Automatisation et IA dans la chaîne d'approvisionnement pharmaceutique : une cartographie de bout en bout

Points clés

• C'est aux points de transfert entre entreprises que les données de la chaîne d'approvisionnement pharmaceutique subissent le plus souvent des discontinuités. Automatiser des étapes isolées ne comble pas ces lacunes ; des identifiants partagés, l'échange de données et une planification conjointe le font.
• L'automatisation (règles connues), l'optimisation (la meilleure option, au sens mathématique, sous des contraintes explicites) et l'IA (inférence apprise à partir de données) sont des outils différents, qui appellent des contrôles différents. Un niveau plus élevé de l'un ou l'autre n'est pas automatiquement préférable.
• L'« IA » n'est pas un tout homogène. Les modèles prédictifs, les modèles génératifs et les agents échouent de manières différentes et requièrent des garde-fous différents.
• Les décisions engageant une responsabilité — notamment l'approbation des fournisseurs, le devenir des lots, les conclusions du contrôle qualité (QC), les rappels et les évaluations de pharmacovigilance — restent attribuées à des personnes ou fonctions habilitées, conformément au système qualité et à la juridiction applicables.
• Les fondations de données et la gouvernance — validation, intégrité des données, sécurité et supervision de l'IA — déterminent jusqu'où l'automatisation peut aller en toute sécurité.

1. Pourquoi une vision de bout en bout

Un médicament parvient au patient à travers plusieurs réseaux d'approvisionnement interconnectés, et non par une organisation unique. Les fournisseurs de matières premières de départ clés et d'intermédiaires alimentent les fabricants de substances actives (API), tandis que des réseaux distincts fournissent les excipients, les articles de conditionnement primaire et secondaire, les équipements et les services techniques. Ces flux convergent chez le fabricant du produit fini, puis le médicament transite par les importateurs, les distributeurs et les grossistes-répartiteurs jusqu'aux hôpitaux et aux pharmacies.

Chaque point de transfert dans cette chaîne crée une discontinuité potentielle des données. Le code produit dans le système d'une entreprise n'est pas celui de l'entreprise suivante. Numéros de lot, certificats, statut qualité et — surtout — signaux de demande doivent être ressaisis, réinterprétés ou déduits à chaque étape.

La recherche sur les chaînes d'approvisionnement a donné un nom à l'une des conséquences. En 1997, Lee, Padmanabhan et Whang ^[32] ont décrit l'effet coup de fouet (bullwhip effect) : lorsque chaque entreprise ne voit que les commandes de son client immédiat, « la variance des commandes peut être supérieure à celle des ventes, et la distorsion tend à s'accentuer à mesure que l'on remonte la chaîne ». L'une des quatre causes qu'ils ont identifiées concerne directement les médicaments : le jeu du rationnement. Lorsque l'approvisionnement est rationné, les acheteurs gonflent leurs commandes pour s'assurer une part plus importante — de sorte qu'une pénurie paraît, en amont, plus grave que la demande réelle.

C'est pourquoi l'automatisation d'étapes au sein d'une seule entreprise — un ERP ici, un système de gestion d'entrepôt là — ne rend pas, à elle seule, une chaîne d'approvisionnement intelligente. Elle rend chaque maillon plus efficace, tandis que les lacunes entre les maillons subsistent.

Cet article est une cartographie de ces maillons et de ces lacunes. Pour chaque étape de la chaîne, il pose cinq questions : qu'est-ce qui est déjà automatisé, où l'optimisation et l'IA peuvent-elles aider, qui reste responsable, quel cadre réglementaire s'applique, et quel est le degré de maturité des données. Les articles suivants de ce programme approfondiront chaque étape.

Pour garder cette cartographie concrète, nous suivons un exemple fil rouge : une pénurie d'un médicament générique largement utilisé. L'exemple est illustratif et ne vise pas un produit spécifique, mais chacune de ses étapes repose sur les règles et les éléments probants cités.

Périmètre. La cartographie couvre la chaîne d'approvisionnement pharmaceutique, des décisions de portefeuille jusqu'à la phase post-commercialisation. Elle ne couvre pas la découverte de nouvelles molécules, la recherche préclinique ni le développement clinique — la chaîne de l'innovation, régie par des pratiques différentes (GLP, GCP) et par d'autres décideurs. Elle croise cette chaîne en deux points — l'approvisionnement en médicaments expérimentaux pour les essais cliniques et le transfert de technologie vers la fabrication commerciale — que des articles ultérieurs du programme traiteront à part entière.

L'argument central est simple : l'automatisation améliore l'exécution au sein de chaque maillon ; la valeur de bout en bout n'apparaît que lorsque l'identité, l'échange de données, la planification et la gouvernance relient également ces maillons.

2. Automatisation, optimisation et IA sont des outils différents

Une grande partie des écrits sur l'« IA dans l'industrie pharmaceutique » qualifie d'IA tout système numérique. Il devient alors impossible de raisonner sur le risque, car ces trois familles d'outils se comportent différemment.

