Institutional Money, Ausgabe 3/2026

PRODUKTE & STRATEGIEN KI in der Pharmabranche 180 3/2026 | institutional-money.com ment and Operations, Research and Development bei Bayer, in einer Publika- tion des Leverkusener Konzerns. Geeignete Kandidaten können schneller identifiziert und Entwicklungsengpässe beseitigt wer- den, um die Zeit bis zur Zulassung zu verkürzen. Konkrete Zahlen nennt Sai Jasti, Senior Vice President und Leiter Data Science andArtificial Intelligence for R&D: „Unser Ziel ist es, mithilfe von KI die Pro- duktivität in Forschung und Entwicklung bis 2030 um 40 Prozent zu steigern.“ Sehr konkret sind die Effizienzgewinne bereits in der Erstellung regulatorischer Dokumente. Diese ist in den vergange- nen Jahren immer aufwendiger geworden. Zugleich sind diese Dokumente wegen ihres hohen Formalisierungsgrads dafür prädestiniert, von KI-Systemen erstellt zu werden. Laut demBeratungsunternehmen Frost & Sullivan berichten Unternehmen von 30 bis 50 Prozent schnelleren Doku- mentenzyklen durch den Einsatz von KI, ohne dass die Qualität der Texte leide. Studien sehen die größten Einsparungen in frühen Stadien wie Zielidentifikation und Wirkstoffoptimierung, während sie in spä- teren Phasen geringer ausfallen. Die Beschleunigung hat unmittelbare Aus- wirkungen auf die Wirtschaftlichkeit von Projekten. „Der Effekt auf den Kapital- wert kann erheblich sein – in einigen Fällen zwischen zehn und 40 Prozent“, sagt Michielssens. Mehr Effizienz, aber nicht automatisch mehr Rendite Doch genau hier endet die einfache Glei- chung. Denn höhere Effizienz führt nicht automatisch zu höheren Renditen. Der Grund ist der Wettbewerb. Wenn KI dazu führt, dass mehrWirkstoffe entwickelt wer- den, vergrößert sich das Angebot. In vielen Therapiegebieten könnte das den Preis- druck erhöhen und die Margen drücken. Michielssens: „Wenn mehr Medikamente durch die Entwicklung kommen, kann das auch mehr Konkurrenz bedeuten.“ Hinzu kommen erhebliche Investitio­ nen für die Einführung von KI – in Dateninfrastruktur, IT-Systeme und quali- fiziertes Personal. Nicht jedes Unternehmen wird in der Lage sein, diese Investitionen effizient umzusetzen. Die McKinsey-Studie deutet darauf hin, dass der Weg von Pilotprojekten zu mess- barem finanziellem Nutzen anspruchsvoll bleibt. Der größte Nutzen von KI entsteht oft nicht durch einzelne Durchbrüche, son- dern durch viele kleine Effizienzgewinne entlang der Prozesse. Für eine beispielhafte Pharmafirma sieht sie ein Potenzial für 1,2 bis 2,3 Prozentpunkte mehr EBITDA in fünf Jahren, das sich auf F&E, Herstellung, Verwaltung und Vertrieb verteilt. Während in anderen Branchen häufig Technologieanbieter im Mittelpunkt ste- hen, liegt der Wettbewerbsvorteil in der Pharmaindustrie eher bei den Anwendern. Entscheidend ist, wie gut die Unternehmen KI in ihre bestehenden Prozesse integrie- ren und wie konsequent sie die daraus gewonnenen Erkenntnisse nutzen. „Die wahrscheinlichen Gewinner sind nicht reine KI-Unternehmen, sondern Pharma- und Biotechfirmen, die diese Werkzeuge effektiv nutzen“, sagtMichielssens. Umfang- Zeit- und Kostenaufwand Traditionelle Medikamententwicklung Zeitverkürzung in der Arzneimittelentwicklung Potenziale durch Einsatz von KI Die Entwicklung eines Medikaments von der ersten Forschung bis zur Zulassung dauert laut BCG typischerweise mehr als 15 Jahre und kostet mehr als zwei Milliarden Dollar. Quelle: Boston Consulting Group, Biotech-Report 2024 Laut der KI-Plattform AllAboutAI lassen sich die Prozesse in den verschiedenen Phasen der Arzneimittelentwicklung um etwa 25 bis 70 Prozent verkürzen. Quelle: AllAboutAI | www.allaboutai.com Kosten Forschung Klinische Entwicklung und Zulassung Herstellung % der F&E-Kosten (US-Dollar 2,3 Mrd.) pro zugelassenem Medikament: Wirkstoffentwicklung Phase I Phase II Phase III Dossiererstellung/ Zulassungsverfahren Präklinische Entwicklung Zeit (Jahre) Anzahl Moleküle 0 10,9 14,2 3 5 7,3 15,5 5.000-10.000 Moleküle 250 Moleküle 8 Moleküle 4 Moleküle 1,2 Moleküle 1 zugelassenes Medikament Zielidentifikation Zielidentifikation Zeitersparnis bei der Identifikation von Zielstrukturen 70 % Reduktion (2–3 Jahre → 6–12 Monate) Leitstruktur-Optimierung 50 % Reduktion (2–4 Jahre → 1–2 Jahre) Design klinischer Studien 30 % Reduktion (3–6 Jahre → 2–4 Jahre) Präklinische Tests 25 % Reduktion durch verbesserte Patientenselektion Leitstruktur- Optimierung Zeitersparnis bei der Optimierung von Wirkstoffkandidaten Präklinische Tests Zeitersparnis in der präklinischen Testphase Klinisches Studiendesign Zeitersparnis bei der Planung klinischerStudien 70% 50% 30% 25%