AI Talent in Pharma: A Conversation on the Future of Work
AI is reshaping the pharmaceutical industry, but what does that mean for the workforce?
AI is reshaping the pharmaceutical industry at an unprecedented pace, not just in drug discovery and clinical trials but also in commercialization, supply chain management and regulatory decision-making. But what does that mean for the workforce? What kinds of AI expertise do pharma companies need, and how can organizations integrate these roles effectively?
Discover how AI can help advance your workforce.
To explore these questions, Adam Kennedy, VP of Executive Search of TSP K.K., a Syneos Health company, and Shigeto Miyamoto, VP of Digital Solutions at Syneos Health, sat down for a candid conversation on the evolving talent landscape. Their discussion delves into the critical AI roles emerging in pharma, the challenges of recruiting the right expertise and the organizational shifts needed to fully leverage AI’s potential.
Defining AI Talent: More Than Just Data Scientists
Kennedy: Shigeto, it’s exciting to see this conversation take shape. AI in pharma is evolving rapidly, and defining the talent landscape feels like a pressing need.
Miyamoto: Absolutely, Adam. The goal of these discussions is to help organizations understand what AI talent they need and how to integrate it effectively.
Kennedy: Right. And when it comes to AI talent, there’s a real need for clearer definitions. We need to break down AI roles more precisely. AI isn’t one-size-fits-all, especially in pharma.
Miyamoto: Exactly. Companies aren’t just hiring people to “do AI”—they need specialists who can integrate AI into drug development, commercialization and even regulatory processes. The challenge is understanding what roles are essential and how to structure AI teams effectively.
Kennedy: And from a hiring perspective, that’s where things get tricky. For AI-driven roles in drug development, for instance, where do we find the right talent? Are we looking in academia, startups or pulling from adjacent industries like tech?
Miyamoto: Good question. The talent pool is still scattered, and the market isn’t fully mature. Another challenge is organizational structure—AI expertise shouldn’t be siloed in separate departments. Instead, companies should embed AI talent across functions: R&D, marketing, market access and supply chain. AI needs to be woven into the fabric of the organization.
Kennedy: That makes sense. It reminds me of digital transformation—companies that treated digital therapeutics as a standalone initiative struggled, whereas those that embedded digital capabilities across teams saw real impact.
Miyamoto: Exactly. And just like digital transformation, AI talent needs more than technical expertise. Business acumen is just as critical. AI professionals need to understand the commercial impact of their work—how AI-driven automation or predictive insights affect business strategy and patient outcomes.
Kennedy: Agreed. And it’s not just theoretical anymore. AI is already driving efficiencies in market access, new product launches and patient engagement. But to maximize its potential, companies need the right mix of talent.
Contributors
Adam Kennedy, VP of Executive Search at TSP
Shigeto Miyamoto, VP of Digital Solutions
The Three Pillars of AI Talent: Leaders, Explainers and Sustainers
Kennedy: So, if AI in pharma isn’t just about hiring data scientists, how should we think about structuring AI teams?
Miyamoto: I think AI roles can be grouped into three key categories: AI leaders, AI explainers and AI sustainers. Each plays a distinct role in making AI both functional and scalable in pharma.
Kennedy: That’s interesting—walk me through them.
Miyamoto: Let’s start with AI leaders. These are the people who integrate AI into business strategy and scale projects across the organization. But their role isn’t just about the tech—they also manage change, improve processes and drive cultural shifts that allow AI to be adopted effectively.
Kennedy: Right, because AI isn’t just plug-and-play. It requires a shift in how people think and work.
Miyamoto: Exactly. Then we have AI explainers—specialists who bridge the gap between technical AI models and real-world business needs. For example, prompt engineers fine-tune large language models (LLMs) to make them relevant for specific pharma applications, ensuring AI-generated insights align with regulatory requirements, medical terminologies and patient safety guidelines.
Kennedy: That makes sense. Explainers don’t necessarily build AI models, but they ensure AI is useful and aligned with business objectives.
Miyamoto: Precisely. And then we have AI sustainers—the people responsible for keeping AI ethical, reliable and operationally efficient. This includes roles like:
- AI ethics and governance specialists: They ensure compliance, minimize bias and mitigate reputational risk.
- AI data curators: They structure and label data so AI can interpret it correctly, especially in fields like drug discovery and clinical trials.
