Wie KI die Dauer der Wirkstoffentwicklung verkürzt – und was das für Ihre Pipeline bedeutet

Im Jahr 2020 löste AlphaFold von DeepMind ein Problem, das die Strukturbiologie 50 Jahre lang vor Rätsel gestellt hatte: die Vorhersage, wie Proteine sich aus ihren Aminosäuresequenzen falten. Was Forschungsteams jahrelange Kristallographie und Rechenleistung gekostet hatte, dauerte nun Sekunden. Dieser Durchbruch ist eines von vielen Signalen dafür, dass die KI-Entwicklung einen Punkt erreicht hat, an dem sie in den Life Sciences Aufgaben bewältigen kann, die Menschen schlicht nicht schnell genug und nicht im von der Branche benötigten Umfang ausführen können.

Das war kein Proof of Concept. Es war ein Signal. Branchenübergreifend verändert KI den Arbeitsmarkt in einem Tempo, das nur wenige vorhergesehen haben – und die Wirkstoffentwicklung ist einer der Bereiche mit den höchsten Einsätzen, in denen sich dieser Wandel vollzieht.

Die Wirkstoffentwicklung war schon immer teuer und langwierig. Jeder in der Branche kennt die Zahl von 2,6 Mrd. $. Seltener diskutiert wird das Warum: Der Entdeckungsprozess basiert nach wie vor weitgehend auf Intuition und statistischem Glück. KI löst das nicht vollständig. Doch sie beseitigt Schritt für Schritt die gravierendsten Ineffizienzen – Phase für Phase.

Wo KI heute tatsächlich zum Einsatz kommt

Den Anfang macht die Target-Identifizierung. Hier geht die meiste Zeit verloren. Das Protein oder der Signalweg, mit dem ein Wirkstoff interagieren soll, muss durch jahrelanges Testen von Hypothesen und biologische Experimente ermittelt werden. KI-Systeme, die auf genomischen und proteomischen Daten trainiert wurden, verkürzen diesen Prozess drastisch – sie identifizieren in Monaten Targets, für deren Entdeckung Forschende sonst Jahre gebraucht hätten.

Hinzu kommt das Molekül-Screening. Beim traditionellen Hochdurchsatz-Screening werden Tausende von Verbindungen getestet. Generative KI-Modelle prüfen Millionen – rechnergestützt, noch vor dem ersten Laborexperiment. Insilico Medicine gelang der Schritt von der Target-Identifizierung zum präklinischen Kandidaten in 18 Monaten. Dieser Prozess dauert normalerweise vier bis fünf Jahre.

Das Drug Repurposing wird unterschätzt. BenevolentAI erkannte, dass Baricitinib – ein bereits auf dem Markt befindliches Arthritis-Medikament – gegen COVID-19 wirken könnte. Das war Anfang 2020, noch bevor ein Impfstoff verfügbar war. Es erhielt eine Notfallzulassung der FDA. Dieselbe analytische Fähigkeit wird nun auf seltene Krankheiten angewendet, bei denen sich die Entwicklung eines völlig neuen Wirkstoffs wirtschaftlich schlicht nicht rentiert.

Prädiktive Toxikologie verdient mehr Aufmerksamkeit, als sie erhält. Ein Großteil der Fehlschläge in späten Phasen geht auf Verbindungen zurück, die anfangs unbedenklich schienen, sich beim Menschen jedoch als toxisch erwiesen. KI-Modelle, die auf historischen Fehlerdaten trainiert wurden, erkennen diese Signale früher – noch vor den kostenintensiven Phasen, wenn noch Zeit zum Gegensteuern bleibt.

Das Design klinischer Studien ist vielleicht die wirtschaftlich bedeutendste Anwendung, über die kaum jemand spricht. Wenn die falschen Teilnehmenden in eine Studie aufgenommen werden – oder nicht schnell genug genügend Patienten rekrutiert werden –, gefährdet das statistisch valide Ergebnisse. KI-gestütztes Patienten-Matching löst beide Probleme. Eine Studie, die schneller rekrutiert und die passenden Personen einschließt, scheitert nicht an formalen Hürden.