L'automatisation fondée sur des règles exécute une logique prédéfinie. Les ERP, MES, LIMS et systèmes de gestion d'entrepôt, les moteurs de workflow, l'automatisation robotisée des processus (RPA), les intégrations EDI et API, les codes-barres et la RFID, les capteurs IoT, la robotique, le stockage automatisé, la sérialisation et les alertes fondées sur des règles font tous ce pour quoi ils ont été configurés. Leur comportement est déterminé par des règles explicites, la configuration, l'état du système et les données d'entrée, plutôt que par des schémas appris à partir de données d'entraînement. Leurs risques tiennent aux erreurs de configuration et aux lacunes des règles.

L'analytique, la planification et l'optimisation soutiennent la décision sans inférence apprise. Les méthodes de planification telles que la planification des besoins en composants (MRP) et le calcul du stock de sécurité appliquent une logique et des paramètres définis ; les méthodes d'optimisation — ordonnancement de la production, optimisation des itinéraires et des allocations — recherchent la meilleure option réalisable au regard d'un objectif et de contraintes explicites ; l'analytique synthétise des données observées. Ces outils sont explicables — mais ne valent que ce que valent leurs contraintes et leurs données d'entrée.

Les modèles d'IA apprennent des schémas à partir de données et généralisent à de nouvelles entrées. Leurs prédictions ou classifications comportent une incertitude liée au modèle, même lorsque le logiciel lui-même s'exécute de manière déterministe. Il est utile de distinguer trois modes opérationnels d'IA, car ils échouent différemment :

Pour décrire le degré d'automatisation d'un processus, ce programme utilise deux échelles distinctes.

Pour l'automatisation : Level 1 — Manuel (le système enregistre et impose ; une personne décide et agit) ; Level 2 — Suggéré (le système propose ; une personne confirme) ; Level 3 — Automatique avec revue (le système agit dans le cadre de règles définies ; des personnes habilitées peuvent contrôler et intervenir) ; Level 4 — Entièrement automatique (la confirmation humaine de routine est supprimée).

Pour l'IA : AI-0 (pas d'IA) ; AI-1 — Assistance (rechercher, extraire, classer, résumer, mettre en évidence) ; AI-2 — Recommandation (prévoir, classer par ordre de priorité ou recommander ; une personne décide) ; AI-3 — Exécution sous contrôle humain (l'IA déclenche des actions bornées et réversibles, sous surveillance ou soumises à approbation) ; AI-4 — Autonome (l'IA planifie et exécute seule).

Un niveau plus élevé n'est pas automatiquement préférable. Pour les décisions critiques au regard des BPF (GMP), telles que la libération des lots et les conclusions du QC, le niveau approprié aujourd'hui est le Level 1 : le système impose les règles et enregistre les preuves, et une personne habilitée décide.

3. La cartographie

Le tableau résume la chaîne. Chaque étape est examinée à la section 4.

Figure 2. La carte de bout en bout — sept étapes, cinq questions.

*La maturité des données relève de notre appréciation qualitative, fondée sur trois questions : les données sont-elles structurées, reposent-elles sur des identifiants partagés, et sont-elles échangées électroniquement entre entreprises ?

Deux constats se dégagent. Premièrement, les données les plus matures se trouvent là où la réglementation a imposé des identifiants partagés — la sérialisation dans la distribution. Deuxièmement, les décisions engageant une responsabilité ne se déplacent pas vers la droite du tableau à mesure que la technologie progresse : à chaque étape, une personne ou une fonction désignée décide toujours.

4. Les étapes

Étape 0 — Portefeuille, développement de produits, enregistrement et transfert de technologie

Avant même que la chaîne d'approvisionnement ne fonctionne, trois décisions la façonnent : quels produits fabriquer ou importer, comment ils sont formulés, et ce que contient le dossier d'enregistrement.

Le dossier pèse davantage sur la chaîne d'approvisionnement qu'on ne le reconnaît souvent. Il fixe les matières autorisées et la source de la substance active. Dans l'UE, la qualité de la substance active peut être documentée de trois manières : un certificat de conformité (CEP) délivré par l'EDQM ^[11], qui atteste que la monographie pertinente de la Pharmacopée européenne permet de contrôler convenablement la substance et remplace l'essentiel de la section du dossier relative à la substance active ; un dossier permanent de substance active (ASMF) ^[10], dont la partie restreinte protège le savoir-faire du fabricant tandis que le demandeur assume la responsabilité du produit, référencé au moyen d'une lettre d'accès ; ou l'intégralité des informations dans le dossier lui-même. Aux États-Unis, un Drug Master File (DMF) ^[16] est une soumission confidentielle qui n'est pas obligatoire, n'est ni approuvée ni rejetée, et n'est évaluée qu'avec les demandes qui y font référence.

Ces mécanismes ne sont pas équivalents, mais la conséquence est similaire : changer ultérieurement de source de substance active constitue un événement réglementaire. Dans l'UE, il s'agit d'une modification (variation), au titre du Regulation (EC) No 1234/2008 tel que modifié par le Delegated Regulation (EU) 2024/1701, avec de nouvelles lignes directrices de classification applicables à compter du 15 janvier 2026 ^[8][9]. Sa catégorie dépend de la nature du changement et de sa documentation.

