ChatGPT, Claude или Gemini? Как крупные фармацевтические компании перестраивают свои технологические стеки ИИ

Введение

Отношения между искусственным интеллектом и фармацевтическими исследованиями меняются.

Долгие годы наиболее заметные коллаборации в области разработки лекарств с использованием ИИ включали специализированные компании, которые фокусировались на идентификации мишеней, предсказании структуры белков, генерации молекул, виртуальном скрининге или лабораторной автоматизации. Фармацевтические группы также активно полагались на облачных провайдеров, производителей чипов и поставщиков платформ данных, чтобы обеспечить инфраструктуру для этих проектов.

Теперь второй тип поставщиков углубляется в эту отрасль. OpenAI, Anthropic и Google больше не воспринимаются лишь как провайдеры универсальных чат-ботов или офисных помощников. Их модели проникают в научные исследования, клиническую разработку, медицинское письмо, регуляторные вопросы, кодинг, анализ данных, производственные расследования и корпоративные решения.

Следовательно, стратегический вопрос для фармацевтических компаний перестал быть просто: "Каким чат-ботом должны пользоваться сотрудники?"

Настоящий вопрос:

Какая комбинация моделей, систем данных, научных инструментов, мер безопасности и процессов ручной проверки сможет стать надежным интеллектуальным слоем компании?

Обзор передовых коллабораций крупных фармкомпаний с ИИ

Big Pharma Sharma в анализе, опубликованном в мае 2026 года, отследил 27 подтвержденных стратегических партнерств с участием 21 крупной фармацевтической компании и трех передовых ИИ-экосистем: OpenAI, Anthropic и Google Gemini.

Набор данных сообщает о следующем примерном распределении:

Показатель	Результат
Отслеженные подтвержденные коллаборации	27
Участвующие крупные фармкомпании	21
Коллаборации, включающие Anthropic	~52%
Коллаборации, включающие OpenAI	~41%
Коллаборации, включающие Gemini	2
Компании, работающие одновременно с OpenAI и Anthropic	как минимум 6
Коллаборации, связанные с исследованиями или открытиями	~82%

Эти данные служат снимком рынка, но не являются официальной статистикой всех фармацевтических ИИ-проектов. Частные пилотные проекты, облачные контракты, внедрения внутренних моделей, партнерства со специализированными моделями и нераскрытые эксперименты могут не входить в набор данных.

Эти цифры также не означают, что фармацевтическая отрасль четко разделена на лагеря OpenAI, Claude и Gemini.

Более важной закономерностью является многомодельное экспериментирование. Крупные компании тестируют различные системы для разных задач, одновременно выстраивая более широкий технологический стек на основе собственных данных, инструментов валидации, корпоративных разрешений и ручного контроля.

Крупные фармкомпании выбирают инфраструктуру, а не просто окно чата

Для индивидуальных пользователей передовые модели используются для письма, поиска, обобщения, мозгового штурма или кодинга.

У фармацевтического внедрения есть дополнительные требования.

Модель может быть необходимой:

• Работать в контролируемой корпоративной среде
• Соблюдать ролевой доступ к конфиденциальным данным
• Подключаться к внутренним исследовательским базам данных и хранилищам документов
• Использовать проверенные научные и статистические инструменты
• Сохранять источники и информацию о происхождении
• Генерировать проверяемые результаты
• Фиксировать операционные действия для соответствия аудиторским требованиям
• Поддерживать комплаенс-процессы
• Передавать неопределенные или высоковлиятельные решения квалифицированным специалистам

Это формирует как минимум три уровня внедрения.

Первый уровень: повышение корпоративной производительности

На этом уровне компании открывают доступ к ИИ-помощникам для широкого круга сотрудников.

Типичные сценарии использования включают:

• Поиск внутренних знаний
• Обобщение длинных документов
• Написание отчетов
• Генерацию кода
• Создание презентаций
• Рецензирование политик
• Поддержку повседневной интеллектуальной работы

Moderna была ранним последователем этой модели. Компания сотрудничает с OpenAI с 2023 года, сначала создав внутреннего помощника mChat, а затем развернув ChatGPT Enterprise для тысяч сотрудников из разных отделов.

Bristol Myers Squibb в 2026 году принял аналогичную широкую стратегию, объявив о внедрении Claude в подразделения R&D, клинической разработки, производства, коммерции и корпоративных функций, охватив более 30 000 сотрудников и подключив тысячи внутренних источников данных.

