For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ru/articles/chatgpt-claude-or-gemini-how-big.md.
Отношения между искусственным интеллектом и фармацевтическими исследованиями меняются.
Отношения между искусственным интеллектом и фармацевтическими исследованиями меняются.
Долгие годы наиболее заметные коллаборации в области разработки лекарств с использованием ИИ включали специализированные компании, которые фокусировались на идентификации мишеней, предсказании структуры белков, генерации молекул, виртуальном скрининге или лабораторной автоматизации. Фармацевтические группы также активно полагались на облачных провайдеров, производителей чипов и поставщиков платформ данных, чтобы обеспечить инфраструктуру для этих проектов.
Теперь второй тип поставщиков углубляется в эту отрасль. OpenAI, Anthropic и Google больше не воспринимаются лишь как провайдеры универсальных чат-ботов или офисных помощников. Их модели проникают в научные исследования, клиническую разработку, медицинское письмо, регуляторные вопросы, кодинг, анализ данных, производственные расследования и корпоративные решения.
Следовательно, стратегический вопрос для фармацевтических компаний перестал быть просто: "Каким чат-ботом должны пользоваться сотрудники?"
Настоящий вопрос:
Какая комбинация моделей, систем данных, научных инструментов, мер безопасности и процессов ручной проверки сможет стать надежным интеллектуальным слоем компании?
Big Pharma Sharma в анализе, опубликованном в мае 2026 года, отследил 27 подтвержденных стратегических партнерств с участием 21 крупной фармацевтической компании и трех передовых ИИ-экосистем: OpenAI, Anthropic и Google Gemini.
Набор данных сообщает о следующем примерном распределении:
| Показатель | Результат |
|---|---|
| Отслеженные подтвержденные коллаборации | 27 |
| Участвующие крупные фармкомпании | 21 |
| Коллаборации, включающие Anthropic | ~52% |
| Коллаборации, включающие OpenAI | ~41% |
| Коллаборации, включающие Gemini | 2 |
| Компании, работающие одновременно с OpenAI и Anthropic | как минимум 6 |
| Коллаборации, связанные с исследованиями или открытиями | ~82% |
Эти данные служат снимком рынка, но не являются официальной статистикой всех фармацевтических ИИ-проектов. Частные пилотные проекты, облачные контракты, внедрения внутренних моделей, партнерства со специализированными моделями и нераскрытые эксперименты могут не входить в набор данных.
Эти цифры также не означают, что фармацевтическая отрасль четко разделена на лагеря OpenAI, Claude и Gemini.
Более важной закономерностью является многомодельное экспериментирование. Крупные компании тестируют различные системы для разных задач, одновременно выстраивая более широкий технологический стек на основе собственных данных, инструментов валидации, корпоративных разрешений и ручного контроля.
Для индивидуальных пользователей передовые модели используются для письма, поиска, обобщения, мозгового штурма или кодинга.
У фармацевтического внедрения есть дополнительные требования.
Модель может быть необходимой:
Это формирует как минимум три уровня внедрения.
На этом уровне компании открывают доступ к ИИ-помощникам для широкого круга сотрудников.
Типичные сценарии использования включают:
Moderna была ранним последователем этой модели. Компания сотрудничает с OpenAI с 2023 года, сначала создав внутреннего помощника mChat, а затем развернув ChatGPT Enterprise для тысяч сотрудников из разных отделов.
Bristol Myers Squibb в 2026 году принял аналогичную широкую стратегию, объявив о внедрении Claude в подразделения R&D, клинической разработки, производства, коммерции и корпоративных функций, охватив более 30 000 сотрудников и подключив тысячи внутренних источников данных.
Этот уровень выходит за рамки универсального помощника.
Модели интегрируются в четкие процессы, такие как:
На этом этапе ИИ-система перестает быть просто инструментом для повышения эффективности письма, а становится неотъемлемой частью самого процесса.
Эффективное внедрение требует: утвержденных шаблонов, надежного поиска источников, структурированного вывода, контроля версий, проверки качества и экспертной оценки.
Этот уровень представляет собой платформу агентов, способную координировать множество инструментов и источников информации.
Агент может выполнять следующие действия:
Многолетнее партнерство Merck & Co. с Google Cloud иллюстрирует это направление. Совместный проект стоимостью в миллиарды долларов направлен на развертывание платформы агентов на базе Gemini Enterprise в R&D, производстве, коммерческих операциях и корпоративных функциях.
На этом уровне конкуренция идет не о том, какой бренд отображается на вкладке браузера сотрудника, а о том, какая платформа сможет координировать новое поколение научных и операционных рабочих процессов компании.
