Как российская фарма осваивает ИИ в 2026 году

Потенциал для ИИ-трансформации в фармацевтической отрасли огромен. По данным McKinsey, до 80% рабочих процессов в ней можно автоматизировать или дополнить ИИ-агентами. При этом ИИ здесь внедряется осторожнее, чем во многих других индустриях, из-за высокой цены ошибки, регуляторных требований и чувствительности медицинских данных. Однако ситуация начинает меняться по мере появления проверенных сценариев. Какие из них имеют практический смысл для российских фармкомпаний, рассказывают Полина Зырянова и Полина Сорокина, специалисты практики Data Governance & AI Strategy, компания Axenix.

Полина Зырянова

Согласно прогнозам Mordor Intelligence, мировой рынок ИИ-решений в фармацевтике вырастет более чем вдвое — с $6,1 млрд в 2026 году до $35 млрд к 2031-му. Российский рынок значительно меньше, однако и здесь ожидается быстрый рост. По оценке команды Axenix, рассчитанной на основе данных «Яков и Партнёры», «Медси» и IQVIA, его объем может вырасти с 3,36 млрд руб. в 2026 году до 11,7 млрд руб. к 2030-му году.

По данным отраслевого исследования «Цифровая зрелость фармацевтических компаний — 2026», стратегическим партнером которого выступила Axenix, генеративный ИИ используют 71,9% из 64 опрошенных компаний. При этом зрелость управления технологией заметно отстает от скорости ее распространения: утвержденная ИИ-стратегия есть у 21,9% участников, а формализованный подход к AI Governance — только у 9,4%. Самыми распространенными областями применения ИИ стали маркетинг (51,6%), продажи и работа с документами (по 46,9%).

Сценарии применения ИИ в фарме

Когда СМИ пишут об ИИ в фарме, чаще всего вспоминают разработку новых лекарств (drug discovery), то есть поиск биологических мишеней и наиболее перспективных молекул (molecule leads) для дальнейшей разработки лекарственного препарата. Именно здесь ИИ дает самые заметные цифры. Например, по оценке McKinsey, ИИ может ускорить поиск новых перспективных молекул в 4 раза, а точность прогнозов их будущей эффективности – повысить в 2,5 раза.

Полина Сорокина

Второе крупное направление — клинические исследования (clinical trials). Это одна из самых продолжительных и дорогих частей разработки, которая может длиться несколько лет, забирая на себя около 70% совокупных затрат на создание препарата. Здесь ИИ применяется для управления процессом исследования и формирования огромного объема документации для регулирующих органов.

Алгоритмы помогают выбирать клинические центры и пациентов по критериям включения, прогнозировать риск выбытия пациентов и помогать исследовательской команде своевременно принимать меры для повышения их удержания, оптимизировать дизайн протокола, обрабатывать большие массивы клинических данных, а также готовить регуляторную документацию.

Особенно важна возможность быстрее выявлять отклонения и закономерности в данных, которые при ручной обработке потребовали бы значительных ресурсов. По приведенной McKinsey оценке, применение ИИ способно сократить продолжительность испытаний в среднем примерно на 12 месяцев, снизить затраты на управление клиническими данными пациентов на 30% и повысить экономическую эффективность испытаний на 20%.

Наконец, третья большая область — коммерциализация, требующая правильной работы с огромным объемом медицинской и рыночной информации. ИИ помогает персонализировать работу медицинских представителей, готовить контент для специалистов здравоохранения и информационные материалы для пациентов с учетом различных регуляторных требований, а после запуска препарата — анализировать данные реальной клинической практики (real-world data, RWD) для оценки эффективности и безопасности препарата.

Основная часть исследовательских лабораторий и капиталоемкого R&D сосредоточена за рубежом, прежде всего в США и Китае, — там же возникает и основной эффект от ИИ. Поэтому для значительной части российских фармкомпаний наиболее доступный экономический эффект от ИИ сегодня находится не в фундаментальном drug discovery, а ближе к операционной деятельности — в коммерциализации, производстве и корпоративных функциях.

Можно обозначить ряд основных сценариев:

1. Обучение и контроль качества коммуникации медпредставителей

Один из самых очевидных сценариев связан с работой медицинских представителей — специалистов фармацевтических компаний, которые выступают связующим звеном между производителем и медицинским сообществом. Они информируют врачей и фармацевтов о препаратах и изделиях компании, проводят презентации и консультации. Их задача — помогать специалистам здравоохранения ориентироваться в продукции и особенностях ее применения.

Качество работы медицинских представителей влияет на эффективность взаимодействия компании с медицинским сообществом и, в конечном счете, на коммерческие показатели, поэтому здесь сравнительно легко оценить экономический эффект от внедрения ИИ. Например, команда российской компании AI Hub с помощью ИИ проанализировала звонки медицинских представителей и обнаружила, что около 20% из них во время разговора даже не упоминали ключевой препарат, которому была посвящена коммуникация. Показательно уже то, как удалось обнаружить эту проблему. Вручную прослушать и системно проанализировать тысячи минут разговоров было бы значительно сложнее.

Но ИИ здесь можно использовать не только для контроля. На его основе можно создавать базы знаний о препаратах, тренажеры для отработки разговоров с врачами и инструменты, которые регулярно анализируют коммуникации и выявляют типичные ошибки. По оценке McKinsey, освобождение сотрудников от подобной рутины может высвобождать до 30% их рабочего времени – для задач, где нужны именно человеческие, а не автоматизируемые навыки.

