GPT-Rosalind, erklärt: Was OpenAIs erstes Life-Sciences-Modell tatsächlich für Pharma-F&E verändert

Die Daten einer britischen Chemikerin, ohne ihr Zutun verwendet, halfen 1953, die Struktur der DNA aufzudecken. Dreiundsiebzig Jahre später wurde das von OpenAI nach ihr benannte Modell gerade in die pharmazeutischen Labors der Welt freigegeben — und es wurde hinter denselben Arten von Toren gebaut, vor denen Rosalind Franklin während ihrer gesamten Karriere ausgeschlossen blieb.

Ein Modell, das nach einer Frau benannt wurde, die ausgeschlossen wurde

Im Mai 1952 machte eine 31-jährige Chemikerin namens Rosalind Franklin in einem Kellerlabor des King's College London ein einzelnes Röntgenbild einer DNA-Faser. Sie bezeichnete es als Foto 51. Das Bild eines Kreuzes aus dunklen Flecken vor hellem Hintergrund war die präziseste Aufnahme der DNA-Struktur, die jemals gemacht worden war.

Einige Monate später wurde das Foto ohne ihre Erlaubnis zwei Forschern in Cambridge gezeigt: James Watson und Francis Crick. Sie sahen es einmal. Aus diesem einzigen Anblick rekonstruierten sie die Doppelhelix. Der daraufhin 1962 verliehene Nobelpreis ging an Watson, Crick und Franklins Kollegen Maurice Wilkins. Franklin war vier Jahre zuvor im Alter von siebenunddreißig Jahren an Eierstockkrebs gestorben, und der Preis wird nicht posthum verliehen. Ihr Name wird in ihren Dankesreden kaum erwähnt.

Am 16. April 2026 veröffentlichte OpenAI sein erstes Reasoning-Modell für die Lebenswissenschaften und benannte es nach ihr. Die Wahl war bewusst. Die Ironie weniger.

GPT-Rosalind ist bei jeder Betrachtung einer der am strengsten abgeschotteten KI-Launches, die die Branche gesehen hat. Es ist nur in den Vereinigten Staaten verfügbar, nur für geprüfte Unternehmenskunden und nur über das, was OpenAI ein Trusted Access Program nennt. Zu den Startpartnern gehören Amgen, Moderna, Novo Nordisk, das Allen Institute, Thermo Fisher Scientific und Dyno Therapeutics. Das Modell ist nach einer Frau benannt, die zu ihren Lebzeiten vor fast jedem wichtigen Tor ausgeschlossen wurde.

Für Pharma-Führende, die aus Indien, aus Europa oder aus jedem Labor zuschauen, das nicht auf dieser Partnerliste steht — die Frage, die dieser Launch aufwirft, ist nicht, was GPT-Rosalind kann. Sondern was es bedeutet, dass OpenAI so sorgfältig entschieden hat, wer es nutzen darf.

Was das Modell tatsächlich ist

Entfernt man das Marketing, ist GPT-Rosalind ein für Biologie feinabgestimmtes Reasoning-Modell.

Diese Unterscheidung ist wichtiger, als sie klingt. GPT-5.4, OpenAIs Flaggschiff-Generalist, ist stark in Programmierung, Schreiben, Analyse und breiter wissenschaftlicher Argumentation. Es kann CRISPR erklären. Es kann nicht mit Zuversicht ein Guide-RNA-Design evaluieren und über dessen erwartete Off-Target-Aktivität begründet urteilen. GPT-Rosalind ist dafür gebaut.

OpenAI war präzise darin, wo das Modell nützlich ist. Frühphasen-Discovery: Zielidentifikation, Zielvalidierung, Mechanismusverständnis, Literatursynthese und "Omics"-Interpretation — die Analyse genomischer, transkriptomischer und proteomischer Datensätze. Nicht Formulierung. Nicht kommerziell. Nicht patientenorientiert. Das Modell lebt in den ersten 24 bis 36 Monaten im Leben eines Medikaments, wenn eine Hypothese noch eine Frage ist.

