Havedev
AI di Biotech Tidak Kekurangan Ambisi, Tetapi Tetap Butuh Arah Klinis yang Jelas
Reed Jobs lebih ingin berbicara tentang kanker daripada nama belakangnya. Itu bukan sekadar detail personal yang menarik, tetapi sinyal tentang arah baru dalam biotech: perhatian mulai bergeser dari narasi figur besar ke pertanyaan yang lebih sulit, yaitu bagaimana riset awal bisa berubah menjadi terapi yang benar-benar berguna.
Melalui Yosemite, venture firm yang ia bangun sejak 2023, Jobs mencoba menggabungkan dua hal yang biasanya berjalan dalam bahasa berbeda: filantropi tanpa ikatan untuk riset akademik tahap awal, dan venture capital untuk membangun perusahaan biotech yang bisa bergerak lebih jauh.
Di permukaan, ceritanya mudah dibaca sebagai cerita AI, kanker, dan ambisi besar. Yosemite menargetkan fund kedua sebesar 350 juta dolar. Mereka fokus di oncology. Mereka membangun sebagian perusahaan sendiri dari riset universitas. Mereka melihat AI mulai masuk ke drug discovery, clinical trial design, dan proses kerja healthcare yang selama ini lambat.
Tetapi pelajaran yang lebih penting bukan bahwa AI akan otomatis menyembuhkan kanker.
Pelajarannya adalah: teknologi baru menjadi kuat ketika dipakai untuk masalah yang cukup jelas, cukup sempit, dan cukup penting.
The Core Update
Yosemite dibangun dengan tesis yang cukup spesifik. Mereka tidak ingin menjadi venture firm life science yang mengejar semua peluang. Mereka hanya fokus pada oncology, bidang yang disebut Jobs sebagai sekitar 40% dari biotech.
Fokus ini penting.
Dalam banyak industri, AI sering dibicarakan terlalu luas. AI untuk bisnis. AI untuk healthcare. AI untuk produktivitas. AI untuk masa depan. Kalimat seperti itu terdengar besar, tetapi sering terlalu kabur untuk membantu keputusan.
Yosemite mengambil posisi yang lebih tajam: kanker, riset awal, pembentukan perusahaan baru, dan area terapi yang sebelumnya sulit disentuh.
Sebagian dana dipakai untuk membangun perusahaan sendiri, baik dari ide internal maupun bersama akademisi dari tempat seperti Yale, Berkeley, dan Stanford. Sebagian lain dipakai untuk bergabung dengan perusahaan yang sudah dibangun pihak lain. Di luar itu, ada alokasi donor-advised fund untuk grant tanpa ikatan, sehingga riset yang masih terlalu awal untuk venture capital tetap bisa diuji.
Model ini menarik karena tidak memulai dari pertanyaan, “AI apa yang bisa kita pakai?”
Ia memulai dari pertanyaan yang lebih operasional: riset mana yang cukup menjanjikan, hambatan ilmiah mana yang perlu diturunkan, dan perusahaan seperti apa yang perlu dibangun agar terapi punya peluang sampai ke pasien?
AI masuk sebagai akselerator, bukan sebagai pusat cerita.
Jobs menyebut AI sudah membantu mempercepat pekerjaan berat dalam drug discovery. Bukan selalu karena AI lebih pintar dari ilmuwan, tetapi karena AI bisa melakukan pekerjaan repetitif dengan cepat dan hasil yang lebih mudah direproduksi. Dalam konteks protein target yang dulu dianggap sulit disentuh, AI membantu menemukan kantong atau cara baru untuk menargetkan struktur yang sebelumnya tidak terlihat menjanjikan.
Di clinical trial, AI juga bisa berdampak besar. Uji klinis fase 3 untuk kanker bisa menelan biaya sekitar 260 juta dolar, dan hanya satu dari tiga yang berhasil. Salah satu biaya terbesar adalah rekrutmen dan retensi pasien. Jika synthetic control arm bisa dipakai dengan aman dan diterima regulator, jumlah pasien yang perlu direkrut bisa turun, waktu bisa lebih pendek, dan biaya bisa lebih terkendali.