Anthropic занимает наибольшую долю среди партнерств, учтенных в наборе данных Big Pharma Sharma.
Эта ранняя позиция соответствует корпоративной и жизненно-научной стратегии Anthropic.
Фармацевтическим командам обычно требуется модель, способная обрабатывать:
Эти потребности тесно совпадают с позиционированием Claude от Anthropic.
Anthropic запустил жизненно-научную версию Claude в 2025 году, добавив интеграции и коннекторы для научных платформ и источников информации.
Объявленные сервисы в этой экосистеме включают:
Цель состоит в том, чтобы сделать Claude более доступным для инструментов, которые уже используют ученые, а не требовать ручного копирования текста для каждой задачи.
Anthropic расширил этот подход в 2026 году, запустив научную версию Claude — платформу для научной работы, объединяющую исследовательские инструменты, вычислительные ресурсы и аудитируемые результаты.
Bristol Myers Squibb в мае 2026 года объявил о стратегическом соглашении с Anthropic.
Компания заявила, что корпоративная версия Claude будет внедрена в ее глобальные операции, включая:
Bristol Myers Squibb описывает Claude как общую интеллектуальную платформу, а не приложение для одной цели. Цель состоит в том, чтобы соединить сотрудников и агентов с внутренними данными, одновременно создавая общий слой взаимодействия для разных рабочих процессов.
Подобные соглашения помогают объяснить количество партнеров Anthropic. Продукт продается не просто как API модели, а как защищенная корпоративная среда, инструмент для кодинга, фреймворк для агентов и интерфейс знаний.
NovoScribe от Novo Nordisk — один из самых ярких примеров использования Claude в рабочих процессах с регулируемыми документами.
Система объединяет:
Anthropic сообщает, что документы клинических исследований, которые ранее требовали более десяти недель, теперь генерируются на платформе примерно за десять минут.
Этот показатель является результатом, представленным компанией на примере конкретного кейса, и не представляет собой гарантию для каждого клинического документа. Тем не менее, этот рабочий процесс демонстрирует, почему большие языковые модели привлекательны для регуляторного письма.
Клинические отчеты и связанные документы обычно:
Модели могут помогать с извлечением информации, созданием черновиков, форматированием и проверкой согласованности. Однако научное суждение, регуляторная ответственность, одобрение и конечная ответственность остаются за квалифицированными специалистами.
Это важное различие. Ранний успех Claude в фармацевтике не обязательно доказывает, что он лучше в изобретении новых лекарств. Это говорит о том, что Anthropic
Обнаружены бизнес-процессы предприятия, позволяющие быстро измерять ценность: написание кода, генерация документации, поиск знаний и структурный анализ.
Путь OpenAI в фармацевтическую отрасль несколько иной.
Его ранние преимущества были обусловлены:
Moderna начала сотрудничество с OpenAI в 2023 году.
Первоначально компания создала внутреннего чат-бота под названием mChat. Впоследствии она распространила использование ChatGPT Enterprise на множество бизнес-функций и поощряла сотрудников создавать специализированные GPT для повторяющихся задач.
Это модель производительности «снизу вверх». Сотрудники исследовательских, юридических, производственных, коммерческих и административных отделов могут выявлять часто используемые сценарии и создавать вокруг них внутренних ассистентов.
Преимущество такого подхода — широкий охват попыток. Риск заключается в возможной фрагментации, если каждый отдел будет создавать инструменты без единого управления, стандартов оценки и контроля данных.
В 2024 году Sanofi объявила о партнёрстве с OpenAI и Formation Bio для разработки программного обеспечения ИИ для открытия лекарств.
Это сотрудничество объединило:
Впоследствии эти компании запустили Muse — инструмент, предназначенный для поддержки набора пациентов в клинические испытания.
Это знаменует переход от общей помощи сотрудникам к конкретным рабочим процессам разработки лекарств.
В 2026 году OpenAI выпустила GPT-Rosalind — серию моделей, специально созданных для исследований в области наук о жизни.
Эта система предназначена для рассуждений в таких областях, как:
OpenAI также разработала плагины и научные обозреватели для рабочих процессов, включая анализ литературы, секвенирование нового поколения, одноячеечный анализ и анализ молекулярных структур.
GPT-Rosalind знаменует стратегический сдвиг.
OpenAI больше не просто предоставляет универсальных корпоративных ассистентов фармацевтическим компаниям. Она строит независимую серию моделей, фреймворки оценки, инструментальные слои и программы контролируемого доступа для исследований в области наук о жизни.