Es wird über drei Oberflächen bereitgestellt: ChatGPT Enterprise, Codex (OpenAIs Coding-Umgebung, jetzt erweitert mit einem Life Sciences Research Plugin) und die OpenAI API für interne Forschungs-Workflows. SOC 2 Type 2, HIPAA-konform, BAAs verfügbar, rollenbasierte Zugriffskontrollen, kein Training mit Kundendaten. Das Compliance-Gerüst wurde gebaut, bevor das Modell herausgegeben wurde, nicht danach.

Eine technische Klarstellung, weil hier die meisten frühen Berichte falsch lagen: GPT-Rosalind faltet keine Proteine. Es ist ein Orchestrator. Wenn eine 3D-Struktur benötigt wird, wird AlphaFold 3 oder Chai-1 aufgerufen. Wenn eine Sequenzsuche nötig ist, greift es auf eine Datenbank zu. Der Beitrag des Modells ist keine rohe Rechenleistung; es ist ein Urteil darüber, welchen Spezialisten man anfragt und wie man die Antwort liest.

Betrachten Sie es weniger als ein neues Mikroskop und mehr als einen erfahrenen Forschungsmitarbeiter, der weiß, welches Mikroskop zu verwenden ist.

GPT-Rosalind wirft Governance-Fragen auf, die regulierte Pharma-Unternehmen noch lernen zu beantworten.

Der epistemische Vertrag für KI in GxP geht tiefer als die meisten Labore erwarten.

→ Lesen: KI in GxP-Pharma: Der neue epistemische Vertrag | Dr. Ajaz S. Hussain

Was die Benchmarks wirklich aussagen

OpenAI veröffentlichte Zahlen zu drei Evaluierungen. Sie sind es wert, sorgfältig gelesen und mit der Kalibrierung betrachtet zu werden, die erfahrene Forschungsleiter bei jeder vom Anbieter veröffentlichten Bewertung mitbringen.

BixBench ist ein Bioinformatik-Benchmark von Edison Scientific. Er setzt einen KI-Agenten vor ein leeres Jupyter-Notebook und fordert ihn auf, reale computergestützte Biologie durchzuführen — über 53 Analyse-Szenarien und 296 Fragen. GPT-Rosalind erreichte ein Pass@1 von 0,751. GPT-5.4 erreichte 0,732. GPT-5 erreichte 0,728. Grok 4.2 erreichte 0,698. Gemini 3.1 Pro erreichte 0,550.

Zwei Punkte Vorsprung vor dem besten Generalisten sind bedeutend. Es ist kein Generationssprung.

LABBench2 ist der umfassendere Test, etwa 1.900 Aufgaben über elf Forschungsaufgabenfamilien, die Literaturrecherche, Sequenzmanipulation, Protokolldesign und mehr abdecken. GPT-Rosalind übertraf GPT-5.4 in sechs von elf Familien. Die größte Lücke zeigte sich bei CloningQA, dem End-to-End-Design von DNA- und Enzymreagenzien für molekulare Klonierungsprotokolle.

GPT-5.4 gewann immer noch in fünf von elf. Ehrlich gelesen: dies ist ein nützliches Werkzeug, kein abgeschlossenes Produkt.

Die Dyno Therapeutics-Evaluierung ist diejenige, die man ernst nehmen sollte. Dyno verwendete unveröffentlichte, zuvor ungesehene RNA-Sequenzen, also was OpenAI als "uncontaminated" data bezeichnete, das heißt Sequenzen, die das Modell während des Trainings nicht gesehen haben konnte. Bei Sequenz-zu-Funktion-Vorhersagen lagen die besten von zehn Ausgaben des Modells über dem 95. Perzentil menschlicher Experten. Bei der Sequenzgenerierung erreichte es etwa das 84. Perzentil.

