Novo Nordisk и AWS превращают ИИ в инфраструктуру разработки лекарств

Novo Nordisk и AWS строят ИИ-контур от биологической мишени до первой дозы человеку

Novo Nordisk отдает AWS не отдельный ИИ-проект, а технологический слой компании

10 августа 2026 года Novo Nordisk и Amazon Web Services объявили о расширении многолетнего сотрудничества. AWS получила статус предпочтительного облачного провайдера и стратегического ИИ-партнера датской фармацевтической компании.

Масштаб соглашения важнее самого факта сотрудничества двух крупных компаний. Речь идет сразу о двух задачах: ускорении поиска и разработки лекарств и модернизации технологической инфраструктуры Novo Nordisk. Искусственный интеллект предполагается применять не только в научных подразделениях, но и в операционных процессах компании.

Центральным элементом станет совместный инновационный центр в существующем исследовательском подразделении Novo Nordisk в лондонском Кингс-Кросс. Там специалисты по исследованиям и разработке будут работать вместе с инженерами, специалистами по ИИ и прикладными учеными AWS.

Такое физическое соседство выглядит второстепенной организационной деталью, но фактически затрагивает одно из слабых мест современной разработки лекарств. Биологи, специалисты по вычислительным методам, инженеры данных и лабораторные исследователи часто работают последовательно: одна группа получает результат и передает его следующей. Каждый такой переход требует времени и может приводить к потере научного контекста.

Novo Nordisk и AWS хотят заменить часть этой последовательной модели более тесным циклом, в котором вычислительная гипотеза быстрее превращается в эксперимент, его результат возвращается в модель, а следующий эксперимент формируется уже с учетом новых данных.

Компании формулируют конечную цель предельно конкретно: сократить путь от выбора биологической мишени до первой дозы экспериментального препарата человеку.

Amazon Bio Discovery соединяет компьютерный прогноз с реальным экспериментом

Один из наиболее интересных элементов соглашения — использование Amazon Bio Discovery. Это специализированная система AWS для исследований в биологии и разработке лекарств, представленная в апреле 2026 года.

В традиционной схеме вычислительная модель может предложить перспективную молекулу, белковую конструкцию или другую экспериментальную гипотезу. Однако прогноз сам по себе еще не является лекарством и даже не доказывает биологическую работоспособность кандидата. Его необходимо проверить в лаборатории.

Именно поэтому все большее значение получает подход, который обычно называют «лабораторией в контуре» (lab-in-the-loop): вычислительная система предлагает варианты, лаборатория проверяет их, экспериментальные данные возвращаются в вычислительную систему, после чего начинается следующий цикл отбора и оптимизации.

Amazon Bio Discovery объединяет эти этапы в одной среде и предоставляет доступ более чем к 40 моделям искусственного интеллекта для биологических задач. Система помогает выбирать модели, сравнивать кандидатов и передавать наиболее перспективные варианты на экспериментальную проверку.

Значение этой архитектуры не в том, что ИИ «изобретает лекарство». Он потенциально позволяет быстрее отбрасывать слабые гипотезы и концентрировать лабораторные ресурсы на вариантах с более высокой предполагаемой ценностью.

Для фармацевтических исследований это принципиальное различие. Одной из главных проблем разработки лекарств остается не недостаток потенциальных молекул, а необходимость последовательно выбирать среди огромного числа вариантов те немногие, которые действительно заслуживают дорогой и длительной экспериментальной проверки.

ИИ-агенты должны перейти от ответов на вопросы к выполнению рабочих цепочек

Вторая технологическая линия партнерства связана с Amazon Bedrock и Amazon Bedrock AgentCore. Последний предназначен для создания ИИ-агентов, способных не только генерировать текст или отвечать на запрос, но и выполнять последовательность действий с использованием корпоративных данных и информационных систем.

Это и есть смысл агентного искусственного интеллекта в корпоративной среде. Обычная генеративная модель отвечает на запрос пользователя. Агент получает задачу, разбивает ее на этапы, обращается к разрешенным источникам данных и программным инструментам, выполняет действия и передает результат человеку или другой системе.

В фармацевтической компании такая архитектура потенциально применима гораздо шире поиска молекул: от анализа научной информации и подготовки документов до обработки данных, поддержки производственных процессов и координации сложных внутренних операций.

Novo Nordisk уже сообщает о практических результатах предыдущего этапа сотрудничества с AWS. Более 25 тысяч сотрудников используют созданные на базе Amazon Bedrock решения для поиска информации, подготовки документов, создания специализированных чат-ботов и других задач. Компания также указывает, что применение ИИ позволило сократить время подготовки клинической документации.

Однако эти результаты важно не смешивать с ускорением разработки новых лекарств. Более быстрая подготовка документов или повышение производительности сотрудников уже представляют измеримый операционный эффект. Утверждение о сокращении времени от биологической мишени до препарата требует гораздо более длительной проверки на реальных исследовательских программах.

Главное изменение происходит не в модели ИИ, а в архитектуре фармацевтических исследований

Партнерство Novo Nordisk и AWS вписывается в более широкий процесс, который становится заметен у крупнейших фармацевтических компаний. ИИ постепенно перестает существовать как отдельный эксперимент цифрового подразделения и встраивается непосредственно в исследовательскую инфраструктуру.

AWS описывает сходные проекты у Sanofi, Roche и других организаций. В августе 2026 года в Nature Chemical Biology вышел отдельный комментарий об «агентной эре» искусственного интеллекта в разработке лекарств. Авторы связывают следующий этап развития технологии с объединением ИИ-агентов и лабораторной автоматизации в замкнутые циклы «спроектировать — создать — проверить — проанализировать».