Второй уровень: ИИ, встроенный в конкретные рабочие процессы

Этот уровень выходит за рамки универсального помощника.

Модели интегрируются в четкие процессы, такие как:

• Составление отчетов о клинических исследованиях
• Генерация регуляторных документов
• Поддержка дизайна протоколов
• Анализ данных испытаний
• Процессы набора пациентов
• Биоинформатика
• Расследование производственных отклонений
• Медицинское и научное письмо

На этом этапе ИИ-система перестает быть просто инструментом для повышения эффективности письма, а становится неотъемлемой частью самого процесса.

Эффективное внедрение требует: утвержденных шаблонов, надежного поиска источников, структурированного вывода, контроля версий, проверки качества и экспертной оценки.

Третий уровень: интеллектуальная платформа, охватывающая полный цикл R&D

Этот уровень представляет собой платформу агентов, способную координировать множество инструментов и источников информации.

Агент может выполнять следующие действия:

1. Анализировать исследовательские или бизнес-цели
2. Разбивать цели на подзадачи
3. Извлекать внутренние и внешние доказательства
4. Вызывать базы данных, научное ПО или корпоративные сервисы
5. Выполнять аналитические вычисления
6. Генерировать результаты
7. Проверять качество результатов
8. Передавать на ручное рецензирование

Многолетнее партнерство Merck & Co. с Google Cloud иллюстрирует это направление. Совместный проект стоимостью в миллиарды долларов направлен на развертывание платформы агентов на базе Gemini Enterprise в R&D, производстве, коммерческих операциях и корпоративных функциях.

На этом уровне конкуренция идет не о том, какой бренд отображается на вкладке браузера сотрудника, а о том, какая платформа сможет координировать новое поколение научных и операционных рабочих процессов компании.

Почему Claude занял лидирующие позиции в партнерствах

Anthropic занимает наибольшую долю среди партнерств, учтенных в наборе данных Big Pharma Sharma.

Эта ранняя позиция соответствует корпоративной и жизненно-научной стратегии Anthropic.

Фармацевтическим командам обычно требуется модель, способная обрабатывать:

• Длинные клинические и регуляторные документы
• Структурированное научное письмо
• Код и рабочие процессы анализа данных
• Детальные операционные инструкции
• Доказательства с указанием источников
• Корпоративные меры безопасности
• Воспроизводимые и аудитируемые процессы

Эти потребности тесно совпадают с позиционированием Claude от Anthropic.

Жизненно-научная версия Claude

Anthropic запустил жизненно-научную версию Claude в 2025 году, добавив интеграции и коннекторы для научных платформ и источников информации.

Объявленные сервисы в этой экосистеме включают:

• Benchling
• PubMed
• BioRender
• 10x Genomics
• Synapse.org
• Wiley Scholar Gateway
• ClinicalTrials.gov
• Medidata

Цель состоит в том, чтобы сделать Claude более доступным для инструментов, которые уже используют ученые, а не требовать ручного копирования текста для каждой задачи.

Anthropic расширил этот подход в 2026 году, запустив научную версию Claude — платформу для научной работы, объединяющую исследовательские инструменты, вычислительные ресурсы и аудитируемые результаты.

Bristol Myers Squibb: Claude как общий интеллектуальный слой

Bristol Myers Squibb в мае 2026 года объявил о стратегическом соглашении с Anthropic.

Компания заявила, что корпоративная версия Claude будет внедрена в ее глобальные операции, включая:

• Исследования
• Клиническую разработку
• Производство
• Коммерческие функции
• Корпоративные функции

Bristol Myers Squibb описывает Claude как общую интеллектуальную платформу, а не приложение для одной цели. Цель состоит в том, чтобы соединить сотрудников и агентов с внутренними данными, одновременно создавая общий слой взаимодействия для разных рабочих процессов.

Подобные соглашения помогают объяснить количество партнеров Anthropic. Продукт продается не просто как API модели, а как защищенная корпоративная среда, инструмент для кодинга, фреймворк для агентов и интерфейс знаний.

NovoScribe демонстрирует ценность ИИ в регулируемых документах

NovoScribe от Novo Nordisk — один из самых ярких примеров использования Claude в рабочих процессах с регулируемыми документами.

Система объединяет:

• Модели Claude
• Claude Code
• Генерацию с дополнением поиска
• Текст, одобренный экспертами
• Кейс-специфичные переменные
• Amazon Bedrock
• MongoDB Atlas
• Ручную проверку

Anthropic сообщает, что документы клинических исследований, которые ранее требовали более десяти недель, теперь генерируются на платформе примерно за десять минут.

