製薬業界のAI活用事例25選｜創薬・治験・品質管理の削減率と導入コスト・GxP規制【2026年版】

2026年10月時点の製薬業界のAI活用は、「業務系AIは削減率が公表される本番運用段階、創薬AIはまだ検証段階」という二層構造です。治験総括報告書の作成時間 約50%削減や、需要予測が1週間から約30分になったという数値が出ている一方で、AIが発見・設計した医薬品でFDA・EMA・PMDAの承認を得たものは、現時点で確認できません。

この進み具合の差を知らないまま投資計画を立てると、稟議は通っても成果を測る指標を決められません。この記事では公式リリース・当局文書・査読論文・有価証券報告書をもとに、どの業務にAIを入れると何がどれだけ短くなるのか、いくらかかるのか、どの規制に触れるのかを、製薬の業務全体にわたって整理します。

この記事でわかること

• 創薬・非臨床・治験・製造/品質・安全性監視・薬事/MR・サプライチェーンまで、業務領域ごとのAI活用マップと効果の実数値
• 武田薬品・中外製薬・塩野義製薬・第一三共・小野薬品・住友ファーマなど、国内主要企業が公表している取り組みと数値（25事例）
• AI創薬の到達点を、成功例と中止・遅延例の両方から見た客観データ
• AIを入れる前に必要になるデータ連携・データ移行の事例と、GMP下で残すべき記録
• 「既存SaaS」「自社RAG」「GxP対象システム」の3段階で見た導入コストの目安と、2026年の政策・補助金
• FDA・EMA・PMDAの規制で「確定していること」と「まだ確定していないこと」の切り分け
• 大手・中堅・後発品/CDMOという企業規模別の着手順

こんな方に向けた記事です

• 製薬企業のDX推進部・情報システム部・研究開発／製造／信頼性保証（QA）部門の担当者
• CRO・CDMO・原薬メーカー・分析受託など、製薬に関わる企業の企画職
• 製薬向けソリューションを提供するヘルステック企業・SIerの事業開発担当
• ライフサイエンス領域への提携・投資を検討している事業会社

この記事は製薬企業の業務全体を横断して扱います。AI創薬の仕組み（構造予測モデル・生成化学）や創薬AIスタートアップの比較、研究者向けAIツールの使い分けを深く知りたい場合は、製薬・バイオテックのAI活用事例｜AI創薬の到達点・国内大手の導入実績・Claude Science/GPT-Rosalindの使い分けのほうが目的に合います。生成AIの基礎からおさえたい方は生成AIとは？仕組み・できること・活用事例・リスクを先にどうぞ。

2026年の製薬AIの全体像：業務系は数値化済み、創薬は検証段階

2026年10月時点の製薬AIは、業務系・創薬・規制の3つで進み具合がまったく違います。

1. 業務系AI（治験文書・需要予測・安全性資材・社内ナレッジ）は、削減率が公表される段階に入った。 塩野義製薬×日立製作所の治験総括報告書 約50%削減、武田薬品の需要予測 1週間→約30分（報道）が代表例です。
2. 創薬AIは提携金額が総額ベースで数千億円規模まで広がったが、成果はまだ臨床試験の途中。 AIが設計・発見した医薬品の承認は、2026年10月時点で確認できません。9月には、計算化学で設計された武田薬品の zasocitinib が米国で優先審査に入りましたが、これを「AI創薬」に含めるかは見方が分かれます。
3. 規制は整備の途中で、確定した事項と未確定の事項が混ざっている。 EU GMP Annex 22（AI）は10月時点でも採択されておらず、PMDAは今年度中に「AI利活用に関する基本的な考え方」を公表する方針と報じられています。

短期の投資回収は業務系AIで取り、創薬AIは中長期のパイプライン投資として別の物差しで評価する。2026年時点では、この二段構えが現実的です。投資判断の会議でこの2つを同じ表に並べると、回収期間の前提が違うため議論が噛み合いません。

製薬バリューチェーン別 AI活用マップ

製薬企業の業務は大きく7領域に分かれ、AIの成熟度、効果の出方、規制リスクは領域ごとに違います。効果が大きい領域と、すぐ始められる領域は一致しません。 最初にこの地図を持っておくと、着手する順番を決めやすくなります。

効果マップ（何にAIを使い、どれだけ短縮できたか）

導入判断マップ（難易度・コスト・規制）

概算コストは公開情報と一般的なシステム開発相場から見た目安で、要件によって大きく変わります。始めるなら、規制リスクが低く工数が大きい薬事・MR・社内ナレッジ領域から入り、効果測定の実績を作ってからGxP領域へ広げる順序が現実的です。製造・品質領域のAI（外観検査・予知保全）は製造業全般と共通点が多いため、費用相場や補助金の考え方は中小製造業のAI導入完全ガイド｜費用相場・補助金・ROI計算も参考になります。

製薬業界でAI活用が加速する3つの背景

製薬業界は、投資対効果の面でAI活用の優先度が特に高い産業です。

1. 開発コストと期間が限界に近づいている

新薬1剤あたりの開発費用は業界推計で数千億円規模、期間は10〜15年が一般的とされます。臨床試験の通算成功確率は10%前後と低いため、探索段階の効率をわずかに上げるだけでも金額への影響が大きくなります。開発の後工程（治験文書・安全性情報・薬事対応）は人件費の比率が高く、生成AIで減らせた工数がそのまま損益に反映されます。

2. 特許切れ後の収益構造の見直し

大型品の特許切れが続くなかで、各社はパイプラインの拡充とコスト構造の改革を同時に進める必要があります。候補化合物の早期絞り込みと、開発・製造・安全性監視の間接業務の削減は、この課題への直接的な打ち手です。2026年に入って各社の有価証券報告書にAI活用の記述と定量指標が並ぶようになったのは、AIが実験的な取り組みから経営の説明事項に移ったことを示しています。

