Markt für künstliche Intelligenz in der Wirkstoffforschung Größe und Anteil 2026-2035

Marktgröße für künstliche Intelligenz in der Wirkstoffforschung

Der Markt für künstliche Intelligenz in der Wirkstoffforschung wurde 2025 mit 3,1 Milliarden USD bewertet, dürfte 2026 4 Milliarden USD erreichen und den Prognosen zufolge bis 2035 bei einer CAGR von 30,5 % im Zeitraum 2026–2035 auf 43,9 Milliarden USD anwachsen.

Die Ausweitung spiegelt eine Veränderung beim Einsatz computergestützter Methoden wider: KI wird zunehmend über isolierte virtuelle Screenings hinaus in die integrierte Identifizierung von Zielstrukturen, das molekulare Design, die Eigenschaftsvorhersage und die präklinische Entscheidungsunterstützung eingebunden.

Die Wirtschaftlichkeit bleibt ein zentraler Faktor für die Einführung. Die pharmazeutische Forschung und Entwicklung muss einen langen Entwicklungszyklus und erhebliche Ausfallquoten bewältigen, bevor ein Produkt die Zulassung erreicht. ^{[1]Congressional Budget Office, Research and Development in the Pharmaceutical Industry, 2021, cbo.gov} Eine Bewertung aus dem Jahr 2024 bezifferte die Kosten für die Markteinführung eines neuartigen Wirkstoffs unter Einbeziehung von Fehlschlägen und Kapitalkosten auf mehr als 3,5 Milliarden USD. KI-Plattformen beseitigen klinische Risiken nicht, können die experimentelle Arbeit jedoch auf Kandidaten mit voraussichtlich besseren Bindungs-, Entwicklungs- oder Sicherheitseigenschaften konzentrieren. Der kommerzielle Wert liegt daher weniger im Ersatz der Laborforschung als in der Konzentration der Laborkapazitäten auf eine kleinere und besser priorisierte Auswahl an Hypothesen.

Technische Fortschritte haben die Argumente für den Einsatz von KI in früheren Phasen der Wirkstoffforschung gestärkt. AlphaFold 3 erweiterte die Strukturvorhersage auf Interaktionen zwischen Proteinen, kleinen Molekülen, Nukleinsäuren und Antikörpern und bietet damit eine bessere Grundlage für strukturorientiertes Design als die ausschließliche Modellierung von Proteinen. ^{[2]National Institutes of Health PubMed Central, AlphaFold 3: Transformative Advances in Drug Discovery, 2024, pmc.ncbi.nlm.nih.gov} Auch klinische Nachweise beginnen, die zugrunde liegende These zu prüfen. Insilico Medicine meldete 2025 Ergebnisse der Phase IIa für Rentosertib bei idiopathischer Lungenfibrose und verknüpfte damit ein auf generativer KI basierendes Entdeckungsprogramm mit einem in einer peer-reviewten Publikation dokumentierten klinischen Beleg. ^{[3]EurekAlert! / Insilico Medicine, Insilico Medicine announces Nature Medicine publication of Phase IIa results evaluating rentosertib for idiopathic pulmonary fibrosis, June 3, 2025, sciencesources.eurekalert.org} Parallel zu diesen Entwicklungen erreichte die Eigenkapitalfinanzierung für KI in der Wirkstoffforschung 2024 3,8 Milliarden USD, was auf eine anhaltende Kapitalunterstützung für die Plattformentwicklung und den Ausbau der Produktpipeline hindeutet. ^{[4]CB Insights, The AI in Drug R&D Market Map, 2024, cbinsights.com}

Der regulatorische Rahmen wird konkreter, bleibt jedoch anspruchsvoll. Der FDA-Entwurf einer Leitlinie vom Januar 2025 befasst sich mit der Glaubwürdigkeit von KI-Modellen, die zur Unterstützung regulatorischer Entscheidungen über Arzneimittel und biologische Produkte eingesetzt werden; die FDA verwies auf Erfahrungen mit mehr als 500 Einreichungen, die zwischen 2016 und 2023 KI-Komponenten enthielten. ^{[5]U.S. Food and Drug Administration, Center for Drug Evaluation and Research, Artificial Intelligence for Drug Development, January 7, 2025, fda.gov} Dadurch entsteht kein separater Zulassungsweg für Software zur Wirkstoffforschung. Stattdessen gewinnen Rückverfolgbarkeit, Datenherkunft und die Dokumentation der Modellleistung an Bedeutung, wenn aus KI abgeleitete Nachweise in die nachgelagerte Entwicklung und regulatorische Einreichungsunterlagen einfließen.

