Escolar Documentos
Profissional Documentos
Cultura Documentos
IA generativa na
indústria farmacêutica:
Passando do hype
para a realidade
por Chaitanya Adabala Viswa, Joachim Bleys,
Eoin Leydon, Bhavik Shah e Delphine Zurkiya
Janeiro de 2024
©Getty Images
Machine Translated by Google
Descoberta acelerada de medicamentos. Ensaios clínicos mais eficientes. casos nas ciências da vida e calculou o impacto econômico potencial para
Aprovações regulatórias mais rápidas. Materiais de marketing cinco domínios da indústria: pesquisa e descoberta inicial, desenvolvimento
ultradirecionados gerados internamente. A IA generativa está a transformar clínico, operações, assuntos comerciais e médicos. Com esses números em
quase todos os aspetos da indústria farmacêutica, renovando a forma como as mãos, aproveitamos a experiência e o conhecimento dos líderes da McKinsey em
empresas operam e potencialmente desbloqueando milhares de cada domínio. Esses líderes usaram seus
O McKinsey Global Institute (MGI) estimou que a tecnologia poderia gerar extenso trabalho ajudando os clientes a implantar a geração de IA durante o
entre 60 mil milhões e 110 mil milhões de dólares por ano em valor ano passado para identificar os casos de uso com maior probabilidade de
económico para as indústrias farmacêutica e de produtos médicos (Quadro gerar ganhos significativos de produtividade e valor econômico no curto prazo.
medicamentos, acelerando seu desenvolvimento e aprovação e melhorando No entanto, os números contam apenas parte da história. A iminente revolução
a forma como são comercializados. das ciências da vida impulsionada pela IA promete efeitos não
As empresas farmacêuticas, é claro, estão há muito tempo na vanguarda da ajudará a curar mais doenças mais rapidamente, abrindo recursos
inteligência artificial. Mesmo antes da explosão de interesse do ano passado, os adicionais que poderão então ser aplicados em áreas actualmente mal
investigadores já aplicavam modelos complexos de IA para desbloquear os servidas. A capacidade de gerar insights e padrões a partir de grandes
mecanismos das doenças. quantidades de dados de pacientes gerará tratamentos mais personalizados
AlphaFold2, ESMFold e MoLeR, por exemplo, usam aprendizagem profunda e melhores resultados para os pacientes. As ferramentas Gen AI também
para ajudar a prever as estruturas de quase todas as proteínas conhecidas, poderiam tornar o atendimento ao paciente mais consistente, reduzindo
transformando a nossa compreensão das suas doenças subjacentes. desvios na fabricação e distribuição de medicamentos. Finalmente,
Com o surgimento de novos casos de uso de IA atraentes, estávamos ansiosos para produtividade dos pesquisadores e dos contatos médicos, para que possam
entender, de uma forma mais granular, as áreas mais promissoras de valor potencial atender melhor os médicos e os pacientes.
(consulte a barra lateral “Um guia para nossa metodologia”). Então, nos aprofundamos
GenAIPharma
Anexo 1 de 9
Exposição 1
Espera-se que a IA generativa produza entre US$ 60 bilhões e US$ 110 bilhões em valor
anual em toda a cadeia de valor da indústria farmacêutica.
Comercial 18–30
Empreendimento 8–16
Operações 4–7
Médico 3–5
É claro que aproveitar esta nova e poderosa tecnologia não será fácil. Os Moda. A seleção do modelo de linguagem grande (LLM) certo será
executivos terão de lidar com decisões estratégicas complicadas e desafios um diferencial estratégico importante.
operacionais num cenário desconhecido, marcado por tecnologias em rápida
mudança e riscos emergentes. Aqui oferecemos orientação sobre como começar Realidade. Os modelos Gen AI representam apenas cerca de 15% do
e analisar os casos de uso mais promissores e os elementos necessários para que a esforço típico de um projeto, de acordo com uma pesquisa da
geração AI os transforme. McKinsey. A maior parte do trabalho envolve a adaptação de modelos
à base de conhecimento interna e aos casos de uso de uma empresa.
Isto é particularmente verdade na indústria farmacêutica, dada a
complexidade dos seus dados e a singularidade dos seus regulamentos
A forma como a indústria trabalha para tratar doenças está mudando e tecnologia. Para ter sucesso com a geração de IA, as empresas
rapidamente. Abaixo, oferecemos um vislumbre da forma que o novo devem integrá-la em fluxos de trabalho complexos para promover a
mundo provavelmente assumirá. adoção e o impacto – uma realidade que destaca a
necessidade de uma gestão eficaz da mudança.
Na verdade, a McKinsey descobriu que 70% das transformações
Passando do hype para a realidade digitais falham devido a questões técnicas, mas
Antes de as empresas farmacêuticas poderem aproveitar as porque os líderes ignoraram a importância de gerir a mudança.
Moda. A IA generativa, por si só, fornecerá a maior parte dos priorizar apenas os casos de uso e aplicações que façam sentido
o valor a ser criado. para os objetivos gerais do negócio. Esses líderes devem criar um
roteiro estratégico para garantir que estão otimizando o impacto geral, o
Realidade. Este é um momento perturbador para todo o campo da tempo para impactar e outras considerações importantes. Uma
inteligência artificial, e não apenas para a geração AI. Os modelos “abordagem 2x2” é uma estratégia eficaz para empresas que
analíticos tradicionais de IA, como os atualmente utilizados para estão começando: comece com dois casos de uso que exijam
promover o envolvimento das partes interessadas e ajudar a interrupção mínima para o negócio, possam criar entusiasmo em
diagnosticar doenças, continuarão a captar valor. A diferença é que as toda a organização e tenham um impacto mais rápido, bem como dois
aplicações de IA da nova geração irão melhorar significativamente as outros casos de uso que são potencialmente mais transformacionais
empresas precisarão construir uma camada de inteligência que cadeia através de sua capacidade de sintetizar inúmeras fontes de
possa compreender questões como estruturas moleculares, dados, estruturados e não estruturados, e gerar conteúdo visual,
operações clínicas e dados de pacientes. Será necessária uma textual e até mesmo molecular sob medida.
abordagem multifacetada para criar uma infra-estrutura de dados que possa funcionar
Embora ainternamente e
tecnologia afecte todas as indústrias, terá um impacto
conjuntos de dados externos. Isto é mais do que uma questão particularmente forte na indústria farmacêutica.
puramente técnica: os cientistas de dados terão de colaborar A razão é a natureza verdadeiramente multimodal da
estreitamente com os líderes em estratégia empresarial, assuntos geração AI: os modelos fundamentais são construídos não apenas na
médicos e jurídicos e de risco para definir prioridades e executar estratégias. linguagem, mas também em imagens, ômicas, informações do
compressão – a quantidade decrescente de tempo que eles têm para capturar Em muitas organizações de grande porte, os executivos de alto escalão devem
o valor de um novo medicamento. Nas últimas duas décadas, esse período caiu assumir um compromisso genuíno.