3. モダリティの多様化で探索範囲が広がりすぎている

低分子・抗体・核酸・細胞治療とモダリティが増え、標的と分子の組み合わせは人手で調べきれる範囲を超えました。計算化学・機械学習・構造予測モデルの併用が前提になりつつあります。

市場規模の数字を引用するときの注意

AI創薬関連の市場規模は、調査レポートによって対象範囲の定義が大きく違います。2026年の市場規模だけでも7.62億ドル・25.3億ドル・42億ドルといった数字が並んでおり、数倍の開きがあります。

差の原因は、プラットフォームの売上だけを数えるか、受託研究や計算基盤まで含めるかといった定義の違いです。稟議資料や事業計画に引用するときは、調査主体名と対象範囲の定義を必ずセットで書いてください。「AI創薬市場は◯◯億ドル」と数字を1つだけ示している資料は、根拠としては弱いと考えたほうが安全です。

2026年に何が変わったか：製薬AIの動向タイムライン

出典: 武田薬品工業株式会社 公式サイト

2026年1月からの約10カ月で、AI創薬の提携規模の拡大、後期臨床への到達、規制の整備、そして当局自身のAI導入が同時に進みました。押さえておきたい出来事は次のとおりです。

ここから読み取れる2026年の論点は3つです。①提携金額が総額数千億円規模まで上がった、②AI由来の化合物が実力の問われる後期臨床や承認審査に入る一方、中止・遅延の例も出てきた、③規制当局自身がAIを業務に入れ、GMPという規制の最も厳しい領域にまでAIのルール作りが及んできた。

創薬・探索研究のAI活用事例

創薬探索は、製薬業界で最もAI活用が進み、提携金額も大きい領域です。ここでは業界全体の見取り図として主要な事例を押さえます。技術方式の比較やプラットフォームの選定まで詳しく検討する場合は、製薬・バイオテックのAI活用事例｜AI創薬の到達点・国内大手の導入実績・Claude Science/GPT-Rosalindの使い分けをあわせて読んでください。

事例1. 武田薬品 × Insilico Medicine / Boltz（2026年）

武田薬品工業は2026年7月2日、Insilico MedicineのAI創薬基盤「Pharma.AI」を使って新薬候補化合物を創出する戦略的共同研究契約を結びました。報道によれば、プロジェクト開始費用・短期の支払い・マイルストーンを合わせて約6,000万ドル、開発・商業化・販売のマイルストーンをすべて含めると最大約6億ドル規模で、これに段階的なロイヤルティが加わります。

その直前の6月中旬には、Boltzの生体分子AIモデル（BoltzMol-1・BoltzProt-1）を武田の研究組織全体に展開すると発表しています。構造予測・結合親和性の推定・分子の生成設計に使い、生成された化合物の権利は武田が持つ形です（金額は非開示）。個別案件の提携と、研究基盤としてのAI導入を並行させている点が、国内大手の中でも目立ちます。

事例2. 中外製薬の抗体設計AI「MALEXA」

中外製薬は、独自の抗体配列最適化AI「MALEXA」シリーズ（リード抗体の配列提案＝MALEXA-LI、開発候補抗体の提案＝MALEXA-LO）を開発しています。同社の公表資料によれば、既存抗体と比べて結合強度が1,800倍以上に上がった配列を提案した実績があります。

2026年2月27日の第2回医薬品開発協議会（内閣官房）では、「ラボオートメーション」「データ蓄積」「デジタルリテラシー」「AI分子デザイン」の4軸でAI創薬を進めていることを示しました。モデル単体ではなく、実験データを継続して生み出す仕組みとセットで設計している点が特徴です。

事例3. 第一三共 × AWS「AIエージェント統合型創薬基盤」

第一三共はAmazon Web Servicesと協業し、AI・クラウドと実験自動化を組み合わせた創薬研究プロセスを構築しています。AWS公式ブログ（2025年10月）によれば、研究機器をクラウドにつないで実験データとメタデータを自動で取り込み、Amazon SageMaker Unified Studio でデータメッシュ型の研究データ基盤を作り、Amazon Bedrock のAIエージェントがその上で実験計画を立てる構想です。2026年の運用開始を目指すと公表されていますが、2026年10月時点で運用開始を示す公式発表は確認できていません。

AIエージェントが計画から実行まで受け持つ仕組みは、AIエージェントとは？仕組み・種類・活用事例・代表ツールで基礎から整理しています。研究機器やLIMSへの書き込み権限をどう設計するかは、製薬に限らずエージェント導入に共通する論点です。

事例4. アステラス製薬「人×AI×ロボット」プラットフォーム

アステラス製薬は、AIによる設計とロボットによる自動合成を組み合わせ、人が判断に加わる形の創薬プラットフォームを自社開発しています。公表情報では、シェーグレン症候群の候補探索で、ヒット化合物からリード最適化までの期間が平均約2年から約7カ月に短くなったとされています。

事例5. Tokyo-1（共同利用型スパコン基盤）

アステラス製薬・小野薬品工業・第一三共などが参加するTokyo-1は、NVIDIA DGX H100をベースにした製薬業界向けの共同利用型計算基盤です。各社が専有ノードを確保し、必要に応じてGPUを追加して使います。計算基盤を1社で抱えずに済ませるという選択肢を示した事例です。

事例6. LInC（ライフ インテリジェンス コンソーシアム）

製薬企業とIT企業が横断的に参加し、創薬プロセス全体へのAI適用を産学連携で進めるコンソーシアムです。計算基盤や専門人材を自社だけで持てない中堅・後発品メーカーにとっては、単独投資より現実的な選択肢になります。国もAMEDの「産学連携による創薬AIプラットフォーム開発（DAIIA-X）」で、創薬ターゲット予測AIや、複数のAIを統合した創薬DX基盤の開発を進めています。

