[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fQ42emQvaixy4i-Gsw2CIskXzIutDYvO2zNyefljUg3E":208,"$fEjTd_1_-6QhUNTlOiUEnQe_REwzHMZF2OooMs_MYAA8":235,"atoms-retargeting-lekow-jak-ai-obnizylo-koszty-o-polowe-i-skrocilo-badania-o-70":332},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":213,"reviewed_by":213,"reading_time_min":217,"pillar_id":218,"author_id":222,"draft_id":229},"c440af61-b696-4056-9ab3-2b59423480e6","retargeting-lekow-jak-ai-obnizylo-koszty-o-polowe-i-skrocilo-badania-o-70","article",null,"50b9daec-b9bf-44f7-9644-b65e70f8af4a","2026-08-18T07:16:45.957Z","2026-10-22T17:44:53.510Z",9,{"id":219,"name":15,"slug":220,"color_token":221},"ec013b2c-e6c4-4c31-b1ec-9587c629a169","praktyczne-zastosowania","gold",{"display_name":223,"slug":224,"bio_short":225,"social_links":226},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":227,"x":213,"github":213,"website":228},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":230,"meta_description":231,"body_mdx":232,"word_count":233,"schema_type":234},"Retargeting leków z AI: co przyspiesza, a czego nie zastąpi","AI przyspiesza retargeting leków na etapie hipotez, ale nie zastępuje badań klinicznych. Sprawdzamy, co potwierdzają źródła, a które liczby pozostają szacunkami.","## Czy AI naprawdę skraca badania nad nowym zastosowaniem leku?\n\nTak, ale nie na całej długości procesu. Algorytmy pozwalają przetestować wirtualnie miliony kombinacji i odrzucić najsłabsze hipotezy jeszcze przed laboratorium, dzięki czemu zespół rzadziej wchodzi w ślepe uliczki [1]. Samo badanie kliniczne w nowym wskazaniu pozostaje konieczne, bo AI nie zmienia reguł rejestracji leku. W 2025 r. analiza pipeline'u choroby Alzheimera wykazała 182 aktywne badania kliniczne obejmujące 138 kandydatów [2].\n\nSkala wyjaśnia, dlaczego skrócenie choćby wstępnego etapu ma znaczenie. Statystycznie tylko jedna na 10 tys. cząsteczek testowanych w laboratoriach firm farmaceutycznych przechodzi pomyślnie wszystkie fazy badań [3]. Przy takiej selekcji wartość ma każda metoda, która taniej odrzuca złe kierunki.\n\nRetargeting, nazywany też repurposingiem lub repositioningiem, to wykorzystanie istniejącego leku w nowym wskazaniu. Metoda nie jest nowa. AI zmienia w niej głównie tempo analizy danych, nie zasady dopuszczania leku do obrotu.\n\n## Czym różni się retargeting od odkrywania nowej cząsteczki?\n\nRetargeting startuje od substancji o znanej farmakologii, dawkowaniu i profilu bezpieczeństwa. Odkrywanie nowej cząsteczki zaczyna się od projektu chemicznego i pełnego pakietu badań. Ta różnica obniża ryzyko na wczesnym etapie i pozwala czasem ominąć część badań nieklinicznych lub fazę I, ale nie usuwa obowiązku wykazania skuteczności w nowej chorobie [4][5].\n\n| Kryterium | Nowa cząsteczka | Retargeting istniejącego leku |\n|---|---|---|\n| Punkt wyjścia | projekt chemiczny od zera | znana farmakologia, dawkowanie i profil bezpieczeństwa [4] |\n| Wczesne badania | pełny pakiet niekliniczny i faza I | część badań nieklinicznych lub fazę I można pominąć [5] |\n| Dowód skuteczności | badanie w docelowym wskazaniu | również badanie w nowym wskazaniu [4] |\n| Bariera komercyjna | ochrona patentowa nowej substancji | wygasłe patenty i finansowanie utrudniają późne fazy [4] |\n| Główne ryzyko | niepowodzenie na którymkolwiek etapie | brak skuteczności w nowej chorobie mimo znanego profilu |\n\nRóżnica jest więc praktyczna, nie fundamentalna. Znana farmakologia skraca drogę do pierwszego podania człowiekowi, nie do rejestracji. Retargeting przesuwa ciężar kosztów i ryzyka w stronę późniejszych faz, gdzie decyduje wynik badania klinicznego, a nie jakość modelu.