Software machte 2025 67,9 % des Marktumsatzes aus, während maschinelles Lernen 82,6 % der Technolog Nachfrage repräsentierte. Die fünf führenden Marktteilnehmer hielten zusammen etwa 11,8 % des Marktes, sodass Infrastruktur Anbieter, Spezialisten für computergestützte Chemie, KI-native Unternehmen in der Wirkstoffforschung und krankheitsorientierte Entwickler nebeneinander bestehen können, ohne dass eine einzelne Plattform den Markt kontrolliert.

Finanzierungs- und Regulierungsaktivitäten verstärken diesen Übergang, schaffen ihn jedoch nicht unabhängig davon. Die 3,8 Milliarden USD, die 2024 in die KI-gestützte Forschung und Entwicklung von Arzneimitteln investiert wurden, stellen das erforderliche Kapital für den Aufbau von Datenbeständen und die Weiterentwicklung von Programmen bereit, während der FDA-Leitlinienentwurf signalisiert, dass Nachweise zur Glaubwürdigkeit zunehmend Teil des Betriebsmodells sein werden. Das Wachstum dürfte daher vor allem Anbieter begünstigen, die Modellleistung mit reproduzierbarer experimenteller Validierung, prüfbaren Datensätzen und entwicklungsbereiter Dokumentation verbinden können, statt Anbieter, die isoliert die Generierung von Molekülen anbieten.

Wichtige Wachstumstreiber

Die komplexe Biologie chronischer Erkrankungen erhöht den Wert der computergestützten Priorisierung.

Die weltweite Krebsinzidenz erreichte 2024 20,6 Millionen Neuerkrankungen, und die IARC prognostiziert bis 2050 34,4 Millionen Fälle. Die Onkologie erzeugt ungewöhnlich große und heterogene genomische, molekulare und klinische Datensätze, weist jedoch zugleich ein breites Zielspektrum auf, in dem konventionelle experimentelle Screenings langsam und kostspielig sein können. KI kann Ziele priorisieren, biologische Hypothesen stratifizieren und Kandidatenbibliotheken prüfen, bevor Kampagnen im Nasslabor beginnen. Dies unterstützt die Konzentration der Ausgaben für KI-gestützte Wirkstoffforschung in der Onkologie, auf die 2025 1,4 Milliarden USD entfielen.

Digitalisierte biologische Daten erweitern die nutzbare Grundlage für die Wirkstoffforschung.

Strukturdatenbanken, Sequenzierungsergebnisse, phänotypische Bildgebung, Assayergebnisse und kuratierte wissenschaftliche Literatur liefern Modellen mehr Eingaben, als in konventionellen Workflows der medizinischen Chemie manuell überprüft werden können. AlphaFold 3 ist besonders relevant, weil sein Modellierungsumfang über isolierte Proteine hinaus auf molekulare Wechselwirkungen ausgedehnt wird, die Bindung und Wirkmechanismus beeinflussen. Der Vorteil liegt nicht allein in der Datenmenge. Entscheidend ist die Fähigkeit, ansonsten getrennte Evidenzströme zu einer Ziel- oder Verbindungshypothese zu verknüpfen, die experimentell geprüft werden kann.

Verbesserungen bei Algorithmen und Rechenleistung senken die Kosten fortschrittlicher Modellierung.

NVIDIA veröffentlichte BioNeMo im November 2024 als offenes Framework für Workloads der digitalen Biologie und ermöglichte es Organisationen, biologische Basismodelle auf beschleunigten Infrastrukturen zu trainieren und bereitzustellen. ^{[6]NVIDIA, NVIDIA Opens BioNeMo to Scale Digital Biology for Global Biopharma and Scientific Industry, November 18, 2024, investor.nvidia.com} Übersetztes HTML:Schnellere Inferenz und leichter zugängliche Tools für die Modellentwicklung erweitern die adressierbare Kundenbasis über Organisationen hinaus, die dedizierte interne Hochleistungsrechenumgebungen unterhalten. Dadurch verlagert sich die Wettbewerbsfrage vom Zugang zu Rechenkapazitäten hin zur Qualität proprietärer Daten, wissenschaftlicher Workflows und Validierungskapazitäten.

Allianzen zwischen Technologie- und Pharmaunternehmen wandeln Plattformkapazitäten in vertraglich gesicherte Nachfrage um.

