ในภาคการค้นคว้ายา ข้อมูลที่บริษัทเทคโนโลยีชีวภาพเปิดเผยว่าการคำนวณที่เคยใช้เวลาระดับหลายพันชั่วโมงประมวลผลสามารถย่อลงเหลือระดับนาทีด้วยการเร่งความเร็วด้วย GPU สะท้อนการเปลี่ยน economics ของการทดลองอย่างมีนัยสำคัญ กรณีของ Innophore แสดงจำนวนการคำนวณระดับหลายล้านรายการต่อวันในระบบคลาวด์ ซึ่งเป็นข้อมูลที่บ่งชี้ว่าความถี่ของการทดลองและการตัดสินใจเพิ่มขึ้นได้จริง อย่างไรก็ตามข้อมูลดังกล่าวยังไม่แสดงอัตราความสำเร็จของยาในขั้นคลินิก จึงไม่สามารถสรุปได้ว่าความเร็วที่เพิ่มขึ้นแปลเป็นผลลัพธ์ทางสุขภาพโดยตรง แต่แรงกดดันเชิงระบบต่อทีมวิจัยคือการต้องจัดการความไม่แน่นอนที่เพิ่มขึ้นจากจำนวนตัวเลือกที่มากขึ้นในเวลาที่สั้นลง

เมื่อพิจารณามิติของมูลค่า ข้อมูลรายได้ซ้ำและการฝังตัวของระบบ AI ใน workflow หลักขององค์กรชี้ว่ามูลค่าไม่ได้มาจากการขายโมเดล แต่จากการลดแรงเสียดทานของระบบและการเพิ่ม capacity ต่อหน่วยต้นทุน การที่แพลตฟอร์มเหล่านี้กลายเป็นส่วนหนึ่งของโครงสร้างการทำงานทำให้ต้นทุนการเปลี่ยนระบบสูงขึ้น ซึ่งเป็นแรงกดดันเชิงโครงสร้างที่สร้างความได้เปรียบระยะยาว ขณะเดียวกันข้อมูลสาธารณะยังชี้ว่าความเสี่ยงไม่ได้หายไป ระบบที่พึ่งพา AI อย่างลึกซึ้งต้องเผชิญต้นทุนของความไม่แน่นอนจาก data drift การพึ่งพาซัพพลายเออร์โครงสร้างพื้นฐาน และความเปราะบางของสายการทำงานที่เชื่อมต่อกัน หากไม่มีการออกแบบให้ล้มเหลวอย่างค่อยเป็นค่อยไป ต้นทุนของความล้มเหลวอาจขยายตัวเร็วกว่าประโยชน์จาก efficiency