\n\n## Co wiadomo o pracach Adamedu nad AI?\n\nAdamed to polska, rodzinna firma farmaceutyczno-biotechnologiczna założona w 1986 r. [6]. Firma podaje blisko 2,6 mld zł skumulowanych inwestycji w badania i rozwój, co jest sumą wielu lat i wielu projektów, a nie budżetem jednego programu [6].\n\nW oficjalnym opisie prac Adamed deklaruje modelowanie in silico, uczenie maszynowe i AI do analizy danych oraz projektowania i optymalizacji nowych cząsteczek w onkologii, neuropsychiatrii i diabetologii [7]. Zespół CNS zajmuje się selekcją wskazań i celów biologicznych oraz projektowaniem nowych cząsteczek, a wśród obszarów zainteresowania wymienia behawioralne objawy demencji, głównie związane z chorobą Alzheimera [8].\n\nDwie cząsteczki zostały przeniesione do rozwoju klinicznego. Obie dotyczą onkologii: jedna rozpoczęła w 2025 r. badanie fazy I, druga jest rozwijana przez partnera [7]. Publiczne materiały firmy nie opisują konkretnego leku przeciw Alzheimerowi w fazie II ani programu retargetingu z podanym budżetem i oszczędnościami.\n\n## Ile miejsca zajmuje retargeting w badaniach nad Alzheimerem?\n\nAnaliza opublikowana w 2025 r. wykazała 182 aktywne badania kliniczne i 138 kandydatów. Leki repurposed stanowiły około jednej trzeciej kandydatów i badań [2][9]. To realna część pipeline'u, nie margines.\n\nPrzykład z 2025 r. pokazuje, jak wygląda typowe wskazanie AI. Badacze z UCSF wykorzystali model do wskazania letrozolu i irinotekanu jako potencjalnej kombinacji w Alzheimerze [10]. Opierali się na danych przedklinicznych i obserwacyjnych, więc wynik nie jest dowodem skuteczności u ludzi.\n\n## Skąd biorą się liczby o 40–70% oszczędności?\n\nPrzegląd z 2026 r. szacuje koszty repurposingu na 40–60% niższe niż w klasycznym odkrywaniu leku [11]. Według Forbesa, cytowanego przez mamstartup.pl, firmy farmaceutyczne wyceniają udział AI w odkrywaniu nowych leków na nawet 70% niższe koszty [12].\n\nObie liczby są szacunkami lub deklaracjami rynkowymi, nie wynikiem pomiaru. Żeby miały wartość, trzeba doprecyzować, czego dotyczą: kosztów odkrywania, fazy przedklinicznej, rekrutacji czy całego rozwoju. Trzeba też wskazać grupę porównawczą. Bez tego pozostają twierdzeniami marketingowymi, nawet gdy brzmią precyzyjnie.\n\n## Jakie ograniczenia mają modele AI w typowaniu leków?\n\nAI generuje hipotezy, nie dowód skuteczności. Przeglądy wskazują na problemy z jakością danych, stronniczością, interpretowalnością wyników oraz przenoszeniem wniosków z modeli komputerowych lub zwierzęcych na ludzi [11]. Kandydaci wytypowani przez model wymagają walidacji laboratoryjnej i klinicznej.\n\nDrugie ograniczenie jest organizacyjne. Platformy AI do odkrywania leków są dziś warstwą wspierającą decyzje zespołu badawczego, nie samodzielnym źródłem kandydatów do rejestracji [13]. Wartość narzędzia zależy więc od tego, kto i na jakich danych interpretuje jego wynik.\n\n## Czy patenty i regulacje blokują retargeting?\n\nCzęściowo. Znana farmakologia i profil bezpieczeństwa mogą skrócić wczesną fazę, ale trzeba wykazać skuteczność w nowym wskazaniu. Problemy z patentami i finansowaniem często utrudniają przejście do późnych faz [4][5].