Namun semua itu tetap bergantung pada konteks medis, kualitas data, desain trial, dan penerimaan regulator.
AI tidak menghapus kompleksitas. AI memindahkan titik leverage.
The Reality Check
Ada godaan besar untuk membaca cerita ini sebagai bukti bahwa AI akan membuat biotech menjadi lebih cepat, lebih murah, dan lebih pasti.
Sebagian mungkin benar. Tetapi tidak seluruhnya.
Biotech berbeda dari software biasa. Jika aplikasi gagal, biasanya bisnis kehilangan waktu, uang, atau kepercayaan pengguna. Jika terapi gagal, konsekuensinya bisa menyangkut keselamatan pasien, keputusan dokter, dan ekspektasi keluarga yang sedang mencari harapan.
Karena itu, AI di biotech tidak bisa diperlakukan seperti fitur SaaS yang bisa dicoba, diukur, lalu diganti minggu depan.
Ada proses ilmiah. Ada uji klinis. Ada regulator. Ada efek samping. Ada variasi biologis. Ada data yang tidak selalu bersih. Ada target yang terlihat menjanjikan di lab tetapi tidak berhasil di manusia.
Yosemite sendiri sudah melihat dua perusahaan dalam portofolionya tidak berhasil karena alasan ilmiah. Itu bukan kegagalan yang aneh. Justru itu bagian normal dari pekerjaan di tahap awal.
Di sinilah narasi AI perlu diturunkan sedikit dari panggung.
AI bisa membantu menemukan pola. AI bisa mempercepat screening. AI bisa membantu desain molekul. AI bisa memperbaiki proses rekrutmen trial. AI bisa membantu radiologi, pathology, call center, dan electronic health records.
Tetapi AI tidak otomatis menentukan target biologis mana yang benar-benar relevan. AI tidak otomatis membuat data klinis menjadi cukup kuat. AI tidak otomatis menjawab apakah sebuah terapi layak diberikan ke pasien tertentu.
Masalah lain adalah storytelling.
Jobs mengatakan perusahaan dengan science yang bagus bisa gagal karena CEO tidak bisa menceritakan ceritanya dengan baik. Ini terdengar seperti masalah komunikasi, tetapi sebenarnya lebih dalam. Di biotech, storytelling bukan sekadar membuat pitch deck terlihat menarik. Storytelling adalah kemampuan menjelaskan mengapa target ini penting, mengapa pendekatan ini masuk akal, mengapa data awal layak dipercaya, dan mengapa investor, partner pharma, atau regulator perlu memberi perhatian.
Tanpa cerita yang jelas, science yang kuat bisa sulit dipahami. Tetapi dengan cerita yang terlalu kuat, science yang lemah bisa terlihat lebih matang dari kenyataannya.
Keduanya berbahaya.
Ini juga berlaku untuk bisnis yang lebih umum. Banyak perusahaan ingin memakai AI karena tidak ingin tertinggal. Tetapi jika masalah dasarnya belum jelas, AI hanya mempercepat pekerjaan yang mungkin tidak perlu dikerjakan.
Dalam biotech, itu bisa berarti menghabiskan modal pada target yang salah. Dalam bisnis biasa, itu bisa berarti membangun automation untuk alur kerja yang belum disepakati. Bentuknya berbeda, prinsipnya sama.
Teknologi yang cepat tetap membutuhkan arah yang benar.
The Havedev Way
Dari sudut pandang Havedev, cerita Reed Jobs dan Yosemite bukan hanya cerita tentang biotech. Ini juga contoh bagaimana organisasi sebaiknya mendekati teknologi baru.
Mulai dari domain yang jelas. Yosemite memilih oncology. Bukan semua healthcare. Bukan semua life science. Bukan semua peluang AI.