Результаты собственного бенчмарка LifeSciBench компании также показывают, что осторожность всё ещё необходима. GPT-Rosalind лидирует среди оценённого набора моделей, но общий показатель успешного выполнения задач далёк от идеала, особенно в задачах, требующих высокой точности артефактов, дизайна и ограниченных операций.
Модели предметной области могут повысить производительность, но не заменяют необходимость экспертной верификации.
Стратегия OpenAI в области наук о жизни также включает работу по подключению моделей к экспериментальным платформам, что позволяет автоматизировать дизайн и выполнение экспериментов.
Экспериментальные системы.
В тексте особо упоминаются проекты с участием Ginkgo Bioworks и Retro Biosciences.
Важным направлением является не какой-то изолированный результат, а попытка построить замкнутый цикл:
Если этот замкнутый цикл станет надёжным, роль ИИ выйдет за рамки обобщения научной информации, он сможет участвовать в итеративном дизайне экспериментов.
Это более высокий стандарт, чем генерация документов. Система должна справляться с зашумлёнными данными, неполным биологическим пониманием, неудачными экспериментами, ограничениями оборудования и требованиями безопасности.
Поэтому заявления о научном прогрессе следует оценивать на основе воспроизводимых экспериментов и реальных результатов исследований и разработок, а не только на основе модельных бенчмарков или пресс-релизов.
В наборе данных крупных фармацевтических компаний Sharma Google Gemini появляется только в двух партнёрствах.
Эта цифра не отражает полного присутствия Google в сфере наук о жизни.
Решения Google включают:
Фармацевтические компании, внедряющие Gemini, могут приобретать интегрированную облачную и архитектуру данных, а не отдельную модель.
Компания Merck объявила о многолетнем партнёрстве с Google Cloud в апреле 2026 года на сумму до 1 миллиарда долларов.
Сотрудничество направлено на применение Gemini Enterprise и технологий Google Cloud в:
Ожидается, что инженеры Google Cloud будут работать совместно с командами Merck над внедрением.
Это крупное, инфраструктурное соглашение, которое может сделать статистику количества партнёрств вводящей в заблуждение. Google может объявлять о меньшем количестве сделок публично, но при этом получать широкие стратегические обязательства.
Google также выигрывает от научного авторитета Google DeepMind.
AlphaFold изменил реальную ситуацию в области прогнозирования структуры белков и стал важным исследовательским ресурсом. Google DeepMind и Isomorphic Labs продолжают работу над биологическими системами и системами дизайна лекарств.
В фармацевтической архитектуре Gemini может служить уровнем обработки естественного языка и оркестрации задач, в то время как специализированные научные модели выполняют структурные, химические или биологические прогнозы.
Таким образом, долгосрочное преимущество Google может заключаться в интеграции:
В отслеживаемом наборе данных как минимум шесть фармацевтических компаний сотрудничают как с OpenAI, так и с Anthropic.
Это одно из самых...
важных открытий.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
Крупные фармацевтические компании вряд ли передадут все ключевые рабочие процессы одному поставщику моделей, поскольку возможности, цены, задержки, дизайн продуктов и нормативные требования всё ещё быстро меняются.
Многомодельная архитектура позволяет компаниям сопоставлять инструменты с задачами.
Например:
Это не означает, что каждая компания будет использовать всех поставщиков.
Это означает, что долгосрочным активом вряд ли станет сам бренд модели.
Долгосрочным активом является внутренняя платформа, контролирующая:
Зрелая фармацевтическая платформа ИИ может включать несколько уровней.
| Уровень | Функция |
|---|---|
| Пользовательский и агентский интерфейс | Принимает цели, вопросы и решения для проверки |
| Уровень оркестрации | Планирует задачи и направляет работу моделям и инструментам |
| Передовые языковые модели | Обрабатывают рассуждения, написание, кодирование и координацию |
| Модели предметной области | Выполняют задачи по биологии, химии, структуре, визуализации или геномике |
| Уровень данных | Обеспечивает контролируемый доступ к внутренней и внешней информации |
| Научные инструменты | Запускают проверенные вычисления, анализ и симуляции |
| Корпоративные системы | Связывают клинические, регуляторные, производственные и бизнес-процессы |
| Уровень оценки | Измеряет точность, пропуски, цитирование, воспроизводимость и риск |
| Уровень управления | Контроль доступа, журналы аудита, хранение и утверждение |
| Человек-эксперт | Проверка доказательств, принятие решений и сохранение ответственности |
Такая архитектура также снижает зависимость от одного поставщика.
Если качество модели падает, затраты растут или доступность меняется, уровень оркестрации может перенаправить часть рабочих нагрузок в другое место — при условии, что компания создала стандартизированные интерфейсы и механизмы оценки.
