Grâce à l’intelligence artificielle, BB Biotech a fait évoluer depuis trois décennies la manière dont le processus de sélection est mis en œuvre.

Rachael Burri, responsable des relations avec les investisseurs, s’entretient avec Sébastien Pires, responsable de l’IA, sur ce que l’IA a changé concrètement pour l’équipe d’investissement et sur les raisons pour lesquelles BB Biotech développe son propre «système opérationnel» à cette fin.

Sébastien, vous êtes le premier responsable de l’IA à avoir rejoint BB Biotech en 2026. Qu’avez-vous constaté à votre arrivée? Où avez-vous identifié le potentiel pour faire évoluer le processus d’investissement existant grâce à l’IA?

J’ai rejoint une équipe d’investissement très expérimentée, dotée d’une approche développée au fil des décennies. A l’origine, la biotechnologie était un domaine nouveau pour moi. Cela présentait aussi un avantage: j’ai pu porter un nouveau regard sur les processus existants et comprendre rapidement comment les données scientifiques se traduisent en décision d’investissement.

La philosophie était toutefois parfaitement claire : tout commence par la science.

Le potentiel se situait du côté de la technologie. Le défi ne résidait pas dans l’accès à l’information, mais dans sa fragmentation. Les connaissances étaient réparties entre les personnes, les modèles, les documents et les systèmes. Mon objectif était de rassembler ces éléments au sein d’un système d’investissement qui préserve le contexte, enrichit continuellement les connaissances et apporte à l’équipe la profondeur d’analyse nécessaire sur l’ensemble du portefeuille, sans modifier les fondamentaux de la décision d’investissement.

BB Biotech disposait déjà du «quoi». Ce que nous construisons aujourd’hui, c’est le «comment».

Nous parlons délibérément d’un «système opérationnel» propriétaire plutôt que d’une plateforme d’IA. Quelle est la différence essentielle et pourquoi développer cette couche technologique nous-mêmes?

Une plateforme fournit des fonctionnalités. Nous construisons un système d’exploitation qui réfléchit et qui mémorise. On peut le considérer comme la combinaison de 30 années de données accumulées et de la manière dont nos analystes appréhendent la biotechnologie.

Ce système relie des éléments qui sont habituellement dissociés: actualités, recherches, catalyseurs, hypothèses, modèles, décisions et résultats. L’unité de travail n’est plus le document, mais la question d’investissement associée aux données probantes et au raisonnement sous-jacents.

Ce que nous devons maîtriser, c’est la couche qui nous est propre: la manière dont nous cartographions la biotechnologie, comment les données probantes sont reliées à une thèse d’investissement, comment nos analystes raisonnent et comment ce raisonnement évolue au fil du temps.

Les données d’essais cliniques peuvent très rapidement modifier un dossier d’investissement. Que se passe-t-il dans bibi lorsque ces données sont publiées, et en quoi ce processus diffère-t-il d’une requête adressée à un chatbot?

Un chatbot part d’une question. Notre système part du contexte d’investissement.

Lors de la publication des résultats d’essais cliniques, nous savons déjà quels éléments sont déterminants. Le système a simulé des dizaines de milliers de scénarios potentiels sur la base du protocole de l’essai, de nos hypothèses, de la valorisation et du portefeuille. Ainsi, avant même que les données ne soient disponibles, nous avons défini ce que signifierait un résultat positif, négatif ou non concluant.

Nos agents s’appuient sur des sources primaires, comparent les chiffres publiés avec le protocole de l’essai et les données antérieures, et signalent tout écart par rapport au scénario attendu.

Notre système ne cherche pas à être le premier à parvenir à une conclusion. Les marchés ne manquent pas d’opinions formulées dans l’urgence.

Notre objectif est d’être les premiers à poser la bonne question de manière structurée. Qu’est-ce qui a réellement changé? Quelle hypothèse a évolué ? L’incertitude a-t-elle augmenté ou diminué? Le marché réagit-il au simple titre d’un article ou à un élément qui modifie véritablement les perspectives économiques du médicament?

C’est à ce moment-là que l’équipe prend le relais.

Ce dernier point est particulièrement important pour de nombreux investisseurs. Si un système est capable d’analyser des essais cliniques, de simuler des scénarios et de remettre en question des thèses d’investissement, où placer la limite entre le soutien technologique et la décision d’investissement proprement dite?

Je ne pense pas qu’il soit pertinent d’attribuer de manière rigide certaines tâches aux humains et d’autres aux machines. Cette frontière continuera à évoluer.

Une distinction plus durable peut être établie entre le calcul et le jugement.

