製薬メーカー・製薬業のAI活用事例｜創薬・治験・品質管理を徹底解説【2026年版】

製薬業界のAI活用は、2026年時点で創薬探索・非臨床・治験・製造品質・安全性監視・規制文書作成のすべてに広がり、実証（PoC）から本番運用への移行が完了しつつある領域と、まだ実力が証明されていない領域がはっきり分かれた段階にあります。文書作成や需要予測では数十%の工数削減が公表される一方、AIが設計した医薬品で承認されたものは、現時点で世界に1つもありません。

本記事は、公式リリース・規制当局文書・査読論文を一次ソースとして、「どの業務にAIを入れると効果が出て、どこはまだ期待しすぎてはいけないのか」を工程別に整理します。過大な成功率の引用や、報道値と公式値の混同は行いません。

この記事でわかること

• 製薬バリューチェーン7工程それぞれのAI活用内容・実企業事例・定量効果
• 武田・中外・第一三共・塩野義・アステラス・小野・エーザイの国内大手7社の最新の取り組み
• AI創薬の到達点と限界（臨床プログラム173件／Phase I成功率80〜90%／Phase IIは約40%に戻る／承認薬ゼロ／開発中止事例）
• FDA・EMA合同原則（GAiP）、AISIヘルスケアガイド、EU GMP Annex 22、PMDAの生成AI導入という2026年の規制地図
• 企業規模別（大手／中堅／後発品／CDMO）の現実的な導入順序とコスト感

誰向けの記事か

• 製薬企業のDX推進部・情報システム部・研究開発部門・製造部門・信頼性保証部門の担当者
• CRO／CDMO／ヘルステック企業で製薬向けソリューションを提供している方
• ライフサイエンス領域での提携・投資を検討している事業会社・投資家
• 製薬業界への参入を検討しているAIベンダーのエンジニア・企画職

2026年7月時点で押さえるべき5つの事実

製薬AIの投資判断は、次の5つの事実を正確に把握しているかどうかで精度が大きく変わります。

つまり、「AIで新薬が生まれる話」と「AIで業務が軽くなる話」は、投資回収の時間軸がまったく違います。 前者は5〜10年、後者は半年〜2年です。この2つを混ぜて社内稟議を書くと、期待値のズレで頓挫します。

製薬業界でAI活用が進む構造的な理由と市場規模

製薬業界がAI導入で他業界に先行する理由は、「失敗コストが極端に高い」という一点に集約されます。

1. 新薬1剤あたり約25.6億ドル・約10年

新薬1剤あたりの研究開発費は約25.58億米ドル、期間は約10年とされます（Tufts CSDDの推計として広く引用される数値）。臨床試験の全段階通算の成功確率は10%前後です。探索段階で候補を1つ削るコストと、Phase IIIで失敗するコストの差は数百倍あり、上流での絞り込み精度がそのまま事業インパクトになります。

2. 特許切れ（2010年問題）以降の収益構造の変化

大型品の特許切れが相次いだ2010年代以降、各社はパイプライン拡充とコスト構造の見直しを同時に迫られています。AIによる候補化合物の早期絞り込みは、この構造課題への打ち手として位置づけられています。

3. モダリティの複雑化で探索空間が爆発

低分子・抗体・核酸・細胞治療とモダリティが増え、探索空間は人間が網羅できる規模を超えました。抗体設計における配列空間などは、計算科学と機械学習の併用が事実上の前提です。

4. 政策の後押し

2025年6月に「創薬力向上のための官民協議会」（首相官邸）が始動し、2025年12月には「AI基本計画」が閣議決定され、医療・ヘルスケア分野のAI社会実装が明記されました。有価証券報告書にAI活用を記述する製薬企業も増えており、IR上の重要事項になりつつあります。

市場規模は調査機関で大きく割れる

AI創薬市場の規模は、調査機関によって推計が大きく異なります。単一の数値を断定して引用しないでください。

2026年時点の市場規模は、調査機関により約29億〜50億ドルと2倍近い幅があります。 定義（創薬のみか、製造・PVを含むか）が揃っていないためです。社内資料で引用する際は、必ず調査機関名と定義を併記してください。

