KI entlang der Wertschöpfungskette in Biotech und Medtech

# KI entlang der Wertschöpfungskette in Biotech und Medtech

2020 sagte AlphaFold von DeepMind die 3D-Struktur nahezu jedes bekannten Proteins voraus, ein Problem, an dem Biologen 50 Jahre gescheitert waren. Dieser eine Fortschritt erspart Wirkstoffforschern heute Monate Laborarbeit pro Target. Gehen Sie aber 30 Schritte weiter in der Wertschöpfungskette, in eine klinische Studie oder in eine Produktionshalle, dann finden Sie KI-Pilotprojekte, die still und leise Millionen kosten und nichts liefern. Diese Lektion geht den gesamten Weg ab, damit Sie beides unterscheiden 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.

Die Wertschöpfungskette von Anfang bis Ende

Stellen Sie sich den Weg in Biotech und Medtech als fünf Stufen vor:

1. Target-Identifikation und Discovery (welches biologische Molekül angegriffen wird)

2. Präklinik und Lead-Optimierung (Design und Test von Kandidatenmolekülen)

3. Klinische Studien (Test von Sicherheit und Wirksamkeit am Menschen, Phase 1 bis 3)

4. Produktion und Qualitätskontrolle (QC)

5. Post-Market-Surveillance (Beobachtung zugelassener Produkte im realen Einsatz)

KI tritt auf jeder Stufe auf. Ihr Wert nicht.

Stufe 1: Target-Identifikation und Discovery

Hier ist KI heute am glaubwürdigsten.

Target-Identifikation heißt, das Protein oder Gen zu finden, das eine Krankheit treibt. Strukturvorhersage-Tools wie AlphaFold, inzwischen offen und frei nutzbar über die AlphaFold Protein Structure Database, zeigen Forschenden die Form eines Proteins ohne langsame, teure Kristallografie im Labor.

Reale Akteure: Recursion Pharmaceuticals betreibt automatisierte Zell-Imaging-Experimente und trainiert Modelle auf den Bildern. Isomorphic Labs (ein Alphabet-Unternehmen) verkauft strukturbasiertes Design. Insilico Medicine hat KI-designte Moleküle in klinische Studien gebracht.

Wo der Wert echt ist: Millionen möglicher Moleküle auf einige Hundert eingrenzen, die eine Synthese wert sind. Das verkürzt Zeitpläne und senkt die Ausgaben im Wet Lab.

Wo es Theater ist: die Behauptung, KI allein „entdecke Medikamente“. Kein KI-designtes Medikament hat Stand Anfang 2026 Phase 3 abgeschlossen und eine Zulassung erreicht. Der Biologie-Bottleneck bleibt.

Stufe 2: Präklinik und Lead-Optimierung

Hier sagt KI voraus, wie sich ein Kandidatenmolekül verhält: Bindet es an das Target, ist es toxisch, nimmt der 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 →örper es auf? Das nennt man ADMET-Vorhersage (Absorption, Distribution, Metabolismus, Exkretion, Toxizität).

Eine einfache Sicht darauf, warum das zählt: Wenn ein Modell toxische Kandidaten früh markiert, vermeiden Sie teure Tierstudien.

# Toy example: rank candidates by predicted toxicity risk
candidates = {"C-101": 0.12, "C-102": 0.88, "C-103": 0.34}
safe = {k: v for k, v in candidates.items() if v < 0.5}
print(sorted(safe.items(), key=lambda x: x[1]))
# -> [('C-101', 0.12), ('C-103', 0.34)]  # diese beiden weiterverfolgen

Werttest: Reduziert das Modell die Zahl der Kandidaten, die später scheitern? Wenn Ihre Ausfallrate in den späten Phasen nicht sinkt, ist das Modell Dekoration.

Stufe 3: Klinische Studien

Studien sind die teuerste Stufe. Eine einzelne Phase-3-Studie kann zehn bis mehrere hundert Millionen Dollar kosten (Branchenschätzungen gehen weit auseinander). KI zielt auf drei echte Schmerzpunkte:

• Patientenrekrutierung: geeignete Patienten über das Durchsuchen elektronischer Patientenakten Studien zuordnen. Langsame Rekrutierung ist eine der häufigsten Ursachen für Studienverzögerungen.
• Standortauswahl: vorhersagen, welche Kliniken tatsächlich Patienten einschließen.
• Studiendesign und synthetische Kontrollarme: historische Patientendaten nutzen, um die Zahl der Personen zu senken, die Placebo erhalten müssen.

