Agentische KI in der Arzneimittelentwicklung: Hype oder Realität?

In den meisten der vergangenen drei Jahre war das Engagement der Pharmaindustrie mit künstlicher Intelligenz von einer relativ vertrauten Werkzeugkategorie geprägt: große Sprachmodelle, die Fragen beantworten, Dokumente zusammenfassen, Texte generieren und auf menschliche Eingaben reagieren. Nützlich, sicherlich. In einigen operativen Kontexten transformativ. Aber im Kern reaktiv – sie warten darauf, gefragt zu werden, liefern ein Ergebnis und hören dann auf.

Agentische KI ist etwas Bedeutend anderes. Ein agentisches KI-System wartet nicht auf Eingaben. Es denkt nach, plant und führt autonom komplexe mehrstufige Arbeitsabläufe zur Erreichung eines definierten Ziels aus, mit minimaler direkter menschlicher Intervention in jedem Schritt. 

Es kann ein Experiment vorschlagen, das Ergebnis bewerten, die Hypothese überarbeiten, den nächsten Test auswählen und iterieren, in einer kontinuierlichen, selbststeuernden Schleife. Für die Entwicklung von Arzneimitteln, ein Bereich, der durch mehrjährige, Milliarden-Dollar-Entwicklungsabläufe definiert ist, die mit Raten von über 90% scheitern, ist dies kein inkrementelles Upgrade. Es ist eine potenzielle strukturelle Disruption.

Die Frage, mit der sich die Branche wirklich beschäftigt, ist nicht, ob agentische KI existiert – das tut sie unzweifelhaft. Die Frage ist, ob sie in der Arzneimittelentwicklung echte, reproduzierbare Ergebnisse liefert, oder ob der aktuelle Moment eine weitere Welle technologischer Begeisterung ist, die der Evidenzbasis vorausläuft. 

Die ehrliche Antwort ist, dass beides gleichzeitig geschieht, auf verschiedenen Ebenen der Entwicklungspipeline, und die Unterscheidung zwischen ihnen für alle, die heute Investitions- oder Adoptionsentscheidungen treffen, enorm wichtig ist.

Was agentische KI in der Arzneimittelentwicklung tatsächlich macht?

Um zu beurteilen, ob agentische KI Hype oder Realität ist, muss man zunächst genau verstehen, was sie tut und wo in der Entwicklungspipeline sie derzeit am sinnvollsten angewendet wird.

Agentische KI-Systeme in der pharmazeutischen Wirkstoffentwicklung operieren typischerweise in einem oder mehreren der folgenden Funktionsmodi:

a) Autonome Ausführung des Design-Make-Test-Analyse (DMTA)-Zyklus — Traditionelle DMTA-Zyklen, die iterativen Schleifen, durch die Wirkstoffchemiker Kandidatenmoleküle entwerfen, herstellen, in Assays testen und Ergebnisse analysieren, um das nächste Design zu informieren, dauern Wochen pro Zyklus. Agentische KI-Plattformen können diesen Zyklus komprimieren, indem sie rechnerische Designmodelle, robotische Syntheseplattformen und automatisierte Assaysysteme zu einer geschlossenen Schleife verbinden, die mit minimalen menschlichen Entscheidungen zwischen den Schritten arbeitet.

b) Zielidentifikation & Validierung — Agentische Systeme analysieren genomische, proteomische und Krankheitswegsdaten, um neuartige therapeutische Ziele zu identifizieren, sie nach Druggability und klinischer Umsetzbarkeit zu bewerten und Hypothesen zur experimentellen Validierung zu generieren — Aufgaben, die zuvor Monate menschlicher Forschungsarbeit erforderten.

c) Gestaltung & Optimierung klinischer Studien — Agentische KI analysiert umfangreiche historische Studiendaten, wissenschaftliche Literatur und Real-World-Evidence, um optimierte Protokolldesigns vorzuschlagen – Auswahlkriterien für Patienten, Endpunktdefinition, Dosierungsschema und adaptive Design-Trigger – mit einem Datenintegrationsniveau, das kein menschliches Team innerhalb desselben Zeitrahmens erreichen kann.

d) Identifikation von Biomarkern — Multimodale KI-Modelle, die auf elektronischen Gesundheitsakten, Pathologiebildern und molekularen Daten trainiert sind, können prädiktive Biomarker zur Patientenstratifizierung in klinischen Studien identifizieren, was eine präzisere Patientenauswahl ermöglicht und die Wahrscheinlichkeit erhöht, Wirksamkeit in der eingeschlossenen Population nachzuweisen.

Jeder dieser Modi beinhaltet ein KI-System, das nicht nur einem menschlichen Entscheidungsträger Informationen liefert. Es ergreift aktiv die ersten Schritte autonom und präsentiert ein verfeinertes, prüfbereites Ergebnis in einer Qualität, für die zuvor Wochen fachlicher Arbeit erforderlich waren.

