Novo NordiskがAWSを選択、AmazonとGoogle Cloudの争いは創薬の試金石に

Novo Nordiskは、優先クラウドプロバイダーおよび戦略的AIパートナーとしてAWSを選定し、AmazonとGoogle Cloudの競争の賭け金を引き上げた。製薬大手とAWSは、Novo Nordiskがロンドンに既設する拠点内に共同イノベーションハブも開設した。両社の科学者とエンジニアはここで、AI支援による創薬と事業運営に取り組む。

この合意は、従来型のクラウド契約の枠を超える。報じられた共同イノベーション契約によると、両社はNovo NordiskのデータをAWSのインフラ、生物学AIモデル、AIエージェントと組み合わせる計画だ。掲げる目標は、創薬標的の特定から候補薬をヒトに投与するまでの道のりを短縮することである。

この約束こそが、中心的な緊張関係を生む。Novo Nordiskはすでに、2026年4月に発表したOpenAIとの戦略的提携を含め、重要なAI関連の協業を進めている。したがってAWSは、統合されたクラウドと科学的ワークフローが、別の有力モデルへアクセスできること以上の価値をもたらすと証明しなければならない。

Google Cloudはこの契約の参加者として名前を挙げられていない。それでも競争上の基準として重要である。ライフサイエンス企業がクラウドインフラを単独で評価することはほとんどないためだ。データガバナンス、モデルの選択肢、研究ツール、セキュリティ統制、そして実験を規制下の業務へ移行する能力を比較する。

この発表が製薬業界を超えて注目に値する理由はそこにある。クラウドエンジニアを領域の科学者のそばに配置することで、AIへのアクセスを再現可能な研究成果へ転換できるのかを試す。また、優先プロバイダー1社が、企業全体のAI選択肢を狭めることなく機微なデータを調整できるのかも問われる。

Novo NordiskとAWSが実際に構築したもの

重要な変化は、単に新たなクラウドアカウント群を導入したことではなく、共有の業務環境を整えたことにある。

ロンドンのハブは、AWSのエンジニアとNovo Nordiskの科学者を専用の協業体制の中に置く。この仕組みは、科学的な問い、計算実験、さらなる試験に進むかどうかの判断までの距離を縮めることを狙う。

AWSがこれを共同イノベーションと呼ぶのは、双方が不可欠な知見を持ち寄るためだ。Novo Nordiskは生物学データ、治療に関する専門知識、臨床経験、規制対象である医薬品開発への理解を提供する。AWSはコンピューティングインフラ、エンジニアリング支援、AIサービス、ライフサイエンス向けに設計されたツールを供給する。

両社によれば、ハブは創薬と業務の近代化に注力する。創薬では、薬剤標的候補の特定、治療候補の設計、ゲノム・画像・臨床情報の接続を含む。業務面では、限定された複数ステップのタスクを計画し実行できるソフトウェアシステムであるAIエージェントを活用する。

この2つの領域を同列に扱うべきではない。社内情報を集約する生産性向上エージェントと、生物学的仮説の優先順位付けを支援するシステムでは、影響が異なる。前者は従業員の時間を節約できる一方、後者は高額な実験室試験や臨床上の意思決定に影響を及ぼし得る。

この提携では、科学技術スタックの一部としてAmazon Bio Discoveryが挙げられている。このサービスは、候補を生成・評価するための生物学AIモデルとワークフローへのアクセスを研究者に提供する。また、物理的な試験結果を次の計算サイクルに反映できる実験室からのフィードバックも支援する。

AWSによると、その生物学AIプラットフォームは、顧客独自のモデルを生物学モデルのカタログと組み合わせられる。このアプローチが重要なのは、製薬企業が価値ある手法のすべてを単一の汎用アシスタントに閉じ込めたくないためである。

Amazon Bedrockは、マネージドサービスを通じて基盤モデルへのアクセスを提供する。基盤モデルとは、多様なタスクに適応できるよう広範に訓練されたシステムである。Bedrock AgentCoreは、全社業務におけるAIエージェントの展開と管理を支援すると見込まれる。

