Memusatkan Strategi AI, Memastikan Integritas Proses, dan Menyeimbangkan Kemenangan Cepat dengan Desain Obat Jangka Panjang di Bio/farmasi
Dalam wawancara bagian ke-2 dari 3 bagian mengenai presentasi “Keadaan AI dalam Penelitian dan Pengembangan Generasi Berikutnya” di CPHI Europe 2025, yang diadakan pada tanggal 28-30 Oktober di Frankfurt, Jerman, Eva-Maria Hempe, Kepala Layanan Kesehatan & Ilmu Hayati, NVIDIA, menjelaskan bahwa keberhasilan integrasi Kecerdasan Buatan (AI) dalam sektor bio/farmasi memerlukan penanganan organisasi, teknologi, dan budaya. tantangan-tantangan tersebut, berdasarkan analisis mengenai pentingnya strategi penerapan AI. Dia mencatat bahwa penerapan AI dianggap sebagai perubahan mendasar yang meresap ke seluruh rantai nilai, mencakup penerapan di seluruh penelitian dan pengembangan, manufaktur, dan aktivitas komersial. Rekomendasi utamanya bagi para pemimpin industri adalah memperkuat AI sebagai fungsi inti bisnis dibandingkan memperlakukannya sebagai hal yang terdesentralisasi atau tidak penting.
Menurut Hempe, hambatan yang ada saat ini terhadap penerapan AI secara luas beragam, termasuk silo organisasi dan data yang tersebar luas, sistem TI lama yang sudah ketinggalan zaman, dan strategi AI yang terfragmentasi. Selain itu, ia mengatakan bahwa kapasitas komputasi organisasi merupakan hambatan yang signifikan, yang sering kali diwujudkan dalam bentuk kelangkaan GPU, yang membatasi skalabilitas proyek; Permasalahan ini sering kali dikaitkan dengan kurangnya pengawasan strategis terpusat terhadap perencanaan infrastruktur. Untuk mempertahankan momentum AI, Hempe menyarankan organisasi untuk secara strategis menyeimbangkan tujuan jangka panjang yang sangat ambisius—seperti mengalihkan penemuan obat ke arah desain yang disengaja—dengan proyek “quick win” jangka pendek. Meskipun penemuan obat transformatif memerlukan jangka waktu lebih dari sepuluh tahun, dampak langsung dapat dicapai melalui penerapan seperti pengajuan peraturan otomatis, penulisan klinis, dan rekrutmen yang dioptimalkan untuk uji klinis, tambahnya.
Mengatasi hambatan-hambatan ini memerlukan fokus yang signifikan pada manajemen perubahan dan pergeseran budaya, yang menurut Hempe sering kali dianggap remeh. Hal ini melibatkan pendidikan komprehensif kepada staf dan pimpinan mengenai kemampuan dan keterbatasan AI. Selain itu, integritas proses merupakan prasyarat penting untuk digitalisasi yang bermakna, katanya, sambil merangkum perlunya fokus pada perbaikan mendasar sebagai “jika Anda mendigitalkan atau menstandardisasi atau mengotomatiskan proses yang rusak, Anda akan mendapatkan proses otomatis yang rusak.” Oleh karena itu, keberhasilan penerapan AI bergantung pada peningkatan ontologi standar, interoperabilitas data, dan memastikan kerangka kepatuhan yang kuat, simpul Hempe.
Lihat Bagian 1 dan Bagian 3 dari wawancara ini dan akses semua liputan CPHI Eropa kami!
Salinan
*Catatan Editor: Transkrip ini adalah rendering langsung dari konten audio/video asli yang belum diedit. Ini mungkin mengandung kesalahan, bahasa informal, atau kelalaian seperti yang diucapkan dalam rekaman aslinya.
Kita sudah membicarakan tentang silo, yaitu silo data, tapi menurut saya silo organisasi juga banyak. Jadi, menurut saya hambatan terbesar dalam penerapannya adalah silo organisasi, sistem TI lama, strategi AI yang terfragmentasi, dan manajemen perubahan yang terlalu diremehkan. Bukan hanya Anda yang melakukan AI sekarang dan semua orang akan langsung melakukannya.