なお第三者による効果推計として、Wellcome Trust × BCGの調査は、創薬プロセスへのAI活用により創薬研究に必要な時間とコストを少なくとも25〜50%削減できる可能性があるとしています（AWS公式ブログが引用）。

AI創薬の現在地：成功率・承認状況・そして開発中止事例

AI創薬は「臨床に到達する段階」までは確実に来ましたが、「有効性を証明する段階」はまだ突破していません。

Phase Iは強い。しかしPhase IIで業界平均に戻る

BCGの分析によれば、AIが発見した分子（約2ダース）のPhase I成功率は80〜90%で、従来の業界平均（約50%）を大きく上回ります。ここだけを引用して「AI創薬は成功率が高い」と結論づける記事が多いのですが、これは誤読を招きます。

Phase Iが評価するのは主に安全性です。AIは物性・毒性・薬物動態（ADMET）の予測に長けているため、「ヒトに投与しても安全な分子」を作る精度は確かに上がりました。

一方、Phase II（有効性の検証）の成功率は業界平均である約40%に回帰します。 Phase IIで問われるのは「その標的を叩けば本当に病気が治るのか」という生物学の問いであり、これは分子設計の巧拙とは別の問題です。AIが加速したのは「どう作るか」であって、「何を狙うか」ではありません。 ここが2026年時点のAI創薬の限界線です。

承認薬はまだ1つもない

2026年7月時点で、AIが標的・化合物の設計に主導的に関与した医薬品で、規制当局の承認を得たものは世界に存在しません。

最先端を走るのが、Insilico Medicineの rentosertib（TNIK阻害剤、特発性肺線維症IPF）です。標的と化合物の両方を生成AIで発見した初の治験薬とされ、以下の経過をたどっています。

• 前臨床候補指名まで12〜18カ月・合成化合物は60〜200分子（従来は数年・数千分子規模）
• Phase IIa（GENESIS-IPF、71例）で、60mg1日1回群のFVC変化が +98.4mL（プラセボ群は −20.3mL、12週時点）と報告
• 2026年4月：吸入製剤が中国CDEのIND承認を取得
• 2026年7月7日：Phase III開始を発表（中国47施設・320名・52週）

Phase III開始は大きな節目ですが、rentosertibは現時点で未承認の治験薬です。有効性・安全性が確立したものではなく、記事や社内資料で「AI創薬の薬が承認された」と書くのは事実誤認になります。

失敗事例も見る：中外製薬 BRY10の開発中止

成功事例だけを並べると判断を誤ります。中外製薬は2026年1月22日、抗体設計AI「MALEXA-LO」で最適化された抗体である BRY10（Phase I）の開発中止を公表しました。

これは、MALEXAという技術の価値を否定するものではありません。しかし、「AIで設計した分子だから臨床で成功する」わけではないという事実を示しています。AI創薬の評価は、技術としての設計能力と、臨床アウトカムを分けて行う必要があります。

投資・プレイヤーの動き（2026年）

2025年のAI創薬投資は348ラウンド・約110億ドル規模でした。2026年はGoogle（Isomorphic Labs／AlphaFold）、OpenAI、Anthropic（Claude Science）の三つ巴に、NVIDIAの計算基盤が絡む構図になっています。

Claude Scienceは、ゲノミクス・プロテオミクス・構造生物学・ケモインフォマティクスの各領域のデータベースと計算ツールを統合した研究者向け環境で、Anthropicは公開と同時に自社内の創薬プログラム開始も表明しました。詳細はClaude Scienceとは何かで解説しています。

タンパク質構造予測基盤の現状

AlphaFold Database は、UniProt 2025_03と同期し、累計2億4,100万超の予測構造を収録するv6が稼働しています（アイソフォーム、AllTheBacteria、Kinetoplastids、Viro3D、BFVD由来の構造を順次追加。2026年5月には4,777プロテオーム由来の約220万のホモ／ヘテロ二量体も追加）。

実務上の注意点として、2026年6月末をもって旧（legacy）APIが廃止されました。 社内パイプラインでAlphaFold DBを参照している場合は、エンドポイントの更新が必要です。