Für ein Modell, dem nur Daten vorgelegt wurden, die es nie im Training gesehen hatte, ist ein Rang über 95% der menschlichen Experten das Ergebnis, das, wenn es über größere und vielfältigere Evaluierungen hinweg Bestand hat, verändert, wie ein Early-Discovery-Team seine Zeit einteilt. Das ist kein Benchmark-Sieg. Das ist ein Signal für den Workflow.

Was es tatsächlich im Labor leistet

Die Fähigkeiten konzentrieren sich auf die Bereiche der frühen Entdeckung, die am stärksten durch manuelle Datenarbeit erstickt werden.

Ein Target-Discovery-Team fragt: Ist Protein X ein tragfähiges therapeutisches Ziel bei Krankheit Y? Das Modell nimmt die Frage auf und zieht Belege aus der veröffentlichten Literatur, öffentlichen Genom- und Proteomdatenbanken sowie den internen experimentellen Daten des Teams heran. Es liefert unterstützende Beweise. Es weist auf Widersprüche hin. Es markiert die Lücken. Es generiert konkurrierende Hypothesen, bewertet sie und schlägt Folgeexperimente vor. Es interpretiert Multi-Omics-Ergebnisse. Es verfasst die Art von strukturierter Synthese, die bisher einem leitenden Biologen drei Tage gekostet hat.

Was das von früheren KI-Assistenten unterscheidet, sind zwei Dinge: Werkzeuggestützte Nutzung und Skepsis.

Werkzeuggestützte Nutzung, weil GPT-Rosalind so konzipiert ist, dass es andere Systeme aufruft — Strukturprädiktoren, Sequenz-Suchwerkzeuge, statistische Umgebungen — und deren Ausgaben in sein Reasoning integriert. Es ist der Orchestrator, nicht der Engpass.

Skepsis, weil GPT-Rosalind das erste OpenAI-Modell ist, das darauf trainiert wurde, schwache Hypothesen abzulehnen. Nicht sie abzuschwächen. Nicht dem Nutzer zu helfen, unterstützende Belege zu finden. Sie abzulehnen. Für Pharma-Teams, die Monate damit verloren haben, KI-vorgeschlagene Targets zu verfolgen, die der Laborvalidierung nicht standhielten, könnte diese Kalibrierung sich als die einzelne, wertvollste Änderung überhaupt erweisen.

An diesem Launch gibt es ein separates Element, das in den meisten Berichten übersehen wurde, und das außerhalb der Vereinigten Staaten wichtiger ist als innerhalb. Das Codex Life Sciences Forschungs-Plugin ist frei auf GitHub verfügbar. Es funktioniert mit OpenAIs Mainline-Modellen, z. B. GPT-5.4 und anderen — nicht nur mit GPT-Rosalind. Es verbindet mehr als fünfzig wissenschaftliche Werkzeuge und Datenquellen, die Humangenetik, funktionelle Genomik, Proteinstruktur, Biochemie, klinische Evidenz und die Entdeckung öffentlicher Studien abdecken. Es enthält einen Research Router, der evidenzbasierte Antworten synthetisiert, und Subagenten, die parallel arbeiten, wenn Daten-Lanes unabhängig sind.

Für ein Forschungsteam, das sich nicht für Trusted Access qualifiziert, was auf den größten Teil der Welt zutrifft, deckt das Plugin allein einen beträchtlichen Teil der praktischen Workflow-Gewinne ab. Nicht alle. Die meisten.

The Trusted Access Program — und warum es die eigentliche Geschichte ist

Das Unterscheidende an GPT-Rosalind ist nicht, was das Modell tut. Es ist, wer es verwenden darf.