A maioria dos casos de uso específicos se enquadrará em uma das curto prazo em cinco domínios das ciências da vida (Quadro 2). Muitos destes
quatro categorias principais: extração de conhecimento, geração casos de utilização não podem ser realizados a menos que já exista algum
de conteúdo e compostos (por exemplo, química generativa), grau de digitalização, e nem todos se aplicarão necessariamente a todas as
saúde e pacientes) e codificação e geração de software. As organizações Embora reconheçamos que a geração AI continua a ser uma tecnologia
devem agir rapidamente para aproveitar a vantagem competitiva. No entanto, emergente ainda não totalmente implementada em escala na maioria
tentar fazer isso muito cedo – por exemplo, lançando vários projetos-piloto sem dos casos, também tentámos estimar o impacto potencial para cada caso de
primeiro traçar um roteiro claro em escala – pode ser problemático. Além utilização. Estas estimativas refletem o que aprendemos com o nosso
disso, os líderes devem compreender que a geração AI não pode ser uma trabalho ao longo do ano passado, os desenvolvimentos ocorridos em toda a
iniciativa periférica; deveria ser uma das principais prioridades. Dada a indústria e entrevistas com especialistas e líderes da geração AI.
natureza conservadora
Teia 2023
GenAIPharma
Anexo
Anexo 22 de 9
18–30
15–28
13–25
4–7
3–5
Oportunidade potencial: US$ 15 bilhões a US$ 28 bilhões em indicações promissoras e modelos multimodais para
combinar essas modalidades e assim permitir
Nossa compreensão das doenças pode estar avançando experimentos de silício. Aumentar essas capacidades
rapidamente. No entanto, o processo de descoberta e fundamentais com formas mais amplas e estabelecidas de IA —
desenvolvimento de novos medicamentos tem evoluído na direcção como visão computacional, triagem virtual e gráficos de
oposta: o custo médio de introdução de um medicamento no conhecimento — pode acelerar o impacto da IA genérica na
mercado está a aumentar, e não a diminuir. A Gen AI poderia pesquisa farmacêutica, talvez reduzindo pela metade os prazos de
ajudar a acelerar o processo de identificação de alvos, descoberta de medicamentos. Identificamos cinco casos de uso
desenvolvendo ensaios de validação para testar compostos, principais com forte potencial para um impacto significativo no curto
destacando as pistas mais promissoras e auxiliando em testes pré- prazo.
clínicos para determinar sua eficácia.
pode aliviar esse fardo. Ao contrário das soluções anteriores baseadas modelos personalizados de aprendizado de máquina que
no processamento de linguagem natural (PNL), as ferramentas oferecem previsões ainda mais precisas – mesmo em áreas
de IA da nova geração oferecem uma compreensão muito mais amplamente inexploradas da química – que as empresas podem
profunda e ampla do contexto e da intenção médica. Pesquisadores priorizar para triagem subsequente.
pode, portanto, apresentar perguntas e respostas abertas,
alternar facilmente entre diferentes tarefas e integrar evidências Impacto potencial: Aumento de até 2,5 vezes no desempenho
adicionais sem atrito por meio de engenharia imediata. Pouco ou dos modelos de atividade de compostos químicos; um aumento de
nenhum treinamento adicional é necessário para adaptar as mais de quatro vezes na velocidade (de meses para semanas) no
informações a casos de uso específicos. tempo necessário para identificar novos leads
Impacto potencial: Um aumento de mais de 30% nas avaliações Caso de uso três: Otimização de moléculas grandes e design de
manuais iniciais de alvos de medicamentos vetores de medicamentos. As ferramentas descritas no caso de uso
anterior ajudam os pesquisadores a prever o potencial de tratamento
Caso de uso dois: triagem de compostos in silico. O de doenças de pequenos compostos químicos. Um problema
desenvolvimento de medicamentos pode ser dificultado pela ainda mais espinhoso é fazer o mesmo com cadeias complexas de
dificuldade de identificar e priorizar os compostos químicos com moléculas: por exemplo, proteínas como anticorpos e mRNA.
maior probabilidade de tratar com sucesso uma doença específica Embora estas moléculas sejam uma promessa substancial para
e, portanto, mais dignos de serem testados em laboratórios. terapias mais direcionadas e melhores vacinas, a sua complexidade
A Gen AI acelera o processo de triagem com modelos químicos aumenta substancialmente os custos de desenvolvimento e os
fundamentais de última geração que podem mapear milhões de prazos de descoberta.
compostos químicos conhecidos por sua estrutura e função e Mais uma vez, os LLMs de próxima geração podem ajudar
sobrepor isso aprendendo a prever a próxima subestrutura de moléculas
informações com resultados conhecidos para moléculas testadas grandes (por exemplo, ácidos nucléicos ou aminoácidos) e gerando
(Anexo 3). Assim como o GPT-4, que é treinado para prever a insights sobre a química de moléculas grandes. Esses
provável próxima palavra em uma frase, esses modelos prevêem insights podem ser usados para o projeto in silico de novos vetores de
a próxima parte (por exemplo, um átomo) na estrutura de uma medicamentos e para prever sua eficácia em vários ensaios de
molécula pequena ou grande (como um aminoácido). Através de descoberta de medicamentos.
muitas iterações, o modelo aprende princípios fundamentais da
química de moléculas grandes e pequenas. Esse conhecimento Impacto potencial: Uma aceleração de mais de três vezes no
pode então ser usado para treinar projeto de moléculas grandes
Teia 2023
GenAIPharma
Anexo 3 de 9
Anexo 3
Presente Futuro
Dirigir Use métodos tradicionais para identificar novos ativos (por Use análise in silico para identificar proativamente
inovação exemplo, tentativa e erro, conhecimento pessoal, novos ativos e otimizar seu desenvolvimento
literatura)
Sintetizar Realizar análises químicas e verificação de controle de Revise os relatórios criados pela IA generativa para
compostos qualidade dos produtos, contando com conhecimento e identificar tendências químicas e ajustar os métodos de
educação prévios análise e síntese de acordo
Caso de uso quatro: Seleção de indicação para estratégia de ativos. Caso de uso cinco: Otimizando testes e portfólios. Uma vez que um
As capacidades de extração de conhecimento da Gen AI ativo tenha sido combinado com uma indicação, os testes em um
(detalhadas no caso de uso um, acima) também podem ajudar ambiente clínico começam. Mas identificar os pacientes apropriados
os pesquisadores a determinar quais condições, ou indicações, para estudar não é fácil, por isso os ensaios clínicos incluem
atingir com uma molécula específica – uma das decisões mais frequentemente participantes que podem não responder ao
importantes que as empresas biofarmacêuticas enfrentam. tratamento, o que pode retardar o seu desenvolvimento.
Para fazer estas chamadas, os investigadores devem extrair
informações de múltiplas fontes, tais como líderes de opinião, Um dos poucos campos para resolver este problema é a
revisões de literatura, análises ómicas, dados de ensaios e atividades oncologia de precisão, onde os investigadores utilizam agora
de concorrentes. No entanto, dada a vastidão desta informação, as biomarcadores para estratificar os pacientes de acordo com a
seleções de indicações muitas vezes cobrem apenas parte sua probabilidade de progressão ou para prever a sua resposta a
da base de evidências disponível, pelo que as conclusões diferentes tratamentos. A Gen AI ajudará outras áreas a fazer o mesmo,
podem não ser as ideais. A Gen AI pode ajudar a resolver esse o que ajudará as empresas a reunir populações de ensaios clínicos
problema analisando uma ampla gama de conjuntos de dados mais diversificadas e representativas.
estruturados e não estruturados. Além disso, a utilização de modelos que examinam dados genéticos
e fenotípicos juntamente com dados do mundo real (extraídos de
Por exemplo, os dados do mundo real (RWD) — extraídos de consultas fontes como os registos médicos dos pacientes) permitirá aos
médicas, pedidos de seguros, registos médicos eletrónicos, dados investigadores compreender melhor porque é que diferentes
hospitalares e outras fontes — são frequentemente subutilizados subgrupos de pacientes respondem de forma diferente aos mesmos
para selecionar indicações. Com a geração AI, modelos básicos tratamentos. Finalmente, ao utilizar modelos de geração de IA baseados
que tratam eventos médicos como palavras e históricos médicos de em dados de técnicas de imagens médicas, como raios X, tomografias
pacientes como documentos permitem que os pesquisadores descubram computadorizadas e ressonâncias magnéticas, os cientistas poderiam
a semelhança semântica de diferentes eventos, e que permite até identificar biomarcadores inteiramente novos: assinaturas
estimar a proximidade biológica de uma indicação a outra do ponto visuais profundamente ocultas da atividade e gravidade da doença
de vista do paciente e da clínica. que levam a novos tratamentos imprevistos. . O resultado
cumulativo: ensaios mais curtos, mais eficientes e com maior probabilidade de sucesso.