また、AlphaFold 3の商用利用範囲は限定的です。商用利用を前提とするなら Chai-1 や Boltz（いずれもオープンソース）が選択肢になります。Pfizerは2025年にBoltzと複数年提携を結び、標的選択・低分子親和性・バイオロジクス設計への活用方針を発表しています。ライセンス条件は変更されうるため、採用前に必ず公式の最新条件を確認してください。

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の成熟度と効果の出方には明確な差があります。

短期でROIが出るのは、治験文書・製造需要予測・全社DXの3領域です。 創薬とファーマコビジランスは、それぞれ「長期投資」「補助的利用」と位置づけるのが2026年時点の現実的な判断です。

隣接領域の動向は医療・病院のAI活用事例や、分子設計の共通技術基盤を扱う化学・素材業界のAI活用（マテリアルズインフォマティクス）もあわせて参照してください。

創薬（探索研究）でのAI活用事例

創薬領域では、タンパク質構造予測・抗体設計・自律実験基盤の3方向で実装が進んでいます。

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エージェント統合型創薬基盤を構築しています（2025年10月7日公表）。

研究者が目的を指示すると、AIエージェントが過去の研究データを参照して実験計画を立案し、24時間365日稼働するロボットが実験を実行、結果を自動でデータ基盤に保存する構想です。使用技術はAmazon SageMaker Unified Studio、Amazon Bedrock、Amazon Bedrock AgentCore（検証中）で、FAIR原則に基づくデータ管理体制を整備しています。2026年の運用開始が目標とされています。

これは単なる予測モデルの導入ではなく、「AIエージェントが実験計画から実行までのループを回す」自律研究基盤の設計です。AIエージェントの仕組みそのものについてはAIエージェントとはで整理しています。

アステラス製薬：AI創薬由来のASP5502がPhase I入り

アステラス製薬は、AI設計とロボットによる自動合成を組み合わせ、シェーグレン症候群を対象とするSTING阻害剤 ASP5502 を創出しました。同社のAI創薬として初めて臨床試験入りした品目です。

ヒット化合物からリード最適化までを、通常平均約2年のところ約7カ月で完了した点が最大の成果です。ADMET・薬理活性予測とロボット合成を接続し、設計→合成→評価のサイクルを高速で回した結果とされています。

中外製薬：抗体設計AI「MALEXA」と、その現実

中外製薬の MALEXA-LI（リード抗体の配列提案）と MALEXA-LO（開発候補抗体の提案）は、国内の抗体設計AIの代表例です。MALEXA-LIは、既存抗体と比較して1,800倍以上の結合親和性を持つ配列を提案した実績があり、成果はScientific Reports（2021年）に掲載されています。

一方で、MALEXA-LOで最適化された抗体 BRY10 は2026年1月に開発中止となりました。技術としての設計能力と、臨床での成功は別の評価軸であることを示す重要なケースです。

中外製薬はほかに、論文検索システム「Amanogawa」の自社開発や、ロボットによる実験自動化にも取り組んでいます。

大手製薬とAI創薬企業の提携

武田×Iambicは「AI予測＋ラボ自動化により、臨床到達までの期間を約6年から2年未満に短縮する」ことを掲げています（Reuters報道）。ただしこれは目標値であり、達成された実績ではありません。

なお、武田薬品 × Insilico Medicineの提携金額は、一時金90億円（日経）、契約総額最大6億ドル（日刊薬業）と報道により数値が食い違っています。 引用時は出所を明記してください。

非臨床試験でのAI活用事例

非臨床段階では、in silico（計算機上）での毒性・薬物動態予測が実務に定着しています。

エーザイ「YosAI」：遺伝毒性予測

エーザイは独自の遺伝毒性予測AI YosAI を開発し、ICH M7（変異原性不純物の評価）に準拠した変異原性評価をin silicoで自動化しています。市販の予測ソフトウェアと比較して予測精度を向上させたと報告されています。

QSAR・ADMET予測の標準化

化合物の構造式から毒性・薬物動態・代謝（ADMET）を予測するQSARモデルやディープラーニングモデルは、各社で標準ツール化しています。動物実験数の削減と候補絞り込みの加速が主な効果です。アステラス製薬は、これらの予測とロボットによる化合物自動合成を組み合わせています。

