Retour sur investissement de l’IA et de l’IA générative dans les secteurs pharmaceutique, biotechnologique et chimique

Transformez vos investissements dans l’IA et l’IA générative en valeur économique

Pourquoi les investissements dans l’IA et l’IA générative produisent-ils des rendements financiers inégaux ?

L’enthousiasme suscité par les investissements dans l’IA ne s’est pas encore traduit par des résultats financiers constants dans l’ensemble du secteur des sciences de la vie. Une étude de McKinsey publiée en janvier 2025, fondée sur une enquête menée auprès de plus de 100 dirigeants des secteurs pharmaceutique et des technologies médicales, révèle que tous les répondants avaient expérimenté l’IA générative et que plus des deux tiers prévoyaient d’augmenter considérablement leurs investissements. Seuls 5 % déclaraient avoir obtenu des retombées financières significatives et régulières, ainsi qu’un avantage concurrentiel distinctif.



L’économie européenne dans son ensemble connaît une accélération similaire de l’adoption de ces technologies. Selon Eurostat, 20 % des entreprises de l’Union européenne comptant au moins dix salariés utilisaient des technologies d’IA en 2025, contre 13,5 % en 2024. Parmi les grandes entreprises, ce taux atteignait environ 55 %. Ces chiffres témoignent de la place croissante des applications avancées dans les activités des entreprises, tandis que les conclusions de McKinsey soulignent la difficulté de transformer les progrès technologiques en résultats économiques durables.

L’une des principales difficultés réside dans la manière dont les entreprises mesurent la valeur créée. Les améliorations de la rapidité de traitement, de la précision ou de la productivité des salariés peuvent être considérables, mais leur contribution à la rentabilité dépend de l’utilisation qui en est faite. Une capacité de travail supplémentaire crée de la valeur économique lorsqu’elle est consacrée à des activités commercialement utiles. De même, l’accélération des processus produit des effets financiers concrets lorsqu’elle permet de réduire les dépenses, d’augmenter les volumes de production ou de raccourcir la durée d’activités ayant des conséquences économiques mesurables.

La complexité des environnements scientifiques et industriels constitue un facteur supplémentaire. La mise en œuvre de ces applications peut nécessiter un important travail de préparation des données, une intégration aux infrastructures existantes, une validation technique et une supervision humaine continue. Ces exigences influencent à la fois les coûts de mise en œuvre et le délai nécessaire avant qu’une application commence à produire des bénéfices. Une initiative qui donne de bons résultats lors d'une phase pilote peut donc aboutir à un résultat financier différent lorsqu’elle est déployée à l’échelle d’une organisation soumise à des exigences réglementaires.

Pour les dirigeants, le véritable indicateur de réussite est la contribution économique d’une application au fil du temps, évaluée au regard des ressources mobilisées pour obtenir ce résultat. Cette approche constitue une base plus fiable pour évaluer un investissement que les seuls taux d’adoption ou gains de productivité considérés isolément.

Où l’IA et l’IA générative créent de la valeur financière

L’IA et l’IA générative offrent différentes voies de création de valeur économique dans les activités pharmaceutiques, biotechnologiques et chimiques. En recherche et développement, leur potentiel comprend l’amélioration de la sélection des candidats scientifiques, l’accélération de l’analyse d’informations complexes et l’augmentation de la capacité productive des équipes spécialisées. Dans les environnements industriels, les possibilités concernent souvent les coûts d’exploitation, la fiabilité des procédés et l’utilisation efficace des matières premières et des équipements.

Grâce à la modélisation moléculaire, au criblage de composés et à la conception expérimentale assistés par l’IA, les chercheurs peuvent concentrer leurs ressources sur les programmes scientifiques les plus prometteurs. L’IA générative complète ces activités par l’analyse de la littérature scientifique, la recherche de connaissances et la documentation technique. McKinsey estime que l’IA générative pourrait dégager entre 60 et 110 milliards de dollars de valeur économique annuelle dans les secteurs pharmaceutique et des produits médicaux, bien qu’il s’agisse d’un potentiel à l’échelle du secteur et non de rendements financiers déjà réalisés par des entreprises individuelles.

Dans la production, les modèles prédictifs peuvent aider les ingénieurs à repérer les variations des procédés, à anticiper les défaillances des équipements et à améliorer les performances de production. Les producteurs de produits chimiques peuvent appliquer des approches analytiques similaires à la consommation énergétique, à la stabilité des procédés et à la fiabilité des installations. Les fonctions qualité et réglementaires offrent également des possibilités de rendre plus efficaces l’examen des documents, la recherche d’informations techniques et la préparation de documents nécessitant une vérification par des experts.