Was die Daten zeigen

PHASE	TRADITIONELL	KI-GESTÜTZT
Target-Identifizierung	2–4 Jahre, literaturbasiert	Monate; Multi-Omics-Mustererkennung in großem Maßstab
Lead-Molekül-Generierung	Tausende Verbindungen im Labor getestet	Millionen Kandidaten zunächst rechnergestützt bewertet
Präklinik bis Wirkstoffkandidat	Durchschnittlich 4–5 Jahre	18 Monate in dokumentierten KI-gestützten Fällen
Toxizitätsvorhersage	Spät entdeckt, kostenintensiv zu korrigieren	Rechnergestützt vor der Laborsynthese erkannt
Patienten-Matching für Studien	Manuell, langsame Rekrutierung, Protokolländerungen	Automatisiertes Kriterien-Matching, schnellere Rekrutierung
F&E-Gesamtkosten	Durchschnittlich 2,6 Mrd. $ pro zugelassenem Medikament	McKinsey schätzt 20–40 % Reduktionspotenzial

McKinsey beziffert die Gesamtkostenersparnis bei KI-gestützten Programmen auf 20–40 %, bei einer Verkürzung der Zeitpläne um mehrere Jahre entlang der gesamten Pipeline von der Entdeckung bis zur Klinik. Dabei handelt es sich nicht um hypothetische Prognosen, sondern um Hochrechnungen aus bereits laufenden Programmen.

Vier Unternehmen, die dies bereits in großem Maßstab umsetzen

INSILICO MEDICINE Vom Target zum Kandidaten in 18 Monaten Nutzte generative KI, um ein neuartiges Target zu identifizieren und einen Wirkstoffkandidaten für IPF zu entwickeln. Der Prozess dauerte 18 Monate und kostete 2,6 Mio. $ – ein Bruchteil des Branchendurchschnitts. Befindet sich nun in Phase-II-Studien.	BENEVOLENTAI Repurposing von Baricitinib für COVID-19 Wissensgraph-basierte KI identifizierte Baricitinib Anfang 2020 als Kandidaten für die Behandlung von COVID-19. Es folgte die FDA-Notfallzulassung. Dieselbe Plattform wird nun für seltene und vernachlässigte Krankheiten eingesetzt.
RECURSION PHARMACEUTICALS Screening seltener Krankheiten im industriellen Maßstab Nutzt Computer Vision und ML, um wöchentlich Millionen zellulärer Experimente durchzuführen und genetische Störungen zu kartieren. Hat über 1.000 Programme für seltene Krankheiten gescreent.	MODERNA KI-designte mRNA-Sequenzen Setzte ML-Modelle ein, um das Design von mRNA-Sequenzen zu optimieren und so Stabilität sowie Immunantwort zu verbessern. Der COVID-19-Impfstoffkandidat wurde in zwei Tagen entworfen. Wird nun auf die gesamte Pipeline angewendet.

Was nach wie vor eine echte Herausforderung darstellt

Wer Ihnen eine reibungslose KI-Transformation in der Wirkstoffentwicklung verspricht, verschweigt wesentliche Aspekte. Die Hürden sind real, und eine fundierte Bewertung jeder Plattform muss diese berücksichtigen.

An der Datenqualität scheitern die meisten KI-Projekte in der Praxis. Pharmazeutische Daten sind unstrukturiert, isoliert in Silos und über Jahrzehnte hinweg in Laborbüchern, Altsystemen und Papierakten uneinheitlich annotiert. Nichts davon lässt sich reibungslos in eine moderne ML-Pipeline einspeisen. In den meisten Organisationen ist die Datenintegration aufwendiger und kostspieliger als die Entwicklung der Modelle selbst.

Regulatorische Unsicherheit ist der zweite wesentliche Reibungspunkt. Der neue Leitfaden der FDA ist ein Fortschritt, doch KI-generierte Nachweise in Zulassungsanträgen bleiben ein dynamisches Feld. Wenn Sie KI in Ihrem Wirkstoffforschungsprogramm einsetzen, sollten Sie jetzt klären, wie diese Nachweise den Regulierungsbehörden vorgelegt werden – und nicht erst, wenn der IND-Antrag bereits vorliegt.

Model Drift ist ein weiterer Aspekt, den Beschaffungsteams häufig unterschätzen. Ein Modell zur Molekülgenerierung, das mit Daten aus dem Jahr 2022 trainiert wurde, ist kein statisches Werkzeug – seine Leistungsfähigkeit sinkt, sobald neue biologische Erkenntnisse vorliegen, sich neue Fehlerdaten ansammeln und sich Target-Landschaften verändern. Der Aufwand für Nachtraining und Governance ist kontinuierlich und kostenintensiv.