L'automatisation est ici centrée sur les documents : suivi des dossiers et des enregistrements, alertes sur les dates de validité, gestion documentaire de la R&D, transfert des données de référence vers la fabrication, et gestion des maquettes et de l'étiquetage multilingue — source fréquente de frictions entre les affaires réglementaires et la production. L'analytique appliquée aux enregistrements et aux appels d'offres éclaire les choix de portefeuille ; l'IA générative peut aider à lire et à comparer dossiers et étiquetages (AI-1/2). Les décisions de portefeuille relèvent de la direction, le contenu du dossier des affaires réglementaires et de la QA, et l'approbation de l'autorité réglementaire.

Les données d'enregistrement peuvent être structurées à grande échelle. Dans le jeu de données PharmaCountry (instantané de production, 22 septembre 2026) ^[36], 131 361 des 262 897 fiches produits actives — environ la moitié — comportent des données sur les marchés d'enregistrement issues de cinq registres nationaux : Viet Nam, République de Corée, Espagne, France et Japon. Cela montre comment les données d'enregistrement peuvent être reliées aux produits ; il ne s'agit pas d'une couverture mondiale.

A — Fournisseurs, sourcing et achats

Le sourcing part d'une liste restreinte. La qualification d'un nouveau fournisseur prend des mois, et le risque de concentration est souvent plus profond qu'il n'y paraît : plusieurs fabricants d'API peuvent dépendre du même intermédiaire, ce qu'une vue limitée au premier rang ne permet pas de voir.

La concentration est visible dès le niveau des fiches de la plateforme. Dans les données fournisseurs de PharmaCountry au 21 septembre 2026, trois pays — la Chine, le Viet Nam et la République de Corée — représentent 25,8 % des entreprises mais 64,7 % des fiches produits, et l'Asie de l'Est représente 55,4 % des fiches (Rapport n° 01) ^[35]. Il s'agit de données de plateforme, et non d'un recensement du secteur ; les fiches de la plateforme ne révèlent pas les dépendances en amont de rang 2.

L'automatisation couvre les annuaires structurés et les places de marché, les demandes de devis numériques, la gestion des contrats et des accords qualité, la planification des audits et la notation des fournisseurs fondée sur des règles. Certaines vérifications de qualification peuvent devenir routinières parce que les données sont publiques : la base de données EudraGMDP de l'UE ^[13] — publique depuis 2011 — contient les certificats GMP et GDP ainsi que les déclarations de non-conformité GMP, et la base de données de certification de l'EDQM ^[12] indique si un CEP est valide, expiré, retiré ou suspendu. L'IA contribue à la recherche sémantique, à l'extraction des certificats d'analyse et des devis (AI-1), aux alertes de risque d'approvisionnement (AI-2) et à la résolution d'entités — reconnaître que des noms écrits différemment désignent le même fournisseur.

L'approbation reste humaine. Chez un fabricant, l'approbation des fournisseurs est régie par le système qualité pharmaceutique, généralement sous la supervision de la QA et sur la base d'éléments de qualification documentés, qui peuvent inclure des audits selon le risque associé au fournisseur et à la matière ; chez un grossiste de l'UE, la personne responsable au titre des BPD (GDP) est chargée de « la qualification et l'approbation des fournisseurs et des clients » ^[1]. Un algorithme peut classer les candidats ; il ne prend pas la décision d'approbation qui engage la responsabilité.

Côté fournisseur : être trouvé. La découverte de fournisseurs est aussi un problème de diffusion de l'information. Un fournisseur compétent qui ne peut être identifié, recherché et compris de manière fiable d'un marché à l'autre risque de ne jamais entrer dans la liste initiale de candidats d'un acheteur. L'automatisation rend trouvables des informations structurées et multilingues sur les fournisseurs et les produits. L'IA générative peut les rédiger et les traduire — avec une revue humaine avant publication. Google ne pénalise pas les contenus générés par l'IA en tant que tels ; ses règles relatives au spam visent le fait d'« utiliser des outils d'IA générative ou d'autres outils similaires pour générer de nombreuses pages sans apporter de valeur aux utilisateurs » ^[28]. Les règles applicables aux contenus varient également selon le type de produit, le public et la juridiction : la Directive 2001/83/EC ^[7] de l'UE interdit la publicité auprès du grand public pour les médicaments soumis à prescription, mais les API, excipients, équipements et services de sous-traitance ne sont pas traités de la même manière.

Encadré de preuves — une plateforme que nous développons et exploitons (preuve de première main, non indépendante). Une plateforme pharmaceutique B2B multilingue que nous développons et exploitons sert des pages rendues côté serveur en huit langues, avec des balises canonical et hreflang, un index de sitemaps généré à partir de sa base de données, des données structurées et des pages par pays de fabrication générées à partir des données fournisseurs. Les traductions sont rédigées par l'IA et relues avant leur chargement. La plateforme est en ligne ; nous ne formulons ici aucune affirmation concernant le trafic ou le positionnement dans les moteurs de recherche.

B — Commerce international, import/export et logistique

Les mouvements transfrontaliers ajoutent des documents, des questions de classement et un risque lié à la température. Chaque transfert entre transporteurs est aussi un transfert de données.

L'automatisation est mature sur certains volets : EDI, déclarations en douane électroniques, suivi des lots et de la sérialisation en transit, et enregistrement continu de la température avec alarmes de seuil. L'alarme elle-même est fondée sur des règles — une mesure hors de la plage validée déclenche une alerte d'excursion — et ne relève pas de l'IA. L'optimisation choisit les itinéraires et les modes de transport. Le ML prédictif peut estimer le risque d'excursion, signaler un comportement anormal des capteurs ou prévoir un retard de livraison (AI-2). L'IA générative peut suggérer des codes HS ou extraire des attributs de produits (AI-1), mais le classement officiel reste de la responsabilité de l'importateur ou du commissionnaire en douane.

