Les récents progrès en biotechnologie, notamment la présentation du médicament pancréatique daraxonrasib lors de l'ASCO 2026 et les résultats prometteurs du projet de modification génique VERVE-102, ont ravivé l'enthousiasme autour de l'intelligence artificielle en découverte de médicaments. Pourtant, Liang Chang, investisseur en capital-risque et biologiste du cancer, alerte sur une réalité souvent sous-estimée : l'IA pourrait aggraver la saturation des pipelines pharmaceutiques plutôt que d'en booster radicalement le taux de succès. Dans le secteur technologique, la loi d'échelle stipule que plus on fournit de puissance de calcul et de données à un modèle, plus ses performances s'améliorent de manière exponentielle. Ce cercle vertueux ne s'applique pas à la biologie. Chang formule le concept de loi d'échelle inverse : les premières cibles thérapeutiques validées correspondent généralement aux plus prometteuses et aux plus accessibles. Chaque avancée consomme les opportunités évidentes, rendant les recherches suivantes progressivement plus complexes et moins rentables. En biologie, il n'y a pas de croissance exponentielle, mais des rendements décroissants. Si l'intelligence artificielle révolutionne les aspects techniques de la R&D, comme la prédiction de structures protéiques ou l'optimisation moléculaire, elle n'a pas encore fait progresser les taux de réussite en essais cliniques de phase 2, qui stagnent autour de 8 à 10 pour cent depuis plus d'une décennie. L'IA abaisse le coût et accélère l'exécution technique, mais elle ne surmonte pas les barrières biologiques fondamentales, notamment le choix de la bonne cible pour la bonne maladie. Cette dynamique risque d'entraîner une concentration accrue des investissements sur un nombre restreint de cibles déjà éprouvées. Par prudence face aux risques technologiques, les équipes et les investisseurs privilégieront des projets dont le chemin clinique est clair, alimentant ainsi une concurrence féroce sur des marchés déjà saturés. La découverte de véritables médicaments innovants repose toujours sur la génétique humaine et la validation expérimentale en laboratoire. Des exemples comme les cibles GPR75 et HSD17B13, identifiées par le séquençage à grande échelle et des années d'essais biologiques, démontrent qu'aucun algorithme ne peut substituer la complexité du vivant. Les données nécessaires à ces avancées n'existent souvent pas encore dans les bases d'entraînement de l'IA. En définitive, l'IA en pharmacologie élève le plancher technique sans franchir le plafond biologique. Les acteurs du secteur doivent conserver une approche pragmatique, en continuant à explorer la génétique humaine et la recherche physique, tout en soutenant des approches moins conventionnelles avant qu'elles ne soient validées. Le chemin vers de nouveaux traitements reste long, et la science expérimentale demeure indispensable.