Что мешает фармкомпаниям внедрять искусственный интеллект

Опубликованы результаты первого этапа исследования цифровой зрелости фармотрасли по результатам I полугодия 2026 года. Его авторы попытались выяснить реальный уровень проникновения ИИ-технологий и выявить основные барьеры, с которыми сталкиваются компании.

В опросе, проведенном аналитическим агентством HexaData, приняли участие более 30 фармацевтических компаний, преимущественно крупный и средний бизнес с оборотом от 5 млрд руб., из них 63% — это российские компании, 37% — иностранные. Среди опрошенных — руководители IT-департаментов, аналитических подразделений и направлений цифровой трансформации.

Главный барьер — данные

72% участников исследования заявили, что их данные не готовы для внедрения искусственного интеллекта. Готовы или частично готовы — 28%. В ходе интервью с участниками опроса были зафиксированы три системные проблемы.

1. Данные разрознены по нескольким учетным системам, интеграция между которыми отсутствует или поддерживается в ручном режиме.
2. Отсутствуют единые справочники — одна и та же сущность по-разному именуется в производственной и коммерческой системах.
3. Data Governance (управление данными) как функция отсутствует — никто не отвечает за качество, полноту и единообразие данных.

Выяснилось, что 67% компаний сворачивают ИИ-инициативы именно из-за проблем с данными.

Отмечается, что выводы первого этапа исследования практически совпадали с результатами международного исследования Veeva. В нем, в частности, говорится, что разрозненность данных приводит к задержкам в реализации проектов на месяцы.

Что пытались внедрять и почему не получилось

Спектр AI-проектов, которые компании запускали или планировали запустить, широк, однако до промышленной эксплуатации доходят лишь единицы. Наиболее популярные сценарии, где используется ИИ: предиктивная аналитика продаж и спроса (45%), оптимизация логистики и складских запасов (38%), автоматизация обработки документов (32%), персонализация коммуникации с врачами и клиентами (25%). Прогнозирующее обслуживание оборудования и оптимизация R&D-процессов занимают 18 и 12% соответственно.

Основные причины остановки проектов: невозможность обеспечить качественные данные на входе, отсутствие стандартизированных процессов сбора и очистки, а также непонимание того, как встроить AI-решения в существующий GxP-ландшафт.