企業が AI 導入を検討する際、多くの場合、まず最も専門性が高く中核となる工程に目を向けます。研究開発部門は AI に設計を支援させたいと考え、生産部門は AI で歩留まりを予測したいと考えます。しかし、実際に工数を棚卸ししてみると、バッチ記録、試験報告書、申請資料など、中核業務を取り巻く文書作業に多くの人手が費やされていることが少なくありません。こうした作業には専門知識が必要な一方で反復性も高く、多くの場合、最も経験豊富な担当者がページごとに確認しています。
Anthropic は 2026 年 10 月 27 日、6 つの創薬機関との協業による初期成果を発表しました。その中で一般的な製造業に最も近い事例が、創薬企業 Enveda による Claude を活用した製造工程文書のレビューです。従来 25 時間以上かかっていた人手による審査を 3 時間未満に短縮し、人が発見した問題もすべて検出しました。本記事ではこの事例を起点に、企業が自社のプロセスから同様の業務を見つける方法と、導入時に人が担うべき判断について解説します。
創薬のボトルネックはプロセス全体に分散している
AI と創薬というテーマで、最もよく知られているのは AI を使った新規分子の設計です。Anthropic は今回の説明で、医薬品の開発には、薬剤が作用する標的の特定、分子の設計と特性の調整、医薬品を安定的に量産できる体制の構築、臨床試験申請に必要な規制文書の作成、臨床試験の設計と実施など、さまざまな業務が含まれると指摘しています。時間を要する箇所は各段階に分散しており、どれか一つの問題を解決するだけで全工程が加速するわけではありません。そのため Anthropic は、実際の医薬品開発プロジェクトに直接参加し、各段階のボトルネックを一つずつ特定する方法を選びました。
今回発表された事例も、複数の段階にまたがっています。Generate Biomedicines の科学者は Claude を使って新たな設計を提案し、そのうちの一つは標準版より約 70％短いにもかかわらず、ラボ試験ではより優れた結果を示しました。Divergence Labs は、Claude に約 1 カ月でおよそ 35,000 件の候補設計を生成させ、その後チームが選別して試験を実施しました。BigHat Biosciences は、Claude をラボのデータシステムに接続して修正案を提案させ、約 10 週間でおよそ 1,010 種類の候補を作成・試験しました。Bristol Myers Squibb（BMS）は、Claude を使って初期段階にある医薬品の臨床試験計画を評価し、試験が成功する確率を推定しました。Anthropic はまた、これらの成果の多くは依然として前臨床段階（preclinical、医薬品がまだヒトを対象とする試験に進んでいない研究段階）にあり、市場投入までは長い道のりが残されていると説明しています。
分子の設計やスクリーニングには高度な生物学の専門知識が必要なため、従来型の製造業がそのまま取り入れることは困難です。一方、製造工程文書のレビューは事情が異なり、ほぼすべての製造業に同様の業務が存在します。
Enveda はどのように AI で製造工程文書をレビューしたのか
新薬を臨床試験に進めるには、各バッチの医薬品が厳格な品質基準に従って製造されたことを証明する記録を用意し、規制当局に申請しなければなりません。Enveda のプロセスケミストは、勤務時間の最大 4 分の 3をこうした文書の処理に費やしていました。
負担を軽減するため、Enveda はすべての製造工程文書を Claude に接続し、問題の可能性がある箇所を特定させるシステムを構築しました。Enveda が 1,061 ページの文書でテストしたところ、人手による審査で見つかった 11 件の問題を Claude はすべて検出し、さらに人が見落としていた 7 件の問題も指摘しました。人手による審査時間は 25 時間超から 3 時間未満へと短縮され、89％削減されました。Claude は重要な規制文書 2 件の初稿も作成しました。そのうち 1 件は 4 時間で完成しましたが、人が作成した場合は約 3 カ月を要します。もう 1 件は Enveda の標準的な人手による審査を受けた結果、小さな誤りが 1 カ所見つかっただけでした。
この事例には、企業が導入時にそのまま参考にできる二つのアプローチがあります。
人がすでに発見した問題を使って AI を検証する。 Enveda は、まず人手による審査結果を用意し、それと照らし合わせて Claude が何件を検出し、さらに何を追加で発見したかを確認しました。これにより、経営層は利用者の感覚だけに頼ることなく、AI のパフォーマンスを明確に判断できました。
人をプロセスから外さない。 審査時間を大幅に削減できたのは、Claude が問題の可能性がある箇所を先に特定し、審査担当者が確認と判断に集中できたためです。規制文書の初稿についても、同様に標準的な人手による審査を実施しています。
AI が大量の作業を担い、重要な判断は専門家に委ねる
BigHat の事例は、人と AI の役割分担をさらに明確に示しています。プロジェクトの途中で、チームは業界で一般的に使われている耐熱性と凝集（分子同士が付着して塊になる現象）の指標が判断を誤らせる可能性を疑いました。そこで Claude と研究者が元データを改めて分析し、異なる指標と試験手順の変更を提案しました。その後、BigHat の科学者が提案を修正して実際に実行し、主要な予測も検証されました。AI はデータを調査して仮説を提示しますが、プロセスを変更するかどうか、どのように変更するかを決めるのは、引き続き実験に精通した専門家です。