Isomorphic Labs gab im Januar 2024 eine Zusammenarbeit mit Novartis zur Entdeckung mehrerer Targets bekannt, und BenevolentAI berichtete im Juni 2024 über weitere Fortschritte bei Targets im Rahmen seiner Zusammenarbeit mit AstraZeneca. Diese Vereinbarungen zeigen, wie Pharmaunternehmen Zugang zu KI-Kapazitäten erhalten können, ohne jedes Modell, jede Datenpipeline und jedes wissenschaftliche Team intern aufbauen zu müssen. Zudem machen sie Meilensteine, Forschungszahlungen und Folgeprogramme zu wichtigen Umsatzmechanismen für Plattformanbieter, insbesondere wenn Partner eine biologische Validierung statt eines eigenständigen Softwarezugangs benötigen.

Wichtige Hemmnisse

Datenqualität und -integration schränken die Übertragbarkeit von KI-Ergebnissen ein.

Daten zur Arzneimittelentdeckung werden in Laboren, Testformaten, Zellsystemen und nach Protokollen generiert, die möglicherweise nicht direkt miteinander vergleichbar sind. Modelle, die anhand fragmentierter Daten trainiert wurden, können in einer eng begrenzten internen Umgebung genau erscheinen, bei der Übertragung auf ein neues Target, eine neue Modalität oder einen neuen Kundendatensatz jedoch schlecht abschneiden. Für Pharmaunternehmen beginnt das Hemmnis häufig bereits vor der Modellauswahl: Historische Testergebnisse, gescheiterte Wirkstoffkandidaten und klinische Biomarkerdaten müssen standardisiert, verwaltet und siloübergreifend zugänglich gemacht werden. Diese Anforderung begünstigt Anbieter, die neben der Modellierung auch Datenengineering und wissenschaftliche Kuratierung unterstützen können.

Regulatorische und ethische Bedenken erhöhen den Evidenzaufwand für KI-generierte Entscheidungen.

Der Leitlinienentwurf der FDA betont die kontextspezifische Bewertung der Glaubwürdigkeit von KI-Modellen für regulatorische Entscheidungsprozesse. Obwohl Entdeckungsinstrumente nicht allein deshalb als Produkte reguliert werden, weil sie KI nutzen, müssen Sponsoren die den Entscheidungen zur Auswahl von Wirkstoffkandidaten, nichtklinischen Schlussfolgerungen und Entwicklungsentscheidungen zugrunde liegende Evidenz weiterhin erläutern und verteidigen. Black-Box-Verhalten, Verzerrungen in Trainingsdatensätzen, Einschränkungen bei den Datenrechten und Unsicherheiten hinsichtlich des Eigentums an geistigem Eigentum können die Einführung verlangsamen, wenn eine KI-Empfehlung nicht mit einer wissenschaftlich interpretierbaren Begründung verknüpft werden kann. Die daraus entstehenden Kosten sind häufig organisatorischer Art: Wissenschaftliche, klinische, juristische und regulatorische Teams müssen sich darauf verständigen, wann ein Modellergebnis ausreichend zuverlässig ist, um ein kostspieliges Programm zu beeinflussen.

Dies führt zu einem asymmetrischen kommerziellen Ergebnis. Organisationen, die biologische Daten als nach Governance-Grundsätzen verwaltetes Produkt behandeln und dabei Herkunft sowie experimentellen Kontext bewahren, können sowohl die Modellleistung als auch die Belastbarkeit nachgelagerter Entscheidungen verbessern. Anbieter, die diese Kette nicht nachweisen können, gewinnen möglicherweise weiterhin explorative Projekte, stehen jedoch vor einem schwierigeren Weg zu wiederholbaren Verträgen in der Entwicklungsphase. Diese Einschränkung verlagert den Wert daher hin zu integrierten Plattformen, Datenmanagementfähigkeiten und Workflows, die die Verbindung zwischen einer algorithmischen Prognose und einem reproduzierbaren Laborergebnis bewahren.

Marktsegmentanalyse für künstliche Intelligenz in der Arzneimittelforschung

Nach Komponente

Software hatte 2025 einen Anteil von 67,9 % am Marktumsatz und dürfte mit einer CAGR von 30,2 % wachsen. Ihre führende Stellung spiegelt den breiten Einsatz lizenzierter Plattformen zur Zielidentifizierung, zum virtuellen Screening, zur Molekülgenerierung und zur Eigenschaftsprognose wider. Cloudbasierte Software machte 74,3 % der Softwarenachfrage aus und ermöglicht es Kunden, rechenintensive Workloads zu skalieren, ohne sich dauerhaft an eine interne Recheninfrastruktur binden zu müssen. Die On-Premise-Bereitstellung bleibt relevant, wenn proprietäre Substanzbibliotheken, sensible Patientendaten oder Anforderungen an die Unternehmens-Governance das externe Hosting einschränken.

