1. Introduction - Un enthousiasme à ajuster
L’enthousiasme autour de l’IA en R&D repose souvent sur une promesse séduisante : celle d’une accélération significative du temps de mise en marché (time-to-market).
Les chiffres fréquemment avancés font état de gains de 20 à 50 % sur l’ensemble des domaines, portés par des cas d’usage visibles (conception générative, simulation, automatisation des documents, etc.). Toutefois, ce discours dominant masque une réalité plus nuancée.
Comme le souligne Robert Cooper (Réf. 34), seuls 18 % à 36 % des projets d’IA atteignent effectivement les bénéfices escomptés, selon le type de gains visés.
Plus inquiétant encore, 47% des projets n’atteignent jamais le stade de la production, bloqués dans une phase pilote sans suite, un phénomène qu’il qualifie de « paralysie du pilote ».
Cette observation ne remet pas en cause les avantages de l’IA, mais elle remet en question l’écart entre les promesses et les preuves. Si nous voulons réussir, nous devons comprendre pourquoi tant d’initiatives échouent et comment maximiser leurs chances de succès.
Un facteur en particulier ressort : les attentes irréalistes. Classé parmi les causes les plus fréquentes et les plus influentes, ce biais d’anticipation fausse la lecture des résultats, décourage les équipes et compromet l’alignement stratégique.
Le problème n’est pas seulement que l’IA ne tient pas ses promesses, c’est aussi qu’on attend d’elle des transformations qu’aucune technologie ne peut apporter à elle seule.
Cet article propose une relecture critique de la promesse de l’IA comme raccourci vers le marché.
L’objectif n’est pas tant de tempérer l’enthousiasme pour l’IA en R&D que d’aider les décideurs en matière de R&D à tirer des avantages réels, mesurables et durables de leurs investissements dans l’IA.
2. Le narratif ambiant
Des brochures des fournisseurs aux discours d’ouverture de l’industrie, une affirmation familière est souvent répétée (voir Réfs. 1 à 25) :
« L’IA accélère l’innovation en réduisant le délai de mise sur le marché de 20 à 50 %. »
L’histoire est présentée généralement comme suit
- L’IA permet d’identifier plus rapidement les conceptions optimales.
- L’IA anticipe les échecs plus tôt dans le cycle de développement.
- L’IA automatise les tâches répétitives (par exemple, la documentation, le nettoyage des données).
- L’IA améliore les décisions relatives au portefeuille et à l’affectation des ressources.
Bien que ces mécanismes soient solides sur le plan conceptuel, le lien de causalité entre l’adoption de l’IA et l’accélération de la mise sur le marché est rarement examiné de près – et les chiffres cités sont rarement étayés par des preuves rigoureuses.
3. Des preuves encore fragiles
3.1. Absence d'études à long terme
Il n’existe pas de données empiriques générales montrant que les entreprises qui utilisent l’IA en R&D mettent systématiquement leurs produits sur le marché plus rapidement. Il n’y a tout simplement pas assez d’antécédents disponibles et il ne s’est pas écoulé assez de temps pour que l’on puisse faire des rétrospectives à long terme.
La plupart des études de cas publiées sont à court terme et se concentrent sur la validation du concept ou les phases pilotes.
Une grande partie de ce que l’on croit savoir sur l’impact de l’IA sur le délai de mise sur le marché repose sur des preuves anecdotiques ou sur des cas de succès rapportés par des cabinets de conseil (références 1 à 25).
Bien que recevables, ces observations manquent souvent de la rigueur méthodologique nécessaire à une extrapolation fiable, d’où l’importance d’études longitudinales et systématiques.
Les exemples les plus souvent cités (références 1, 3, 5) sont souvent
- Sélectifs, seuls les succès sont présentés
- Non publiés ou contrôlés par les cabinets de conseil
- Influencés par d’autres changements organisationnels parallèles
Ces exemples mettent en évidence l’utilisation fréquente de preuves anecdotiques pour affirmer l’impact de l’IA sur la réduction des délais de mise sur le marché dans la R&D. Pour une compréhension plus complète, davantage d’études empiriques et analyses longitudinales sont nécessaires.
3.2. Des preuves empiriques limitées dans la littérature académique
Un examen des publications universitaires (réf. 26 à 29) révèle la rareté des études empiriques qui évaluent rigoureusement les effets à long terme de l’IA sur les délais de R & D. Les études empiriques ne sont pas très nombreuses.
Si le rôle de l’IA dans l’innovation suscite un intérêt croissant, les études approfondies mesurant son impact durable sur les délais de mise sur le marché dans diverses industries restent limitées.
Si ces études fournissent des indications précieuses sur le rôle de l’IA dans l’amélioration des processus de R&D, elles soulignent également les lacunes actuelles en matière de recherche exhaustive à long terme évaluant l’impact de l’IA sur le délai de mise sur le marché. D’autres études empiriques sont nécessaires pour tirer des conclusions définitives dans différents secteurs.