Этот показатель является результатом, представленным компанией на примере конкретного кейса, и не представляет собой гарантию для каждого клинического документа. Тем не менее, этот рабочий процесс демонстрирует, почему большие языковые модели привлекательны для регуляторного письма.

Клинические отчеты и связанные документы обычно:

• Имеют большой объем
• Высоко структурированы
• Повторяют формат
• Зависят от исходных данных
• Используют стандартизированную терминологию
• Проходят тщательную проверку
• Требуют прослеживаемости выводов до источников

Модели могут помогать с извлечением информации, созданием черновиков, форматированием и проверкой согласованности. Однако научное суждение, регуляторная ответственность, одобрение и конечная ответственность остаются за квалифицированными специалистами.

Это важное различие. Ранний успех Claude в фармацевтике не обязательно доказывает, что он лучше в изобретении новых лекарств. Это говорит о том, что Anthropic

Обнаружены бизнес-процессы предприятия, позволяющие быстро измерять ценность: написание кода, генерация документации, поиск знаний и структурный анализ.

OpenAI расширяется от универсального корпоративного ИИ к моделям для наук о жизни

Путь OpenAI в фармацевтическую отрасль несколько иной.

Его ранние преимущества были обусловлены:

• Повсеместной знакомостью сотрудников с ChatGPT.
• Корпоративным развёртыванием.
• Обширной экосистемой разработчиков.
• Кастомизированными приложениями GPT.
• Внутренними инструментами на основе API.
• Универсальными способностями к кодированию и рассуждению.

Moderna: Повсеместное внедрение ИИ в компании

Moderna начала сотрудничество с OpenAI в 2023 году.

Первоначально компания создала внутреннего чат-бота под названием mChat. Впоследствии она распространила использование ChatGPT Enterprise на множество бизнес-функций и поощряла сотрудников создавать специализированные GPT для повторяющихся задач.

Это модель производительности «снизу вверх». Сотрудники исследовательских, юридических, производственных, коммерческих и административных отделов могут выявлять часто используемые сценарии и создавать вокруг них внутренних ассистентов.

Преимущество такого подхода — широкий охват попыток. Риск заключается в возможной фрагментации, если каждый отдел будет создавать инструменты без единого управления, стандартов оценки и контроля данных.

Sanofi, Formation Bio и OpenAI

В 2024 году Sanofi объявила о партнёрстве с OpenAI и Formation Bio для разработки программного обеспечения ИИ для открытия лекарств.

Это сотрудничество объединило:

• Собственные данные и фармацевтическую экспертизу Sanofi.
• Модели и возможности ИИ от OpenAI.
• Инженерные технологии и платформу для разработки лекарств Formation Bio.

Впоследствии эти компании запустили Muse — инструмент, предназначенный для поддержки набора пациентов в клинические испытания.

Это знаменует переход от общей помощи сотрудникам к конкретным рабочим процессам разработки лекарств.

GPT-Rosalind: Специализированная линейка продуктов для наук о жизни

В 2026 году OpenAI выпустила GPT-Rosalind — серию моделей, специально созданных для исследований в области наук о жизни.

Эта система предназначена для рассуждений в таких областях, как:

• Биология.
• Открытие лекарств.
• Инженерия белков.
• Химия.
• Геномика.
• Научные доказательства.
• Исследовательские инструменты.
• Экспериментальные рабочие процессы.

OpenAI также разработала плагины и научные обозреватели для рабочих процессов, включая анализ литературы, секвенирование нового поколения, одноячеечный анализ и анализ молекулярных структур.

GPT-Rosalind знаменует стратегический сдвиг.

OpenAI больше не просто предоставляет универсальных корпоративных ассистентов фармацевтическим компаниям. Она строит независимую серию моделей, фреймворки оценки, инструментальные слои и программы контролируемого доступа для исследований в области наук о жизни.

Результаты собственного бенчмарка LifeSciBench компании также показывают, что осторожность всё ещё необходима. GPT-Rosalind лидирует среди оценённого набора моделей, но общий показатель успешного выполнения задач далёк от идеала, особенно в задачах, требующих высокой точности артефактов, дизайна и ограниченных операций.

Модели предметной области могут повысить производительность, но не заменяют необходимость экспертной верификации.

От научных рассуждений к автоматизированным экспериментам

Стратегия OpenAI в области наук о жизни также включает работу по подключению моделей к экспериментальным платформам, что позволяет автоматизировать дизайн и выполнение экспериментов.

