Wiederholung des "Halbleiter-Moments": Die 'Bottleneck-Trades' der KI-Pharmaindustrie nehmen Gestalt an – wer wird der nächste "Schaufelverkäufer"?

KI verändert die Grundlagen der Arzneimittelentdeckung, und eine Investment-Chance ähnlich den "Flaschenhals-Trades" der Halbleiterbranche entsteht still und heimlich in der Lieferkette der pharmazeutischen Industrie.

Am 4. Oktober veröffentlichte Freda Duan, Partnerin des Top-Dollar-Fonds Altimeter Capital, einen Beitrag, in dem sie darauf hinwies, dass "Flaschenhals-Trades" im KI-Arzneimittelbereich (AIDD) Gestalt annehmen und ihre Struktur stark jener der Kettenmarktbewegungen im Halbleiterbereich ähnele, in denen sich der Fokus von GPU auf HBM, Netzwerke und Stromversorgung erstreckt.

Der kollektive Einstieg fortschrittlicher KI-Labore ist das deutlichste Signal. Anthropic hat ein eigenes Life-Science-Forschungsteam aufgestellt und ein Nasslabor gegründet, OpenAI hat die GPT-Rosalind-Modellfamilie speziell für Biologie und Arzneimittelentdeckung entwickelt, das unter ByteDance unabhängig betriebene Anew Labs verfügt bereits über eine interne Arzneimittelentwicklungsbibliothek, und Isomorphic Labs hat klar kommuniziert, KI-designte Medikamente in klinische Studien am Menschen zu bringen.

Gleichzeitig sind auch die Signale auf der Lieferkettenseite deutlich. Der DNA-Synthesizer Twist Bioscience (TWST) prognostiziert für das Geschäftsjahr 2026 und 2027 ein dreistelliges prozentuales Wachstum der KI-Arzneimittelentdeckungsaufträge. GenScript verzeichnete im ersten Halbjahr des Geschäftsjahres 2026 eine Verdoppelung des KI-Arzneimittelentdeckungsgeschäfts gegenüber dem Vorjahr; Die Kanalforschung zeigt, dass ihre verifizierte Produktionskapazität bereits bei etwa 8.000 Designs pro Tag liegt und voraussichtlich bis Ende 2026 auf 16.000 ausgebaut werden kann.

Diese Logik spiegelt den Übertragungsweg von Flaschenhälsen in der Halbleiterbranche wider. Die Knappheit an GPUs löste nach und nach Ausbrüche bei HBM-Speicher, Netzwerkausrüstung, Stromversorgung und Kühlsystemen aus.

Auch im KI-Arzneimittelbereich werden die Flaschenhälse entlang der Wertschöpfungskette weitergegeben: KI-Modelle erzeugen Designs → DNA-Synthese → Proteinproduktion → experimentelle Validierung → präklinische Tests, wobei jeder Schritt zum nächsten von den Vorteilen profitieren kann.

(Lieferkettendaten zeigen, dass die upstream Bereiche Entdeckung und frühe präklinische Entwicklung bereits den Einfluss des zunehmenden Experimentvolumens spüren)

Freda Duan beschreibt in ihrem Beitrag die aktuelle KI-Arzneimittel-Landschaft als einen echten "regime change" (Systemwechsel).

Anthropic hebt Lebenswissenschaftsforschung auf strategische Ebene und das erste bedeutende Nasslaborprojekt war die Identifikation eines zuvor nicht charakterisierten Enzymsystems, das mit CRISPR-ähnlichen DNA-Repeats assoziiert ist, durch Einsatz des Claude-Agenten.

Die GPT-Rosalind-Modellfamilie von OpenAI deckt Arzneimittelchemie, Protein-Engineering, Genomik und experimentelle Arbeitsabläufe ab.

ByteDance hat den KI-Arzneimittelentdeckungsbereich in das nun eigenständige Anew Labs überführt, das Basismodelle, Nasslaborvalidierung und eine eigene Medikamentenpipeline integriert; ByteDance hält weiterhin die Mehrheitsbeteiligung.

Isomorphic Labs hat explizit angekündigt, KI-designte Medikamente in klinische Studien am Menschen zu bringen.

Bemerkenswert ist, dass die Kommerzialisierungswege der einzelnen Unternehmen deutlich verschieden sind.