Worauf Sie bei der Auswahl eines KI-Partners wirklich achten sollten

Gespräche mit Anbietern drehen sich meist darum, was die Plattform leisten kann. Die Fragen, auf die es wirklich ankommt, betreffen jedoch den laufenden Betrieb im Alltag:

• Kann das Modell seine Entscheidungen nachvollziehbar erklären? Interpretierbarkeit ist für Zulassungsanträge unverzichtbar. Verlangen Sie dokumentierte Beispiele für Erklärbarkeit im klinischen oder regulatorischen Kontext, nicht bloß eine allgemeine Beschreibung des methodischen Ansatzes.
• Mit welchen Daten wurde es trainiert? Öffentliche Datenbanken im Vergleich zu proprietären klinischen Daten führen zu völlig unterschiedlichen Leistungsprofilen. Machen Sie sich die Herkunft der Trainingsdaten sowie bekannte Lücken oder Verzerrungen bewusst, bevor Sie das Modell in Ihre Pipeline integrieren.
• Wie sieht die regulatorische Erfolgsbilanz aus? Wurde die Plattform bereits in einem Programm eingesetzt, das die IND-Einreichung oder weitere Schritte erreicht hat? Akademische Validierung und reale regulatorische Erfahrung sind zwei grundlegend verschiedene Dinge.
• Wie lässt sich die Plattform in Ihre bestehenden Systeme integrieren? Die Ablösung Ihres LIMS oder ELN ist ein völlig eigenständiges Projekt. Prüfen Sie, ob sich die Lösung in Ihre vorhandene Infrastruktur einfügt oder deren Austausch erfordert.
• Wie sieht die Modellwartung nach 18 Monaten aus? Lassen Sie sich konkrete Angaben zu Retraining-Zyklen, Performance-Monitoring und den Zuständigkeiten für die Modell-Governance geben, sobald das System in Ihren Workflow eingebunden ist.
• Wem gehören die Ergebnisse? Die IP-Rechte an KI-generierten Molekülkandidaten sind eine neu entstehende Rechtsfrage – vergleichbar mit den Debatten über Dateneigentum und Schlüsselverwaltung im Kryptobereich. Stellen Sie sicher, dass Ihr Vertrag vor dem ersten Discovery-Durchlauf eindeutige Regelungen enthält.

Die fünf Phasen der Wirkstoffentwicklung

Um zu verstehen, wo KI ansetzt, muss man die Pipeline kennen, in die sie integriert wird. Die traditionelle Wirkstoffentwicklung durchläuft fünf verschiedene Phasen – jede davon ein Trichter mit hohen Ausfallraten und langwierigen Zeitplänen.

• Target-Auswahl. Forschende identifizieren den biologischen Signalweg oder das Protein, auf dem eine Krankheit beruht – dabei analysieren sie genomische und proteomische Daten, um Targets zu finden, die sowohl therapeutisch beeinflussbar („druggable“) als auch krankheitsrelevant sind.
• Target-Validierung. Bevor das Design von Molekülen beginnt, muss nachgewiesen werden, dass das Target den Krankheitsverlauf tatsächlich beeinflusst. Nur Zielstrukturen mit nachgewiesener therapeutischer Relevanz kommen eine Phase weiter.
• Lead-Identifizierung und -Optimierung. Tausende oder Millionen von Verbindungen werden am validierten Target gescreent. Vielversprechende Treffer (Hits) werden hinsichtlich Wirksamkeit, Selektivität und Sicherheit optimiert, bevor sie in die nächste Runde gelangen.
• Präklinische Prüfung. Vielversprechende Kandidaten werden in Labor- und Tiermodellen getestet, um Sicherheit, Toxizität und biologisches Verhalten vor dem ersten Einsatz am Menschen zu bewerten.
• Klinische Studien und behördliche Zulassung. Die Verbindung wird in drei Studienphasen am Menschen getestet und anschließend bei den Zulassungsbehörden eingereicht. Dies ist die langwierigste und kostenintensivste Phase des gesamten Prozesses.

