Biotech & MedTech · Den Business Case für eine KI-Lösung aufbauen

Ein großes Pharmaunternehmen betreibt ein High-Throughput-Screening-Labor, in dem Techniker Assay-Platten manuell auf Fehler prüfen. Ein Assay ist ein Labortest, der eine biologische Reaktion misst; eine Platte enthält Dutzende oder Hunderte von Wells, jedes ein kleines Experiment. Etwa 20 bis 30 Prozent der Läufe scheitern (eine häufig zitierte Bandbreite der Branche, die genauen Werte variieren je nach Assay-Typ), und jeder Fehlschlag bedeutet verschwendete Reagenzien, verlorene Gerätezeit und Wissenschaftler, die Arbeit wiederholen. Jemand schlägt ein KI-System vor, das fehlerhafte Platten früh markiert. Gute Idee? Diese Frage lässt sich nicht mit Begeisterung beantworten. Sie beantworten sie mit einem Business Case.

Diese Lektion zeigt Ihnen, wie Sie diesen Case aufbauen: einen Bottleneck auswählen, die Baseline quantifizieren, den Lift schätzen und prüfen, ob Ihre Daten ihn überhaupt hergeben.

Beginnen Sie mit einem Bottleneck, nicht mit einer Technologie

Der häufigste Fehler bei KI in Biotech und Medtech ist, mit „wir sollten KI einsetzen" zu beginnen und dann nach einem Einsatzort zu suchen. Drehen Sie das um. Beginnen Sie mit einem messbaren Schmerzpunkt.

Gute Bottlenecks haben drei Merkmale:

• Sie sind heute teuer oder langsam. Hohe Assay-Fehlerraten, langsame Bildanalyse von Biomarkern, lange Dokumentenprüfung für regulatorische Einreichungen.
• Sie erzeugen Daten als Nebenprodukt. Wenn der Prozess bereits Bilder, Sensor-Logs oder strukturierte Datensätze liefert, haben Sie Trainingsmaterial.
• Das Ergebnis fließt in eine Entscheidung. KI verdient Geld, indem sie verändert, was jemand als Nächstes tut, nicht indem sie ein Dashboard produziert, auf das niemand reagiert.

Beispiele für Bottlenecks, die einen Business Case wert sind:

• Pathologen, die Stunden damit verbringen, Zellen auf digitalisierten Gewebeschnitten zu zählen.
• QC-Teams (Quality Control), die Batch Records aus der Produktion manuell prüfen.
• F&E-Wissenschaftler, die aus Millionen Kandidaten priorisieren, welche Verbindungen als Nächstes getestet werden.

Die Baseline quantifizieren

Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen keine Einsparungen behaupten, ohne die heutigen Kosten zu kennen. Bauen Sie die Baseline aus echten operativen Zahlen, nicht aus Vendor-Folien.

Für das Beispiel der Assay-Fehler heißt das im Einzelnen:

• Anzahl der pro Jahr gelaufenen Platten.
• Aktuelle Fehlerrate.
• Kosten pro fehlgeschlagener Platte (Reagenzien + Gerätezeit + Arbeitszeit für den Wiederholungslauf).

Durchgerechnetes Beispiel

Nehmen Sie an, ein Labor fährt 50.000 Platten pro Jahr bei einer Fehlerrate von 25 Prozent. Das sind 12.500 fehlgeschlagene Platten. Angenommen, jeder Fehlschlag kostet rund 200 Dollar an Reagenzien, Gerätezeit und Arbeit (illustrative Zahl, Sie müssen Ihre eigene messen).

Baseline annual failure cost
= 50,000 plates x 25% failure x $200
= $625,000 per year

Diese 625.000 Dollar sind Ihr Zielpool. KI kann nicht alles davon zurückholen. Manche Fehlschläge gehen auf schlechte Proben oder Reagenzien-Lots zurück, die keine Früherkennung beheben kann. Also schätzen Sie als Nächstes den Lift.

Den Lift ehrlich schätzen

Der Lift ist der Anteil der Baseline-Kosten, den die KI tatsächlich erfasst. Genau hier laufen Business Cases schief: Man unterstellt nahezu perfekte Performance.