Além do mais, as informações dos gráficos de conhecimento Impacto potencial: Aumento de cerca de 10% na possibilidade de
molecular podem ser aproveitadas para revelar novas conexões sucesso (PoS) dos testes; uma redução de cerca de 20% no
(digamos, entre entidades como proteínas ou vias biológicas seu custo e duração; tempo para aprovação acelerado em um a
humanas) já identificadas na literatura ou em dados públicos. Estas dois anos – tudo levando a um impacto potencial de dois dígitos no
abordagens podem ajudar a descobrir novas indicações que valor presente líquido
podem ser rapidamente validadas através de modelos in vitro (NPV) de ativos ou carteiras
ou animais, aumentando a probabilidade de encontrar indicações
com elevada probabilidade de sucesso e reduzindo o número de
becos sem saída (e o seu custo de oportunidade).
São necessários, em média, dez anos e 1,4 mil milhões de Oportunidade potencial: US$ 13 bilhões a US$ 25 bilhões
dólares em custos diretos para colocar um único medicamento
no mercado, e cerca de 80% desses custos estão associados Caso de uso um: copiloto de desempenho de teste. A Gen AI pode
ao desenvolvimento clínico, de acordo com investigadores do analisar rapidamente grandes quantidades de dados estruturados e não
Tufts Center for the Study of Desenvolvimento de drogas. O estruturados. É, portanto, um poderoso companheiro da equipa de estudo,
desenvolvimento clínico é o processo de levar terapias do que pode partilhar ideias e sugerir intervenções eficazes para melhorar os resultados
laboratório ao paciente, testando rigorosamente a segurança dos ensaios clínicos. Várias farmacêuticas de primeira linha já criaram “torres
e eficácia de um medicamento potencial em seres humanos, um de controle clínico” – plataformas analíticas avançadas que apoiam a tomada
processo caracterizado por longos prazos de ensaios clínicos de decisões operacionais durante o desenvolvimento clínico, fornecendo uma
e requisitos regulatórios rigorosos. A Gen AI aborda esses fonte única de insights para acelerar os ensaios clínicos. Esses copilotos de IA
pontos problemáticos aumentando a eficiência em todo o aceleram os testes capacitando as equipes de estudo de pelo menos
processo de desenvolvimento clínico, liberando valor três maneiras importantes: os recursos de IA conversacional
econômico em três dimensões: reduções de custos de até 50% fornecem insights práticos e personalizados em um formato envolvente;
possibilitadas pela simplificação dos processos de ensaios alertas inteligentes promovem intervenções proativas e precoces; e a
clínicos e pela elaboração automática de documentos de elaboração automática de comunicações torna a coordenação com membros
ensaios; uma aceleração de mais de 12 meses no tempo necessário da equipe multifuncional mais
Teia 2023
GenAIPharma
Anexo 44 de 9
Anexo
Presente Futuro
Analisar teste Colete e analise manualmente dados em Aproveite análises e visualizações automatizadas, adaptadas
desempenho múltiplas fontes para entender o julgamento às características do teste, incluindo
Intervir de forma reativa com base em Receba alertas proativos do copiloto, com avaliação
Aja cedo
e efetivamente julgamento subjetivo e incompleto de riscos baseada em dados e recomendações prescritivas
Informação de intervenções precoces que podem apoiar a entrega
de testes dentro do prazo
Personalizar site Envolva os investigadores principais (PIs) em todos os Rascunhe mensagens personalizadas automaticamente
noivado sites com a mesma mensagem e conteúdo envolver PIs e coordenadores de site, com alto envolvimento
baseado em conteúdo e timing personalizados
Prepare manualmente milhares de páginas de Rene redigiu documentos automaticamente com documentos
Preparar teste
documentos documentos personalizados para cada ensaio, localizados para cada local
Impacto potencial: Aproximadamente 20% de melhoria na Impacto potencial: 30% mais economia de custos para gerenciamento
eficiência de custos; 10 a 20 por cento mais rápido de dados; uma redução de mais de 50% no tempo de bloqueio do
inscrição banco de dados; 70% menos consultas manuais
Caso de uso dois: gerenciamento inteligente de dados. O Caso de uso três: Mecanismo de inteligência regulatória. Durante o
gerenciamento de dados hoje é um processo altamente trabalhoso, processo de desenvolvimento clínico, as empresas farmacêuticas
exigindo configuração manual, teste por teste, de sistemas devem responder a perguntas e solicitações das agências
eletrônicos de captura de dados, bem como revisão detalhada e reguladoras. Estas são conhecidas na indústria como Health
reconciliação dos dados recebidos dos pacientes. Ao combinar Authority Queries (HAQs) e muitas vezes criam gargalos
recursos de IA tradicionais e generativos, o gerenciamento de que podem atrasar a aprovação e a entrada no mercado de
dados pode ser automatizado em várias etapas. Os bancos de novas terapias.
dados podem ser criados com um clique com base no protocolo, e
os formulários de relato de caso podem ser gerados Os mecanismos de inteligência habilitados para Gen AI podem
automaticamente com base no protocolo, perfil do paciente e tipo ajudar em três frentes: prever possíveis padrões de HAQ para um
de visita. Os dados podem então ser revisados e limpos determinado envio; elaborar rapidamente respostas apropriadas dos
automaticamente em tempo real e as consultas podem ser patrocinadores; e fornecer inteligência mais profunda às
geradas automaticamente de forma inteligente e eficiente com estratégias de submissão. A análise preditiva da Gen AI, por exemplo,
base no contexto do estudo, no status do paciente e nas ações pode ajudar as equipes a antecipar proativamente os HAQs,
do local, concentrando a atenção nas lacunas de dados mais críticas a serem abordadas
reduzindo antes
assim seu número, tanto inicial quanto de acompanhamento.
bloqueio de banco de dados. Os insights gerados continuarão a informar os reguladores
estratégia, gestão de riscos e estratégia mais ampla de P&D. primeiro rascunho do protocolo subjacente, plano de análise
estatística e tabelas, listagens e figuras – em minutos em vez de
dias – permitindo iteração rápida e colaborativa por partes
Impacto potencial: Respostas aproximadamente 30% mais interessadas multifuncionais por meio de sugestões de
rápidas; 50% menos acompanhamentos do HAQ conversação. Os redatores médicos ficam assim livres para se
concentrar em seções do dossiê que exigem uma interpretação clínica
Caso de uso quatro: redator principal de conteúdo de envio. Como mais complexa.