Warum die Wirkstoffentwicklung 10+ Jahre dauert

Die lange Dauer ist nicht nur auf bürokratische Reibungsverluste zurückzuführen. Jedes Jahr Verzögerung spiegelt die fundamentale Schwierigkeit wider, vorherzusagen, welche Verbindungen beim Menschen wirksam sind. Laut der Analyse von Scilife zu den Zeitplänen der Arzneimittelentwicklung dauert der Weg von der Entdeckung bis zur Zulassung durchschnittlich 10–15 Jahre und kostet über 2,5 Mrd. $.

Die Ausfallquoten sind ernüchternd. Zehntausend Verbindungen gehen in die Testphase. Vielleicht 10 bis 20 schaffen es in die Entwicklung. Eine Handvoll erreicht klinische Studien am Menschen. Davon scheitern wiederum 90 % in der klinischen Entwicklung – meist mangels Wirksamkeit (40–50 %), wegen Toxizität (30 %) oder ungünstiger pharmakokinetischer Eigenschaften. Nahezu 80 % der Studien verfehlen ihre Zeitpläne bei der Patientenrekrutierung. Der gesamte Prozess gleicht einem langen Trichter mit einer winzigen Öffnung am Ende.

Bis zur Zulassung ist die Patentlaufzeit meist schon weit fortgeschritten. Die Investitionen eines ganzen Jahrzehnts im verbleibenden Exklusivitätszeitfenster wieder einzuspielen, bedeutet nicht nur enormen finanziellen Druck – es prägt von diesem Zeitpunkt an jede wirtschaftliche Entscheidung des Unternehmens.

KI-Methoden in der Wirkstoffforschung

Eine Übersichtsarbeit von Springer Nature zu KI-Methoden in der Pharmaforschung stellt die spezifischen Verfahren dar, die entlang der Pipeline eingesetzt werden – und diese sind vielfältiger, als den meisten Führungskräften bewusst ist.

Algorithmen des Machine Learning übernehmen die Identifizierung von Wirkstoff-Targets sowie das virtuelle Screening und filtern Molekülkandidaten anhand ihres vorhergesagten Verhaltens, noch bevor eine Synthese stattfindet. Deep Learning – insbesondere Convolutional Neural Networks – treibt das De-novo-Wirkstoffdesign und die Vorhersage von Protein-Interaktionen voran. Natural Language Processing durchforstet Fachpublikationen und klinische Datenbanken in einem Umfang, den kein menschliches Forschungsteam bewältigen könnte, und deckt Zusammenhänge zwischen Krankheitsmechanismen und bestehenden Wirkstoffen auf.

Reinforcement Learning verfolgt einen anderen Ansatz: Es optimiert molekulare Strukturen durch simuliertes Trial-and-Error und verbessert iterativ die Wirksamkeit bei gleichzeitiger Verringerung der Toxizität. Graph Neural Networks modellieren atomare Bindungen und Wechselwirkungen mit einer Detailgenauigkeit, die frühere Methoden nicht erreichten. Generative KI – dieselbe Kategorie wie die Large Language Models, die inzwischen weithin bekannt sind – kann völlig neue Moleküle von Grund auf generieren, abseits jeder bestehenden chemischen Bibliothek.

Anwendungsbereiche von KI in der Wirkstoffentwicklung

Die praxisnahen Anwendungsbereiche von KI in der Wirkstoffentwicklung erstrecken sich heute über alle Phasen der Pipeline – nicht nur auf das medienwirksame Moleküldesign.