La décision qualité reste humaine. Les lignes directrices de l'UE relatives aux bonnes pratiques de distribution (2013/C 343/01) prévoient qu'« une procédure … d'investigation et de traitement des excursions de température » devrait être en place ^[1] ; c'est la QA ou la personne responsable au titre des BPD (GDP) qui décide si les marchandises restent utilisables, et non le capteur. Les lignes directrices de l'OMS sur les bonnes pratiques de stockage et de distribution (WHO TRS 1025 Annex 7, 2020) ^[21] considèrent de même le stockage et la distribution comme des responsabilités partagées entre les différentes parties qui manipulent les produits médicaux tout au long de la chaîne d'approvisionnement.

PharmaCountry ne détient pas aujourd'hui de données d'expédition ; les flux commerciaux constituent une future couche de données, et tout signal commercial déduit devrait être signalé comme une inférence.

C — Opérations sur site : entreposage, fabrication, QA/QC et validation

Au sein d'un site, les systèmes papier fonctionnent souvent. Ce qui se rompt, c'est l'espace entre les formulaires : un avis de livraison dans un groupe de messagerie, une prévision dans un tableur, une fiche de confirmation qui circule de service en service.

L'automatisation d'un site se comprend au mieux à travers la hiérarchie ISA-95 (IEC 62264) ^[30] : le procédé physique (niveau 0), la détection et la manipulation (niveau 1), la surveillance et la supervision, par exemple SCADA (niveau 2), la gestion des opérations de fabrication — MES, dossiers de lot électroniques, LIMS — (niveau 3), et la planification et la logistique de l'entreprise, l'ERP (niveau 4). La norme traite principalement de l'interface entre les niveaux 3 et 4, là où de nombreux projets rencontrent des difficultés. L'ISA-88 couvre le contrôle des procédés par lots : recettes et hiérarchie des équipements. La gestion d'entrepôt (quarantaine, statut des lots, premier périmé, premier sorti), la technologie analytique des procédés et la robotique complètent le tableau. L'automatisation physique se justifie généralement plus facilement lorsque le volume, la stabilité de la gamme de produits et la standardisation des procédés s'y prêtent ; elle ne constitue pas un choix par défaut.

L'optimisation ordonnance la production. Le ML prédictif détecte les anomalies dans les contrôles en cours de fabrication ou les rendements, soutient la maintenance prédictive et suit les tendances des résultats du QC (AI-2) ; l'IA générative peut aider à classer les déviations (AI-1).

Les décisions engageant une responsabilité ne se déplacent pas : la certification et la libération des lots par la personne qualifiée ou habilitée (la « QP » dans l'UE ; les intitulés varient selon la juridiction), les conclusions du QC, les conclusions et décisions de disposition des investigations sur les résultats hors spécifications (OOS), et la clôture des déviations. Les cadres sont bien établis : GAMP 5 ^[29] pour la validation des systèmes informatisés, 21 CFR Part 11 ^[18] et EU GMP Annex 11 ^[3] pour les enregistrements et signatures électroniques, et les lignes directrices sur l'intégrité des données de la FDA (2018) ^[19] et de PIC/S (PI 041-1) ^[20].

Encadré de preuves — une mise en œuvre d'ERP en cours. Chez un fabricant pharmaceutique vietnamien, un ERP open source est en cours de paramétrage de sorte que les marchandises soient réceptionnées en quarantaine et que chaque livraison soit scindée en un sous-lot par contenant, portant le numéro de lot du fournisseur — une traçabilité au niveau du contenant (développée, testée avec des données de test). Le workflow du dossier de lot électronique exige trois visas fondés sur les rôles — production, QA et responsable de la gestion de la qualité — avant clôture. Le dossier papier sous-jacent comportait plusieurs champs de visa qualité ; le workflow numérique rend obligatoires les approbations correspondantes, fondées sur les rôles, avant clôture. Ces visas sont des contrôles de workflow, et non encore des signatures électroniques répondant aux exigences de Part 11 ou d'Annex 11. Les conclusions du QC et la libération des lots restent au Level 1. Statut : développé, non validé, non mis en production. La série Mise en œuvre documente le projet.

D — Distribution et vente en gros

C'est souvent au stade de la distribution que les pénuries deviennent visibles, sous la forme d'un problème d'allocation et de disponibilité.

L'automatisation comprend le réapprovisionnement automatique, le principe « premier périmé, premier sorti », la vérification des codes à la réception et à l'expédition, et la traçabilité des rappels. Sur les principaux marchés réglementés, les exigences de sérialisation et de traçabilité électronique ont créé certaines des structures de données partagées les plus solides de l'aval de la chaîne d'approvisionnement. La directive de l'UE sur les médicaments falsifiés (Directive 2011/62/EU) et le Delegated Regulation (EU) 2016/161 ^[6] — applicables depuis le 9 février 2019 — imposent un identifiant unique et un dispositif antieffraction sur la plupart des médicaments soumis à prescription, vérifiés au moyen d'un système de répertoires. Aux États-Unis, le Drug Supply Chain Security Act (DSCSA) exige une traçabilité électronique, sécurisée et interopérable au niveau de l'emballage ; après une période de stabilisation, les exemptions temporaires accordées aux fabricants et reconditionneurs éligibles, aux grossistes-répartiteurs et aux dispensateurs employant 26 personnes ou plus à temps plein en pharmacie ont expiré par étapes au cours de 2025 ; en août 2026, la FDA a accordé une exemption distincte aux petits dispensateurs éligibles, jusqu'au 27 novembre 2027 ^[17].