治験・臨床開発でのAI活用事例

治験は、生成AIの導入効果が公式に数値で確認できている数少ない領域です。

塩野義製薬 × 日立製作所：規制文書の初稿自動生成（2026年2月提供開始）

2026年2月24日、塩野義製薬と日立製作所は、生成AIによる規制関連文書の初稿自動生成ソリューションの国内提供を開始しました。塩野義が保有する技術を日立へライセンス提供し、日立が提供する形態です。

PoCでは次の効果が確認されています。

• 治験総括報告書（CSR）：作成工数 約50%削減
• 治験実施計画書：約20%削減
• 日英混在の治験データから要点を自動抽出

背景として、規制文書の作成には通常3〜5カ月を要し、メディカルライターの実作業だけで1試験あたり100〜280時間かかるとされます。ここに直接効く施策です。

重要なのは、これが汎用の生成AIをそのまま使ったものではなく、企業固有の文書テンプレート・用語辞書・品質チェックプロセスを組み合わせた一体型ソリューションである点です。そして出力はあくまで初稿であり、最終稿ではありません。

近畿大学病院 × 中外製薬 × NTT × NTTデータ：治験候補患者の抽出（2026年6月30日開始）

2026年6月30日、近畿大学病院・中外製薬・NTT・NTTデータは、リアルワールドデータと国産LLM「tsuzumi 2」を用いた治験候補患者抽出の共同研究開始を発表しました。

• 電子カルテの構造化情報と非構造化情報（記載文）の双方を対象
• ルールベース／LLM／ハイブリッドの3手法を、医師・CRC（治験コーディネーター）の判定と比較検証
• 研究期間は2026年6月〜2027年3月

治験の患者リクルートは、期間遅延の最大要因の1つです。国産LLMを用いて、日本語カルテという最も難しいデータに正面から取り組む研究であり、結果次第で国内治験の実務が変わりうるテーマです。現時点では研究段階であり、実用化された手法ではありません。

なお、国立がん研究センターも臨床試験プロセスでの生成AI利活用について、医薬品開発協議会（2026年2月27日）で報告を行っています。

製造・品質管理でのAI活用事例

製薬工場はGMP規制下にあるため、AI導入にはバリデーションと記録保存の要件が他業界より厳しく課されます。それでも需要予測・画像検査・予知保全は実用段階に入っています。

武田薬品：AI需要予測（2025年8月から国内で運用開始）

武田薬品は2025年8月4日、国内の製造・供給部門でAI需要予測の運用を開始したと公式発表しました。公式発表が挙げる目的は3つです。

1. 医薬品の安定供給の強化
2. 有効期限切れによる廃棄の削減
3. キャッシュフローの改善

対象は当面、「AIが学習可能な十分な過去データがあり、出荷頻度の高い製品」に限定されています。

なお、「従来は複数名で1週間かかっていた需要予測が数時間〜30分程度に短縮」「全製品の約7割をAI予測でカバー」という数値が広く引用されていますが、これらは日経クロステック等の報道値であり、公式リリースには記載がありません。 社内資料で使う場合は「報道によると」と出所を明示してください。

画像認識AIによる外観・異物検査

錠剤の欠け・異物混入・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検出する取り組みが広がっています。目視検査の負荷を下げ、見逃し率を改善する効果があります。同種の技術は他業界でも成熟しており、製造業のAI活用事例（品質検査AI・予知保全）の知見がそのまま応用できます。

工程最適化・予知保全・逸脱検知

• 工程最適化：バイオ医薬品の培養・精製・充填工程では多数のIoTセンサーが稼働しており、AIがリアルタイムで最適条件を推定して歩留まりを改善します
• 予知保全：設備の振動・温度・電流データから故障予兆を検知し、計画外ダウンタイムを削減します
• 逸脱検知：カメラとAIで作業者の動線・手順を解析し、SOPからの逸脱を自動検出します

これらの領域は、EU GMP Annex 22によって欧州で初めて明示的に規律されることになります。

ファーマコビジランス（安全性監視）でのAI活用事例

ファーマコビジランス（PV）は、AIの適用余地が大きい一方で、現時点の精度が「単独判定に耐えない」ことがデータで示されている領域です。

何に使われているか

ICSR（個別症例安全性報告）の一次トリアージ、重篤度・因果関係の分類、MedDRA PT（基本語）の抽出、被疑薬の同定に、NLPと生成AIが適用されています。MR日報・コールセンター記録・文献・書式報告など、扱うテキストの量と多様性が膨大なため、相性自体は良い領域です。

