et c'est elle qui nous intéresse. Elle mérite d'être décomposée, car on y confond en réalité deux peurs de nature très différente.
La première est une peur de déplacement. Des sociétés de biotechnologie nées avec l'intelligence artificielle, débarrassées de l'inertie des grands groupes, concevraient des médicaments plus vite et pour moins cher, jusqu'à rendre les titulaires superflus.
La seconde est plus profonde: une peur de banalisation. Si un algorithme génère des millions de molécules candidates, alors le savoir-faire chimique accumulé pendant un siècle perd sa rareté. Le moat des laboratoires ne serait pas franchi par un concurrent; il se comblerait de lui-même.
Ces deux peurs appellent deux analyses distinctes, mais qui nécessitent toutes deux de regarder de près où l'intelligence artificielle agit, et où elle est susceptible de créer de la valeur.
«Rien dans la vie n’est à craindre, tout est à comprendre. C’est maintenant le moment de comprendre davantage, afin de craindre moins.»
Marie Curie
III. Où le scalpel tranche
Développer un médicament et obtenir son approbation prend en moyenne plus de dix1 ans, coûte environ 2,6 milliards de dollars, et n'aboutit que pour environ un candidat clinique sur dix . La sélection est encore plus brutale en amont: sur cent molécules prometteuses identifiées au stade préclinique, moins d'une est finalement approuvée. Les autres sont abandonnées en chemin, non par négligence mais parce que la biologie humaine résiste à la prédiction.
Ce parcours qui mène de la molécule au médicament approuvé suit deux étapes successives. Et l'impact de l'intelligence artificielle sur ces deux étapes n'est pas le même.
La première moitié du processus de développement se joue sur écran. Les chercheurs parlent de dry lab: identifier une cible biologique, concevoir des molécules candidates, prédire leur comportement. C'est une phase d'imagination et de tri rapide, largement informatisée, où l'intelligence artificielle excelle. C'est là que se concentre la disruption visible.
La seconde phase est d'une tout autre nature. Les essais cliniques à grande échelle chez l'humain, l'autorisation réglementaire puis la fabrication industrielle forment le wet lab: des patients réels, des usines, des inspections, des chaînes logistiques spécialisées. Cette moitié concentre l'essentiel du coût et la quasi-totalité du temps de développement.
Aucun algorithme ne remplace un essai mené sur cinq mille patients, ni n'abrège l'inspection d'une usine.
Le débat quant au potentiel disruptif de l'intelligence artificielle sur le processus de développement de médicament se focalise sur la phase I, où elle brille. Mais c'est en phase II que se joue l'essentiel: c'est là que la majorité des molécules sont abandonnées. C'est donc là que devrait se trouver la prochaine source de valeur, pour qui parviendra à y faire baisser le taux d'échec. Et cela ne se fera pas par la seule force des algorithmes.
Une analyse parue en 2024 dans Drug Discovery Today a comparé les molécules conçues par intelligence artificielle aux méthodes classiques2. En phase I, celle des tests de sécurité, les premières franchissent l'obstacle dans 80% à 90% des cas, contre 40% à 65% pour les secondes. En phase II, l'épreuve de l'efficacité chez le malade, leur taux de succès retombe autour de 40%, sensiblement le niveau des médicaments traditionnels. A ce jour, aucun médicament entièrement conçu par intelligence artificielle n'a reçu l'approbation de la FDA.
Taux de succès en phases I et II: molécules conçues par IA contre méthodes traditionnelles
Source: Drug Discovery Today (2024)
Cette asymétrie n'est pas une curiosité statistique. Elle indique précisément où la valeur se détruit. L'industrie connaît ce mal depuis longtemps: chaque nouveau médicament approuvé revient, en termes réels, plus cher que le précédent. Les économistes ont baptisé ce phénomène la loi d'Eroom («Moore» écrit à l'envers, soit l'exact contraire de la loi de l'informatique). Les dépenses de recherche du secteur ont environ doublé en une décennie sans que la production de nouveaux traitements ne suive le même rythme. Or cette hémorragie ne se produit pas au moment où l'on dessine des molécules. Elle se produit lorsqu'on les confronte à un organisme humain.