もう一つの事例は、研究開発以外の管理・調整業務に関するものです。Mithril Medicine は当初、創業者一人だけの企業で、2 種類の希少な小児筋ジストロフィーを研究していました。創業者は Claude を使って 11 の外部ラボとの契約、物流、実験を調整し、多くの運営業務も Claude に任せました。その結果、18 カ月足らずで、そのうち一つの治療法を構想段階からマウス実験の初期成果まで進めました。その後、Anthropic は同社を買収しています。人員が限られたチームでは、契約、進捗管理、組織間の連絡に費やす時間が、専門業務そのものより多くなることも珍しくありません。こうした業務も、まず AI Agent に整理を任せるのに適しています。
自社で同様の文書業務を見つける
従来型の製造業にも、Enveda の製造工程文書レビューと性質が近い業務は数多くあります。例えば、品質保証部門によるバッチ記録と試験報告書の照合、営業部門による顧客監査で求められる文書の取りまとめ、化学工場における安全データシート（Safety Data Sheet、SDS、化学物質の危険有害性と取り扱い方法を記載した文書）の更新、研究開発部門が設計変更通知を発行する前に行う図面と仕様の照合などです。どの業務から導入すべきかを判断するには、文書量が多い、確認ルールを明文化できる、ミスの代償が大きい、現在は経験豊富な担当者がページごとに確認している、という四つの条件に注目します。四つすべてに該当する業務は、通常、最も早く成果が表れます。
対象業務を選定した後は、次の三つのステップで進めることを推奨します。
まず現状の工数を算出する。 一つの文書を受け取ってから審査を完了するまでにかかる時間、担当者、差し戻しが多い理由を記録し、その後の比較基準を作ります。Enveda が審査時間を 89％削減したと言えるのは、もともと 25 時間以上かかっていたことを把握していたからです。
正解が分かっている過去の文書でテストする。 人がすでに審査し、問題点もすべて記録されている文書を選び、AI Agent に再度レビューさせます。そのうえで、見落とした項目と追加で検出した項目を比較します。追加で検出された項目も専門家が確認し、人が本当に見落としていたのか、それとも AI の誤判定なのかを見極める必要があります。
人による承認を維持する。 本番稼働後は、AI Agent が問題の特定と初稿の作成を担当し、承認、提出、社外への発信は引き続き専門担当者が判断します。EgentWrX では、社内規定、チェックリスト、過去の審査記録をナレッジベースにアップロードし、AI Agent に自社基準に沿った確認を行わせることができます。さらに、反復的な審査作業をタスクとして設定し、ワークフローとして連携させるとともに、次の工程へ引き渡す前に人の承認を必須に設定できます。プロセスはこの段階で一時停止し、人が承認した後に再開されます。
よくある質問
AI による文書レビューは、従来の審査担当者を置き換えられますか？
推奨しません。Enveda は、AI に問題の可能性がある箇所を先に特定させ、その後、審査担当者が確認して判断する方法を採用しています。これにより審査時間は大幅に短縮されました。規制文書の初稿についても、同様に人手による審査を実施しています。AI が削減するのはページごとに問題を探す時間であり、最終的な判断と責任は引き続き人が担います。
AI の審査精度が十分かどうかは、どのように確認しますか？
人がすでに審査した過去の文書を使ってテストします。Enveda は、人が発見した 11 件の問題を比較対象とし、Claude がそのすべてを検出したことを確認したうえで、追加で指摘した 7 件の問題も一つずつ検証しました。企業もこの方法を参考にし、本番稼働前に一定量の比較結果を蓄積できます。
創薬の事例は、製薬会社以外の企業にも参考になりますか？
はい。分子設計には高度な専門知識が必要なため、そのまま適用するのは困難です。しかし、バッチ記録、品質文書、規制申請などの業務は、製造業に広く存在します。重要なのは業務の性質です。文書量が多く、ルールが明確で、ミスの代償が大きい審査業務であれば、Enveda の方法を参考にできます。
これらの成果により、新薬の市場投入を早められることはすでに実証されていますか？
まだ実証されていません。Anthropic は、これらの研究の多くが依然として前臨床段階にあり、まだヒトを対象とする試験には進んでいないと説明しています。記事内の数値は、各パートナーが特定の条件下で得た結果です。企業はそのアプローチを参考にできますが、自社のデータを使って改めて検証する必要があります。
参考資料
- Claude による創薬加速の初期成果 — Anthropic の公式研究記事。6 つの創薬機関との協業による初期成果を解説しています。
- Enveda の製造工程・規制文書処理に関する技術レポート — Enveda の公式技術レポート。製造工程文書レビューシステムの仕組みとテスト結果を解説しています。
- BigHat Biosciences と Anthropic の協業レポート — BigHat の公式技術レポート。候補薬の最適化と指標の再分析プロセスを解説しています。
