KI in Forschung und Entwicklung: Vom inkrementalen Nutzen zur wissenschaftlichen Revolution

Kurzfassung

Die transformative Kraft von KI liegt nicht in Produktivitätssteigerungen, sondern in der Ermöglichung völlig neuer wissenschaftlicher Durchbrüche – besonders in Forschung und Entwicklung. Microsoft-Vizepräsident David Carmona erklärt, warum R&D das Kernfeld für KI-Innovation ist und wie spezialisierte KI-Agenten Wissenschaftler bei der Bewältigung komplexer Probleme unterstützen. Der entscheidende Punkt: Während KI Millionen von Kandidaten generieren kann, scheitert die Skalierung ohne Strategie, Kultur, Technologie und Regulierung. Führungskräfte müssen den Fokus von kurzfristigen Effizienzgewinnen auf langfristige Durchbrüche verschieben – und dabei Transparenz und menschliche Expertise bewahren.

Personen

• David Carmona
• Matthew DeMello
• Yoshua Bengio

Themen

• KI-gestützte Wirkstoffentdeckung
• Change Management in Unternehmen
• Regulierung und Erklärbarkeit von KI
• R&D-Skalierung

Clarus Lead

KI in Forschung und Entwicklung funktioniert völlig anders als KI in klassischen Produktivitätsprozessen. David Carmona von Microsoft betont: Der echte Wert liegt nicht darin, bisherige Arbeiten schneller zu verrichten, sondern neue Lösungen zu schaffen, die ohne KI unmöglich wären. In der Wirkstoffentdeckung können KI-Systeme zwar Millionen von Molekülkandidaten generieren – weit mehr, als es Laborkapazität auf der Welt gibt –, aber nur eine Handvoll gelangt tatsächlich auf den Markt. Diese massive Filterbewegung erfordert nicht nur Technologie, sondern eine komplette Neugestaltung von Strategie, Kultur und Governance.

Clarus Eigenleistung

• Clarus-Recherche: Der Podcast dokumentiert erstmals die vier konkreten Erfolgsfaktoren für KI-skalierung in R&D direkt von einem Microsoft-Führungskräfte – Strategie, Kultur, Technologie und Regulierung – ein Framework, das über Life Sciences hinausgeht und auf Energie, Materialwissenschaften, Chemie und Fertigung anwendbar ist.

• Einordnung: Das zentrale Paradoxon: Während KI-Hype sich auf Automatisierung und Kostenersparnisse konzentriert, entstehen die tiefgreifendsten Durchbrüche in komplexen, regulierten Bereichen, wo Vertrauen, Nachvollziehbarkeit und menschliche Expertise nicht optional, sondern Voraussetzung sind.

• Konsequenz: Organisationen, die KI-R&D isoliert in Exzellenzzentren pilotieren, werden scheitern. Erfolg erfordert unternehmensweite Kulturveränderung, wo jeder R&D-Mitarbeiter KI beherrschen muss – kombiniert mit zentralisierter Governance für Compliance und Qualitätskontrolle.

Detaillierte Zusammenfassung

Der falsche Fokus: Produktivität statt Durchbruch

Der Grossteil der aktuellen KI-Diskussion kreist um Effizienzgewinne: Wie können Professionelle ihre Arbeit schneller erledigen? Carmona warnt vor dieser Sichtweise für R&D. Die transformative Kraft liegt darin, überhaupt neue Dinge zu entdecken, die ohne KI unmöglich wären. In der Pharmazie und Materialwissenschaft zeigt sich das Paradoxon deutlich: KI-Systeme können Millionen von Wirkstoffkandidaten oder Molekülkombinationen generieren. Doch die Realität ist brutal: Vielleicht zwei bis drei Kandidaten pro Jahr schaffen es in klinische Studien, und noch weniger erreichen den Markt – bei gleichen oder ähnlichen Kosten wie heute.

Diese Diskrepanz macht klar, dass das Problem nicht die Generierung von Ideen ist, sondern die intelligente Filterung, Priorisierung und Validierung durch Simulation, Experimentation und Analyse. Hier greift KI tiefer: Spezialisierte KI-Agenten können hypothesengestützte Screening-Prozesse beschleunigen, Tausende von Experimenten simulieren, bevor echte Laborarbeit beginnt, und Muster in wissenschaftlichen Daten erkennen, die Menschen übersehen würden.

Das end-to-end R&D-Ökosystem: Orchester statt Solo-Pilot

Carmona beschreibt KI nicht als Einzelwerkzeug, sondern als Orchestrator eines gesamten wissenschaftlichen Workflows. Der Prozess:

1. Hypothesengenerierung: KI analysiert wissenschaftliche Literatur und interne Datenbestände, um Verbindungen in komplexen Problemdomänen zu erkennen.
2. Simulation & Experimentation: Spezialisierte Modelle führen virtuelle Tests durch, priorisieren die vielversprechendsten Kandidaten.
3. Analyse & Learning: KI wertet Ergebnisse aus und informiert die nächste Iteration.
4. Mensch im Zentrum: Wissenschaftler steuern, validieren und treffen kritische Entscheidungen, unterstützt durch transparente, nachvollziehbare KI-Empfehlungen.

Dies unterscheidet sich fundamental von Szenarien, in denen einzelne Forscher einen KI-Copiloten nutzen. Hier wird der gesamte R&D-Prozess neu definiert – Workflow, Rollen, Metriken, Governance.

Das Regulierungs-Denkmal: Erklärbarkeit als Fundament

Eines der grössten Lernens von Microsoft Discovery, Microsofts Plattform für KI-gestützte R&D: Black-Box-KI funktioniert in regulierten Industrien nicht. Die FDA, EMA und ähnliche Behörden verlangen nicht nur Ergebnisse, sondern auch vollständige Nachvollziehbarkeit jeder Entscheidung.