Kennedy: Data curation is another key in AI use. AI is only as good as the data it’s trained on. Without the right governance, companies risk misinterpretations, compliance failures or even patient safety issues.
Miyamoto: Exactly. And while some of these roles—like AI data curators—might become less manual over time, human oversight will remain critical. In pharma, we can’t afford to let AI make decisions in a black box.
Kennedy: So, the takeaway here is that AI in pharma isn’t just about hiring AI engineers—it’s about building a balanced ecosystem of leaders, explainers and sustainers to make AI both scalable and responsible.
AI Democratization: Shifting from Infrastructure to Use Cases
Kennedy: So, we’ve defined the key AI roles—leaders, explainers and sustainers—but let’s talk about how companies should build AI capabilities. Do organizations still need to invest in their own AI infrastructure, or has that changed?
Miyamoto: It has definitely changed. AI has become democratized. Companies like OpenAI, Google, Microsoft and Meta have built the foundation—advanced large LLMs, powerful multimodal algorithms and cloud-based AI infrastructure. Pharma companies don’t need to reinvent the wheel.
Kennedy: That’s a huge shift. A few years ago, many pharma companies were trying to build their own AI models, data warehouses, even their own GPU servers.
Miyamoto: Exactly. But now, that’s no longer necessary—or even efficient. Instead of focusing on infrastructure, organizations should focus on use cases and change management. The question isn’t “how do we build AI?” but rather “how do we apply AI to solve real problems?”
Kennedy: That’s a relief for a lot of organizations. It means they can focus on customizing AI tools for their specific needs rather than investing millions into developing models from scratch.
Miyamoto: Right. For example, an AI prompt engineer can fine-tune a GPT model to understand medical compliance standards, rare disease terminology or pharma-specific workflows. That’s far more valuable than trying to train a proprietary model from scratch.
Kennedy: So instead of AI being a technology challenge, it’s really a business transformation challenge.
Miyamoto: That’s exactly it. The companies that will succeed with AI aren’t necessarily the ones with the best algorithms but the ones that can integrate AI into their teams, workflows and decision-making processes.
Kennedy: That aligns with what we discussed earlier about AI leaders. They don’t need to be AI engineers, but they do need to understand how to embed AI into business strategy.
Miyamoto: Yes, and that’s why the role of AI explainers is also critical. They translate AI capabilities into real-world pharma applications, ensuring that AI isn’t just a theoretical tool—it’s something that drives efficiency in clinical trials, regulatory submissions, market access and patient engagement.
Kennedy: And with AI sustainers managing compliance and governance, companies can adopt AI without exposing themselves to regulatory, ethical or reputational risks.
Miyamoto: Exactly. AI democratization is freeing organizations from heavy infrastructure investments, but with that freedom comes responsibility. Companies need to ensure AI is being used strategically, ethically and effectively.
As AI becomes a core driver of innovation in pharma, companies must think beyond simply hiring data scientists. A successful AI strategy requires leaders who integrate AI into business strategy, explainers who tailor AI to real-world applications and sustainers who ensure ethical and operational integrity. By structuring AI teams with these roles in mind, organizations can build AI capabilities that are not only innovative but also scalable and responsible.
Discover how AI can help advance your workforce.
Contributors
Adam Kennedy | VP of Executive Search, APAC, TSP K.K.
Shigeto Miyamoto | VP of Digital Solutions, APAC
Related Content
Looking for exclusive insight?