精度の実力値：F1スコア 0.52〜0.74

業界ベンチマークにおけるAI抽出性能は、報告妥当性の検証・被疑薬同定・MedDRA PT抽出・重篤性判定のいずれも F1スコア 0.52〜0.74 のレンジと報告されています。

この水準は、AIが単独で安全性判定を行える精度ではありません。 実務では「AIがドラフトを抽出 → 有資格者が最終判定」という二層運用が前提になります。PVは誤りが患者の健康被害に直結するため、この原則は規制上も譲れません。

中外製薬 × NTTデータ：インタビューフォーム初稿の自動生成

安全性情報管理領域では、中外製薬とNTTデータが、承認申請資料からRAG（検索拡張生成）と生成AIを組み合わせてインタビューフォーム（IF）の初稿を自動生成する取り組みを公開しています（2026年4月2日）。文書の構造化 → セクション単位の執筆 → 連結 → 仕上げという4ステップ構成で、既存文書を根拠として明示できる設計です。

規制対応・承認申請文書でのAI活用と、その限界

CTD（コモン・テクニカル・ドキュメント）、治験届、副作用報告、審査照会への回答文など、規制対応で作成する文書は膨大かつフォーマット要求が厳格です。生成AIの初稿作成支援は、ここに直接効きます。

ただし、AI生成文書はそのまま提出できない

承認申請資料は信頼性の基準（正確性・網羅性・保存性）を満たす必要があります。AIで作成した文書であっても、以下が問われます。

• 元データとの整合性（正確性）
• 必要項目の網羅（網羅性）
• 作成過程の記録・監査ログの保存（保存性）

したがって、AI出力は必ず有資格者による検証を経る必要があり、かつ「検証したという記録」自体を保存しなければなりません。 塩野義×日立のソリューションが「初稿生成」と位置づけられているのも、この制約に由来します。

AIツール側では、学習データ再利用のオプトアウト・監査ログ・バージョン管理の整備が必須要件になります。

MR・営業・全社DXでのAI活用事例

全社への生成AI展開は、製薬業界でも最も導入が進み、かつ定量的な利用率が公表されている領域です。

MRの実務では、医学文献の翻訳・要約、面会記録の下書き生成、社内ナレッジ検索が主な用途です。

注意点として、MR・マーケティング領域で生成AIが作成した文章をそのまま外部に出すと、薬機法および医療用医薬品の適正広告ガイドラインに抵触するリスクがあります。 効能効果に関する記述は、必ず承認された添付文書の範囲内に収まっているかを人が確認する運用が必要です。

業界横断の活用パターンは生成AIの企業活用事例にまとめています。

国内主要製薬7社のAI活用比較

出典: 武田薬品工業株式会社 公式サイト

公式リリース・IR情報・業界紙で確認できる範囲で整理します。

7社に共通する構図は「全社DXと文書業務で確実な効果を出しつつ、創薬AIは提携と基盤構築で長期投資している」という二段構えです。

2026年の規制・ガイドライン地図

2026年上半期は、製薬AIの規制枠組みが一気に整備された時期です。論点は「使えるか」から「どう統制して使うか」に移りました。

FDA・EMA合同「GAiP」（2026年1月14日）

医薬品開発ライフサイクル全体でのAI活用について、主要規制当局が初めて共同で策定した越境調整枠組みです。ICSRの処理、薬剤疫学調査、レジストリ分析などが対象ユースケースに含まれます。

実務上の最重要メッセージは次の2点です。

• AIを使っても、規制当局への説明責任を負うのは申請企業である
• 判断の透明性（説明可能性）と検証記録の整備が必須である

AISI「ヘルスケア領域におけるAIセーフティ評価観点ガイド v1.0」（2026年4月2日）

日本のAIセーフティ・インスティテュートが公表したガイドで、AIライフサイクルの5フェーズごとに評価観点・想定リスク・評価例・チェックリストを収載しています。背景には2025年12月の「AI基本計画」閣議決定があります。