3.3. Prédominance des anticipationsprospectives
Les données issues des publications de McKinsey (Réfs. 1, 5) sont fréquemment reprises, souvent comme unique source d’argumentation. Cependant, elles sont parfois mal interprétées, présentées non pas comme des anticipations mais comme des faits avérés ou des données historiques.
3.4. Difficultés à isoler l'impact de l'IA
Il est complexe d’isoler la contribution spécifique de l’IA à la réduction du délai de mise sur le marché en raison des fréquents changements organisationnels concomitants.
Par exemple, une étude de cas (Réf.10) réalisée par Cherry Bekaert décrit la transformation des processus de R&D d’une entreprise de biens de consommation à l’aide de l’IA.
Bien que l’entreprise ait fait état de cycles d’innovation plus rapides, il est difficile d’attribuer ce résultat uniquement à l’IA, compte tenu des autres améliorations simultanées des processus.
De plus, les entreprises qui investissent dans l’IA sont également plus susceptibles de disposer d’un financement plus important pour la R&D ou d’opérer déjà avec de meilleurs processus.
Ces avantages peuvent, du moins en partie, expliquer les améliorations de performance rapportées, indépendamment de la contribution directe de l’IA. Les références 30 à 33 donnent un aperçu des facteurs qui ont un impact significatif sur les indicateurs de performance en matière de R&D. Ces facteurs sont notamment les suivants :
Au niveau national
- Financement public de la R&D
L’augmentation du financement public de la R&D entraîne une croissance soutenue de la productivité à long terme, les effets devenant significatifs après environ huit ans et persistant pendant au moins 15 ans.
- L’afflux de talents internationaux et l’investissement en R&D
L’afflux de talents internationaux augmente les investissements en R&D des entreprises.
Au niveau de l’entreprise
- Gestion des talents et de l’innovation en entreprise
La mise en œuvre de politiques en matière de talents augmente de manière significative le recrutement de personnel de R&D, ce qui entraîne une amélioration des investissements en R&D, de la production de brevets et de l’efficacité de la R&D, en particulier dans les entreprises de haute technologie.
- Maturité des processus et performance des projets
Des niveaux plus élevés de maturité des processus dans les projets de R&D atténuent les effets négatifs des risques liés aux projets, ce qui permet d’améliorer les performances des projets.
Si l’IA fournit des outils prometteurs pour améliorer l’efficacité de la R&D, ces facteurs fondamentaux doivent également être pris en compte, car ils peuvent contribuer de manière égale, voire plus importante, aux gains de performance observés.
Dans certains cas, l’amélioration des délais de mise sur le marché peut être principalement due à ces forces sous-jacentes, l’IA agissant davantage comme un catalyseur que comme la cause principale.
3.5. Des métriques hétérogènes
La définition du délai de mise sur le marché varie considérablement d’un secteur à l’autre, en fonction des différents environnements réglementaires, des contraintes technologiques et des attentes des clients.
Par conséquent, les mesures ne sont pas normalisées, ce qui complique les comparaisons intersectorielles et l’attribution des améliorations. Le tableau ci-dessous illustre la manière dont le délai de mise sur le marché est généralement défini dans différents secteurs.
|
Secteur |
Définition typique du délai de mise sur le marché |
|
Pharmacie |
Temps écoulé entre la découverte et l’approbation réglementaire (souvent de 8 à 15 ans) |
|
Chimie |
Temps écoulé entre la validation en laboratoire et la mise à l’échelle commerciale (3-5 ans), incluant une phase pilote entre les deux |
|
Logiciels |
Temps écoulé entre l’idéation et le MVP/le lancement public (3-12 mois) |
|
Matériel électronique |
De la conception au système prêt pour la production (12-36 mois) |
|
Énergie |
De l’origine du projet à la mise en service (5-10+ ans) |
|
Biens de consommation |
Du concept au produit prêt à être mis sur les rayons (6-18 mois) |
L’IA peut accélérer certaines étapes spécifiques de ces processus, mais transforme rarement l’ensemble. En outre, peu d’organisations investissent des ressources pour suivre le délai de mise sur le marché avec la rigueur nécessaire pour isoler la contribution spécifique de l’IA lorsque d’autres changements interviennent simultanément.
Ce manque de cohérence dans les mesures fait qu’il est difficile d’étayer des affirmations générales sur l’impact global de l’IA sur le délai de mise sur le marché.
3.6. Ce qu'il faut retenir de la littérature : Généralisations erronées à partir de gains partiels
Dans l’ensemble, la littérature suggère que la valeur de l’IA en matière de R&D est réelle, mais souvent mal décrite.
De nombreux auteurs, implicitement ou explicitement, passent de l’accélération au niveau de certaines tâches à la transformation à l’échelle du système, en supposant que les gains en matière d’analyse, de modélisation ou de conception réduiront nécessairement le délai total de mise sur le marché.
Pourtant, les faits ne confirment pas cette généralisation.
Le délai de mise sur le marché est déterminé par des systèmes complexes et interdépendants, dont beaucoup ne sont pas influencés par l’IA à l’heure actuelle.
