ИИ снова возглавил рейтинг цифровизации: что это значит для фармкомпаний

В октябре 2026 года «Ростелеком» представил исследование «Мониторинг глобальных трендов цифровизации». Искусственный интеллект восьмой год подряд занял первое место в интегральном рейтинге. Следом расположились цифровое здравоохранение и мобильные сети, а в первую пятёрку также вошли облачные технологии и информационная безопасность. Вычислительная биология поднялась на две позиции и заняла шестое место.

Для фармацевтической отрасли этот набор направлений представляет интерес сразу на нескольких уровнях: от разработки препаратов и клинических исследований до производства, регистрации, медицинской информации и управления поставками. Однако превращать технологический рейтинг в готовый план инвестиций было бы ошибкой. У каждой фармкомпании собственная структура бизнеса, доступные данные и требования к надёжности решений.

Исследование объединяет четыре группы показателей: научные публикации, патенты, инвестиционные сделки и упоминания в СМИ. Они позволяют оценивать активность вокруг технологий и изменение их положения относительно друг друга. При этом актуальность данных в методике обозначена мартом 2026 года, а значительная часть сравнения относится к результатам 2025 года.

Рейтинг не измеряет окупаемость ИИ-проектов в российских фармкомпаниях. Он также не показывает, сколько решений успешно прошло пилотирование и стало частью повседневной работы. Даже показатель промышленного применения авторы оценивают через публикации в СМИ — полезный, но косвенный признак.

Поэтому лидерство ИИ даёт основание внимательно изучать технологию. Решение о внедрении требует отдельного обоснования: какую проблему компания решает, как будет оценивать результат и сколько ресурсов потребует эксплуатация.

Для компании с собственным R&D рост вычислительной биологии может стать поводом пересмотреть инструменты анализа исследовательских данных и приоритизации гипотез. Производителю стоит оценивать задачи, связанные с отклонениями, качеством, оборудованием и планированием. В представительстве международной компании практический интерес могут представлять работа с медицинской информацией, регистрационными документами и корпоративными знаниями.

Это не готовый перечень проектов с гарантированной отдачей. Это направления, в которых имеет смысл искать конкретные задачи и проверять гипотезы.

Например, помощник для сопоставления версий регистрационных документов может оказаться полезнее универсального корпоративного чат-бота, если именно поиск расхождений занимает значительное время специалистов. Но такую пользу нужно подтвердить: измерить число пропущенных изменений, время проверки и итоговую продолжительность работы.

Подготовка внутренней презентации, поиск по стандартным операционным процедурам и обработка информации о нежелательных реакциях требуют разного уровня контроля. Даже внутри одной функции нельзя установить одинаковые правила для всех применений ИИ.

Показателен пример инструмента PathAI для анализа биопсии печени, приведённый в исследовании. В декабре 2025 года FDA квалифицировало AIM-NASH как инструмент разработки лекарств для помощи патологам в оценке биопсий в клинических исследованиях MASH — метаболически ассоциированного стеатогепатита.

Здесь важна деталь из первоисточника: патолог сохраняет полную ответственность за окончательную интерпретацию, рассматривает изображение вместе с результатами алгоритма и принимает либо отклоняет предложенные оценки. Поэтому формулировку отчёта о замене консилиума врачей нельзя понимать как передачу окончательного решения системе.

Этот пример показывает, как ИИ может получить признание для определённой задачи после валидации. Он не означает, что любую модель можно использовать для оценки эффективности препаратов или других критичных решений.

Для фармкомпании практический вывод заключается в необходимости заранее определить назначение системы, границы её применения и порядок проверки. Чем существеннее влияние результата на качество препарата, безопасность пациента или достоверность доказательств, тем тщательнее должно быть обоснование использования технологии.

Представим ассистента, который отвечает сотрудникам на вопросы по SOP. На демонстрации он быстро находит нужный документ и выдаёт связное объяснение. Для реального применения этого недостаточно.

Компания должна понимать, использует ли ассистент действующую редакцию, исключены ли отменённые документы, соблюдаются ли права доступа и можно ли проверить ответ по конкретному источнику. Не менее важно, как система ведёт себя при противоречии между документами или отсутствии информации.

Если эти вопросы не решены, удобный интерфейс способен ускорить распространение устаревших инструкций. Ссылка на источник помогает проверке, но сама по себе не гарантирует правильность интерпретации.

Поэтому работа с ИИ неизбежно затрагивает владельцев данных и документов, правила обновления, справочники и интеграции. В одном проекте ограничением окажется модель, в другом — отсутствие актуального и согласованного источника знаний.

В исследовании отмечается движение от генерации ответов к системам, которые выполняют последовательности действий. Для фармкомпании разница существенная: предложить текст записи и самостоятельно изменить данные в рабочей системе — разные полномочия.

Если агент создаёт документы, меняет статусы или запускает задания в ERP, системе качества либо документообороте, необходимо определить допустимые действия, подтверждения и порядок восстановления после ошибки. Важно сохранить возможность установить, какие изменения произошли и на каком основании.

Например, при расследовании отклонения ИИ может помогать искать похожие случаи и готовить материалы для анализа. Полномочия по утверждению причин, корректирующих действий или закрытию отклонения требуют отдельного обоснования. Хороший результат в поисковой задаче ещё не подтверждает готовность системы самостоятельно управлять процессом.

Скорость генерации легко показать на презентации. Польза для бизнеса появляется тогда, когда сокращаются общие трудозатраты или повышается качество процесса.

Если подготовка документа ускорилась, но специалисту пришлось дольше проверять источники и исправлять ошибки, выигрыш может исчезнуть. Поэтому оценивать стоит весь цикл: подготовку, проверку, исправления, согласование и использование результата.

Для поиска по корпоративным знаниям важны корректность ответов, полнота и время сотрудника. Для работы с документами — число пропущенных расхождений и объём исправлений. Для планирования поставок — изменение качества прогноза и его влияние на запасы, списания и доступность продукции.

В затраты следует включать подготовку данных, интеграции, необходимые проверки, обучение сотрудников и сопровождение. Условие продолжения проекта желательно определить до пилота: какой результат компания сочтёт достаточным для дальнейшего внедрения.

Совместные принципы FDA и EMA, опубликованные в январе 2026 года, выделяют определённый контекст применения, подход на основе риска, управление данными, соразмерную валидацию и наблюдение за системой в течение её жизненного цикла. Для российских компаний это международный ориентир, применимость которого следует оценивать с учётом конкретной деятельности и юрисдикции.

Практически начать можно с описания выбранных сценариев: кто владеет процессом, какие данные используются, на какое решение влияет ИИ, кто проверяет результат и как измеряется эффект. Это позволяет обсуждать проект предметно и вовремя привлекать ИТ, качество, информационную безопасность и профильных специалистов.

Позиция клуба «Фармакод» заключается в том, что зрелость применения ИИ в фарме определяется способностью компании объяснить и подтвердить результат его работы. Руководителю важно понимать, почему системе можно доверить конкретную задачу, где заканчиваются её полномочия и что произойдёт при ошибке. Именно ответы на эти вопросы превращают интерес к глобальному тренду в обоснованный проект.