FDA i europejski regulator wypracowały jednolite zasady gry dla sztucznej inteligencji w farmacji
Dokument potwierdził, że modele AI wpływające na decyzje kliniczne muszą spełniać rygorystyczne standardy GxP z pełną identyfikowalnością i zarządzaniem ryzykiem. To pierwszy krok do tego, aby algorytmy przestały być „czarną skrzynką” i stały się legalnym narzędziem medycyny opartej na dowodach.
Przemysł farmaceutyczny od dziesięcioleci działał według globalnych zasad: FDA dla USA, EMA dla Europy, a jeśli twój lek spełniał oba, wchodziłeś na rynek pokrywający dwie trzecie światowej sprzedaży leków. 14 stycznia 2026 roku te dwa organy regulacyjne zrobiły to, czego w świecie algorytmów nikt jeszcze nie dokonał – opublikowały jednolity zbiór dziesięciu zasad dla sztucznej inteligencji w opracowywaniu leków. „Czarna skrzynka” już nie przejdzie.
Regulatory powiedzieli „dość”: co się wydarzyło
Dokument nosi suchy tytuł: „Guiding Principles of Good AI Practice in Drug Development”. Ale za tym tytułem kryje się pierwsza w historii transatlantycka próba wpisania AI w farmacji w jasne ramy regulacyjne – bez powielania wymogów, bez konfliktu jurysdykcji, z jednolitym językiem.
Kluczowe słowo to GxP. Good Practice to rodzina standardów jakości, na których opiera się cała farmacja: GMP dla produkcji, GCP dla badań klinicznych, GLP dla laboratoriów. Teraz FDA i EMA wyraźnie wymagają, aby modele AI wpływające na decyzje regulacyjne spełniały te standardy. Oznacza to identyfikowalność danych, audytowalność decyzji i zarządzanie ryzykiem – dokładnie to, czego większość sieci neuronowych nigdy nie miała.
Europejski komisarz ds. zdrowia Oliver Várhelyi ujął to bez dyplomatycznych ogródek: „Zasady pokazują, jak możemy współpracować po obu stronach Atlantyku, aby utrzymać wiodącą rolę w globalnym wyścigu innowacji, jednocześnie zapewniając najwyższy poziom bezpieczeństwa pacjentów”.
Dziesięć zasad, które zmieniają reguły gry
Dokument nie tworzy nowych przepisów – i w tym tkwi jego siła. Wyznacza układ współrzędnych, w którym każdy producent leków planujący złożenie wniosku do FDA lub EMA musi teraz odpowiedzieć na konkretne pytania.
Pierwsza zasada – human-centric by design. AI nie zastępuje człowieka, ale wspiera jego decyzje. To nie filozofia, ale wymóg regulacyjny: jeśli algorytm coś zaleca, żywy specjalista musi mieć możliwość zrozumienia, zakwestionowania i zmiany tego zalecenia.
Druga zasada przekrojowa – risk-based approach. Poziom walidacji i monitorowania powinien odpowiadać potencjalnemu wpływowi systemu AI. Narzędzie pomagające porządkować wewnętrzne notatki a algorytm priorytetyzujący przegląd bezpieczeństwa lub uruchamiający etapy operacji klinicznych – to dwa zupełnie różne poziomy ryzyka, nawet jeśli technicznie korzystają z tego samego modelu.
Trzecia – data governance and documentation. FDA i EMA oczekują teraz, że źródło danych, etapy ich przetwarzania i decyzje analityczne będą udokumentowane w szczegółowy, identyfikowalny i weryfikowalny sposób. Mówiąc prościej: jeśli twój model nauczył się przewidywać toksyczność cząsteczki, musisz być gotów pokazać, na jakich danych się uczył i jakie decyzje podejmował na każdym etapie.
Czwarta – lifecycle management. Systemy AI zmieniają się z czasem: nowe wersje modeli bazowych, ewolucja promptów, zmiana źródeł danych. Regulatory wprost mówią: „set it and forget it” nie wchodzi w grę, gdy AI wpływa na regulowaną pracę. Potrzebna jest kontrola wersji, monitorowanie dryfu, change control – i to wszystko musi być audytowalne.
Dlaczego stało się to właśnie teraz
Firmy farmaceutyczne złożyły już do FDA ponad 500 wniosków o leki z komponentami AI. Według stanu na listopad 2024 roku, AI była wykorzystywana przy opracowywaniu lub repositioningu ponad 3000 leków. Rynek AI w farmacji wyceniany jest na 1,94 miliarda dolarów w 2025 roku, a do 2034 roku, według prognoz, osiągnie 16,49 miliarda dolarów przy średniorocznym tempie wzrostu 27%.