Si l’on ne s’attaque pas aux goulets d’étranglement de la mise à l’échelle, aux délais réglementaires, à l’inertie organisationnelle ou aux contraintes de la chaîne d’approvisionnement, des tâches de R&D plus rapides ne se traduisent pas automatiquement par des lancements de produits plus rapides.
Il est essentiel de reconnaître cette lacune pour former des attentes réalistes quant au rôle actuel et futur de l’IA dans les délais d’innovation.
4. L'IA raccourcit-elle vraiment les délais de commercialisation en R&D ?
Comme nous l’avons vu dans la section précédente, malgré l’enthousiasme, de nombreuses affirmations selon lesquelles l’IA raccourcit les délais de mise sur le marché reposent sur une hypothèse erronée : l’accélération de quelques tâches accélère automatiquement l’ensemble du processus.
L’IA s’avère effectivement efficace pour accélérer des tâches de R&D spécifiques.
Cependant, le délai de mise sur le marché dépend de systèmes plus larges – fabrication, autorisations réglementaires, chaînes d’approvisionnement et dynamique organisationnelle – que l’IA n’a pas encore transformés de manière significative.
4.1. Les limites : Les goulets d'étranglement que l'IA n'élimine pas (encore)
Certains des retards les plus persistants en matière de R&D sont encore hors de portée de l’IA :
- Approbations réglementaires
- Chaîne d’approvisionnement et délais d’approvisionnement d’équipements
- Mise à l’échelle et validation de la production
- Intégration avec les systèmes existants
- Résistance au changement au sein des organisations
- Rareté des talents spécifiques à des domaines spécialisé.
Il s’agit là de contraintes structurelles. Si l’IA peut prendre en charge des tâches adjacentes, elle ne transforme pas actuellement ces systèmes de bout en bout. Par conséquent, l’accélération de quelques étapes permet rarement de décaler la date de livraison globale, à moins que l’ensemble du système ne soit optimisé.
4.2. Gains : Là où l'IA est réellement utile
Là où l’IA a un impact mesurable, c’est en réduisant les inefficacités internes, en accélérant les travaux préliminaires et en favorisant une prise de décision plus rapide.
Voici quelques exemples :
- Tri des données : extraction plus rapide d’informations à partir d’ensembles de données historiques
- Classement des hypothèses : réduire le nombre d’éléments à tester
- Prototypage virtuel : simulation de concepts de produits
- Documentation automatisée : accélération des tâches administratives lourdes.
Au-delà de ces gains fondamentaux, une gamme croissante d’applications comprend désormais
- Conception et simulation génératives
- Accélération du criblage de molécules et de la conception d’essais dans le secteur pharmaceutique
- Recherche en langage naturel dans les bases de données de recherche la génération de codes et l’analyse automatisée des laboratoires
- Prévision, évaluation des risques et modélisation budgétaire
- Simulations du cycle de vie et des processus de fabrication
- Création de données synthétiques et analyse du retour d’information des clients
5. Transformer le potentiel de l'IA en performance dans la R&D
5.1. Ne pas attendre des gains généralisés en matière de délai de mise sur le marché
- Le temps de mise en marché n’est pas une mesure uniforme et monolithique. Il varie considérablement d’un secteur à l’autre et comprend des opérations sur lesquelles l’IA n’a aucune influence.
- Évitez de fixer des objectifs arbitraires tels que « 20 % de réduction du délai de mise sur le marché ».
5.2. Cibler des étapes spécifiques, mesurer l'impact local
- Concentrez-vous plutôt sur des étapes spécifiques ou des goulets d’étranglement où l’IA peut accélérer l’apprentissage, réduire les reprises ou améliorer la qualité des décisions.
5.3. Pour profiter des avantages de l'IA, la R&D doit toujours être gérée activement
- L’IA ne remplace pas le besoin d’une stratégie de R&D, d’une gouvernance et d’une orchestration de l’équipe.
- Le succès de l’IA dépend des éléments suivants
- Des points d’intégration clairs dans le flux de travail de la R&D;
- Un alignement avec les priorités stratégiques du portefeuille de projets, pour soutenir les objectifs essentiels;
- Le développement d’une culture favorisant l’expérimentation continue ainsi que la responsabilisation, où les équipes sont encouragées à tester de nouvelles approches et à rendre compte de leurs résultats.
- L’IA est un multiplicateur, pas un remplacement. Elle amplifie à la fois les bons systèmes et les dysfonctionnements.
5.4. La gestion du changement et le soutien informatique comme facilitateurs opérationnels
La transition vers l’IA dans la R&D n’est pas une mise à niveau prête à l’emploi. Elle exige une préparation structurelle et culturelle. Il s’agit d’une transformation et non d’une solution rapide.
- Assurer l’intégration informatique : Planifiez dès le départ la manière dont les outils d’IA accéderont aux données pertinentes, se connecteront aux systèmes existants et soutiendront les flux de travail décisionnels.
- Diriger la gestion du changement : Préparez les équipes à s’adapter en clarifiant les nouveaux rôles, en instaurant la confiance dans les résultats de l’IA et en intégrant la formation dans les cycles de projet.
