Cet article décrit et compare le composant de découverte de concurrents utilisé dans un système d'IA basé sur des agents pour la due diligence rapide des actifs pharmaceutiques. Pour une indication donnée, l'agent d'IA de découverte de concurrents recherche tous les médicaments composant le paysage concurrentiel pour cette indication et en extrait les propriétés standardisées. Les définitions des concurrents varient selon les investisseurs, les données sont payantes/sous licence et fragmentées selon les registres. Les ontologies sont incohérentes selon les indications, les noms de médicaments comportent de nombreux alias, sont multimodaux et évoluent rapidement. Bien qu'ils soient actuellement considérés comme le meilleur outil pour résoudre ce problème, les systèmes d'IA basés sur des LLM ne peuvent pas récupérer de manière fiable tous les noms de médicaments concurrents, et il n'existe pas de référence publique reconnue pour cette tâche. Pour pallier ce manque d'évaluation, cet article utilise un agent basé sur des LLM pour transformer cinq années de notes de due diligence multimodales non structurées provenant d'un fonds de capital-risque privé en biotechnologie en un corpus d'évaluation structuré qui associe les indications aux médicaments concurrents aux propriétés standardisées. De plus, nous introduisons un agent de validation des concurrents LLM-as-a-judge qui filtre les faux positifs de la liste des concurrents prédits afin d'optimiser la précision et d'éviter les hallucinations. Dans ce benchmark, l'agent Competitor Discovery a obtenu un taux de rappel de 83 %, surpassant OpenAI Deep Research (65 %) et Perplexity Labs (60 %). Ce système est destiné aux entreprises ; dans une étude de cas ciblant un fonds de capital-risque biotechnologique, le temps de traitement des analystes pour l'analyse concurrentielle a été réduit de 2,5 jours à environ 3 heures (soit environ 20 fois plus).
