Ново Нордиск и Anthropic внедряют Claude в разработку лекарств

Novo и Anthropic: искусственный интеллект переходит от медицинских документов к разработке лекарств

Ново Нордиск хочет перенести Claude из документации в научную работу

16 сентября 2026 года Ново Нордиск и американская компания Anthropic объявили о сотрудничестве, цель которого — ускорить поиск и разработку новых лекарств с помощью моделей Claude. На первом этапе компания намерена тестировать модели Anthropic и Claude Science в собственных процессах исследований и разработок, выбирая научные задачи, где искусственный интеллект способен дать наибольший эффект.

Claude Science — не отдельная специализированная биологическая модель. Это рабочая среда для исследователей, построенная вокруг моделей Claude и объединяющая их с научными базами данных, вычислительными инструментами и специализированными средствами анализа. Такой подход позволяет системе не только отвечать на вопросы, но и выполнять последовательности исследовательских операций: искать и сопоставлять публикации, анализировать данные, запускать код и работать с биологической и химической информацией.

Генеральный директор Ново Нордиск Майк Дустдар (Mike Doustdar) формулирует задачу шире простой экономии рабочего времени. По его словам, инструменты искусственного интеллекта могут создавать новые научные возможности и помогать исследователям лучше понимать биологию человека и механизмы действия лекарств.

Это существенное изменение масштаба задачи. Генеративный искусственный интеллект в фармацевтике начинал с областей, где результат относительно легко проверить: поиска информации, программирования, подготовки текста и структурирования документов. Теперь фармацевтические компании пытаются понять, способен ли тот же класс систем стать полноценным инструментом научного рассуждения.

От 10 недель до 10 минут: у Ново Нордиск уже есть работающий пример

Партнёрство не начинается с чистого листа. Ново Нордиск уже использует Claude в платформе NovoScribe для автоматизации подготовки регулируемой документации.

Один из наиболее трудоёмких документов в разработке лекарств — отчёт о клиническом исследовании. Это подробное описание дизайна, проведения и результатов исследования, которое может занимать сотни страниц и становится частью документации, необходимой для регуляторной оценки препарата.

По данным Anthropic, подготовка такой документации в Ново Нордиск раньше могла занимать более десяти недель. С помощью NovoScribe время формирования первоначального документа удалось сократить примерно до десяти минут. Компания также сообщает о сокращении ресурсов, необходимых для подготовки протоколов проверки медицинских устройств, примерно на 95%, а циклов последующей проверки документов — примерно вдвое.

Эти цифры требуют важной оговорки. Десять минут — это не время окончательного утверждения клинического отчёта и тем более не замена профессиональной проверки. Искусственный интеллект создаёт документ, который затем поступает специалистам для контроля, корректировки и одобрения.

Именно поэтому этот пример интересен для всей фармацевтической отрасли. Он показывает область, где искусственный интеллект уже способен устранять значительную часть временных затрат, не меняя фундаментальных требований к качеству и ответственности человека.

Главный резерв скорости находится не только в поиске новых молекул

Когда говорят об искусственном интеллекте и лекарствах, внимание обычно сосредоточено на поиске новых молекул: предсказании структуры белков, моделировании взаимодействия вещества с биологической мишенью или выборе перспективных соединений.

Но разработка лекарства состоит из гораздо большего числа этапов. Исследователи должны анализировать огромные массивы литературы и экспериментальных данных, создавать программные инструменты, планировать исследования, интерпретировать результаты и готовить документацию для регулирующих органов.

Часть этой работы выполняется последовательно. Поэтому задержка на одном участке способна замедлить весь проект, даже если сама перспективная молекула была обнаружена быстро.

Именно здесь универсальные модели вроде Claude могут оказаться особенно полезными. Их преимущество потенциально состоит не в выполнении одной специализированной биологической операции, а в способности связывать различные типы интеллектуальной работы в единую последовательность.

Claude Science развивает эту идею дальше. Система может обращаться к научным базам, работать с кодом и специализированными инструментами, распределять отдельные задачи между программными агентами и сохранять историю вычислений. Иными словами, модель постепенно превращается из «собеседника» исследователя в программную среду, внутри которой выполняется часть научной работы.

Фармацевтика становится полем конкуренции разных архитектур научного ИИ

Сотрудничество Ново Нордиск и Anthropic отражает более широкий переход фармацевтической отрасли от отдельных экспериментов с генеративным искусственным интеллектом к его включению в инфраструктуру исследований.