5.5. L'IA dans la R&D : promesses Vs pratiques
Pour aider à comprendre les affirmations concernant l’impact de l’IA sur les délais de commercialisation, le tableau ci-dessous met en évidence les narratifs courants, les lacunes observées et les questions clés à poser.
|
Affirmations courantes |
|
|
Lacunes observées |
|
|
Ce qu’il faut clarifier pour une transition réussie |
|
6. Conclusion - Que pourrait dire un narratif plus exact ?
La promesse d’une mise sur le marché plus rapide grâce à l’IA est largement répétée, mais les preuves restent limitées, partielles et très dépendantes du contexte.
Cette analyse met en évidence trois points essentiels :
- Les narratifs exagèrent souvent l’impact sans divulguer la portée, les données justificatives ou les détails de la mise en œuvre.
- Le délai de mise sur le marché n’est pas une mesure universelle et l’IA l’améliore rarement de manière isolée.
- Les gains de performance dépendent de l’orchestration, et pas seulement de l’adoption d’outils – il est essentiel d’intégrer l’IA dans les flux de travail, la gouvernance et les systèmes de décision.
Les causes d’échec des projets d’IA sont souvent évitables – « principalement des raisons stupides », selon les propres termes de Dr. Cooper. Parmi les sept raisons principales, on retrouve des facteurs classiques mais trop négligés : la mauvaise qualité des données, le manque de compréhension des besoins des utilisateurs et l’absence de gestion du changement. Comme nous l’observons dans la pratique, ces facteurs expliquent pourquoi certains experts estiment que le taux d’échec peut atteindre 80 %, soit près de deux fois plus que les projets informatiques traditionnels d’il y a dix ans.
Mais le problème est plus profond que des faux pas isolés. Les véritables gains de performance nécessitent une orchestration. Il ne suffit pas d’améliorer une étape de la chaîne si des inefficacités refont surface ailleurs. Tout comme une collection d’équipements ne fait pas un réseau électrique qui fonctionne, une collection d’outils d’IA ne crée pas l’excellence opérationnelle à elle seule.
Un tel niveau d’échec devrait être un signal d’alarme. D’après les publications examinées dans cet article, pour que l’IA tienne ses promesses, l’adoption ne suffit pas. Elle doit être orchestrée. Les processus, la gouvernance et l’alignement stratégique restent les véritables catalyseurs de l’impact.
Une description plus précise serait donc la suivante :
L’IA accélère l’innovation en réduisant le délai de mise en œuvre – dans les organisations qui évoluent en synchronisation avec les algorithmes.
7. Références
7.1. Exemples de publications traitant du délai de mise sur le marché dans la R&D assistée par l'IA
1. McKinsey – » Using AI to supercharge R&D : Takeaways from the R&D Leaders Forum « (L’utilisation de l’IA pour stimuler la R&D : enseignements tirés du Forum des leaders de la R&D)
Ce document met en évidence les attentes de 40 dirigeants de la R&D qui prévoient une réduction de 20 à 40 % du délai de commercialisation grâce à des applications de l’IA telles que la conception générative et la simulation.
2. BCG – « AI-Powered R&D » (R&D alimentée par l’IA)
https://media-publications.bcg.com/BCG-Executive-Perspectives-AI-Powered-RandD-EP1-14Feb2025.pdf
Partage l’espoir que l’IA puisse réduire le délai de mise sur le marché de 10 à 20 % et les coûts de R&D jusqu’à 20 %, en soulignant la nécessité d’une transformation du modèle opérationnel. Le document fait part de plusieurs autres attentes sans données probantes.
3. Roland Berger – « AI in R&D will lead to more innovative products and efficient processes » (L’IA dans la R&D conduira à des produits plus innovants et à des processus plus efficaces)
L’article indique que les entreprises qui utilisent l’IA en R&D connaîtront une accélération de l’innovation et une réduction des coûts allant jusqu’à 25 %. L’article ne fournit pas de données à l’appui de cette affirmation.
4. INFORMS – « How AI is Accelerating Speed to Market » (Comment l’IA accélère la vitesse de commercialisation)
https://pubsonline.informs.org/do/10.1287/LYTX.2024.04.08/full/
Explore comment les progrès de l’IA et de l’IA générative accélèrent la vitesse de mise sur le marché des produits. L’article ne contient aucune affirmation quantitative.
5. McKinsey – « How generative AI could accelerate software product time to market » (Comment l’IA générative pourrait accélérer la mise sur le marché des produits logiciels)
Cet article présente les premiers enseignements sur la manière dont l’IA générative peut améliorer la productivité et la qualité des gestionnaires de produits, ce qui pourrait accélérer la mise sur le marché. L’article affirme que « l’IA générative a accéléré le délai de mise sur le marché des produits de 5 % » sur la base d’une « recherche empirique sur les gestionnaires de produits en Europe et en Amérique », sans plus de détails.
6. Quadrillion Partners – « AI-Driven Product Innovation : Accelerating Time to Market » (Innovation produit pilotée par l’IA : accélération du temps de mise sur le marché)
Bien que l’article mette l’accent sur le potentiel de l’IA à raccourcir de manière significative les délais de mise sur le marché, il ne fournit pas de mesures quantitatives spécifiques ou de données empiriques pour étayer ces affirmations.