Für Dienstleistungen wird ein Wachstum mit einer CAGR von 31,1 % prognostiziert. Diese höhere Wachstumsrate zeigt, dass Kunden neben Softwarelizenzen zunehmend wissenschaftliche Interpretation, Modellanpassung, Datenkuratierung und die experimentelle Weiterverfolgung benötigen. Dieser Wandel ist kommerziell bedeutsam, da Dienstleistungen die Vergütung von Anbietern an definierte Programmergebnisse koppeln können, beispielsweise ein validiertes Ziel, eine optimierte Leitstrukturserie oder ein präklinisches Wirkstoffkandidatenpaket.

Nach Technologie

Maschinelles Lernen machte 2025 82,6 % des Technologieumsatzes aus, und Deep Learning entfiel auf 66,3 % des Segments für maschinelles Lernen. Deep-Learning-Architekturen eignen sich besonders für die in der Molekular- und Biowissenschaft verbreiteten Strukturen von Graphen-, Sequenz-, Bild- und multimodalen Daten. Ihre Einführung wird durch Fortschritte bei der Strukturvorhersage wie AlphaFold 3 und die zunehmende Verfügbarkeit beschleunigter Frameworks für Basismodelle unterstützt.

Andere Ansätze behalten eigenständige Rollen, anstatt obsolet zu werden. Physikbasierte Simulationen können mechanistische Prüfungen für durch KI generierte Hypothesen liefern, während Wissensgraphen interpretierbare biologische Beziehungen bewahren können. Die Chance liegt daher zunehmend in hybriden Ansätzen: Organisationen können maschinelles Lernen nutzen, um breite chemische oder biologische Räume zu untersuchen, und anschließend besser interpretierbare oder physikalisch fundierte Methoden anwenden, um die für experimentelle Tests am besten geeigneten Ergebnisse zu priorisieren.

Nach Anwendung

Das Screening von Molekülbibliotheken generierte 2025 1,2 Milliarden USD und bleibt die größte Anwendung, da es in etablierte Workflows zur Identifizierung von Wirkstofftreffern integriert werden kann. Das virtuelle Screening reduziert die Zahl der Substanzen, die gekauft, synthetisiert oder experimentell getestet werden müssen, und bietet damit Unternehmen mit umfangreichen Substanzsammlungen einen klaren Produktivitätsvorteil.

Die Zielidentifizierung ist strategisch bedeutsam, da sich eine schwache Zielbiologie im weiteren Entwicklungsverlauf nur schwer korrigieren lässt. Die Zusammenarbeit von BenevolentAI mit AstraZeneca, die 2024 zu einer weiteren Entwicklung eines Zielmoleküls bei systemischem Lupus erythematodes führte, verdeutlicht die kommerzielle Bedeutung der KI-gestützten Generierung biologischer Hypothesen. Das De-novo-Wirkstoffdesign ist kleiner, dürfte jedoch mit einer CAGR von 30.4 % CAGR, der höchste Wert unter den Anwendungen. Das Wachstum des Segments hängt davon ab, ob generierte Strukturen wiederholt Anforderungen an Wirksamkeit, Selektivität, Synthese und Entwickelbarkeit erfüllen können, statt lediglich in silico neuartig zu erscheinen. Das Rentosertib-Programm von Insilico ist daher ein aussagekräftiger klinischer Wirksamkeitsnachweis für diese Kategorie.

Die Onkologie führte 2025 mit 1,4 Milliarden USD. Diese Position wird durch das Volumen molekularer Daten, die biologische Vielfalt verschiedener Tumorarten sowie die anhaltende Nachfrage nach differenzierten Zielstrukturen und biomarkerdefinierten Therapien gestützt. Die weltweit steigende Krebsbelastung erhöht die Dringlichkeit dieser Suche, doch die hohe KI-Intensität des Segments erklärt sich in erster Linie aus der Notwendigkeit, äußerst heterogene genomische und phänotypische Informationen zu integrieren.