医療機器プログラム（SaMD）に該当しないAIやテキスト系生成AIを使ったヘルスケアツールも対象に含まれる点が特徴で、製薬企業が社内で生成AIを展開する際の実務基準として使えます。10の評価観点の具体名はPDF本体に記載されているため、AISI公式サイトから原本を確認してください。

EU GMP Annex 22（最終版は2026年中に採択見込み）

GMP製造におけるAIを直接規律する、欧州初のAI専用附属書です。AIモデルの選定・バリデーション・継続的モニタリング・統制について要件が示されます。

2026年7月10日時点で最終版は未公表です。採択後に6〜12カ月の猶予期間が置かれると想定されていますが、これは一般的な見込みであり確定ではありません。PIC/S GMPへの並行展開も進められています。欧州向けに製造・輸出する日本企業は、ドラフト段階から準備を進めておく必要があります。

PMDA自身も生成AIを導入した

2026年4月15日、PMDAは全役職員へMicrosoft Copilotを導入し、業務利用を開始したと公表しました。審査する側もAIを日常業務で使い始めたという事実は、AI活用文書に対する当局の理解が実務レベルで進むことを意味します。

一方で、AI活用プログラム医療機器（SaMD）については、機械学習バイアスや市販後の学習データ再利用に関する検討が継続中です。承認申請を目指す場合は公式情報の継続的なウォッチが欠かせません。

注意： ICH M15は「Model-Informed Drug Development（MIDD）の一般原則」に関するガイドラインであり、「信頼できるAI」を規律するAI専用ガイドラインではありません。 この2つを混同した解説が散見されるため、社内資料の作成時にはご注意ください。

AI導入の課題とコンプライアンス上の注意点

製薬業界のAI導入には、他業界と共通する課題に加え、規制対応とデータの特殊性に起因する固有の壁があります。

1. GxP規制下でのバリデーション負担

GMP・GCP・GVPなどGxP規制下で使うAI機能には、以下が求められます。

• モデルの検証計画・検証記録の作成
• 本番運用中の入出力ログの保存
• モデル更新時の再バリデーション
• 基盤インフラ（クラウド・オンプレミス）の適格性評価

特に難しいのが継続学習型モデルの変更管理です。 モデルが自動更新されると、その都度の再バリデーションが必要になり、実務が回らなくなります。運用開始時点でモデルのバージョンを固定し、更新はリリース管理下に置く設計が現実的です。

2. ハルシネーション・情報漏洩・学習データ再利用

• ハルシネーション：生成AIは文章として自然でも事実と異なる出力を返します。AISIガイドでも健康被害につながるリスクとして整理されており、一次ソースでの裏取りが必須です
• 情報漏洩：治験データ・患者個人情報・未公開の化合物情報を汎用AIサービスに入力しない設計（学習オプトアウト、専用テナント、RAGでの根拠明示）が原則です
• 学習データバイアス：偏ったデータで学習したモデルは、特定の集団で性能が劣化します

これらの統制設計は、生成AIのセキュリティリスクと対策の考え方がそのまま適用できます。

3. ブラックボックス問題と説明責任

ディープラーニングモデルは判断根拠を説明しにくい構造を持ちます。GAiPでも説明可能性（Explainability）の整備が求められており、規制当局への説明責任は最終的に申請企業が負います。

4. 最終判断は必ず有資格者が行う

処方判断・副作用の因果関係評価・治験プロトコルの逸脱判断は、いずれも患者の健康被害に直結します。AIの出力は常に「ドラフト」として扱い、医師・薬剤師・CRA・メディカルライター等の有資格者によるレビューと承認を経る運用設計が必須です。

5. 薬機法・適正広告ガイドライン

MR・マーケティング領域で生成AIが作成した文章は、医療用医薬品の適正広告ガイドラインへの適合確認が必要です。効能効果の記述が添付文書の範囲を超えないよう、公開前の人的チェックを制度化してください。