この契約は、AWSをNovo Nordiskの優先クラウドプロバイダーとして正式に位置付ける。「優先」は必ずしも「独占」を意味しない。Novo NordiskがOpenAIとすでに進めている取り組みは、そのAI戦略が複数の技術的関係にまたがっていることを示している。

Novo NordiskとAWSは、新ハブの下に技術的基盤も有している。両社は以前、ペタバイト規模で運用できるよう設計されたデータ・分析環境を構築した。この先行するエンタープライズデータアーキテクチャは、大規模データセット全体にわたる探索、ガバナンス、アクセス、再利用に対応していた。

この履歴により、ハブは白紙の状態から始まる提携よりも信頼性を持つ。チームは既存のクラウド統制とデータパイプラインを基盤にできる。ただし、確立されたインフラが新しい生物学的予測の実験室試験や臨床試験での生存を保証するわけではない。

両社は契約の財務条件を公表していない。また、ハブにおける薬剤プログラム数、検証済み候補、臨床マイルストーンの目標も示していない。こうした未公表事項により、科学的な野心の範囲は広いままである。

したがって変化は具体的だが、不完全でもある。Novo Nordiskは優先クラウドを指定し、ロンドンに共同チームを設けた。より難しい問いは、この体制が通常のベンダー関係ではどちらの企業も生み出せない証拠を生み出せるかどうかである。

AmazonとGoogle Cloudの争いが製薬を舞台に進む理由

AmazonとGoogleの競争は、インフラ調達から科学的ワークフローの主導権争いへ移行している。

クラウドプロバイダーはかつて、主にコンピューティング能力、ストレージ、データベース、地理的な提供範囲、企業契約を通じて競争していた。これらの基礎要素は依然重要だが、AIは新たな層を加えた。現在のプロバイダーは、顧客が情報を発見し、モデルを訓練し、エージェントを連携させ、結果を検証する方法を形作ろうとしている。

ライフサイエンスは、データ集約的で経済的影響も大きいワークフローを持つため、魅力的な実証の場となる。創薬には、生物学的配列、画像、化学構造、研究論文、実験室での観察、臨床記録が関わる。これらの情報源は形式、品質水準、アクセス制限が異なる。

こうした情報源を結びつけるプロバイダーは、代替が難しい存在になり得る。優位性はデータの保管だけから生まれるのではない。ID統制、モデルエンドポイント、実験履歴、承認プロセスを日々の科学業務に組み込むことから生まれる。

AWSは、この統合をNovo Nordiskへの提案の中心に据えている。その提供内容は、クラウドインフラとマネージドモデル、生物学ツール、エージェント、直接的なエンジニアリング支援を組み合わせる。ロンドンのハブは、これらの構成要素に組織的な拠点を与える。

Googleにも、AI研究、データ分析、ヘルスケア技術といった関連する強みがある。しかしNovo Nordiskの発表は、科学的検証が純粋なコンピューティング能力と同じほど重要な領域で、AWSが競争できることを示す製薬研究の重要な企業事例となる。

Microsoftも、AzureとOpenAIのサービスが大企業全体に深く組み込まれているため、より広い競争環境に含まれる。ただし、すべてのクラウドプロバイダーを同格の競合相手として加えると、この契約が発する最も明確なシグナルがぼやける。Novo Nordiskは、優先するインフラおよびAI統合レイヤーとしてAWSを選んだ。

競争は、単にモデル品質をめぐるAmazon対Googleではない。製薬企業の買い手には、複数の層が連携して機能することが求められる。

科学データ

• プロバイダーは、生物学、画像、臨床、業務の情報を、来歴を失わせることなく扱わなければならない。

モデルへのアクセス

• 研究者には、汎用的な言語・推論システムに加え、専門的な生物学モデルが必要である。

実験室からのフィードバック

• 計算による候補は物理的な試験へ移され、その結果は研究ワークフローに戻されなければならない。

ガバナンス

• チームには、アクセス統制、監査記録、承認済みの利用方法、重大な意思決定に関する明確な責任が必要である。

展開

• 有用なプロトタイプは、研究グループ、拠点、規制対象のプロセス全体で信頼性高く運用されなければならない。

AWSが優位性を主張できるのは、これらの層が実務で連携して機能する場合に限られる。Googleは独自の科学技術・クラウド能力で応じられる。Microsoftは、エンタープライズでの展開力と幅広いAIパートナーシップを通じて競争できる。