Экспериментальные системы.

В тексте особо упоминаются проекты с участием Ginkgo Bioworks и Retro Biosciences.

Важным направлением является не какой-то изолированный результат, а попытка построить замкнутый цикл:

1. Модель анализирует предыдущие экспериментальные данные.
2. Она предлагает новый дизайн или оптимизацию.
3. Лабораторная автоматизация выполняет эксперимент.
4. Собираются экспериментальные результаты.
5. Модель анализирует результаты.
6. Предлагается следующий эксперимент.
7. Учёный проверяет процесс и выводы.

Если этот замкнутый цикл станет надёжным, роль ИИ выйдет за рамки обобщения научной информации, он сможет участвовать в итеративном дизайне экспериментов.

Это более высокий стандарт, чем генерация документов. Система должна справляться с зашумлёнными данными, неполным биологическим пониманием, неудачными экспериментами, ограничениями оборудования и требованиями безопасности.

Поэтому заявления о научном прогрессе следует оценивать на основе воспроизводимых экспериментов и реальных результатов исследований и разработок, а не только на основе модельных бенчмарков или пресс-релизов.

У Gemini меньше количество сделок, но шире инфраструктурное присутствие

В наборе данных крупных фармацевтических компаний Sharma Google Gemini появляется только в двух партнёрствах.

Эта цифра не отражает полного присутствия Google в сфере наук о жизни.

Решения Google включают:

• Модели Gemini.
• Google Cloud.
• Gemini Enterprise.
• Инфраструктура данных.
• Корпоративный поиск.
• Workspace.
• Vertex AI.
• Вычисления на TPU.
• Инструменты разработки агентов.
• Научные исследования Google DeepMind.
• AlphaFold и связанные биологические модели.

Фармацевтические компании, внедряющие Gemini, могут приобретать интегрированную облачную и архитектуру данных, а не отдельную модель.

Merck и Google Cloud

Компания Merck объявила о многолетнем партнёрстве с Google Cloud в апреле 2026 года на сумму до 1 миллиарда долларов.

Сотрудничество направлено на применение Gemini Enterprise и технологий Google Cloud в:

• Исследованиях и разработках.
• Производстве.
• Коммерческих операциях.
• Взаимодействии с пациентами.
• Корпоративных функциях.

Ожидается, что инженеры Google Cloud будут работать совместно с командами Merck над внедрением.

Это крупное, инфраструктурное соглашение, которое может сделать статистику количества партнёрств вводящей в заблуждение. Google может объявлять о меньшем количестве сделок публично, но при этом получать широкие стратегические обязательства.

AlphaFold и научная экосистема Google

Google также выигрывает от научного авторитета Google DeepMind.

AlphaFold изменил реальную ситуацию в области прогнозирования структуры белков и стал важным исследовательским ресурсом. Google DeepMind и Isomorphic Labs продолжают работу над биологическими системами и системами дизайна лекарств.

В фармацевтической архитектуре Gemini может служить уровнем обработки естественного языка и оркестрации задач, в то время как специализированные научные модели выполняют структурные, химические или биологические прогнозы.

Таким образом, долгосрочное преимущество Google может заключаться в интеграции:

• Универсальных способностей к рассуждению.
• Облачной инфраструктуры.
• Корпоративных данных.
• Научных моделей.
• Управления агентами.
• Масштабных вычислений.

Отрасль не разделена на три постоянных лагеря

В отслеживаемом наборе данных как минимум шесть фармацевтических компаний сотрудничают как с OpenAI, так и с Anthropic.

Это одно из самых...

важных открытий.

Крупные фармацевтические компании вряд ли передадут все ключевые рабочие процессы одному поставщику моделей, поскольку возможности, цены, задержки, дизайн продуктов и нормативные требования всё ещё быстро меняются.

Многомодельная архитектура позволяет компаниям сопоставлять инструменты с задачами.

Например:

• Claude может использоваться для длинных документов, структурированного письма, кода и регулируемых рабочих процессов.
• OpenAI — для широкой интеллектуальной работы, предметных исследований, инструментальных научных рассуждений и экспериментальных систем.
• Gemini — для интеграции с данными Google Cloud, корпоративными агентами и специализированными технологиями DeepMind.
• Меньшие модели или модели с открытым исходным кодом могут обрабатывать низкозатратные или развёрнутые в частном порядке рабочие нагрузки.
• Специализированные научные модели могут выполнять химические, геномные, визуализационные или статистические задачи.