Um sich für Trusted Access zu qualifizieren, muss eine Organisation drei Bedingungen erfüllen: legitime wissenschaftliche Forschung mit klarem öffentlichem Nutzen; Governance-, Compliance- und Missbrauchsverhütungsmaßnahmen bereits implementiert; Zugriff beschränkt auf genehmigte Nutzer in sicheren, gut verwalteten Umgebungen. Zum Start ist die Berechtigung auf qualifizierte Unternehmenskunden in den Vereinigten Staaten beschränkt. Während der Research Preview wird die Nutzung nicht von den bestehenden OpenAI-Guthaben eines Kunden abgezogen — vorbehaltlich Missbrauchsschutzmaßnahmen.

OpenAI verkauft kein Modell. Es betreibt ein geprüftes Programm. Die Liste der Launch-Partner ist kurz und bewusst gewählt: Amgen, Moderna, Novo Nordisk, Thermo Fisher Scientific, the Allen Institute, Dyno Therapeutics, Oracle, NVIDIA, Benchling, the UCSF School of Pharmacy. Dies sind nicht nur Kunden. Sie bilden die frühe Evidenzbasis dafür, ob dieses Zugriffsmodell skalieren kann.

Lesen Sie genau, dies ist ein bedeutsamer Bruch mit der bisherigen Verteilung von Foundation-Modellen. Ein geprüftes Programm — mit Unternehmens-Governance, keinem Training an Kundendaten und namentlich genannten institutionellen Nutzern — ist für einen CISO oder ein Compliance-Komitee materiell leichter zu verteidigen als eine öffentliche API. Für Pharma-Einkäufer in den USA reduziert die Zugangsbeschränkung das Risiko. Für den Rest der globalen Pharmaindustrie — einschließlich Indiens größter Generikahersteller und dem Großteil der europäischen Forschungsbasis — führt sie jedoch zu einem anderen Risiko: struktureller Ausschluss beim Start.

Der konkurrierende Subtext, wie die Fachpublikation Implicator in ihrer Startberichterstattung formulierte, ist, dass kontrollierter Zugang selbst das Produkt sein könnte. Indem OpenAI einschränkt, wer unter welchen Bedingungen Zugang erhält, tut das Unternehmen etwas, das Anbieter von Foundation-Modellen zuvor nicht getan haben: Governance in einen Burggraben verwandeln.

Die Frage der Biosecurity ist real

Der Grund für die Zugangsbeschränkung ist nicht nur kommerziell. Es geht auch wirklich um Missbrauch.

Biologie ist das, was Biosecurity-Forscher eine Dual-Use-Domäne nennen. Ein Modell, das genomische Daten interpretieren, über Pathogenbiologie nachdenken und molekulare Modifikationen vorschlagen kann, um die Bindungsaffinität zu verbessern, ist per Definition eines, das in den falschen Händen bei der Konstruktion gefährlicher Erreger helfen könnte. Dies ist kein hypothetisches Anliegen. Biosecurity-Forscher haben dies wiederholt hervorgehoben, während sich die auf Biologie abgestimmten KI-Fähigkeiten verbessert haben.

OpenAIs Reaktion kombiniert institutionelle Überprüfung mit technischen Verweigerungen. Sowohl GPT-Rosalind als auch das Codex Life Sciences plugin enthalten fest kodierte Verweigerungen in Bezug auf Vorläufer biologischer Waffen, Gain-of-Function-Arbeiten an Pathogenen und die Synthese kontrollierter Substanzen. Legitime Forschung an gefährlichen Pathogenen bleibt möglich, aber nur durch institutionelle Vereinbarungen, nicht über das offene Plugin.

Für Pharma-Führungskräfte weltweit ist das praktische Signal dieses: Wenn KI in den Life Sciences reift, wird der regulatorische Rahmen darum enger, nicht lockerer. Der AI Act der Europäischen Union, der seit August 2024 in Kraft ist und schrittweise umgesetzt wird, stuft KI-Systeme, die in medizinischen und Life-Sciences-Anwendungen eingesetzt werden, als hochriskant ein und löst verpflichtende Konformitätsbewertungen, Transparenzpflichten und Anforderungen an die menschliche Aufsicht aus. Indische Regulierungsrahmen haben noch nicht nachgezogen, aber die Richtung ist vorgegeben.