Les expériences de Sanofi, Novo Nordisk et BASF illustrent comment ces possibilités peuvent générer différentes formes de valeur pour l’entreprise, selon les activités concernées et les résultats recherchés.

Chez Sanofi, les bénéfices se traduisent par des économies d’exploitation identifiables. Dans son dépôt réglementaire annuel de 2025, l’entreprise décrit SimpLY, un système interne d’optimisation du rendement fondé sur l’IA, qui a analysé plus de 13 000 lots de Lovenox/Clexane sur des sites de production en France et à Singapour. Sur la base de son analyse interne des performances des lots, Sanofi estime que les améliorations des procédés qui en ont résulté ont généré environ 10 millions d’euros d’économies annuelles, fournissant ainsi une référence financière concrète, bien que l’entreprise n’ait pas communiqué l’intégralité des coûts d’investissement et d’exploitation nécessaires au calcul du retour sur investissement net.2025 annual regulatory filing .

Chez Novo Nordisk, le potentiel économique est associé à une capacité de développement supplémentaire. Son application d’IA générative, NovoScribe, facilite la préparation des rapports d’études cliniques et, selon une étude de cas client publiée par MongoDB, a réduit le temps de rédaction des rapports d’environ 90 %, tandis qu’une charge de rédaction nécessitant auparavant 42 salariés à temps plein pourrait être prise en charge par trois. Ces chiffres décrivent une évolution considérable de la productivité du processus de travail, et non des réductions d’effectifs confirmées. Leur portée commerciale réside dans la capacité libérée pour des travaux documentaires supplémentaires et dans la possibilité pour les rédacteurs médicaux de se concentrer sur l’examen scientifique et les activités exigeant un jugement professionnel.MongoDB customer case study

BASF apporte un autre éclairage à travers la valeur opérationnelle d’un accès facilité aux connaissances industrielles. Dans son usine d’acétylène de Geismar, en Louisiane, l’entreprise a introduit PlantGPT, un système fondé sur l’IA exploitant environ 800 documents techniques, notamment des manuels d’ingénierie, des supports de formation et des informations opérationnelles. Comme l’indique une présentation de BASF destinée aux investisseurs, le système aide les opérateurs à accéder aux consignes pertinentes lorsqu’ils traitent des situations rencontrées dans l’usine et des questions opérationnelles. Il contribue ainsi à une transmission plus efficace des connaissances, à un accès plus rapide à l’expertise technique et à des décisions mieux éclairées. BASF n’a pas publié de rendement financier net précis pour PlantGPT.BASF investor presentation



La comparaison de ces trois expériences souligne l’importance d’adapter l’évaluation financière à la nature des bénéfices attendus. Les économies déclarées par Sanofi peuvent être comparées aux coûts de développement et de maintenance de son système, tandis que les gains de productivité de Novo Nordisk nécessitent d’évaluer la contribution de la capacité supplémentaire aux activités de développement. Le cas de BASF appelle des indicateurs permettant de mesurer les améliorations des connaissances techniques, de la fiabilité des procédés et de l’efficacité des salariés, reflétant une forme de valeur opérationnelle dont la contribution financière peut être plus difficile à quantifier.

Comment les entreprises devraient hiérarchiser leurs investissements dans l’IA et l’IA générative

L’intérêt commercial d’une initiative d’IA dépend de la relation entre les bénéfices attendus, les coûts totaux et le calendrier de mise en œuvre. Les entreprises qui évaluent plusieurs possibilités ont besoin d’une méthode cohérente pour comparer des projets dont le potentiel financier, la complexité technique et les besoins en personnel peuvent différer considérablement.

Les applications d’IA générative à usage général destinées à la recherche d’informations ou à la préparation de documents peuvent entraîner des coûts de licences logicielles, d’intégration aux processus de travail, de formation des salariés et de supervision. Les systèmes scientifiques et industriels spécialisés peuvent nécessiter des investissements plus importants dans les infrastructures de données, le développement technique, la validation et la maintenance continue. Ces différences influencent le montant des capitaux engagés avant l’apparition des bénéfices et les dépenses nécessaires pour les maintenir.