Это не означает, что каждая компания будет использовать всех поставщиков.

Это означает, что долгосрочным активом вряд ли станет сам бренд модели.

Долгосрочным активом является внутренняя платформа, контролирующая:

• Права доступа к данным.
• Маршрутизацию моделей.
• Разрешения инструментов.
• Аутентификацию.
• Оценку.
• Логирование.
• Стоимость.
• Отслеживание источников.
• Утверждение человеком.
• Регуляторную подотчётность.

Практическая многомодельная фармацевтическая архитектура

Зрелая фармацевтическая платформа ИИ может включать несколько уровней.

Уровень	Функция
Пользовательский и агентский интерфейс	Принимает цели, вопросы и решения для проверки
Уровень оркестрации	Планирует задачи и направляет работу моделям и инструментам
Передовые языковые модели	Обрабатывают рассуждения, написание, кодирование и координацию
Модели предметной области	Выполняют задачи по биологии, химии, структуре, визуализации или геномике
Уровень данных	Обеспечивает контролируемый доступ к внутренней и внешней информации
Научные инструменты	Запускают проверенные вычисления, анализ и симуляции
Корпоративные системы	Связывают клинические, регуляторные, производственные и бизнес-процессы
Уровень оценки	Измеряет точность, пропуски, цитирование, воспроизводимость и риск

| Уровень управления | Контроль доступа, журналы аудита, хранение и утверждение |
| Человек-эксперт | Проверка доказательств, принятие решений и сохранение ответственности |

Такая архитектура также снижает зависимость от одного поставщика.

Если качество модели падает, затраты растут или доступность меняется, уровень оркестрации может перенаправить часть рабочих нагрузок в другое место — при условии, что компания создала стандартизированные интерфейсы и механизмы оценки.

Почему большинство сотрудничеств сосредоточено на этапах исследований и открытий

Согласно аналитическим отчетам, около 82% сотрудничеств связаны с этапами исследований или открытий.

Эта концентрация отражает текущие сильные стороны больших языковых моделей.

Исследования и клиническая разработка содержат огромные объемы информации, которую модели могут обрабатывать:

• Научная литература.
• Лабораторные записи.
• Протоколы.
• Документы клинических испытаний.
• Статистические результаты.
• Медицинское письмо.
• Геномные данные.
• Биоинформатический код.
• Доказательства по мишеням.
• Внутренние базы знаний.

На ранних этапах исследований модели могут помогать в:

• Обзоре литературы.
• Интеграции доказательств.
• Генерации кода.
• Омиксном анализе.
• Формулировке гипотез.
• Планировании экспериментов.
• Написании технической документации.

В клинической разработке они могут поддерживать:

• Подготовку протоколов.
• Оценку осуществимости испытаний.
• Набор участников.
• Написание отчетов об исследованиях.
• Подготовку регистрационных материалов.
• Интерпретацию данных.
• Медицинское письмо.

Эти задачи информационно насыщены и обычно позволяют экспертам проводить проверку до того, как решения повлияют на пациентов или продукты.

Почему внедрение в производство и CMC идет медленнее

В области производства и химии, производства и контроля (обычно называемой CMC) публично раскрытых случаев внедрения передовых моделей меньше.

Причина не в отсутствии потенциальной ценности.

Возможные варианты использования включают:

• Проверку записей партий.
• Расследование отклонений.
• Поиск технологических знаний.
• Составление документов по качеству.
• Анализ первопричин.
• Планирование цепочки поставок.
• Поддержка обслуживания.
• Обучение и стандартные операционные процедуры.

Разница заключается в рисках.

Ошибочные исследовательские гипотезы могут быть опровергнуты последующими экспериментами; но ошибочные производственные инструкции могут повлиять на качество продукции, поставки, соответствие требованиям или безопасность пациентов.

Производственная среда также зависит от:

• Данных оборудования в реальном времени.
• Валидированного программного обеспечения.
• Систем управления качеством.
• Контроля изменений.
• Электронных записей.
• Строгих разрешений.
• Письменных операционных процедур.

В такой среде системы ИИ требуют более строгой валидации, более узких границ действий и более тщательного человеческого контроля.

Это объясняет, почему производство может начать с контролируемых случаев, таких как поиск документов и анализ отклонений, прежде чем постепенно переходить к автономному управлению процессами.

JulesOS от GSK: стратегия внутренней разработки

GSK представляет важный контраст с моделями открытого сотрудничества.

Компания разработала JulesOS — внутреннюю операционную систему на основе агентов, которая имеет доступ к сообществу агентов и специализированных моделей.

