Das Daten-Flywheel: Warum KI in Life Science Ihren Daten gehört
- Titus Kaletta
- 8. Juni
- 4 Min. Lesezeit
Im Mai 2026 haben zwei Pharma-Deals dasselbe Muster sichtbar gemacht. Nicht das KI-Modell ist das Wertvolle, sondern die Daten, mit denen es lernt. Incyte zahlt Genesis Molecular AI 120 Millionen US-Dollar vorab und liefert dafür eigene Labordaten. Tempus und Bristol Myers Squibb verbinden KI mit einer multimodalen Real-World-Datenbank. Für KMU in Biotech, Diagnostik und MedTech steckt darin eine unbequeme Frage. Welche Daten besitzt das Unternehmen überhaupt, und in welchem Zustand?
Das Wichtigste auf einen Blick
KI-Modelle werden austauschbar. Den Unterschied machen die Trainingsdaten, die nur Ihr Unternehmen besitzt.
Zwei Deals im Mai 2026 zeigen das Muster: Pharma zahlt für den Zugang zu proprietären Daten, nicht für das Modell allein.
Ein Daten-Flywheel entsteht, wenn strukturierte Daten bessere Modelle ermöglichen, die wiederum sauberere Daten erzeugen.
Für KMU zählt nicht die Datenmenge, sondern ob Daten erfasst, verknüpfbar und wiederverwendbar sind.
Der schnellste Weg zu KI ist ein kleiner Anwendungsfall mit genau den Daten, die er braucht.
Schauen wir auf die Zahlen. Am 20. Mai 2026 erweiterten Incyte und Genesis Molecular AI ihre Zusammenarbeit. 120 Millionen US-Dollar vorab, über eine Milliarde, wenn alle Meilensteine bei fünf Zielmolekülen erreicht werden. Bemerkenswert ist aber nicht der Scheck. Incyte gibt Genesis Zugang zu eigenen experimentellen Daten, um damit dessen KI-Plattform zu trainieren.
Wenige Tage zuvor, am 14. Mai, verband Tempus seine Analyseplattform und eine multimodale Real-World-Datenbank mit fünf klinischen Programmen von Bristol Myers Squibb in der Onkologie und bei Alzheimer. Zwei Spielarten derselben Idee: Incyte gibt eigene Daten ins Modell, Tempus bringt seine Datentiefe in fremde Programme ein.
Das eigentlich Interessante ist in beiden Fällen dasselbe. Den Ausschlag geben nicht die Modelle allein, sondern die Daten, die nur einer besitzt. Wer KI in Life Science als Werkzeugfrage behandelt, stellt die falsche Frage. Es ist eine Datenfrage.
Für ein KMU klingt das nach einer Welt der Milliardenbudgets. Ist es nicht. Das Prinzip dahinter funktioniert auch mit 35 Mitarbeitenden, nur eben kleiner.
Warum das Modell zur Nebensache wird
Leistungsfähige KI-Modelle sind heute über Schnittstellen breit verfügbar, für viele Aufgaben sind sie kein Engpass mehr. Was Sie damit nicht kaufen können, sind die Daten aus zehn Jahren Assay-Entwicklung, die fehlgeschlagenen Chargen, die Messreihen in Ihren Geräten und das Erfahrungswissen in den Köpfen Ihrer Mitarbeitenden. Das Modell ist der Motor. Ihre Daten sind der Treibstoff, und der ist nicht an der Tankstelle zu haben. Genau deshalb zahlt Incyte für Datenzugang und nicht nur für Rechenzeit.
Das Daten-Flywheel am Beispiel eines Biotech-KMU
Nehmen wir Aurelis Bioassays, ein fiktives Biotech-Unternehmen mit 35 Mitarbeitenden, das Antikörper-Assays für Diagnostikhersteller entwickelt. Die wertvollsten Daten des Unternehmens liegen verstreut: im elektronischen Laborbuch, in Excel-Tabellen einzelner Mitarbeitender, in Rohexporten der Messgeräte. Niemand käme auf die Idee, das einen Datenschatz zu nennen. Es sieht aus wie Alltag.
Ein Daten-Flywheel beschreibt einen sich selbst verstärkenden Kreislauf. Werden diese Daten einmal sauber strukturiert und verknüpft, lassen sich Muster erkennen, die die nächste Assay-Variante schneller zum Ziel führen. Jeder neue Versuch erzeugt wieder saubere Daten, das Rad dreht sich weiter. Dafür braucht es kein Foundation Model wie bei Incyte. Strukturierte Daten und solide Analytik genügen, um den ersten Schwung zu erzeugen.