事例7. Isomorphic Labs（Alphabet傘下）

Alphabet傘下のIsomorphic Labsは、2026年2月10日に統合設計エンジン「IsoDDE」を公開し、5月12日にはシリーズBで21億ドルを調達しました。

ただし臨床の進み具合は別に見る必要があります。2026年10月時点で、同社が設計した薬剤を患者に初めて投与したという公表はありません。 初回投与の目標は2026年末とされています。調達額と臨床の進捗は分けて読んでください。

事例8. Insilico Medicine「rentosertib」

AIで標的を見つけ、AIで分子を設計した候補として、初めてPhase IIaで有効性のシグナルを示した特発性肺線維症の候補薬です（Nature Medicine 2025年6月掲載）。2026年7月7日にPhase IIIを開始し、中国の47施設・約320例で、52週のFVC（努力肺活量）の年間低下率を評価する段階に入りました。

9月7日には第IIa相（42例・12週）のプロテオミクス解析が Nature Biotechnology に掲載されています。Insilicoは3月末にEli Lillyとも総額最大約27.5億ドル規模の提携を結んでおり、AI創薬企業として臨床と提携の両方で先行しています。

生命科学研究でAIが新しい発見を出した例としては、Claudeが新しい酵素システムを発見｜AI創薬/生命科学研究への影響も参考になります。

事例9. NEC × Transgene「TG4050」（2026年9月）

NECとTransgeneは、AIで患者ごとのネオアンチゲンを設計したがんワクチンTG4050について、切除後・局所進行のHPV陰性頭頸部扁平上皮癌を対象にした第I相のデータを Nature Communications に発表しました（2026年9月2〜3日）。TG4050の即時投与群16例全員が3年無病生存（追跡期間中央値41カ月）、対照群は16例中3例が再発という結果です。即時投与群の73.3%で、患者固有の変異に対するT細胞応答も確認されています。

症例数の少ない第I相のため、有効性の確定にはさらに検証が要ります。それでも、日本企業のAI技術が個別化医療で成果を出している数少ない例です。第II相の免疫学的な初回データは2026年下期、2年無病生存率は2028年第1四半期に出る予定です。

AI創薬の到達点：成功例と中止・遅延例をセットで見る

AI創薬の進展は、成功側の数字だけを見ると判断を誤ります。投資判断の資料には、成果と限界をセットで載せてください。

確定している事実（2026年10月時点）

• AIが発見・設計した医薬品で、FDA／EMA／PMDAの承認を得たものは確認できない。 最も先行するrentosertibもPhase IIIを始めた段階です。なお、FDAの承認記録は「AIを使ったかどうか」で分類されていないため、「AI創薬の初承認」はどこまでをAI創薬と呼ぶかで変わります。
• 計算化学で設計された候補が承認審査に入った。 武田薬品が Nimbus Therapeutics から取得したTYK2阻害薬 zasocitinib（中等症〜重症の尋常性乾癬）は、2026年9月にFDAが優先審査で申請を受理しました（審査目標は2027年第1四半期）。物理ベースの計算（自由エネルギー摂動計算）で設計された分子で、機械学習中心の「AI創薬」と同じに扱うかは見方が分かれます。
• Phase Iの通過率は高いが、Phase IIの壁は変わっていない。 AI由来の候補はPhase Iで80〜90%の成功率が報告される一方、有効性を確かめるPhase IIの成功率は従来の業界平均と大差ないという集計が多く出ています（いずれも業界の二次集計）。
• AI設計分子でも開発中止は起きる。 中外製薬がMALEXAを一部に使って開発した抗体 BRY10 は、2024年10月に第I相を始めましたが、2026年1月下旬の決算説明で開発パイプラインから外されました。同社は理由の詳細を開示しておらず、MALEXAの技術そのものとは関係ないと説明していると報じられています。
• スケジュールは遅れる。 Isomorphic Labsの初回投与の目標は2026年末へ後ろ倒しされています。

AIは、合成でき、物性や安全性のプロファイルがよい分子をつくることは得意です。しかし「効くかどうか」は標的生物学の問題で、AIだけでは解けません。「Phase Iの成功率が高い」というデータだけを引用した資料は、投資判断の根拠として足りません。

「AIで開発期間が半分になる」とは書けない理由

社内説明で使われがちな「AIで開発期間が大幅に短くなる」という表現は、2026年10月時点では探索からPhase I到達までの話として受け取るのが正確です。臨床開発全体の期間が短くなるかは、まだ検証されていません。数値で短縮が示されているのは、治験文書・需給計画・安全性資材といった業務系です。短期の投資回収はここで取ることになります。

非臨床試験のAI活用事例

非臨床段階では、化合物スクリーニングの効率化と毒性予測の精度向上が中心です。創薬探索ほど注目されませんが、動物実験を減らせるため、費用・期間・倫理の3つの面で効果があります。

事例10. in silicoでの毒性・ADMET予測

QSAR（定量的構造活性相関）モデルやディープラーニングを使い、化合物の構造から毒性・薬物動態・代謝（ADMET）を予測します。実験の前に候補を絞り込むことで、動物実験の数と非臨床試験の期間を縮められます。

ただし、in silicoの予測は現時点で試験の代わりにはなりません。 規制当局に出す非臨床データは実試験にもとづく必要があり、AIの役割は優先順位付けと設計の支援にとどまります。

事例11. 遺伝毒性・安全性評価の予測モデル

国内でも、医薬品の遺伝毒性を予測するAIを自社開発し、市販の予測ソフトより精度を高めたと報告する例が出ています。非臨床の安全性評価の一次スクリーニングにAIを置き、確認試験に人を集中させる設計です。

分子設計や物性予測の方法は、化学・素材業界のマテリアルズインフォマティクスと共通点が多く、化学・素材業界のAI活用事例｜マテリアルズインフォマティクスも設計の参考になります。