• Target-Identifizierung. KI durchsucht riesige Datensätze aus Genomik, Proteomik und biomedizinischer Fachliteratur, um Wirkstoff-Targets zu identifizieren, für deren Auffinden Forschende sonst Jahre bräuchten. Deep-Learning-Modelle erkennen Muster in Multi-Omics-Daten, die für eine manuelle Analyse schlicht zu komplex sind.
• Moleküldesign und -Screening. Generative KI entwirft neuartige Molekülkandidaten von Grund auf, während ML-Modelle Millionen von Verbindungen rechnergestützt prüfen, noch bevor eine Synthese im Labor erfolgt. Dadurch wird die Arbeit, die früher Jahre im Labor erforderte, auf wenige Wochen Rechenzeit verkürzt.
• Präklinische Simulation. KI prognostiziert, wie sich Wirkstoffkandidaten im Körper verhalten – Absorption, Verteilung, Metabolismus, Ausscheidung und Toxizität –, noch bevor Tierversuche beginnen. Eine Übersichtsarbeit von Springer Nature zu KI-Anwendungen bestätigt, dass dies in einigen Programmen bereits den Bedarf an frühen Tierstudien verringert.
• Drug Repurposing. KI analysiert bereits zugelassene Arzneimittel im Hinblick auf neue Krankheits-Targets und identifiziert Möglichkeiten zur Umwidmung wesentlich schneller als die herkömmliche Forschung. Die Identifizierung von Baricitinib als COVID-19-Therapeutikum durch BenevolentAI im Jahr 2020 ist das am besten dokumentierte Beispiel.
• Optimierung klinischer Studien. KI gleicht Patientenprofile anhand realer Gesundheitsdaten, genetischer Register und Abrechnungsdaten mit Studienanforderungen ab – und verringert so Rekrutierungsverzögerungen. Ein KI-Agent im Gesundheitswesen kann zudem das Einwilligungsmanagement sowie die Patientenkommunikation über den gesamten Studienzyklus hinweg automatisieren.
• Qualitätskontrolle in der Produktion. KI überwacht Produktionsprozesse kontinuierlich und meldet Abweichungen, bevor es zu Chargenfehlern kommt. Vorausschauende Wartung, Ertragsoptimierung und Kontaminationserkennung sind aktive Anwendungsfälle in der pharmazeutischen Produktion – ähnlich wie Blockchain in der Fertigung die Rückverfolgbarkeit und Qualitätssicherung verbessert.

Vorteile von KI in der Wirkstoffentwicklung

Das stärkste Argument für den Einsatz von KI ist nicht allein die Geschwindigkeit. Der Bericht von Scilife über die Vorteile von KI in der Wirkstoffentwicklung zeigt eine Reihe von Vorteilen auf, die sich entlang der gesamten Pipeline potenzieren.

• Kürzere Entwicklungszyklen. In dokumentierten Fällen verkürzt KI die Phase von der Entdeckung bis zum präklinischen Kandidaten von vier bis fünf Jahren auf 13–18 Monate. Das 18-monatige Programm von Insilico Medicine dient als Beleg, doch ähnliche Zeiteinsparungen zeigen sich branchenweit überall dort, wo KI bereits bei der Target-Auswahl integriert wird.
• Geringere Kosten. McKinsey prognostiziert bei KI-gestützten Programmen eine Senkung der F&E-Gesamtkosten um 20–40 %. Diese Kostensenkung resultiert aus zwei Effekten: Kürzere Zeitpläne senken die laufenden Gemeinkosten, und die frühzeitige Erkennung von Fehlern führt dazu, dass ungeeignete Kandidaten noch vor den teuersten Phasen aussortiert werden.
• Höhere Genauigkeit. KI-Modelle übertreffen herkömmliche Methoden bei der Toxizitätsvorhersage, der Modellierung von Wirkstoff-Target-Interaktionen und der Patientenstratifizierung. Wenn weniger falsch-positive Kandidaten in die Pipeline gelangen, sinkt auch die Zahl der Phase-II-Fehlschläge aus technischen Gründen.
• Weniger Tierversuche. Die rechnergestützte Simulation des Verhaltens von Wirkstoffen in biologischen Systemen reduziert bereits in einigen Programmen den Umfang der erforderlichen präklinischen Tierstudien – das senkt Kosten und trägt dem wachsenden regulatorischen sowie ethischen Druck Rechnung, Tierversuche zu minimieren.
• Besseres Design klinischer Studien. KI-gestütztes Patienten-Matching und Protokolloptimierung steigern das Rekrutierungstempo, die Qualität der Studienpopulation und die Wahrscheinlichkeit eines statistischen Erfolgs – und adressieren damit die drei häufigsten Gründe, warum Studien an der Durchführung statt an der wissenschaftlichen Grundlage scheitern.

Wirtschaftlichkeit der KI-basierten Wirkstoffforschung

Die finanzielle Realität ist komplexer, als die Schlagzeilen zu großen Transaktionen vermuten lassen. Die Analyse von Drug Target Review aus dem Jahr 2025 zur Wirtschaftlichkeit der KI-gestützten Wirkstoffforschung verdeutlicht dies: Das gesamte Transaktionsvolumen für KI-Partnerschaften überstieg in den Ankündigungen 15 Mrd. $, doch die tatsächlichen Vorabzahlungen machten im Durchschnitt lediglich 2 % dieser Summe aus.