Organisationen, die heute beginnen, Governance-Reife rund um den KI-Einsatz in F&E aufzubauen, werden deutlich besser positioniert sein als diejenigen, die warten, bis die Regeln eintreffen.

Was die Partnerlabore tatsächlich tun

Die genannten Launch-Partner geben einen nützlichen Vorgeschmack darauf, wo GPT-Rosalind am intensivsten getestet wird.

Amgen hat seit über einem Jahrzehnt in datengetriebene F&E investiert. Sean Bruich, sein Senior Vice President of Artificial Intelligence and Data, hat die Zusammenarbeit als Möglichkeit dargestellt, fortgeschrittene Fähigkeiten und Werkzeuge anzuwenden, um zu beschleunigen, wie Amgen Medikamente an Patienten liefert. Der entscheidende Punkt ist, ob Amgen das Modell in Zielvalidierungs- und Frühbiologie-Workflows integriert oder es auf Literatursynthese beschränkt. Erstes wäre transformativ. Zweites ist inkrementell.

Moderna ist am offensten in Bezug auf seine KI-Ambitionen. Stéphane Bancel, sein Chief Executive Officer, hat erklärt, dass Moderna bereits GPT-Rosalind nutzt, um komplexe Daten zu synthetisieren und Erkenntnisse in experimentelle Workflows zu übersetzen. Für ein mRNA-Plattformunternehmen liegen die direkten Anwendungen in der schnellen Antigenerkennung, der Codon-Optimierung und dem Design von mRNA-Sequenzen, die alle direkt in den behaupteten Stärken von GPT-Rosalind liegen.

The Allen Institute bietet eine andere Perspektive. Andy Hickl, sein Chief Technology Officer, hat hervorgehoben, was GPT-Rosalind zur Konsistenz und Reproduzierbarkeit in Schritten beiträgt, die traditionell manuell sind, wie das Auffinden von Daten, das Angleichen von Datensätzen, das Strukturieren von Abfragen und mehr, innerhalb eines agentischen Workflows. Das ist die unspektakuläre Mitte des Forschungs-Stacks. Dort summieren sich die Zeitersparnisse tatsächlich.

Novo Nordisk unterzeichnete am 14. April 2026 eine separate, umfassendere strategische Allianz mit OpenAI, nur zwei Tage vor der Ankündigung von GPT-Rosalind, die Anwendungen "from drug discovery to commercial" abdeckt. Dies ist das aufschlussreichere Signal der beiden: ein großes Pharmaunternehmen, das sich verpflichtet, KI nicht in einem einzigen Workflow, sondern über Discovery, Herstellung, Lieferkette und kommerzielle Abläufe hinweg zu verankern. GPT-Rosalind ist ein Bestandteil dieser Architektur, nicht deren Gesamtheit.

Die Nicht-Pharma-Partner sind ebenso aufschlussreich. Thermo Fisher Scientific betreibt die Laborinfrastruktur-Ebene. Benchling stellt das elektronische Laborbuch bereit, das von einem Großteil der Biotech-Industrie genutzt wird. Oracle und NVIDIA bringen Daten und Rechenleistung. Gemeinsam bilden diese das Substrat, in das GPT-Rosalind eingeflochten wird. Das Gesamtbild ist nicht die Bereitstellung eines einzelnen Modells, sondern ein sich herausbildender Stack: Modell, Werkzeuge, Unternehmensinfrastruktur und validierter Zugang, der um das Frühentdeckungsproblem herum zusammengestellt wird.

Was das für die indische Pharmaindustrie und globale Generikahersteller bedeutet

Für Pharma-Leser in Indien und bei den Generika- und Biosimilar-Herstellern weltweit wirft GPT-Rosalind eine strategische Frage mit zwei unterschiedlichen Kanten auf.