\n\nWygasły patent na stary lek nie przeszkadza w badaniach, bywa jednak przeszkodą w komercjalizacji. Firma musi mieć podstawę do poniesienia kosztów rejestracji, a ta podstawa często zależy od okresu wyłączności i przewidywanego zwrotu.\n\n## Od czego zacząć analizę repurposingową z AI?\n\nPolecamy zacząć od pytania badawczego, nie od narzędzia. Model dobiera się do danych i do decyzji, którą ma wspierać, a nie odwrotnie. Poniższa kolejność ogranicza ryzyko wydania budżetu na analizę, której wyniku nie da się wykorzystać.\n\n1. Zdefiniuj wskazanie i populację, dla której szukasz nowego zastosowania.\n2. Sprawdź, jakie dane masz: dane omiczne, sieci biologiczne, dokumentację medyczną i dane o ekspozycji na leki [4].\n3. Zrób pilotaż na wąskim zbiorze substancji i porównaj wynik z wiedzą farmakologów.\n4. Zaplanuj walidację laboratoryjną przed jakąkolwiek decyzją o badaniu klinicznym.\n5. Ustal ścieżkę regulacyjną i sprawdź sytuację patentową, zanim policzysz oszczędności.\n\nJeśli dopiero budujesz kompetencje analityczne, więcej o przechodzeniu od pilotażu do produkcji znajdziesz w artykule [Praktyczne zastosowania AI: od pilotażu do produkcji](\u002Fposts\u002Fpraktyczne-zastosowania-przewodnik). Ocenie narzędzi i benchmarków poświęcony jest tekst [Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw](\u002Fposts\u002Fbenchmarki-ai-dlaczego-nvidia-postawila-na-openclaw-zamiast-kolejnego-hype-u), a pracy modeli na danych — [Codex w data science](\u002Fposts\u002Fcodex-w-data-science-2-godziny-pracy-w-10-minut-ale-nie-bez-haczyka).\n\n## Najczęstsze pytania\n\n### Czy AI może zastąpić badania kliniczne w nowym wskazaniu?\n\nNie. Model wskazuje kandydatów i porządkuje hipotezy, ale skuteczność leku u ludzi potwierdza badanie kliniczne. Przeglądy podkreślają, że kandydaci wytypowani przez AI wymagają walidacji laboratoryjnej i klinicznej, a wnioski z modeli komputerowych lub zwierzęcych nie przenoszą się automatycznie na pacjentów [11].\n\n### Czy retargeting jest tańszy niż opracowanie nowej cząsteczki?\n\nZwykle tak, ale oszczędność zależy od etapu. Przegląd z 2026 r. szacuje koszty na 40–60% niższe [11]. Znana farmakologia pozwala pominąć część badań nieklinicznych lub fazę I, nie eliminuje jednak kosztu badania w nowym wskazaniu ani rejestracji [4][5].\n\n### Czy Adamed prowadzi badanie leku na chorobę Alzheimera?\n\nPubliczne materiały Adamedu tego nie potwierdzają. Zespół CNS firmy zajmuje się projektowaniem nowych cząsteczek i interesuje się behawioralnymi objawami demencji, głównie związanymi z chorobą Alzheimera [8]. Dwie cząsteczki w rozwoju klinicznym dotyczą onkologii, a oficjalny opis nie wskazuje leku przeciw Alzheimerowi w fazie II [7].\n\n### Jakie dane są potrzebne do analizy repurposingu z AI?\n\nW badaniach nad Alzheimerem modele AI wykorzystują dane omiczne, sieci biologiczne, dokumentację medyczną i dane o ekspozycji na leki [4]. Jakość tych zbiorów decyduje o wartości wskazań. Braki i stronniczość danych są jednym z głównych ograniczeń opisywanych w przeglądach [11].\n\n### Czy wynik modelu AI jest dowodem, że lek działa?\n\nNie. Wynik modelu to hipoteza do sprawdzenia. Dopiero walidacja laboratoryjna i badanie kliniczne mogą potwierdzić skuteczność w nowym wskazaniu [11][13]. Przykład letrozolu i irinotekanu w Alzheimerze opierał się na danych przedklinicznych i obserwacyjnych, a nie na dowodzie skuteczności u ludzi [10].