Согласно аналитическим отчетам, около 82% сотрудничеств связаны с этапами исследований или открытий.
Эта концентрация отражает текущие сильные стороны больших языковых моделей.
Исследования и клиническая разработка содержат огромные объемы информации, которую модели могут обрабатывать:
На ранних этапах исследований модели могут помогать в:
В клинической разработке они могут поддерживать:
Эти задачи информационно насыщены и обычно позволяют экспертам проводить проверку до того, как решения повлияют на пациентов или продукты.
В области производства и химии, производства и контроля (обычно называемой CMC) публично раскрытых случаев внедрения передовых моделей меньше.
Причина не в отсутствии потенциальной ценности.
Возможные варианты использования включают:
Разница заключается в рисках.
Ошибочные исследовательские гипотезы могут быть опровергнуты последующими экспериментами; но ошибочные производственные инструкции могут повлиять на качество продукции, поставки, соответствие требованиям или безопасность пациентов.
Производственная среда также зависит от:
В такой среде системы ИИ требуют более строгой валидации, более узких границ действий и более тщательного человеческого контроля.
Это объясняет, почему производство может начать с контролируемых случаев, таких как поиск документов и анализ отклонений, прежде чем постепенно переходить к автономному управлению процессами.
GSK представляет важный контраст с моделями открытого сотрудничества.
Компания разработала JulesOS — внутреннюю операционную систему на основе агентов, которая имеет доступ к сообществу агентов и специализированных моделей.
GSK описывает эту платформу как объединяющую:
Такой подход дает GSK больший контроль над оркестрацией, доступом к данным, валидацией и пользовательским интерфейсом.
В то же время это может помочь компании извлечь большую ценность из своих проприетарных наборов данных, включая внутренние результаты экспериментов, омиксную информацию, клинические доказательства и знания о мишенях.
Внутренняя платформа не означает, что все компоненты создаются с нуля.
GSK все еще может использовать внешнюю облачную инфраструктуру, программное обеспечение с открытым исходным кодом, сторонние модели или специализированные инструменты. Разница в том, что компания контролирует уровень интеграции и решает, как эти компоненты открываются для сотрудников.
У каждой стратегии есть свои преимущества.
| Внешнее сотрудничество с передовыми ИИ | Внутренняя платформа агентов |
|---|---|
| Более быстрый доступ к возможностям новых моделей | Более сильный контроль над архитектурой и данными |
| Инженерная поддержка от поставщика | Глубокая настройка под внутренние рабочие процессы |
| Более простое корпоративное развертывание | Снижение зависимости от одного поставщика |
| Быстрое итеративное улучшение моделей | Большая自主ность в оркестрации и оценке |
| Возможный риск зависимости от поставщика | Высокие инженерные и эксплуатационные затраты |
Многие компании будут использовать комбинацию обоих подходов.
Они могут строить внутреннюю платформу, одновременно используя под ней Claude, GPT-Rosalind, Gemini, модели с открытым исходным кодом и специализированные научные системы.
В настоящее время наиболее измеримая ценность от развертывания LLM в фармацевтике исходит из интеллектуального труда.
Примеры:
Эти преимущества можно наблюдать относительно быстро.
Но гораздо сложнее доказать, что передовая модель:
Разработка лекарств занимает годы. Конечный результат зависит от биологии, качества экспериментов, токсикологии, производства, индивидуальных особенностей пациентов, дизайна испытаний, клинических операций и нормативного контроля.
Модели не могут обойти физическую валидацию.
Это не означает, что производительность в документации и кодировании не важна. Более быстрый интеллектуальный труд может сократить циклы во всем процессе разработки. Это просто означает, что отрасль должна различать эффективность рабочих процессов и научный успех.
Передовая модель может быть сильна в языке, рассуждениях и планировании, но все еще может не иметь полных данных, необходимых для решения конкретных фармацевтических задач.
Длиннохвостые лекарственные активы, исторические клинические проекты, проприетарные результаты экспериментов, прекращенные соединения и внутренние записи решений могут отсутствовать в публичных обучающих данных.
Поэтому реалистичная архитектура ИИ для наук о жизни должна объединять:
Подключение моделей к специализированным базам данных через одобренные инструменты может быть более ценным, чем переход с одной передовой модели на другую.
Качество интерфейсов данных и инструментов может определять конечный результат так же, как и способность модели к рассуждению.
Новый ландшафт сотрудничества заставляет фармацевтические компании повышать и без того сложные способности.
Большинство крупных фармацевтических компаний обладают огромными объемами данных.
Проблема в том, что эти данные могут:
Если организация не установила четкие стандарты и механизмы контроля доступа, модели не смогут надежно использовать информацию.
