# Novo Nordisk і AWS: чи справді агентний ШІ прискорить розробку ліків

> Novo Nordisk зробила AWS пріоритетним AI-партнером і підключила Amazon Bio Discovery — каталог із 40+ біомоделей для агентного пошуку ліків.

- Опубліковано: 13 серпня 2026 р. (2026-08-12T22:04:34.623638+00:00)
- Розділ: Медицина і AI
- На основі публікації: [AI News](https://www.artificialintelligence-news.com/news/novo-nordisk-ai-drug-discovery-aws/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=novo-nordisk-%D1%96-aws-%D1%87%D0%B8-%D1%81%D0%BF%D1%80%D0%B0%D0%B2%D0%B4%D1%96-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8%D0%B9-%D1%88%D1%96-%D0%BF%D1%80%D0%B8%D1%81%D0%BA%D0%BE%D1%80%D0%B8%D1%82%D1%8C-%D1%80%D0%BE%D0%B7%D1%80%D0%BE%D0%B1%D0%BA%D1%83-%D0%BB%D1%96%D0%BA%D1%96%D0%B2

---

Novo Nordisk, данський виробник семаглутиду (Ozempic, Wegovy), у серпні 2026 року оголосив Amazon Web Services своїм пріоритетним хмарним і AI-партнером у розробці ліків — і відкрив спільний інноваційний хаб у Лондоні, де інженери AWS і науковці Novo Nordisk працюватимуть пліч-о-пліч над агентними AI-конвеєрами, що мають з'єднати комп'ютерний дизайн молекул із лабораторними випробуваннями в одному замкнутому контурі.

Цифри, що супроводжують анонс, вражають: понад 25 000 співробітників компанії вже користуються генеративним AI-застосунком на базі Amazon Bedrock, покриваючи понад 2500 сценаріїв використання і генеруючи понад 26 000 запитів щомісяця. Одне з попередніх впроваджень — автоматизація клінічної документації на Claude 3.5 через Bedrock — скоротило час підготовки документів більш ніж на 90 відсотків: роботу, яку раніше виконували 40–50 людей протягом 15 тижнів, тепер роблять троє за лічені хвилини. [За даними AI News](https://www.artificialintelligence-news.com/news/novo-nordisk-ai-drug-discovery-aws/), саме цей досвід став аргументом для розширення партнерства на найдорожчу і найризикованішу частину фармбізнесу — власне відкриття нових молекул.

Це не перша спроба поєднати хмарного гіганта з фармою. Isomorphic Labs, спін-оф DeepMind, підняла 2,1 мільярда доларів на структурний дизайн ліків через AlphaFold. Google Cloud і Merck підписали угоду вартістю до мільярда доларів на агентну AI-платформу. Microsoft і Novartis співпрацюють з 2019 року. Питання, яке варто ставити про кожен такий анонс: це реальна зміна робочого процесу чи черговий прес-реліз про партнерство, який за рік ніхто не згадає.

Для тих, хто будує AI-продукти, ця угода цікава не тому, що Novo Nordisk обіцяє «відкрити ліки за допомогою AI» — фармкомпанії обіцяють це з 2016 року. Цікавіше архітектурне рішення: AWS упаковує AI для drug discovery не як одну велику фундаментальну модель, а як каталог із понад 40 вузькоспеціалізованих біологічних моделей плюс агент, що ними диригує. Це той самий патерн оркестрації, який зараз проникає в enterprise-софт узагалі.

## Що привело Novo Nordisk до угоди саме з AWS?

Пряма відповідь: Novo Nordisk роками була одним із найбільших корпоративних клієнтів Bedrock у фармасекторі, і серпнева угода — це формалізація й розширення того, що вже працювало у внутрішніх пілотах, а не стрибок у невідоме. Коли всередині компанії 25 тисяч людей уже щодня генерують 26 тисяч промптів на місяць, наступний логічний крок — перенести той самий інструментарій із бек-офісу в лабораторію. Є й бізнесовий тиск: франшиза Ozempic і Wegovy, що кілька років тримала Novo Nordisk на вершині європейського ринку, зараз атакована тирзепатидом Eli Lilly та хвилею нових претендентів на ринок препаратів проти ожиріння. Компанії потрібно швидше наповнювати пайплайн, а не тільки захищати вже випущені молекули.

