Die Entwicklung neuer Arzneimittel gehört zu den aufwendigsten Prozessen in der Forschung. Sie dauert lange, kostet enorme Ressourcen und endet häufig ohne marktfähiges Ergebnis. Rund 90 Prozent der Entwicklungsvorhaben bleiben erfolglos. Genau hier setzen KI-Systeme an: Sie sollen Muster in Daten erkennen, Wirkstoffe schneller identifizieren und Entwicklungszeiten verkürzen.
Mehr Rechenleistung für neue Medikamente
Mehrere große Pharmakonzerne investieren inzwischen massiv in KI-Infrastruktur. Eli Lilly arbeitet mit Nvidia daran, einen besonders leistungsstarken Supercomputer für die Branche aufzubauen. Dabei sollen moderne GPU-Technologien zum Einsatz kommen, um KI-gestützte Forschung zu beschleunigen.
Auch Roche baut die Zusammenarbeit mit Nvidia aus und setzt auf mehr als 3.500 Nvidia Blackwell GPUs. Diese Rechenleistung soll pharmazeutische KI-Modelle trainieren und konkrete Wirkstoffentwicklungen an verschiedenen Standorten unterstützen. Damit zeigt sich: KI in der Pharmaindustrie ist längst kein Nebenthema mehr, sondern wird strategisch aufgebaut.
Warum der große Durchbruch noch fehlt
Trotzdem ist die Bilanz bisher gemischt. Einzelne Fortschritte gibt es, aber die erwarteten großen Erfolge in der Arzneimittelforschung sind bislang ausgeblieben. Ein zentrales Problem sind begrenzte wissenschaftliche Trainingsdaten. Medizinische KI-Modelle benötigen hochwertige, belastbare und gut strukturierte Daten – und genau diese sind nicht immer in ausreichender Menge verfügbar.
Hinzu kommen hohe Kosten für KI-gestützte Simulationen. Selbst moderne KI-Systeme können biologische Zusammenhänge nicht einfach vollständig berechnen oder klinische Risiken zuverlässig ausschließen. Deshalb bleibt klassische Forschung weiterhin unverzichtbar.
Das Beispiel Recursion Pharmaceuticals zeigt diese Spannung sehr deutlich. Das Unternehmen trainiert KI-Modelle unter anderem mit Zellbildern, um Krankheitsursachen besser zu verstehen und die Misserfolgsquote in der Wirkstoffforschung zu senken. Es gab bereits Fortschritte, etwa bei der verkürzten Entwicklung eines experimentellen Krebsmedikaments. Ein KI-basiertes Medikament auf dem Markt konnte das Unternehmen bisher aber nicht vorweisen.
Erste konkrete Signale aus Japan
Interessant sind die Entwicklungen bei japanischen Pharmakonzernen. Astellas soll KI genutzt haben, um Setidegrasib zu optimieren, ein Medikament gegen Bauchspeicheldrüsenkrebs, das sich in einer späten klinischen Studienphase befindet.
Takeda wiederum hat ein Medikament gegen Schuppenflechte erfolgreich klinisch getestet und plant 2026 die Zulassung bei der FDA zu beantragen. Der Wirkstoff wurde vom US-Unternehmen Nimbus Therapeutics mithilfe von KI entdeckt und später an Takeda verkauft. Solche Beispiele zeigen, dass KI nicht nur theoretisch interessant ist, sondern zunehmend in realen Entwicklungsprozessen ankommt.
Auch Tech-Konzerne treiben das Thema voran
Neben Pharmaunternehmen mischen auch große Technologiekonzerne mit. Googles DeepMind hat mit AlphaFold ein System entwickelt, das Proteinstrukturen vorhersagen kann. Solche Vorhersagen können für die Entwicklung neuer Arzneien sehr wertvoll sein.
OpenAI hat mit GPT-Rosalind ebenfalls ein Modell vorgestellt, das auf Biologie, Wirkstoffentdeckung und die Übertragung von Forschungsergebnissen in die Gesundheitsversorgung ausgerichtet ist. Damit wird deutlich: Die Verbindung aus KI, Biologie und Medizin wird in den kommenden Jahren weiter an Bedeutung gewinnen.