Die erste ist die Zugangs-Asymmetrie. Das Trusted Access Program ist zum Start nur in den Vereinigten Staaten verfügbar. Die Startkohorte wird von Markeninnovatoren wie Amgen, Moderna und Novo Nordisk dominiert. Indiens große Generikahersteller, die einen wesentlichen Anteil der in den USA konsumierten Generika liefern, erscheinen derzeit nicht auf einer Partnerliste. Wenn die geografischen und Governance-Einschränkungen bestehen bleiben, während das Programm erweitert wird, werden US-basierte Hersteller, die sich qualifizieren, KI-Fähigkeitsvorteile in Zielidentifikation, Formulierungsdesign und Prior-Art-Analyse anhäufen, die ihre Nicht-US-Konkurrenten über denselben Kanal nicht erreichen können.

DrugPatentWatch stellte in seiner Startanalyse fest, dass zwischen 2026 und 2030 mehr als $236 Milliarden an Markenpharma-Umsatz durch Generika- und Biosimilar-Konkurrenz gefährdet sind. Dasselbe Modell, das einem Innovator hilft, neue Ziele zu finden, kann in anderen Händen die Design-Around-Arbeit beschleunigen, die ihr Patentportfolio auszehrt. Diese Dynamik ist nicht neu. Die Geschwindigkeit, mit der sie jetzt operiert, könnte es sein.

Die zweite Kante ist unmittelbarer umsetzbar. Das Codex Life Sciences research plugin ist kostenlos auf GitHub verfügbar und funktioniert mit OpenAIs Mainline-Modellen. Kein Trusted Access erforderlich. Für indische F&E-, Formulierungs- und Zulassungsteams deckt das Plugin alleine einen bedeutenden Teil der praktischen Workflow-Gewinne ab: Verbindung zu über 50 wissenschaftlichen Datenbanken, Automatisierung der Evidenzsynthese und Reduzierung manueller Übergaben zwischen Literaturrecherche, Datenbanksuche und Analyse. Das Plugin wird indischen Teams nicht alles geben, was Amgen hat. Es wird ihnen deutlich mehr geben als noch vor zwei Monaten.

Die schwierigere Frage ist, was diese Entwicklung für die Struktur der indischen Pharmaindustrie in den nächsten fünf Jahren bedeutet. Indiens Fertigungsmaßstab, regulatorische Erfahrung und Kostenbasis bleiben formidable Vorteile. KI-Fähigkeiten wie Modellzugang, interne Infrastruktur, Governance-Reife und wissenschaftliche Talente mit KI-Kompetenz sind eine aufkommende Achse, auf der die Wettbewerbsposition neu gezeichnet wird. Das Zeitfenster, diese Fähigkeit aufzubauen, ist jetzt. Nicht erst, wenn GPT-Rosalind oder seine Nachfolger allgemein verfügbar werden.

Das Rennen um KI-basierte Arzneimittelentdeckung zeichnet die Wettbewerbsposition global bereits neu.

Eine regional aufgeschlüsselte Übersicht darüber, wer führt und was deren Plattformen tatsächlich leisten.

→ Lesen: Top-AI-Unternehmens in der Wirkstoffentdeckung 2026

Was GPT-Rosalind nicht ist

Eine nüchterne Betrachtung der Markteinführung erfordert, klar zu benennen, was das Modell nicht leistet.

Es ist kein fertiges Produkt. OpenAI bezeichnet es als Research Preview. Das Modell erreichte in fünf von elf LABBench2-Aufgabenfamilien nicht die Leistung von GPT-5.4. Die Zusammensetzung seiner Trainingsdaten wurde nicht im Detail offengelegt. Es besteht eine bedeutende Lücke in einem System für regulierte F&E, wo Reproduzierbarkeit und Provenienz nicht optional sind.