こんな企業はAI活用の効果が出やすい

• 治験文書・規制文書の作成工数が大きい中堅以上の製薬企業：塩野義×日立型のソリューションで、CSR作成工数の約50%削減という実測値が存在する領域。最も回収が読みやすい
• 製造集約型の企業・CDMO：需要予測・画像検査・予知保全は、GxPバリデーションの負担を織り込んでも投資対効果が見える
• PC業務比率が高く、全社にナレッジが分散している企業：小野薬品のように、社内RAGで8割超が効率化を実感するレベルまで到達しうる
• 研究開発パイプラインを広げたい大手製薬：創薬AIは長期投資と割り切れる資本力があれば有効。ただし提携型（Nabla Bio、Iambic等）のほうが自社開発より早い
• データが整備済みの企業：電子カルテ連携・MR活動ログ・製造IoTデータがFAIR原則で整理されていれば、学習効果が段違いに出る

こんな企業にはおすすめしない

• データガバナンス体制が未整備の企業：学習オプトアウト・監査ログ・アクセス制御の設計がないまま本番運用に入ると、GxP監査で指摘を受けます。まず統制設計から
• 規制対応の最終判断をAIに委ねたい企業：信頼性の基準を満たせません。AIは初稿支援であり、承認行為の代替にはなりません
• 開発品目が少ない後発品専業メーカーが、創薬AIに直接投資する場合：投資対効果が出ません。MR業務支援・文書処理・需要予測から始めるのが合理的です
• ファーマコビジランスの一次判定をAI単独に任せたい企業：現時点のF1スコアは0.52〜0.74であり、単独判定に耐える精度ではありません
• 短期のPhase成功率向上を期待している企業：AIが改善するのはPhase Iの安全性であって、Phase IIの有効性ではありません

企業規模別の導入順序とコスト感

共通する原則は、「工数が多く・判断が定型で・エラーのインパクトが限定的な業務」から入ることです。 文書の初稿生成、需要予測、文献要約がこれに当たります。逆に、患者安全に直結する判断業務は最後に回します。

導入の5ステップ

ステップ1. ユースケースの優先順位付け

「すべての業務にAI」は必ず破綻します。工数×定型性×エラー許容度の3軸でスコアリングし、上位3件に絞ってください。

ステップ2. データガバナンスと学習オプトアウトの設計

治験データ・患者情報・未公開化合物情報が外部学習に回らないことを、契約書レベルで担保します。Azure OpenAI、Amazon Bedrock、Google Vertex AIなど、データ利用ポリシーが明示された法人向け基盤の選定が前提です。

ステップ3. パイロット運用（3〜6カ月）

限定された業務・チームで試行し、時間削減・精度・エラー率を定量測定します。この段階でハルシネーション事例と誤運用事例を意図的に収集し、運用ガイドラインに反映させます。

ステップ4. バリデーションとSOP整備

GxP領域に適用する場合は、バリデーション計画・検証記録・SOP・監査ログの仕組みをここで整備します。法務・QA・情報システム・監査部門の横断体制が必要です。AISIガイドの5フェーズ×10観点をチェックリストとして流用できます。

ステップ5. 本番展開とモニタリング

本番運用後も、月次〜四半期でモデル性能の劣化・入出力ログの監査・規制動向のウォッチを継続します。GAiP、EU GMP Annex 22、PMDAの各文書は改訂サイクルが速いため、担当者を明示的にアサインしてください。

よくある質問（FAQ）

Q1. AIが設計した医薬品は、すでに承認されていますか？

いいえ。2026年7月時点で承認例はゼロです。 最も進んでいるInsilico Medicineのrentosertib（IPF治療薬候補）が、2026年7月7日にPhase IIIを開始した段階です。Isomorphic Labsは2026年末までに自社設計薬の初の臨床試験入りを予定していますが、これは目標であり、当初の2025年末目標から遅延しています。

Q2. 「AI創薬は成功率が高い」というのは本当ですか？

半分だけ本当です。 AI発見分子のPhase I成功率は80〜90%と、従来平均の約50%を大きく上回ります。しかしPhase Iが見るのは安全性です。有効性を検証するPhase IIの成功率は、業界平均の約40%に戻ります。AIは「どう作るか」を加速しましたが、「何を狙うか」（標的選択）の難問は未解決です。

Q3. 生成AIで作成した治験文書は、そのまま申請に使えますか？

使えません。承認申請資料は信頼性の基準（正確性・網羅性・保存性）を満たす必要があり、有資格者による検証と、検証したという記録の保存が要件になります。塩野義×日立のソリューションも「初稿生成」と明確に位置づけられています。