Novo Nordiskの決定は、社内の技術チームにも圧力をかける。優先プロバイダー戦略は標準化と調達を簡素化できる一方、技術的依存を集中させる可能性がある。社内リーダーは、どのワークロードを共通プラットフォームに置き、どれに別のプロバイダーやモデルが必要かを判断しなければならない。

企業の買い手にとって、これが本当のAmazonとGoogleをめぐる問いである。どちらの企業が最も印象的なデモを見せるかではない。機微な知識、専門モデル、人によるレビュー、測定可能な成果を、管理不能な依存関係を生むことなく結びつけられるプラットフォームはどれか、という問題だ。

この教訓は創薬研究にとどまらない。法務、エンジニアリング、金融、プロダクトのチームも、同様の統合課題に直面している。求められる証拠の基準は異なるが、いずれも追跡可能な情報源と統制されたワークフローを必要とする。

検索可能な技術ナレッジベースは、人々が裏付けとなる資料を取得する助けになる。だが、科学的検証や説明責任を伴う意思決定の代わりにはならない。同じ境界は、あらゆるエンタープライズAIシステムに当てはまる。

AWSには今、自社プラットフォームがその境界を責任ある形で越えられることを示す機会がある。GoogleとMicrosoftには、それに対してポータビリティ、モデルの選択肢、専門的なヘルスケアツールを強調する理由がある。

真の相手は検証のギャップ

ハブが成功するのは、より速い計算作業がAI生成の可能性を増やすだけでなく、より良く検証された意思決定につながる場合に限られる。

創薬ではすでに、組織が試験できる数を超える仮説が生まれている。生成システムは、標的、分子、タンパク質、治験設計、説明を提案することで、その供給を増やせる。その場合、制約要因は証拠の選別と実験的検証へ移る。

Amazon Bio Discoveryは、機会と境界の両方を示している。AWSは、計算による設計を物理的試験に移し、その結果をモデルに戻すラボ・イン・ザ・ループのプロセスを説明している。このフィードバックサイクルは、一度限りの生成候補リストよりも価値が高い。

Memorial Sloan Kettering Cancer Centerとの別の協業では、AWSは自社システムが約30万件の抗体候補を設計したとしている。そして数週間以内に、実験室試験向けの候補を10万件に絞り込んだという。同社はこの期間を、従来の設計プロセスでは最大1年かかる場合があることと対比している。

これらの数値が示すのは計算上の処理能力であり、承認された医薬品ではない。候補生成は長い開発連鎖の初期段階に位置する。実験室での性能、毒性、製造、投与量、臨床的有用性、規制審査は、依然として別個の障壁である。

Novo Nordiskが掲げる目標は、創薬ターゲットの設定から初回のヒト投与までの道のりを短縮することだ。これは初期の分子設計にとどまらない、重要な指標である。その達成には、創薬研究、前臨床、製造、文書化、臨床計画にまたがる協調的な意思決定が求められる。

AIは複数の段階で貢献できる。モデルは研究者によるターゲットの優先順位付け、データセット間の知見の接続、試験候補の提案を支援できる。エージェントは証拠を収集し、ドラフト資料を作成できる。コンピュータビジョンは製造における検査を自動化できる。

Novo Nordiskはすでに、カートリッジのカウントや寒天培地プレート上の異常検知といった業務に機械学習を活用している。同社の以前の製造導入事例では、エッジデバイス全体にわたりコンピュータビジョンモデルの学習、展開、監視を行った。

この事例が重要なのは、観測可能な出力を伴う、範囲が限定されたタスクだからだ。人はカートリッジを数え、画像を検査し、システムの結果を既知の正解と比較できる。これに対し、創薬ターゲットの選定はフィードバックサイクルがはるかに長く、生物学的な不確実性も大きい。

したがって、最も有用なハブプロジェクトは、システムを構築する前に成功の定義を明確にすることになる。創薬プロジェクトなら、AIによって後続実験に進む検証済み候補の比率が改善するかを測定できる。業務プロジェクトなら、レビュー時間、エラー率、必要となる人による修正を追跡できる。