Der schnellste Weg zur ersten KI-Anwendung
Am Anfang steht ein einziger Anwendungsfall mit klarem Geldwert, etwa die Vorhersage, welche Charge Ausschuss wird. Aufbereitet werden dann nur die Daten, die dieser Fall braucht. Das ist das Prinzip der Minimal Viable Data. Bei Aurelis hieße das konkret: in Woche eins die Assay-Ergebnisse der letzten Jahre aus Laborbuch und Geräteexporten zusammenführen, jede Probe mit einer eindeutigen Kennung versehen und gegebenenfalls klären, welche Daten dem Auftraggeber gehören. So startet das KI-Projekt sofort. Die Datenarbeit steckt darin, statt ihm vorauszulaufen.
Kommt das Daten-Flywheel erst in Bewegung, schlägt das Modell die aussichtsreiche Assay-Variante vor, bevor das Labor sie umsetzt, und erkennt eine kippende Charge, ehe sie Material kostet. Die Dateninventur ist dann nicht das Ziel, sondern der Weg dorthin. Der Vorsprung liegt am Ende nicht im zugekauften Modell, sondern in den Daten, die nur Sie besitzen. Die Frage ist nur, ob Sie aus dem Stand wüssten, welcher Ihrer Datenstränge sich zuerst auszahlt.
Wenn Ihnen dieser Artikel gefallen hat, freuen wir uns über Ihr Feedback in den Kommentaren. Teilen Sie Ihre Gedanken und lassen Sie uns wissen, wie wir Sie noch besser unterstützen können. Unsere nächste Veröffentlichung erscheint am 3. August.
Häufige Fragen
Was ist ein Daten-Flywheel?
Der Begriff geht auf den „Flywheel-Effekt" von Jim Collins („Good to Great") zurück: ein schweres Schwungrad, das anfangs schwer in Gang kommt, dann aber aus eigener Kraft immer schneller dreht. Auf Daten übertragen heißt das: Strukturierte Daten verbessern Modelle und Entscheidungen, deren Ergebnisse wieder neue, saubere Daten erzeugen. So entsteht ein sich selbst verstärkender Kreislauf. Für ein KMU heißt es: Der Vorsprung wächst mit jeder Runde, sobald das Rad einmal läuft.
Brauchen wir dafür ein eigenes KI-Team?
Nein. Für einen ersten, eng geschnittenen Anwendungsfall braucht es kein großes Team. Die Daten dafür lassen sich ohne eigene Data-Science-Abteilung vorbereiten, spezialisierte Analytik kauft man später dazu. Dieser schlanke Einstieg führt sogar schneller zu einer ersten KI-Anwendung als der Aufbau einer ganzen Abteilung.
Ist unsere Datenmenge nicht zu klein für KI?
Menge ist selten das Problem. Entscheidend sind Struktur, Eindeutigkeit und Verknüpfbarkeit. Auch mit überschaubaren, aber sauberen Datensätzen lassen sich belastbare Modelle und Analysen aufbauen.
Was ist der konkrete erste Schritt?
Ein Anwendungsfall mit Geldwert und nur die Daten, die er braucht. Genau das meint Minimal Viable Data: nicht die ganze Datenlandschaft sanieren, sondern den einen Strang, aus dem der erste Nutzen entsteht. Quellen, Formate und Eigentum dieser Daten zu klären, ist zugleich die Grundlage jeder weiteren KI-Anwendung.
Quellen:
Incyte & Genesis Molecular AI, Pressemitteilung vom 20. Mai 2026 – belegt 120 Mio. USD vorab (80 Mio. Cash, 40 Mio. Equity) und das Training der GEMS-Plattform mit Incytes proprietären Daten. Quelle
Tempus AI & Bristol Myers Squibb, Pressemitteilung vom 14. Mai 2026 – belegt die Anwendung der Tempus-eigenen multimodalen Real-World-Daten (Lens-Plattform) auf fünf BMS-Programme in Onkologie und Neurowissenschaft. Quelle
GEN, „Incyte, Genesis Expand AI Collaboration to $1B+“, Mai 2026 – ordnet die Dimension des Deals ein. Quelle
Bildhinweis: Alle verwendeten Bilder sind mit KI-Unterstützung generiert.
Disclaimer: Alle Angaben erfolgen nach bestem Wissen und Gewissen, jedoch ohne Gewähr für Vollständigkeit, Richtigkeit und Aktualität.
Das könnte Sie auch interessieren:
Kommentare