Stellen Sie zwei Fragen:

1. Welcher Anteil des Problems ist durch KI adressierbar? Wenn die KI einen Fehlschlag früh genug vorhersagt, um einen Lauf abzubrechen und Reagenzien zu sparen, aber nur 60 Prozent der Fehlschläge aus Daten der frühen Zyklen erkennbar sind, liegt Ihre Obergrenze bei 60 Prozent, nicht bei 100 Prozent.

1. Welche Genauigkeit wird das Modell realistisch erreichen? Ein Modell, das 80 Prozent der erkennbaren Fehlschläge fängt, erfasst bei 60 Prozent Adressierbarkeit 48 Prozent des Pools.

Captured value
= $625,000 x 60% addressable x 80% model recall
= $300,000 per year (gross, before AI costs)

Ziehen Sie jetzt die Kosten der KI selbst ab: Lizenz- oder Entwicklungskosten, Integration mit Laborgeräten (über ein LIMS, ein Laboratory Information Management System, das Proben und Ergebnisse nachverfolgt), Cloud Compute und laufendes Monitoring. Wenn das 120.000 Dollar pro Jahr kostet, liegt Ihr Netto bei 180.000 Dollar. Immer noch attraktiv. Aber achten Sie darauf, wie weit das von der naiven Ansage „wir sparen 625.000 Dollar" entfernt ist.

Präsentieren Sie immer drei Szenarien: konservativ, erwartet, optimistisch. Entscheider vertrauen einer Bandbreite weit mehr als einer einzelnen selbstsicheren Zahl.

Data Readiness: die entscheidende Variable

Hier ist die Wahrheit, die die meisten Vendoren überspringen: Der geschätzte Lift ist nur erreichbar, wenn Ihre Daten ihn tragen. Ein brillantes Modell auf unbrauchbaren Daten liefert null.

Prüfen Sie Data Readiness in vier Dimensionen:

• Volumen. Haben Sie genügend gelabelte Beispiele? Für ein Modell zur Fehlererkennung brauchen Sie viele vergangene Läufe, markiert als Pass oder Fail. Ein paar Hundert sind meist zu wenig; Tausende sind eine realistischere Untergrenze für tabellarische Sensordaten, mehr bei Bildern.
• Labels. Werden Ergebnisse verlässlich erfasst? Wenn Techniker nicht dokumentiert haben, *warum* eine Platte gescheitert ist, haben Sie Daten, aber keine Ground Truth.
• Konsistenz. Sind Geräte, Protokolle und Dateiformate stabil geblieben? Ein Modell, das auf einem Plate Reader trainiert wurde, lässt sich vielleicht nicht auf einen anderen übertragen.
• Zugang. Können die Daten das Silo verlassen, in dem sie liegen, angesichts von Patientendatenschutz und IP-Beschränkungen (Intellectual Property)?

Bei klinischen oder Patientendaten ist der Zugang echt reguliert. In den USA ist das HIPAA (Health Insurance Portability and Accountability Act), das die Nutzung geschützter Gesundheitsdaten einschränkt. In Europa sind es die DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → (Datenschutz-Grundverordnung) und der EU AI Act, der ab 2026 Pflichten für Hochrisiko-KI-Systeme stufenweise einführt, und viele medizinische KI-Werkzeuge fallen in diese Kategorie. Rechnen Sie Compliance-Zeit in Ihren Case ein; sie ist nicht kostenlos.

Die FDA führt eine öffentliche Liste der von ihr zugelassenen KI-gestützten Medizinprodukte, ein nützlicher Realitätscheck dafür, was die regulatorische Prüfung tatsächlich bestanden hat: FDA AI-enabled medical device list.