治験・臨床開発のAI活用事例

治験は新薬開発で最も費用と期間がかかる工程で、AIの効果を金額に換算しやすい領域です。2026年時点で実運用に入っているのは、規制関連文書の作成支援と候補患者のスクリーニングの2つです。

事例12. 塩野義製薬 × 日立製作所の規制関連文書作成支援（2026年2月24日提供開始）

塩野義製薬と日立製作所は、生成AIとRAG（検索拡張生成）を組み合わせ、治験実施計画書・治験総括報告書などICH-E6／ICH-E3に沿った規制関連文書の作成を支援するソリューションを共同開発しました。日英が混ざった治験データから要点を抜き出して初稿を作る仕組みで、塩野義でのPoCでは治験総括報告書で約50%、治験実施計画書で約20%の作成時間削減が確認されています。

2026年2月からは、日立が国内の医薬品・ヘルスケア企業向けに提供を始めました（価格は非公開）。自社PoCの成果を製品にして他社に売る流れは、国内製薬のAI活用では新しい形です。自社で一から作るか、検証済みのソリューションを買うかを選べるようになりました。

このソリューションは汎用の生成AIをそのまま使うのではなく、企業ごとの文書テンプレート・用語辞書・品質チェックの手順と一体で提供されています。 規制文書は形式の要件が厳しいため、モデルの性能より周辺の作り込みが成果を左右します。

事例13. 国立がん研究センターの治験報告書ドラフト生成

国立がん研究センターは、生成AIで治験報告書のドラフトを作る検証を進めています。アカデミアでも、治験関連文書の下書き生成が現実的な選択肢になっていることを示す例です。医師主導治験を多く抱える施設では、文書作成の負荷がそのまま試験を回せる数の上限になっているため、効果が出やすい領域です。

事例14. IQVIA「Inteliquet」× 京都大学医学部附属病院

IQVIAは、医療情報を横断して治験の参加候補者を見つける「Inteliquet」を提供しています。2025年度には京都大学医学部附属病院に加え、大阪赤十字病院・神戸市立医療センター中央市民病院を含む3施設で共同研究が行われました。CRCや医療従事者の負担を減らし、患者登録の期間を縮めるのが狙いです。

医療機関側から見た治験・診療でのAI導入は、医療AIの活用事例｜病院の導入メリット・課題で整理しています。製薬側と医療機関側では導入の動機もハードルも違うため、両方を知っておくと治験関連のプロジェクトを設計しやすくなります。

治験領域でAIを使うときの前提

治験文書は、GCPと申請資料の信頼性の基準（正確性・完全性／網羅性・保存性）を満たす必要があります。AIが生成した文書をそのまま提出することはできません。 「AIが初稿、人が検証・承認」の二層構造と、その検証記録の保存が前提です。

ここを軽く見ると、監査や査察で「誰が、何を根拠に承認したのか」を説明できなくなります。運用設計の段階で、AI出力の版管理・レビュー記録・承認者の記録をどう残すかまで決めておいてください。

製造・品質管理（GMP領域）のAI活用事例

製造・品質はGMPの規制下にあるため、AIを入れるときのバリデーション（検証）と記録保存の要件が他の業界より厳しくなります。それでも、需要予測・外観検査・QA文書作成はすでに実用段階です。

事例15. 武田薬品のAI需要予測（2025年8月発表）

武田薬品工業は国内の製造・供給部門でAI需要予測を使っています。2025年8月に発表され、実業務での利用は同年春ごろから始まったと報じられています。取材記事（AnswersNews、2025年11月）で紹介された内容は次のとおりです。

• 複数名で1週間かかっていた需要予測の作業が30分程度で終わるようになった（同社担当者の説明。他の報道では「数時間」との表現もある）
• 製品の約7割（100製品弱）がAIの自動予測だけで回っており、目標は80〜90%
• 製品ごとに3年先まで毎月予測し、精度80%超を本格運用の判断基準にした。直近の精度は80%台後半
• 学習データは出荷実績・市場在庫・市場動向・薬価

需要予測は患者の安全に直結しにくく、効果を数値で示しやすいため、製造・サプライチェーン領域でAIを始めるなら最も入りやすい用途です。医薬品の安定供給が社会課題になっている今は、経営層の理解も得やすい領域です。

事例16. EQUES（東大松尾研発）のGMP／QA特化SaaS

製薬の品質保証に特化した国産ベンダーも育っています。EQUESは、QA文書を生成して製品スペックの作成を自動化する「QAI Generator」を提供し、2025年11月には「品質デザイナー for GxP」との自動連携も始めました。導入企業としてロート製薬 品質統括部などが紹介されています。2026年3月からは、GMP・MR向けの教育コンテンツを含む「AI×DX寺子屋 learning」も提供しています。

料金は条件で大きく変わるため、見積もりの段階で最新の条件を必ず確認してください。

GMP文書や逸脱管理は、汎用のLLMをそのまま使うより、製薬QA向けに作り込まれたSaaSのほうが早く立ち上がる場合があります。選択肢として持っておくと検討が進みます。

事例17. AI外観検査による出荷判定の効率化

錠剤の欠け、アンプル・バイアルの異物、ラベル印字のずれなどを、カメラとディープラーニングで自動判定する取り組みが広がっています。運用は、AIが全数を一次判定し、QC担当者は逸脱の候補だけを確認する構成が一般的です。

ベンダー資料には「精度99%台」「検査時間30%短縮」といった数値が並びますが、いずれも特定の条件で測った値で、自社ラインで同じ結果が出るとは限りません。自社の不良サンプルを使ったPoCを必ず挟んでください。費用の目安は、PoCで数十万〜数百万円（300〜500万円程度が多い）、本格導入で1,000万円〜、ライン全体を対象にすると数千万円規模です。

