Die Beweislast hat sich verschoben

Europas GMP-Entwurf schließt generative KI aus der kritischen Herstellung aus — und vier Kontrollen machen ihn undurchsetzbar

Was ist neu — Der Entwurf des EMA-Annex 22 zur GMP stellt klar, dass er für generative KI und große Sprachmodelle nicht gilt und dass solche Modelle in kritischen GMP-Anwendungen nicht eingesetzt werden sollten — doch anhaltender Druck aus der Industrie hat die EMA dazu gebracht, nun Evidenz dafür zu sammeln, wie man sie doch zulassen könnte.

Was geschehen ist — Der sechsseitige Entwurfsanhang zu EudraLex Band 4 wurde von der GMP/GDP Inspectors Working Group der EMA gemeinsam mit PIC/S erarbeitet, mit FDA und der britischen MHRA als Beobachter. Er ergänzt Annex 11, ersetzt ihn nicht. Nach Abschluss der Konsultation im Oktober 2025 berichtete die EMA von Zustimmung der Stakeholder, generative KI zu ermöglichen, und berief am 30. Juni und 1. Juli 2026 einen zweitägigen Multistakeholder-Workshop ein, um gezielt Expertenwissen zu Leitplanken und Minderungsmaßnahmen einzuholen. Stand 11. August existiert kein finaler Text in EudraLex, PIC/S führt Annex 22 weiterhin unter den Entwurfsleitlinien, und der Arbeitsplan der EMA zielt auf Q4 2026 für die Übergabe des finalen Textes an die Europäische Kommission. Der Ausschluss vom Juli 2025 bleibt damit die veröffentlichte Position — diese Analyse berichtete Pharmaceutical Technology am 13. August.

Wie es funktioniert — Der Geltungsbereich von Annex 22 umfasst Machine-Learning-Modelle, die statisch (Parameter eingefroren, keine Anpassung im Betrieb) und deterministisch sind (identische Eingaben erzeugen identische Ausgaben). Alles unterhalb dieser Bereichsdefinition ist konventionelle Validierungsmechanik: den vorgesehenen Verwendungszweck einschließlich seltener Eingaben und Bias-Risiken charakterisieren; Testmetriken und Akzeptanzkriterien vor Testbeginn festlegen; Testdaten strikt von Trainingsdaten trennen; Erklärbarkeit über Feature-Attribution wie SHAP oder LIME bereitstellen; Konfidenzwerte gegen Schwellen protokollieren, die eine Markierung „unentschieden“ erzwingen statt einer unzuverlässigen Antwort; Änderungskontrolle und Drift-Überwachung anwenden.

Diese Mechanik ist solide. Sie ist zugleich für eine Modellkategorie gebaut, die ausschließt, was die meisten Menschen heute unter KI verstehen.

Kernerkenntnis — Laut der Analyse von Pharmaceutical Technology werden vier der Kontrollen von Annex 22 bei einem Foundation Model schwer oder gar nicht anwendbar — nicht weil der Anhang schlecht formuliert wäre, sondern weil er Eigenschaften voraussetzt, die diese Modelle nicht haben.

Die Unabhängigkeit des Testdatensatzes ist unbeweisbar. Abschnitt 6 verlangt den Nachweis, dass Testdaten nie das Training berührt haben. Gegenüber einem Korpus in Web-Größe, den Sie weder zusammengestellt haben noch einsehen können, lässt sich dieser Nachweis nicht erbringen. Das ist der Unterschied zwischen dem Messen von Generalisierung und dem Messen von Erinnerung.

Erklärbarkeit wird zur Erzählung. Ein Modell, das seine Begründung erklären soll, erzeugt weiteren Modell-Output. Ob diese Darstellung die Berechnung getreu beschreibt, ist eine andere Frage — und eine plausible Erzählung ist schlechter als gar keine Erklärung, wenn sie Vertrauen erzeugt, das die Evidenz nicht trägt.

Konfidenzwerte sind keine Konfidenz. Token-Wahrscheinlichkeit ist keine Schätzung faktischer Korrektheit. Die Markierung „unentschieden“ setzt voraus, dass das System zuverlässig weiß, wann es etwas nicht weiß — genau die Fähigkeit, die zur Debatte steht.

Der eingefrorene Zustand gehört womöglich nicht Ihnen. Bei einem vom Anbieter gehosteten Modell hinter einer API können Gewichte, System-Prompts und Sicherheitsschichten nach dem Zeitplan des Anbieters wechseln. Ein Auslöser für Änderungskontrolle, den Sie nicht beobachten können, ist keine Kontrolle.