Q4. ファーマコビジランスの症例処理をAIに任せられますか？

一次トリアージのドラフト作成までです。業界ベンチマークでのAI抽出性能はF1スコア0.52〜0.74にとどまり、単独判定に使える精度ではありません。「AIがドラフト → 有資格者が最終判定」の二層運用が前提です。

Q5. 継続学習するAIモデルをGMP工程に入れても大丈夫ですか？

推奨しません。 モデルが自動更新されるたびに再バリデーションが必要になり、変更管理が破綻します。運用開始時点でモデルバージョンを固定し、更新をリリース管理下に置く設計が現実的です。EU GMP Annex 22の最終版では、この点に関する要件が明示される見込みです。

Q6. 欧州へ輸出しているのですが、今から何を準備すべきですか？

EU GMP Annex 22 の対応準備です。2026年7月時点で最終版は未公表ですが、採択後は6〜12カ月程度の猶予期間が想定されています。ドラフト段階から、GMP工程で使用しているAI／機械学習機能の棚卸し、バリデーション記録の有無、モデル変更管理プロセスの3点を確認しておくことをおすすめします。

Q7. AI創薬市場の規模を社内資料に書きたいのですが、どの数字を使えばよいですか？

単一の数値を断定しないでください。 2026年前後のAI創薬市場は、調査機関により約29億〜50億ドルと2倍近い幅があります。定義（創薬のみか、製造・PVを含むか）が揃っていないためです。「調査機関により○○億〜○○億ドルと幅がある」と幅で示し、調査機関名を併記するのが誠実な書き方です。

Q8. AI創薬に取り組んだのに失敗した事例はありますか？

あります。中外製薬は2026年1月22日、抗体設計AI「MALEXA-LO」で最適化された抗体 BRY10（Phase I）の開発中止を公表しました。技術としての設計能力と、臨床アウトカムは別評価であることを示す事例です。成功事例だけを見て投資判断を行わないでください。

まとめ：2026年の製薬AIをどう捉えるか

製薬業界のAI活用は、2026年に「実証から本番運用へ」と「規制枠組みの整備」が同時に進んだ節目の年を迎えました。

• 確実に効果が出ている領域：治験・規制文書の初稿生成（CSR 約50%削減）、製造の需要予測、全社DX（社員の8割超が効率化を実感）
• 長期投資と割り切る領域：創薬AI。臨床プログラム173件・Phase III 15件まで到達したが、承認薬はゼロ、Phase IIの壁は未突破
• 補助的利用にとどめる領域：ファーマコビジランスの一次判定（F1 0.52〜0.74）
• 2026年の規制地図：FDA/EMA合同GAiP 10原則（1月）、AISIヘルスケアガイド v1.0（4月）、PMDAの全職員Copilot導入（4月）、EU GMP Annex 22（2026年中に採択見込み）
• 直近の動き：Claude Science公開（6月30日）、tsuzumi 2による治験候補患者抽出の共同研究開始（6月30日）、rentosertib Phase III開始（7月7日）

製薬企業がAIで競争優位を築けるかは、「どの業務に・どのデータで・どの規制要件を満たして導入するか」の設計力で決まります。 成功事例の数値だけを追うのではなく、Phase IIの壁、F1スコアの実力値、開発中止事例といった限界の定量値まで把握したうえで、投資の時間軸を分けて判断してください。

ツール選定（Claude／ChatGPT等の使い分け）やバイオテック領域の動向については、製薬・バイオテックのAI活用とツール選定ガイドで詳しく扱っています。AIそのものの基礎を確認したい場合は生成AIとはからご覧ください。

あわせて読みたい関連記事

• 生成AIとは？仕組み・種類・活用例・注意点をわかりやすく解説
• AIエージェントとは？仕組み・種類・主要ツール徹底解説
• 製薬・バイオテックのAI活用｜Claude/ChatGPT活用ガイド
• Claude Scienceとは？研究者向けAIワークベンチの機能と使い方
• 医療・病院のAI活用事例｜診療・画像診断・業務効率化
• 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徹底解説
• 製造業のAI活用事例｜品質検査AI・予知保全
• 生成AIセキュリティのリスクと対策｜情報漏洩・プロンプトインジェクション
• 生成AIの企業活用事例