Anda harus menemukan kemenangan cepat yang tepat, yang membantu orang untuk menerima peluang tersebut. Saya juga sebenarnya sering melihat kelangkaan GPU. Jadi sering kali komputasi yang ada tidak cukup bagi orang untuk menjalankan apa yang ingin mereka jalankan. Dan hal ini terkait dengan strategi AI yang tersentralisasi atau terfragmentasi. Jika Anda tidak memiliki strategi AI terpusat, Anda tidak memiliki gambaran yang baik tentang apa yang Anda perlukan dalam hal infrastruktur untuk menjalankan proyek AI terpenting bagi organisasi. Jadi, hal pertama yang saya harap dapat diatasi, saya akan merekomendasikan orang-orang untuk mengatasinya, adalah untuk benar-benar memiliki strategi AI terpusat dan menjadikannya sebagai fungsi bisnis inti dan bukan sekadar tambahan.
Ini hanyalah sesuatu yang menyebar ke seluruh rantai nilai, dan kami melihat kasus penggunaan mulai dari penelitian dan pengembangan hingga manufaktur dan komersial. Jadi ini harus menjadi fungsi inti bisnis utama.
Hal kedua, yang telah saya singgung, adalah menyeimbangkan proyek-proyek yang bersifat quick win dengan inisiatif-inisiatif yang lebih ambisius. Kita semua berharap, dan kita semua berupaya untuk menjadikan penemuan obat bukan sekedar penemuan yang kebetulan, namun lebih merupakan rancangan yang disengaja. Tapi itu sangat sulit, dan jangka waktunya hanya lebih dari 10 tahun. Anda masih harus menjalani semua tahapan uji klinis. Sekali lagi, AI dapat membantu uji klinis, tetapi jika Anda mengonsumsi obat selama enam minggu, itu hanya akan memakan waktu enam minggu. Atau kalau butuh dua bulan atau tiga bulan kalau ingin menunjukkan kelangsungan hidup jangka panjang, itu hanya butuh waktu. Jadi ini adalah bagian portofolio jangka panjang, namun ada juga banyak keuntungan cepat yang memberikan dampak segera. Hal ini mungkin tidak se-seksi penyelesaian penemuan obat, namun dengan hal-hal seperti penulisan klinis, pengarsipan otomatis untuk peraturan, serta rekrutmen yang lebih baik untuk uji klinis, Anda dapat memperoleh banyak manfaat dalam skala waktu yang sangat singkat, dan hal ini akan memungkinkan Anda mempertahankan momentum untuk inisiatif-inisiatif yang lebih berjangka panjang dan ambisius.
Lalu menurut saya hal terakhir, yang juga saya katakan sebelumnya, adalah manajemen perubahan. Jadi itu mendidik staf, mendidik kepemimpinan. Salah satu hal tentang AI adalah ia sangat kuat dan sekaligus tidak kuat. Jadi, Anda perlu memahami apa yang dapat dilakukannya agar pada dasarnya juga dapat menilai apa yang Anda lakukan dengan keluarannya.
Ya, benar-benar mendorong proses manajemen perubahan, mendorong pergeseran budaya, juga mendorong perbaikan proses. Kami katakan sebelum sampah masuk, sampah keluar. Dan pepatah serupa lainnya adalah jika Anda mendigitalkan atau menstandardisasi atau mengotomatiskan proses yang rusak, Anda akan mendapatkan proses otomatis yang rusak. Jadi melakukan semua hal tersebut merupakan prasyarat nyata untuk sepenuhnya memanfaatkan kekuatan AI. Dan tentu saja beberapa tantangan yang lebih teknis seperti interoperabilitas data, ontologi standar, dan kemudian kepatuhan. Namun di sana kami juga melihat kerangka kerja bermunculan dan kami bekerja sama dengan mitra di banyak bidang.