GSK описывает эту платформу как объединяющую:

• Специализированные ИИ и модели машинного обучения.
• Инструменты генерации кода.
• Инструменты анализа данных.
• Внутренние научные знания.
• Рабочие процессы агентов.
• Единый интерфейс для исследователей.

Такой подход дает GSK больший контроль над оркестрацией, доступом к данным, валидацией и пользовательским интерфейсом.

В то же время это может помочь компании извлечь большую ценность из своих проприетарных наборов данных, включая внутренние результаты экспериментов, омиксную информацию, клинические доказательства и знания о мишенях.

Внутренняя платформа не означает, что все компоненты создаются с нуля.

GSK все еще может использовать внешнюю облачную инфраструктуру, программное обеспечение с открытым исходным кодом, сторонние модели или специализированные инструменты. Разница в том, что компания контролирует уровень интеграции и решает, как эти компоненты открываются для сотрудников.

Строить самостоятельно или сотрудничать извне?

У каждой стратегии есть свои преимущества.

Внешнее сотрудничество с передовыми ИИ	Внутренняя платформа агентов
Более быстрый доступ к возможностям новых моделей	Более сильный контроль над архитектурой и данными
Инженерная поддержка от поставщика	Глубокая настройка под внутренние рабочие процессы
Более простое корпоративное развертывание	Снижение зависимости от одного поставщика
Быстрое итеративное улучшение моделей	Большая自主ность в оркестрации и оценке
Возможный риск зависимости от поставщика	Высокие инженерные и эксплуатационные затраты

Многие компании будут использовать комбинацию обоих подходов.

Они могут строить внутреннюю платформу, одновременно используя под ней Claude, GPT-Rosalind, Gemini, модели с открытым исходным кодом и специализированные научные системы.

Наиболее зрелая ценность сейчас — в сжатии интеллектуального труда

В настоящее время наиболее измеримая ценность от развертывания LLM в фармацевтике исходит из интеллектуального труда.

Примеры:

• Сокращение времени подготовки документов с недель до минут или дней.
• Сокращение циклов проверки.
• Составление нормативных и клинических материалов.
• Ускорение разработки кода.
• Поиск внутренних научных знаний.
• Генерация структурированного анализа.
• Поддержка интерпретации данных.
• Создание повторно используемых агентов для рабочих процессов.

Эти преимущества можно наблюдать относительно быстро.

Но гораздо сложнее доказать, что передовая модель:

• Определила лучшие лекарственные мишени.
• Создала более безопасные молекулы.
• Повысила уровень клинического успеха.
• Снизила риск поздних неудач.
• Улучшила долгосрочные результаты для пациентов.

Разработка лекарств занимает годы. Конечный результат зависит от биологии, качества экспериментов, токсикологии, производства, индивидуальных особенностей пациентов, дизайна испытаний, клинических операций и нормативного контроля.

Модели не могут обойти физическую валидацию.

Это не означает, что производительность в документации и кодировании не важна. Более быстрый интеллектуальный труд может сократить циклы во всем процессе разработки. Это просто означает, что отрасль должна различать эффективность рабочих процессов и научный успех.

Универсальные модели все еще зависят от специализированных данных и инструментов

Передовая модель может быть сильна в языке, рассуждениях и планировании, но все еще может не иметь полных данных, необходимых для решения конкретных фармацевтических задач.

Длиннохвостые лекарственные активы, исторические клинические проекты, проприетарные результаты экспериментов, прекращенные соединения и внутренние записи решений могут отсутствовать в публичных обучающих данных.

Поэтому реалистичная архитектура ИИ для наук о жизни должна объединять:

• Передовые модели для понимания задач и координации.
• Курируемые базы данных с надежными фактами.
• Внутренние данные с корпоративными доказательствами.
• Научные модели для прогнозирования в предметной области.
• Валидированное программное обеспечение для вычислений и анализа.
• Лабораторные системы для экспериментального тестирования.
• Человеков-экспертов для интерпретации и ответственности.

Подключение моделей к специализированным базам данных через одобренные инструменты может быть более ценным, чем переход с одной передовой модели на другую.

Качество интерфейсов данных и инструментов может определять конечный результат так же, как и способность модели к рассуждению.

Сотрудничество в области ИИ повышает конкурентные стандарты в фармацевтике

Новый ландшафт сотрудничества заставляет фармацевтические компании повышать и без того сложные способности.

