Replikasi "momen semikonduktor": "transaksi bottleneck" dalam AI farmasi sedang terbentuk, siapa yang akan menjadi "penjual alat berikutnya"?

AI sedang mengubah logika dasar penemuan obat, sebuah peluang investasi serupa dengan "transaksi bottleneck" di industri semikonduktor sedang diam-diam terbentuk dalam rantai pasokan farmasi.

Pada 4 Oktober, mitra dari dana dolar terkemuka Altimeter Capital, Freda Duan, baru-baru ini menulis bahwa “transaksi bottleneck” pada jalur AI untuk penemuan obat (AIDD) sedang terbentuk, dengan struktur yang sangat mirip dengan fenomena berantai dari GPU hingga HBM, jaringan, dan listrik yang pernah dialami bidang semikonduktor.

Masuknya laboratorium AI terdepan secara kolektif adalah sinyal yang paling menonjol. Anthropic telah membentuk tim riset ilmu hayat khusus dan mendirikan laboratorium basah; OpenAI membangun keluarga model GPT-Rosalind yang didesain khusus untuk biologi dan penemuan obat; Anew Labs yang beroperasi secara independen di bawah ByteDance telah memiliki pustaka pengembangan obat internal, sementara Isomorphic Labs secara tegas menargetkan pengembangan obat hasil desain AI hingga tahap uji klinis pada manusia.

Pada saat yang sama, sinyal dari sisi rantai pasokan juga sangat jelas. Perusahaan sintesis DNA Twist Bioscience (TWST) memperkirakan pesanan penemuan obat dengan AI akan tumbuh tiga digit secara berturut-turut pada tahun fiskal 2026 dan 2027. Bisnis penemuan obat berbasis AI dari GenScript tumbuh dua kali lipat pada semester pertama tahun fiskal 2026 secara year-on-year, survei saluran menunjukkan kapasitas validasi aktual telah mencapai sekitar 8.000 desain per hari dan berpotensi meningkat hingga 16.000 sebelum akhir 2026.

Logika ini sangat mirip dengan jalur transmisi bottleneck di industri semikonduktor. Kekurangan GPU mendorong ledakan permintaan bertingkat pada memori HBM, perangkat jaringan, listrik, dan sistem pendingin.

Di bidang AI penemuan obat, bottleneck juga diteruskan turun melalui rantai industri: AI menghasilkan desain → sintesis DNA → produksi protein → validasi eksperimen → uji praklinis, setiap tahap bisa menjadi titik penerima manfaat berikutnya.

（Data rantai pasokan menunjukkan bahwa fase penemuan dan riset pra-klinis hulu telah mulai merasakan dampak peningkatan volume eksperimen）

Freda Duan dalam artikelnya menggambarkan situasi jalur AI penemuan obat saat ini sebagai sebuah "perubahan rezim" yang sesungguhnya.

Anthropic telah menaikkan riset ilmu hayat ke tingkat strategis, proyek besar pertama dari laboratorium basahnya adalah identifikasi sistem enzim baru yang sebelumnya belum terkarakterisasi terkait dengan sekuens DNA berulang tipe CRISPR menggunakan agen cerdas Claude.

OpenAI meluncurkan keluarga model GPT-Rosalind yang mencakup kimia obat, rekayasa protein, genomik, dan seluruh alur eksperimen.

Departemen penemuan obat AI ByteDance sekarang beroperasi secara independen sebagai Anew Labs, mengintegrasikan model dasar, validasi laboratorium basah, dan portfolio obat sendiri, dengan ByteDance tetap memegang mayoritas saham.

Isomorphic Labs secara terang-terangan mengumumkan bahwa mereka menargetkan untuk mendorong obat yang dirancang AI hingga ke tahap uji klinis pada manusia.

Perlu dicatat, jalur komersialisasi setiap institusi sangat berbeda jelas.

• Anthropic saat ini lebih berfokus pada riset dan platform, dan secara eksplisit menyatakan tidak berniat menjadi perusahaan bioteknologi komersial konvensional di tahap klinis;
• Anew Labs milik ByteDance sudah lebih mendekati model platform bioteknologi dengan portfolio obat sendiri;
• Isomorphic Labs berada di antara keduanya, berkomitmen sendiri membawa obat masuk ke tahap klinis.