etapa final antes da revisão regulatória, a redação da submissão
deve ser feita da forma mais rápida e precisa possível para atingir Impacto potencial: submissões regulatórias 40% mais
ou acelerar os prazos de lançamento. No entanto, a elaboração dos rápidas; uma melhoria de 50% na eficiência de custos nas
relatórios dos estudos clínicos normalmente requer oito ou mais organizações reguladoras; uma redução de duas vezes nos
semanas para ser concluída. As ferramentas baseadas na Gen problemas de qualidade
AI podem reduzir esse tempo quase pela metade, gerando um “80% de acerto”
Operações: Reimaginando o
próximo horizonte de
desempenho operacional
Oportunidade potencial: US$ 4 bilhões a US$ 7 bilhões O bot de consultoria de negociação de IA pode melhorar o
processo gerando primeiros rascunhos de RFPs, pedidos de
A cadeia de valor das operações farmacêuticas compra, faturas e respostas de revisão. A tecnologia também
abrange o fornecimento, a produção, a qualidade e a cadeia de pode ajudar os negociadores, encontrando e analisando padrões
abastecimento – e espera-se que a geração AI melhore todos relevantes em negociações e resultados anteriores. Depois
eles. Primeiro, a capacidade da tecnologia de pesquisar e que os fornecedores são contratados, a geração AI permite um
analisar grandes volumes de texto, imagens e outras fontes de gerenciamento de contratos mais inteligente e o
dados gerará uma riqueza de novos insights. Seus recursos monitoramento proativo do desempenho da categoria e do fornecedor.
de geração de conteúdo permitirão que as equipes desenvolvam
representações de dados complexas — em texto, visual, áudio Impacto potencial: Uma redução de 5 a 10 por cento nos
e outros formatos — adaptadas a contextos específicos. custos de gestão de aquisições; ganhos de produtividade
Finalmente, as capacidades de conversação da geração AI, (dependendo das funções e categorias) de 50 a 80 por cento
novamente em múltiplos formatos, tornarão as interações com
os utilizadores mais eficientes e satisfatórias. Vemos quatro casos Caso de uso dois: um assistente virtual de geração
de uso prioritários em toda a cadeia de valor das operações. de IA para fabricação. Os assistentes virtuais baseados em Gen
AI ajudarão a otimizar a fabricação de medicamentos, localizando
Caso de uso um: fornecimento aumentado. O processo de aquisição rapidamente procedimentos operacionais padrão relevantes, gerando
tende a ser ineficiente e demorado: os gestores de categoria automaticamente listas de verificação e guias para operações
devem pesquisar e analisar as condições de mercado, informações repetíveis e corretas na primeira vez, e ajudando os supervisores
de fornecedores e dados de preços antes de avaliar RFPs ou a monitorar e gerenciar o desempenho da linha em tempo real.
outras submissões. Uma geração Assistentes virtuais também permitem manutenção preditiva—
evitando paradas sinalizando possíveis falhas de linha, tomar medidas corretivas e preventivas eficazes e, assim, mitigar o
gerando automaticamente planos de intervenção e solução de risco. A Gen AI ajuda as empresas farmacêuticas a reimaginar o
problemas e tíquetes de manutenção e otimizando cronogramas seu processo de investigação e gestão de desvios de ponta a
de reparo e substituição por meio de manutenção planejada. ponta, fornecendo ferramentas para ajudar a esclarecer
tendências, as classificações de gravidade dos desvios, as
potenciais causas raízes e as ações corretivas correspondentes
Impacto potencial: Uma melhoria de 10 a 15 por cento na eficácia (Quadro 5). Todos os relatórios necessários podem então ser
geral do equipamento (OEE), reduzindo perdas importantes; um gerados e revisados automaticamente em conformidade com as
aumento de mais de 30% na produtividade dos líderes de linha; uma políticas corporativas de qualidade, tornando assim os investigadores
redução de 15 a 35% na carga de trabalho dos técnicos de mais eficazes e produtivos.
manutenção; uma redução de 5% nos custos de qualidade através
da detecção de anomalias Impacto potencial: Um aumento de mais de 35% na
produtividade; uma melhoria de 30 a 40 por cento na eficácia das
Caso de uso três: Investigações reinventadas em qualidade. investigações
A gestão de desvios é crítica para todas as empresas
farmacêuticas, uma vez que devem aderir às boas práticas Caso de uso quatro: planejamento sem toque e otimização
de fabricação (GMP) e aos rigorosos requisitos regulamentares. de estoque em tempo real. Especialmente quando as
Identificar e capturar desvios é agora um árduo processo manual. matérias-primas são escassas, os problemas de inventário
Investigá-los, por exemplo, é um desafio dada a disponibilidade podem ter um impacto substancial nos prazos de produção. Mas
limitada de dados integrados e recursos interfuncionais, por isso ajustar os planos de fornecimento e produção em tempo real é,
é difícil na melhor das hipóteses, complicado, exigindo julgamento especializado e no local
Teia 2023
GenAIPharma
Anexo
Anexo 55 de 9
Presente Futuro
Identificação Pesquise desvios manualmente examinando milhares Realize pesquisas rápidas e eficazes de desvios
de relatórios de desvios relevantes e crie resumos usando IA generativa (gen AI)
de investigação
requerimento
Eficaz Conduzir investigações do zero, com longos intervalos Agilize o processo de investigação
entre o evento e o
e eficiente Melhorar a qualidade dos resultados da investigação,
conclusões da investigação
investigação aproveitando o resumo orientado pela IA da causa raiz
potencial e das ações corretivas
Relatório Escreva relatórios manualmente reunindo detalhes sobre Aproveite rascunhos de relatórios desenvolvidos por IA
desvios, causas raízes e ações corretivas genérica que podem ser revisados e finalizados
geração
Operação padrão Escreva manualmente POPs identificados nas investigações Use os primeiros rascunhos de SOPs desenvolvidos pela
procedimento (POP) gen-AI para agilizar o processo de desenvolvimento e
para rastrear pedidos, identificar gargalos e otimizar redes. As As ferramentas também monitoram automaticamente os suprimentos
ferramentas de planejamento baseadas na Gen AI abordam essas para atingir níveis ideais de estoque.
questões analisando tendências históricas e de mercado para
antecipar picos na demanda, prever gargalos e interrupções na Impacto potencial: Um declínio de 2 a 3 por cento nos custos da
cadeia de suprimentos, gerar planos para intervenção proativa e cadeia de abastecimento; um aumento de 15% na precisão do
ajudar a elaborar planos de produção em tempo real, fazendo um planejamento e das previsões de estoque; uma redução de 20 a 30
balanço dos recursos disponíveis. materiais, demanda atual do cliente por cento na carga de trabalho para planejadores de demanda
e restrições operacionais.
Comercial: Melhores
relacionamentos
com parceiros,
fornecedores e pacie
Oportunidade potencial: US$ 18 bilhões a US$ 30 bilhões Caso de uso um: criação de conteúdo personalizado. Hoje, o
processo criativo e de produção é quase totalmente
Qualquer tratamento, é claro, só funciona se for prescrito e tomado terceirizado para designers em agências, onde os criadores
corretamente, e é por isso que os farmacêuticos gastam uma pesquisam e elaboram materiais de marketing com base em resumos
energia considerável cultivando relacionamentos e construindo de conteúdo fornecidos pelos clientes. Múltiplas iterações refletem
confiança com prestadores de cuidados, farmacêuticos, seguradoras e o feedback dos profissionais de marketing e dos
pacientes. As ferramentas Gen AI podem aprofundar todos revisores médicos e jurídicos (MLR). Os atuais modelos
esses relacionamentos. Os líderes internos da marca poderão multimodais e de grande linguagem podem agilizar esse processo
aproveitar a sua proximidade com prestadores de cuidados de tedioso e que consome muitos recursos. A IA generativa pode,
saúde, pacientes e outros parceiros para ajustar estratégias de por exemplo, padronizar e acelerar o processo inicial de
campanha em tempo real. Os profissionais farmacêuticos e os design criativo, deixando espaço para inovação (Quadro 6). Em
pacientes terão uma grande quantidade de dados ao seu alcance apenas cinco dias, os profissionais de marketing podem criar
para tomar decisões mais rápidas e inteligentes. Finalmente, as primeiros rascunhos e conceitos criativos que estão prontos
capacidades de geração de conteúdo da tecnologia permitirão para serem compartilhados com os revisores do MLR antes de
que muitos aspectos do processo de marketing sejam movidos serem repassados às agências parceiras para elevação e
internamente. As agências de publicidade externas continuarão a produção criativa. A Gen AI também pode ajudar a fornecer ideias
desempenhar um papel importante, mas provavelmente centrado de campanha iniciais para os profissionais de marketing
em tarefas nas quais se destacam, como inovação, criatividade, refinarem com base no feedback quantitativo de modelos
planeamento de meios de comunicação e negociações. Abaixo, tradicionais de IA e análise de dados.
apresentamos cinco casos de uso com alto potencial para um forte impacto no curto prazo.