> «AI has the potential to transform how we discover, develop and deliver medicines, but real impact comes from combining advanced technology with deep scientific expertise and a clear focus on patients» — Тільде Гуммель Бьогебʼєрг, EVP Enterprise IT & Quality, Novo Nordisk.

### Чому фармбізнес взагалі стрибає на кожен новий виток AI-хайпу

Тут працює прозаїчна економіка. За оцінками Tufts Center for the Study of Drug Development, вивести один препарат на ринок коштує близько 2,6 мільярда доларів і займає 10–15 років — це втричі більше за скориговану на інфляцію суму 2003 року. Тенденцію, обернену до закону Мура, дослідники іронічно називають законом Eroom: вартість розробки нового лікарського засобу на мільярд доларів витрачених коштів подвоюється приблизно кожні дев'ять років, тоді як обчислювальна потужність тим часом дешевшає. Додайте сюди те, що близько 90% кандидатів, які взагалі доходять до клінічних випробувань на людях, у підсумку провалюються, а сукупна ймовірність пройти шлях від першої фази до схвалення FDA становить лише 9,6% — і стає зрозуміло, чому будь-яка технологія, що обіцяє відсіяти слабких кандидатів раніше й дешевше, миттєво отримує мільярдні контракти.

## Як агентний ШІ Amazon Bio Discovery працює під капотом?

У межах партнерства Novo Nordisk отримує доступ до двох різних шарів технології AWS, і плутати їх не варто. Перший — Amazon Bio Discovery, платформа, запущена AWS у квітні 2026 року: каталог понад 40 спеціалізованих біологічних фундаментальних моделей (bioFM) плюс агентний інтерфейс, що вміє сам обирати й комбінувати потрібні моделі під конкретне дослідницьке завдання. Науковець без досвіду програмування описує експеримент природною мовою, агент розкладає його на підзадачі — одна модель прогнозує структуру білка-мішені, інша оцінює спорідненість зв'язування кандидата з цією мішенню, третя прогнозує токсичність і фармакокінетику (ADMET) — і топові кандидати автоматично йдуть на синтез і тестування в лабораторії-партнери. Це і є «lab-in-the-loop»: результати з мокрої лабораторії повертаються назад і донавчають ранжувальну модель, замість того щоб осідати в PDF-звіті, який ніхто вдруге не відкриє.

Другий шар — Amazon Bedrock AgentCore, керована інфраструктура для розгортання й масштабування AI-агентів загального призначення: сесії, пам'ять, виклик інструментів, ідентифікація, спостережуваність. AgentCore — це те, що дозволяє науковим агентам Bio Discovery «розмовляти» з рештою корпоративного стеку Novo Nordisk: клінічними, геномними даними та даними медичної візуалізації, регуляторними шаблонами документів, внутрішніми системами управління дослідженнями.

### Оркестрація моделей замість однієї великої моделі

Показово, яку роль тут відведено Claude 3.5 від Anthropic: не дизайн молекул, а мовний і аналітичний шар — синтез наукової літератури, підготовка клінічної документації, комунікація результатів. Вузькі числові передбачення (структура білка, афінність зв'язування, токсичність) роблять спеціалізовані bioFM, навчені на вузьких біологічних датасетах, а не універсальна мовна модель. Агент зверху координує, який інструмент коли викликати. Це та сама архітектура «оркестратор плюс вузькі експерти плюс агентний шар інтеграції», яка зараз стає стандартом для будь-якого серйозного enterprise agentic-стеку — фарма тут не виняток, а ще один вертикальний застосунок загального патерну.

## Чим підхід AWS відрізняється від Isomorphic Labs, Recursion і Google-Merck?

Кожен хмарний гігант зараз обрав собі одного фармацевтичного якірного клієнта і будує навколо нього публічну вітрину агентного AI для наук про життя, але роблять це по-різному.

- **Isomorphic Labs** (дочірня компанія Alphabet) іде шляхом структурного дизайну: в основі — AlphaFold і передбачення тривимірної форми білків. Компанія підняла 2,1 мільярда доларів у раунді Series B і сама виступає співрозробником ліків у партнерстві з Eli Lilly та Novartis в онкології та кардіології. Станом на середину 2026 року вона ще не розкрила жодного клінічного кандидата, але CEO Деміс Хассабіс публічно пообіцяв ввести перший AI-розроблений кандидат у першу фазу випробувань до кінця 2026 року — орієнтир, з яким тепер мимоволі порівнюватимуть і Novo Nordisk з AWS.

