Последние два года фармацевтический рынок находится под мощным прессингом ИИ-ажиотажа. Отраслевые конференции, вебинары и презентации пестрят кейсами об успешном росте эффективности бизнес-процессов на десятки процентов. Из-за этого создается иллюзия, будто искусственный интеллект уже стал отраслевым стандартом, а компании без нейросетей безнадежно отстают.
Однако первый срез исследования, проведенного аналитическим агентством HexaData в первом полугодии 2026 года, показал: реальность куда более прозаична и тревожна. Главным барьером на пути AI-трансформации становятся не алгоритмы, а качество и управляемость корпоративных данных.
Профиль исследования и ключевой парадокс
В первом этапе опроса приняли участие руководители ИТ-департаментов, аналитических подразделений и направлений цифровой трансформации (уровень C-level) из более чем 30 крупных и средних фармкомпаний с годовым оборотом от 5 млрд рублей. Структура выборки распределилась следующим образом: 63% — российские производители, 37% — иностранные представительства.
Анализ ответов выявил парадоксальную картину — при 100%-ном интересе бизнеса к технологиям искусственного интеллекта:
- 72% респондентов прямо заявили, что их корпоративные данные не готовы к внедрению систем ИИ.
- 67% компаний сворачивают запущенные ИИ-инициативы на полпути из-за проблем с качеством информации.
- Лишь 8% пилотных проектов в итоге доходят до стадии промышленной эксплуатации.
Эти выводы практически полностью совпадают с результатами международных исследований Veeva: низкое качество, фрагментированность и отсутствие единого управления данными останавливают ИИ-проекты по всему миру. При этом российская специфика усугубляет проблему за счет исторически сложившихся форматов отчетности, бумажных процессов и консервативного регулирования.
«Триада барьеров» в данных
В ходе глубинных интервью ИТ-лидеры фармкомпаний выделили три повторяющиеся системные проблемы, которые мешают подготовить качественную базу для ИИ:
- Разрозненность систем: данные распределены по нескольким учетным системам, интеграция между которыми либо отсутствует, либо поддерживается ИТ-специалистами вручную.
- Хаос в справочниках (MDM): в компаниях отсутствуют единые справочники, из-за чего одно и то же сырье или продукт называется по-разному в производственном и коммерческом ИТ-контурах.
- Отсутствие Data Governance: функция управления данными не выстроена, в структурах компаний нет ответственных за качество, полноту и единообразие информации.
Сценарии использования ИИ: где спотыкается бизнес
Интерес компаний распределен по широкому спектру задач. В тройку самых востребованных сценариев вошли предиктивная аналитика спроса и продаж (45%), оптимизация логистики и складов (38%), а также автоматизация обработки документов (32%). Также компании активно пилотируют персонализацию коммуникаций с клиентами (25%), обслуживание оборудования (18%) и оптимизацию клинических исследований/R&D (12%).
Однако проекты буксуют по трех основным причинам:
- Некачественные данные на входе: математические модели не получают стабильный, полный и непротиворечивый набор информации.
- Отсутствие стандартов: процессы сбора, очистки и актуализации данных зависят от конкретных сотрудников и выполняются вручную.
- Регуляторный барьер: компании пока не понимают, как валидировать искусственный интеллект и встроить его в строго регулируемый GxP-ландшафт.
В итоге
Ближайшие 3–5 лет станут окном возможностей для формирования долгосрочного конкурентного преимущества. Однако главным активом компаний станет не сам ИИ (который является лишь надстройкой), а системная готовность данных и процессов к его масштабированию.
Эксперты сходятся во мнении: путь к искуственному интеллекту должен начинаться с честной внутренней диагностики. До покупки дорогостоящей ИИ-платформы критически важно разобраться, где находятся данные, кто отвечает за их качество и как системы связаны между собой. Без этого фундамента искусственный интеллект обречен оставаться дорогим экспериментом.