Es gibt eine fünfte Falle, die für jedes Modell gilt: Abschnitt 4.3 verlangt Akzeptanzkriterien, die mindestens so hoch liegen wie beim ersetzten Prozess. Kaum eine Organisation hat je die Fehlerrate des menschlichen Prozesses gemessen, den sie nun automatisiert.

Hintergrund — Die FDA ist einen anderen Weg gegangen. Ihr Leitlinienentwurf vom Januar 2025 schlägt eine siebenstufige, risikobasierte Glaubwürdigkeitsbewertung für einen definierten Verwendungskontext vor — Glaubwürdigkeit für einen Kontext, nicht Validierung eines Systems. Doch die FDA ist bereits von der Leitlinie zur Durchsetzung übergegangen: Im Warnbrief 320-26-58 vom 2. April 2026 widmete die Behörde dem unsachgemäßen Einsatz von KI in der Arzneimittelherstellung einen eigenen Abschnitt und berief sich auf 21 CFR 211.22(c), nachdem KI-erzeugte Spezifikationen und Master-Herstellungsvorschriften ohne angemessene Prüfung durch die Qualitätseinheit in Gebrauch genommen worden waren. Das ist die erste namentlich benannte KI-Durchsetzungsmaßnahme dieser Art in diesem Bereich — und sie hat auf niemandes finale Leitlinie gewartet.

Warum es zählt — Wer in die EU exportiert, erfüllt EU-GMP unabhängig vom Standort — das ist kein europäisches Problem, das man aus der Ferne beobachtet. Unmittelbarer noch: Der Entwurf verwendet auf seinen sechs Seiten kein einziges Mal das Wort „Agent“. Agentische Systeme werden über die Eigenschaften einsortiert, die der Entwurf definiert — generativ, dynamisch, probabilistisch —, womit die Kategorie, die die Industrie am schnellsten ausrollt, ausschließlich implizit reguliert ist. Wer einen Agenten in der Nähe eines Chargenprotokolls betreibt, erbt ein Assurance-Problem, das noch niemand benannt hat.

Unsere Einschätzung — Alle beobachten, ob der Ausschluss Bestand hat. Das ist das Falsche, denn beide Ausgänge landen am selben Ort. Bleibt der Ausschluss, bleibt generative KI in nicht-kritischer Arbeit, wo der Entwurf die Verantwortung ohnehin qualifiziertem Personal zuweist. Wird er aufgeweicht, verlangt jeder Weg in die kritische Nutzung weiterhin die Festlegung, wer wofür unter welchen Bedingungen qualifiziert ist — denn keine technische Kontrolle absorbiert GMP-Verantwortung. Arbeit verteilt sich zwischen Mensch und Modell. Eine Unterschrift nicht.

Der Zielkonflikt, den niemand einpreist: Je weniger Assurance sich um das Modell herstellen lässt, desto mehr Assurance braucht die menschliche Prüfebene — und die Prüfung von Modell-Output ist ein schwierigeres Qualifikationsproblem als die Eingriffe, für die Operatoren heute qualifiziert sind. Wer einen aseptischen Eingriff durchführt, kann den Prozess beobachten. Wer Modell-Output prüft, beurteilt ein fertiges Artefakt, ohne getreue Spur seiner Entstehung, aus einem System, das im selben Tonfall souverän falsch wie souverän richtig liegt. Automation Bias verschlimmert das, statt zu helfen.

Unsere Prognose zu Effekten zweiter Ordnung: Die Gewinner werden nicht die Organisationen mit den besten Modellen sein. Es werden die sein, die früh verstanden haben, dass die zu qualifizierende Einheit nie das Modell war — sondern Person × System × Version × Anwendungsfall, und dass „Abweichungsmanagement“ überhaupt kein Anwendungsfall ist. „Verwandte abgeschlossene Abweichungen für die menschliche Untersuchung abrufen und zusammenfassen“ und „aus historischen Abweichungsdaten die wahrscheinliche Grundursache bestimmen“ sind dasselbe Modell, dieselben Daten und völlig unterschiedliche Beweislasten. Anbieter werden weiterhin das Zweite verkaufen, während ihre Dokumentation nur das Erste trägt. Erwarten Sie, dass diese Lücke in Warnbriefen auftaucht, bevor sie in Leitlinien auftaucht.