L'optimisation alloue les stocks rares et planifie le réapprovisionnement ; le ML prédictif prévoit la demande et les pénuries (AI-2).

La responsabilité est répartie, et elle diffère selon la juridiction. La politique d'allocation en situation de pénurie est définie par une gouvernance commerciale, clinique et réglementaire habilitée. Les décisions de rappel et leur exécution suivent les rôles attribués au titulaire de l'autorisation de mise sur le marché (AMM), au fabricant, au distributeur et à l'autorité compétente. Dans l'UE, par exemple, le chapitre 8 des GMP ^[2] applique la gestion du risque qualité à la décision de rappel et exige une consultation des autorités compétentes sur son étendue, tandis que la personne responsable du grossiste est chargée de « coordonn[er] et effectu[er] rapidement toute opération de rappel » ^[1].

E — Hôpitaux, pharmacies et officines

Au point de soins, les problèmes sont les ruptures de stock, les produits périmés et la recherche d'alternatives en période de pénurie. Les achats du secteur public constituent un canal d'achat important sur certains marchés ; le Viet Nam en est un exemple.

L'automatisation comprend le réassort automatique, la gestion des péremptions, les armoires et magasins de dispensation automatisés, la vérification des codes lors de la dispensation et les appels d'offres électroniques. Les éléments probants concernant l'automatisation de la dispensation sont positifs, mais assortis de réserves. Une revue systématique de 48 publications (Batson et al., European Journal of Hospital Pharmacy, 2020) ^[33] a constaté des réductions des erreurs médicamenteuses, du temps d'administration et des coûts — mais aussi des plans d'étude hétérogènes, des bénéfices dépendant d'une mise en œuvre optimale, et la nécessité d'études de puissance suffisante avant de tirer des conclusions fermes sur le retour sur investissement.

Les marchés publics se numérisent également. Au Viet Nam, la loi sur les marchés publics (n° 22/2023/QH15, en vigueur depuis le 1er janvier 2024) ^[26] organise la passation des marchés sur le Système national du réseau des marchés publics, et l'achat de médicaments dans les établissements de santé publics est désormais régi par la Circulaire 40/2025/TT-BYT, qui a entièrement remplacé la Circulaire 07/2024/TT-BYT ^[27].

L'IA peut prévoir la demande au point de soins, analyser les documents d'appel d'offres et identifier des produits candidats partageant des attributs d'approvisionnement définis — marché autorisé, forme pharmaceutique, dosage, taille de conditionnement, fournisseur disponible (AI-2).

La limite est ici stricte. Un système d'approvisionnement peut montrer ce qui est disponible ; la substitution thérapeutique pour un patient est une décision clinique et pharmaceutique.

F — Veille de marché et post-commercialisation

Une fois un produit sur le marché, trois flux comptent : les signaux de marché, les déclarations d'effets indésirables et les rappels.

L'automatisation prend en charge la réception électronique des réclamations et des déclarations d'effets indésirables, la traçabilité des lots concernés à travers les enregistrements de distribution et, de plus en plus, les notifications structurées de pénurie. Dans l'UE, la plateforme européenne de surveillance des pénuries (ESMP) ^[14] — fondée sur le Regulation (EU) 2022/123 et pleinement opérationnelle depuis le 29 janvier 2025 — reçoit les déclarations de pénurie de routine des titulaires d'AMM de médicaments autorisés selon la procédure centralisée, avec une déclaration élargie en situation de crise. L'IA peut soutenir le tri et l'orientation des cas, ainsi que la détection des signaux (AI-1/2) ; les signaux de demande dérivés des données de marché doivent être signalés comme des inférences.

L'évaluation de pharmacovigilance et les décisions de rappel restent humaines et liées à des rôles définis. Les bonnes pratiques de pharmacovigilance (GVP) de l'EMA ^[15] en fixent le cadre — le Module VI pour la collecte et la déclaration des effets indésirables suspectés, le Module IX pour la gestion des signaux.

5. Identité, interopérabilité et visibilité

Si une section de cette cartographie mérite la plus grande attention, c'est celle-ci. Chacun des cas d'usage de l'IA décrits plus haut suppose une condition qui fait souvent défaut : que deux systèmes s'accordent sur ce dont ils parlent.

L'ordre compte. L'identité vient en premier : deux parties doivent s'accorder sur le fournisseur, le produit ou le lot auquel un enregistrement se rapporte. L'interopérabilité vient en deuxième : elles doivent pouvoir échanger ces données. La visibilité vient en troisième : ce n'est qu'alors que l'on peut voir la chaîne de bout en bout. La planification, l'optimisation et l'IA se situent au-dessus.