Die vollen Beträge hängen davon ab, dass mehrere Wirkstoffkandidaten klinische und kommerzielle Meilensteine erreichen. Das Verhältnis von 50:1 zwischen angekündigtem Transaktionswert und tatsächlicher Vorauszahlung spiegelt die Vorsicht der Branche wider – eine Dynamik, die breiteren Fintech-Mustern gleicht, wie wir in unserem Beitrag über Blockchain im Zahlungsverkehr beleuchtet haben –, bei denen der Hype der erprobten Infrastruktur stets vorausgeht.

Mehrere gut finanzierte Unternehmen für KI-Wirkstoffforschung bauten 2025 etwa 20–30 % ihrer Belegschaft ab. Andere froren klinische Programme ein oder stellten den Betrieb vollständig ein. Der Markt hat sich gewandelt – Investoren fordern jetzt eine klinische Validierung statt algorithmischer Raffinesse. Eine Finanzierung allein auf Basis von KI-Fähigkeiten ist kein tragfähiges Geschäftsmodell mehr.

Regulatorische Unterstützung von KI-Initiativen in der Wirkstoffforschung und -entwicklung

Regulierungsbehörden stehen keineswegs still. Analysen zur behördlichen Unterstützung zeigen, dass die FDA bereits Rahmenbedingungen entwickelt, um KI in cGMP-Umgebungen zu integrieren, und die Tendenz eindeutig in Richtung formalisierter KI-Pfade statt einer fallweisen Ad-hoc-Prüfung geht.

Die bedeutendste Entwicklung folgte am 6. Januar 2025, als die FDA einen Leitfaden-Entwurf zum Einsatz von KI zur Unterstützung behördlicher Entscheidungen für Arzneimittel und biologische Produkte veröffentlichte. Das Rahmenwerk etabliert eine siebenstufige Glaubwürdigkeitsprüfung, verlangt Lebenszyklus-Wartungspläne und schreibt Transparenz über Modellarchitekturen und Trainingsdaten vor.

Im Dezember 2025 qualifizierte die FDA ihr erstes KI-basiertes Instrument für klinische Studien in der Wirkstoffentwicklung – eine Plattform zur Bewertung von Leberbiopsien in NASH-/MASH-Studien. Es handelt sich um ein Instrument zur Qualitätsbewertung, nicht zum Wirkstoffdesign. Doch es ist die erste formelle behördliche Anerkennung von KI im Entwicklungsprozess, und das zählt.

Bemerkenswert: Der Leitfaden schließt KI in der frühen Entdeckungsphase bewusst aus. Er konzentriert sich ausschließlich auf Anwendungen, die in behördliche Entscheidungen einfließen. Diese Unterscheidung prägt, wie vorausschauende Unternehmen ihre KI-Investitionen strukturieren – Werkzeuge für frühe Phasen unterliegen anderen Prüfungen als jene, die Teil eines Zulassungsantrags sind.

Klinischer Realitätscheck

Die ehrlichste Einschätzung des aktuellen Stands liefern Branchenübersichten, die das Jahr als Übergang vom Versprechen zum Nachweis beschreiben.

Das herausragende Ergebnis: Ein vollständig durch KI entworfenes Medikament schloss die Phase-IIa-Studien ab. Die Ergebnisse wurden im Juni 2025 in Nature Medicine veröffentlicht. Vom Target zum vorklinischen Kandidaten vergingen 18 Monate – im Vergleich zu den üblichen drei bis vier Jahren. Die Studie zeigte eine dosisabhängige Besserung bei IPF-Patienten. Das ist ein echter klinischer Meilenstein.

Allerdings nahmen nur 71 Patienten an der Studie teil, und das Wirksamkeitssignal erfordert eine Bestätigung in größeren Kohorten. Zahlreiche andere durch KI entwickelte Wirkstoffe wurden depriorisiert, nach Phase II eingestellt oder zeigten kein Wirksamkeitssignal. Die KI hat die klinische Misserfolgsquote der Pharmaindustrie von ~90 % bislang nicht nachweislich gesenkt. Die entscheidende Frage für die nächsten zwei bis drei Jahre lautet nicht, ob KI präklinische Zeitpläne verkürzen kann – das kann sie erwiesenermaßen –, sondern ob sie die klinischen Erfolgsquoten verbessern kann.