Здесь появляется важный поворот. Конкурентное преимущество фармацевтической компании может все меньше определяться доступом к одной особенно сильной модели искусственного интеллекта. Современные модели становятся доступными многим организациям.

Гораздо сложнее создать инфраструктуру, в которой алгоритм получает качественные биологические данные, знает историю предыдущих экспериментов, способен взаимодействовать с лабораторией, сохраняет научный контекст и работает в регулируемой среде с контролем происхождения данных и действий системы.

Иными словами, преимущество может смещаться от вопроса «у кого лучше ИИ?» к вопросу «кто лучше встроил ИИ в реальный процесс создания лекарства?».

Партнерство с AWS не отменяет OpenAI — Novo Nordisk формирует несколько технологических контуров

Соглашение с AWS особенно интересно на фоне другого решения Novo Nordisk. В апреле 2026 года компания объявила о стратегическом партнерстве с OpenAI.

OpenAI должна помогать Novo Nordisk внедрять ИИ от исследований и разработки до производства, цепочек поставок и коммерческих операций, а также повышать квалификацию сотрудников. Компания заявляла, что пилотные программы будут разворачиваться в нескольких подразделениях с последующей более широкой интеграцией.

Поэтому выбор AWS стратегическим ИИ-партнером не обязательно означает ставку на единственного поставщика технологии. Скорее складывается многоуровневая архитектура: облачная инфраструктура, специализированные биологические инструменты и агентные системы AWS могут сосуществовать с моделями и решениями OpenAI.

Для большой фармацевтики такой подход логичен. Слишком сильная зависимость от одной модели или одного поставщика создает технологический риск в быстро меняющейся отрасли. Одновременно разнообразие платформ повышает требования к совместимости, безопасности данных, управлению доступом и контролю результатов.

В регулируемой отрасли именно эта менее заметная часть цифровой трансформации может оказаться сложнее внедрения самих моделей.

От геномных данных до клинического исследования возникает единая информационная цепочка

Еще одна заявленная задача партнерства — объединение геномных данных, медицинских изображений и клинической информации. Это важно не только из-за объема данных.

Исторически различные этапы создания препарата нередко существуют как относительно самостоятельные информационные пространства. Исследователи изучают биологическую мишень, другие команды оптимизируют молекулу, затем начинается доклиническая разработка, а клинические подразделения проектируют исследования с участием людей.

Если данные между этими этапами связаны лучше, результаты ранних исследований могут раньше влиять на последующие решения. Например, биологические особенности заболевания, обнаруженные на стадии поиска мишени, потенциально способны помочь определить, какие группы пациентов следует изучать в клиническом исследовании или какие показатели необходимо измерять.

Это не устраняет биологическую неопределенность. Даже хорошо спроектированная молекула может оказаться недостаточно эффективной или безопасной у человека. Но сокращение информационных разрывов способно уменьшить число решений, принимаемых при неполном использовании уже накопленных данных.

Быстрее выбрать молекулу не означает быстрее получить лекарство

Здесь проходит важная граница между технологическим обещанием и реальной фармацевтической разработкой.

ИИ действительно способен ускорять поиск литературы, анализировать большие массивы биологических данных, помогать проектировать молекулы, выбирать эксперименты и автоматизировать документацию. Но значительная часть времени разработки лекарства связана с проблемами, которые невозможно просто заменить вычислениями.

Необходимо экспериментально подтвердить действие молекулы, изучить токсичность, разработать стабильное производство, провести клинические исследования, доказать приемлемое соотношение пользы и риска и пройти регуляторную оценку. Биология человека остается источником неопределенности независимо от скорости вычислений.

Поэтому наиболее убедительным показателем успеха партнерства станет не количество внедренных ИИ-агентов и даже не число сотрудников, использующих новые инструменты. Важнее будет увидеть, сокращается ли время между исследовательскими этапами, повышается ли доля перспективных кандидатов, успешно проходящих последующую проверку, и появляются ли препараты, развитие которых действительно стало быстрее благодаря новой инфраструктуре.

Пока Novo Nordisk и AWS сообщают прежде всего о создании такой инфраструктуры и операционных улучшениях. Данных, позволяющих количественно оценить ее влияние на вероятность клинического успеха новых лекарств, в опубликованных материалах нет.

Для пациентов значение ИИ будет определяться не скоростью вычислений, а тем, какие лекарства дойдут до клиники

Для пациента сама по себе облачная инфраструктура практически ничего не меняет. Реальное значение появится только в том случае, если новая модель исследований позволит быстрее находить перспективные мишени, раньше отказываться от неудачных кандидатов и направлять ресурсы на разработки с большей вероятностью успеха.

Для исследователей изменение может оказаться более непосредственным. Граница между вычислительной биологией и лабораторной работой постепенно становится менее жесткой: ученому не обязательно самому строить сложную вычислительную инфраструктуру, чтобы использовать специализированные биологические модели.

Для фармацевтических компаний возникает другой стратегический вопрос. Если подобные системы действительно сокращают ранние циклы разработки, конкурентоспособность портфеля будет зависеть не только от количества исследовательских проектов и размера бюджета, но и от скорости обучения всей исследовательской организации на собственных данных.

Именно поэтому соглашение Novo Nordisk и AWS стоит рассматривать шире очередной сделки между фармацевтической и технологической компаниями. Оно показывает формирование новой инфраструктурной модели, в которой данные, ИИ, лабораторные эксперименты и человеческая экспертиза должны работать как единая система.

Проверкой этой модели станут не презентации об искусственном интеллекте, а лекарства, которые пройдут путь от гипотезы до пациентов быстрее или с меньшим количеством неудачных этапов.