Neurodegenerative, entzündliche, infektiöse, metabolische, seltene und kardiovaskuläre Erkrankungen weisen unterschiedliche Daten- und Validierungsbedingungen auf. Seltene Krankheiten können von der KI-gestützten Interpretation begrenzter genetischer Evidenz profitieren, doch spärliche klinische und experimentelle Datensätze können die Zuverlässigkeit von Modellen verringern. Entzündliche Erkrankungen bieten Chancen, wenn die Biologie von Signalwegen und die Biomarker-Evidenz vergleichsweise gut charakterisiert sind. Das Anwendungsszenario ist folglich vom Therapiegebiet abhängig: KI schafft den größten Wert dort, wo sie einen klar identifizierten Entscheidungsv Engpass verbessern kann, und nicht dort, wo sie unterschiedslos eingesetzt wird.

Nach Endverwendung

Pharma- und Biotechnologieunternehmen hatten 2025 einen Anteil von 52,8 % am Marktumsatz. Diese Kunden nutzen KI sowohl zur Steigerung der internen Produktivität in der Wirkstoffforschung als auch für den Zugang zu spezialisierten Plattformen über Allianzen. Ihre Kaufentscheidungen werden durch die Integration in bestehende Datenbestände, Substanzbibliotheken, therapeutische Prioritäten und die Entwicklungssteuerung geprägt.

Für CROs wird eine CAGR von 31,0 % prognostiziert, der schnellste Wert unter den Endnutzern. Durch die Einbettung von KI in Screening, Leitstrukturoptimierung und präklinische Unterstützungsleistungen können CROs kleineren Biotechunternehmen Zugang zu fortschrittlichen Forschungsabläufen bieten, ohne dass diese eine vollständige Plattform beschaffen und betreiben müssen. Dieses Modell kann die Akzeptanz bei Organisationen ausweiten, für die eine direkte Bereitstellung von Unternehmenssoftware zu kostspielig oder technisch zu anspruchsvoll wäre.

Der Anteil des maschinellen Lernens von 82,6 % bestätigt, dass datenbasierte Modelle weiterhin die technologische Grundlage des Marktes bilden. Der Zugang zu Modellen wird jedoch zunehmend weniger exklusiv, da sich Cloud-Software und beschleunigte Frameworks verbreiten. Der Wettbewerbsvorteil wird daher zunehmend von der Fähigkeit eines Betreibers abhängen, Modelle mit proprietären biologischen Daten, syntheseorientiertem Design und schnellem experimentellem Feedback zu verknüpfen. CROs, die diesen Kreislauf operativ umsetzen können, könnten mehr als nur ein Produktivitätstool gewinnen; sie könnten für Kunden mit begrenzter interner Recheninfrastruktur zu einem Zugangskanal für De-novo-Design werden.

Regionale Analyse des Marktes für künstliche Intelligenz in der Arzneimittelforschung

Nordamerika

Nordamerika entfiel 2025 auf 47,7 % des Marktumsatzes. In den USA wurden 2022 0,7 Milliarden USD, 2023 0,8 Milliarden USD, 2024 1,1 Milliarden USD und 2025 1,4 Milliarden USD erwirtschaftet. Die führende Position der USA wird durch die Konzentration von Forschung und Entwicklung in der Pharmaindustrie, die Finanzierung durch Risikokapital, eine fortschrittliche Computing-Infrastruktur und Unternehmen für die KI-gestützte Wirkstoffforschung gestützt. Die laufenden Arbeiten der FDA zu regulatorischen Fragen im Zusammenhang mit KI bieten US-amerikanischen Sponsoren zudem einen direkten Zugang zur Auseinandersetzung mit den Evidenzstandards, die sich voraussichtlich auf die KI-gestützte Entwicklung auswirken werden.

Kanada verfügt über eine eigenständige Forschungs- und Plattformentwicklungsbasis, die durch Cluster in den Bereichen KI und Biowissenschaften unterstützt wird. Die Zusammenarbeit zwischen Variational AI und Merck im Jahr 2025 veranschaulicht die Rolle kanadischer Entwickler generativer KI in grenzüberschreitenden Programmen zur pharmazeutischen Wirkstoffforschung. Der kommerzielle Vorteil Nordamerikas liegt in der Fähigkeit, die kostenintensive Plattformentwicklung zu finanzieren und von KI entwickelte Programme bis zur klinischen Evaluierung voranzubringen.