Teia 2023
GenAIPharma
Anexo 6 de 9
Anexo 6
Presente Futuro
Colete e Colete, analise e sintetize manualmente dados e insights para Use dados e insights sob demanda com base em fontes de
analisar dados/ priorizar/selecionar contas e prestadores de cuidados de saúde dados verificadas e de alta qualidade e informações
(HCPs) de acesso ao mercado entre funções para priorizar/selecionar
percepções
contas e profissionais de saúde
Personalize um Use análises avançadas e básicas Use IA generativa para sintetizar e selecionar dados de
personalizar dados demográficos e comportamentais para personalizar marca e dados específicos de profissionais de saúde
Coordenada Use dados limitados para coordenar a divulgação dos profissionais de Utilize insights em tempo real sobre profissionais de saúde
omnicanal saúde em todos os canais interações para garantir coordenação e otimização perfeitas
Participe do treinamento Conte com treinamentos trimestrais com a sede e reuniões com Aumente a cadência de treinamento estabelecida com
e aprimoramento representantes regionais e distritais treinamento sob demanda em tempo real e just-in-time
sessões gerentes insights durante visitas ao escritório/conta do HCP
Impacto potencial: Um aumento múltiplo na eficiência do verificações e acelerando o processo de aprovação, garantindo
marketing; redução de até 30% a 50% nos custos de criação de automaticamente que os revisores permaneçam informados.
conteúdo; um pipeline acelerado com um aumento de mais de 20%
na velocidade Impacto potencial: Aceleração de duas a três vezes no processo de
aprovação de conteúdo; um aumento na velocidade de revisão
Caso de uso dois: automação e assistência em revisão médica
e jurídica. O processo médico, legal e regulatório, realizado para
garantir que todos os materiais publicitários e promocionais sejam Caso de uso três: copiloto de capacitação do cliente.
precisos e cumpram os requisitos regulamentares, é um Profissionais de marketing, representantes de campo e
componente-chave do marketing de produtos de ciências outros membros da equipe que atendem o cliente têm uma
biológicas. Atualmente, os revisores de MLR analisam manualmente quantidade sem precedentes de informações à sua disposição.
o conteúdo enviado, destacando novas reivindicações, O que muitas vezes lhes falta é uma forma eficaz de sintetizar
identificando precedentes e rastreando semelhanças entre os insights certos no momento certo. Para aumentar a produtividade
diferentes tipos de fontes de dados. As ferramentas Gen AI dos analistas de mercado, estão a ser desenvolvidas ferramentas
simplificam o processo de várias maneiras: rastreando a generativas de IA para fornecer recuperação, resumo e
reutilização de materiais e referências previamente aprovados, síntese a pedido de dados não estruturados (como textos e
revisando automaticamente os materiais em busca de linguagem imagens) e informações estruturadas (por exemplo, tabelas e bases
potencialmente problemática, recorrendo a linguagem previamente de dados). Isso torna as campanhas mais eficazes e permite
aprovada para oferecer instantaneamente opções de conversas mais ricas e direcionadas entre o pessoal de
reformulação de frase compatíveis e acelerando a conformidade campo e os prestadores de cuidados.
Impacto potencial: Uma melhoria de 10 a 15 por cento na produtividade Caso de uso cinco: Otimizando a experiência do paciente. Muitos
e eficácia das equipes de campo, resultando em um crescimento de 1 pacientes param de tomar os medicamentos prescritos –
a 2 por cento no faturamento ou nunca preencha as prescrições em primeiro lugar. (Na
imunologia, por exemplo, cerca de metade de todos os pacientes
Caso de uso quatro: Gerando insights estratégicos. Hoje, os param de tomar novos medicamentos durante o primeiro ano.) Isto
líderes de marca e os profissionais de marketing gastam tempo e acontece com cada vez mais frequência – mesmo entre
recursos significativos sintetizando insights de negócios e de mercado. pacientes que beneficiam de terapias – por uma série de razões,
O seu objectivo é ligar questões de marca a hipóteses, identificar incluindo a complexidade de ser reembolsado por prescrições
abordagens para análise, descobrir inteligência competitiva sobre rivais e a proliferação de novos medicamentos disponíveis. A Gen AI
e criar documentos convincentes com narrativas de marca pode ajudar a resolver esse problema significativo, fornecendo
coesas. Um aos pacientes e consultórios médicos informações sob demanda
O problema recorrente é que os profissionais de marketing gastam sobre reembolso e opções de atendimento adequadas. A
muito tempo sintetizando diversas fontes de informação e não o tecnologia também pode ajudar a encaminhar questões críticas
suficiente na interpretação de dados para tomar decisões para especialistas, ao mesmo tempo que capacita pacientes e
importantes sobre a direção de uma marca. Pesquisa interativa da Gen AI consultórios médicos com uma variedade de ferramentas de
recursos podem ajudar os profissionais de marketing a obter autoatendimento. Tudo isto pode levar a uma maior adesão dos
insights mais profundos de fontes como pesquisas e dados de clientes pacientes e a melhores resultados, em parte porque a tecnologia
conjuntos, dados sobre médicos e pacientes, mudanças políticas, pode responder a necessidades não satisfeitas através da qualificação
desenvolvimentos legais e implicações de formulários. Esses insights das equipas de atendimento aos pacientes.
ajudarão a identificar e aprimorar a compreensão dos padrões nas
jornadas dos clientes, ao mesmo tempo que informam e enriquecem Impacto potencial: Uma redução de 5 a 10 por cento no número
a segmentação dos clientes. de abandonos de pacientes através de uma melhor assistência aos
pacientes
Impacto potencial: Uma melhoria de 10 a 30 por cento na compreensão
dos principais insights e tendências; incorporando esses insights em
todos os segmentos de clientes
Assuntos médicos:
Fornecedores mais
inteligentes, pacientes mais saudáveis
Oportunidade potencial: US$ 3 bilhões a US$ 5 bilhões por meio de tarefas de geração e permitir que as equipes se concentrem na
ganhos de eficiência criação de interações pessoais mais profundas e de alto valor com
as partes interessadas internas e externas.
médicos não geram receitas nem se concentram na Caso de uso um: Gerando insights do cliente. Os profissionais de
melhoria do desempenho comercial, nas vendas ou na ligação entre ciências médicas (MSL) passam horas interagindo
rentabilidade. Em vez disso, as equipas de assuntos médicos com os clientes para criar uma compreensão mais rica e holística
desempenham um papel fundamental no apoio ao cuidado dos das perspectivas científicas e clínicas externas sobre áreas de doenças
pacientes, permitindo intercâmbios científicos fiáveis entre e atendimento ao paciente. Essas interações são oportunidades de
empresas biofarmacêuticas e prestadores de cuidados de saúde aprendizagem cruciais para a indústria farmacêutica, e a
capacidade
(ver barra lateral “Uma nota sobre a gestão dos riscos da geração IA em assuntos de capturar sistematicamente insights delas tem sido
médicos”).