Regulatory zrozumieli, że pozostają w tyle – i postanowili nie tylko dogonić, ale wyprzedzić poprzez koordynację. Korzenie tej inicjatywy sięgają dwustronnego spotkania FDA i UE w kwietniu 2024 roku. Następnie EMA opublikowała dokument refleksyjny na temat AI, FDA – projekt wytycznych. A w styczniu 2026 roku strony usiadły i uzgodniły wspólne zasady.
Osobny sygnał – uruchomienie przez FDA wewnętrznego AI Benchbook i kursów szkoleniowych dla pracowników w listopadzie 2025 roku. Regulator nie tylko pisze zasady dla przemysłu – przekwalifikowuje własnych inspektorów, aby rozumieli, na co patrzeć podczas kontroli systemów AI. A EMA równolegle włączyła pracę z danymi i AI do swojej strategii do 2028 roku (EMANS).
Kto zyskuje, kto traci i gdzie są pieniądze
Najbardziej oczywisty beneficjent – duże firmy farmaceutyczne, które już budują infrastrukturę AI. GSK na konferencji JP Morgan w styczniu 2026 roku ogłosiła, że partnerstwa AI pomogą jej przetrwać przepadek patentowy, wzmacniając wczesne portfolio R&D. Eli Lilly podpisała kilka umów z NVIDIA – od stworzenia „najpotężniejszego” superkomputera w farmacji po wspólne laboratorium AI. AstraZeneca przejęła Modella AI w celu przyspieszenia opracowywania leków onkologicznych.
Ale zyskują nie tylko giganci. Jasne zasady zmniejszają niepewność dla startupów i kapitału venture. Finansowanie venture transakcji AI w farmacji wzrosło o ponad 400% w latach 2014-2024, a teraz inwestorzy mają mapę drogową: jeśli firma od początku buduje system AI zgodny z GxP, jej exit w postaci sprzedaży leku lub samej firmy staje się bardziej przewidywalny.
Producenci technologii klinicznych – Veeva, Suvoda i im podobni – również na plusie. Ich systemy są już wbudowane w regulowane procesy, a zasada „wbudowanego AI” staje się strukturalną przewagą: gdy algorytm żyje wewnątrz audytowalnej platformy, udowodnienie jego zgodności z GxP jest łatwiejsze niż w przypadku oddzielnego narzędzia z kopiowaniem danych.
Kto traci? Firmy, które wdrożyły AI jako „czarną skrzynkę”, nie dbając o identyfikowalność. Regulatory wprowadzają termin „shadow use” – sytuacje, gdy analitycy już powszechnie używają dużych modeli językowych do zadań roboczych, a kierownictwo udaje, że nic się nie dzieje. Taka praktyka staje się toksycznym aktywem: jeśli algorytm wpłynął na wniosek, a nie ma do niego dokumentacji, konsekwencje podczas inspekcji FDA mogą być katastrofalne.
Konkretna prognoza: co wydarzy się do 2028 roku
Pierwszy harmonogram jest już ustalony. EU AI Act wchodzi w pełni w życie 2 sierpnia 2026 roku – a jego klasyfikacja systemów wysokiego ryzyka bezpośrednio pokrywa się z nowymi zasadami FDA-EMA. Firmy działające na obu rynkach otrzymują de facto jeden standard: zgodność z dziesięcioma zasadami staje się przepustką zarówno do USA, jak i do Europy.
Drugi wektor – uszczegółowienie. Obecnie zasady są celowo ogólne, a eksperci już wskazują na „praktyczną lukę między zasadami a rzeczywistą implementacją”. Oczekuje się, że FDA opublikuje bardziej szczegółowe wytyczne dotyczące walidacji modeli AI, definiowania „kontekstu użycia” i monitorowania dryfu w ciągu najbliższych dwóch lat.
Trzeci – fala transakcji. Gdy reguły gry są określone, konsolidacja przyspiesza. AstraZeneca już zaczęła wykupywać startupy AI, a to dopiero początek. Big Pharma potrzebuje nie tylko algorytmów, ale algorytmów zapakowanych w zgodną z GxP otoczkę z dokumentacją gotową do inspekcji. Startupy, które to rozumieją i budują produkt odpowiednio, zostaną przejęte jako pierwsze.
Główny sygnał na 2026 rok formułuje analityk branżowy: „FDA i EMA przesunęły punkt ciężkości z 'czy AI może to zrobić' na 'jak kontrolujecie to, co AI robi'”. Dla branży, gdzie błąd algorytmu może oznaczać śmierć pacjenta, to nie biurokratyczne czepialstwo. To przekształcenie AI z eksperymentalnej zabawki w legalne narzędzie medycyny opartej na dowodach.
— Editorial Team