Europa

Europa erwirtschaftete 2025 1,0 Milliarden USD. Die Region vereint etablierte pharmazeutische Abnehmer mit einer umfangreichen akademischen Basis und einer starken Basis in der Computerbiologie. Das Vereinigte Königreich ist insbesondere aufgrund von Unternehmen wie Isomorphic Labs und BenevolentAI von Bedeutung, deren Aktivitäten im Zusammenhang mit Novartis und AstraZeneca die Fähigkeit der Region zur Schaffung weltweit relevanter Partnerschaften in der Wirkstoffforschung zeigen. Deutschland, Frankreich, Spanien, Italien, die Niederlande und das übrige Europa leisten durch die pharmazeutische Produktion, die Forschung in den Biowissenschaften, die Infrastruktur für digitale Gesundheit und grenzüberschreitende Forschungsnetzwerke einen Beitrag.

Die Marktentwicklung in Europa wird durch eine doppelte Anforderung geprägt: Wirkstoffforschungsplattformen müssen wissenschaftlichen Nutzen nachweisen und zugleich zunehmend formellen Erwartungen an die KI-Governance und den verantwortungsvollen Umgang mit Daten entsprechen. Dies kann die Implementierung verlangsamen, wenn grenzüberschreitende Gesundheitsdaten benötigt werden, kann aber auch Anbieter begünstigen, die eine transparente Dokumentation und strenge Datenkontrollen bereitstellen können. Die Beteiligung von Sanofi an der Series-C-Finanzierung von Enveda im Februar 2025 verdeutlicht das anhaltende Interesse europäischer Pharmaunternehmen an KI-gestützten Plattformen für die Wirkstoffforschung.

Asien-Pazifik

Asien-Pazifik ist die am schnellsten wachsende Region mit einer prognostizierten CAGR von 31,2 %. China, Japan, Indien, Australien, Südkorea und das übrige Asien-Pazifik tragen jeweils unterschiedliche Ressourcen zum regionalen Ökosystem bei. China vereint wachsende biopharmazeutische Kapazitäten mit einer großen Reichweite in der klinischen Entwicklung, während Japan etablierte Pharmaunternehmen und einen reifen Markt für externe Partnerschaften bietet. Die klinischen Aktivitäten von Insilico in China und Australien zeigen, dass von KI entwickelte Programme die Region sowohl für die Durchführung der Entwicklung als auch für die geografisch diversifizierte Generierung klinischer Evidenz nutzen können.

Die Chancen Indiens sind eng mit seiner Basis aus Auftragsforschungsorganisationen (CROs) und technischen Dienstleistungen verbunden. KI-Tools können Dienstleistern ermöglichen, etablierte Modelle für die Durchführung von Forschungsprojekten um Fähigkeiten in den Bereichen computergestütztes Screening, Design und Prognose zu erweitern. Australien und Südkorea stärken die Region durch klinische Forschungsinfrastrukturen, Forschungseinrichtungen und die Einführung von Technologien. Der regionale Wachstumsbonus spiegelt einen niedrigeren Ausgangspunkt in Verbindung mit einem zunehmenden Zugang zu Cloud Computing und globalen KI-Plattformen wider und nicht eine einheitliche Verbesserung der Wirkstoffforschungskapazitäten in allen Ländern.

Lateinamerika

Lateinamerika bleibt ein kleinerer Markt, der von Brasilien, Mexiko, Argentinien und dem übrigen Teil der Region angeführt wird. Die Einführung wird wahrscheinlich vor allem über Forschungseinrichtungen, Beziehungen zu multinationalen Pharmaunternehmen und CRO-Dienstleistungsmodelle voranschreiten und weniger über eine große Zahl vollständig integrierter, auf KI ausgerichteter Wirkstoffentwickler. Die wissenschaftlichen Einrichtungen und die pharmazeutische Basis Brasiliens bilden eine Grundlage für Computerbiologieund präklinische Kooperationen, während Mexiko von der Nähe zu nordamerikanischen Forschungsnetzwerken und der zunehmenden Auslagerung von Forschungsaktivitäten profitiert. Argentinien bringt spezialisierte akademische und computergestützte Kompetenzen ein.

Die kommerzielle Einschränkung der Region besteht in der begrenzten Verfügbarkeit großer, standardisierter proprietärer Datensätze und fortschrittlicher Infrastrukturen für die Wirkstoffentdeckung im Vergleich zu Nordamerika und Europa. Anbieter, die cloudbasierte, modulare Lösungen bereitstellen und über CRO-Partner arbeiten können, sind besser positioniert als Anbieter, die eine umfangreiche interne Datenaufbereitung erfordern, bevor ein Nutzen nachgewiesen werden kann.

