AI menghasilkan ribuan desain molekul dalam semalam. Setiap desain harus divalidasi di laboratorium basah. Hambatannya kini bergeser dari algoritma ke penyedia infrastruktur.
Twist Bioscience ($TWST): Pesanan yang didorong AI naik tiga digit selama dua tahun berturut-turut. Proyeksi FY26-27 menunjukkan pesanan penemuan obat berbasis AI melonjak dari $25M → $50M → $100M. Lebih dari sepertiga pertumbuhan pesanan FY25 sudah berasal dari klien AI.
GenScript: Pendapatan dari penemuan obat berbasis AI naik dua kali lipat YoY pada H1 2026, menandai tiga periode semester berturut-turut dengan pertumbuhan pesat. Pemeriksaan saluran menunjukkan kapasitas validasi eksperimental mereka mencapai ~8,000 desain per hari, dengan target 16,000 pada akhir tahun. Pesanan yang masuk semakin cepat dieksekusi.
Mengapa hambatannya bergeser: AI membuat desain molekul hampir tanpa biaya tambahan, tetapi setiap desain tetap memerlukan verifikasi fisik di laboratorium basah. Eksperimen yang gagal juga sama pentingnya—model AI perlu menerima semua hasil sebagai data pelatihan agar dapat terus menyempurnakan diri. Setiap keberhasilan dan kegagalan menjadi titik data berbayar.
Rantai nilainya terbagi sebagai berikut: Model menghasilkan desain → sintesis DNA → produksi protein → validasi eksperimental → pengujian praklinis. Sintesis DNA, produksi protein, dan layanan CRO membutuhkan banyak modal, memakan waktu, dan tidak mungkin digantikan AI. Komputasi berlimpah. Kendalanya sekarang adalah menghasilkan dan memvalidasi data.
Dalam gelombang AI farmasi ini, penjual sekop dibayar lebih dulu.
Twist Bioscience ($TWST): Pesanan yang didorong AI naik tiga digit selama dua tahun berturut-turut. Proyeksi FY26-27 menunjukkan pesanan penemuan obat berbasis AI melonjak dari $25M → $50M → $100M. Lebih dari sepertiga pertumbuhan pesanan FY25 sudah berasal dari klien AI.
GenScript: Pendapatan dari penemuan obat berbasis AI naik dua kali lipat YoY pada H1 2026, menandai tiga periode semester berturut-turut dengan pertumbuhan pesat. Pemeriksaan saluran menunjukkan kapasitas validasi eksperimental mereka mencapai ~8,000 desain per hari, dengan target 16,000 pada akhir tahun. Pesanan yang masuk semakin cepat dieksekusi.
Mengapa hambatannya bergeser: AI membuat desain molekul hampir tanpa biaya tambahan, tetapi setiap desain tetap memerlukan verifikasi fisik di laboratorium basah. Eksperimen yang gagal juga sama pentingnya—model AI perlu menerima semua hasil sebagai data pelatihan agar dapat terus menyempurnakan diri. Setiap keberhasilan dan kegagalan menjadi titik data berbayar.
Rantai nilainya terbagi sebagai berikut: Model menghasilkan desain → sintesis DNA → produksi protein → validasi eksperimental → pengujian praklinis. Sintesis DNA, produksi protein, dan layanan CRO membutuhkan banyak modal, memakan waktu, dan tidak mungkin digantikan AI. Komputasi berlimpah. Kendalanya sekarang adalah menghasilkan dan memvalidasi data.
Dalam gelombang AI farmasi ini, penjual sekop dibayar lebih dulu.