\n\n## Źródła\n\n1. [Zaczyna się nowa era w produkcji leków. AI zmniejsza liczbę ślepych uliczek (rp.pl, 2026)](https:\u002F\u002Fkobieta.rp.pl\u002Fwywiad\u002Fart43049891-zaczyna-sie-nowa-era-w-produkcji-lekow-ai-zmniejsza-liczbe-slepych-uliczek)\n2. [Alzheimer's disease drug development pipeline: 2025 (Wiley, 2025)](https:\u002F\u002Falz-journals.onlinelibrary.wiley.com\u002Fdoi\u002F10.1002\u002Ftrc2.70098)\n3. [Sztuczna inteligencja pomaga odkrywać nowe leki. Skraca czas i obniża koszty badań klinicznych (kierunekfarmacja.pl)](https:\u002F\u002Fwww.kierunekfarmacja.pl\u002Fartykul,103860,sztuczna-inteligencja-pomaga-odkrywac-nowe-leki-skraca-czas-i-obniza-koszty-badan-klinicznych.html)\n4. [Drug repurposing for Alzheimer's disease and other neurodegenerative disorders (Nature Communications, 2025)](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41467-025-56690-4)\n5. [Drug repurposing for Alzheimer's disease and other neurodegenerative disorders (Johns Hopkins University, 2025)](https:\u002F\u002Fnursing.jhu.edu\u002Fwp-content\u002Fuploads\u002F2025\u002F07\u002FDrug-repurposing-for-Alzheimera%CC%82E%E2%84%A2s-disease-and-other-neurodegenerative-disorders.pdf)\n6. [O firmie (Adamed)](https:\u002F\u002Fwww.adamed.com\u002Ffirma-adamed)\n7. [Rozwój leków oryginalnych (Adamed)](https:\u002F\u002Fwww.adamed.com\u002Frozwoj-i-innowacje\u002Fbadania\u002Frozwoj-lekow-oryginalnych)\n8. [CNS Team (Adamed)](https:\u002F\u002Fwww.adamed.com\u002Fen\u002Fdevelopment-and-innovation\u002Fresearch\u002Fdevelopment-of-proprietary-medicines\u002Fcns-team)\n9. [Alzheimer's disease drug development pipeline: 2025 (PubMed, 2025)](https:\u002F\u002Fpubmed.ncbi.nlm.nih.gov\u002F40463637)\n10. [Cancer Drugs Could Treat Alzheimer's: Drug Repurposing Win (Medscape, 2025)](https:\u002F\u002Fwww.medscape.com\u002Fviewarticle\u002Fcancer-drugs-could-treat-alzheimers-drug-repurposing-win-2025a1000kv4)\n11. [Artificial intelligence in drug research and development: a review of methods and applications in drug repurposing (PMC, 2026)](https:\u002F\u002Fpmc.ncbi.nlm.nih.gov\u002Farticles\u002FPMC13192357)\n12. [AI kontra odkrywanie nowych leków (mamstartup.pl)](https:\u002F\u002Fmamstartup.pl\u002Fai-kontra-odkrywanie-nowych-lekow\u002F)\n13. [Leading artificial intelligence–driven drug discovery platforms: 2025 landscape and global outlook (ScienceDirect, 2025)](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0031699725075118)",1438,"Article",[236,242,248,254,260,266,272,278,284,290,296,302,308,314,320,326],{"id":237,"slug":238,"pillar_id":239,"draft_id":240},"fad1d7ad-8fa0-43af-b45a-a0be58875324","codex-w-operacjach-biznesowych-jak-zamienic-20-godzin-pracy-w-8-minut",{"color_token":221},{"title":241},"Codex w operacjach biznesowych: jak zamienić 20 godzin pracy w 8 minut",{"id":243,"slug":244,"pillar_id":245,"draft_id":246},"15de5316-98c5-4e40-bfd7-15db1ee47fd3","codex-w-sprzedazy-jak-polskie-zespoly-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":247},"Codex w sprzedaży: jak polskie zespoły automatyzują briefy i forecasty bez kodu",{"id":249,"slug":250,"pillar_id":251,"draft_id":252},"3711d3a5-d1b6-41f0-83bf-cede7e357934","codex-w-operacjach-jak-polskie-firmy-odzyskuja-15-godzin-tygodniowo",{"color_token":221},{"title":253},"Codex w operacjach: jak polskie firmy odzyskują 15 godzin tygodniowo",{"id":255,"slug":256,"pillar_id":257,"draft_id":258},"b77317b3-6449-4e20-bcc2-40177a5635c3","debata-agentow-ai-jak-10-modeli-wygenerowalo-guardrails-za-1-3-ceny",{"color_token":221},{"title":259},"Debata