L'identité est en partie résolue là où la réglementation l'a imposée. L'identifiant unique de l'UE comporte un code produit, un numéro de série, un numéro de lot et une date de péremption ^[6] ; en pratique, un GTIN GS1 est couramment encodé dans un GS1 DataMatrix avec les mêmes éléments ^[31]. Les fournisseurs et les sites sont plus difficiles. Dans les propres données de PharmaCountry (production, 22 septembre 2026) ^[36], un même site de fabrication apparaît sous la forme de quatre fiches d'entreprise avec quatre graphies du même nom d'usine — la même adresse écrite de quatre façons et le même site web — toutes créées le même jour par un même import depuis une base de données nationale d'enregistrement. À l'inverse, le nom d'un fournisseur d'excipients apparaît dans quatre pays — il peut s'agir de sites réellement distincts. Un nom identique ne prouve pas l'existence d'un doublon. Une simple normalisation des noms peut signaler des groupes de doublons potentiels, mais la seule similarité des chaînes de caractères ne permet pas de déterminer si deux fiches représentent la même entité juridique ou le même site. La résolution d'entités nécessite des règles, des éléments probants et un vérificateur.

L'interopérabilité désigne l'EDI et les API entre entreprises et, au sein d'un site, une frontière ISA-95 nette entre les systèmes opérationnels et les systèmes de gestion.

La visibilité et la planification transforment les données échangées en décisions : prévision de la demande, planification des ventes et des opérations (S&OP, l'équilibrage régulier de la demande et de l'offre), planification des besoins en composants, stock de sécurité, et tours de contrôle — qui ne sont utiles que lorsqu'elles ajoutent à la visibilité la détection des exceptions et la coordination, et pas seulement des tableaux de bord. La planification se rompt là où les données se rompent ; c'est à nouveau l'effet coup de fouet. La visibilité sur le rang 2 est souvent limitée, et elle n'est pas représentée dans les données actuelles des fiches PharmaCountry.

La conclusion pratique : des identifiants médiocres et une qualité de données insuffisante peuvent conduire l'IA à reproduire, voire amplifier, des erreurs existantes. Le travail sur l'identité est moins visible qu'un pilote d'IA, mais il constitue souvent l'investissement le plus fondamental.

6. La gouvernance tout au long de la chaîne

La gouvernance ne se résume pas à un cadre unique, mais à plusieurs, appliqués étape par étape.

• Fabrication (BPF/GMP) : validation des systèmes informatisés (GAMP 5) ^[29], enregistrements et signatures électroniques (21 CFR Part 11, EU GMP Annex 11) ^[18][3] et intégrité des données (ALCOA+ ; FDA 2018 ; PIC/S PI 041-1) ^[19][20].
• Distribution (BPD/GDP) : les lignes directrices GDP de l'UE ^[1] définissent la personne responsable, la qualification des fournisseurs et des clients, les rappels et les excursions de température.
• Pharmacovigilance (GVP) : EMA GVP Modules VI et IX ^[15].
• Allégations et promotion des produits : les règles varient selon le type de produit, le public et la juridiction ; dans l'UE, la Directive 2001/83/EC régit la publicité pour les médicaments ^[7].

L'IA dans les BPF est encore en cours de définition. En juillet 2025, la Commission européenne et le groupe de travail des inspecteurs EMA/PIC/S ont publié un projet d'Annex 22 consacré à l'intelligence artificielle ^[4], parallèlement à des projets révisés de l'Annex 11 et du chapitre 4. Le projet s'applique aux modèles d'IA/ML utilisés dans des applications GMP critiques — celles ayant un impact direct sur la sécurité des patients, la qualité des produits ou l'intégrité des données — et ne couvre que les modèles statiques à sortie déterministe. Il indiquait que les modèles dynamiques, les modèles à sortie probabiliste, ainsi que l'IA générative et les grands modèles de langage « ne devraient pas être utilisés dans des applications GMP critiques », et que, pour les usages non critiques, des personnes qualifiées restent responsables des résultats. Cette position fait désormais l'objet de discussions : en juin–juillet 2026, l'EMA a organisé un atelier multipartite sur une approche fondée sur le risque de l'IA générative dans la fabrication ^[5]. En septembre 2026, l'Annex 22 demeure à l'état de projet. Le lien avec la section 2 est direct : le projet réglemente selon le type d'IA, et non selon l'étiquette « IA ».

Sécurité, protection des données et gouvernance des modèles. L'automatisation connectée élargit la surface d'attaque. L'IA soulève en outre des questions de provenance des données, de contrôle des modèles et des versions, d'accès aux informations confidentielles relatives aux fournisseurs, aux BPF et aux patients, de dépendance à l'égard de fournisseurs de modèles externes, de gestion des changements, de surveillance de la dérive et d'auditabilité. Dans l'UE, la directive NIS2 (EU) 2022/2555 ^[22] étend les obligations de cybersécurité au secteur de la santé, y compris la fabrication de produits pharmaceutiques et la R&D sur les médicaments, pour les entités de taille moyenne et grande, selon les modalités de transposition nationale. En vertu du RGPD (GDPR) ^[23], les données concernant la santé constituent une catégorie particulière dont le traitement est interdit sauf exception spécifique — ce qui importe pour les données de pharmacovigilance et les données hospitalières.

