Anthropic rückt der Wirkstoffforschung näher ── Der Start von Claude Science und das hauseigene Programm markieren einen Wendepunkt

Ankündigungen von KI-Unternehmen lenken die Aufmerksamkeit meist auf die Leistungskennzahlen neuer Modelle. Doch diese Ankündigung von Anthropic enthält kein neues Modell. Stattdessen entstanden zwei Dinge: eine Werkbank für Wissenschaftler und ein hauseigenes Programm zur Suche nach Wirkstoffkandidaten. Das Unternehmen konkurriert nicht mit roher Intelligenz, sondern damit, wie diese Intelligenz eingesetzt wird. Diese organisatorische Entscheidung ist der lesenswerte Punkt.

01Was geschah — Gleichzeitiger Start einer Workbench und eines Wirkstoffforschungsprogramms

Am 1. Juli 2026 brachte Anthropic „Claude Science“ offiziell für Forschende und die Pharmaindustrie auf den Markt. TechCrunch bezeichnete dies als Strategie, sich eher über den Workflow (= den Arbeitsablauf) als über ein neues Modell abzugrenzen. Zugleich berichteten CNBC, Reuters und Endpoints News vom Start eines hauseigenen Programms zur Wirkstoffforschung im Biopharma-Bereich. Am 4. Juli wurde dann berichtet, dass Anthropic einen Einstieg in das Geschäft mit der Arzneimittelentwicklung erwägt (The Verge). Innerhalb weniger Tage traten zwei Schritte nebeneinander auf: die Bereitstellung von Werkzeugen und die Möglichkeit, als direkter Beteiligter einzusteigen. Der Konkurrent OpenAI kündigte im selben Zeitraum „GeneBench-Pro“ an, einen Bewertungs-Benchmark für den Bio- und Wissenschaftsbereich (= ein Maßstab zur Messung der biologischen Fähigkeiten einer KI), und die Wissenschaft wird zum nächsten Hauptschlachtfeld.

02Die Vorgeschichte — Der von Insilico und Moderna geebnete Weg

Dieser Schritt kam nicht aus dem Nichts. Die KI-gestützte Wirkstoffforschung kann bereits auf eine wachsende Erfolgsbilanz verweisen. Rentosertib von Insilico Medicine (ein Firmenname, abgeleitet von „in silico“ (im Computer)) ist eine Behandlung für idiopathische Lungenfibrose (IPF = eine unheilbare Erkrankung, bei der die Lunge allmählich verhärtet), bei der die KI alles von der Suche nach dem Target (= dem Molekül im Körper, auf das der Wirkstoff wirkt) bis zum Design der Kandidatenmoleküle übernommen hat. Sie hat Anfang 2026 die Phase IIa (= die mittlere klinische Studienphase, in der die Wirksamkeit bei Patienten erstmals bestätigt wird) bestanden. Sie gilt als eines der frühen Beispiele für ein Molekül, bei dem die KI von der Suche über das Design bis zu dieser Stufe beteiligt war. Nun tritt sie in die Vorbereitung der Phase III (= der groß angelegten Studie vor der Zulassung) ein. Moderna wiederum arbeitet seit 2024 unternehmensweit mit OpenAI zusammen und gilt als frühes Beispiel für den vollständigen Einsatz von KI in den internen Abläufen. KI, die die Target-Suche übernimmt, und ein Einsatz, der KI in den gesamten Unternehmensbetrieb auflöst — diese beiden Strömungen bilden das Fundament der aktuellen Phase.