1. Превращение внутренних данных в пригодные для использования знания

Большинство крупных фармацевтических компаний обладают огромными объемами данных.

Проблема в том, что эти данные могут:

• Храниться в разных системах.
• Быть описаны с использованием непоследовательной терминологии.
• Быть защищены разными разрешениями.
• Не иметь информации об источнике.
• Быть труднодоступными для поиска.
• Быть построены для одного рабочего процесса, но не подходить для другого.

Если организация не установила четкие стандарты и механизмы контроля доступа, модели не смогут надежно использовать информацию.

2. Встраивание моделей в реальные рабочие процессы

Купить корпоративный чат-бот относительно просто.

Встраивание ИИ в клинический отчет, нормативное представление, процесс фармаконадзора, систему качества или лабораторный рабочий процесс требует перепроектирования процессов.

Команды должны решить:

• Какие шаги можно автоматизировать?
• Какие результаты являются рекомендациями?
• Какие действия требуют утверждения?
• Какие доказательства должны быть сохранены?
• Как исправлять ошибки?
• Кто имеет окончательное право принятия решений?
• Что происходит при изменении модели?

3. Создание научной оценки

Открытые бенчмарки не могут ответить на вопрос, безопасна ли и полезна ли модель для рабочего процесса разработки лекарств в конкретной компании.

Фармацевтическая оценка должна использовать реальные внутренние задачи и измерять:

• Точность.
• Отсутствие информации.
• Необоснованные утверждения.
• Качество цитирования.
• Воспроизводимость.
• Правильность использования инструментов.
• Устойчивость к неполным данным.
• Принятие экспертами.
• Экономию времени после проверки.
• Производительность после обновления модели.

Система ИИ, которая создает впечатляющие черновики, но порождает больше работы по проверке, может приносить мало реальной ценности.

Будущее — это платформа модель-данные-инструмент-эксперимент

Claude, OpenAI и Gemini входят в фармацевтику разными путями.

Anthropic

Anthropic делает акцент на:

• Корпоративной безопасности.
• Рабочих процессах с длинными документами.
• Кодировании.
• Научных коннекторах.
• Документации, подлежащей регулированию.
• Аудитируемом научном рабочем пространстве.
• Общем уровне ИИ.

OpenAI

OpenAI сочетает:

• Широкое внедрение ChatGPT.
• Модели GPT с RTX.

Корпоративная производительность.

• Обширная экосистема разработчиков.
• GPT-Rosalind.
• Научные плагины.
• Агентное программирование.
• Исследования на основе инструментов.
• Автоматизация экспериментов.

Google

Google объединяет:

• Gemini.
• Gemini Enterprise.
• Google Cloud.
• Корпоративная инфраструктура данных.
• Агентная платформа.
• Вычисления на TPU.
• AlphaFold.
• Научные модели Google DeepMind.

Возможный результат — не единственный победитель во всех фармацевтических рабочих процессах.

Более реалистичное будущее — платформа, где сосуществуют несколько моделей, маршрутизируемых в зависимости от задачи.

Одна модель может изучать литературу. Другая — генерировать код. Специализированная модель может прогнозировать свойства молекул. Корпоративный агент может координировать базы данных, программное обеспечение и утверждения. Лабораторная платформа может тестировать результаты.

В такой архитектуре модель — лишь один слой.

Ценность возникает из завершения надёжного цикла:

1. Понять научную или бизнес-задачу.
2. Найти достоверные доказательства.
3. Использовать правильные проверенные инструменты.
4. Создать проверяемый результат.
5. Провести эксперимент или операционную проверку.
6. Зафиксировать результаты.
7. Получить одобрение эксперта.
8. Улучшить следующий рабочий процесс.

Часто задаваемые вопросы

Выбирают ли фармацевтические компании Claude, ChatGPT или Gemini?

Многие компании используют не одну модель. Анализ партнёрств за май 2026 года показал, что по меньшей мере шесть крупных фармкомпаний сотрудничают как с OpenAI, так и с Anthropic, что указывает на распространённость мультимодельных стратегий.

Почему у Claude так много партнёрств в фармацевтике?

Позиционирование Claude сосредоточено на длинных документах, структурированном письме, программировании, корпоративной безопасности, цитировании и научной интеграции. Эти функции подходят для регулируемых рабочих процессов, таких как клиническое написание, внутренние исследования, кодирование и проверка документов.

Что такое GPT-Rosalind?

GPT-Rosalind — это серия моделей OpenAI для наук о жизни, предназначенная для рассуждений в биологии, химии, открытии лекарств, геномике, доказательствах и научных инструментах. Модель развёртывается через контролируемый исследовательский предварительный просмотр и корпоративный доступ.