Une évaluation pratique des investissements devrait établir quatre éléments avant l’attribution d’un financement à un projet.

L’évaluation financière devrait également tenir compte de la différence entre un bénéfice prévisionnel et un rendement réalisé. Lorsque les bénéfices et les coûts peuvent être exprimés en termes monétaires, un calcul élémentaire du retour sur investissement compare les bénéfices nets au coût total de l’investissement sur une période définie. Les projets dont les délais de développement sont plus longs ou dont les bénéfices sont incertains peuvent nécessiter une analyse de scénarios, des calculs d’actualisation des flux de trésorerie et des analyses de sensibilité avant de pouvoir être comparés de manière fiable.

Le calendrier de mise en œuvre peut modifier sensiblement le résultat. Prenons l’exemple hypothétique d’un fabricant de produits chimiques qui prévoit 300 000 € d’économies annuelles grâce à une amélioration des procédés fondée sur l’IA. Si l’entreprise doit attendre six mois pour obtenir l’expertise nécessaire au déploiement, environ 150 000 € d’économies attendues seraient reportées, en supposant que les bénéfices auraient autrement été répartis uniformément sur l’année. Le projet peut rester commercialement intéressant, mais son délai de récupération de l’investissement et son profil de flux de trésorerie attendus changeraient.

La disponibilité de professionnels qualifiés devient ainsi un élément pertinent de l’évaluation des investissements. Un projet nécessitant un spécialiste pouvant être recruté en quelques semaines présente un profil de réalisation différent de celui d’un projet dépendant de compétences rares et d’un calendrier de recrutement incertain. Le coût d’acquisition de cette expertise devrait être intégré au budget, tandis que le délai de recrutement attendu devrait être pris en compte dans le calendrier de déploiement.

Les entreprises peuvent également améliorer l’efficacité de leurs investissements en adaptant les modalités de recrutement à la durée des travaux. Une mission d’intégration ou de validation bien définie peut justifier le recours à un spécialiste externe, particulièrement lorsque la compétence sera sollicitée intensivement pendant une période limitée. Le recrutement permanent peut être plus économique lorsque la même expertise servira plusieurs applications ou restera nécessaire aux activités courantes. Le développement des compétences des salariés existants peut réduire le besoin de recrutements supplémentaires lorsque leurs connaissances scientifiques constituent une base adaptée à l’acquisition de compétences numériques complémentaires.



L’avantage pratique de cette approche réside dans une meilleure comparabilité des propositions d’investissement. Les dirigeants peuvent évaluer les projets au regard de coûts et de calendriers réalistes, examiner de manière critique les hypothèses relatives aux bénéfices prévus et orienter les financements vers les applications offrant une voie crédible vers la création de valeur commerciale.

Comment l’IA et l’IA générative transforment les compétences scientifiques et les priorités de recrutement

L’utilisation croissante de l’IA et de l’IA générative transforme les compétences techniques requises dans les fonctions scientifiques et industrielles. Pour les directeurs des ressources humaines, le défi devient de plus en plus précis : comprendre quels métiers existants évoluent, quelles compétences peuvent être développées en interne et où de nouvelles expertises sont nécessaires pour soutenir les applications prévues.

Le rapport Future of Jobs Report 2025 du Forum économique mondial estime que 39 % des compétences actuelles des travailleurs évolueront ou deviendront obsolètes d’ici 2030, tandis que 85 % des employeurs interrogés prévoient de donner la priorité au développement des compétences. Dans les entreprises pharmaceutiques, biotechnologiques et chimiques, ces évolutions sont déterminées par la nécessité d’associer la maîtrise des outils numériques à la compréhension scientifique, au jugement technique et à la responsabilité réglementaire.World Economic Forum's Future of Jobs Report 2025

Les exigences varient considérablement selon les fonctions.

L’assurance qualité et les affaires réglementaires offrent d’importantes possibilités de développement des professionnels déjà en poste. Leur expérience en matière de conformité, de documentation et d’évaluation scientifique constitue une base essentielle pour superviser les processus assistés par l’IA. La formation peut étendre ces compétences à l’interprétation des données, à la vérification des résultats et à l’utilisation appropriée des systèmes informatisés, tout en préservant le jugement technique nécessaire dans les environnements réglementés.