生の導入統計では、こうした問いには答えられない。Novo Nordiskによると、2,500件を超えるユースケースで、25,000人超の従業員が同社の安全な生成AI環境を利用している。基盤となる従業員向けAIプラットフォームは幅広い需要を示しているが、ユースケース数だけでは個々の結果の質は分からない。

高い参加率にも価値はある。反復的な業務を特定し、チームにモデルの限界に関する経験を与えるからだ。同時に、一貫性のないプロンプト、重複するツール、機密性の高い入力、未レビューの出力が生じる余地も広がる。

共同イノベーションハブは、その余地を狭める役割を果たすべきだ。共有のエンジニアリング人材は、有望な実験を承認済みコンポーネントへ転換でき、各チームがそれぞれ独自のチャットボットを構築する状況を避けられる。科学者もまた、研究室の現実に合わない、技術的には印象的なアイデアを退けられる。

これが、この提携における主要な争点である。すなわち、短縮への期待と、検証という現実のせめぎ合いだ。AWSは統合AIサービスが科学を加速することを示したい。一方、Novo Nordiskには、その加速が科学的判断を弱めないことを示す証拠が必要になる。

成功とは、最も多くの候補を提案するモデルではない。専門家が質の低い選択肢を早期に除外し、意思決定の根拠を保存し、実際の試験への流れを改善できるワークフローだ。

この基準は、過度に膨らんだ期待から提携を守ることにもなる。創薬開発には、いかなる言語モデルでも取り除けない遅延がある。生物学的な不確実性、安全性試験、被験者募集の課題、製造変更、規制上の問いは、依然として現実の問題だ。

ハブは、こうした問題すべてを解決しなくても、大きな成果を生み出せる。回避可能な引き継ぎを減らし、証拠を取得しやすくし、誤った前提をより早く特定できる。パートナーが明確なベースラインと測定済みの成果を公表すれば、こうした改善の信頼性は高まる。

Novo NordiskのマルチパートナーAI戦略がガバナンステストを生む

AWSを優先パートナーに選んでも、Novo Nordiskが重複するモデル、データ経路、説明責任をどう統治するかという問題は解決しない。

Novo Nordiskは、AWSとの契約のわずか数か月前となる2026年4月に、OpenAIとの戦略的パートナーシップを発表した。同社は、この関係が創薬、製造、商業業務、人材育成を支えるとしている。

同社の公式OpenAIパートナーシップは、AIを全社的な変革として説明している。各プロバイダーが異なるインフラとサービスを提供するとはいえ、この範囲は新たなAWSとの提携と重なる。

重複が自動的に弱点になるわけではない。マルチパートナー戦略は、1社のモデルベンダーがすべての重要なワークロードを支配することを防げる。また、研究者が問いに応じて特化したツールを選ぶことも可能にする。

リスクが生じるのは、責任の所在が不明確になったときだ。ワークフローはAWSにデータを保存し、外部モデルを呼び出し、社内検索システムを使い、その結果を別のエージェントに渡すかもしれない。接続が増えるたびに、アクセス、ログ、保持、評価、障害対応に関する問いが生まれる。

医薬品データは、こうした問いを特に重要にする。研究記録には、独自化合物、未公表の仮説、ゲノム情報、患者関連データ、臨床プログラムの詳細が含まれる可能性がある。その機密性はさまざまであり、単一のポリシーですべての利用を統治することはできない。

Novo NordiskとAWSは安全な基盤を強調しているが、発表には実装の詳細がほとんどない。どのデータセットがハブに入るのか、出力をどう検証するのか、人による承認がいつ必須になるのかは説明されていない。

また、最初に関与する治療プログラムも特定されていない。この情報がなければ、外部の人々は、取り組みが低リスクの研究支援から始まるのか、それとも臨床開発により近い意思決定に影響を与えるのかを判断できない。

エージェント型AIは、さらに別の不確実性を加える。エージェントは複数のステップを実行し、その指示に基づいてツールを選択できる。この自律性はエージェントを有用にする一方、単一のモデル応答よりもエラーの追跡を困難にする可能性がある。