• Anthropic positioniert sich derzeit eher als Forschungs- und Plattformanbieter und will ausdrücklich kein traditionelles Biotech-Unternehmen im kommerziellen klinischen Stadium werden;
• ByteDance’s Anew Labs ist näher an einem Biotech-Plattform-Modell mit eigener Arzneimittel-Pipeline;
• Isomorphic Labs befindet sich zwischen beiden und verpflichtet sich explizit, Medikamente selbst in die Klinik zu bringen.

Das bedeutet, dass die Kommerzialisierungswege im KI-Arzneimittelbereich sich aufteilen: Lizenzierung an Großunternehmen, Zusammenarbeit mit Meilensteinen + Patentgebühren oder Direktinkubation unabhängiger Unternehmen. Für die nachgelagerte Lieferkette wird es in jedem Fall zu einer realen Zunahme der experimentellen Nachfrage kommen.

KI steigert die Effizienz – warum sorgt sie dennoch für mehr Nasslabor-Experimente? Die Antwort liegt darin, dass KI die Ökonomie der Hypothesengenerierung grundlegend verändert.

Erstens: Hypothesengenerierung nähert sich Nullkosten, experimentelle Validierung wird zum neuen Flaschenhals. In der traditionellen Arzneimittelentdeckung ist das Auswahlsystem für Kandidaten kostspielig, und nur die vielversprechendsten Kandidaten gelangen in die teure Validierung.

KI ermöglicht es, Kandidaten fast ohne Grenzkosten zu designen, was die "Einsatzmöglichkeiten" drastisch erhöht und den Flaschenhals vom Design zur biologischen Validierung verschiebt.

Zweitens: Fehlerhafte Experimente sind ebenfalls wertvoll, Negativbeispiele dienen als Trainingsdaten. Ein typisches Beispiel von Anthropic: Claude designte 1.320 Proteinbinder, Adaptyv wandelte diese Sequenzen in DNA um, drückte die Proteine aus und testete die Bindung; nur 354 waren erfolgreich.

Die 966 gescheiterten Fälle wurden jedoch nicht verschwendet – Daten darüber, was nicht ausgedrückt wird, was nicht bindet und wo die Affinität gering ist, sind als negative Tags für das Training der nächsten Modellgeneration wertvoll. Traditionelle Medikamentenforschung fragt nur "wirkt Kandidat X?", KI-Arzneimittelentdeckung fragt zusätzlich "was kann dieses Experiment dem Modell beibringen?".

Drittens: Nasslabore entwickeln sich von Medikamentenherstellung zum Training-Datengenerator. TWST erklärt ausdrücklich, dass das Geschäft darauf setzt, strukturierte experimentelle Ergebnisdaten direkt aus KI-designten Sequenzen für Modellinput zu erzeugen. Der Sequenz-bis-Bindungs-Workflow von GenScript liefert Ergebnisse innerhalb von 4 bis 7 Tagen.

In einigen Workflows besteht das Kundeninteresse weniger darin, das physische Protein zu erhalten, sondern strukturierte Experimente zur Modellrückmeldung zu liefern. TWST und GenScript entwickeln sich daher immer mehr zu "Biotech-Datenfoundries".

Der Artikel stellt fest, dass neben der Theorie bereits quantifizierbare Signale auf Lieferkettenebene vorhanden sind.

TWST erwartet für FY26 ein dreistelliges prozentuales Wachstum bei KI-Arzneimittelentdeckungsaufträgen, wobei FY27 in ähnlichem Umfang nachzieht. GenScript hat im ersten Halbjahr von FY26 das KI-Arzneimittelgeschäft gegenüber dem Vorjahr verdoppelt; die industriell beworbene Validierungskapazität liegt bei über 4.000 Designs pro Tag mit umfassendem Workflow von Sequenz bis Daten.

Die Kanalforschung zeigt sogar einen noch schnelleren Fortschritt. Die aktuelle Kapazität beträgt etwa 8.000 Designs pro Tag und soll bis Ende 2026 auf rund 16.000 steigen.

Aus Sicht der Lieferkette profitieren die folgenden Stationen in der Reihenfolge: KI-Modell → Sequenzdesign → DNA-Synthese (TWST usw.) → Proteinproduktion (GenScript usw.) → Experimentelle Validierung → Sequenzierung (ILMN, TXG usw.) → Automatisierungsausrüstung → präklinische Tests (CRO).

Bezogen auf die Marktgröße: Selbst wenn KI nur ein effizienteres Entwicklungswerkzeug ist, geht es um den jährlichen Pool von 300 bis 400 Milliarden US-Dollar für weltweite pharmazeutische F&E-Ausgaben. Wenn KI wirklich die Zahl machbarer Medikationsprojekte erhöht, ist das Potenzial größer, da dann auch DNA-Synthese, Proteinproduktion, Validierung und präklinische Arbeit zunehmen.

