AI Drug Discovery Sedang Panas, Tetapi Obat Tidak Lahir dari Valuasi

The Core Update

Miles Wang, researcher OpenAI yang bekerja di area AI untuk mempercepat penemuan ilmiah dan biologis, dikabarkan akan meninggalkan OpenAI untuk membangun startup baru di bidang AI drug discovery.

Menurut laporan TechCrunch, Wang sedang berdiskusi untuk menggalang sekitar 200 juta dolar AS dengan valuasi 2 miliar dolar AS. Lightspeed disebut sedang berdiskusi untuk memimpin pendanaan tersebut. Namun diskusi masih berjalan, angka bisa berubah, dan Wang membantah angka pendanaan serta deskripsi perusahaan tanpa memberi detail koreksi.

Beberapa researcher OpenAI lain juga disebut akan bergabung dengan perusahaan baru ini.

Berita ini muncul di tengah minat besar investor terhadap penggunaan AI untuk life sciences. Chai Discovery, startup berusia dua tahun yang membangun model AI untuk memprediksi interaksi molekuler, baru mengumumkan pendanaan 400 juta dolar AS dengan valuasi 3,8 miliar dolar AS. Isomorphic Labs, spinout Google DeepMind yang juga fokus pada AI drug discovery, sebelumnya menggalang pendanaan Series B sebesar 2,1 miliar dolar AS.

Ada satu detail menarik dari laporan tersebut: startup Wang disebut mungkin fokus pada pencarian penggunaan baru untuk obat yang sudah ada, termasuk obat yang pernah gagal dalam uji klinis. Jika benar, pendekatan ini bisa lebih dekat ke revenue dibanding membangun obat baru dari nol, karena obat yang sudah disetujui regulator biasanya telah melewati sebagian proses keamanan.

Di permukaan, ini terlihat seperti cerita klasik Silicon Valley: researcher muda, pengalaman OpenAI, pasar besar, pendanaan besar, dan janji bahwa AI bisa mempercepat proses yang selama ini lambat.

Tetapi untuk bisnis, pelajaran terpentingnya bukan hanya bahwa AI drug discovery sedang naik. Pelajaran yang lebih penting adalah: investor sedang membayar mahal untuk kemungkinan memperpendek siklus pembuktian.

The Reality Check

AI drug discovery terdengar sangat kuat karena menyentuh masalah besar. Pengembangan obat mahal, lambat, dan penuh kegagalan. Jika AI bisa membantu memilih kandidat obat lebih cepat, memprediksi interaksi molekuler lebih baik, atau menemukan penggunaan baru untuk obat lama, dampaknya bisa besar.

Namun ada batas yang perlu diingat: model AI tidak otomatis menjadi obat.

Dalam software biasa, produk bisa diuji langsung ke pengguna, diperbaiki cepat, lalu dirilis ulang. Dalam biotech, hasil model masih harus bertemu laboratorium, validasi biologis, uji keamanan, regulasi, dan proses klinis. Salah prediksi bukan hanya bug kecil. Salah prediksi bisa berarti waktu riset hilang, biaya besar, atau risiko medis.

Karena itu, valuasi besar di sektor ini sering mencerminkan ekspektasi, bukan bukti akhir.

Investor tidak hanya membeli model. Mereka membeli peluang bahwa model tersebut bisa mengurangi ketidakpastian di tahap awal discovery, memilih eksperimen yang lebih baik, atau membuka aset obat yang sebelumnya terlihat tidak bernilai.

Di sinilah pendekatan drug repurposing menjadi menarik. Mencari penggunaan baru untuk obat yang sudah disetujui bisa lebih pragmatis daripada mencari molekul baru dari nol. Data keamanan sudah lebih banyak. Jalur regulasi mungkin lebih jelas. Risiko tetap ada, tetapi beberapa hambatan awal bisa lebih rendah.

Namun tetap saja, kata kuncinya bukan automation. Kata kuncinya validasi.