Quellen: EMA · PIC/S · Pharmaceutical Technology · FDA

Schrödinger baut Stellen ab — die stille Neubewertung von KI-Plattformen, die tatsächlich Umsatz machen

Was ist neu — Der Layoff-Tracker von BioSpace verzeichnete am 11. August Personalabbau bei Schrödinger und Aura Biosciences und setzte damit eine der langlebigsten Plattformen aus Physik und Machine Learning in der Wirkstoffforschung auf eine Liste, die sie bislang weitgehend gemieden hatte.

Kontext — Auras Kürzungen wurden im Detail offengelegt: 20 % der Belegschaft und ein Umbau der Geschäftsleitung, während sich das Bostoner Biotech unter einer im April eingesetzten CEO auf okuläre Onkologie fokussiert, laut Fierce Biotech. Schrödingers Zahlen waren in den Trackern zum Redaktionsschluss nicht ausgewiesen; wir markieren den Eintrag, nicht die Größenordnung. Weiterer Kontext von BioSpace: Bis zum 11. August meldeten oder planten acht Biopharma-Unternehmen Kürzungen mit 161 Betroffenen — gegenüber 11 Unternehmen und 562 Beschäftigten im selben Zeitraum im August 2025.

Warum es zählt — Schrödinger ist das, was diesem Sektor am nächsten an eine Kontrollgruppe herankommt. Das Unternehmen verkauft Software mit wiederkehrendem Umsatz, veröffentlicht seine Methoden und betreibt computergestützte Chemie für die Pharmaindustrie, lange bevor „TechBio“ ein Wort war. Wenn das Modell Tools-as-Software kürzt, während präklinische Plattformen ohne offengelegte Kandidaten Milliarden einsammeln, urteilt der Markt nicht darüber, ob Rechnen in der Wirkstoffforschung funktioniert. Er urteilt darüber, welches Geschäftsmodell den Wert abschöpft.

Unsere Einschätzung — Es gibt in diesem Feld grob drei tragfähige Modelle: Tools-as-Software, Pipeline-mit-Plattform und reine Partnerschaft. Kapital fließt derzeit am stärksten in das Modell mit der längsten Rückkopplungsschleife und der geringsten kurzfristigen Umsatzverantwortung. Das ist nicht irrational — ein jahrzehntelanger Entwicklungszyklus belohnt Optionalität —, aber es bedeutet, dass ausgerechnet das Segment mit der lesbarsten Ökonomie unter Druck steht. Beobachten Sie, ob Software-zuerst-Plattformen mit eigenem Pipeline-Anteil reagieren. Das wäre das Anzeichen, dass reines Tooling in diesem Zyklus kein Public-Market-Multiple trägt.

Quellen: BioSpace · Fierce Biotech

Nature Medicine veröffentlicht den Bauplan für einen „KI-getriebenen digitalen Organismus“

Was ist neu — Eine am 13. August in Nature Medicine erschienene Perspective schlägt den Bau eines KI-getriebenen digitalen Organismus (AIDO) vor — ein modulares, verbindbares System integrierter multiskaliger Foundation Models von Molekülen über Zellen bis zu ganzen Individuen — als sichere, bezahlbare Hochdurchsatz-Alternative zur Manipulation von Biologie in der physischen Welt.

Offenlegung und Quellenqualität — Dies ist eine Perspective, keine Ergebnisarbeit: ein Visionspapier mit dreistufiger Roadmap, keine Benchmarks. Alle drei Autoren — Le Song, Eran Segal und Eric Xing — erklären ein finanzielles Interesse an GenBio AI, dem Unternehmen, das genau das Beschriebene bauen würde. Die Affiliationen reichen von GenBio AI über MBZUAI und das Weizmann-Institut bis Carnegie Mellon. Die Gutachter sind namentlich genannt (Weidi Xie, James Heath) — mehr Transparenz, als solche Beiträge üblicherweise bieten. Lesen Sie es als gut beleumundetes Prospekt, nicht als Evidenz.

Wie es funktioniert — Die Architektur argumentiert, Biologie sei inhärent multiskalig und Modelle einzelner Modalitäten — hier ein Protein-Sprachmodell, dort ein Modell für Einzelzell-Transkriptomik — könnten skalenübergreifende Kausalität nicht erfassen. AIDO schlägt vor, Foundation Models auf DNA-, RNA-, Protein-, Zell- und Gewebeebene über gemeinsame Repräsentationen zu verbinden, sodass eine auf einer Skala modellierte Störung sich in Vorhersagen auf einer anderen fortpflanzt. Der versprochene Ertrag ist besser geführte Laborarbeit, nicht deren Ersatz.