Es ist kein universelles Upgrade. Bei breitem Schließen, Codierung oder nicht-biologischen Aufgaben bleibt GPT-5.4 das stärkere Modell. GPT-Rosalind hat Breite gegen Tiefe eingetauscht.

Es ersetzt keine Laborvalidierung. Das Modell kann eine Hypothese schärfen. Es kann sie nicht testen. Domänenspezifische Halluzinationen, also selbstsichere, aber falsche Behauptungen über eine Wirkstoff-Ziel-Interaktion oder das Verhalten einer Sequenz, können Monate an Laborarbeit verschwenden oder — schlimmer noch — fehlerhaftes Denken in die klinische Planung treiben. Das Trusted Access-Rahmenwerk existiert teilweise, weil Expertinnen und Experten benötigt werden, um Ausgaben zu prüfen und zu validieren.

Es ist kein Strukturvorhersager. Faltungsvorhersagen bleiben die Arbeit von AlphaFold 3, Chai-1 und anderen Spezialisten.

Und für sich genommen ist es kein Beleg dafür, dass KI die Entwicklungszeiten für Medikamente komprimieren wird. Implicator, unter anderen, hat das offen gesagt: Die eigentliche Prüfung von GPT-Rosalind werden nicht Benchmark-Werte sein. Es werden IND-Einreichungen und Investigational New Drug-Anträge sein, die in den nächsten zwei bis drei Jahren aus den Partnerprogrammen hervorgehen. Die Pharmaindustrie hat viele KI-Starts gesehen, denen nur wenige zugelassene Moleküle folgten. Dieses Muster wird sich anhand von Daten halten oder brechen, nicht anhand von Ankündigungen.

Was Pharma-Führungskräfte über 24 bis 36 Monate verfolgen sollten

Für leitende R&D-, Regulatory- und Geschäftsleiter ist die Beobachtungsliste kurz und konkret.

IND-Einreichungen aus den Partnerprogrammen. Amgen, Moderna, the Allen Institute und Novo Nordisk sind die frühen, evidenzbasierten Akteure. Achten Sie auf Moleküle, deren Ursprungsgeschichten ausdrücklich GPT-Rosalind bei der Zielauswahl, Hypothesengenerierung oder Versuchsplanung nennen. Pressemitteilungen werden nicht das Signal sein. Regulatorische Einreichungen werden es sein.

Programmeerweiterung. Beobachten Sie, wann und ob OpenAI Trusted Access über die Vereinigten Staaten hinaus erweitert und zu welchen Bedingungen. Die Behandlung europäischer Bewerber wird insbesondere zeigen, wie der EU AI Act in der Praxis interpretiert wird. Der Zugang für Indien wird verzögert sein. Wie er verzögert wird, wird wichtig sein.

Die nächsten Modelle der Serie. OpenAI hat das deutlich gemacht: GPT-Rosalind ist die erste Veröffentlichung in einer Life‑Sciences-Serie. Nachfolgende Modelle werden vermutlich tiefer in spezifische Teilbereiche vorstoßen, wie Design klinischer Studien, regulatorische Einreichungen und herstellungsrelevante Chemie. Jede Veröffentlichung wird uns mehr darüber verraten, wo die größten Produktivitätsgewinne entstehen.

Die wettbewerbliche Reaktion. Anthropic hat seine eigene Positionierung im Bereich Life Sciences. Isomorphic Labs veröffentlicht weiterhin. Amazon Bio Discovery wurde in derselben Woche wie GPT-Rosalind gestartet. NVIDIA baut spezialisierte Infrastruktur auf. In drei Jahren mag die interessantere Frage nicht sein, ob GPT-Rosalind funktioniert hat, sondern welcher Ansatz — domänentuned Reasoning-Modelle, spezialisierte generative Biologiemodelle oder vertikal integrierte Discovery-Plattformen — die ersten AI-abgeleiteten Moleküle hervorbrachte, die Phase 3 bestanden.