O cerne deste esforço altamente regulamentado é uma série de uma meta das equipes de assuntos médicos.
processos de revisão, síntese e comunicação de
conhecimento científico – todas tarefas passíveis de melhoria
através da geração de IA. Com consentimento apropriado e proteções de privacidade,
grandes modelos de linguagem podem ajudar a aproveitar ao
Apresentamos aqui três casos de uso que agora geram máximo os dados ricos criados durante essas interações: eles
considerável entusiasmo entre os líderes de assuntos médicos. podem sintetizar e analisar insights e melhorar o desempenho dos
Esses aplicativos apoiarão as tendências contínuas em direção a formas métodos de processamento de linguagem natural existentes e ajudar
de trabalho digitalmente habilitadas e maior personalização dos a resumir e esclarecer milhares de discussões cada ano - digamos,
modelos de envolvimento do cliente. identificando temas comuns levantados por médicos em dezenas de
Eles também poderiam liberar tempo de conteúdo mundano milhares de
conversas. Estas informações podem então informar melhor as áreas de para que as equipas médicas possam responder mais rapidamente,
desenvolvimento, garantindo que as terapias satisfazem as necessidades utilizando uma base potencialmente mais ampla de provas científicas.
Impacto potencial: Um aumento múltiplo na captura de insights, porque as médica (e potencialmente de 50 a 70 por cento quando as soluções e
organizações típicas de assuntos médicos analisam sistematicamente menos sistemas amadurecerem); uma redução de 50 a 70 por cento no tempo
Caso de uso dois: Comunicação médica mais nítida e eficiente. desafio para as equipas de assuntos médicos é envolver as partes
Os modelos da geração AI podem dramaticamente interessadas externas com conteúdo científico adaptado especificamente
reduzir o tempo necessário para elaborar técnicas às suas próprias necessidades. A natureza técnica deste conteúdo e
e documentos científicos, acelerando a composição de respostas a necessidade de cumprir os padrões regulatórios significam que os MSLs
a solicitações de informações médicas, relatórios científicos, muitas vezes devem fornecer às partes interessadas documentos
resumos leigos e comunicações diárias com partes interessadas científicos extensos (como artigos de pesquisa publicados ou
internas e externas (Quadro 7). Além de gerar conteúdo, as ferramentas de apresentações longas), embora na verdade prefiram respostas mais
geração de IA poderiam ajudar a revisá-lo e moderá-lo, aumentando focadas - digamos, a resposta a uma pergunta. consulta específica. Usando
assim a produtividade e acelerando os fluxos de trabalho. ferramentas gen AI treinadas em conteúdo aprovado, as equipes de
Por exemplo, os profissionais de informação médica têm frequentemente incluindo texto, tabelas de dados, figuras, infográficos, vídeos e áudio.
exige que várias pessoas compreendam as perguntas, identifiquem a literatura Impacto potencial: Um aumento de duas a três vezes no
apropriada e sintetizem as respostas. A Gen AI pode ajudar a filtrar engajamento, associado a conteúdo personalizado em outros setores (e
solicitações recebidas, digerir conteúdo relevante e até mesmo produzir o entre os primeiros a adotar assuntos médicos)
Teia 2023
GenAIPharma
Anexo 77 de 9
Anexo
Presente Futuro
Estratégia de forma Coletar informações disponíveis sobre profissionais de saúde para Use insights criados pela IA generativa sobre
para cuidados de saúde desenvolver estratégias de engajamento Profissionais de saúde devem moldar melhor a estratégia de engajamento
provedor (HCP) Preparar materiais para reuniões de profissionais de saúde usando Revise materiais criados por IA generativa para fornecer informações
noivado dados e experiência disponíveis detalhadas e personalizadas para
Profissionais de saúde
Do caso de uso à escala: reconfigurando melhorá-lo ao longo do tempo para que possa suportar outros cada
de IA. Coletivamente, eles poderiam criar uma mudança de reimaginar os seus modelos operacionais. Um erro comum que
paradigma na descoberta, desenvolvimento e entrega de terapias os líderes cometem é adotar qualquer um dos dois
aos pacientes. Mas tal mudança não acontecerá por acaso. extremos para gerenciar transformações digitais.
Para capturar verdadeiramente o valor da geração AI, é Uma delas é uma abordagem altamente descentralizada, na qual
fundamental projetar sistemas para eventual escalonamento, em vez a organização lança simultaneamente vários pilotos de casos de
de implementar a tecnologia como uma série de soluções isoladas. uso. Embora esta estratégia—
pense nisso como permitir o florescimento de 1.000 flores –
O que será necessário é uma estratégia abrangente claramente ligada permite que as empresas avancem rapidamente, o que muitas vezes
ao valor científico e empresarial, apoiada por uma infra-estrutura leva a problemas de qualidade, custo e sustentabilidade, bem
tecnológica robusta que inclua uma pilha de tecnologia de ponta a como a silos operacionais que inibem a partilha de conhecimento
ponta e uma consciência do panorama em evolução da IA. Em muitos e o desenvolvimento de sinergias. A abordagem oposta – um modelo
casos, o modelo mais bem-sucedido é a abordagem produto- de cima para baixo baseado em plataforma com tomada de
plataforma: o grupo empresarial de TI lidera o desenvolvimento da decisão centralizada e implementação faseada de casos de utilização
infraestrutura de plataforma apropriada – com componentes – também é problemática. Embora seja eficiente em termos de custos e
corporativos críticos, como segurança, governança de dados permita que os líderes construam em escala desde o início, também é
e rastreamento de custos – e fornece uma API para criar casos de lento e muitas vezes frustrante.
Baseámos o potencial impacto económico da geração AI em diferentes domínios das ciências da vida na análise do McKinsey Global
Institute sobre o seu impacto em 63 casos de utilização individuais. Cada um deles foi então mapeado para um domínio específico das ciências da
vida – um exercício baseado nas atividades típicas realizadas nele. Os copilotos de IA generativa para representantes de vendas, por exemplo,
foram mapeados para o domínio comercial.
Para casos de utilização de IA generativa (como a síntese de literatura científica) que afetam vários domínios das ciências da vida, baseámos
a nossa atribuição do impacto económico no tamanho relativo dos domínios relevantes, bem como na opinião de especialistas. A nossa
quantificação do impacto económico reflectiu uma abordagem ascendente: a opinião de especialistas, os resultados das experiências internas da
McKinsey e a investigação publicada ajudaram-nos a estimar a gama quantitativa potencial de impacto, tanto na redução de custos como no
aumento de receitas, para casos de utilização específicos (para por exemplo, a percentagem de tempo poupado quando as ferramentas
generativas de IA analisam a literatura de investigação clínica).
Por fim, dimensionamos o impacto para o setor de ciências biológicas, baseando nossas estimativas na porcentagem de custos operacionais
de domínio gastos em tarefas relacionadas a um caso de uso de IA generativa (por exemplo, a porcentagem de custos de P&D em ciências
biológicas alocados para a revisão de pesquisas clínicas ) e a percentagem das receitas da indústria gasta num domínio (como a percentagem
das receitas das ciências da vida atribuída à I&D). Os leitores encontrarão detalhes completos no apêndice “O potencial econômico da IA
generativa: a próxima fronteira de produtividade”.
constantemente para equilibrar velocidade e inovação com a e considerações de conformidade sejam integradas em toda a
necessidade de controle de qualidade, disciplina financeira e organização?
simetrias organizacionais. Sempre que os líderes se enquadrem
neste espectro, também terão de garantir que dispõem da É claro que, uma vez criadas as estruturas necessárias, a organização deve estar
combinação adequada de talentos, bem como das orientações e aberta à mudança e permitir que evoluam ao longo do tempo.