Auch aus Sicht der KI-Unternehmen kann die Ausgabe näherungsweise geschätzt werden. Wenn Anthropic 2026 einen jährlichen Umsatz von 80 Mrd. US-Dollar erreicht und nur 1 % davon in KI-Arzneimittelentdeckung investiert, entspricht dies bereits rund 800 Mio. US-Dollar pro Jahr.

Freda Duan erinnert: Investoren mit Kenntnis des Themas werden instinktiv an den KI-Arzneimittel-Hype und Crash von 2020/21 denken.

Das Exscientia-Molekül DSP-1181 wurde innerhalb eines Jahres vom Discovery zur klinischen Phase-I gebracht, aber später wegen fehlender Zielmechanismen gestoppt. Damals gab es zwei klare Gründe für das Scheitern: Zum einen das plötzliche makroökonomische Einbrechen, zum anderen die brutale Erkenntnis, dass schnellere Entdeckung nicht gleich bessere klinische Biologie bedeutet.

Freda Duan glaubt jedoch, dass der Hintergrund 2026 grundlegend anders ist als 2020/21; damals war der Zyklus noch vor dem Erscheinen von GPT.

Die Kernlogik von 2020/21 war: durch Computing weniger wertvolle Nasslaborexperimente ersetzen, KI als Effizienztool zum Ziel, weniger Synthesen und Tests zur schnelleren Auswahl von Kandidaten.

Die Logik für 2026 ist völlig anders: KI erweitert den Hypothesenraum massiv, Nasslabo generiert die realen Validierungsdaten. Der Kreislauf lautet: KI → Experiment → Daten → bessere KI → mehr Experimente. Die von KI generierte Anzahl experimenteller Möglichkeiten sorgt dafür, dass die physische Biologie selbst zum Flaschenhals wird.

Den aktuellen Daten zufolge zeigte eine Studie für 2024, dass die Erfolgsquote von KI-entdeckten Medikamenten in Phase I etwa 80 bis 90 % beträgt – höher als der historische Branchendurchschnitt; die Erfolgsquote in Phase II liegt bei ca. 40 %, entspricht etwa dem historischen Durchschnitt, jedoch ist die Stichprobengröße noch begrenzt.

Freda Duan betont, dass DNA-Synthese und Proteinproduktion derzeit die unmittelbarsten Flaschenhalsstellen sind.

Mit dem Fortschritt immer mehr Medikamentenkandidaten in die präklinischen Phasen könnte Tierversuche der nächste begrenzende Schritt sein. Die Preise für Primaten sind fast wieder auf historischen Hochpunkten, die CRO-Kapazitäten bleiben knapp, und die zunehmende Zahl von KI-arzneimittelentdeckten Kandidaten, die in die Präklinik vordringen, verschärft den Druck weiter.

Analysten gehen davon aus, dass diese Investment-Chance relativ lange anhält, und bis die klinischen Ergebnisse der Phasen I/II nach 2028 vorliegen, ist kaum mit einer logischen Zäsur zu rechnen. Wichtige Meilensteine:

• Ende 2026 bis 2027: Erste KI-designte Medikamente von Isomorphic Labs treten in klinische Studien am Menschen ein, weitere KI-native Projekte erreichen die IND-fähige Phase;
• 2028 bis 2030: Klinische Ergebnisse zeigen, ob KI-designte Medikamente wirklich besser sind als traditionelle Produkte.

Kurzfristig: Wenn die Budgets für Experimente nicht mehr steigen, KI-generierte Designs nicht zu verwertbaren Nasslabor-Ergebnissen führen oder Kapazitäten zu schnell die Nachfrage erreichen, geraten die upstream "Pick-and-Shovel"-Trades unter Druck.

Langfristig gilt: Wenn KI-Medikamente in Entdeckung und klinischer Phase I glänzen, aber in Phase II/III mit normalen Misserfolgsraten scheitern, wird die gesamte Investment-Logik grundlegend herausgefordert; deshalb sind die Ergebnisse der Phase II so entscheidend.

Professor Quanquan Gu von der University of California, Los Angeles, fasst die Logik wie folgt zusammen:

Biologie könnte zum nächsten Feld der rekursiven Selbstverbesserung für KI werden – im Computer designen, im Labor testen, experimentelles Feedback in halbsynthetische Trainingsdaten verwandeln, das Modell weiterentwickeln, und immer weiter.