Как Google Gemini применяется в фармацевтике?

Google позиционирует Gemini как часть более крупной облачной и агентной инфраструктуры. Компания Merck в партнёрстве с Google Cloud в 2026 году планирует внедрить Gemini Enterprise в исследования, производство, коммерцию и корпоративные рабочие процессы.

Что такое GSK JulesOS?

JulesOS — собственная агентная операционная система GlaxoSmithKline. Она объединяет специализированные модели, инструменты программирования, системы анализа данных и корпоративную базу знаний в единой среде для исследователей.

Может ли ИИ писать клинические и регуляторные документы?

ИИ может помогать в извлечении данных из источников, создании черновиков, унификации форматирования, проверке согласованности и генерации структурированных документов. Однако окончательное научное суждение, проверка соответствия, утверждение и ответственность остаются за квалифицированными специалистами.

Повышает ли ИИ успешность разработки лекарств?

По сравнению с повышением клинической успешности, существующие открытые данные больше свидетельствуют о повышении эффективности разработки. Реальное влияние на качество мишеней, отбор кандидатов, безопасность и результаты испытаний требует более длительного подтверждения.

Почему фармкомпании используют несколько моделей?

Разные модели имеют преимущества в производительности, стоимости, скорости отклика, экосистеме инструментов и вариантах развёртывания. Мультимодельная платформа снижает зависимость от одного поставщика и позволяет назначать разные задачи наиболее подходящим системам.

Связанные инструменты

• Claude for Life Sciences: решение Anthropic для наук о жизни с интеграцией научных данных, литературы и исследовательских платформ.
• Claude Science: научная ИИ-среда для инструментов, вычислений и проверяемых исследовательских результатов.
• GPT-Rosalind: серия моделей OpenAI, разработанная для исследований в области наук о жизни и научных рабочих процессов.
• Gemini Enterprise: корпоративная агентная платформа Google Cloud с поддержкой подключения данных, интеграции приложений, управления и многошаговых рабочих процессов.
• AlphaFold: система прогнозирования структуры белков и научная платформа Google DeepMind.
• GSK JulesOS: операционная система GlaxoSmithKline для научных агентов и специализированных ИИ-инструментов.

Связанные ссылки

• Отчёт об анализе партнёрств крупных фармкомпаний: исходные данные по 27 партнёрствам и обзор рынка 21 компании.
• Соглашение Bristol-Myers Squibb с Anthropic: официальное объявление BMS о развёртывании Claude Enterprise по всей компании.
• Кейс NovoScribe от Novo Nordisk: отчёт Anthropic о регулируемых документах и повышении производительности.
• Moderna и OpenAI: кейс OpenAI о развёртывании ChatGPT Enterprise и внутренних GPT в Moderna.
• Sanofi, Formation Bio и OpenAI: официальное объявление Sanofi о сотрудничестве в области ИИ для разработки лекарств.
• Введение в GPT-Rosalind: официальное представление OpenAI своей серии моделей для наук о жизни.
• Партнёрство Merck с Google Cloud: официальное объявление Merck о соглашении с Gemini Enterprise и Google Cloud.

Резюме

Крупные фармацевтические компании больше не рассматривают ChatGPT, Claude и Gemini как изолированные чат-инструменты, а тестируют их как компоненты корпоративной ИИ-инфраструктуры — компоненты, способные подключаться к внутренним данным, научным инструментам, регулируемым процессам и агентным системам.

В настоящее время Anthropic занимает наибольшую долю в открытых данных о партнёрствах; OpenAI расширяется от общих корпоративных приложений к специализированным моделям для наук о жизни; Google конкурирует через более широкий спектр облачных услуг, данных, научных моделей и агентных платформ. Тем временем JulesOS от GSK показывает, что крупные фармкомпании могут выбрать самостоятельный контроль над уровнем оркестрации.

Наиболее заметные улучшения в последнее время касаются ускорения обработки документов, написания кода, поиска знаний и анализа данных. Утверждения о том, что передовые модели способны повысить качество лекарств или уровень клинической успешности, всё ещё требуют подтверждения долгосрочными экспериментами и клиническими данными.

Решающее преимущество заключается не в выборе определённого бренда модели, а в создании надёжной, поддающейся проверке замкнутой системы — которая тесно связывает модели, собственные данные, проверенные инструменты, эксперименты и подотчётные человеческие решения.