Das bedeutet konkret:

• KI-Systeme müssen erklären können, warum sie bestimmte Moleküle, Hypothesen oder Komponenten empfehlen.
• Jeder Schritt muss rückverfolgbar sein: Wer hat entschieden, basierend auf welchen Daten und welchem Modell?
• Menschen müssen aktiv in der Schleife bleiben und die Fähigkeit haben, Entscheidungen zu hinterfragen und zu überschreiben.

Carmona betont: Ohne diese Transparenz ist es praktisch unmöglich, dass Forscher und Regulatoren KI-Empfehlungen vertrauen. Das ist nicht ein Nice-to-Have für Compliance – es ist der Gatingfaktor für Adoption überhaupt.

Vier Säulen für erfolgreiche KI-R&D-Skalierung

Carmona schlägt ein Framework vor, das über einzelne Innovationen hinausgeht:

1. Strategie: Langfristig + kurzfristig balancieren

• Moonshot-Projekte: Investitionen in völlig neue Entdeckungen (z. B. neue Medikamentenklassen).
• Kognitive Augmentation: KI-Tools für Einzelwissenschaftler, um bestehende Kapazität zu nutzen.
• Produktivitätssteigerung: Automatisierung von Routineaufgaben.

Alle drei müssen nebeneinander laufen. Kritisch: Sie müssen verbunden sein. Kurzfristige Projekte sollten zu Moonshots führen; Moonshots sollten in Incremental Wins messbar werden.

2. Kultur: Menschen vor Technologie

Der häufigste Skalierungsfehler: KI wird als technisches Problem gesehen. Tatsächlich ist Culture Change Management die primäre Hürde. Das erfordert:

• Klare Kommunikation: Was ist die angestrebte Zielkultur? (Nicht nur "mehr KI", sondern z. B. "Datengetriebene Hypothesengenerierung", "Experimentelle Mindset", "Fehlertoleranz bei Lernen").
• Breites Upskilling: Jede Rolle im R&D – vom Techniker bis zum Leiter – muss KI-Grundlagen verstehen und KI-Tools anwenden können.
• Empowerment: Teams brauchen die Mittel und Motivation, um am Change teilzunehmen, nicht nur Top-Down-Mandate zu erhalten.

Microsofts Finanzabteilung war ein Leuchtturm: Durch Kombination von Führungs-Buy-in, obligatorischem Training für alle und Bottom-Up-Anwendungsfallentwicklung wurde KI schnell übergreifend integriert.

3. Technologie: Demokratisierung statt Isolierung

Viele Unternehmen bauen ein KI-Zentrum der Exzellenz, das Konzepte pilotiert. Das schlägt fehl. Erforderlich ist stattdessen:

• Breitete Zugang: Jeder R&D-Mitarbeiter sollte einfach auf spezialisierte KI-Tools zugreifen können, ohne Data-Science-Experte zu sein.
• Plattform statt Einzellösung: Eine integrative Infrastruktur, die Multiple Use Cases unterstützt – nicht spezialisierte Tools für einzelne Teams.
• Integration mit Prozessen: Die Technologie muss in bestehende Workflows eingebettet sein, nicht als Zusatz-Layer wirken.

4. Governance & Regulierung: Zentral steuern, dezentral ausführen

Hier liegt die Spannung: Während Execution verteil sein kann, muss Oversight zentral sein:

• Zentralisierte Audit-Struktur: Wie werden KI-Entscheidungen geprüft? Sind sie GxP-konform (Good Practice)?
• Messbare Metriken: Nicht nur "weniger Zeit", sondern "wie viele validierte Kandidaten erreichen Phase II?", "welche Fehlerquoten in Vorhersagen?"
• Compliance-by-Design: Governance muss in die Plattform eingebaut sein, nicht nachgelagert.

Kernaussagen

• KI-Wert in R&D ist nicht inkrementale Effizienz, sondern völlig neue wissenschaftliche Möglichkeiten. Während KI Millionen von Kandidaten generieren kann, ist intelligente Filterung durch Simulation und Analyse das echte Differenzial.

• Spezialisierte KI-Agenten orchestrieren gesamte Workflows: Hypothesengenerierung → Simulation → Experimentation → Analyse, immer mit Menschen im Zentrum.

• Transparenz und Nachvollziehbarkeit sind keine optionalen Compliance-Features – sie sind Voraussetzung für Vertrauen und Adoption in regulierten Branchen.

• Vier Säulen für erfolgreiche Skalierung: Strategie (Moonshots + Inkrement balancieren), Kultur (Upskilling + Empowerment + Kommunikation), Technologie (Demokratisierung + Integration) und Governance (zentrale Audit + messbare Metriken).

• Der grösste Skalierungsfehler: KI-R&D isoliert in Exzellenzzentren zu pilotieren statt unternehmensweite Kultur zu verändern.

Stakeholder & Betroffene

Chancen & Risiken

Handlungsrelevanz

Für R&D-Leiter (nächste 3–6 Monate):

1. Strategie klären: Definiert eure drei KI-Investitionsebenen (Moonshot / kognitive Augmentation / Produktivität). Sind sie verbunden?
2. Kultur-Audit: Welche Kulturattribute braucht ihr für KI-Erfolg? (Data-driven, experimentell, fehlertoleranz) Sind sie heute vorhanden?
3. Quick Wins kommunizieren: Pilotiert 2–3 Anwendungsfälle, die kurzfristige Erfolge zeigen, um Momentum zu bauen.

Für C-Suite / CEO:

1