agentów AI: jak 10 modeli wygenerowało guardrails za 1\u002F3 ceny",{"id":261,"slug":262,"pillar_id":263,"draft_id":264},"d0badd80-84fc-4a82-a928-d57869fbe3d7","wordpress-bez-kodowania-jak-zbudowac-strone-w-2-godziny-zamiast-20",{"color_token":221},{"title":265},"WordPress bez kodowania: jak zbudować stronę w 2 godziny zamiast 20",{"id":267,"slug":268,"pillar_id":269,"draft_id":270},"ab48fe44-3cec-4ee3-9c7a-e04587d706a4","codex-w-sprzedazy-jak-oszczedzic-10-godzin-tygodniowo-bez-pisania-kodu",{"color_token":221},{"title":271},"Codex w sprzedaży: jak oszczędzić 10 godzin tygodniowo bez pisania kodu",{"id":273,"slug":274,"pillar_id":275,"draft_id":276},"d65aeb1e-b7f5-4221-836c-4e751d758397","czy-twoje-narzedzia-ai-to-tylko-cyfrowy-smietnik-jak-przestac-placic-za-nieuzywane-zakladki",{"color_token":221},{"title":277},"Czy twoje narzędzia AI to tylko cyfrowy śmietnik? Jak przestać płacić za nieużywane zakładki",{"id":279,"slug":280,"pillar_id":281,"draft_id":282},"0c185ca8-0e4c-46c3-b06a-cb5c2d632be3","milion-zlotych-straty-przez-zmienne-z-llm-gdzie-analiza-przyczynowa-traci-grunt",{"color_token":221},{"title":283},"Milion złotych straty przez zmienne z LLM — gdzie analiza przyczynowa traci grunt",{"id":285,"slug":286,"pillar_id":287,"draft_id":288},"9a45d404-d037-405f-b9e1-4f649c1d6c72","twoj-agent-ma-72-skutecznosci-zmiana-modelu-tego-nie-naprawi",{"color_token":221},{"title":289},"LLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury",{"id":291,"slug":292,"pillar_id":293,"draft_id":294},"b1b01fdd-dab1-42b9-89e6-e8e6cb382bf6","ile-kosztuje-godzina-szkolenia-ai-nowa-metoda-liczy-to-w-8-sekund",{"color_token":221},{"title":295},"Ile kosztuje godzina szkolenia AI? Nowa metoda liczy to w 8 sekund",{"id":297,"slug":298,"pillar_id":299,"draft_id":300},"21da4438-3fa2-41e0-a7f6-1768c752628e","twoj-pilot-ai-zachwycil-zarzad-dlaczego-nigdy-nie-trafi-na-hale-produkcyjna",{"color_token":221},{"title":301},"Dlaczego pilotaż AI trafia do produkcji, ale biznes go nie widzi — 5%",{"id":303,"slug":304,"pillar_id":305,"draft_id":306},"5fa11e1e-4f17-4996-9132-df455ed2fcbc","web-search-rag-pipeline-zanim-napiszesz-kolejny-scraper-przeczytaj-o-czterech-pulapkach",{"color_token":221},{"title":307},"Web scraping dla AI: czyszczenie HTML zmniejsza tokeny",{"id":309,"slug":310,"pillar_id":311,"draft_id":312},"9607dd0d-10bf-4236-86cb-f658bad984b8","twoj-agent-ai-wlasnie-zjadl-trucizne-i-nawet-o-tym-nie-wie",{"color_token":221},{"title":313},"Twój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym",{"id":315,"slug":316,"pillar_id":317,"draft_id":318},"6f5c7a22-1999-4ee4-8abf-82ed26b88ca4","codex-w-sprzedazy-jak-polskie-firmy-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":319},"Codex w sprzedaży: jak polskie firmy automatyzują briefy i forecasty bez kodu",{"id":321,"slug":322,"pillar_id":323,"draft_id":324},"1b8f6283-ddf2-45ca-93a2-589e667f48d8","kiedy-brak-llm-gateway-zaczyna-kosztowac-mapa-decyzji-dla-operatora",{"color_token":221},{"title":325},"Lokalne modele AI vs API w chmurze: kiedy się opłaca przejść na",{"id":327,"slug":328,"pillar_id":329,"draft_id":330},"1d9444f2-f6f3-45b5-9365-57b448334476","ai-w-sprzedazy-5-zadan-ktore-przestaja-zajmowac-czas-twojemu-zespolowi",{"color_token":221},{"title":331},"AI w sprzedaży: 5 zadań, które przestają zajmować czas twojemu zespołowi",[]]