Die Evidenz: Was hat agentische KI tatsächlich geliefert?

Hier wird die Frage „Hype oder Realität?“ empirisch beantwortbar. Die Evidenz ist real, wächst und ist in einigen Fällen tatsächlich bemerkenswert. Sie konzentriert sich jedoch auch auf die frühen Phasen der Entwicklungspipeline, und eine vorsichtige Bewertung bezüglich Schlussfolgerungen für späte Phasen ist weiterhin geboten.

Im Discovery- und präklinischen Stadium sind die Ergebnisse wirklich beeindruckend und zunehmend gut dokumentiert:

1. Insilico Medicine hat eine Erfolgsquote von 100% berichtet, indem seine von KI nominierte präklinische Kandidaten den Investigational New Drug (IND)-Status erreichten – das bedeutet, dass keiner seiner KI-entworfenen Kandidaten vor dem Erreichen der klinischen Studien abgebrochen wurde. Sein von KI entworfenes Small Molecule für idiopathische Lungenfibrose erreichte Phase-II-Studien in ungefähr zweieinhalb Jahren, eine Zeitspanne, die durch konventionelle Discovery normalerweise fünf oder mehr Jahre dauern würde.

1. Schrödinger verfügt über drei klinische Onkologieprogramme in der klinischen Phase, SGR-1505 (für Lymphome), SGR-2921 (für akute myeloische Leukämie) und SGR-3515 (ein WEE1/MYT1L-Dualinhibitor für solide Tumoren), die alle durch seine physikbasierte Rechenplattform generiert wurden. Frühe Phase-I-Daten sind vielversprechend, wobei SGR-1505 eine starke Zielunterdrückung zeigte und SGR-2921 pharmakologisch relevante Expositionen mit einem handhabbaren Sicherheitsprofil erreichte.

1. Analysen von BioPharm International (2025) berichten, dass von KI entdeckte Moleküle in Phase-I-Studien Erfolgsraten im Bereich von 80–90% erzielt haben, deutlich über den historischen Durchschnittswerten von 40–65%.

1. In der Onkologie erzeugte eine Zusammenarbeit zwischen einem großen Pharmaunternehmen und spezialisierten KI-Anbietern das bislang größte multimodale Onkologie-Foundation-Model, trainiert auf elektronischen Gesundheitsakten, Laborergebnissen und Pathologiebildern, das nun verwendet wird, um die Identifikation von Biomarkern über mehrere Krebsindikationen hinweg zu beschleunigen.

1. Die Quantitative Continuous Scoring (QCS) Computational-Pathologie-Plattform, vorgestellt auf dem ESMO Targeted Anticancer Therapies Congress 2026, verkürzte ihre Entwicklungszeit von geschätzten 2,5 Jahren auf etwa 5,5 Monate durch den Einsatz modernster Frontier-AI-Modelle.

Die Anwendung zur Gestaltung klinischer Studien liefert ebenfalls glaubwürdige Daten. Laut Statista stieg der durchschnittliche Zyklus einer klinischen Studie von Phase I bis zum Abschluss von Phase III zwischen 2020 und 2024 um sieben Monate. 

Agentische KI, angewandt auf Protokolloptimierung, Standortauswahl, Patient:innenrekrutierung und Management adaptiver Designs, wird eingesetzt, um diesen Trend umzukehren; frühe Implementierungen bei Unternehmen wie Owkin, CytoReason und Medable berichten von spürbaren Verkürzungen der Studienvorbereitungszeiten.

Fünf dokumentierte Beispiele dafür, wie KI die Vorhersehbarkeit entlang der Wirkstoffentwicklungskette verbessert. 

→ Lesen: Wie KI die Vorhersagbarkeit in der Arzneimittelentwicklung verbessert: 5 Fallstudien aus der Praxis

Wo der Hype der Realität vorausläuft?

Eine ehrliche und vollständige Bewertung agentischer KI in der Arzneimittelentwicklung erfordert eine klare Benennung der Bereiche, in denen die Begeisterung der Evidenz vorauseilt.

Die bedeutendste Lücke besteht auf der Ebene der späten klinischen Entwicklung. Erfolgsraten in Phase I von 80–90% für durch KI entdeckte Moleküle sind tatsächlich überzeugend, aber der Erfolg in Phase I drehte sich historisch vor allem darum, Sicherheit und anfängliche Verträglichkeit nachzuweisen, nicht die therapeutische Wirksamkeit. 