7. Accenture – « Reinventing R&D in the Age of AI » (Réinventer la R&D à l’ère de l’IA)
https://www.accenture.com/us-en/insights/life-sciences/the-rd-opportunity
Ce document souligne que la R&D pilotée par l’IA réduit considérablement les délais de découverte des médicaments et les coûts associés à la mise sur le marché de nouvelles thérapies dans l’industrie biopharmaceutique. Il mentionne des tâches spécifiques qui sont accélérées : « L’IA accélère l’identification des cibles, améliorant ainsi l’efficacité de la découverte de médicaments », « Avec une stratégie de découverte pilotée par l’IA, les entreprises peuvent réduire de deux tiers la durée du cycle de découverte ». Les fondements des affirmations relatives à la réduction des délais de mise sur le marché restent inaccessibles à l’examen, par exemple : » Notre analyse montre que si les technologies intelligentes sont utilisées à grande échelle et que les flux de travail sont réinventés de manière appropriée pour réduire le coût de l’échec et raccourcir les délais de découverte et de développement, les entreprises peuvent mettre un nouveau médicament sur le marché quatre ans plus rapidement… «
8. Développement numérique de produits 2025 – PWC
https://www.pwc.de/de/digitale-transformation/pwc-studie-digital-product-development-2025.pdf
Les entreprises s’attendent à ce que le développement numérique de produits, y compris l’IA, réduise le temps de mise sur le marché de 17%, et parmi elles, les Digital Champions prévoient jusqu’à 28% de réduction. Toutefois, le rapport ne fournit aucun détail sur la manière dont ces attentes sont élaborées.
9. L’IA dans la R&D : transformer le paysage de l’innovation – GreyB
https://www.greyb.com/blog/ai-in-research-and-development/
Souligne que, traditionnellement, faire passer un médicament du concept à la commercialisation prend environ 12 ans. Il donne l’exemple d’une entreprise qui utilise l’IA pour accélérer ce processus, dans le but de développer des médicaments contre la perte de poids et le diabète qui pourraient entrer en phase d’essais cliniques en seulement 1,5 an.
10. Étude de cas – Réinventer l’innovation : Utiliser l’IA pour faire passer la R&D de l’art à la science – Cherry Bekaert
Décrit la transformation des processus de R&D d’une entreprise de biens de consommation à l’aide de l’IA, ainsi que d’autres améliorations simultanées des processus qui ont également contribué aux gains observés.
11. Comment les entreprises du monde réel se transforment grâce à l’IA – avec 261 nouvelles histoires
L’article met en lumière diverses applications de l’IA dans les entreprises, dont certaines dans le domaine de la recherche et du développement. Il affirme que « l’IA générative révolutionne l’innovation en accélérant les processus créatifs et le développement de produits. Elle aide les entreprises à trouver de nouvelles idées, à concevoir des prototypes et à répéter rapidement, réduisant ainsi le temps nécessaire à la mise sur le marché. Dans l’industrie automobile, elle permet de concevoir des véhicules plus efficaces, tandis que dans l’industrie pharmaceutique, elle permet de créer de nouvelles molécules de médicaments, réduisant ainsi de plusieurs années les délais de recherche et de développement. »
Toutefois, le seul exemple concret de R&D fourni est celui de la société Bayer : « Bayer a construit un agent utilisant Copilot qui permet à ses chercheurs et scientifiques de Crop Science d’effectuer des recherches dans l’outil en utilisant le langage naturel. Ce qui pouvait auparavant prendre des jours pour trouver l’information, permet maintenant aux équipes de R&D d’économiser 3 à 6 heures par chercheur et par semaine ».
12. Mc Kinsey – L’IA générative dans l’industrie pharmaceutique : Passer du battage médiatique à la réalité
McKinsey associe l’IA générative à une réponse stratégique à la compression du cycle de vie des actifs dans l’industrie pharmaceutique : » En outre, en augmentant la vitesse à laquelle les thérapies peuvent être développées, approuvées et commercialisées, l’IA générative peut aider les entreprises pharmaceutiques à résoudre le problème de la « compression du cycle de vie des actifs », c’est-à-dire la diminution du temps dont disposent les entreprises pour tirer parti de la valeur d’un nouveau médicament. Au cours des deux dernières décennies, ce délai a diminué de près de 18 mois, passant de 11,7 à 9,8 ans, selon une étude de McKinsey. » Si le contexte est convaincant, les preuves de la contribution directe de l’IA à la réduction des délais de développement et d’approbation restent largement anecdotiques. Aucun gain quantifié ni aucune étude longitudinale ne sont cités, ce qui rend difficile l’évaluation de l’étendue réelle de l’impact au-delà des exemples illustratifs.