Regulierer sind hier engagiert. Die US Food and Drug Administration (FDA) hat Guidance zum Einsatz von KI zur Unterstützung regulatorischer Entscheidungen bei Arzneimitteln und Biologika veröffentlicht. Die European Medicines Agency (EMA) hat ein Reflection Paper zu KI über den gesamten Lebenszyklus von Arzneimitteln herausgegeben. Keine der beiden hat vollständig autonome Studienentscheidungen freigegeben.

Wo der Wert echt ist: Rekrutierung und Dokumentenautomatisierung. Den Entwurf eines Clinical Study Report (CSR) mit einem Large Language ModelLarge Language ModelEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → zu schreiben, kann Wochen sparen.

Wo es Theater ist: zu versprechen, KI werde den „Studienerfolg vorhersagen“. Ergebnisse hängen von Biologie und Zufall ab, die das Modell nie gesehen hat.

Stufe 4: Produktion und Qualitätskontrolle

Das ist die am meisten unterschätzte KI-Zone in Medtech und Biomanufacturing.

Computer Vision für QC: Vials, Spritzen und Tabletten bei Linientempo auf Defekte prüfen. Eine Kamera plus trainiertes Modell erkennt gesprungenes Glas oder Füllfehler, die Menschen an einer schnellen Linie übersehen.

Prozesssteuerung für Biologika: therapeutische Proteine in lebenden Zellen zu züchten (ein Bioreaktor) reagiert empfindlich auf Temperatur, pH und Sauerstoff. Modelle sagen voraus, wann eine Charge aus der Spezifikation läuft, sodass Operatoren eingreifen, bevor eine Charge im Millionenwert verloren ist.

Regulatorischer Anker: Produktionsänderungen fallen unter Good Manufacturing Practice (GMP) und in den USA unter 21 CFR Part 11 (Regeln für elektronische Aufzeichnungen und Signaturen). Jede KI, die ein Batch Record berührt, muss validiert und auditierbar sein.

Ein durchgerechnetes 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 →-Beispiel (illustrativ)

Nehmen Sie an, eine Vision-QC-Linie prüft 1.000.000 Vials pro Jahr. Historische Fehlerdurchschlupfrate bei manueller Prüfung: 0,2 Prozent. Jeder durchgeschlüpfte Defekt kostet geschätzt 500 Dollar in Rückruf und Nacharbeit. KI senkt den Durchschlupf auf 0,05 Prozent.

• Durchgeschlüpfte Defekte vorher: 1.000.000 x 0,002 = 2.000
• Durchgeschlüpfte Defekte nachher: 1.000.000 x 0,0005 = 500
• Vermiedene Defekte: 1.500
• Jährlicher Nutzen: 1.500 x 500 Dollar = 750.000 Dollar

Wenn der Aufbau des Systems 300.000 Dollar kostet und der Betrieb 100.000 Dollar pro Jahr, liegt das Netto im ersten Jahr bei rund 350.000 Dollar. (Die Zahlen sind illustrativ, kein Marktbenchmark.)

Das ist ein konkreter, belastbarer Case. Beachten Sie: ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → braucht keinen biologischen Durchbruch, nur eine gut abgegrenzte Vision-Aufgabe mit saubereren Labels.

🎬 [VIDEO: „How AI is transforming drug discovery“ - youtube.com - ein zugänglicher Überblick, wo Machine Learning in die Pharma-PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → passt]

Stufe 5: Post-Market-Surveillance

Ist ein Produkt zugelassen, müssen Unternehmen die Sicherheit überwachen. Bei Arzneimitteln heißt das Pharmakovigilanz, bei Geräten Post-Market-Surveillance.

KI liest Berichte über unerwünschte Ereignisse, Social Media und medizinische Literatur, um Sicherheitssignale schneller zu markieren. Natural Language Processing kann die Flut von Fallberichten triagieren, die Regulierer wie die FDA (über ihr FAERS-System für unerwünschte Ereignisse) und die EMA (über EudraVigilance) erhalten.