Herausforderungen bei Infrastruktur und Integration

Die organisatorischen Herausforderungen bei der flächendeckenden Einführung von KI sind oft größer als die technischen. Infrastrukturanalysen verweisen auf eine Umfrage, in der 68 % der Tech-Führungskräfte eine mangelhafte Datenqualität und -governance als Hauptgrund für das Scheitern von KI-Initiativen nennen.

Speziell in der Pharmabranche ist das Datenproblem akut. Elektronische Laborbücher, veraltete LIMS-Systeme und historische Papierakten lassen sich nicht nahtlos verknüpfen. Dasselbe Molekül kann in drei internen Datenbanken unterschiedlich dargestellt sein. Annotationen sind uneinheitlich, die Herkunft unklar, und Datenschutzauflagen schränken ein, was organisationensübergreifend geteilt oder zum Training gemeinsamer Modelle genutzt werden darf.

Führende Pharmaunternehmen reagierten 2025 mit Investitionen in GPU-Infrastruktur und der Einführung von Plattformen zum Teilen von KI-Modellen mit Biotech-Partnern. Einige setzten humanoide KI-Forscher in Roboterlaboren ein. Doch die Verknüpfung von Wet-Lab- und Dry-Lab-Prozessen bleibt eine enorme Herausforderung – autonome Labore konnten bislang nicht beweisen, dass sie validierte Wirkstoffkandidaten selbstständig entdecken können.

Aktuelle Herausforderungen und Grenzen

Eine Analyse der Grenzen von KI in der Wirkstoffforschung zeigt eine Reihe hartnäckiger Probleme auf, die über die reine Datenqualität hinausgehen.

Die Interpretierbarkeit von Modellen ist ein reales und keineswegs nur theoretisches Problem. Die meisten leistungsstarken KI-Systeme sind Blackboxes – sie liefern Ergebnisse, können diese jedoch nicht begründen. In der Consumer-Technologie mag das genügen. In der Wirkstoffentwicklung, in der die FDA nun ausdrücklich Transparenz über Modellarchitekturen und Trainingsdaten verlangt, ist dies ein klares Hindernis.

Die Generalisierung ist weitaus komplexer, als Benchmark-Werte vermuten lassen. Ein Modell, das auf eine bestimmte Krankheitsklasse oder chemische Serie trainiert wurde, stößt bei strukturell ungewöhnlichen Targets oft an Grenzen – und gerade diese bieten häufig das größte therapeutische Potenzial. Eine solide Leistung auf Standarddatensätzen hält der Praxis der realen Wirkstoffforschung nicht immer stand.

Zudem ist die branchenweite Datenstandardisierung noch lange nicht gelöst. Der Aufbau hochwertiger, annotierter Datensätze ist kostenintensiv. Datenschutzvorschriften erschweren den Austausch. Konkurrierende Unternehmen haben wenig Anreiz, an einer Infrastruktur mitzuwirken, die allen gleichermaßen nützt. Das Resultat ist ein Umfeld, in dem selbst die besten Modelle immer nur so gut sind wie die Daten, mit denen sie trainiert wurden.

Ethische Herausforderungen beim Einsatz von KI

Die Debatte über KI-Ethik in der Wirkstoffforschung wirft Fragen auf, mit denen sich die Branche erst allmählich ernsthaft auseinandersetzt.

Verzerrungen in Trainingsdaten (Bias) stellen derzeit das dringlichste Problem dar. Klinische Datensätze bilden Frauen, ältere Patienten, nicht-weiße ethnische Gruppen sowie Patienten mit seltenen Erkrankungen systematisch unterrepräsentiert ab. Fehlen diese Gruppen in den Trainingsdaten, erzielen Modelle für sie schlechtere Ergebnisse – und in der Wirkstoffforschung kann dies bedeuten, dass ein Medikament genau bei den am stärksten betroffenen Patientengruppen weniger wirkt oder ein abweichendes Sicherheitsprofil aufweist.