Die härteren Prüfungen, der Phase-II-Proof-of-Concept und die Bestätigung der Wirksamkeit in Phase III, sind historisch die Bereiche, in denen die meisten Arzneimittel scheitern, und dort ist die Erfolgsbilanz agentischer KI noch zu begrenzt und zu jung, um belastbare Schlussfolgerungen zu ziehen. Das Feld wartet kollektiv noch auf das erste, durch KI entdeckte Molekül, das eine erfolgreiche Phase-III-Studie abschließt und auf dieser Grundlage eine regulatorische Zulassung erhält.

Es gibt auch wichtige strukturelle und Governance-Herausforderungen, die agentische KI nicht von selbst löst und in einigen Fällen aktiv verkomplizieren kann:

1) Regulatorische Akzeptanz agentischer Ergebnisse — Die FDA und die EMA haben noch keine klaren Rahmenbedingungen dafür geschaffen, wie Beiträge agentischer KI zur Wirkstoffforschung und zur Gestaltung klinischer Studien in Regulierungsdossiers dokumentiert, validiert und eingereicht werden sollten. 

Der aufkommende FDA‑Rahmen für die Glaubwürdigkeitsbewertung von KI (Januar 2025, Entwurf der Leitlinie) deckt KI-generierte Daten im Allgemeinen ab, aber agentische Systeme, die Abfolgen autonomer Entscheidungen treffen, stellen Attributions- und Auditierbarkeitsprobleme dar, die punktuelle KI-Modelle nicht aufwerfen.

2) Datenqualität & Halluzinationsrisiko — Agentische KI-Systeme sind nur so zuverlässig wie die Daten, auf denen sie arbeiten, und die Modelle, die diese interpretieren. Im Kontext der Wirkstoffentwicklung kann eine Kaskade autonomer Entscheidungen, die auf einer fehlerhaften Hypothese oder einem schlecht kuratierten Trainingsdatensatz beruht, Fehler über viele Schritte hinweg verstärken, bevor ein menschlicher Prüfer das Problem erkennt.

3) Integrationskomplexität — Die Vernetzung von Computational-Chemistry-Plattformen, robotischen Synthesesystemen, automatisierten Assay-Readern und Datenmanagement-Infrastrukturen zu einer wirklich geschlossenen agentischen Schleife erfordert Technologie- und Dateninteroperabilität, die die meisten pharmazeutischen Organisationen noch nicht erreicht haben.

Die Unternehmen, die die Infrastruktur für das Nächste bauen?

Das deutlichste Zeichen dafür, dass agentische KI in der Wirkstoffentwicklung wirklich Realität und kein Hype ist, ist die Qualität, Glaubwürdigkeit und Größe der Organisationen, die darin investieren. Dies sind keine spekulativen Wetten von Early‑Stage‑Startups auf ungeprüfte Wissenschaft. Es sind große, strategische Verpflichtungen von Unternehmen und Investoren mit direktem, privilegiertem Zugang zu Performance-Daten.

Die Organisationen, die diesen Bereich 2025 und 2026 am aktivsten prägen, umfassen:

1. Recursion Pharmaceuticals / Exscientia (Fusion 2024): bauen eine End-to-End TechBio‑Plattform, die Recursions Phenomics-Datengenerierungs‑Engine mit Exscientias präzisen Small‑Molecule‑Design-Fähigkeiten kombiniert

1. Insilico Medicine — verfolgt einen 2,75‑Milliarden‑$‑Deal mit Eli Lilly, um KI‑entwickelte Arzneimittel auf den Markt zu bringen, mit 115 Millionen $ upfront

1. Isomorphic Labs (Google DeepMind) — wendet AlphaFold‑abgeleitete strukturelle Biologie‑Erkenntnisse auf autonomes Wirkstoffdesign an, mit wegweisenden Partnerschaften mit Eli Lilly und Novartis

1. Owkin — setzt eine spezialisierte Multi-Agenten‑Architektur ein, die Patient:innendaten‑Feedback nutzt, um klinische Studiendesigns und Biomarker‑Identifikation zu optimieren, mit dem expliziten Ziel, eine klinische Erfolgsrate von 50% zu erreichen, mehr als das Fünffache des aktuellen Branchendurchschnitts

1. CytoReason — stellte auf der JPMorgan Healthcare Conference 2026 einen KI‑Agenten vor, der sich auf die Identifikation immunologischer Targets und Patientensegmentierung konzentriert

1. Pistoia Alliance — startete im September 2025 eine eigene Agentic AI Initiative, die Branchengelder einwerben soll, um eine sichere und validierte Einführung agentischer Systeme in der Pharma‑F&E voranzutreiben

Recursion. Insilico. Isomorphic. Die Namen sind vertraut, aber das gesamte Feld ist deutlich breiter.

Hier sind 19 Startups, die bereits die agentische Wirkstoffentdeckungs‑Infrastruktur von morgen aufbauen. 