- **Recursion Pharmaceuticals** — публічна компанія з, за оцінками галузевих оглядачів, найбільш комплексною інтегрованою AI-платформою для розробки ліків серед публічних гравців. У неї власний пайплайн (кандидати REC-394, REC-1245, онкологічна програма вже у випробуваннях), а інфраструктурним партнером виступає Google Cloud з моделями Gemini.

- **Microsoft і Novartis** співпрацюють з 2019 року — це найстаріший з альянсів, історично зосереджений на генеративній хімії та класичному машинному навчанні через Novartis AI Innovation Lab, і зараз виглядає радше усталеним industry incumbent, ніж свіжою агентною історією.

- **Google Cloud і Merck** у 2026 році підписали угоду вартістю до мільярда доларів саме на «агентну AI-платформу» для всього підприємства Merck — за формою це найближчий аналог угоди AWS-Novo Nordisk.

Ключова відмінність AWS: компанія не намагається сама стати фармацевтичним розробником, як Isomorphic Labs, і не будує історію навколо однієї флагманської моделі, як Google з Gemini. Натомість AWS позиціонує себе як інфраструктура плюс маркетплейс моделей — Bedrock як хаб, що об'єднує і Claude від Anthropic, і власний каталог із 40+ bioFM, — залишаючи біологічну експертизу й інтелектуальну власність на боці фармкомпанії-клієнта.

> «Novo Nordisk's partnership with AWS shows what's possible when you pair AI with deep life-sciences expertise — removing bottlenecks across drug discovery, not just studying them» — Ден Шіран, VP і General Manager Healthcare and Life Sciences, AWS.

## Що ця угода дає тим, хто будує AI-продукти для фарми та біотеху?

Перший сценарій — пошук і валідація мішеней. Агент прочісує внутрішню й публічну геномну та протеомну літературу, щоб швидше скласти короткий список нових терапевтичних мішеней у метаболічних захворюваннях — історичній сильній стороні Novo Nordisk у діабеті й ожирінні. Раніше цю роботу виконувала команда науковців вручну тижнями; агент стискає перший прохід до годин, залишаючи людині фінальну верифікацію.

Другий сценарій — генерація й ранжування кандидатів із замкнутим циклом навчання. Модель-генератор пропонує молекули, ранжувальна модель відсіює за прогнозованою афінністю зв'язування та ADMET-профілем, найкращі кандидати автоматично йдуть у лабораторію на синтез, а результати мокрих експериментів повертаються назад і донавчають ранжувальну модель. Це принципово відрізняється від старішого in-silico скринінгу без зворотного зв'язку, де комп'ютерний прогноз і лабораторний результат жили в різних системах і рідко зустрічалися.

Третій сценарій уже доведений: клінічна й регуляторна документація. Той самий патерн, що скоротив підготовку документів із 15 тижнів роботи 40–50 людей до кількох хвилин роботи трьох, узагальнюється на проєктування протоколів клінічних випробувань і регуляторні подання. Практичний висновок для будь-якого AI-білдера поза фармою: вимірюваний ROI від агентного AI найшвидше з'являється не в «сексуальній» генерації нових ідей чи молекул, а в нудному, але масовому синтезі й форматуванні структурованих текстів — і саме туди варто дивитися першою чергою, шукаючи де агентний AI дасть найшвидшу і найдешевшу віддачу.

Сама архітектура — вузькі експертні моделі плюс універсальна мовна модель для міркувань плюс керований агентний шар для інтеграції з корпоративними системами — переноситься за межі фарми майже без змін: та сама форма підходить фінансовим ризик-моделям з LLM-генерацією звітів, страховому андеррайтингу, будь-якій регульованій вертикалі з набором вузьких предиктивних моделей.

## Що може піти не так з агентним ШІ в розробці ліків?

Перший ризик — упередженість ранжування. Якщо історичні внутрішні дані Novo Nordisk сильно перекошені в бік метаболічних захворювань, ранжувальні моделі, навчені на цих даних, можуть погано узагальнюватися на нові терапевтичні напрями, видаючи хибнопозитивних «найкращих» кандидатів і спалюючи дорогі цикли синтезу в лабораторії на молекули, які ніколи не спрацюють.