Die IP-Eigentumsrechte an KI-generierten Kandidaten sind rechtlich ungeklärt. Wem gehört das Molekül – dem Entwickler des Modells, dem Anwender oder niemandem? Gerichte weltweit befassen sich mit ähnlichen Fragen. Spezifische Präzedenzfälle für die Wirkstoffforschung fehlen bislang. Klären Sie dies vertraglich vor dem ersten Entdeckungsdurchlauf, nicht danach.

Die Verantwortlichkeit bildet das dritte Problem. Wenn ein KI-Modell einen Kandidaten vorschlägt, der in einer Phase-III-Studie schwere unerwünschte Ereignisse hervorruft: Wer haftet dafür? Die Verantwortungskette ist weitaus undurchsichtiger als in konventionellen Programmen. Governance-Frameworks lassen sich wesentlich leichter etablieren, bevor etwas schiefgeht, als im Nachhinein.

Zukunftsperspektiven und neue Trends

Mit Blick nach vorn verweist die Analyse neuer KI-Trends in der Wirkstoffforschung auf mehrere Entwicklungen, die das Feld in den nächsten fünf Jahren grundlegend verändern werden.

Die Konvergenz von KI und Biologie schreitet schneller voran als in den meisten Roadmaps vorhergesehen. Die Vorhersage von Proteinstrukturen reicht längst über Proteine hinaus – hin zu DNA, RNA, Antikörpern und molekularen Interaktionen. Die nächste Modellgeneration wird ganze biologische Systeme analysieren können, nicht nur einzelne Komponenten. Das ist eine qualitativ völlig neue Dimension.

Multimodale KI hält Einzug aus Forschungspapieren in reale Pipelines. Diese Systeme führen Genom-, Bild-, klinische und Real-World-Daten gleichzeitig zusammen. Die Möglichkeit, das genetische Profil von Patienten mit ihren Bilddaten und der Behandlungshistorie zu korrelieren, ist nicht nur analytisch wertvoll – sie verändert grundlegend, wie Sie Patienten in klinischen Studien stratifizieren.

Federated Learning gehört zu den praktikabelsten Lösungen für das Datenproblem. Modelle lernen über verteilte Datensätze hinweg, ohne dass die Daten die jeweilige Institution verlassen – was die meisten Datenschutz- und Wettbewerbsbedenken ausräumt. Mehrere Pharma-Konsortien testen dies bereits in der Erforschung seltener Krankheiten, wo kein einzelnes Unternehmen über genügend Daten verfügt, um eigenständig aussagekräftige Modelle zu trainieren.

Autonome Roboterlabore bilden den letzten Baustein. Solche Self-Driving Labs, die den Zyklus aus Entwerfen, Herstellen, Testen und Lernen (Design-Make-Test-Learn) ohne menschliches Eingreifen schließen, sind noch nicht voll einsatzfähig – sie haben noch keinen validierten Wirkstoffkandidaten autonom entdeckt. Doch der Abstand zum Ziel schließt sich schneller, als die meisten Branchenexperten noch vor zwei Jahren erwartet hatten.

Fazit

Jedes große Pharmaunternehmen verfügt heute über eine KI-Strategie. Was diejenigen, die echte Ergebnisse erzielen, von jenen im ewigen Pilotstadium unterscheidet, ist meist eine zentrale Erkenntnis: Sie betrachten KI nicht mehr als reines IT-Projekt, sondern bauen eine solide Infrastruktur für Enterprise-KI als strategische Pipeline-Entscheidung auf.

Unternehmen mit messbaren Erfolgen integrieren KI bereits bei der Target-Auswahl – vor jeglichen Laborausgaben, vor jeder Synthese. Genau dort liegt der größte Hebel. Ein falsches Target, das drei Jahre lang verfolgt wird, kostet zweistellige Millionenbeträge und unwiederbringliche Zeit. Wird ein falsches Target bereits im zweiten Monat rechnergestützt identifiziert, kostet das so gut wie nichts.

Das Zeitfenster für Pionier- und First-Mover-Vorteile ist noch offen – allerdings nicht mehr lange. Plattformen, die heute validiert werden, sind in fünf Jahren Standard. Das bedeutet: Organisationen, die diese Kompetenzen jetzt aufbauen, müssen sie später nicht unter hohem Zeitdruck nachrüsten. Die Frage lautet nicht, ob KI in Ihren Entwicklungsprozess gehört. Die Frage ist, ob Sie den Takt selbst vorgeben oder nur auf andere reagieren.