Pfizer : l'IA générative sur AWS — 16 000 heures de recherche économisées annuellement et impact estimé jusqu'à 1 milliard de dollars par an

• Driving Patient-Centric Innovation in Life Sciences Using Generative AI with Pfizer — AWS (кейс-стади)
• Three Takeaways from Pfizer at AWS re:Invent Keynote — AWS Industries Blog, 2023-11-28
• Pfizer at AWS re:Invent 2023 — Lidia Fonseca Keynote (1.3 млрд пациентов, 10%→80% облака, цель 19 препаратов за 18 месяцев) — AWS (страница keynote)

Contexte

Pfizer est l'un des plus grands fabricants pharmaceutiques au monde : en 2022, ses médicaments et vaccins ont atteint plus de 1,3 milliard de personnes. Derrière ce chiffre se cache une transformation numérique d'années, que Lidia Fonseca, directrice générale du numérique et de la technologie, a décrite lors de sa présentation principale à AWS re:Invent 2023 : l'entreprise est passée de 10 % à 80 % d'infrastructure basée sur le cloud, et selon le blog AWS Industries, elle a migré 12 000 applications et bases de données plus 8 000 serveurs en 42 semaines, économisant plus de 47 millions de dollars par an (la page de cas AWS le formule plus prudemment — « des dizaines de millions de dollars par an »).

En 2019, Pfizer a créé le Scientific Data Cloud — une plateforme regroupant des données multimodales provenant de centaines d'instruments de laboratoire. Cette base de données a été mise à l'épreuve par la pandémie : seulement 269 jours se sont écoulés entre l'annonce du co-développement du vaccin COVID-19 avec BioNTech et l'autorisation d'utilisation d'urgence de la FDA, et la capacité de fabrication est passée de 220 millions de doses sur l'ensemble du portefeuille à 4 milliards de doses de Comirnaty en 2022. Le centre opérationnel numérique de fabrication a donné aux équipes d'usine une vue partagée des processus et a augmenté le débit de 20 %.

Sur cette base, 2021 a vu le lancement de PACT (Pfizer Amazon Collaboration Team) — un programme conjoint avec AWS pour des prototypes de données et d'IA rapides dans la division PSSM (Pharmaceutical Sciences Small Molecule). La logique du programme : des cycles de prototypage courts avec des équipes Pfizer-AWS mixtes au lieu de développements internes sur plusieurs mois. PACT a poursuivi 14 projets, dont l'IA générative ; 5 ont été mis en production. Le vaisseau amiral de la vague générative est Vox, une plateforme interne accédant à Claude 2.1 d'Anthropic via Amazon Bedrock — et au total, selon Fonseca, l'entreprise développe l'IA dans 17 cas d'usage prioritaires, de la génération de contenu scientifique et médical à la fabrication.

Problème

Mille cinq cents scientifiques de la division PSSM étaient submergés par les documents. Un médicament en développement génère environ 20 000 documents : protocoles d'expériences, rapports de stabilité, dossiers réglementaires, documentation de fabrication. Trouver les bonnes informations dans ce corpus prend des heures, parfois des jours ; à l'échelle de la division, la recherche consommait des milliers d'heures-personnes par an. Le programme a fixé un objectif mesurable — réduire le temps de découverte des données jusqu'à 80 %.

Le deuxième problème était la vitesse d'innovation. Construire un prototype en interne prenait trois mois ou plus — et cela supposait que des spécialistes disponibles ayant les bonnes compétences puissent être trouvés, ce qui était rarement le cas. Dans le secteur pharmaceutique, où mettre un médicament sur le marché prend des années et la concurrence pour les ingénieurs de données et les spécialistes en ML se déploie dans tous les secteurs à la fois, le goulot d'étranglement du talent devenait stratégique.

La troisième couche est le contexte réglementaire du secteur. Les données pharmaceutiques figurent parmi les catégories les plus sensibles : propriété intellectuelle sur les molécules, données d'essais cliniques, secrets de fabrication. Toute solution d'IA générative devait s'exécuter dans un environnement d'entreprise protégé — les chatbots publics sont exclus pour un tel scénario. D'où l'exigence architecturale : les modèles doivent venir aux données de l'entreprise, et non l'inverse. En même temps, l'entreprise ne pouvait pas attendre des années pour une plateforme « parfaite » : la vague d'IA générative de 2023 exigeait des expériences rapides mais sûres.

Solution

L'élément central de la solution est Vox, la plateforme interne de Pfizer où les scientifiques recherchent des documents par voix et chatbot, en posant des questions en langage naturel. Sous le capot se trouvent deux services AWS : Claude 2.1 d'Anthropic via Amazon Bedrock gère la compréhension des questions et la synthèse des réponses, tandis qu'Amazon Kendra fournit une recherche d'entreprise intelligente dans les documents. Le blog AWS Industries appelle Vox une « plateforme d'IA générative certifiée par Pfizer » — une solution qui a réussi les examens de sécurité et de conformité internes, pas une expérience dans un bac à sable.