外観検査AIは食品製造や半導体製造でも広く使われています。食品製造・加工業のAI活用事例｜品質検査・賞味期限予測や半導体業界のAI活用事例｜製造歩留まり改善の導入手順も比較の材料になります。

事例18. PAT・QbDと組み合わせた工程逸脱の早期検知

製造領域のAI適用は、次の3層に分けると設計しやすくなります。

1. プロセス監視層：PAT（Process Analytical Technology）によるリアルタイム監視。QbDで定めた設計空間からの逸脱をAIが検知する
2. 分析手法層：統計的工程管理のAI、原材料・サプライヤーのロット品質リスク予測、不純物プロファイルの変動の事前検知
3. 出荷判定層：外観検査AIによる全数判定と、逸脱品の人による確認

このほか、設備の振動・温度・電流のデータから故障の予兆を見つける予知保全や、カメラとAIで作業者の手順逸脱を検出する仕組みも導入が進んでいます。

事例19. QMS業務（逸脱・CAPA・変更管理）の効率化

逸脱管理、CAPA（是正処置・予防処置）、変更管理、監査対応といったQMS業務でも、文書の整合性確認やテストパターンの設計にAIを使う例が出ています。過去の逸脱記録から似た事象を探して示す使い方は、ベテラン頼みの状態を解消するのに役立ちます。

ただし、この領域はGMPの直接の対象です。モデルを更新するたびに再バリデーションが要るかを判断しなければならず、自動でアップデートされるSaaSとは相性がよくありません。 契約のときに、モデル更新の方針（更新頻度・事前通知・バージョン固定の可否）を必ず確認してください。

安全性監視（ファーマコビジランス）のAI活用事例

出典: 中外製薬株式会社 公式サイト

ファーマコビジランス（PV）は、扱う文章の量が膨大で報告要件も年々複雑になっており、人手中心の体制がすでに限界に近い領域です。AIの費用対効果が出やすい一方、誤りが患者の被害に直結するため、運用設計が厳しく問われます。

事例20. 中外製薬 × NTT DATA：インタビューフォーム初稿作成AI

中外製薬とNTT DATAは、医薬品の安全性情報管理業務のうち、インタビューフォーム（IF：薬剤師向けの医薬品解説書）の初稿作成を自動化する仕組みを作りました。処理は4段階です。

1. RAGで承認申請資料・添付文書から必要な情報を抜き出す
2. 抜き出した情報を構造化する
3. 生成AIで初稿を作る
4. 複数のセクションをつなげて1本の文書に整える

1〜2カ月程度の納期短縮が見込めるとされ、IF以外の安全性資材への展開も検討されています。

事例21. 副作用報告（ICSR）のトリアージ

生成AIと自然言語処理を組み合わせ、個別症例安全性報告（ICSR）を重篤度・因果関係の観点で一次分類し、PV担当者が重要な症例に集中できるようにする運用です。報告書のPDFや各種書式からの情報抽出は、OCRとLLMの組み合わせで自動化が進んでいます。ICSR処理の大半を自動化したという報告もありますが、二次情報のため参考値として扱ってください。

2026年時点の標準的な運用は「AIが下書き、人が判断」の二層設計です。AIの出力は必ず有資格者（薬剤師・医師など）のレビューを通し、その記録を残します。

事例22. シグナル検出のためのマルチソース監視

MRの日報・活動記録、コールセンターの通話記録（文字起こし後）、公開されているSNS投稿、医療機関からの報告や文献情報などを横断して監視し、安全性の懸念を早く見つける取り組みも進んでいます。定期報告書のドラフト自動生成も、その延長にあります。

学術面の整理も進んでいます。厚生労働科学研究の報告（令和7年度）は、2026年4月時点のPV×AI関連論文135件を9つに分類しており、どの業務にどの技術を当てるかを考える出発点として使えます。

PVでAIを使う前に社内SOPで決めておくこと

見落とされやすいのが、全社に入れた生成AIチャットで有害事象の情報が入力された場合の扱いです。MRや問い合わせ窓口の担当者が生成AIとやり取りする中で有害事象の情報が出てきたとき、GVP上の報告義務とどうつなぐのか。このつなぎ方を決めないまま全社展開すると、後からさかのぼって対応することになります。

薬事・MR・マーケティングと全社導入の事例

出典: 小野薬品工業株式会社 公式サイト

規制リスクが比較的低く、工数削減の効果がすぐ出るため、多くの企業が最初に着手する領域です。国内大手では、すでに全社導入が前提になっています。

事例23. 全社型生成AIの導入と、有価証券報告書に載り始めた「利用率」

2026年の変化として見逃せないのが、生成AIの利用状況が有価証券報告書に書かれるようになったことです。人的資本開示の一部として定量指標が出てきたため、他社と比べられるようになりました。

利用率63.4%という数字は、「導入した」ではなく「使われている」ことを示しています。 全社導入の稟議では、ライセンスの配布数ではなくアクティブ利用率を目標指標に置くと、施策が効いているかを測れます。

社内標準ツールの選定で迷う場合は、生成AIツールおすすめ比較｜用途別の選び方と主要サービスの違いで主要サービスの違いを確認し、法人契約の条件（学習オプトアウト・データ保存地域・監査ログ）を製薬固有の要件に照らして評価してください。研究部門向けには、次のような生命科学向けの製品も出ています。

事例24. MR活動記録の自動構造化

MR業務では、医学文献の翻訳・要約、面会記録や業務報告書の下書き、医師との面談のロールプレイ、社内ナレッジ検索が主な用途です。訪問時の会話を録音・構造化し、訪問の目的や医師の反応を自動で抜き出してSFAに入れるSaaSでは、導入企業で入力の手間を大きく減らした例が公表されています。

MRの活動記録は、入力が面倒だから中身が粗くなり、データとして使えなくなる悪循環に陥りがちです。入力の負担そのものを減らすことは、営業データの質を上げることにも直結します。