2. Создание контента для врачей и пациентов

Фармкомпаниям требуется большой объем презентаций, обучающих материалов и другого контента, причем перед публикацией они должны пройти проверку на соответствие регуляторным требованиям. Генеративный ИИ позволяет ускорить их подготовку. По подсчетам McKinsey, ИИ может снизить затраты на создание контента до 50% и до трех раз ускорить его медицинское, юридическое и регуляторное согласование.

3. Персонализация коммуникации с врачами

ИИ персонализирует омниканальное взаимодействие с врачами: на основе истории предыдущих контактов, специализации врача и реакции на разные форматы коммуникации модель может рекомендовать следующий наиболее подходящий контакт — канал, время и даже содержание сообщения. Например, для одного специалиста будет рекомендован визит медицинского представителя, для другого — письмо с новым исследованием, а для третьего — отсутствие дополнительного контакта в данный момент.

Кроме того, ИИ может учитывать специализацию конкретного врача и этап взаимодействия с препаратом, чтобы точнее определять стратегию, как и с каким сообщением к нему обращаться. По данным IQVIA, до 68% медицинских представителей отмечают улучшение коммуникации с врачами и пациентами при использовании инструментов персонализированного омниканального взаимодействия.

4. Автоматизация фармаконадзора

NLP- и ML-модели могут помогать обрабатывать большие объемы сообщений о нежелательных явлениях, выделять потенциально значимую информацию, выявлять дубликаты и приоритизировать случаи для последующего анализа специалистом. В подобных сценариях особенно важен контроль со стороны человека (human-in-the-loop): итоговую оценку причинно-следственной связи и регуляторно значимые решения должен принимать специалист.

5. Ускорение процессов Medical Affairs

В медицинском подразделении фармацевтической компании (Medical Affairs) ИИ может ускорять поиск и систематизацию научной литературы, подготовку черновиков ответов на медицинские запросы и работу с внутренними базами знаний. При этом финальная проверка содержания остается за медицинским специалистом.

6. Контроль качества на производстве

На фармацевтическом производстве практическую ценность дают прежде всего компьютерное зрение и классические ML-модели, работающие с изображениями и данными производственного оборудования и датчиков. Они, например, могут использоваться для контроля качества и мониторинга оборудования. Компьютерное зрение может выявлять дефекты упаковки и маркировки на линии, а модели предиктивного обслуживания (predictive maintenance) — заранее обнаруживать признаки отклонений в работе оборудования и планировать обслуживание до остановки производства.

Недавний опрос компании Deloitte показывает, что компании уже получают ценность от инвестиций в умное производство, отмечая до 20% роста производительности и до 15% увеличения доступных производственных мощностей.

Ограничения на пути к масштабированию ИИ

Наличие понятных сценариев еще не означает, что их можно быстро масштабировать. Именно здесь проявляется специфика российской фармы.

Первое ограничение — сами данные. Для работы ИИ недостаточно просто накопить данные в корпоративных системах. Они должны иметь одинаковый понятийный контекст в разных подразделениях. В фарме особенно заметны проблемы со справочными и мастер-данными. В наших реалиях один и тот же врач может числиться в нескольких системах, работать в разных клиниках и быть по-разному классифицирован в разных системах — например, как дерматолог, дерматовенеролог или специалист, занимающийся заболеваниями волос.

Расхождения возникают и в справочниках препаратов. От качества этих данных зависит сегментация аудитории и то, какую коммуникацию, по какому продукту и через какой канал компания планирует для конкретного специалиста.

Эта проблема хорошо видна и по российской отраслевой статистике. Формализованная система Data Governance действует лишь у 15,6% опрошенных компаний. Почти половина участников (48,4%) называет одной из основных проблем отсутствие владельцев данных, 45,3% — противоречия между системами, 43,8% — необходимость ручной корректировки, а 39,1% — дублирование данных.

Поэтому перед масштабным внедрением ИИ компании нередко сначала вынуждены длительно согласовывать требования к качеству данных и формировать единую версию справочников. Обычно для такого наведения порядка нужен стимул. Им может стать первый заметный ИИ-проект, который заставляет компанию наконец свести данные воедино и определить, кто отвечает за их качество.

Второе ограничение — чувствительность медицинской информации. Фарма работает с данными пациентов и врачей. Цена ошибки здесь значительно выше, чем, например, в обычном маркетинговом проекте. Поэтому сценарии, в которых ИИ напрямую влияет на профильный процесс, требуют отдельных внутренних политик, инструментов защиты данных и более строгой проверки результата. Последнее особенно важно. Многие задачи в медицине и фармацевтике потенциально можно автоматизировать, но далеко не везде имеет смысл исключать человека из финального решения.

Ограничения связаны не только с конфиденциальностью данных, но и с достоверностью результата. Для регулируемых процессов важно понимать, на каких источниках основан ответ модели, сохранять возможность аудита и исключать использование неутвержденной или устаревшей информации. При этом риски уже вполне практические: среди наиболее значимых рисков использования ИИ компании называют утечки конфиденциальных данных (76,6%), дефицит компетенций (54,7%), неконтролируемое использование ИИ сотрудниками (51,6%) и ошибки моделей (48,4%).

Решение всех этих задач требует времени, поэтому российская фарма движется в сторону ИИ через маленькие, осторожные шаги. Быстрее всего эффект получают не те компании, которые запускают больше всего пилотов, а те, которые одновременно умеют выбирать экономически обоснованные сценарии, приводить в порядок данные и выстраивать контроль за решениями моделей. В регулируемой отрасли именно такая последовательность, а не скорость внедрения сама по себе, определяет зрелость ИИ-трансформации.