Cet article décrit et compare les composants de découverte de concurrents utilisés dans un système d'IA basé sur des agents pour une 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, réparties sur plusieurs registres, présentent des ontologies incohérentes selon les indications, comportent de nombreux alias, sont multimodales et évoluent rapidement. Les systèmes d'IA existants basés sur des LLM ne peuvent pas rechercher de manière fiable tous les noms de médicaments concurrents, et il n'existe pas de référence publique pour cette tâche. Pour résoudre ce problème, nous avons transformé 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 afin de cartographier les médicaments concurrents par indication et propriétés standardisées. De plus, nous avons introduit un agent de validation des concurrents LLM-as-a-judgment afin d'éliminer les faux positifs, d'améliorer la précision et de supprimer les hallucinations. L'agent de découverte de concurrents présenté dans cet article a obtenu un taux de rappel de 83 %, surpassant ainsi OpenAI Deep Research (65 %) et Perplexity Labs (60 %). Ce système est déployé auprès des utilisateurs professionnels et, dans une étude de cas menée auprès d'un fonds d'investissement en capital-risque biotechnologique, le temps de traitement des analyses concurrentielles par les analystes a été réduit de 2,5 jours à environ 3 heures (soit environ 20 fois plus).