事例25. 資材レビュー・適正広告チェックの一次スクリーニング

医療用医薬品の販売情報提供活動は薬機法と業界ガイドラインの対象で、資材のレビューは工数が大きい業務です。AIを一次チェック（禁止表現・エビデンスとの整合・記載漏れの検出）に使い、最終判断を審査担当者が行う構成なら、レビュー期間を縮められます。

ただし生成物は薬機法審査の対象で、AIの判定をもって審査完了とはできません。あくまで一次スクリーニングとして位置づけてください。薬局・医療機関向けの情報提供物も考え方は同じで、下流の現場での活用は薬局のAI活用事例｜調剤・在庫管理・接客への導入ガイドも参考になります。

国内主要製薬企業のAI活用一覧

出典: 第一三共株式会社 公式サイト

公式リリース・IR情報・業界メディアで確認できる範囲で、主要企業の取り組みを一覧にしました。

一覧の数値は、いずれも各社が公表した特定条件下の実績です。同じツールを入れても、データの整備状況・業務プロセス・対象品目によって効果は変わります。ベンチマークとしてではなく、「どの業務にどう当てたか」の参考として読んでください。

規制と当局側AI：確定していること／していないこと

AI導入の稟議で最も揉めるのが規制の論点です。確定している事項と未確定の事項を分けて説明できるかで、話が前に進むかが決まります。

確定していること（2026年10月時点）

審査する側もAIを使い始めたことが2026年の大きな変化です。ただし、当局がAIを使うからといって申請側の要件が緩くなるわけではありません。FDAのElsaについては、2025年に実在しない研究を引用する例があると報じられており、当局側のAIも検証を前提に使われています。

まだ確定していないこと

なお、FDAのComputer Software Assurance（CSA）の最終ガイダンス（2025年9月）は、医療機器の製造・品質システムで使うソフトウェアが対象です。医薬品GMPにそのまま適用されるものではないため、社内資料で引用するときは対象範囲を添えてください。

社内資料に「2026年にAnnex 22が施行される」と書くのは避けてください。 確定しているのは、最終化に向けた検討が進んでいるところまでです。一方で、最終化されれば移行期間は限られるため、GMP領域のAIについては、いま作っている仕組みが将来の要求に耐えられるかを意識しておく必要があります。EUのAI規制全体の動きは、EU AI規制法（EU AI Act）完全施行ガイドで整理しています。

日本の政策・支援制度（2026年）

7次締切以降の日程は、2026年10月14日時点で事務局のスケジュールページに載っていません。補助率・上限額・対象経費は枠ごとに違うため、事務局のスケジュールページと公募要領で最新の条件を直接確認してください。

薬機法・GVPまわりで押さえるべき制約

• AI生成文書をそのまま提出・承認に使えない。 「AIが初稿、人が検証・承認」の二層構造と、検証記録の保存が前提です（GxP／ALCOA+）。
• 資材・広告文言の生成は一次スクリーニングまでにとどめる。 薬機法と適正広告ガイドラインの対象で、最終判断は審査担当者が行います。
• PVでの有害事象の検知の扱いを、社内SOPで先に決める。 生成AIとの対話で有害事象の情報が入力された場合の報告フローを用意しておく必要があります。
• GMP領域はモデルを更新するたびに再バリデーションを検討する。 SaaSの自動アップデートとの相性を、契約段階で確認してください。

これらの制約は、AIを社内の業務システムや既存の基幹システムに組み込むときにそのまま要件になります。医療・薬局など規制のある業種で業務システムにAIを入れるときに守るルールと要件、費用の考え方は、規制業種のAI導入｜医療・薬局・金融・インフラで守るルールと要件・費用にまとめています。

製薬のデータ連携・データ移行：AIを入れる前の土台づくり

製薬企業のAIの効果は、どのシステムのデータを、どれだけつなげられるかでほぼ決まります。実際に成果が出ている事例は、研究機器・基幹システム・文書管理のデータを先に整えています。逆に、データ連携を後回しにしてPoCを始めると、案件ごとにデータを抜き出す仕組みを作り直すことになり、開発工数が膨らみます。

事例に見るデータ連携の形

海外のデータ移行の例（ベンダー公表）

規制対象のシステムを入れ替えるときのデータ移行は、海外では支援ベンダーが事例を公開しています。数値はいずれもベンダーの公表値です。

• 臨床データの移行：Veevaは、上位20社に入る製薬企業の臨床試験25件を Vault EDC に移行したと公表しています（5,500万超のデータポイント、500万フォーム）。
• 薬事情報の移行：スイスの製薬企業が Veeva RIM Vault に移るにあたり、移行データの検証と保証のチェックを組み込んだ例をCoforgeが紹介しています。
• 品質管理システムの構築：Vault QMSの設定を増やしすぎた結果、バリデーションの負担が重くなり、GMP査察での説明も難しくなったため、設計を簡素化した例をZamann Pharmaが紹介しています。

3つ目の例のように、移行と同時に業務の作り直しを詰め込みすぎると、後の検証と説明の負担が増えます。移す範囲を絞る判断も、移行計画の一部です。

GMP下のデータ移行で残す記録

GMP・GCP・GVPの対象データを移すときは、移行の前後でデータインテグリティ（ALCOA+：帰属性・判読性・同時性・原本性・正確性に加え、完全性・一貫性・永続性・可用性）を保てたことを示す必要があります。一般的には次の記録を残します。

• 移行計画と承認記録（移す範囲、移さないデータの扱い、手順、判定基準）
• 件数の照合と、移行前後の差分の確認結果
• 監査証跡（誰がいつ何を変えたか）の引き継ぎ方と、引き継げない場合の旧データの保存方法
• 切替の判定と、問題が出たときの戻し方