Warum es zählt — Die virtuelle Zelle ist die meistfinanzierte unbewiesene Idee des Feldes, und dies ist nun ihre zitierfähigste Formulierung in einer klinischen Top-Zeitschrift. Rechnen Sie bis September mit ihr in Pitch Decks. Genau deshalb zählt die Offenlegung: Eine Nature-Medicine-Zitation verleiht ein Beweisgewicht, das ein Visionspapier nicht verdient hat. Wenn ein Partner dies zur Rechtfertigung einer Plattformbewertung anführt, lautet die richtige Rückfrage, welche der drei Roadmap-Stufen abgeschlossen sind — nicht, ob die Vision überzeugt.

Quellen: Nature Medicine

Insilicos CEO will an der Pipeline gemessen werden, nicht an den Biobucks

Was ist neu — In einem am 11. August veröffentlichten Interview mit BioSpace widersprach Alex Zhavoronkov, CEO von Insilico Medicine, den Schlagzeilen-Deal-Volumina und stellte zwei Behauptungen auf, die gegen das meiste stehen, was sein Sektor öffentlich sagt.

Was er sagte — Insilico hat in diesem Jahr milliardenschwere Partnerschaften unter anderem mit Eli Lilly, Takeda, Exelixis und Boehringer Ingelheim geschlossen und betreibt rund 40 Programme nach dem Modell „Partnerschaft ab präklinisch“, ohne die Absicht, ein klinisches oder kommerzielles Unternehmen zu werden. Zhavoronkov nannte nachhaltige Profitabilität als aktuelles Ziel und das Unternehmen dabei „einigermaßen nah dran“, verzichtete aber auf eine Prognose. Zur klinischen Seite wurde er deutlicher: Jedes Start-up, das behaupte, es führe Studien mit KI besser durch als die Pharmaindustrie, rede in seiner Formulierung Unsinn.

Warum es zählt — Insilico ist das einzige Unternehmen auf irgendeiner Liste mit einem begutachteten Phase-IIa-Ergebnis für einen vollständig KI-entdeckten und KI-entworfenen Wirkstoff. Das verleiht dieser Skepsis ein Gewicht, das dieselben Worte von einer präklinischen Plattform nicht hätten. Und die zweite Aussage ist die folgenreichere für die Geschäftsentwicklung: Er zieht eine harte Linie bei der Forschung. KI komprimiert den Weg vom Ziel zum Kandidaten. Sie komprimiert nicht Phase III, und sie ändert nichts an der zugrunde liegenden Biologie von Wirksamkeit und Sicherheit.

Unsere Einschätzung — Das Nützlichste hier ist das Geschäftsmodell-Argument, das sich in der Bescheidenheit versteckt. Partnerschaften ab präklinisch bedeuten, dass Insilico Plattform-Output in Umsatz verwandelt, bevor die teuren Fehlschläge eintreffen — genau so erreicht man Profitabilität in einem Feld, in dem niemand ein zugelassenes Produkt hat. Es bedeutet zugleich, dass die überall zitierten Deal-Summen überwiegend nachgelagerte Meilensteine sind, die größtenteils nie gezahlt werden. Wenn Sie eine neun- oder zehnstellige KI-Partnerschaftsschlagzeile sehen, ist die aussagekräftige Zahl die Vorauszahlung samt kurzfristiger Meilensteine; das ist der Teil, den die technische Prüfung des Pharmapartners tatsächlich unterschrieben hat. Alles danach ist eine Option und entsprechend zu bepreisen.

Quellen: BioSpace

TCS startet ADD AgentHub für klinische Entwicklung und Pharmakovigilanz

Die am 17. August angekündigte Plattform bettet rollenbasierte KI-Agenten in ICSR-Eingang, Dateneingabe, Kodierung, Prüfung und Literaturanalyse ein; TCS beansprucht bis zu 40 % Effizienzgewinn im klinischen Datenmanagement und 30 % Kostenersparnis in der durchgängigen Bearbeitung von Sicherheitsfällen. — Redaktionell: Das sind vom Anbieter gelieferte Zahlen ohne unabhängige Prüfung und ohne genannte Referenzkunden — und man beachte das Timing: eine „auditfähige“ agentische Plattform für Pharmakovigilanz erscheint, während die EMA noch entscheidet, ob generative Modelle überhaupt in die Nähe kritischer GMP gehören. Das Wort „auditfähig“ leistet hier enorm viel unverdiente Arbeit.