Naher Osten und Afrika

Der Nahe Osten und Afrika bilden einen Markt in der frühen Entwicklungsphase, der Südafrika, Saudi-Arabien, die VAE und den übrigen Teil der Region umfasst. Südafrika verfügt unter den genannten Märkten über die am stärksten etablierte Basis für klinische Forschung, während Saudi-Arabien und die VAE durch nationale Investitionsprogramme Kapazitäten in den Bereichen Life Sciences, Gesundheitswesen und KI aufbauen. Die unmittelbare Chance konzentriert sich eher auf Forschungsinfrastruktur, akademische Partnerschaften und den Zugang zu cloudbasierten Modellierungsverfahren als auf den umfassenden internen Besitz von Plattformen zur Wirkstoffentdeckung.

Die Marktentwicklung wird davon abhängen, ob Investitionen in Gesundheitsdaten, Genomik und Forschungskapazitäten in interoperable Datensätze und wiederholbare Entwicklungsprogramme umgewandelt werden. Für internationale Plattformanbieter dürften Partnerschaftsmodelle, die lokale Kompetenzen aufbauen und Anforderungen an die Daten-Governance bewältigen, praktikabler sein als ein einheitlicher Direktvertriebsansatz.

Das regionale Muster hat eine wichtige operative Implikation. KI kann die für die Teilnahme an der frühen Wirkstoffentdeckung erforderliche Mindestinfrastruktur reduzieren, beseitigt jedoch nicht den Bedarf an hochwertigen Daten, experimenteller Validierung und regulatorisch geeigneten Entwicklungskapazitäten. China und Indien könnten vom Umfang ihrer biopharmazeutischen Industrie und Forschungsdienstleistungen profitieren, während Japan, Australien und Südkorea spezialisierte pharmazeutische und klinische Kompetenzen einbringen können. Anbieter, die ihre regionalen Angebote nach Bedingungen des Datenzugangs, Bereitstellungsmodell und Partnerökosystem differenzieren, dürften eher die Wachstumsprämie abschöpfen als Anbieter, die den asiatisch-pazifischen Raum als einen einzigen homogenen Markt behandeln.

Marktanteil und Wettbewerbslandschaft für künstliche Intelligenz in der Wirkstoffentdeckung

Der Markt bleibt fragmentiert, wobei die fünf größten Teilnehmer zusammen etwa 11,8 % des Umsatzes im Jahr 2025 auf sich vereinen. Der Wettbewerb findet auf mehreren Ebenen statt: KI-Infrastruktur und Cloud-Bereitstellung, computergestützte Chemie und Simulation, Zielmolekülentdeckung und Moleküldesign, krankheitsspezifische Plattformentwicklung sowie integrierte Modelle von der Wirkstoffentdeckung bis zur klinischen Entwicklung. Die Positionierung eines Unternehmens wird zunehmend durch die Kombination aus Datenzugang, Modellqualität, experimenteller Validierung und Partnerschaften mit Pharmaunternehmen bestimmt.

Isomorphic Labs, ein Unternehmen von Alphabet, ist auf strukturinformiertes Wirkstoffdesign und die Anwendung von Fortschritten im Zusammenhang mit AlphaFold auf die therapeutische Entwicklung ausgerichtet.Die Finanzierung der Serie A in Höhe von 600 Millionen USD im März 2025 sowie die Kooperationen mit Novartis und Eli Lilly veranschaulichen die Kapitalintensität und die partnerschaftsgetriebene Wirtschaftlichkeit bei der Weiterentwicklung einer KI-Designplattform zu klinischen Programmen.

Microsoft und NVIDIA sind hauptsächlich auf der Ebene der unterstützenden Infrastruktur tätig: Microsoft stellt Cloud- und Forschungsrechenumgebungen bereit, während NVIDIA beschleunigte Hardware und BioNeMo-Tools für biologische Basismodelle liefert. Ihre Allianz ist relevant, da sie den Integrationsaufwand für Unternehmen reduziert, die skalierbare KI-Kapazitäten nutzen möchten, ohne jedes Element des Technologie-Stacks unabhängig aufbauen zu müssen.