責任ある導入には、限定された権限が必要だ。証拠レビューエージェントに、臨床記録を変更したり実験を承認したりする権限を与えるべきではない。製造支援ツールも、正式な管理なしにバリデーション済みプロセスを変更してはならない。

チームは、各出力を生み出したコンポーネントも把握する必要がある。結果が社内モデル、Amazonのサービス、外部の基盤モデルを組み合わせる場合、レビュアーには来歴情報が必要だ。来歴情報とは、結論の背後にあるデータ、ツール、変換を追跡可能な形で記録したものを意味する。

モデルの更新も、別のガバナンス上の課題を生む。プロバイダーは性能、安全策、対応機能を定期的に変更する。あるモデルバージョンに対して検証されたワークフローが、更新後には異なる振る舞いをする可能性がある。

ここで、優先クラウドとの関係が役立つ可能性がある。AWSは、サービス全体に共通するアイデンティティ、監視、デプロイメント管理を提供できる。Novo Nordiskは、研究グループごとに即興で対応させるのではなく、共有の承認経路を確立できる。

同じ関係は集中リスクも生み得る。チームは、プロバイダー固有のエージェント、データ形式、生物学的ワークフローに深く依存する構築を行うかもしれない。後から移行するには、ソフトウェアと組織プロセスの両方を再設計する必要が生じる可能性がある。

適切な対応は、統合を避けることではない。移植可能な科学的資産と、置き換え可能なサービスコンポーネントを分離することだ。Novo Nordiskは、自社のデータ、評価セット、プロンプト、意思決定記録、実験結果について明確な所有権を保持すべきである。

セキュリティは、不正アクセスへの対策だけにとどまらない。モデルはもっともらしいものの裏付けのない生物学的主張を生成する可能性がある。エージェントは誤った文書を取得したり、矛盾する証拠を見落としたりすることがある。こうした失敗には、暗号化やネットワークポリシーだけでなく、科学的な管理が必要だ。

したがって、ハブに対する懐疑的な見方は単純明快である。両社は幅広いアーキテクチャと野心的な成果を発表したが、独立した科学的検証はまだ公表していない。運用上のエラー率や比較ベンチマークも開示していない。

これは、この提携に中身がないことを意味しない。立証責任が今始まるということだ。Novo Nordiskは、管理された条件下でハブが意思決定を改善することを示さなければならず、AWSはモデルとチームをまたぐ統合が統治可能であることを示さなければならない。

AmazonとGoogle Cloudの競争は、あらゆる前向きな節目を増幅させるだろう。買い手は、修正率、実験の再現性、正式レビューを通過するワークフロー数といった、より目立たない指標にも同じだけ注意を払うべきだ。

ハブの重要性を示す3つのシグナル

次の段階は、検証済みプログラム、運用上の証拠、競合の反応という順序で評価されるべきだ。

最初のシグナルは、明確なマイルストーンを持つ、名称が特定された創薬プログラムだ。Novo Nordiskは独自の分子詳細を明かす必要はない。しかし、ワークフロー、そのベースライン、ハブに起因する成果を特定する必要はある。

有用な開示では、新プロセスの前後でターゲットの優先順位付けに必要な時間を比較できる。計算による候補のうち何件が研究室での試験に進み、何件が事前に定められた基準を満たしたかを報告できる。また、人によるレビューのポイントも示すべきだ。

パートナーがその証拠を公表すれば、中心的な主張はより強くなる。専門家の同席と統合ツールが、実際の開発上の意思決定を改善できることを示すからだ。従業員による導入についての、また別の幅広いケーススタディでは、支持材料としてはるかに弱い。

2つ目のシグナルは、AWS、OpenAI、社内システムにまたがる本番環境のガバナンスだ。Novo Nordiskは、ワークロードへのモデル割り当てと、重要な出力の出所の記録をどう行うか説明すべきである。また、モデル変更、エラー、相反する推奨をチームがどう扱うかも示すべきだ。

共有評価基準の証拠は、提携を強化する。そうした基準には、科学的正確性、データ保護、追跡可能性、人による監督を含めるべきだ。基盤モデルをどのプロバイダーが提供するかにかかわらず、適用されなければならない。