Dépenses de R&D de l'industrie et coût par médicament approuvé: l'illustration de la loi d'Eroom
Source: Evaluate Pharma
Voilà qui répond à la première peur. Une société biotechnologique née avec l'intelligence artificielle aborde les essais cliniques à grande échelle avec un meilleur candidat, mais se heurtera plus que probablement au même mur que les laboratoires historiques, et avec un handicap: moins de capital, moins d'infrastructure, aucun réseau commercial.
Reste la seconde peur, la plus sérieuse: si le moat historique des laboratoires ne réside pas dans la génération de molécules, d’où provient-il donc? … de leurs échecs.
IV. Le palais de la mémoire
Depuis des décennies, chaque essai clinique raté produit une masse de données: quelles molécules, sur quels patients, avec quels marqueurs biologiques, et pourquoi la réponse attendue ne s'est pas produite. Ces registres dorment dans les coffres des grands laboratoires historiques, tels que Novartis, Pfizer ou encore Sanofi, et couvrent presque toutes les aires thérapeutiques. Ils échappent largement aux bases publiques dont se nourrissent les algorithmes, pour une raison simple: personne ne publie ses échecs.
Or ces archives n'ont longtemps rien valu. Hétérogènes, mal structurées, dispersées entre des essais qui ont échoué chacun pour des motifs différents, elles constituaient un cimetière plutôt qu'un actif. Un passif, même, conservé pour des raisons réglementaires. Nul ne savait les lire et encore moins les interpréter.
C'est ici que le raisonnement s'inverse: l'intelligence artificielle est la première technologie capable d'extraire un signal de ce désordre, de reconnaître à travers des décennies d'échecs disparates les régularités qui annoncent qu'une molécule échouera. Elle ne comble pas l’avantage compétitif des laboratoires, elle transforme leurs cicatrices en corpus d'entraînement.
Encore faut-il nommer le mécanisme, car c'est lui qui referme le raisonnement. Un échec de phase II est très souvent un échec d'efficacité: une cible biologique erronée, ou une bonne molécule administrée au mauvais patient. C'est sur cette seconde cause que les archives agiraient avec efficacité. Savoir quels profils de patients n'ont pas répondu, hier, à quelles molécules, permettrait de sélectionner en amont ceux qui répondront demain, et donc de réduire l'attrition là précisément où la valeur se détruit.
«Le hasard ne favorise que les esprits préparés.»
Louis Pasteur, 1854
La formule de Louis Pasteur décrit assez bien l'avantage concurrentiel moderne: une technologie de rupture ne profitera qu'à ceux dont les données et les procédés sont prêts à l'accueillir. Que rien ne le prouve encore n'a d'ailleurs rien d'étonnant. Ces archives viennent tout juste de devenir lisibles, les infrastructures de calcul qui s'y attellent datent de quelques mois, et une lecture de phase II se compte en années. L'expérience commence à peine, elle n'a pas échoué. C'est aussi pour cette raison que le marché ne l'a pas encore intégrée.
Une objection légitime demeure: pourquoi les nouveaux venus n'achètent-ils pas simplement ces données? D'abord parce qu'elles ne sont pas à vendre, céder ses archives d'échecs revenant à céder son moat. Ensuite parce que les consentements des patients et les cadres réglementaires en limitent la circulation. Enfin, et surtout, parce qu'un tel actif ne se réduit pas à un fichier. Il vit dans des protocoles, des équipes, des habitudes de laboratoire, un savoir et une mémoire tacite sur la manière dont ces données ont été produites.
V. Ceux qui n'ont jamais cessé de jouer
En 2012, deux grands espoirs contre la maladie d'Alzheimer échouent à quelques semaines d'intervalle. D'autres suivront.