製薬業界におけるAI人材：未来の仕事に関する対話
AIは製薬業界を再構築していますが、それは働き手にとって何を意味するのでしょうか？
AIは製薬業界をこれまでにない速さで変革しています。薬剤発見や臨床試験だけでなく、商業化、サプライチェーン管理、規制の意思決定にも影響を与えています。しかし、これは働く人々にとってどのような意味を持つのでしょうか？製薬会社はどのようなAI専門知識を必要としており、組織はこれらの役割をどのように効果的に統合できるのでしょうか？
AIが人材をどのように進化させるかを考察してみましょう。
これらの質問を考察するために、TSP K.K. のエグゼクティブサーチのバイスプレジデントであるアダム・ケネディと、サイネオス・ヘルスのデジタルソリューションのバイスプレジデントである宮本繁人が、進化する人材の環境について率直な対話を行いました。彼らの議論では、製薬業界で新たに登場している重要なAIの役割、必要な専門知識を見つける際の課題、そしてAIの潜在能力を最大限に活用するために必要な組織の変革について深く掘り下げました。
AI人材の定義：データサイエンティストだけではない
ケネディ: 宮本さん、この対話が形になっていくのを見るのはワクワクしますね。製薬業界のAIは急速に進化しており、人材の環境を定義することが急務だと感じます。
宮本: 本当にそうですね。この対話の目的は、企業が必要としているAI人材を明確にし、それをどう活かすかを考えるための枠組みを作ることです。
ケネディ: そうですね。そして、AI人材について言えば、より明確に定義し、AIの役割を詳細に分類する必要があります。AIは特に製薬業界では一つの型にはハマらない分野です。
宮本: その通りです。企業は単に「AIをやる人」を雇うのではなく、薬剤開発、商業化、さらには規制プロセスにAIを統合できる専門家を必要としています。重要な役割を理解し、AIチームを効果的に構築することが課題です。
ケネディ: 採用の観点から見ると、それが難しいところです。例えば薬剤開発におけるAIの役割の場合、どこでその人材を見つければいいのでしょう？大学？スタートアップ？それとも隣接業界のテックから引っ張るべきですか？
宮本: 良い質問ですね。人材はまだ散らばっており、市場は完全に成熟していません。もう一つの課題は組織構造です。AI専門知識を独立した部署に閉じ込めるのではなく、R&D、マーケティング、マーケットアクセス、サプライチェーンなど、会社全体に組み込むべきです。AIは組織に織り込まれる必要があります。
ケネディ: それは理にかなっています。AIというと、デジタル変革を思い出します。デジタルを独立した取り組みとして扱った企業は苦労しましたが、デジタル能力をチーム全体に組み込んだ企業は実際に成果を上げました。
宮本: その通りです。そしてデジタル変革と同様に、AI人材には技術的な専門知識だけでなく、ビジネス判断能力も求められます。AIによる自動化や予測インサイトがビジネス戦略や患者の結果にどのように影響するか、自社のビジネスへの影響を理解することが重要です。
ケネディ: そうですね。そしてそれはもう理論的な話ではありません。AIはすでに市場アクセス、新製品のローンチ、患者エンゲージメントの効率を向上させています。しかし、その潜在能力を最大限に活用するためには、適切な人材の組み合わせが必要です。
寄稿者
アダム・ケネディ | TSP K.K.、APACエグゼクティブサーチ、バイスプレジデント
宮本繁人 | APACデジタルソリューション、バイスプレジデント
AI人材の三本柱：リーダー、エクスプレイナー、サステイナー
ケネディ: では、製薬業界のAIが単にデータサイエンティストを雇うことだけではないとしたら、AIチームの構成をどう考えるべきでしょうか？
宮本: AIの役割は、AIリーダー、AIエクスプレイナー、AIサステイナーの三つの主要なカテゴリーに分けられると思います。それぞれが製薬業界でAIを機能的かつスケーラブルにするための独自の役割を果たします。
ケネディ: 興味深いですね。それぞれについて教えてください。
宮本: まず、AIリーダーから始めましょう。彼らはAIをビジネス戦略に統合し、プロジェクトを組織全体に応用拡大します。しかし、彼らの役割は技術だけではなく、変革を管理し、プロセスを改善し、AIが効果的に採用されるための文化的変革を推進することも含まれます。
ケネディ: そうですね、AIは単に導入するだけではなく、人々の考え方や働き方の変革が必要です。
宮本: その通りです。次に、AIエクスプレイナーです。彼らは技術的なAIモデルと現実のビジネスニーズの間のギャップを埋める専門家です。例えば、プロンプトエンジニアは大規模言語モデル（LLM）を特定の製薬アプリケーションに適合させ、AI生成のインサイトが規制要件、医療用語、患者安全ガイドラインに一致するようにします。