При этом формируется несколько разных подходов.

Anthropic делает ставку на универсальные модели, окружённые специализированными научными инструментами и подключениями к данным. Google DeepMind развивает собственные фундаментальные научные модели, включая AlphaFold для прогнозирования структуры белков и AlphaGenome для анализа геномной информации. Другие технологические компании также создают специализированные инструменты для биомедицинских исследований.

Для фармацевтических компаний это означает важный стратегический сдвиг. Им необязательно выбирать единственную систему искусственного интеллекта для всех задач. Напротив, вероятным становится сочетание нескольких моделей и специализированных инструментов внутри одной исследовательской инфраструктуры.

Ново Нордиск уже демонстрирует именно такой подход: компания использует Claude через облачную инфраструктуру Amazon Web Services, а сама NovoScribe сочетает генеративную модель с поиском по контролируемым источникам и текстами, проверенными специалистами.

В этой архитектуре ценность создаёт не только модель. Не менее важны данные компании, интеграция с внутренними системами, правила доступа, способы проверки результата и способность встроить искусственный интеллект в существующие научные и регуляторные процессы.

Самая сложная проблема начинается там, где ответ нельзя проверить по документу

Автоматизация клинического отчёта и поиск новой лекарственной гипотезы принципиально различаются.

В первом случае существует исходный массив данных, заданная структура документа и специалисты, способные проверить, правильно ли система перенесла и интерпретировала информацию. Ошибку можно обнаружить сравнением с источниками.

В научном поиске ситуация сложнее. Модель может предложить правдоподобную биологическую гипотезу, которая окажется неверной. Даже корректное рассуждение на основе опубликованных данных не гарантирует, что предполагаемый механизм сработает в клетке, животной модели или организме человека.

Это фундаментальное ограничение разговоров об «ускорении разработки лекарств». Большие языковые модели могут быстрее анализировать литературу, писать код, сопоставлять данные и предлагать направления исследований. Но токсикологические эксперименты, производство исследуемого препарата, набор пациентов, наблюдение за безопасностью и клиническими исходами требуют реального времени.

Кроме того, чем ближе искусственный интеллект подходит к решениям, влияющим на разработку лекарств, тем важнее становятся происхождение данных, воспроизводимость анализа, защита конфиденциальной информации и возможность восстановить логику получения результата.

Для пациентов важнее не скорость модели, а исчезновение ненужных задержек

Практическое значение сотрудничества Ново Нордиск и Anthropic не следует измерять обещанием создать лекарство «в десятки раз быстрее». Для такого вывода пока нет оснований.

Гораздо реалистичнее другой эффект: сокращение периодов, когда проект задерживается не из-за биологии, а из-за обработки информации.

Если отчёт, на подготовку которого требовались недели, создаётся за минуты и затем проверяется человеком, специалисты получают возможность раньше перейти к следующему этапу. Если исследователь может быстрее проанализировать сотни публикаций, проверить вычислительную гипотезу или создать необходимый программный инструмент, сокращается время между научными итерациями.

Для фармацевтической компании это означает потенциальное снижение стоимости разработки и возможность параллельно проверять больше гипотез. Для исследователей — перенос части времени с механической обработки информации на интерпретацию и экспериментальную работу.

Для пациентов эффект появится только в том случае, если эти локальные ускорения действительно сократят путь эффективного и безопасного препарата до клинической практики. Именно это ещё предстоит доказать.

Следующий тест для Claude будет измеряться не минутами, а качеством решений

История NovoScribe дала Ново Нордиск простой и впечатляющий показатель эффективности: недели работы превратились в минуты машинной генерации с последующей человеческой проверкой.

В научных исследованиях оценивать результат будет значительно сложнее.

Важным станет не количество сэкономленных часов, а доля полезных гипотез, воспроизводимость результатов, способность обнаруживать действительно новые закономерности и, в конечном счёте, влияние на вероятность успешной разработки лекарственного кандидата.

Поэтому сотрудничество Ново Нордиск и Anthropic следует рассматривать не как свидетельство того, что искусственный интеллект уже научился создавать лекарства, а как крупный эксперимент по изменению самой организации фармацевтических исследований.

Если универсальная модель сможет надёжно работать между научной литературой, внутренними данными, вычислительными инструментами и исследователем, главным эффектом может стать не автоматизация отдельной профессии. Изменится скорость, с которой научная команда проходит цикл «вопрос — анализ — гипотеза — проверка — новый вопрос».