Entre 2002 et 2012, plus de quatre cents essais cliniques contre cette maladie se soldent par un échec, pour des dizaines de milliards de dollars engloutis. Le verdict tombe: Alzheimer est peut-être incurable; l'industrie en prend acte.
Pourtant, un laboratoire japonais de taille moyenne, Eisai, refuse de renoncer. Fort d'une conviction héritée de décennies de recherche, il continue de creuser l'hypothèse d'une piste biologique précise. En janvier 2023, onze ans plus tard, l'agence américaine du médicament approuve le Lecanemab, premier traitement à ralentir réellement la progression de la maladie.
Eisai n'a pas trouvé le Lecanemab grâce à l'intelligence artificielle. Mais c'est exactement cette persévérance, et le capital d'archives cliniques accumulé au fil des décennies, qui rendra possibles les centaures de demain. Le moat dont profitera l'intelligence artificielle en santé existe déjà. Il a été bâti, essai après essai, par ceux-là mêmes que le marché considère aujourd'hui comme ses victimes. L'intelligence artificielle ne créera pas cet avantage. Elle le révélera.
Les gagnants de la prochaine décennie ne seront pas nécessairement les joueurs les plus rapides, mais ceux qui n'ont jamais cessé de jouer contre la réalité.
VI. Deux manières de jouer avec la machine
De cet avantage découlent deux manières d'investir dans le bouleversement en cours.
La première se relie à ce fameux concept de centaure imaginé par Kasparov. Les laboratoires qui couplent l'intelligence artificielle à leurs propres archives ne combattent pas la machine: ils jouent avec elle, sur un échiquier qu'ils connaissent mieux que quiconque. Ainsi, en mars 2026, Roche dévoilait avec Nvidia le plus grand parc de calcul jamais réuni par un groupe pharmaceutique, avec plus de 3500 processeurs graphiques répartis entre l'Europe et les Etats-Unis. Le groupe suisse peut y adosser des atouts que nul autre ne possède: des décennies d'essais cliniques, sa filiale californienne Genentech, et Foundation Medicine, sa filiale de profilage génomique, qui apparie déjà les patients aux traitements à partir de l'ADN tumoral; c'est-à-dire précisément la sélection de patients dont dépend la phase II.
On objectera que l'intelligence artificielle et la robotique finiront par industrialiser le wet lab lui-même. C'est possible, et cela ne contrarie pas notre thèse: un laboratoire automatisé consomme davantage d'instruments, de réactifs et de consommables qu'un laboratoire manuel, non pas moins.
Nous ne prétendons pas savoir si le taux d'échec en phase II baissera un jour. Nous affirmons que s'il baisse, ce sera grâce à celui qui saura lire les échecs passés, et que ces échecs appartiennent aux laboratoires historiques.
La seconde manière est plus discrète, et sans doute plus sûre. Elle consiste à vendre non pas l'or, mais les pelles.
«Dans toute ruée vers l’or, le commerce le plus sûr n’a jamais été l’extraction. C’est la pelle.»
Mark Twain
Un vieux paradoxe économique en donne la clé. En 1865, William Stanley Jevons observe que l'amélioration du rendement des machines à vapeur, loin de réduire la consommation de charbon, l'a augmentée: plus une ressource devient productive, plus on en consomme. La même mécanique est actuellement à l'œuvre dans le secteur pharmaceutique. En rendant les hypothèses scientifiques presque gratuites, l'intelligence artificielle ne conduit pas les laboratoires à tester moins, mais à tester davantage: plus de molécules à synthétiser, davantage d'analyses et d'expériences sur cellules vivantes. Le goulet d'étranglement se déplace vers le wet lab, dont la capacité, elle, ne décuple pas d'une année sur l'autre.