厚生労働省の「コンピュータ化システム適正管理ガイドライン」のどの項目にどう当てはめるかは、自社のCSV手順書と品質部門の判断に従ってください。

旧システムからの移行で、移す範囲・データの整備・照合・切替をどこまで社内で持ち、どこから外部に頼むかの分担を決めるときは、システム入れ替えのデータ移行を頼むには｜移す範囲・整備・照合・切替の分担を決めるが参考になります。

導入コストの目安：3段階で考える

検討の段階で一番知りたいのに情報が少ないのが、結局いくらかかるのかです。製薬企業のAI導入コストは3段階に分けると見積もりやすくなります。表の金額は公開情報と一般的なシステム開発の相場から整理した目安で、実際の金額は要件で大きく変わります。

②と③では、データ連携・移行の費用が初期費用の大きな割合を占めることが多くあります。既存システムからのデータ抽出、形式の統一、照合の作業を見積もりの段階で分けて出してもらうと、比較しやすくなります。

見積もりで抜けやすいのは③の継続コストです。 GxP領域では、モデルやデータが変わるたびに再バリデーションの要否を判断する必要があります。初期構築費だけで稟議を通すと、2年目以降の予算が足りなくなります。

①から始める場合も、教育とルール整備の工数を見込んでください。武田薬品がデジタルトレーニング参加率を有価証券報告書に載せているのは、ツールを配るだけでは利用率が上がらないことの表れです。

企業規模別：どこから着手すべきか

多くの解説は大手製薬を前提に書かれていますが、規模と立ち位置によって現実的な出発点は違います。

どの区分でも決め方は同じで、自社の損益で最も重い人件費がどの業務にあるかから逆算します。研究の人員が厚い企業と製造の人員が厚い企業では、AIを当てるべき場所がまったく違います。

導入を進める6ステップ

1. 業務の棚卸し：どの業務に何人・何時間かかっているかを部門ごとに洗い出す。AIの使い道からではなく、重い業務から探す
2. 規制区分の判定：対象業務がGxPの対象か、薬機法審査の対象かを先に決める。ここが曖昧なままPoCに入ると手戻りが大きい
3. データの所在と連携方法の確認：使うデータがどのシステムにあり、紙・PDF・部門サーバに散らばっていないか、移行や連携が必要かを確認する
4. ツール選定と契約条件の確認：学習利用の有無（オプトアウト／ゼロデータ保持）、保存リージョン、監査ログ、SSO、再委託先の一覧、GxPバリデーション支援資料の有無
5. PoCと運用設計：削減率を測れる形で設計する。「便利になった」ではなく「何時間が何時間になったか」を記録し、AI出力のレビュー者・承認記録・版管理・逸脱時の対応をSOPに落とす
6. 展開と教育：利用率をKPIに置く。配布数ではなくアクティブ利用率で測る

セキュリティ・ガバナンスで確認すべき項目

治験データや患者情報を扱う以上、契約とテナント設定の確認は欠かせません。プラン名ではなく、契約書とテナント設定で何が保証されるかを見てください。

• 入力データの学習利用の有無（オプトアウト／ゼロデータ保持の可否）
• データの保持期間と保存リージョン
• 監査ログの取得範囲と保存期間
• SSO・権限分離・部門ごとのアクセス制御
• 再委託先（サブプロセッサ）の一覧の開示
• モデル更新の方針（更新頻度・事前通知・バージョン固定の可否）
• GxPバリデーションを支援する文書（バリデーションパッケージ）の有無
• AIエージェントが研究機器・LIMS・MES・SFAに書き込むときの権限の範囲と、人の承認を挟む場所
• システム移行時に監査証跡を引き継ぐ方法

情報漏洩やプロンプトインジェクションなど、生成AI特有のリスクの全体像は生成AIのセキュリティリスクと対策｜情報漏洩・プロンプトインジェクションにまとめています。AIエージェントを研究・製造の組織に広げる場合は、実行権限の範囲やログの改ざん防止といった論点が加わるため、AIエージェントのセキュリティ対策｜リスクの全体像と対策もあわせて確認してください。

つまずきやすいパターン

導入が止まる原因は、技術よりもデータと運用にあります。RANDの調査（2024年）は、AIプロジェクトの8割以上が失敗しているとしたうえで、解くべき課題の取り違えや、モデルの学習に必要なデータの不足を主な原因に挙げています。製薬業界で特に起きやすいのは次のパターンです。

• データが紙・PDF・部門別サーバに散らばっている。 RAGを組んでも検索対象が整理されておらず、精度が出ない。文書の棚卸しが先
• 旧システムのデータ移行とAI導入を同時に詰め込んだ。 移行の照合とAIの検証が重なり、どちらで問題が出たのか切り分けられなくなる
• 効果指標を決めずにPoCを始めた。 「便利だった」で終わり、横展開の稟議が書けない
• GxP対象かどうかの判定を後回しにした。 PoCの後にバリデーション要件がわかり、作り直しになる
• 全社導入したが利用率が上がらない。 ツールを配っただけで、教育と使い道の整理をしていない
• 他社の成功事例の数値を、そのまま自社の目標にした。 各社の数値は特定条件下の実績で、前提が違う
• 創薬AIと業務系AIを同じ物差しで評価している。 投資の回収期間がまったく違うため、議論が噛み合わない

AI導入を先に進めるべき企業／いま急ぐ必要がない企業

先に進めるべき企業

• 治験・薬事・PVの文書作成に人員を厚く割いている企業。 削減効果が数値で公表されている領域で、投資判断がしやすい
• 医薬品の安定供給と在庫の最適化が経営課題になっている企業。 需要予測AIは効果を数値で示しやすく、規制リスクも低い
• 社内の文書・データが電子的に蓄積されている企業。 RAGが早く立ち上がり、短期で成果が出る
• 製造原価の引き下げが急ぎの中堅・後発品メーカー。 外観検査・予知保全は補助金の対象にもなり得る
• QA・品質部門の業務が特定の人に偏っている企業。 過去の逸脱記録を検索・要約する使い方はすぐ効果が出る