分断されたガバナンスモデルは、この主張を弱める。個別のパートナーシップは、重複するプラットフォーム、一貫性のない管理、競合する社内プログラムを生み出しかねない。ロンドンのハブは、もう1つの孤立したAI施策ではなく、調整の仕組みになる必要がある。

3つ目のシグナルは、競合がどう応じるかだ。Google CloudとMicrosoftは、新たな製薬企業との協業、移植可能な研究プラットフォーム、特化型モデルへのより強力な支援で対抗できる。競合する製薬企業も、自社AIプログラムの測定可能な成果を公表できる。

Novo Nordiskは肥満治療で直接競合しているため、Eli Lillyが最も重要な製薬業界の比較対象となる。クラウドパートナーシップだけでその市場が決まるわけではない。しかし、Lillyからの圧力は、Novo Nordiskに研究と運用のサイクルを短縮する明確な理由を与える。

Novo NordiskとOpenAIの契約は、同社がLillyに対して勢いを取り戻そうとしていた時期に発表された。AWSのハブは、その対応をモデルへのアクセスからインフラと実行へと広げるものだ。経営陣がAIを開発システム全体に組み込みたいと考えていることを示唆している。

GoogleまたはMicrosoftによる強力な反応は、クラウドプロバイダーが統合されたライフサイエンスのワークフローを戦略市場と見ていることを裏付けるだろう。また、製薬企業により信頼できる代替案を与え、1社のベンダーがアーキテクチャを定義するリスクを下げる。

弱い反応があっても、AWSが勝利したことの証明にはならない。競合他社が目立たないプロジェクトや異なるパートナーシップモデルを追求している可能性があるからだ。それでも、製薬分野での勝利が繰り返されれば、エンタープライズAIにおけるAWSの立場は改善する。

読者は、初期の運用上の進展と臨床への影響も区別すべきだ。文献レビューの高速化は数か月以内に現れる可能性がある。ハブの影響を受けた治療法には、はるかに長い検証の連鎖が必要になる。

この時間差により、透明性のある中間指標が不可欠になる。そうでなければ、両社は活動を称賛できても、外部の人々は価値を評価できない。それらがあれば、買い手はハブを従来のクラウドコンサルティングや社内研究チームと比較できる。

開発者にとっての教訓は、オーケストレーションの前に評価設計を行うことだ。エージェントとモデルをつなぐことは、それらを組み合わせた出力が意思決定を改善すると証明することよりも容易である。ログ、テストセット、アクセス境界、レビュー状態をシステムの一部に組み込む必要がある。

エンタープライズの購買担当者にとっての教訓は、技術製品と併せて運用モデルも評価することだ。プロバイダーのエンジニアとドメイン専門家が協働する共同イノベーションハブは、フィードバックを加速できる。一方で、希少な常駐専門家への依存を企業にもたらす可能性もある。

ナレッジワーカーにとっての教訓は、情報源から結論に至る経路を維持することだ。AIは情報を迅速に検索、統合、草案化できる。それでもユーザーは、どの証拠が結果を裏付けているのか、どこに不確実性が残っているのかを確認できなければならない。

Novo NordiskとAWSは、こうした原則にとって本格的な試金石を生み出した。この提携は、経験豊富な製薬組織、大手クラウドプロバイダー、専門的な生物学ツール、そして物理的な協働拠点を結び付けるものだ。

AIが最初のヒト投与までの道のりを短縮できることは、まだ立証されていない。その主張には、プラットフォームの説明ではなく、検証済みのプログラムが必要だ。また、迅速化された業務が安全性、再現性、科学的説明責任を維持するという証拠も求められる。

今後3カ月間は、名称が明示された研究ワークフロー、具体的なガバナンスモデル、そしてGoogleまたはMicrosoftによる競争上の回答に注目したい。こうしたシグナルは、これが持続可能な科学的運用モデルなのか、それとも拡張されたクラウド関係にすぎないのかを示すだろう。

より広範なamazon googleの競争は、モデル、インフラ、エンタープライズ契約にまたがって続く。Novo Nordiskは今や、AWSにライフサイエンス分野で目立つ舞台を与えた。その成果は、何が研究所に届くか、何が検証を乗り越えるか、そして科学者が何を信頼するかに左右される。