В исследовании McKinsey и QuantumBlack «Reimagining life science enterprises with agentic AI» описывается, какую роль агентный искусственный интеллект играет в современных науках о жизни (life sciences), сообщает портал BigDATAwire.
Науки о жизни работают на данных. Геномные последовательности, результаты испытаний, карты пациентов, нормативные документы — это бесконечный процесс. На каждом этапе генерируются огромные объемы данных, но большая их часть по-прежнему хранится в системах, которые не связаны между собой.
Ученые часто тратят много часов на исправление файлов или переделку таблиц, вместо того чтобы искать ответы на вопрос, что на самом деле говорят данные. Используемые ими инструменты хорошо подходят для сбора информации, но редко помогают, когда накапливаются большие массивы данных или когда необходимо принимать решения в режиме реального времени. Именно тогда происходит замедление. Проекты затягиваются, упускаются важные инсайты, а исследования, которые должны продвигаться вперед, застревают.
Именно эту брешь начинает закрывать агентный ИИ. В отчете McKinsey и QuantumBlack за 2025 г. эти системы описываются как соавторы, а не просто инструменты. Агенты перемещаются по разным платформам, понимают логику задач и продолжают работу, не дожидаясь каждой команды. Они могут отмечать необычные закономерности в данных испытаний, извлекать ключевые выводы из литературы или даже составлять проекты нормативных документов для рассмотрения командой.
Важно, что они предвидят, что будет дальше. Вместо того чтобы останавливаться в ожидании указаний, они поддерживают рабочий процесс. Для организаций, занимающихся науками о жизни, это означает более тесные циклы обратной связи и меньше задержек. На практике это означает, что исследовательские группы и команды разработчиков могут перейти от простой обработки информации к реальному ускорению открытий.
По оценкам McKinsey, от 75 до 85% повседневных рабочих процессов в сфере наук о жизни можно было бы выполнять более эффективно с помощью ИИ-агентов. Это позволило бы высвободить от 25 до 40% ресурсов в таких областях, как разработка лекарственных препаратов, планирование испытаний и обеспечение соответствия нормативным требованиям. И речь идет не только о выигрыше во времени.
В том же отчете прогнозируется, что агентный ИИ может повысить выручку на
В медицинских технологиях ситуация выглядит аналогично. McKinsey обнаружила, что
Агенты также высвобождают ресурсы в областях, требующих высокой квалификации. Автоматизация сложных задач, таких как виртуальное прототипирование, может сэкономить от 15 до 20% пропускной способности НИОКР. Это пространство не пропадает зря. Оно дает ученым и инженерам больше возможностей для тестирования идей, доработки экспериментов и продвижения открытий, вместо того чтобы крутиться в замкнутом цикле проектирования.
В отчете McKinsey подробно описано, как это работает на практике. В сфере разработки лекарственных препаратов агенты могут обрабатывать геномные данные, формировать первоначальные выводы и предлагать схемы клинических испытаний, что при ручной обработке заняло бы недели. В сфере клинических операций они помогают очищать и проверять данные, сокращая циклы подготовки к испытаниям, которые раньше длились месяцами. Это также выгодно для команд, занимающихся нормативным регулированием. Проекты документов для подачи могут генерироваться автоматически, что позволяет специалистам сосредоточиться на интерпретации, анализе и контроле.
Та же логика применима и в области медицинских технологий. Агенты помогают в создании прототипов, проводят проверки конструкции и выявляют риски до того, как устройство попадает в лабораторию. Речь идет не только об упрощении этапов. Речь идет о создании адаптивных рабочих процессов, которые позволяют научным данным свободно перемещаться, а не накапливаться в изолированных хранилищах. McKinsey рассматривает это как более масштабную трансформацию: превращение сырой информации в непрерывный прогресс.
Также происходит сдвиг в области рабочей силы. McKinsey оценивает, что до 95% должностей в области наук о жизни в скором времени будут иметь агента. Сами рабочие места не исчезнут, но баланс работы изменится. Агенты возьмут на себя рутинные элементы. Ученые и клиницисты сосредоточатся на контексте, решении проблем и принятии решений.
Уже появляются новые должности. Координаторы агентов, которые управляют рабочими процессами. Менеджеры по качеству ИИ, которые обеспечивают результаты. Эти должности подчеркивают тот факт, что для многих организаций самым сложным будет не техническая, а культурная сторона. Научиться относиться к ИИ как к партнеру, а не просто как к инструменту, требует времени.
Изменения затрагивают и операционные аспекты. В производстве агенты могут считывать данные с датчиков биореакторов и оперативно корректировать условия, что дает инженерам возможность более точно контролировать выход и качество продукции. В сфере обеспечения соответствия нормативным требованиям агенты по документированию, протестированные в пилотных проектах, сокращают циклы отчетности с нескольких недель до нескольких часов, а производительность растет на величину до 80%. Это огромный скачок, который позволяет техническим командам сосредоточиться на исследованиях и разработках, а не на бумажной работе.
В совокупности эти примеры указывают на ближайшее будущее, в котором данные больше не будут препятствием в сфере наук о жизни. Напротив, они будут циркулировать между командами под управлением агентов, которые обеспечат их доступность и связность. Ученые, инженеры и клиницисты будут посвящать свое время открытиям и принятию решений, а агенты будут управлять всем остальным. Результатом станет исследовательская среда, которая адаптируется в режиме реального времени, позволяя быстрее, чем раньше, воплощать идеи в области лечения и медицинского оборудования в реальность.