Das quelloffene OpenDDE schlägt AlphaFold 3 bei Antikörper–Antigen — und verliert bei Protein–Ligand

Laut technischem Bericht erreicht OpenDDE 0,700 bei Antigen–Antikörper-Komplexen gegenüber 0,488 bei AlphaFold 3 und 0,581 bei ESMFold2, wobei eine unabhängige Replikation auf Tamarind Bio das FoldBench-v1-Ergebnis bestätigt statt widerlegt — beim Protein–Ligand-Co-Folding erreicht es jedoch 0,601 und liegt damit unter AlphaFold 3 mit 0,649. — Redaktionell: Die unabhängige Bestätigung ist die eigentliche Nachricht, angesichts der vielen selbstberichteten AF3-Bestwerte, die unter Prüfung zusammengebrochen sind. Das gespaltene Ergebnis ist das nützlichere Signal — Strukturvorhersage an der Front fragmentiert nach Aufgabe, statt sich auf einen Marktführer zu konsolidieren, womit „bestes Modell“ keine sinnvolle Beschaffungsfrage mehr ist. Fragen Sie, welche Interface-Klasse Sie tatsächlich brauchen.

Aureka schließt 100-Mio.-Dollar-Serie-B für biologische Foundation Models mit Lab-in-the-Loop-Architektur

Die Runde vom 10. August wurde in einer ersten Tranche exklusiv von Granite Asia finanziert, eine Folgetranche führt ein nicht genannter strategischer Investor an; damit kommt das in Laguna Hills und Shanghai ansässige Unternehmen seit der Gründung 2023 auf knapp 200 Mio. Dollar. — Redaktionell: Interessant ist die architektonische Behauptung — Aureka platziert seine Experimentalplattform innerhalb der Trainingspipeline des Modells statt nachgelagert als Validierungspunkt. Das ist eine echte Wette darauf, dass die Datenerzeugung und nicht die Modellarchitektur der begrenzende Faktor ist. Der Kapitalverlauf ist eine andere Frage: zwei Jahre bis 200 Mio. Dollar liegen mehrere Runden hinter dem, was Xaira in derselben Kategorie schon zum Start einsammelte.

Beratung kündigt KI-Zone auf Messe an und stuft sie umgehend als kritische GMP-Infrastruktur ein

GENF — Die globale Life-Sciences-Beratung Cartwright Pemberton stellte diese Woche ihr Vorzeigeangebot für 2026 vor: eine eigene KI-Zone auf einer Branchenmesse, die das Unternehmen intern als geschäftskritischen Bestandteil des pharmazeutischen Qualitätssystems eingestuft hat.

„Die KI-Zone umfasst 400 Quadratmeter mit einer Kaffeestation“, sagte ein Sprecher des Hauses, der um Anonymität bat, weil der Konfidenzwert der KI-Zone für diese Aussage „unentschieden“ zurückgegeben hatte. „Wir haben vollständige Änderungskontrolle angewandt. Wenn jemand die Stehtische verschiebt, protokollieren wir das.“

Die Ankündigung erscheint zusammen mit Cartwright Pembertons neuester Marktprognose, die den Sektor KI in der Wirkstoffforschung von einer Zahl auf eine größere Zahl über einen Zeitraum von Jahren wachsen sieht, bei einer jährlichen Wachstumsrate, die das Haus als „diejenige, mit der die Kurve schön nach oben ging“ beschrieb. Der Methodikteil besteht aus einem QR-Code, der auf die Buchungsseite des Hauses führt.

Das Kernergebnis der Prognose — dass die Leitstrukturoptimierung rund die Hälfte des Marktes ausmache — wurde Berichten zufolge ermittelt, indem man ein großes Sprachmodell fragte, welcher Prozentsatz plausibel klinge, und dann rundete.

An anderer Stelle im Bericht identifizierte Cartwright Pemberton ein kritisches aufkommendes Risiko in der Arzneimittelherstellung: Coding-Agenten, die still und leise Anlagensoftware unter Berechtigungen verändern, die niemand überwacht. Das Risiko sei schwerwiegend und systemisch und lasse sich am besten durch den Erwerb des neuen AI Governance Readiness Accelerator des Hauses adressieren — ein zwölfwöchiges Projekt, in dem Beratende Coding-Agenten einsetzen, um Anlagensoftware unter Berechtigungen zu verändern, die niemand überwacht.