13. Mc Kinsey – Early adoption of generative AI in commercial life sciences
14. Artificial intelligence in drug development : reshaping the therapeutic landscape – Therapeutic Advances in Drug Safety 2025, Vol. 16 : 1-24
https://journals.sagepub.com/doi/epub/10.1177/20420986251321704
L’article indique explicitement que l’IA réduit les délais de développement des médicaments et fournit quelques exemples de quantification : « Le délai d’approbation est accéléré de 1 à 2 ans » (section : plus grande possibilité de succès), « …une accélération de plus de 12 mois du temps nécessaire pour mener un essai » – (Ibid.) Il fournit un exemple qui manque de contexte : Heal-X (HLX-0201) : Il fournit un exemple sans contexte : Heal-X (HLX-0201), qui a fait passer un candidat à la phase II en 18 mois, sans le comparer à la durée antérieure.
Il fournit des prévisions de réduction du délai de mise sur le marché tirées de sources fréquemment citées par les fournisseurs :
- Avantage anticipé : « jusqu’à 50 % de réduction des coûts, accélération de plus de 12 mois et augmentation de 20 % de la valeur actualisée nette ». (Section : plus grande probabilité de réussite). Cette affirmation est étayée par la référence McKinsey » Generative AI in the pharmaceutical industry : Moving from hype to reality « , qui ne fournit aucune preuve solide de cette affirmation.
- Économies estimées : Réduction du coût de développement des médicaments de plusieurs milliards, réduction du délai de 1 à 2 ans. Également soutenu par la référence McKinsey « Early adoption of generative AI in commercial life sciences » qui ne fournit aucune preuve factuelle de cette affirmation.
15. L’IA et la révolution de la R&D – Financial Times, 27 novembre 2024
https://www-ft-com.ezp-prod1.hul.harvard.edu/content/648046c1-7fcd-43fb-819b-841f104396d9
Explore comment l’intelligence artificielle (IA) transforme la recherche et le développement (R&D) dans diverses industries. Il examine comment les technologies de l’IA sont intégrées dans les processus de R&D afin d’améliorer l’efficacité, de réduire les coûts et d’accélérer l’innovation.
Le seul document étayant les affirmations relatives à l’impact de l’IA est l’étude de McKinsey intitulée « Using AI to supercharge R&D : Takeaways from the R&D Leaders Forum » (L’utilisation de l’IA pour dynamiser la R&D : enseignements tirés du Forum des leaders de la R&D).
16. Comment la R&D augmentée par l’IA modifie le paysage des industries de la recherche – Ip.com
https://ip.com/blog/how-ai-augmented-rd-is-changing-the-landscape-of-research-industries/
Cet article relate les attentes d’autres sources : » L’intégration de l’intelligence artificielle (IA) dans les processus de recherche et développement (R&D) a un impact transformateur sur la productivité.
De nombreuses études et estimations industrielles suggèrent que l’IA peut :
- améliorer la productivité du flux de travail de la recherche de 30 à 50 %
- la performance des produits jusqu’à 60 %
- les délais de mise sur le marché jusqu’à 40 % »
« En accélérant considérablement l’analyse des données et grâce à la modélisation et à la simulation prédictives améliorées, l’IA permet aux chercheurs de passer plus rapidement de la phase de collecte des données à des informations exploitables, ce qui se traduit par une utilisation plus efficace du temps et des ressources. Cela pourrait contribuer à la partie supérieure de l’augmentation de la productivité de 30 à 50 %. »
17. L’IA dans le développement de produits : Netflix, BMW et PepsiCo – Virtasant
https://www.virtasant.com/ai-today/ai-in-product-development-netflix-bmw
L’article souligne que l’accélération de la mise sur le marché résulte d’une stratégie intégrée, et non d’outils seuls. Cependant, l’affirmation selon laquelle « les entreprises qui utilisent l’IA dans leurs processus de développement de produits peuvent réduire le délai de commercialisation de 20 à 40 % » n’est étayée que par une seule publication de McKinsey intitulée « How generative AI could accelerate software product time to market » (Comment l’IA générative pourrait accélérer le délai de commercialisation des produits logiciels), sans données supplémentaires ni validation spécifique par un cas particulier.
18. Comment les agents d’IA remodèlent la R&D
Elle donne des exemples opérationnels de la manière dont l’IA contribue à réduire la charge de travail pour les humains, les goulets d’étranglement et les délais. Toutefois, il n’offre aucune quantification.
19. AI in Product Development : Comment les entreprises réduisent de 50 % les délais de mise sur le marché
https://blog.hoyack.com/ai-in-product-development-how-businesses-are-cutting-time-to-market-by-50/
S’appuie sur les narratifs désormais familiers concernant l’accélération induite par l’IA – largement descriptifs et dépourvus de données originales. Les affirmations sont étayées par les mêmes études de consultants largement citées que d’autres sources, sans offrir de validation supplémentaire ou d’éclairage différencié.
20. L’IA améliore la productivité de la R&D en réduisant les tests physiques
https://ip.com/blog/how-ai-augmented-rd-is-changing-the-landscape-of-research-industries/
L’IA réduirait la nécessité d’effectuer des tests physiques fastidieux, améliorant ainsi la productivité des équipes de R&D et accélérant le lancement des produits.