IBM bietet Kunden, die neben skalierbaren Analysen auch eine Data Governance benötigen, Kompetenzen in den Bereichen Unternehmens-KI, hybride Cloud und wissenschaftliches Rechnen. Schrödinger geht von einer anderen Ausgangsbasis aus und kombiniert physikbasierte Simulationen mit KI-gestützter Wirkstoffforschung. Die Ergebnisse des Jahres 2025 umfassten einen Softwareumsatz von 199,5 Millionen USD und einen Umsatz aus der Wirkstoffforschung von 56,4 Millionen USD. Dies verdeutlicht den Wert einer kommerziell etablierten Simulationsplattform mit Beteiligung an Kooperationsprojekten. Diese Unternehmen konkurrieren weniger über eine einzelne Modellarchitektur als über die Frage, ob ihre Plattformen in validierte wissenschaftliche Arbeitsabläufe integriert werden können.

Recursion Pharmaceuticals nutzt eine integrierte Plattform für Phänomik, Genomik und KI, die Datengenerierung mit computergestützter Interpretation verbindet. Der Jahresbericht 2024 beschreibt eine Pipeline- und Plattformstrategie, die den Einsatz von KI auf Aktivitäten in der Wirkstoffforschung und -entwicklung ausweitet. Insilico Medicine hat sich durch seine Pharma.AI-Plattform und die klinische Weiterentwicklung von Rentosertib differenziert, ergänzt durch das Update zu ISM5411 aus der Phase I im Jahr 2025 sowie die Integration seines Nach01-Modells in Microsoft Discovery. Der auf Wissensgraphen ausgerichtete Ansatz von BenevolentAI konzentriert sich weiterhin auf die Entdeckung biologischer Zielstrukturen und Kooperationsergebnisse, einschließlich der anhaltenden Fortschritte mit AstraZeneca.

Atomwise konzentriert sich auf die strukturbasierte Vorhersage von Bindungen und das virtuelle Screening. Insitro kombiniert maschinelles Lernen mit Hochdurchsatzmodellen menschlicher Zellen zur Entdeckung und Validierung von Zielstrukturen. Deep Genomics konzentriert sich auf KI-gestützte RNA-Therapeutika und die Biologie genetischer Erkrankungen, während Iktos den Schwerpunkt auf generatives molekulares Design und synthetische Zugänglichkeit legt. Deargen entwickelt KI-gestützte Kompetenzen zur Analyse von Wechselwirkungen zwischen Zielstrukturen und Wirkstoffkandidaten und ist im Bereich der Wirkstoffforschung im asiatisch-pazifischen Raum vertreten. Diese Unternehmen verdeutlichen, wie eine Spezialisierung auf bestimmte Modalitäten, Datentypen oder die Tiefe von Arbeitsabläufen Differenzierung schaffen kann, selbst wenn Basismodelltechnologien breiter zugänglich werden.

9Bio Therapeutics, Aureka Biotechnologies, CellCodex Technology Limited, chAIron, DenovAI Biotech, Examol, Helical.AI, Orakl Oncology und Therenia bilden die aufstrebende Unternehmensebene innerhalb des freigegebenen Wettbewerbsumfangs. Ihre strategische Bedeutung liegt in fokussierten Ansätzen für Strukturbiologie, phänotypische Analysen, Onkologie, molekulares Design und andere spezifischere Herausforderungen der Wirkstoffforschung. In einem fragmentierten Markt können fokussierte Plattformen Partnerschaften sichern, indem sie einen bestimmten wissenschaftlichen Engpass wirksamer lösen als breit aufgestellte horizontale Systeme. Ihre Fähigkeit zur Skalierung wird von proprietären Daten, validierten Ergebnissen und Nachweisen dafür abhängen, dass ihre Tools die Entscheidungsfindung in realen Wirkstoffforschungsprogrammen verbessern.

Aktuelle Entwicklungen in der Branche

• 31. März 2025 – Isomorphic Labs kündigte eine Finanzierung der Serie A in Höhe von 600 Millionen USD an, um seine KI-gestützte Wirkstoffdesign-Plattform auszubauen und therapeutische Programme in Richtung klinischer Entwicklung voranzutreiben.
• 3. Juni 2025 – Insilico Medicine gab die Veröffentlichung der Ergebnisse der Phase IIa zu Rentosertib in *Nature Medicine* bekannt und berichtete über einen klinischen Wirksamkeitsnachweis für ein durch KI entdecktes und entwickeltes Programm zur Behandlung der idiopathischen Lungenfibrose.
• 14. Januar 2025 – Insilico Medicine gab die Integration seines multimodalen Basismodells Nach01 in Microsoft Discovery bekannt.