03Was die Zahlen darüber zeigen, wo wir stehen, und wie man sie liest

KI-gestützte Wirkstoffforschung ist kein Ausnahmeversuch mehr. Mehr als 173 KI-basierte Kandidaten befinden sich Berichten zufolge in klinischen Studien (wobei zu beachten ist, dass die Definition von „KI-basiert“ — in welcher Phase des Prozesses die KI beteiligt war — nicht einheitlich ist). Die Erfolgsquote in der frühen Phase I (= der ersten Studie, in der ein Arzneimittel erstmals am Menschen angewendet wird) soll 80–90 % erreichen und damit die herkömmlichen rund 52 % übertreffen. Dennoch müssen diese Zahlen sorgfältig gelesen werden. Die für die Auswertung herangezogene Stichprobe ist klein, und das Bild ändert sich je nachdem, welche Phasen verglichen werden. Hinzu kommt, dass die eigentliche Hürde in der Wirkstoffforschung nicht in Phase I liegt, die die Sicherheit prüft, sondern in Phase II, die die Wirksamkeit testet. Es ist plausibel, die Erfolgsbilanz KI-designter Moleküle, die in Phase II die herkömmlichen klar übertreffen, noch als begrenzt anzusehen. Die hohe Erfolgsquote wird nicht nur durch die Designfähigkeit der KI verzerrt, sondern auch durch eine konservative Zielauswahl, die es erleichtert, bereits validierte Targets zu wählen. Der KI-spezifische Beitrag muss davon getrennt werden. Die technische Basis hat sich zweifellos erweitert. AlphaFold3 (eine von Google DeepMind und Isomorphic Labs entwickelte KI zur Vorhersage von Proteinstrukturen) hat die Vorhersage der Bindung zwischen einem Wirkstoff und seinem Target erheblich beschleunigt. Auch die Formen der Zusammenarbeit zwischen Unternehmen sind vielfältig. Es gibt Partnerschaften zwischen Unternehmen wie Bayer × Cradle (ein KI-Unternehmen) und Eli Lilly × NVIDIA, und es gibt auch Schritte anderer Art als Partnerschaften, etwa dass Pfizer Boltz, ein als Open Source beschriebenes Modell zur Strukturvorhersage, übernimmt. Im Jahr 2025 übernahm Recursion Exscientia. Diese Konsolidierung liest sich jedoch weniger als Beleg für Dynamik denn als Branchenumstrukturierung und Rettungsaktion angesichts klinischer Misserfolge und Finanzierungsschwierigkeiten. Sie kann auch als Zeichen dafür gelesen werden, wie schwierig es ist, KI-gestützte Wirkstoffforschung als eigenständiges Geschäft tragfähig zu machen.

04Warum jetzt — Struktureller Druck und der Schritt des Vorstands

Die Pharmaindustrie steht unter starkem Druck. Die Kosten für die Entwicklung eines einzelnen neuen Medikaments sind in 20 Jahren von 1 Mrd. $ auf 2–3 Mrd. $ angeschwollen. Hinzu kommt, dass 2025–2030 mit der Patentklippe (= dem Zeitraum, in dem die Patente führender Medikamente gehäuft auslaufen und die Umsätze stark einbrechen) zusammenfällt. Die Kosten steigen, und die Ertragsbringer gehen verloren. Allerdings kann KI vor allem die Phasen der Wirkstoffsuche und der präklinischen Entwicklung verkürzen. Den Großteil der Entwicklungskosten machen groß angelegte klinische Studien aus, und darauf wirkt KI nicht direkt. Ihr unmittelbarer Effekt auf die Gesamtentwicklungskosten ist daher als begrenzt anzusehen. Hinzu kommt ein Missverhältnis auf der Zeitachse. Ein heute mit KI gefundener Kandidat wird frühestens in der zweiten Hälfte des nächsten Jahrzehnts oder später die Zulassung erreichen und rettet die unmittelbar bevorstehende Klippe von 2025–2030 nicht direkt. Der Kern der Erwartung liegt in der Stärkung der Pipeline der nächsten Generation (= der Gruppe der Medikamente in Entwicklung). Hier überschneidet sich eine eigene Entwicklung bei Anthropic. Im April 2026 wurde Vas Narasimhan, CEO von Novartis (von Haus aus Arzt, an der Entwicklung von mehr als 35 neuen Medikamenten beteiligt), Mitglied des Verwaltungsrats von Anthropic. Das ernennende Gremium war der Long-Term Benefit Trust (LTBT = Anthropics eigenes Aufsichtsgremium, das den langfristigen Nutzen für die Menschheit über die Interessen der Aktionäre stellt). Dieser Trust besitzt das Recht, Verwaltungsratsmitglieder zu nominieren, und mit dieser Ernennung überstieg die vom Trust nominierte Seite die Mehrheit im Verwaltungsrat. Eine ausführliche Berichterstattung überlassen wir einem früheren Bericht (/journal/novartis-anthropic-board.html), doch die Bedeutung, einen Beteiligten der Wirkstoffforschung in den Kern der Governance-Struktur einzubinden, ist nicht gering.