→ Lesen: 19 Pharma-Startups, die die KI-gestützte Wirkstoffentdeckung prägen

Fazit: Echt, frühzeitig und dabei, seine Glaubwürdigkeit zu verdienen

Agentic AI in der Arzneimittelentwicklung ist weder reiner Hype noch vollständig bewiesene Realität. Es ist etwas nuancierteres und letztlich interessanteres: ein echter technologischer Wendepunkt, der in der Entdeckungs- und frühen klinischen Phase messbare, reproduzierbare Ergebnisse liefert, während seine Auswirkungen in späten Phasen in den nächsten drei bis fünf Jahren durch zunehmende klinische Evidenz noch nachgewiesen und bestätigt werden müssen.

Die Erkenntnisse von Insilico Medicine, Schrödinger, Owkin und dem weiteren Umfeld der KI-gestützten Wirkstoffforschung sprechen deutlich dafür, dass agentische Systeme Zeitpläne tatsächlich verkürzen, Erfolgsraten in frühen Phasen verbessern und Formen multimodaler Datenintegration ermöglichen, die kein menschliches Forschungsteam in vergleichbarer Geschwindigkeit oder Größenordnung nachbilden kann.

Was sie bisher noch nicht erbracht haben, ist eine Zulassung durch die Behörden, die sich direkt und vollständig auf einen agentischen Entdeckungsprozess zurückverfolgen lässt. Diese Zulassung, die kommen wird — und die nach Erwartung der meisten seriösen, gut informierten Beobachter vor 2030 erfolgen dürfte — wird der Moment sein, in dem die Frage „Hype oder Realität?“ endgültig beantwortet ist.

Bis dahin ist die genaueste und nützlichste Antwort: Es ist real genug, um darin zu investieren, und noch früh genug, um es mitzugestalten. Die Organisationen, die jetzt ihre agentischen KI-Fähigkeiten aufbauen, während regulatorische und wissenschaftliche Rahmenbedingungen noch entstehen, werden am besten positioniert sein, Führung zu übernehmen, wenn die vollständige Evidenzbasis schließlich vorliegt.

Häufig gestellte Fragen (FAQs)

1. Was ist Agentic AI in der Arzneimittelentwicklung?

Agentic AI bezeichnet künstliche Intelligenzsysteme, die unabhängig planen, schlussfolgern und mehrere Schritte zur Erreichung eines definierten Ziels ausführen können, statt lediglich auf Benutzereingaben zu reagieren. In der Arzneimittelentwicklung können diese Systeme bei der Versuchsplanung, der Analyse von Ergebnissen, der Generierung neuer Hypothesen und der Empfehlung der nächsten Vorgehensweise mit minimaler menschlicher Intervention unterstützen. Dadurch können Forscher komplexe Arbeitsabläufe automatisieren, die traditionell erheblichen manuellen Aufwand erforderten. In der Folge besitzt Agentic AI das Potenzial, verschiedene Phasen des Wirkstoffentdeckungs- und -entwicklungsprozesses zu beschleunigen.

2. Wie wird Agentic AI in der pharmazeutischen Forschung eingesetzt?

Agentic AI wird in mehreren Phasen der pharmazeutischen Forschung eingesetzt, darunter Zielidentifikation, Wirkstoffdesign, Biomarker-Entdeckung und Optimierung klinischer Studien. Sie kann große Datensätze aus Genomik, Proteomik, wissenschaftlicher Literatur und Patientenakten analysieren, um vielversprechende Wirkstoffkandidaten zu identifizieren und die Forschungseffizienz zu verbessern. Einige Plattformen integrieren sich auch in Laborautomatisierung, um kontinuierliche Design-Make-Test-Analyse-(DMTA)-Zyklen zu unterstützen. Diese Fähigkeiten helfen Forschern, im gesamten Entwicklungsprozess schnellere, datenbasierte Entscheidungen zu treffen.

3) Hat Agentic AI ihren Wert in der Arzneimittelentwicklung bereits bewiesen?

Agentic AI hat vielversprechende Ergebnisse gezeigt, insbesondere in der Entdeckungs- und präklinischen Phase der Arzneimittelentwicklung. Mehrere Pharma- und KI-Unternehmen berichten von schnellerer Molekülidentifikation, kürzeren Entwicklungszeiten und ermutigenden frühen klinischen Ergebnissen durch KI-unterstützte Ansätze. Der Großteil der verfügbaren Evidenz stammt jedoch aus frühen Forschungsphasen, und langfristiger Erfolg bis zu Phase-III-Studien und behördlichen Zulassungen ist bislang begrenzt. Obwohl die Technologie erhebliches Potenzial gezeigt hat, sind mehr klinische Daten erforderlich, bevor ihr vollständiger Einfluss bestätigt werden kann.