いま急ぐ必要がない企業

• 創薬AIの内製化を目的にしているが、専門人材と計算基盤の見通しが立っていない企業。 提携や共同利用型の基盤を使うほうが合理的です
• 文書が紙やスキャンPDFが中心で、電子化されていない企業。 まず電子化と整理、必要ならデータ移行が先です。この順番を飛ばすと投資がむだになります
• GxP領域だけを対象にAI導入を考えている企業。 バリデーションの要件が重く、規制にも最終化待ちの部分があるため、規制対象外の業務で実績を作ってからのほうが確実です
• AI設計薬の承認実績を前提に事業計画を立てている企業。 2026年10月時点で承認例は確認できず、時期の見通しも立っていません

よくある質問

Q1. 製薬会社でAIを導入するには、まず何から始めるべきですか。

規制の対象外の業務、具体的には社内ナレッジ検索・文献要約・議事録作成から始めるのが確実です。ここで効果を測る型（何時間が何時間になったか）を作ってから、治験文書やPVといった規制対象の業務へ広げます。GMP領域を最初の対象にすると、バリデーション要件の重さでプロジェクトが止まりやすくなります。

Q2. AIが設計した医薬品は、もう販売されているのですか。

2026年10月時点で、AIが発見・設計した医薬品でFDA・EMA・PMDAの承認を得たものは確認できません。機械学習で標的と分子を見つけた候補では、Insilico Medicineのrentosertibが2026年7月にPhase IIIを始めたところです。計算化学で設計された武田薬品のzasocitinibは米国で優先審査中で、審査目標は2027年第1四半期です。承認されても「AI創薬の初承認」と呼ぶかは定義によって分かれます。

Q3. GxP対象の業務に生成AIを使っても問題ないですか。

使えますが、AIの出力をそのまま採用することはできません。人による検証・承認と、その記録の保存が前提です。加えて、コンピュータ化システムとしてのバリデーションと、モデル更新時の再バリデーションの方針を先に決める必要があります。EU GMP Annex 22は2026年10月時点で採択されていないため、将来の要求に耐えられる設計にしておくことをおすすめします。

Q4. 旧システムのデータ移行は、AI導入の前に終わらせるべきですか。

AIに使うデータが旧システムに残っていて、移行の予定が近いなら、移行を先に済ませるか、少なくとも移行後のデータの形を決めてからAIを設計するほうが手戻りが少なくなります。移行とAI導入を同じ時期に進めると、問題が起きたときに原因を切り分けにくくなります。GMP対象のデータでは、移行の照合と記録をAIの検証とは別に残してください。

Q5. 中堅・後発品メーカーでも投資に見合いますか。

創薬AIへの単独投資は難しい一方、製造・品質領域（需給予測、外観検査、逸脱記録の検索）は投資額を抑えやすく、原価の引き下げとして効果を測れます。デジタル化・AI導入補助金の活用や、共同利用型のコンソーシアムへの参加も選択肢です。

Q6. 規制当局がAIを使い始めたことで、申請側にメリットはありますか。

審査業務の効率化は期待されますが、申請側に求められる水準が下がるわけではありません。PMDAは「AI利活用に関する基本的な考え方」を今年度中に公表する方針で、FDAのAI信頼性ガイダンスもドラフトのままです。今後の申請対応では、「AIをどう使い、どう検証したか」を説明できる体制を整えておくことが重要になります。

Q7. 社内公表値やベンダー公表値の数字は、そのまま社内資料に使ってよいですか。

出典の性質を明記したうえで使ってください。製薬AIで公表されている数値には、査読論文・公式リリースにもとづくものと、社内公表値・報道・ベンダー掲載値が混ざっています。特に外観検査の精度や削減率は測定条件で大きく変わるため、自社サンプルでのPoC結果に置き換えるのが安全です。

Q8. 創薬AIの技術的な仕組みや、プラットフォームの比較を知りたい場合は。

構造予測モデル・生成化学の仕組み、創薬AIスタートアップの比較、研究者向けツールの使い分けは、製薬・バイオテックのAI活用事例｜AI創薬の到達点・国内大手の導入実績・Claude Science/GPT-Rosalindの使い分けで詳しく扱っています。

まとめ

2026年10月時点の製薬業界のAI活用は、業務系と創薬で進み具合がはっきり分かれています。

• 業務系AIは本番運用の段階。 治験総括報告書 約50%短縮（塩野義×日立）、需要予測 1週間→30分程度（武田薬品、報道）、IF初稿作成で1〜2カ月短縮（中外×NTT DATA）など、削減率が公表されています
• 創薬AIは検証の段階。 rentosertibのPhase III入り、NEC×TransgeneのNature Communications掲載、計算化学由来のzasocitinibの優先審査入りといった前進がある一方、AI創薬の承認は確認できず、中外のBRY10のような中止例も出ています
• 全社導入は「使われているか」を測る段階へ。 武田63.4%、中外6割超という利用率が開示され、経営指標として扱われ始めました
• 成果の差は、データ連携と移行の準備で開く。 第一三共の研究データ基盤や武田の需要予測のように、つなぐデータを先に整えた事例が成果を出しています
• 規制は確定と未確定が混在。 FDA・EMAの共同原則、FDA Elsa 4.0、PMDAの生成AI利用開始は確定事項です。EU GMP Annex 22の採択、FDAのAI信頼性ガイダンスの最終版、PMDAの基本的な考え方の公表は、これからです
• 着手の順番は「規制対象外 → 規制対象」。 効果を測る型を作ってからGxP領域へ広げるのが、最も失敗の少ない進め方です

最初に手を付けるべき業務が見えていない場合は、AIの使い道を探すのではなく、人件費が最も重い業務から逆算するところから始めてください。製薬業界では、その答えが文書作成業務であることがほとんどです。