Die Pharma Now-Einschätzung

GPT-Rosalind ist weder der Durchbruch, den einige frühe Berichte suggerierten, noch der Gag, den KI-ermüdete Leserinnen und Leser abtun könnten. Es ist ein ernsthafter, bewusst abgeschotteter, sorgfältig partnerschaftlich angelegter erster Schritt des einflussreichsten Foundation‑Model-Unternehmens der Welt in ein Feld, das sich zwanzig Jahre lang KI-Produktivitätsgewinnen widersetzt hat.

Die unmittelbare Frage für Pharma-R&D‑Leitende ist nicht, ob man begeistert sein sollte. Es ist, ob die Organisation die Infrastruktur, die Governance-Reife und das KI-fluente wissenschaftliche Personal hat, um Werkzeuge wie dieses zu nutzen, wenn der Zugang geöffnet wird. Für indische und andere nicht‑US-Hersteller ist die Frage schärfer: Was in den nächsten achtzehn Monaten mit dem frei verfügbaren Codex-Plugin und den Mainline-Modellen gebaut wird, bestimmt, wie schnell Trusted Access oder seine Nachfolger in eine wettbewerbliche Position übersetzt werden, wenn die geografischen Schranken gelockert werden.

Das Modell ist nach einer Frau benannt, deren Daten ohne Anerkennung genommen wurden, deren Name kaum genannt wurde, als der Preis vergeben wurde, und deren Beitrag zur Entdeckung der DNA-Struktur über lange Zeit zu wenig gewürdigt wurde, weil die institutionellen Schranken der Wissenschaft der Mitte des 20. Jahrhunderts für sie verschlossen waren.

Die Benennung ist in diesem Sinne pointierter, als sie auf den ersten Blick erscheint.

Die nächsten vierundzwanzig Monate werden zeigen, ob die Schranken um KI in der Biologie verantwortungsvoll errichtet werden oder ob sie erneut um die falschen Menschen gezogen werden.

Pharma Now wird weiterhin die Einführung von GPT-Rosalind, die Partnerprogramme und den globalen Zugangspfad verfolgen, während die Research Preview sich entwickelt. Signale aus regulatorischen Einreichungen, nicht aus Pressemitteilungen, werden die wahre Geschichte erzählen.

Quellen und Hinweise

Primär: OpenAI, "Introducing GPT-Rosalind for life sciences research" (16 April 2026); OpenAI Help Center-Dokumentation zu GPT-Rosalind und dem Trusted Access Program.

Sekundär, kreuzverifiziert: FierceBiotech (17 April 2026); VentureBeat; Pharmaphorum; TechTarget; Lab Manager; Euronews; Implicator; DrugPatentWatch (Analysebeiträge zu GPT-Rosalind, Generika und Arzneimittelentwicklung); Nerd Level Tech; AnthemCreation; PitchBook (Januar 2026 Bericht zu KI-Investitionen in die Wirkstoffentdeckung).

Branchenkommentare: Sean Bruich (Amgen), Stéphane Bancel (Moderna), Andy Hickl (Allen Institute), Kimberly Powell (NVIDIA), Sam Altman (OpenAI).

Zitierte Benchmarks — BixBench von Edison Scientific, LABBench2, die Bewertung von Dyno Therapeutics. Zahlen wie von OpenAI beim Start veröffentlicht und von FierceBiotech und VentureBeat bestätigt. Datumsstempel auf das Startfenster April 2026; alle Zahlen sollten vor einer Weiterveröffentlichung gegen aktualisierte OpenAI-Publikationen erneut verifiziert werden.

Hinweis zur Biographie von Rosalind Franklin — Photo 51 wurde im Mai 1952 am King's College London aufgenommen; das Watson–Crick-Papier wurde im Nature, April 1953; der Nobelpreis wurde 1962 verliehen, vier Jahre nach Franklins Tod an Ovarialkarzinom 1958 im Alter von 37 Jahren. Standardbiografische Quellen.