Ini berarti jalur komersialisasi penemuan obat berbasis AI sedang bercabang: lisensi ke perusahaan farmasi besar, kolaborasi milestone + biaya paten, atau langsung inkubasi perusahaan independen. Untuk rantai pasok hilir, apa pun jalurnya, pertumbuhan permintaan eksperimen akan terjadi secara nyata.

Jika AI meningkatkan efisiensi, mengapa justru volume eksperimen laboratorium basah naik? Jawabannya adalah AI secara mendasar mengubah ekonomi generasi hipotesis.

Pertama, generasi hipotesis mendekati biaya nol, validasi eksperimen menjadi bottleneck baru. Dalam penemuan obat tradisional, biaya memilih kandidat molekul oleh ahli sangat tinggi, hanya yang berkemungkinan besar yang masuk ke tahap validasi mahal.

AI membuat desain kandidat molekul hampir tanpa biaya marjinal, peluang "bermain" jauh meningkat, sehingga bottleneck bergeser dari tahap desain ke tahap validasi biologis.

Kedua, eksperimen gagal tetap bernilai, data negatif menjadi data pelatihan. Anthropic memberi contoh khas: Claude mendesain 1.320 pengikat protein, Adaptyv mengkonversi sekuens numeriknya menjadi DNA, mengekspresikan protein dan menguji pengikatan, hanya 354 yang berhasil berikatan.

Namun 966 kasus gagal lain tidak terbuang sia-sia—apa yang tidak terekspresikan, tidak berikatan, atau afinitasnya rendah, semua jadi label negatif bernilai untuk pelatihan iterasi model berikutnya. Penemuan obat tradisional hanya bertanya "apakah kandidat X efektif", penemuan obat AI juga bertanya "apa pelajaran eksperimen ini untuk model".

Ketiga, laboratorium basah bertransformasi dari produsen obat menjadi produsen data pelatihan. TWST dengan jelas menyatakan bisnisnya kini berfokus pada menghasilkan data hasil eksperimen terstruktur dari desain sekuens AI yang bisa langsung digunakan model. Workflow data dari sekuens ke pengikatan milik GenScript mampu memberikan hasil dalam 4-7 hari.

Dalam beberapa alur kerja, pelanggan bahkan mungkin tidak lagi membutuhkan fisik protein, melainkan feedback data eksperimen langsung ke model. TWST dan GenScript semakin dekat berperan sebagai "pabrik pengecoran data biologis".

Artikel ini menunjukkan bahwa selain logika teoretik, terdapat sinyal terukur di tingkat rantai pasokan.

TWST memperkirakan pertumbuhan pesanan penemuan obat AI tembus tiga digit pada FY26, dengan pertumbuhan serupa berlanjut pada FY27. Bisnis penemuan obat AI GenScript di paruh pertama FY2026 mencatat pertumbuhan dua kali lipat, dengan kapasitas validasi industrial lebih dari 4.000 desain per hari dan alur kerja data sekuens penuh.

Survei saluran menunjukkan perkembangan nyata lebih cepat. Kapasitas aktual sekarang sekitar 8.000 desain per hari, dan diproyeksikan mampu mencapai sekitar 16.000 sebelum akhir 2026.

Dari jalur rantai pasok, pihak yang diuntungkan berturut-turut yaitu: model AI→desain sekuens→sintesis DNA (TWST dll)→produksi protein (GenScript dll)→validasi eksperimen→sekuensing (ILMN, TXG dll)→alat otomatisasi→pengujian pra-klinis (CRO).

Dari skala pasar, jika AI hanya sekadar alat R&D yang lebih efisien, kolam belanja terkait berada di pengeluaran R&D farmasi global senilai 300-400 miliar dolar AS per tahun. Jika AI benar-benar memperbesar jumlah proyek obat yang layak, peluangnya jauh lebih besar karena juga mendorong permintaan tambahan pada sintesis DNA, produksi protein, validasi eksperimen, dan pekerjaan pra-klinik.

