Damit Künstliche Intelligenz in der Pharmaforschung wirklich wirkt, muss sie fest im Arbeitsalltag verankert werden – zu diesem Schluss kamen Vertreter von Novartis, Evotec, Nvidia und Roche am Panel «AI-powered Pharma R&D End-to-End» am Swiss Biotech Day 2026 in Basel.
Die von Thibault Geoui (Zühlke) moderierte Diskussion thematisierte ein bekanntes Paradox der Branche: Trotz wachsender Datenmengen und immer leistungsfähigerer Technologien hat sich die Effizienz der Arzneimittelentwicklung in den vergangenen Jahrzehnten nicht im gleichen Mass verbessert. KI sei in der Pharmaforschung angekommen, so der Tenor, viele Projekte blieben aber im Pilotstadium hängen, statt in den breiten operativen Einsatz überführt zu werden.
Novartis-Vertreterin Therese Triemer brachte das Problem auf den Punkt: «Es ist nicht die Technologie selbst, die zum Scheitern führt – sondern dass wir nicht End-to-End denken. Wir machen einen fantastischen Pilot, zeigen Impact und Wert – und stecken dann fest, weil wir nicht konsequent weiter skalieren. Der zweite Grund ist der menschliche Faktor: Es geht nicht um die Technologie, sondern darum, sie wirklich zu nutzen.»
Konkrete Beispiele aus der Praxis lieferten die weiteren Panelisten: Evotec integriert KI direkt in bestehende Discovery- und Biologics-Plattformen, unter anderem im Hochdurchsatz-Screening. Nvidia-Vertreter Konstantin Landers verwies auf agentische KI-Werkzeuge, digitale Zwillinge in der Herstellung sowie Patientendaten-Modelle, die klinische Entscheidungen beschleunigen sollen. Bereits in der Frühphase liessen sich Entwicklungszeiten von 14 Monaten auf teils zwei bis 12 Monate verkürzen, auch in der klinischen Entwicklung seien deutliche Beschleunigungen zu beobachten, so Landers. Roche generiert nach eigenen Angaben monatlich rund 150 Millionen KI-gestützte Vorhersagen über 20 Anwendungsfälle hinweg, gestützt auf firmeneigene und z. T. nie publizierte Versuchsdaten. Auch negative Ergebnisse und fehlgeschlagene Versuche werden zum wertvollen, kaum kopierbaren Datenschatz für das Training von KI-Modellen.
Als entscheidende Erfolgsfaktoren für die Skalierung nannten die Diskutierenden die durchgängige Integration in bestehende Arbeitsabläufe, den Aufbau von Vertrauen bei den Anwendenden sowie kuratierte, KI-taugliche Daten. Die zentrale Herausforderung liege nicht mehr in der Verfügbarkeit der Technologie, sondern in ihrer nachhaltigen Verankerung im Arbeitsalltag.