L’IA peut analyser un essai clinique, remettre en question une hypothèse, générer des scénarios, identifier des incohérences et même démontrer que nous devrions revoir notre appréciation. Je souhaite qu’elle fasse tout cela.

Mais à un moment donné, la question «Que pouvons-nous déduire des données disponibles?» devient «Que croyons-nous, quelle est la solidité des données et quel capital sommes-nous prêts à y allouer?» Il s’agit là d’une décision d’investissement qui relève de l’équipe d’investissement.

Il existe également une limite claire en matière de traçabilité des données probantes. Si le système ne peut pas indiquer d’où provient une affirmation importante, cette affirmation n’existe pas pour nous. La rapidité est utile. La rapidité sans traçabilité ne l’est pas.

Du point de vue de l’investisseur, un autre aspect me paraît essentiel: davantage de données et une plus grande rapidité ne conduisent pas automatiquement à de meilleures décisions. Comment éviter que l’IA ne génère simplement davantage de bruit dans le secteur biotechnologique?

Le bruit apparaît lorsqu’un système lit tout sans déterminer ce qui est réellement pertinent. C’est pourquoi nous avons défini ce qui compte pour nous dans notre système: pour chaque entreprise, nous voulons savoir si le médicament est efficace, s’il est sûr et quels éléments seraient susceptibles de modifier notre probabilité de succès, notre valorisation et le niveau de risque que nous prenons. Une nouvelle information n’est pertinente que si elle modifie l’une de ces appréciations.

Cela fonctionne parce que notre système propriétaire comprend la manière dont les différents éléments sont liés: un résultat clinique est lié à un médicament, le médicament détermine une partie de la valeur de l’entreprise, et l’entreprise fait partie de notre portefeuille. Sans ces liens, on ne fait que lire plus vite.

Lorsqu’un élément modifie réellement une thèse d’investissement, l’équipe doit pouvoir l’identifier le plus tôt possible.

Nous parlons beaucoup d’efficacité et d’un meilleur traitement de l’information. Mais quel est l’impact à long terme. BB Biotech a plus de 30 ans d’expérience en matière d’investissement. Qu’est-ce qu’un système propriétaire apporte de nouveau?

Ce qui m’enthousiasme le plus, c’est la divergence constructive. Nous développons notre système afin qu’il remette en cause des arguments: il doit mettre en doute une thèse, remettre en question une hypothèse et présenter l’ensemble des données disponibles. Cela devient particulièrement intéressant lorsque le système est en désaccord avec un analyste qui suit une entreprise depuis dix ans. Parfois, c’est l’analyste qui a raison et le système apprend. Parfois, le système a raison et nous nous permet d’identifier un élément qui aurait pu nous échapper. Dans les deux cas, nous nous progressons. En appliquant ce processus semaine après semaine, année après année à chaque entreprise que nous analysons, nous développons une capacité de jugement en matière d’investissement qui s’améliore continuellement.

Si nous nous projetons à trois ou cinq ans, où devrait donc résider le véritable avantage concurrentiel de BB Biotech: dans des modèles d’IA plus puissants ou dans les connaissances que nous construisons grâce à eux?

Dans quelques années, les modèles seront méconnaissables. C’est pourquoi je ne fais pas de prédictions sur l’évolution de la technologie. Quoi qu’il en soit, notre avantage concurrentiel ne devrait de toute façon jamais résider dans les modèles eux-mêmes. Ce qui compte, c’est ce qui les entoure: le contexte, le raisonnement, l’historique de chaque décision et les raisons pour lesquelles nous l’avons prise. Dans la plupart des entreprises, ces connaissances se perdent chaque fois qu’un collaborateur quitte l’entreprise. Si notre système fait son travail, nous pourrons éviter que cela nous arrive.

Avertissement
Le présent communiqué contient des déclarations prospectives et des prévisions, ainsi que des évaluations, des convictions et des hypothèses. Ces déclarations reposent sur les attentes actuelles de BB Biotech, des membres de son conseil d’administration et de ses dirigeants, et sont donc soumises à des risques et incertitudes susceptibles d’évoluer au fil du temps. Les développements réels pouvant s’avérer sensiblement différents, BB Biotech, ainsi que les membres de son conseil d’administration et ses dirigeants, déclinent toute responsabilité à cet égard. Toutes les déclarations prospectives contenues dans la présente communication ne sont valables qu’à la date de celle-ci, et BB Biotech, ainsi que les membres de son conseil d’administration et ses dirigeants, n’assument aucune obligation de mettre à jour ces déclarations prospectives à la suite de nouvelles informations, d’événements futurs ou d’autres facteurs.