Selain itu, dari sisi belanja AI companies sendiri dapat dikira-kira. Jika Anthropic mencapai 80 miliar dolar pendapatan tahunan pada 2026 dan mengalokasikan hanya 1% untuk penemuan obat berbasis AI, artinya sudah sekitar 800 juta USD investasi tahunan.

Freda Duan mengingatkan, investor yang akrab dengan tema ini otomatis akan teringat euforia lalu runtuhnya ledakan penemuan obat AI 2020-2021.

Molekul DSP-1181 milik Exscientia didorong ke uji klinis fase I kurang dari setahun setelah ditemukan, namun kemudian dihentikan karena gagal memenuhi standar evaluasi mekanisme target pada fase I. Kegagalan saat itu dipicu dua faktor jelas: pengetatan makro yang mendadak, serta terbukti keras bahwa "penemuan lebih cepat bukan berarti biologi klinis lebih baik".

Namun menurut Freda Duan, situasi pada 2026 sangat berbeda mendasar dari tahun 2020/21, siklus itu terjadi sebelum munculnya GPT.

Logika inti 2020/21 adalah: menggunakan komputasi untuk mengurangi penyaringan laboratorium basah bernilai rendah, AI sebagai alat efisiensi pencarian, bertujuan mengurangi eksperimen fisik, menemukan kandidat obat lebih cepat dengan lebih sedikit sintesis dan pengujian.

Sementara logika inti 2026 benar-benar berbeda: AI secara besar-besaran memperluas ruang hipotesis, lalu laboratorium basah menghasilkan data validasi nyata. Siklus intinya adalah: AI→eksperimen→data→AI yang lebih baik→eksperimen lebih banyak. Jumlah eksperimen yang difasilitasi AI membuat biologi fisik itu sendiri kini menjadi bottleneck baru.

Dari data yang ada, studi 2024 menunjukkan tingkat keberhasilan fase I obat yang ditemukan AI sekitar 80-90%, lebih tinggi dari rata-rata historis industri; tingkat sukses fase II sekitar 40%, setara rata-rata historis, namun sampel masih terbatas.

Freda Duan menegaskan sintesis DNA dan produksi protein saat ini adalah bottleneck paling mencolok.

Ketika lebih banyak kandidat obat didorong ke tahap pra-klinik, eksperimen pada hewan bisa menjadi rantai berikut yang membatasi. Harga primata sudah mendekati rekor tertinggi sebelumnya, kapasitas CRO (organisasi riset kontrak) tetap ketat, dan penemuan obat AI semakin menekan pipeline kandidat ke tahap pra-klinik hanya akan memperburuk tekanan ini.

Analisis menilai transaksi ini berpotensi berjalan lama, hingga hasil uji klinis Fase I/II setelah 2028 keluar, sangat kecil kemungkinan logika dasarnya patah secara fundamental. Tonggak pentingnya:

• Akhir 2026 hingga akhir 2027, batch pertama obat rancangan AI Isomorphic memasuki uji klinis pada manusia, lebih banyak proyek asli AI maju ke tahap IND-enabling;
• 2028 hingga 2030, hasil uji klinis mulai menunjukkan apakah obat desain AI benar-benar melampaui obat tradisional.

Dalam jangka pendek, jika anggaran eksperimen berhenti tumbuh, desain AI gagal menghasilkan data laboratorium basah yang efektif, atau kapasitas produksi terlalu cepat mengejar permintaan, transaksi "pick and shovel" di hulu akan tertekan.

Jangka panjang, jika obat AI bersinar di tahap penemuan dan fase I namun tumbang dengan tingkat kegagalan normal pada fase II/III, seluruh logika investasi akan menghadapi tantangan mendasar, inilah mengapa hasil fase II sangat krusial.

Profesor UCLA Quanquan Gu memberikan ringkasan logika ini secara tangkas:

Biologi mungkin menjadi frontier berikutnya untuk AI melakukan recursive self-improvement—desain di komputer, uji di laboratorium, feedback eksperimen dijadikan data pelatihan semi-sintetik, model diperbaiki, dan berulang seterusnya.