21. L’IA accélère la découverte de médicaments mais se heurte à des difficultés cliniques
L’IA accélère la découverte de médicaments, mais les bénéfices peuvent être retardés si le développement clinique ne suit pas.
22. L’IA raccourcit les cycles de développement des produits dans l’industrie manufacturière
https://ambilio.com/how-generative-ai-can-reduce-time-to-market-in-manufacturing/
L’IA générative réduirait les délais de commercialisation dans l’industrie manufacturière en automatisant les processus de conception et de prototypage.
23. L’IA transforme la R&D dans le secteur des biens de consommation emballés
Une entreprise de produits de grande consommation s’est appuyée sur le traitement des données par l’IA pour améliorer l’efficacité de la R&D et réduire les délais de mise sur le marché.
24. L’IA accélère le développement des produits dans les startups technologiques
Les startups technologiques indiquent que l’IA permet d’accélérer le prototypage et l’itération des produits, ce qui réduit les délais de mise sur le marché.
25. Comment l’IA accélère l’innovation dans la recherche et le développement
Des articles comme celui-ci, publié dans Forbes, continuent de propager des affirmations générales telles que « l’IA transforme la R&D et réduit les délais de mise sur le marché » sans fournir de preuves empiriques fondées.
Il illustre la confiance accordée à la perception optimiste des dirigeants plutôt qu’à des mesures de performance indépendantes. Elle s’inscrit dans la tendance générale qui veut que l’enthousiasme l’emporte sur la validation ».
|
Affirmation formulée |
Niveau de preuve à l’appui |
|
L’IA générative accélère l’idéation et réduit le temps de réponse dans les secteurs de l’automobile et de la pharmacie |
Anecdotique (un exemple : Bayer Copilot) |
|
L’IA peut réduire le temps de mise en marché de 20 à 40 |
Non communiqué (répète la projection de McKinsey) |
|
L’IA permet de réduire le temps de traitement de 50 % |
Non communiqué (s’appuie sur des études de consultants) |
|
L’IA peut accélérer de 4 ans la mise sur le marché de nouveaux médicaments |
Analyse comparative mais exclusive (McKinsey) |
|
Le développement numérique de produits réduit le temps de mise en marché de 17% (28% pour les champions) |
Basé sur des enquêtes (attentes, pas de méthodologie) |
|
L’IA a réduit le temps de recherche chez Bayer de 3 à 6 heures/semaine par chercheur |
Anecdotique (efficacité opérationnelle, pas temps de mise en marché) |
|
L’afflux de talents internationaux augmente les investissements en R&D et l’innovation |
Empirique (données au niveau de l’entreprise, brevets) |
|
Le financement public de la R&D augmente la productivité et l’innovation avec un certain décalage |
Empirique (analyse macroéconomique à long terme) |
7.2. Études académiques
Nous n’avons trouvé que très peu d’études académiques qui examinent l’impact de l’IA sur les délais d’exécution de la R&D. Bien que ces études fournissent des informations précieuses, il est important de noter que la recherche empirique complète et à long terme sur ce sujet reste limitée.
La littérature existante se concentre souvent sur des secteurs spécifiques ou sur des résultats à court terme, ce qui souligne la nécessité de mener des études longitudinales plus approfondies.
26. Impacts économiques de la R&D augmentée par l’IA – Politique de recherche (2024)
https://www.sciencedirect.com/science/article/pii/S0048733324000866
Il s’agit d’un document de modélisation de la macro-croissance qui utilise des repères d’IA au niveau microéconomique pour démontrer de manière plausible que la R&D augmentée par l’IA – en raison de son intensité capitalistique – pourrait structurellement augmenter la vitesse d’innovation de l’économie, mais d’importantes mises en garde demeurent, notamment la nature spécifique du domaine des repères, l’absence de données empiriques à long terme dans tous les secteurs et l’exclusion de facteurs non techniques tels que la gouvernance et l’adoption organisationnelle.
27. L’impact de l’adoption de l’IA sur la productivité de la R&D – Technovation (2025)
https://www.sciencedirect.com/science/article/abs/pii/S1049007825000144
En se concentrant sur le secteur pharmaceutique, ce document examine la relation entre l’adoption de l’IA et la productivité de la R&D sur les nouveaux médicaments. Il fournit de premières indications empiriques, mais souligne que des études complètes et à long terme sont nécessaires pour comprendre pleinement l’impact de l’IA sur les délais et la productivité de la R&D. Il examine comment l’IA peut inverser la baisse de productivité à long terme de la R&D.
28. Réduction du délai de mise sur le marché des piles à hydrogène à l’aide de réseaux adverbiaux génératifs – arXiv (2022)
https://www.sciencedirect.com/science/article/abs/pii/S0378775323006626 https://arxiv.org/pdf/2212.11733
Cette étude présente une nouvelle approche utilisant l’IA pour réduire le temps de développement des piles à hydrogène. Bien qu’elle montre des résultats prometteurs dans le raccourcissement des processus de R&D spécifiques, l’article souligne la nécessité d’études plus larges pour évaluer les impacts à long terme sur le délai global de mise sur le marché.