Другий ризик — розрив у простежуваності для регулятора. Коли агент самостійно «обирає й координує» десятки моделей, виникає питання аудиту: яка версія якої моделі, на яких даних і за яким промптом видала конкретне ранжування кандидата — і чи можна це відтворити через кілька років для подання в FDA чи EMA. Рамки валідації GxP для агентних рішень у виборі кандидатів на препарат поки що незрілі й наздоганяють технологію постфактум.

Третій ризик — прив'язка до одного постачальника. Оголосивши AWS «пріоритетним хмарним провайдером», Novo Nordisk зав'язує ключову R&D-інфраструктуру на дорожню карту, ціноутворення та доступність моделей одного гіперскейлера. У фармі з її глибоко вбудованими, довгоживучими системами невдалий архітектурний вибір на старті компаундується роками.

Четвертий і найважливіший ризик — розрив між доведеною й недоведеною ефективністю. Скорочення часу підготовки документів на 90% — це метрика роботи з мовою й текстом, а не метрика «ми знайшли робочі ліки швидше». Даних про те, що кандидати, обрані агентом Bio Discovery, частіше проходять першу фазу випробувань на людях, ніж класичний комп'ютерний скринінг, поки що немає — і базовий галузевий показник провалу клінічних випробувань, близько 90%, нікуди не зникає, бо більшість провалів мають біологічну природу (неочікувана токсичність, брак ефективності в людини), а не природу обчислювального пошуку. Обіцянка Хассабіса ввести перший AI-розроблений кандидат Isomorphic Labs у першу фазу до кінця 2026 року стане зовнішнім орієнтиром: якщо цей термін зсунеться або результат розчарує, скепсис щодо всієї категорії «агентний AI для відкриття ліків» може швидко зрости.

## Висновок AiiN: чого чекати найближчі 6–12 місяців

Не варто чекати, що впродовж наступного року з'явиться «AI-розроблений» препарат Novo Nordisk у клінічних випробуваннях на людях — навіть з агентними інструментами шлях від ідентифікації мішені до подання заявки на клінічне випробування (IND) вимірюється роками, а не кварталами, і жодна оркестрація моделей поки що не скасувала біологію як таку.

Що дійсно варто відстежувати найближчим часом: по-перше, розширення вже доведеного патерну — автоматизації документів — на проєктування протоколів клінічних випробувань і регуляторні подання, бо саме там ROI вимірюваний вже сьогодні. По-друге, нові пари «гіперскейлер плюс якірний фармклієнт»: після Microsoft-Novartis, Google-Merck і тепер AWS-Novo Nordisk логічно очікувати подібних анонсів від Pfizer, AstraZeneca чи Sanofi з одним із трьох великих хмарних провайдерів — категорія формується як гонка прапорних клієнтів, а не як універсальна технологічна перевага одного вендора. По-третє, стандартизація самого патерну «каталог біологічних моделей плюс агент-оркестратор плюс лабораторія в циклі» як окремої товарної категорії — протягом року AWS навряд чи залишиться єдиним постачальником такої форми продукту.

Наша теза в AiiN: справжній сигнал цієї угоди не в тому, яка саме молекула зрештою дійде до пацієнта, а в тому, що патерн «агент, який оркеструє каталог вузьких моделей замість однієї великої», уже добре знайомий з побудови звичайних AI-застосунків, тепер стає стандартною формою і для регульованих наукових вертикалей. Для AI-білдерів це практичний висновок незалежно від того, з інструментами якого саме гіперскейлера вони працюють: закладайте архітектуру під оркестрацію спеціалізованих моделей із самого початку, а не намагайтеся дотиснути одну універсальну модель до вузькоспеціалізованої задачі.

---

Теги: AI, AgenticAI, AWS, фарма, медицина, мультиагенти

Джерело: AiiN — https://aiin.news/article?slug=novo-nordisk-%D1%96-aws-%D1%87%D0%B8-%D1%81%D0%BF%D1%80%D0%B0%D0%B2%D0%B4%D1%96-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8%D0%B9-%D1%88%D1%96-%D0%BF%D1%80%D0%B8%D1%81%D0%BA%D0%BE%D1%80%D0%B8%D1%82%D1%8C-%D1%80%D0%BE%D0%B7%D1%80%D0%BE%D0%B1%D0%BA%D1%83-%D0%BB%D1%96%D0%BA%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.