Le principe qui traverse l'ensemble : des contrôles proportionnés au risque, et l'IA ne constitue jamais une raison de supprimer la responsabilité humaine.

7. Maturité des éléments probants

Quelle part de tout cela est démontrée ? La classification ci-dessous relève de l'appréciation éditoriale de PharmaCountry et ne constitue pas une revue systématique : la colonne « Établi » repose sur les sources citées, tandis que la colonne « Émergent » recense des domaines de développement actifs plutôt que des affirmations évaluées au regard des preuves.

L'exemple d'IA figurant dans la première colonne appelle une réserve. Zhu, Ninh, Zhao et Liu (Production and Operations Management, 2021) ^[34] ont testé la prévision par apprentissage automatique sur deux vastes jeux de données provenant de grands fabricants pharmaceutiques et ont constaté des performances supérieures — ainsi que des preuves empiriques de la valeur des informations sur les stocks en aval. Il s'agit d'une seule étude portant sur des données spécifiques. Son enseignement rejoint la thèse de cet article : le gain provenait du partage de données au-delà des frontières de l'entreprise, et non du seul algorithme.

Pour la colonne de droite, l'affirmation exacte n'est pas que ces usages sont impossibles, mais que les preuves sont insuffisantes — et que les obstacles en matière de responsabilité et de validation sont considérables — pour les traiter comme des pratiques opérationnelles matures.

8. Le programme à venir

Cet article constitue la cartographie. Le programme ira plus loin, étape par étape : Sourcing et achats intelligents (prochain article), intelligence du commerce et de la logistique, fabrication intelligente, qualité et conformité numériques, distribution et vente en gros, et pharmacie et officine — ainsi qu'une série Mise en œuvre documentant un véritable projet d'ERP, avec ses limites explicitées, Être trouvé, consacrée à la découverte numérique et à la présence multilingue dans le sourcing pharmaceutique, et — ultérieurement — la chaîne d'approvisionnement des essais cliniques. Les données sur lesquelles repose l'analyse du sourcing commencent avec le Rapport n° 01 — Panorama mondial des fournisseurs pharmaceutiques 2026.

À propos de cet article

Il s'agit d'une cartographie analytique. Ses éléments probants comprennent des données de la plateforme PharmaCountry (avec indication des dates d'instantané et des limites ; les données de plateforme ne constituent pas un recensement du secteur), deux mises en œuvre anonymisées — un projet d'ERP qui n'est ni en production ni validé, utilisé uniquement pour les opérations sur site, et une plateforme que nous exploitons, utilisée uniquement pour la découverte de fournisseurs — ainsi que des textes réglementaires primaires, des normes et des travaux de recherche évalués par des pairs. L'exemple de pénurie est illustratif. Les classifications de maturité des données et de maturité des éléments probants relèvent de notre appréciation. Les références réglementaires ont été vérifiées le 22 septembre 2026 ; la réglementation évolue, et les projets de textes sont identifiés comme tels.

Suivez la série : abonnez-vous à la newsletter PharmaCountry (formulaire en bas de cette page) pour recevoir chaque nouvelle analyse, ou explorez les fournisseurs pharmaceutiques par pays et par catégorie.

Références

Les numéros entre crochets dans le texte renvoient à cette liste. Les titres des documents sont donnés dans leur langue d'origine ; les citations dans le texte sont des traductions par PharmaCountry du texte original.