Banyak bisnis juga punya versi kecil dari masalah ini. Mereka ingin memakai AI untuk mempercepat keputusan, tetapi belum jelas data apa yang dipercaya, proses mana yang mau dipercepat, dan hasil seperti apa yang dianggap benar.

Akhirnya AI dipakai sebagai lapisan baru di atas proses yang belum rapi.

Di drug discovery, itu berbahaya karena eksperimen mahal. Di bisnis biasa, dampaknya lebih sederhana tetapi tetap merugikan: rekomendasi tidak dipercaya, workflow tetap manual, dan dashboard terlihat pintar tetapi tidak membantu keputusan.

Berita tentang Wang dan startup AI drug discovery ini sebaiknya tidak dibaca sebagai tanda bahwa semua bisnis harus segera mengejar AI paling canggih. Justru sebaliknya. Semakin tinggi nilai keputusan, semakin penting fondasi proses, data, dan validasi.

AI yang kuat tetap butuh pertanyaan yang jelas.

The Havedev Way

Dari sudut pandang Havedev, cerita ini relevan bukan hanya untuk perusahaan biotech. Ini juga relevan untuk bisnis yang sedang mempertimbangkan AI, automation, atau sistem internal.

Banyak organisasi ingin langsung melompat ke model, agent, dashboard, atau automation. Padahal pertanyaan awal yang lebih sehat adalah: keputusan apa yang ingin dipercepat?

Dalam drug discovery, pertanyaannya bisa seperti:

• kandidat obat mana yang layak diuji lebih dulu?
• data biologis mana yang cukup kuat untuk dipercaya?
• eksperimen apa yang bisa mengurangi risiko paling besar?
• obat lama mana yang punya peluang penggunaan baru?
• kapan hasil model perlu divalidasi manusia atau laboratorium?

Dalam bisnis sehari-hari, bentuknya berbeda tetapi prinsipnya sama:

• lead mana yang harus diprioritaskan?
• order mana yang berisiko terlambat?
• pelanggan mana yang butuh follow-up?
• tiket support mana yang mulai macet?
• proses mana yang paling sering menunggu orang tertentu?

AI berguna ketika ia membantu memperjelas keputusan ini. Bukan ketika ia hanya menambah layar baru atau membuat laporan yang lebih panjang.

Untuk Havedev, pendekatan yang sehat biasanya dimulai dari tiga hal.

Pertama, petakan alur kerja yang paling bernilai. Jangan mulai dari nama teknologi. Mulai dari proses yang paling dekat dengan uang, pelanggan, atau risiko operasional.

Kedua, rapikan data dan status. AI tidak bisa membaca konteks yang tidak pernah dicatat. Jika lead masuk tanpa sumber, kebutuhan, urgensi, dan status follow-up, automation hanya akan mempercepat kebingungan.

Ketiga, tentukan cara validasi. Setiap rekomendasi AI perlu ukuran benar-salah yang jelas. Kalau AI menyarankan prioritas lead, bisnis perlu tahu apakah prioritas itu benar-benar menaikkan conversion. Kalau AI merangkum tiket support, tim perlu tahu apakah ringkasan itu akurat. Kalau AI memprediksi risiko order, harus ada data yang membuktikan prediksi tersebut berguna.

Pelajaran dari AI drug discovery bukan bahwa semua bisnis harus membangun model besar. Pelajarannya adalah sistem yang bernilai tinggi selalu menghubungkan AI dengan proses pembuktian.

Valuasi bisa naik karena narasi. Tetapi operasional hanya membaik kalau keputusan menjadi lebih cepat, lebih jelas, dan lebih bisa dipercaya.

Sebelum memakai AI, bisnis perlu menjawab pertanyaan sederhana: bagian mana dari proses yang jika dipercepat akan benar-benar menghasilkan nilai?

Jika jawabannya belum jelas, mulai dari sana.

Dapatkan Audit Teknis Gratis untuk meninjau alur website, data lead, automation, dan proses bisnis yang bisa dibuat lebih jelas sebelum menambah tool AI baru.

---

Sumber referensi berita: TechCrunch