Anthropic hat am 27. Oktober 2026 Einblicke in sechs Kooperationen zur Medikamentenentwicklung veröffentlicht. Die Beispiele zeigen Claude bei wissenschaftlichen Aufgaben und bei der Vorbereitung von Unterlagen. Es sind frühe Ergebnisse der beteiligten Unternehmen, kein Nachweis neuer zugelassener Medikamente. Interessant ist die Arbeitsweise: Das Sprachmodell wird mit Daten und Werkzeugen verbunden, während Menschen Versuche und Ergebnisse prüfen.
Vom Vorschlag zur Messung
Bei BigHat Biosciences arbeiteten Wissenschaftler und ein Anthropic-Forscher mit Claude an zwei Antikörperfragmenten. Das Modell schlug Veränderungen vor; BigHats Labor stellte laut Anthropic in etwa zehn Wochen rund 1’010 Varianten her und testete sie. Die Arbeit betraf unter anderem Bindung, Stabilität und die Neigung von Molekülen, zusammenzuklumpen.
Dabei hinterfragten Claude und der Forscher auch verwendete Messgrössen. Das Team analysierte Rohdaten neu und änderte das Prüfverfahren. Diese Beschreibung stammt aus Anthropics Bericht; die detaillierte BigHat-Auswertung liess sich beim Quellencheck nicht vollständig abrufen.
Aus redaktioneller Sicht ist daran der Rückkopplungsschritt entscheidend. Ein plausibler Vorschlag auf dem Bildschirm bleibt zunächst eine Hypothese. Erst ein geeignetes Experiment liefert Informationen darüber, ob die gewünschte Eigenschaft tatsächlich vorliegt. Ein Lernkreislauf braucht deshalb mehr als viele neue Entwürfe: Er benötigt eine verständliche Fragestellung und eine Messung, die zu dieser Frage passt.
Ein zweites Einsatzfeld: Herstellungsunterlagen
Enveda beschreibt in einem eigenen technischen Bericht den CMC Document Processor, kurz CDP. Das System unterstützt die Prüfung ausgeführter Herstellungsprotokolle. Es verarbeitet Unterlagen zusammen mit Referenzdokumenten und ergänzt Hinweise. Die Quelldokumente bleiben unverändert; entscheidende Handlungen liegen bei menschlichen Prüfern.
Die Untersuchung umfasste vier Protokolle aus einer klinischen Herstellungskampagne mit insgesamt 1’061 gescannten Seiten. Über die untersuchten Läufe hinweg fand CDP alle elf von Menschen gemeldeten handlungsrelevanten Probleme. Ein Lauf ergänzte sieben weitere. Das bedeutet weder, dass jeder einzelne Lauf alles erkannte, noch dass sämtliche Hinweise nützlich waren.
Der Bericht nennt auch Fehlinterpretationen. CDP ist dort ausdrücklich als beratendes Hilfsmittel beschrieben und nicht als validiertes computergestütztes GMP-System. GMP bezeichnet die gute Herstellungspraxis. Die begrenzte Untersuchung erlaubt keine allgemeine Aussage über fehlerfreie Dokumentenprüfung.
Warum das für die KI-Entwicklung zählt
Die beiden Beispiele machen unterschiedliche Anforderungen sichtbar. Im Labor wird ein Vorschlag durch einen physischen Versuch überprüft. Bei Dokumenten geht es darum, eine Aussage auf die richtige Stelle und die passende Referenz zurückzuführen. Eine überzeugend formulierte Antwort genügt in keinem dieser Abläufe als Qualitätsnachweis.
Für die Entwicklung einer Anwendung ergibt sich daraus eine praktische Frage: Woran lässt sich erkennen, dass ein Arbeitsschritt richtig abgeschlossen wurde? Bei einer Dokumentenprüfung könnte ein Hinweis beispielsweise die betroffene Passage, die verwendete Vorgabe und eine verständliche Begründung enthalten. So kann eine verantwortliche Person prüfen, ob der Hinweis trägt. Dieses Beispiel ist eine redaktionelle Ableitung, kein zusätzlich gemessenes Projektergebnis.
Eine übertragbare Idee für kleinere Unternehmen
Ein kleiner Betrieb muss dafür keine Medikamentenforschung betreiben. Als möglicher Pilot eignet sich etwa die interne Vorprüfung von Wartungsunterlagen auf fehlende Angaben. Eine KI könnte Hinweise sammeln; die zuständige Fachperson entscheidet über deren Bedeutung. Der erste Test sollte mit bekannten Beispielen erfolgen, damit übersehene Mängel und unnötige Rückfragen sichtbar werden. Das ist unsere Empfehlung für eine Einführung, keine von den Forschungsprojekten belegte KMU-Anwendung.
Dabei sollten Aufgabenbereich, erlaubte Daten und Freigaben zusammen festgelegt werden. Wer nur die Zeit bis zum ersten Entwurf misst, übersieht möglicherweise die anschliessende Korrekturarbeit. Hilfreicher ist eine Betrachtung des gesamten Vorgangs: Vorbereitung, Kontrolle, Rückfragen und Abschluss. Erst dieser Vergleich zeigt, ob die Unterstützung im eigenen Betrieb einen nachvollziehbaren Nutzen bringt.
Die veröffentlichten Arbeiten zeigen einen konkreten Entwicklungspfad für KI: Modelle werden Teil überprüfbarer Arbeitsabläufe. Wie weit die frühen Resultate tragen, müssen weitere Untersuchungen zeigen. Für Anwendungen bleibt entscheidend, dass Vorschläge, Belege und verantwortliche Entscheidungen miteinander verbunden sind.
Quellen
Anthropic: Early progress on accelerating drug development with Claude, 27.10.2026
https://www.anthropic.com/research/early-progress-drug-development
Enveda: CDP: a language-model system for quality review of executed pharmaceutical batch records, 27.10.2026
https://enveda.com/CMC-Document-Processor/
Geprüft am 4. November 2026.