05Wie man Anthropics Strategie liest

Ab hier folgt die Interpretation. Erstens scheint Anthropic sich nicht über die Leistung eines neuen Modells, sondern über den Workflow differenzieren zu wollen. Dass Claude Science ohne ein neues Modell erschien, ist wahrscheinlich die Entscheidung, eher dadurch zu gewinnen, wie gut es sich in den Forschungsalltag einfügt, als durch den absoluten Wert der Intelligenz. Allzweckmodelle landen tendenziell auf demselben Niveau wie die der Konkurrenz, doch eine Workbench, die eng an die Forschungsarbeit gekoppelt ist, erzeugt Wechselkosten und schafft Kundenbindung. Zweitens lässt sich der Start des hauseigenen Programms zur Wirkstoffforschung als Schritt vom Werkzeuganbieter hin zum Teilnehmer an der Wirkstoffentwicklung deuten. Wenn man nur Werkzeuge verkauft, gehören die Ergebnisse dem Kunden, und der Beitrag der KI ist schwer zu erkennen. Indem das Unternehmen selbst Kandidaten hervorbringt, kann es als eigene Erfolgsbilanz zeigen, wie weit KI gehen kann. Das Geschäft der Arzneimittelentwicklung selbst wird jedoch lediglich als „in Erwägung“ berichtet. Auch dies lässt sich als Zeichen lesen, dass Anthropic selbst abschätzt, in welchem Abstand es mit seinen Pharmakunden konkurrieren könnte. Drittens kann die Nominierung von Narasimhan durch den LTBT als Vorarbeit gesehen werden, die diese Richtung von der Governance-Seite her stützt. Dass ein Trust, der den langfristigen Nutzen über die Interessen der Aktionäre stellt, jemanden mit Erfahrung in der Wirkstoffforschung in das Board setzt, ist eine Struktur, die es erleichtert, die Entwicklung neuer Arzneimittel eher als Nutzen für die Menschheit denn als kurzfristigen Umsatz zu vertreten. Zur Designphilosophie der gesamten Produktlinie siehe auch den früheren Bericht (/journal/claude-science-pharma-future.html).

06Folgen für die Pharmaindustrie und die Praxis vor Ort

Mit Blick auf die Zukunft wird die Grenze zwischen denen, die KI besitzen, und denen, die Arzneimittel besitzen, voraussichtlich weiter verschwimmen. Wenn sich der Weg von der Partnerschaft hin zur direkten Beteiligung fortsetzt, wird ein KI-Unternehmen für Pharmaunternehmen sowohl zum Anbieter von Werkzeugen als auch zu einem potenziellen Wettbewerber. In dieser Phase wird sich die Pharmaseite meiner Einschätzung nach zunächst auf mehrere praktische Fragen einstellen. Die erste ist die Inhaberschaft am IP (= geistiges Eigentum). Wem die Rechte an von KI erzeugten Molekülen gehören und was mit der Hoheit über die für das Training verwendeten Daten geschieht, sind Bereiche, in denen Verträge und Institutionen noch nicht ausgereift sind. Die zweite ist die Haltung der Aufsichtsbehörden. Wie die FDA (US-amerikanische Arzneimittelbehörde) und die PMDA (Japans Agentur für Arzneimittel und Medizinprodukte) KI-gestützte Entwicklung bewerten werden, ist noch nicht entschieden. Die dritte ist eine Abkühlung beim Datenaustausch, die entsteht, wenn KI-Unternehmen zu Wettbewerbern werden. Detaillierte Zahlen sind in einem früheren Bericht zusammengestellt (/journal/ai-drug-discovery-2026.html). Solche Veränderungen erreichen auch die Arbeit an der Basis. Bei der Materialprüfung (= der Aufgabe, zu bestätigen, dass Werbematerialien den Vorschriften entsprechen) sind neue Urteile darüber erforderlich, wie die Evidenzdaten und der Designprozess, an denen KI beteiligt war, zu überprüfen sind und wie viel dokumentiert werden darf. Im Bereich Medical (= der Abteilung, die für die Bereitstellung medizinischer Informationen zuständig ist) wächst die Verantwortung, Fachkräften im Gesundheitswesen den Wirkmechanismus und die Studienergebnisse von KI-abgeleiteten Wirkstoffkandidaten korrekt zu vermitteln. Im Bereich Arzneimittelsicherheit (= der Überwachung von Nebenwirkungen) wird der Blick dafür, ob sich ein von KI entworfenes Arzneimittel auf unerwartete Weise verhält, umso mehr gefragt sein. Je intelligenter das Werkzeug wird, desto weniger wird die Verifizierungsverantwortung der Menschen, die damit umgehen, leichter. Eher wird sie schwerer. Darin liegt, so glaube ich, der Kern dessen, wie die Basis die KI-Wirkstoffforschung in der neuen Ära aufnehmen sollte.