Para fazer esta mudança da implementação de casos de As ferramentas de IA da nova geração envolverão mudanças
utilização para a geração de valor em escala, os líderes incrementais e fundamentais na forma como os profissionais farmacêuticos
farmacêuticos terão de reimaginar cada etapa da cadeia de valor (Quadro 8).
trabalham. Os estrategistas e os tomadores de decisão precisarão
Isso exigirá que façam perguntas importantes sobre estruturas, explorar a capacidade da geração AI de analisar e sintetizar informações
processos, tecnologias, dados, pessoas e gestão de mudanças. rapidamente, mas permanecer conscientes das limitações da
tecnologia. O mesmo acontecerá com os pesquisadores e criativos quando
Teia 2023
GenAIPharma
Anexo
Anexo 88 de 9
Presente Futuro
Deve saber: Ter conhecimento de produtos farmacêuticos/médicos e do Empregue IA generativa (gen AI) para produzir insights
cenário da indústria de várias fontes de informação
Proficiente em técnicas tradicionais de análise de dados (por Proficiente em ferramentas gen AI (por exemplo, processamento
exemplo, usando Microsoft Excel) de linguagem natural, engenharia imediata)
Devemos ser: Em conformidade seguindo requisitos e diretrizes regulatórias Orientado por dados: tome decisões baseadas em dados que
melhoram sua eficácia
Deve fazer: Empregue métodos iterativos, experimente Use gen AI para geração automatizada de relatórios e documentação,
renove abordagens e invista tempo na criação concentre-se em tarefas e objetivos estratégicos e dedique tempo
documentos significativo para orientar colegas juniores
apenas 15% de uma solução geral de IA de geração, descobriu a ao mesmo tempo que garante que os modelos de IA tenham o contexto
pesquisa da McKinsey. Para escalar verdadeiramente esta certo para responder com precisão às solicitações.
modelos e considerando necessidades específicas de segurança da O ritmo acelerado de mudança que a geração AI promove exigirá que as
informação, desempenho orientado para tarefas e latência. Com muitas organizações pensem de forma diferente sobre as competências de
aplicações mais simples tendendo à comoditização, as organizações também que necessitam (Quadro 9) e onde encontrá-las – recrutando novas
devem equilibrar criteriosamente a compra de soluções de fornecedores pessoas, melhorando as competências dos funcionários existentes
externos com a construção delas internamente. Finalmente, as ou alocando dinamicamente o talento certo às prioridades apropriadas.
organizações que ampliam as iniciativas de geração de IA enfrentam O recrutamento externo não será fácil. Desde o lançamento do
frequentemente custos imprevistos. Isto realça a necessidade de uma ChatGPT, no final de 2022, o número de anúncios de empregos
financeiras (FinOps) para uma orçamentação meticulosa, uma número de ofertas de emprego relacionadas à IA cresceu 43% ao ano nas
monitorização vigilante e uma gestão eficiente dos recursos para a dez principais empresas farmacêuticas desde 2018, de acordo com a
Dados
A eficácia da gen AI depende da qualidade dos dados de uma Atrair e reter talentos de IA só será possível se as organizações
organização, que devem ser continuamente enriquecidos para serem mantiverem o tipo certo de ambiente de trabalho: casos de uso de IA
partilhados entre funções internas. dinâmicos (e potencialmente disruptivos), uma pilha de tecnologia
Para diferenciação estratégica, as organizações devem investir em dados moderna e um modelo de trabalho ágil que promova a experimentação
proprietários. Em ambos os casos, terão de criar e gerir conjuntos e o desenvolvimento de competências. A contratação é apenas parte da
desempenho das aplicações de geração de IA. Ao fazerem Muitos funcionários atuais precisarão ser qualificados para atender
isso, também precisarão lidar com os desafios existentes de qualidade e aos requisitos de trabalho em evolução e às novas demandas de suas
curadoria de dados (como informações redundantes, desatualizadas e funções atuais; outros devem desenvolver novas competências para
Estratégia Roteiro
Como podemos alinhar a nossa estratégia de IA generativa Como devemos abordar a transformação de uma forma que garanta a captura de
(gen AI) com as nossas aspirações tecnológicas? valor e desbloqueie vantagem competitiva?
Como configuramos uma Como nos organizamos e Como Como configuramos uma infraestrutura
base de dados robusta organizamos as equipes gerenciamos talentos para e uma pilha de tecnologia escaláveis
dimensionar a geração de IA cumprir nossa estratégia fique à frente do para oferecer suporte a vários casos
em toda a organização? de geração de IA? lacunas de habilidades de IA da geração? de uso e soluções de IA de geração?
programas de qualificação técnica, liderados por líderes Além disso, as organizações devem adaptar os seus fluxos de
tecnicamente informados, para identificar as funções que podem trabalho e funções para incorporar a geração de IA nas
ser aprimoradas, para monitorar o desempenho de funcionários suas atividades diárias. Antes de lançá-lo aos usuários, eles
recentemente treinados, para avaliar o impacto do programa nos devem treinar os funcionários sobre suas limitações, pontos fortes e
objetivos de negócios e para obter continuamente novos riscos, bem como a estruturação dos prompts. Finalmente, para
candidatos à medida que as necessidades evoluem. criar impulso para a mudança, as organizações devem criar equipas
de defensores pioneiros para moldar a implementação de
Mudar a gestão casos de utilização de IA genérica e provar o seu valor.
Mesmo as mudanças incrementais podem ser
desestabilizadoras, razão pela qual a gestão da mudança é
essencial para qualquer transformação organizacional. Para IA responsável e mitigação de riscos
garantir a adoção sustentada da IA genérica em escala, as É impossível discutir a promessa da IA generativa sem considerar
organizações devem adotar um modelo de influência que promova também os seus riscos inerentes. Embora esses riscos sejam
mudanças tanto na mentalidade quanto no comportamento. Líderes consideráveis para todas as indústrias, são particularmente elevados
em toda a organização, incluindo o C-suite, deve fornecer para as farmacêuticas, que enfrentam não só um ambiente
orientação, recursos e motivação para as partes interessadas regulamentar único e complexo, mas também preocupações acrescidas
afetadas pela geração AI. Estes líderes não devem apenas comunicar sobre infrações de propriedade intelectual e privacidade de dados.
uma história de transformação para criar consciência e entusiasmo, Considere os riscos altos
promover a confiança e abordar conceitos errados ou preocupações, natureza dos tratamentos para doenças e torna-se ainda
mas também participar em intercâmbios contínuos para ajudar a É mais essencial que as empresas de ciências biológicas avaliem
garantir a adoção sustentada da geração AI em grande escala. cuidadosamente os riscos que a IA representa e construam
políticas e proteções para mitigá-los. Modelos de IA de geração prontos para uso
O contexto único dos assuntos médicos cria riscos específicos que exigem uma gestão cuidadosa. Crucialmente, o conteúdo de assuntos
médicos é altamente técnico e os modelos básicos amplamente disponíveis podem não funcionar suficientemente bem inicialmente em tarefas que
envolvem literatura médica, conceitos científicos e documentação de padrões regulatórios. Modelos específicos de tarefas que usam modelos
básicos de uso geral ou especializados (como BioBERT) podem, com ajustes finos, desempenhar um papel importante em casos de uso médico;
neste caso, as empresas terão de estabelecer parcerias com outras organizações ou construir o seu próprio caminho em direção a um nível de
funcionalidade que crie valor significativo.