Den Case für Entscheider aufbereiten

Verpacken Sie Ihre Analyse so, dass eine nicht-technische Führungskraft handeln kann. Ein starker einseitiger Case beantwortet:

• Welcher Bottleneck? Ein Satz. „Eine Assay-Fehlerrate von 25 Prozent kostet uns geschätzt 625.000 Dollar pro Jahr."
• Was macht die KI? „Markiert wahrscheinliche Fehlschläge früh, damit Läufe abgebrochen und Reagenzien gespart werden."
• Erwarteter Nettowert? Die Bandbreite aus drei Szenarien, netto nach KI-Kosten.
• Was ist erforderlich? Lücken in der Data Readiness, Integrationsarbeit, regulatorische Prüfung und ein Zeitplan.
• Woran erkennen wir den Erfolg? Die Metrik, die Sie nach dem Deployment verfolgen (gefangene Fehlschläge, gesparte Reagenzien), und wann Sie sie überprüfen.

Der letzte Punkt ist wichtig. Zu viele KI-Projekte starten ohne vereinbarte Erfolgsmetrik, sodass niemand sagen kann, ob sie funktioniert haben. Definieren Sie die Zahl, bevor Sie den Vertrag unterschreiben.

Typische Gründe, warum der Case auseinanderfällt

Auch ein gut gebauter Case kann in der Praxis kollabieren. Achten Sie darauf:

• Der Lift setzt voraus, dass sich der Workflow ändert, aber niemand ändert ihn. Wenn die KI eine fehlerhafte Platte markiert, der Techniker aber den Anreiz hat, Läufe ohnehin abzuschließen, entstehen die Einsparungen nie. Adoption ist Teil des ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →, kein nachgelagerter Gedanke.
• Model Drift zehrt am Lift. Reagenzien-Lots wechseln, Geräte werden gewartet, Protokolle entwickeln sich. Ein 2025 trainiertes Modell kann sich im Laufe von 2026 unbemerkt verschlechtern. Budgetieren Sie Monitoring und Retraining, typischerweise laufende Kosten, keine Einmalkosten.
• Die Baseline war geschätzt, nicht gemessen. Wenn Sie 625.000 Dollar präsentiert haben, die echte Zahl aber 300.000 Dollar war, halbiert sich Ihr Nettowert und das Projekt schafft die Hürde vielleicht nicht.
• Regulatorischer Scope Creep. Ein Werkzeug, das als „Entscheidungsunterstützung" vermarktet wird, kann still zum Diagnostikum werden, was es in eine regulierte Produktkategorie verschiebt und Monate hinzufügt. Klären Sie den Intended Use früh.

Ein kurzer Realitätscheck, wo KI passt

Nicht jeder Bottleneck verdient eine KI-Lösung. KI ist vorzuziehen, wenn die Aufgabe Mustererkennung über großen Datenmengen ist (Bilder, Signale, hochdimensionale Screens), das Volumen zu hoch ist, damit Menschen mitkommen, und Fehler tolerierbar oder überprüfbar sind. Einfachere Automatisierung oder Prozesskorrekturen sind vorzuziehen, wenn es eigentlich um fehlende Standardarbeitsanweisungen, kaputte Übergaben oder eine einzelne harte Geschäftsregel geht. KI auf ein Prozessproblem angewendet erzeugt nur Kosten.

Wichtigste Erkenntnisse

• Beginnen Sie mit einem gemessenen Bottleneck, nicht mit der Technologie. Die besten KI-Cases starten mit einer Zahl, über die sich schon jemand Sorgen macht.
• Trennen Sie Pool, adressierbaren Anteil und Modell-Performance. Multiplizieren Sie sie für den realistisch erfassten Wert und ziehen Sie dann die KI-Kosten ab, um den Nettowert zu erhalten.
• Data Readiness ist der limitierende Faktor. Volumen, verlässliche Labels, Konsistenz und rechtmäßiger Zugang unter HIPAA, DSGVO und EU AI Act entscheiden, ob überhaupt ein Lift erreichbar ist.
• Präsentieren Sie eine Szenario-Bandbreite und eine vor dem Start vereinbarte Erfolgsmetrik und budgetieren Sie Monitoring, Retraining und Adoption, die laufende Kosten sind.
• Alle Zahlen hier sind illustrativ oder zitierte Schätzungen mit Stand 2026; messen Sie Ihren eigenen Betrieb, bevor Sie Kapital binden.