Réglementation et lignes directrices officielles

[1] European Commission. Guidelines of 5 November 2013 on Good Distribution Practice of medicinal products for human use (2013/C 343/01). https://health.ec.europa.eu/document/download/9f28179a-a6f8-418a-a5fc-ecfbb3ae3ba8_en
[2] European Commission. EudraLex Vol. 4, EU GMP Chapter 8 — Complaints, Quality Defects and Product Recalls (effective 1 March 2015). https://health.ec.europa.eu/system/files/2016-11/2014-08_gmp_chap8_0.pdf
[3] European Commission. EudraLex Vol. 4 — EU GMP guidelines, incl. Annex 11 (Computerised Systems). https://health.ec.europa.eu/medicinal-products/eudralex/eudralex-volume-4_en
[4] European Commission. Draft Annex 22: Artificial Intelligence (consultation 7 July – 7 October 2025). https://health.ec.europa.eu/document/download/5f38a92d-bb8e-4264-8898-ea076e926db6_en?filename=mp_vol4_chap4_annex22_consultation_guideline_en.pdf
[5] EMA. GMP multistakeholder workshop on expert contributions to AI guidance development (Annex 22), 30 June – 1 July 2026. https://www.ema.europa.eu/en/events/good-manufacturing-practice-multistakeholder-workshop-expert-contributions-artificial-intelligence-guidance-development-annex-22
[6] European Commission. Falsified medicines — Directive 2011/62/EU and Delegated Regulation (EU) 2016/161. https://health.ec.europa.eu/medicinal-products/falsified-medicines_en
[7] Directive 2001/83/EC on the Community code relating to medicinal products for human use, Title VIII (Advertising). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32001L0083
[8] Commission Delegated Regulation (EU) 2024/1701 amending Regulation (EC) No 1234/2008 (variations). https://eur-lex.europa.eu/eli/reg_del/2024/1701/oj/eng
[9] EMA. Guidance on the application of the revised variations framework. https://www.ema.europa.eu/en/guidance-application-revised-variations-framework
[10] EMA. Active substance master file procedure — scientific guideline. https://www.ema.europa.eu/en/active-substance-master-file-procedure-scientific-guideline
[11] EDQM. Certification of Suitability (CEP). https://www.edqm.eu/en/certification
[12] EDQM. How do I know if I have the latest valid version of a CEP? https://faq.edqm.eu/pages/viewpage.action?pageId=1377010
[13] EMA. EudraGMDP database. https://www.ema.europa.eu/en/human-regulatory-overview/research-development/compliance-research-development/good-manufacturing-practice/eudragmdp-database
[14] EMA. European Shortages Monitoring Platform (ESMP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/medicine-shortages-availability-issues/european-shortages-monitoring-platform-esmp
[15] EMA. Good pharmacovigilance practices (GVP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/pharmacovigilance-post-authorisation/good-pharmacovigilance-practices-gvp
[16] US FDA. Drug Master Files (DMFs). https://www.fda.gov/drugs/forms-submission-requirements/drug-master-files-dmfs
[17] US FDA. DSCSA exemptions (October 2024); small-dispenser exemption (August 2026); Exemptions under the DSCSA. https://www.fda.gov/media/182584/download · https://www.fda.gov/media/194424/download · https://www.fda.gov/drugs/drug-supply-chain-security-act-dscsa/exemptions-under-drug-supply-chain-security-act
[18] US eCFR. 21 CFR Part 11 — Electronic Records; Electronic Signatures. https://www.ecfr.gov/current/title-21/chapter-I/subchapter-A/part-11
[19] US FDA. Data Integrity and Compliance With Drug CGMP: Questions and Answers (December 2018). https://www.fda.gov/regulatory-information/search-fda-guidance-documents/data-integrity-and-compliance-drug-cgmp-questions-and-answers-guidance-industry
[20] PIC/S. PI 041-1, Good Practices for Data Management and Integrity in Regulated GMP/GDP Environments (2021). https://picscheme.org/docview/4234
[21] WHO. TRS 1025, Annex 7: Good storage and distribution practices for medical products (2020). https://www.who.int/publications/m/item/trs-1025-annex-7
[22] Directive (EU) 2022/2555 (NIS2 Directive), Articles 2–3 and Annex I (health sector). https://eur-lex.europa.eu/eli/dir/2022/2555/oj
[23] Regulation (EU) 2016/679 (General Data Protection Regulation), Article 9 — Processing of special categories of personal data. https://eur-lex.europa.eu/eli/reg/2016/679/oj
[24] Viet Nam. Pharmacy Law No. 105/2016/QH13, Article 60 (import of medicines without a marketing authorisation). https://vanban.chinhphu.vn/?pageid=27160&docid=184569
[25] Viet Nam. Law No. 44/2024/QH15 amending the Pharmacy Law (in force 1 July 2025), Official Gazette text. https://congbaocdn.chinhphu.vn/CongBaoCP/VanBan/2024/11/43548/53667-1-20241519-152044-2024-qh15.pdf
[26] Viet Nam. Law on Procurement No. 22/2023/QH15. https://vanban.chinhphu.vn/?pageid=27160&docid=208419
[27] Viet Nam Government portal. New points in Circular 40/2025/TT-BYT on medicine procurement at public health facilities. https://xaydungchinhsach.chinhphu.vn/nhung-diem-moi-trong-thong-tu-40-2025-tt-byt-ve-dau-thau-thuoc-119251105153744446.htm
[28] Google Search Central. Spam policies for Google web search. https://developers.google.com/search/docs/essentials/spam-policies

Normes

[29] ISPE. GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems, Second Edition (2022). https://ispe.org/publications/guidance-documents/gamp-5-guide-2nd-edition
[30] ISA. ISA-95 / IEC 62264, Enterprise-Control System Integration. https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard
[31] GS1. Discussion paper on medicines identification requirements on primary level packaging using GS1 standards (2019). https://www.gs1.org/docs/healthcare/position-papers/Discussion-paper-on-medicines-identification-requirements-on-primary-level-packaging-using-GS1-standards-final.pdf

Recherche

[32] Lee, H.L., Padmanabhan, V., Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546–558. https://doi.org/10.1287/mnsc.43.4.546
[33] Batson, S., Herranz, A., Rohrbach, N., Canobbio, M., Mitchell, S., Bonnabry, P. (2020). Automation of in-hospital pharmacy dispensing: a systematic review. European Journal of Hospital Pharmacy, 28(2). https://doi.org/10.1136/ejhpharm-2019-002081
[34] Zhu, X., Ninh, A., Zhao, H., Liu, Z. (2021). Demand Forecasting with Supply-Chain Information and Machine Learning: Evidence in the Pharmaceutical Industry. Production and Operations Management. https://doi.org/10.1111/poms.13426

Données PharmaCountry

[35] PharmaCountry. Report #01 — Global Pharmaceutical Supplier Landscape 2026 (snapshot 21 September 2026). https://pharmacountry.com/insights/reports/global-pharmaceutical-supplier-landscape-2026
[36] PharmaCountry production database, read-only queries, 22 September 2026: registered-market coverage of product listings; duplicate-record example (four records of one site, matched on address and website). Methodology and queries on file.