Le bénéficiaire structurel de ce déplacement est l'écosystème des outils et instruments des sciences de la vie. Deux sociétés que nous tenons en haute estime l'illustrent: Bio-Techne, dans les protéines et réactifs de recherche, et Thermo Fisher, dans les instruments d'analyse, les milieux de culture et les bioréacteurs. Ces entreprises vendent ce sans quoi aucune hypothèse, fût-elle générée par le plus brillant des algorithmes, ne peut être vérifiée. Plus la fièvre monte, plus le marchand prospère, sans avoir à parier sur celui qui trouvera le filon.
Reste que l'investisseur n'a nul besoin de trancher ce pari. Si le taux d'échec en phase II baisse, les archives en sont la matière première et les laboratoires historiques en captent la valeur. S'il ne baisse pas, le goulet du wet lab demeure, la barrière à l'entrée reste intacte, et l'échelle industrielle continue de protéger ces mêmes groupes.
Quant à l'écosystème d'instruments, il gagne dans les deux cas, puisque le volume de tests augmente quoi qu'il advienne.
Les deux branches de l'alternative conduisent aux mêmes gagnants.
Conclusion: ce qui ne s'optimise pas
Notre thèse tient finalement en peu de mots. La santé demeure un secteur de qualité, et elle le demeure pour des raisons qui existaient avant l'intelligence artificielle et qui lui survivront.
Son désamour récent provient de motifs de deux ordres qu'il faut se garder de confondre. Les uns sont légitimes, et nous les prenons au sérieux: falaises de brevets, pression sur les prix, taux d'intérêt élevés, normalisation d'un cycle exceptionnel chez les fournisseurs d'outils. L'autre est une erreur d'analyse: la crainte qu'une technologie de l'information vienne dissoudre un avantage fait d'information.
Là où l'intelligence artificielle n'affectera les biens de consommation qu'à la marge, son impact sur la santé est bien structurellement transformateur. Simplement, il transforme le processus, non la hiérarchie. Il redistribue le travail à l'intérieur des laboratoires sans redistribuer les positions entre eux.
La question n'est donc pas de savoir s'il faut investir dans la santé, mais dans quel segment. Deux manières de gagner s'offrent à nous. Ceux que l’on pourrait nommer les «centaures», d'abord: les grands laboratoires historiques dont la patience et l’expertise ont bâti le corpus et qui peuvent maintenant y associer la puissance de calcul de l’intelligence artificielle. L'écosystème d'instruments, ensuite, sans lequel aucune expérience n'aurait lieu. Le marché traite les premiers en victimes de l'intelligence artificielle, quand ils en sont les premiers financeurs et, à nos yeux, les premiers bénéficiaires; il tient les seconds pour des bénéficiaires lointains, là où la mécanique de Jevons en fait les plus directs. Les uns et les autres se paient aujourd'hui à des niveaux que nous jugeons difficiles à justifier.
L'intelligence artificielle bouleversera la recherche pharmaceutique. Elle ne bouleversera pas ceux qui la mènent. Ce qui s'optimise finit toujours par changer de main; ce qui ne s'optimise pas, des décennies d'échecs consignés, demeure.
Car aux échecs comme en médecine, une vérité demeure: pour que rien ne change, il faut que tout change.
Cet article est le troisième d'une série en quatre volets sur l’évolution du paysage de l’investissement:
Partie I — La qualité va plus loin - Principes fondamentaux, horizons élargis
Partie II — Consommation courante: ce que le marché a cessé de voir
Partie III — La santé à la croisée des chemins
Partie IV — L’IA sous le prisme de la qualité: durabilité dans la disruption (publication en septembre 2026)
1 Tufts Center for the Study of Drug Development, DiMasi et al., Journal of Health Economics, 2016. Pour la répartition entre dry lab et wet lab, ASPE-HHS (2024), citant DiMasi 2016.
2 Analyse publiée dans Drug Discovery Today (2024) sur les taux de succès cliniques des molécules conçues par IA. Base de référence des phases: BIO, Clinical Development Success Rates.