Купить корпоративный чат-бот относительно просто.
Встраивание ИИ в клинический отчет, нормативное представление, процесс фармаконадзора, систему качества или лабораторный рабочий процесс требует перепроектирования процессов.
Команды должны решить:
Открытые бенчмарки не могут ответить на вопрос, безопасна ли и полезна ли модель для рабочего процесса разработки лекарств в конкретной компании.
Фармацевтическая оценка должна использовать реальные внутренние задачи и измерять:
Система ИИ, которая создает впечатляющие черновики, но порождает больше работы по проверке, может приносить мало реальной ценности.
Claude, OpenAI и Gemini входят в фармацевтику разными путями.
Anthropic делает акцент на:
OpenAI сочетает:
Корпоративная производительность.
Google объединяет:
Возможный результат — не единственный победитель во всех фармацевтических рабочих процессах.
Более реалистичное будущее — платформа, где сосуществуют несколько моделей, маршрутизируемых в зависимости от задачи.
Одна модель может изучать литературу. Другая — генерировать код. Специализированная модель может прогнозировать свойства молекул. Корпоративный агент может координировать базы данных, программное обеспечение и утверждения. Лабораторная платформа может тестировать результаты.
В такой архитектуре модель — лишь один слой.
Ценность возникает из завершения надёжного цикла:
Многие компании используют не одну модель. Анализ партнёрств за май 2026 года показал, что по меньшей мере шесть крупных фармкомпаний сотрудничают как с OpenAI, так и с Anthropic, что указывает на распространённость мультимодельных стратегий.
Позиционирование Claude сосредоточено на длинных документах, структурированном письме, программировании, корпоративной безопасности, цитировании и научной интеграции. Эти функции подходят для регулируемых рабочих процессов, таких как клиническое написание, внутренние исследования, кодирование и проверка документов.
GPT-Rosalind — это серия моделей OpenAI для наук о жизни, предназначенная для рассуждений в биологии, химии, открытии лекарств, геномике, доказательствах и научных инструментах. Модель развёртывается через контролируемый исследовательский предварительный просмотр и корпоративный доступ.
Google позиционирует Gemini как часть более крупной облачной и агентной инфраструктуры. Компания Merck в партнёрстве с Google Cloud в 2026 году планирует внедрить Gemini Enterprise в исследования, производство, коммерцию и корпоративные рабочие процессы.
JulesOS — собственная агентная операционная система GlaxoSmithKline. Она объединяет специализированные модели, инструменты программирования, системы анализа данных и корпоративную базу знаний в единой среде для исследователей.
ИИ может помогать в извлечении данных из источников, создании черновиков, унификации форматирования, проверке согласованности и генерации структурированных документов. Однако окончательное научное суждение, проверка соответствия, утверждение и ответственность остаются за квалифицированными специалистами.
По сравнению с повышением клинической успешности, существующие открытые данные больше свидетельствуют о повышении эффективности разработки. Реальное влияние на качество мишеней, отбор кандидатов, безопасность и результаты испытаний требует более длительного подтверждения.
Разные модели имеют преимущества в производительности, стоимости, скорости отклика, экосистеме инструментов и вариантах развёртывания. Мультимодельная платформа снижает зависимость от одного поставщика и позволяет назначать разные задачи наиболее подходящим системам.
Крупные фармацевтические компании больше не рассматривают ChatGPT, Claude и Gemini как изолированные чат-инструменты, а тестируют их как компоненты корпоративной ИИ-инфраструктуры — компоненты, способные подключаться к внутренним данным, научным инструментам, регулируемым процессам и агентным системам.
В настоящее время Anthropic занимает наибольшую долю в открытых данных о партнёрствах; OpenAI расширяется от общих корпоративных приложений к специализированным моделям для наук о жизни; Google конкурирует через более широкий спектр облачных услуг, данных, научных моделей и агентных платформ. Тем временем JulesOS от GSK показывает, что крупные фармкомпании могут выбрать самостоятельный контроль над уровнем оркестрации.
Наиболее заметные улучшения в последнее время касаются ускорения обработки документов, написания кода, поиска знаний и анализа данных. Утверждения о том, что передовые модели способны повысить качество лекарств или уровень клинической успешности, всё ещё требуют подтверждения долгосрочными экспериментами и клиническими данными.
Решающее преимущество заключается не в выборе определённого бренда модели, а в создании надёжной, поддающейся проверке замкнутой системы — которая тесно связывает модели, собственные данные, проверенные инструменты, эксперименты и подотчётные человеческие решения.
Начните с одной фразы и получите полноценный сайт за считанные минуты.
