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, 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.

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.