Sejak 1950-an, biaya mengembangkan satu obat baru naik dua kali lipat setiap sembilan tahun — bukan penurunan, bukan stagnasi, tapi percepatan eksponensial dalam pemborosan. Fenomena ini dinamai Eroom's Law, kebalikan dari Moore's Law, dan menjadi latar belakang tak terhindarkan bagi semua percobaan revolusi farmasi hari ini.
Apa itu 'data loop' yang selama ini terbuka?
Loop data dalam penemuan obat bukan soal algoritma atau server canggih. Ini soal siklus umpan balik antara eksperimen laboratorium dan model prediktif: hasil uji sel tidak langsung masuk ke sistem AI; data klinis fase I sering terkunci di database perusahaan farmasi. Laporan toksisitas hewan jarang terstandardisasi untuk pelatihan mesin. Akibatnya, model AI tetap 'buta' pada konteks biologis nyata — seperti menggambar peta tanpa pernah melihat medan. Menurut MIT Technology Review, lebih dari 70% proyek AI farmasi gagal karena ketidakcocokan antara data pelatihan dan realitas biologis target molekul.
Yang berubah sekarang bukan hanya kecepatan komputasi, tapi arsitektur kolaborasi: startup seperti Insilico Medicine dan Recursion Pharmaceuticals mulai membangun platform yang menyatukan data kimia, genetika, dan citra mikroskop dalam satu kerangka waktu nyata. Mereka tidak hanya memprediksi senyawa potensial — mereka memicu eksperimen otomatis di lab robotik, lalu memasukkan hasilnya kembali ke model dalam hitungan jam. Ini bukan simulasi. Ini loop tertutup — data keluar dari komputer, masuk ke pipet, lalu kembali ke komputer sebagai umpan balik valid.
Baca juga: Agen AI Bukan Asisten, Tapi Rekan Kerja yang Punya Memori dan Kebijakan
Kenapa Indonesia belum masuk dalam loop ini?
Indonesia punya 230 laboratorium riset farmasi aktif dan 17 pusat studi bioteknologi nasional — angka yang cukup untuk memulai kolaborasi skala kecil. Tapi tidak satu pun dari 14 universitas dengan program farmasi terakreditasi A memiliki infrastruktur data terbuka yang terintegrasi dengan platform AI global. Sebagian besar data eksperimen masih tersimpan dalam format PDF, spreadsheet lokal, atau laporan cetak — bentuk yang tidak bisa dibaca mesin. Dilansir MIT Technology Review, hanya 12% dari seluruh data preklinis dunia saat ini tersedia dalam format 'FAIR' (Findable, Accessible, Interoperable, Reusable), dan proporsi itu jauh lebih rendah di negara berpenghasilan menengah.
Baca juga: Peptida Baru dari Komputer Kuantum dan AI
Padahal, kebutuhan mendesak ada: 87% pasien kanker di Jawa Barat menerima kemoterapi generasi kedua atau ketiga — bukan karena efektivitasnya lebih tinggi, tapi karena obat generasi pertama sudah tidak tersedia atau terlalu mahal. Ketika biaya obat baru rata-rata mencapai USD 2,6 miliar per molekul (menurut Analisis Tufts Center for the Study of Drug Development), maka setiap penundaan satu bulan dalam siklus eksperimen berarti keterlambatan akses pasien selama bertahun-tahun.
Baca juga: Arsitektur AI yang Kokoh, Bukan Sekadar Model Canggih
beberapa rumah sakit di Surabaya dan Makassar mulai mengumpulkan data respons pasien terhadap kombinasi obat lokal dalam format terstruktur — bukan untuk publikasi, tapi untuk pelatihan model internal. Ini bukan langkah spektakuler, tapi merupakan benih loop data mikro: data klinis riil, dikumpulkan di lapangan, dimasukkan ke sistem sederhana, lalu digunakan untuk menyesuaikan dosis. Belum AI canggih, tapi sudah prinsip dasar — dan itu justru yang paling sulit dibangun dari nol.
Perbandingan historis menunjukkan bahwa perubahan struktural dalam farmasi jarang dimulai dari pusat kekuasaan ilmiah. Pada 1970-an, ketika industri farmasi Barat masih mengandalkan sintesis kimia acak, para peneliti di Institut Pasteur Jakarta justru mengembangkan metode ekstraksi alkaloid dari tanaman endemik Sulawesi yang kemudian menjadi dasar pengembangan obat antiaritmia lokal. Mereka tidak punya superkomputer, tapi punya akses tak terbatas ke variasi biologis dan catatan observasi klinis harian. Loop data mereka waktu itu adalah buku catatan tangan dan jaringan dokter lapangan — lambat, tapi sangat relevan. Hari ini, teknologi menghilangkan batas kecepatan, tapi tidak menghilangkan kebutuhan akan akar lokal: data yang lahir dari konteks geografis, genetik, dan sosial-ekonomi spesifik.