Auf die Frage, ob eines der eigenen KI-Deployments gegen einen definierten Anwendungsfall, eine definierte Systemversion und eine namentlich verantwortliche Person qualifiziert worden sei, bestätigte das Haus, alle Mitarbeitenden hätten das verpflichtende 40-minütige E-Learning-Modul absolviert und seien daher, in der Terminologie des Hauses, „KI-zertifiziert“.

Das Zertifikat nennt nicht, wofür.

Cartwright Pemberton kündigte außerdem an, im nächsten Quartal einen Bericht darüber zu veröffentlichen, warum 95 % der KI-Pilotprojekte in Unternehmen keine messbare Wirkung erzielen. Der Bericht wird von einem KI-Pilotprojekt erstellt.

Worauf wir achten

Konkret erwarten wir: mindestens einen weiteren FDA-Warnbrief oder eine Form 483, die KI-erzeugte Inhalte in GMP-Dokumentation beanstandet, vor Ende Q1 2027 — und, folgenreicher, mindestens eine, die ein agentisches oder LLM-basiertes System nach seiner Funktion benennt, statt „KI“ als undifferenzierte Kategorie zu behandeln. Das frühe Bestätigungssignal ist enger und sollte früher sichtbar sein: Beobachten Sie die Warnbrief-Datenbank der FDA auf eine Beanstandung nach 21 CFR 211.22(c) oder 211.100, bei der die Inspektionsfeststellung beschreibt, wer den Output nach welchen Kriterien geprüft hat, statt nur festzuhalten, dass KI im Spiel war. Diese Verschiebung in der Formulierung würde zeigen, dass die Inspektoren von „KI war beteiligt“ zu „die menschliche Kontrollebene war für diese konkrete Delegation unzureichend“ gewechselt sind — und das ist der Rahmen, gegen den die Industrie dann bauen muss, unabhängig davon, was die EMA in Q4 veröffentlicht.

Was uns widerlegen würde: Die EMA finalisiert Annex 22 fristgerecht mit einem praktikablen risikobasierten Pfad für generative Modelle, die FDA harmonisiert sich darauf, und die Durchsetzung bleibt bis Q1 2027 still — was nahelegen würde, dass der Brief vom April 2026 ein isoliertes Versagen einer Qualitätseinheit bei einem kleinen Hersteller war und nicht die Vorderkante eines Musters. Wir lägen ebenso falsch, wenn die nächsten Beanstandungen in Forschung oder Klinik statt in der Herstellung landen; unsere ganze These lautet, dass GMP der Ort ist, an dem KI-Verantwortung zuerst geprüft wird — weil es der einzige Teil der Wertschöpfungskette mit einem fünfzig Jahre alten Apparat ist, um einem variablen Prozess eine Unterschrift zuzuordnen.

Ebenfalls diese Woche

• Novo Nordisk macht AWS zum bevorzugten Cloud- und KI-Partner und eröffnet einen Innovationshub in London — Fierce Biotech
• Mit Rückendeckung aus der Tech-Branche zwingen KI-Biotechs die Pharmaindustrie zur „Fail-fast“-Entwicklung — BioSpace
• Stanford und das Arc Institute veröffentlichen die ersten generativ per KI entworfenen funktionsfähigen Virusgenome — Science / Arc Institute
• Das ROI-Problem der Pharma-KI ist kein Technikproblem — es ist ein Qualifikationsproblem — Pharmaceutical Technology
• Das eigentliche KI-Risiko in der Herstellung sind Coding-Agenten, nicht generative Wirkstoffforschung — Pharmaceutical Technology
• ICON schließt eine Partnerschaft mit Anthropic, um Claude in klinischen Studien einzusetzen — Fierce Biotech
• Gemeinsame Fehlschläge mit KI zu bewerten ist zentral für die Entwicklung der Zell- und Gentherapie — BioSpace
• Markt für KI in der Wirkstoffforschung soll bis 2035 auf 25,0 Mrd. Dollar wachsen — ResearchAndMarkets (kostenpflichtige Marktforschung)
• CPHI Mailand ergänzt die Agenda 2026 um Zonen für KI, Kühlkette und Kennzeichnung — Pharmaceutical Technology

Offenlegung

Anthropic wird in der Linksammlung dieser Ausgabe erwähnt. Claude, der KI-Assistent von Anthropic, wird bei Recherche und Entwurf dieses Newsletters eingesetzt.