Será necessário um padrão elevado para gerar conteúdo também para intercâmbios científicos e clínicos. Médicos, reguladores e pacientes
esperam receber conteúdo cientificamente preciso, livre de alucinações e descaracterizações.
Uma vez que as equipas de assuntos médicos também lidam com dados comercialmente sensíveis, tais como resultados de investigação não
publicados, as soluções de IA genérica devem cumprir um padrão elevado de segurança de dados e governação de informações. Isso
provavelmente exigirá o desenvolvimento de módulos de risco especializados para ferramentas de IA de geração médica. É muito provável
que tais tarefas exijam uma abordagem humana. Os ganhos da automação serão, portanto, limitados, a menos que os processos de gestão de
riscos evoluam bastante. Além do mais, provavelmente não haverá ganhos significativos de produtividade sem uma reformulação cuidadosa
do modelo operacional das organizações de assuntos médicos e investimentos na criação de uma cultura de agilidade para transformações
possibilitadas pela tecnologia.
será difícil de implantar. Em vez disso, estas empresas devem leis federais e estaduais e o projeto de medidas administrativas da
procurar mitigar os riscos através de soluções tecnológicas China para serviços generativos de IA. A indústria farmacêutica
personalizadas, com controlos adequados e supervisão humana comercial enfrenta riscos adicionais como resultado do aumento da
robusta. regulamentação por parte da Food and Drug Administration dos
EUA e agências similares sobre o conteúdo de publicidade e
As empresas farmacêuticas também devem compreender que diferentes materiais promocionais. As empresas farmacêuticas podem mitigar
casos de utilização e diferentes domínios enfrentam diferentes tipos estes riscos incorporando barreiras de proteção diretamente nos modelos
de riscos. Os assuntos médicos, por exemplo, são um ambiente de geração de conteúdo e garantindo que os humanos tomem sempre
desafiador porque as recomendações podem afetar diretamente a as decisões finais.
vida dos pacientes. No domínio da investigação, pelo contrário, o risco
de uma experiência falhada resultante de uma alucinação (ou
imprecisão) da geração AI tem consequências menos graves. Em Conclusão: Lições da eletricidade Como mostram os casos
alguns casos, as alucinações podem realmente ser úteis – por de utilização discutidos neste artigo, as empresas
exemplo, se um modelo sugerir uma farmacêuticas já embarcaram nas suas jornadas de IA generativa.
produto químico que nunca antes foi considerado como um Mas a tecnologia por si só não garante o sucesso. As empresas
tratamento potencial. não desbloquearão todo o potencial da geração AI até que entendam
como usá-la corretamente. Isso exigirá tempo e paciência.
Esses são alguns dos riscos que os executivos precisam
considerar.
Modelos imprecisos. As empresas farmacêuticas estão expostas É útil olhar para a geração AI através das lentes de outra
ao risco de alucinações de geração de IA resultantes de dados tecnologia disruptiva, que varreu a sociedade na virada do século
deficientes ou incompletos. Eles podem mitigar esse tipo de passado: a eletricidade.
risco colocando barreiras de proteção em torno do conteúdo de As primeiras lâmpadas foram inventadas na década de 1870 e,
geração de IA – por exemplo, garantindo que os humanos o revisem vários anos depois, os primeiros motores elétricos começaram a
antes de serem distribuídos a provedores ou pacientes. Resumindo: alimentar máquinas de produção. No entanto, como os historiadores
a geração AI nunca deve ser o tomador de decisão final; deveria, em empresariais e os especialistas em inovação gostam de salientar,
vez disso, acelerar a tomada de decisões por parte dos trabalhadores em 1900 a eletricidade alimentava menos de 5% da produção
humanos. e, mesmo na década de 1910, a maioria das instalações
continuava a depender do vapor. Por que os líderes
Violação de IP e privacidade de dados. Os modelos fundamentais empresariais não estavam mais ansiosos para usar a nova
normalmente incluem grandes volumes de dados baseados na tecnologia? Afinal, os motores elétricos eram muito mais limpos,
Internet, o que levou a alegadas violações de direitos autorais, plágio seguros e eficientes do que os motores a vapor.
e outras formas de violação de propriedade intelectual. Este risco
é particularmente elevado entre as empresas de ciências biológicas “Porque é que a electricidade não mudou imediatamente
devido às regulamentações de privacidade de dados a produção?”, um artigo no site da British Broadcasting Corporation,
excepcionalmente rigorosas que envolvem os dados médicos dos explica que “para tirar partido da electricidade, os proprietários
pacientes; muitos países, por exemplo, exigem que estas das fábricas tiveram de pensar de uma forma muito diferente”. Eles
informações permaneçam em servidores nacionais. Para evitar a não poderiam obter os benefícios da nova tecnologia “simplesmente
violação da propriedade intelectual, as empresas que utilizam desmontando a máquina a vapor e substituindo-a por um motor
modelos fundamentais precisam de proteções adequadas, eléctrico. Era preciso mudar tudo: a arquitetura e o processo de
como treinar modelos sobre sua própria propriedade intelectual e produção. E porque os trabalhadores tinham mais autonomia e
incluir proteções de propriedade intelectual em contratos com fornecedores externos.
flexibilidade, foi mesmo necessário mudar a forma como eram
recrutados, formados e remunerados.” É claro que foi precisamente
Conformidade regulatória. Regulamentações de IA com ramificações isso que acabou por acontecer e, na década de 1920, a produtividade
específicas para IA generativa estão sendo planejadas para estava a disparar.
promulgação em curto prazo, embora variem de acordo com o país.
por exemplo, a Lei de IA proposta pela União Europeia, EUA
O que esta história significa para a indústria farmacêutica e para No entanto, a geração de IA poderia dar à indústria farmacêutica
a IA generativa? Para começar, podemos não ver uma oportunidade única de enfrentar esses obstáculos de longa
imediatamente ganhos massivos de produtividade em toda a data e criar novos avanços na ciência e nos cuidados aos
indústria. Também não é possível saber se a geração AI irá pacientes. Por mais que tenha sido tolice para os proprietários
desencadear um grau de transformação ao nível da electricidade – de fábricas manterem-se firmes na década de 1910, as empresas
ou, nesse caso, ao nível da Internet – em todo o mundo dos farmacêuticas seriam imprudentes se não reconhecessem o
negócios. A indústria farmacêutica também enfrenta os seus próprios potencial transformador da IA. Eles deveriam começar a trabalhar
desafios únicos, incluindo a natureza complexa dos sistemas agora para compreendê-lo, implementá-lo e escaloná-lo.
biológicos, a dificuldade de tratar doenças e um ambiente
regulamentar rigoroso.
Chaitanya Adabala Viswa é sócia do escritório da McKinsey em Boston, onde Delphine Zurkiya é sócia sênior; Joachim Bleys é sócio
sênior no escritório de Charlotte, onde Bhavik Shah é sócio; e Eoin Leydon é sócio do escritório de Dublin.
Os autores gostariam de agradecer a Mahmoud AbuEid, Asli Aksu, Chris Anagnastoupoulos, Salma Ayoub, Eric Bruckner, Lucia Darino,
Supreet Deshpande, Alex Devereson, Aliza Dzik, Anas El Turabi, Lionel Jin, Matej Macak, Abhi Mukherjee, Raj Rajendran, Boyd
Spencer e Hann Yew pelas suas contribuições para este relatório.
Janeiro de 2024
Direitos autorais © McKinsey & Company
www.mckinsey.com
Confidencial e proprietário. Qualquer uso deste material sem permissão específica
@McKinsey
da McKinsey & Company é estritamente proibido.
@McKinsey