Lalu pilih masalah yang bernilai tinggi. Drug discovery, target yang sebelumnya sulit disentuh, clinical trial yang mahal, dan riset akademik yang belum punya jalur komersialisasi.
Baru setelah itu teknologi masuk.
Urutan ini penting untuk bisnis apa pun.
Banyak bisnis melakukan kebalikannya. Mereka mulai dari tool. Mereka mencari AI chatbot, dashboard, automation, CRM, atau aplikasi internal. Setelah itu baru mencoba mencari masalah yang cocok dengan tool tersebut.
Hasilnya sering terlihat modern, tetapi tidak selalu menyelesaikan hambatan utama.
Pendekatan yang lebih sehat adalah memulai dari pertanyaan yang lebih sederhana:
- pekerjaan mana yang paling mahal jika terlambat?
- keputusan mana yang paling sering tertunda karena data tidak jelas?
- proses mana yang paling banyak memakai waktu tim?
- risiko mana yang terlambat terlihat?
- bagian mana yang bisa dipercepat tanpa mengorbankan akurasi?
Dalam konteks biotech, jawabannya bisa berupa clinical trial, patient recruitment, atau target discovery. Dalam bisnis lain, jawabannya bisa berupa lead response, follow-up sales, invoice, support, inventory, atau reporting.
AI menjadi berguna ketika ditempatkan di titik yang jelas.
Jika masalahnya adalah tim sales lambat merespons lead, mungkin AI bisa membantu merangkum konteks inquiry atau membuat draft respons. Jika masalahnya support sulit diprioritaskan, AI bisa membantu klasifikasi awal. Jika masalahnya owner tidak tahu status pekerjaan, AI mungkin bukan langkah pertama; struktur status dan dashboard sederhana bisa lebih penting.
Pelajaran dari Yosemite adalah disiplin fokus.
Mereka tidak menjanjikan bahwa semua kanker akan selesai karena AI. Mereka memilih area, membangun pipeline, memberi grant pada riset awal, membentuk perusahaan ketika perlu, dan menerima bahwa sebagian eksperimen akan gagal.
Bisnis juga perlu disiplin yang sama.
Tidak semua proses perlu di-AI-kan. Tidak semua data perlu dimasukkan ke dashboard. Tidak semua workflow perlu automation. Tidak semua ide perlu aplikasi baru.
Yang perlu dilakukan adalah menemukan titik leverage: bagian kecil dari sistem yang jika diperbaiki akan membuat keputusan lebih cepat, biaya lebih rendah, atau pengalaman pelanggan lebih baik.
AI yang baik tidak dimulai dari demo yang terlihat pintar. AI yang baik dimulai dari masalah yang cukup jelas untuk diuji.
Penutup
Reed Jobs mungkin membawa nama keluarga yang besar, tetapi arah kerja Yosemite menunjukkan pelajaran yang lebih relevan: di bidang yang kompleks, nama besar dan teknologi besar tidak cukup.
Yang dibutuhkan adalah fokus masalah, kualitas riset, desain proses, dan keberanian menerima bahwa tidak semua eksperimen berhasil.
AI bisa mempercepat biotech. AI bisa membuka cara baru untuk mencari terapi. AI bisa membantu clinical trial menjadi lebih efisien. Tetapi AI tetap perlu ditempatkan dalam sistem yang memahami risiko, data, regulasi, dan pasien.
Bagi bisnis di luar biotech, pesannya tetap sama.
Jangan mulai dari pertanyaan, “AI apa yang harus kita pakai?”
Mulai dari pertanyaan yang lebih berguna: “Masalah mana yang cukup penting, cukup jelas, dan cukup sering terjadi sehingga layak dibantu teknologi?”
Kalau jawabannya sudah jelas, pilihan tool menjadi lebih sehat.
Kalau belum jelas, AI hanya akan membuat kebingungan bergerak lebih cepat.
Dapatkan Audit Teknis Gratis untuk meninjau proses bisnis, website, lead, dan automation yang perlu diperjelas sebelum Anda menambah tool AI baru.
Sumber referensi berita: TechCrunch