ケネディ: なるほど。エクスプレイナーは必ずしもAIモデルを構築するわけではありませんが、AIが使いやすく、ビジネス目標に一致するようにするのですね。
宮本: その通りです。そして最後に、AIサステイナーです。彼らはAIを倫理的、信頼性が高く、運用効率の高い状態に保つ責任を持ちます。これには以下の役割が含まれます：
- AI倫理とガバナンスの専門家：彼らはコンプライアンスを確保し、バイアスを最小限に抑え、評判リスクを軽減します。
- AIデータキュレーター：彼らはデータを構造化し、ラベル付けして、AIが正しく解釈できるようにします。特に薬剤発見や臨床試験の分野で重要です。
ケネディ: データキュレーションはAIの利用において重要な要素です。AIは訓練されたデータの質に依存します。適切なガバナンスがなければ、企業はデータの解釈を誤り、コンプライアンスに違反し、さらには患者の安全問題に直面するリスクがあります。
宮本: その通りです。そして、これらの役割の一部（例えばAIデータキュレーター）は時間とともに手動作業が減るかもしれませんが、人間による監督は依然として重要です。製薬業界では、AIがブラックボックスで決定を下すことは許されません。
ケネディ: つまり、製薬業界のAIは単にAIエンジニアを雇うことではなく、AIをスケーラブルかつ責任あるものにするためにリーダー、エクスプレイナー、サステイナーのバランスの取れたエコシステムを構築することが重要というわけですね。
AIの民主化：インフラからユースケースへのシフト
ケネディ: では、主要なAIの役割（リーダー、エクスプレイナー、サステイナー）を定義しましたが、企業がAI能力を構築する方法について話しましょう。組織はまだ自社のAIインフラに投資する必要がありますか、それとも状況は変わりましたか？
宮本: 状況は確実に変わりました。AIは民主化されました。OpenAI、Google、Microsoft、Metaなどの企業が、高度な大規模LLM、強力なマルチモーダルアルゴリズム、クラウドベースのAIインフラといった基盤を構築しました。製薬会社は「車輪の再開発」をする必要はありません。
ケネディ: それは大きな変化ですね。数年前、多くの製薬会社が独自のAIモデル、データウェアハウス、GPUサーバーを構築しようとしていました。
宮本: その通りです。しかし今では、それは必要ない、あるいは効率的ではありません。インフラに焦点を当てるのではなく、ユースケースと変革管理に焦点を当てるべきです。質問は「どうやってAIを構築するか」ではなく、「どうやってAIを使って実際の問題を解決するか」です。
ケネディ: それは多くの組織にとって安心ですね。独自のモデルをゼロから開発するために数百万ドルを投資するのではなく、特定のニーズに合わせてAIツールをカスタマイズすることに集中できます。
宮本: その通りです。例えば、AIプロンプトエンジニアはGPTモデルを活用して、医療コンプライアンス基準、希少疾患の用語、製薬特有のワークフローを理解させることができます。これは独自のモデルをゼロから訓練するよりもはるかに価値があります。
ケネディ: つまり、AIが技術的な課題ではなく、むしろビジネス変革の課題ということですね。
宮本: その通りです。AIで成功する企業は必ずしも最高のアルゴリズムを持っている企業ではなく、AIをチーム、ワークフロー、意思決定プロセスに統合できる企業です。
ケネディ: それは前に話したAIリーダーの役割と一致しますね。彼らはAIエンジニアである必要はありませんが、AIをビジネス戦略に組み込む方法を理解する必要があります。
宮本: そうです。なので、AIエクスプレイナーの役割が重要なのです。彼らはAIの能力を実際の製薬アプリケーションに変換し、AIが単なる理論上のツールではなく、臨床試験、規制提出、マーケットアクセス、患者エンゲージメントの効率を向上させるルールとなるようにします。
ケネディ: そして、AIサステイナーがコンプライアンスとガバナンスを管理することで、企業は規制、倫理、評判のリスクを避けながらAIを活用できます。
宮本: その通りです。AIの民主化は重いインフラ投資から企業を解放していますが、その自由には責任が伴います。企業はAIが戦略的、倫理的、効果的に使用されていることを確保する必要があります。 AIが製薬業界のイノベーションの核心的な推進力になるにつれて、企業は単にデータサイエンティストを雇うだけでは不十分です。成功するAI戦略には、AIをビジネス戦略に統合するリーダー、AIを実際のアプリケーションに適合させるエクスプレイナー、そして倫理的かつ運用上の整合性を確保するサステイナーが必要です。これらの役割を念頭に置いてAIチームを構築することで、企業は革新的でありながら拡張性があり、かつ責任あるAI能力を構築できます。