29. L’IA et l’avenir de la recherche pharmaceutique – arXiv (2021)
https://arxiv.org/pdf/2107.03896
Cet article traite du potentiel de transformation de l’IA dans la recherche pharmaceutique, suggérant que l’IA peut réduire de manière significative les délais de découverte des médicaments. Toutefois, il souligne également que des études longitudinales supplémentaires sont nécessaires pour valider ces affirmations sur l’ensemble du cycle de vie de la R&D.
7.3. Rapports sur les facteurs influençant les délais de mise sur le marché
7.3.1. Financement de la R&D et productivité à long terme.
30. La R&D financée par le gouvernement produit des gains de productivité à long terme, Federal Reserve Bank of Dallas (2024)
https://www.dallasfed.org/research/economics/2024/0213
L’article montre que le financement public de la R&D hors défense entraîne des gains à long terme en matière d’innovation, de productivité et de capacité scientifique, bien qu’avec un effet différé. Ces investissements augmentent les intrants tels que les chercheurs qualifiés et les brevets, ce qui peut indirectement accélérer le développement des produits au fil du temps. Bien qu’ils ne traitent pas directement du délai de mise sur le marché, les résultats suggèrent que la R&D publique crée des conditions qui peuvent raccourcir le délai de mise sur le marché à long terme.
7.3.2. Politique des talents et innovation des entreprises.
31. Politique des talents, recrutement du personnel de R&D et innovation des entreprises, Frontiers of Business Research in China (2023)
https://journal.hep.com.cn/fbr/EN/10.3868/s070-008-023-0008-8
« Après l’introduction de la politique des talents, les investissements en R&D des entreprises, la production de brevets et l’efficacité de la R&D se sont considérablement améliorés. » Ces résultats indiquent qu’en renforçant les capacités de R&D, les politiques de talents peuvent améliorer l’efficacité et la rapidité du processus d’innovation, ce qui est directement lié à la réduction du temps de mise en marché.
7.3.3. Sur la maturité des processus et la performance des projets
32. Risque, maturité des processus et performance des projets : An Empirical Analysis of U.S. Federal Technology Projects, Production and Operations Management (2015)
https://onlinelibrary.wiley.com/doi/abs/10.1111/poms.12513
Cette étude quantifie la façon dont les risques internes – tels que la complexité, les problèmes d’exécution et les défis contractuels – affectent la capacité d’un projet à respecter le calendrier et le budget, à l’aide d’une mesure composite. Sur la base d’un vaste ensemble de données comprenant 519 observations trimestrielles, l’étude montre que la maturité des processus atténue considérablement ces risques, améliorant ainsi le respect du calendrier. Bien qu’ils ne soient pas axés sur le délai de mise sur le marché en tant que tel, les résultats informent directement sur la manière dont la gestion des risques et les processus d’exécution influencent la livraison des résultats de la R&D dans les délais impartis.
7.3.4. Sur l’afflux de talents internationaux et l’investissement en R&D
33. L’afflux de talents internationaux et l’investissement en R&D : Firm-level evidence from China, Economic Modelling (2018)
https://www.rieb.kobe-u.ac.jp/academic/ra/dp/English/DP2019-17.pdf
Bien qu’elle ne soit pas explicitement axée sur le délai de mise sur le marché, cette étude montre que l’afflux de talents internationaux stimule à la fois l’investissement en R&D et les résultats en matière d’innovation – des facteurs clés de l’accélération du développement des produits. En renforçant la capacité d’innovation des entreprises, ces flux peuvent indirectement contribuer à raccourcir les délais de mise sur le marché. Les résultats, basés sur des données de brevets et des mesures de R&D au niveau de l’entreprise, montrent comment les capacités axées sur les talents jouent un rôle stratégique dans l’accélération du cycle d’innovation.
7.3.5. Autres enseignements tirés de la pratique
34. Dr Robert Gravlin Cooper, Session plénière et remarques de clôture de la conférence en ligne AI for Innovation, organisée par LIV.INNO, 7 mai 2025
A propos de l’auteur
Jérôme Gosset est directeur exécutif fractionnel des opérations de R&D, spécialisé dans le développement et le redressement de la performance R&D des entreprises innovantes.
Il excelle dans le redressement d’organisations R&D où les équipes peinent à atteindre leur plein potentiel et dans le développement de nouvelles activités, équipes et processus autour de technologies innovantes. Jérôme est également capable de mener des initiatives stratégiques complexes impliquant de multiples partenaires.
Ce qui distingue Jérôme, c’est sa capacité à naviguer dans des environnements très complexes. Sa formation diversifiée en sciences et technologies, combinée à son expérience de la gestion d’équipes et de portefeuilles de projets de R&D, lui permet de contribuer de manière significative à la croissance de ses clients.
Il est connu pour sa vision inspirante et son exécution méticuleuse. Son leadership a mené à plusieurs transformations réussies, générant des résultats de plusieurs dizaines de millions de dollars.
La capacité unique de Jérôme à relever les défis commerciaux et technologiques lui a valu plusieurs nominations au sein de conseils d’administration.