Les organisations à forte intensité de recherche peuvent avoir des besoins de recrutement plus spécialisés. Les biologistes computationnels, les bio-informaticiens et les ingénieurs de données scientifiques associent des disciplines importantes pour la recherche exploitant de grands volumes de données, tandis que les activités industrielles bénéficient de plus en plus d’ingénieurs maîtrisant à la fois les procédés de production et les technologies analytiques. Les employeurs doivent déterminer quelles combinaisons de compétences sont essentielles pour un poste donné et lesquelles peuvent raisonnablement être développées après le recrutement.



Cela exige davantage de précision dans l’évaluation des candidats. Un intitulé de poste ou une qualification scientifique fournit une première indication de l’expérience, mais révèle souvent peu de choses sur les responsabilités réellement exercées par un professionnel.

Dans les sciences analytiques, par exemple, les analyses de routine par chromatographie liquide haute performance (HPLC), le développement de méthodes analytiques, la résolution de problèmes techniques et la validation des méthodes mobilisent des compétences techniques différentes. Un employeur recherchant une personne pour contribuer à une application complexe en laboratoire doit identifier l’expérience pertinente au lieu de considérer ces parcours comme interchangeables.

Le même principe s’applique au recrutement lié à l’IA. La familiarité d’un candidat avec les outils numériques devrait être évaluée parallèlement à sa capacité à interpréter les résultats scientifiques, à reconnaître les limites techniques et à travailler dans le respect des exigences de la fonction concernée. Pour les postes impliquant la mise en œuvre de systèmes, des preuves de collaboration entre fonctions, d’expérience en validation ou d’intégration de processus techniques peuvent être plus utiles qu’une affirmation générale de maîtrise de l’IA.

Les directeurs des ressources humaines peuvent traduire ces exigences en une stratégie de gestion des effectifs plus efficace en réalisant une évaluation des compétences liée aux projets prévus par l’organisation. Cette évaluation devrait recenser l’expertise déjà disponible, déterminer dans quels domaines une formation ciblée est réalisable et distinguer les besoins durables en spécialistes des exigences temporaires de mise en œuvre. Elle devrait également établir des délais de recrutement réalistes et les éléments que les candidats devront démontrer lors de la sélection.

Cette approche fournit aux équipes de recrutement des critères plus précis, aide les responsables du recrutement à évaluer les candidats de manière cohérente et permet aux organisations d’orienter les dépenses de formation vers des compétences répondant à un objectif commercial identifiable. Elle renforce également la collaboration entre les ressources humaines, les responsables scientifiques et les équipes technologiques en reliant plus étroitement les décisions relatives aux effectifs aux tâches que les salariés accompliront réellement.

Faire en sorte que la prochaine décision d’investissement dans l’IA porte ses fruits

À mesure que les entreprises pharmaceutiques, biotechnologiques et chimiques augmentent leurs investissements dans l’IA et l’IA générative, leur capacité à transformer les avancées technologiques en performances financières deviendra un indicateur de plus en plus important de leur avantage concurrentiel. Le défi pour les dirigeants consiste à déterminer quelles applications offrent les meilleures perspectives commerciales et à établir si leurs organisations disposent des ressources et de l’expertise nécessaires pour les concrétiser.

La justification financière d’une initiative d’IA peut changer considérablement lorsque les exigences de mise en œuvre sont prises en compte. L’accès à des professionnels scientifiques qualifiés, le temps nécessaire pour développer des compétences spécialisées et le coût de l’intégration des nouvelles technologies aux activités existantes peuvent influencer à la fois l’investissement requis et la rapidité d’apparition des bénéfices. L’évaluation de ces facteurs avant l’engagement des capitaux permet aux entreprises de distinguer les possibilités commercialement intéressantes des projets dont les rendements prévus reposent sur des hypothèses de réalisation irréalistes.

Pour les directeurs généraux et les directeurs des ressources humaines, cela constitue une raison convaincante de mieux harmoniser la planification des investissements et la stratégie de gestion des effectifs scientifiques. Une collaboration précoce entre les responsables commerciaux, techniques et des ressources humaines peut révéler des lacunes critiques en matière de compétences, préciser les besoins de recrutement et de formation et favoriser des décisions plus éclairées concernant l’affectation des ressources.

Les entreprises qui s’imposeront comme chefs de file du secteur dans les années à venir seront celles qui prendront aujourd’hui les décisions d’investissement dans l’IA et l’IA générative les plus éclairées, en évaluant soigneusement où affecter les capitaux, quelles possibilités offrent le plus grand potentiel financier et ce qui sera nécessaire pour concrétiser cette valeur.