Le modèle opérationnel dans lequel il a été construit est tout aussi important. PACT fonctionne comme un pipeline de prototypage rapide staffé par des équipes Pfizer-AWS mixtes : un prototype typique est livré en pas plus de 6 semaines — contre au moins 3 mois pour le développement interne. Vijay Bulusu, responsable de l'innovation en données et numérique pour PSSM, lie directement cet écart à la pénurie de talents : même trouver des personnes ayant les bonnes compétences pour un projet interne était un problème. Le format d'équipe conjointe avec un fournisseur de cloud l'a résolu sans embauche.

Derrière le vaisseau amiral génératif se dresse un portefeuille plus large : sur les 14 projets de PACT, cinq ont atteint la production. Les tâches de fabrication prédictive sont couvertes par Amazon SageMaker (la plateforme ML), Amazon Lookout for Equipment (détection d'anomalies d'équipement) et Lookout for Metrics (anomalies de métriques). Au niveau de l'entreprise, selon Lidia Fonseca à re:Invent 2023, l'IA générative est en cours de développement dans 17 cas d'usage prioritaires — de la génération de contenu scientifique et médical à la fabrication.

La logique d'échelle est également caractéristique : le programme n'a pas essayé de couvrir toute l'entreprise à la fois. Il a commencé dans une division — PSSM, petites molécules — affiné le processus, accumulé des motifs, puis a transféré l'expérience à la division des grandes molécules sans répéter le cycle d'essais et d'erreurs. Bulusu résume l'effet culturel : « Avec accès aux talents et technologies d'AWS, nous avons changé notre culture d'innovation et réalisé beaucoup en très peu de temps. »

Résultat

Les résultats mesurés du programme : jusqu'à 16 000 heures de recherche économisées annuellement pour 1 500 scientifiques PSSM et une réduction de 55 % des coûts d'infrastructure (selon l'étude de cas AWS). Les prototypes sont livrés en 6 semaines au lieu de 3+ mois, cinq des 14 projets de PACT s'exécutent en production, et l'expérience de la division des petites molécules a été transférée aux grandes molécules. Vox a rendu le corpus de documents d'entreprise — environ 20 000 documents par médicament en développement — accessible par une question en langage naturel.

L'entreprise a exposé publiquement l'ampleur de son ambition à AWS re:Invent 2023 : Pfizer estime que ses cas d'usage d'IA prioritaires fourniront des économies de 750 millions à 1 milliard de dollars par an. Il est important de distinguer les genres de ces chiffres : 16 000 heures et 55 % sont des mesures rétrospectives d'un programme spécifique, tandis que 750 millions à 1 milliard de dollars est l'estimation prospective de l'entreprise sur un portefeuille de 17 cas d'usage, sans méthodologie publiée. Nous présentons les deux catégories séparément et suggérons de les lire différemment : la première est un fait, la seconde un objectif déclaré.

À notre avis, ce cas est intéressant avant tout comme contre-exemple du « pari audacieux » : au lieu d'un mégaprojet — un portefeuille de 14 prototypes rapidement testés, dont un peu plus d'un tiers ont atteint la production. Cet entonnoir (14 → 5) n'est pas une faible efficacité mais l'économie normale de l'innovation : tester une hypothèse en 6 semaines coûte incomparablement moins qu'un projet d'un an qui « ne peut pas être annulé parce que trop d'investissements ont été faits ». Notez également la séquence des couches : le Scientific Data Cloud (2019) et la migration du cloud ont précédé la vague générative — Vox a été construit sur une base de données prête, ce qui explique probablement la vitesse.

Notre deuxième observation éditoriale : une estimation d'impact public au niveau CDTO est un instrument de gestion en soi. En nommant la plage de 750 millions à 1 milliard de dollars dans une présentation principale, Fonseca a fait passer l'IA générative de la catégorie des expériences informatiques à celle des engagements d'entreprise envers le marché — avec la priorité de ressource correspondante. Pour les entreprises bloquées dans les projets pilotes, c'est peut-être l'élément le plus reproductible du cas.

Leçons

1. En pharma, le retour sur investissement le plus rapide de l'IA générative n'est pas la découverte de molécules mais la recherche de documents : 20 000 documents par médicament transforment la recherche d'entreprise en une mine d'or.
2. Le format « équipe conjointe avec un fournisseur de cloud » résout la pénurie de talents en IA : un prototype de 6 semaines sans détourner vos propres ingénieurs.
3. Un portefeuille de prototypes surpasse un mégaprojet : l'entonnoir (14 → 5) est l'économie normale de l'innovation, pas une faible efficacité.
4. L'IA générative est la couche supérieure, pas la première : le Scientific Data Cloud (2019) et la migration du cloud ont précédé Vox — sans la base de données, la vitesse de 2023 aurait été impossible.
5. Distinguez les mesures des prévisions : 16 000 heures et 55 % sont des résultats mesurés ; 750 millions à 1 milliard de dollars est l'estimation de l'entreprise sans méthodologie publiée.
6. Une estimation d'impact public au niveau CDTO élève l'IA d'une initiative informatique à une stratégie d'entreprise — et un engagement envers le marché.
7. Commencez par une division et répliquez : le groupe des grandes molécules a adopté le playbook de PSSM (petites molécules) sans répéter le cycle d'essais et d'erreurs.

Questions fréquentes