Wo der Wert echt ist: Automatisierung von Case Intake und Duplikaterkennung. Hohes Volumen, repetitiv und gut verstanden.

Wo es Theater ist: zu behaupten, KI „erkenne neue Nebenwirkungen, die kein Mensch erkennen 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 →önnte“. Sie liefert Kandidaten. Menschen und Statistik bestätigen sie.

Wie Sie Wert von Theater unterscheiden

Über alle fünf Stufen gilt derselbe Test. Stellen Sie vier Fragen:

1. Ist die Aufgabe eng und repetitiv? Vision QC und Case-Triage erfüllen das. „Krebs heilen“ nicht.

2. Gibt es saubere, gelabelte Daten? Produktionslinien erzeugen sie. Studien zu seltenen Erkrankungen oft nicht.

3. Was ersetzt die KI, wenn sie scheitert? Lautet die Antwort „ein Mensch, der die Aufgabe heute macht“, ist der 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 → messbar. Lautet sie „nichts, das hat vorher nie funktioniert“, seien Sie skeptisch.

4. Ist der Output für Regulierer auditierbar? In diesem Sektor ist ein Modell, das Sie der FDA oder EMA nicht erklären 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, eine Belastung, kein Asset.

Die regulatorische Realität für KI-Geräte

Medtech hat eine eigene Kategorie: Software as a Medical Device (SaMD), Software, die eine medizinische Funktion erfüllt, ohne Teil eines Hardware-Geräts zu sein. Die FDA führt eine öffentliche Liste der von ihr zugelassenen KI-basierten Medizinprodukte, die in die Hunderte geht und von Bildgebungstools aus Radiologie und Kardiologie dominiert wird.

In Europa fallen diese unter die Medical Device Regulation (MDR) und greifen ab 2026 mit dem EU AI Act zusammen, der die meiste medizinische KI als „hochriskant“ einstuft und Dokumentations-, Transparenz- und Aufsichtspflichten auferlegt. Rechnen Sie Compliance in Europa in jeden KI-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 → ein.

Das realistische Kräfteverhältnis

Big Pharma (Roche, Novartis, AstraZeneca, Pfizer) kauft oder geht Partnerschaften ein statt von Null zu bauen. KI-native Biotechs (Recursion, Insilico, Isomorphic) liefern Discovery-Plattformen. Big Tech (Alphabet, Microsoft, NVIDIA) liefert Compute und Foundation Models. In der Medtech-Bildgebung integrieren GE HealthCare, Siemens Healthineers und Philips KI in ihre Scanner.

Kein einzelner Akteur besitzt die Kette. Der dauerhafte Vorteil sind proprietäre Daten plus regulatorischer Track Record, nicht das Modell selbst. Modelle werden zur Commodity; ein validierter klinischer Datensatz nicht.

Die wichtigsten Punkte

• Der KI-Wert konzentriert sich an den Enden der Kette: Discovery (Strukturvorhersage, Kandidaten-Screening) und Operations (Vision QC, Pharmakovigilanz-Triage). In der unübersichtlichen Mitte (Vorhersage des klinischen Erfolgs) läuft der Hype der Evidenz voraus.
• Fordern Sie ein messbares Kontrafaktum. Wenn KI einen Menschen ersetzt, der eine Aufgabe heute erledigt, 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 Sie den 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 → berechnen, wie im Vial-Inspektionsbeispiel. Verspricht sie etwas, das es noch nie gab, behandeln Sie es als Forschungsausgabe, nicht als Business Case.
• Stand Anfang 2026 hat kein KI-designtes Medikament den vollen Zulassungsweg abgeschlossen. Die Geschwindigkeit in der Discovery ist real; „KI-Medikamente“ von Anfang bis Ende sind weiter eine Behauptung, kein Track Record.
• In diesem Sektor ist Auditierbarkeit nicht optional. FDA, EMA, GMP, MDR und der EU AI Act bedeuten, dass ein unerklärbares Modell ein regulatorisches Risiko trägt, das seine Effizienzgewinne auslöschen kann.
• Der Burggraben sind Daten und regulatorische Erfahrung, nicht der Algorithmus. Bewerten Sie Anbieter anhand ihrer validierten Datensätze und ihrer Zulassungshistorie, nicht anhand ihrer Modellarchitektur.