Do AI-Native Biotechs Need Departments? Benchmarking Company World Models for AI-Driven Drug Development

Stellen Sie sich eine Welt vor, in der die Entwicklung eines neuen Medikaments nicht nur daraus besteht, Chemikalien in einem Labor zu mischen, sondern darin, tausende hochriskante Entscheidungen unter Druck zu treffen. Es ist wie das Spielen eines massiven, komplexen Videospiels, bei dem man entscheiden muss, welche Charaktere man aufwertet, welche Level man überspringt und wann man sein Inventar verkauft – und das alles, während sich die Regeln ständig ändern. Jahrzehntelang haben menschliche Unternehmen dies gelöst, indem sie die Arbeit in „Abteilungen“ aufgeteilt haben: ein Team für Biologie, ein Team für Regeln, ein Team für den Vertrieb und so weiter. Sie lassen Notizen hin und her gehen und hoffen, dass der Endboss (die FDA oder der Markt) zufrieden ist. Aber was wäre, wenn wir ein Unternehmen bauen könnten, das von einer KI gesteuert wird? Sollten wir einfach jene menschlichen Abteilungen in Roboterrollen kopieren und einfügen, oder gibt es einen klügeren Weg, ein digitales Gehirn zu organisieren?

Dies ist die große Frage, die in einer neuen Studie mit dem Titel „Do AI-Native Biotechs Need Departments?“ untersucht wird. Die Forscher erforschen das Konzept eines „World Model“ (Weltmodells). Stellen Sie sich ein Weltmodell wie eine supermächtige Kristallkugel vor, die nicht nur die Zukunft errät, sondern ständig eine Live-Karte dessen aktualisiert, „was gerade passiert“ und „was passieren wird, wenn ich X tue“. Anstatt nur einen einzelnen Teil des Puzzles zu betrachten, führt ein Weltmodell eine fortlaufende Bewertung darüber, wie jede Aktion die Erfolgschancen, das Geld und die Zulassung des Unternehmens verändert. Die Studie fragt: Wenn wir ein KI-Unternehmen bauen, sollten wir es zwingen, wie eine menschliche Korporation mit verschiedenen Abteilungen zu agieren, oder sollten wir es auf einer einzigen, gemeinsamen „Live-Karte“ laufen lassen, die von allen in Echtzeit aktualisiert wird?

Das Experiment: Ein Zeitreise-Entscheidungsspiel

Um die Antwort zu finden, bauten die Forscher kein echtes Pharmaunternehmen auf und testeten keine neuen Medikamente in einem Labor. Stattdessen erschufen sie einen „Dry-Lab“-Benchmark, der wie ein massives, 45-Level-Videospiel konzipiert ist, um die Entscheidungsfindung zu testen. Sie nahmen 45 reale historische Momente aus der Pharmaindustrie – Zeiten, in denen ein Unternehmen entscheiden musste, ob es ein Medikament weiter finanziert, es stoppt oder verkauft. Sie gaben diese Szenarien verschiedenen KI-Teams, aber mit einem Haken: Die KI-Teams konnten nur Informationen sehen, die bis zu diesem spezifischen Datum in der Vergangenheit verfügbar waren. Sie konnten nicht in die Zukunft schauen, um zu sehen, ob das Medikament tatsächlich funktionierte oder Geld einbrachte.

Die Forscher testeten vier verschiedene „Teamstrukturen“, um zu sehen, welche die besten Entscheidungen trifft:

1. Die menschliche Kopie: KI-Agenten, die exakt wie menschliche Abteilungen (Biologie, Klinisch, Vertrieb usw.) agieren und Memos an ein Komitee weiterleiten.
2. Die menschliche Kopie Plus: Eine intelligentere Version des Obigen, bei der die Abteilungen ein besseres Gedächtnis teilen und effektiver debattieren können.
3. Die Asset-zentrierte KI: Ein Team, das um eine einzige, lebendige „Asset-Akte“ (eine digitale Datei, die den Fortschritt des Medikaments verfolgt) organisiert ist, statt um Abteilungen.
4. Das „Company World Model“ (Value-Conversion): Der Star der Show. Dieses Team hatte keine Abteilungen. Stattdessen besaß es eine gemeinsame „Live Asset Value Record“ (lebendige Aktennotiz zum Wert des Vermögenswertes) und vier spezielle „Räume“, die als Operatoren fungierten: ein Deal Room (prüft, ob Partner kaufen wollen), ein Approval Room (prüft, ob Regulierungsbehörden zustimmen), ein Revenue Room (prüft, ob Menschen es kaufen werden) und ein Investment Arbiter (der Chef, der die nächste Entscheidung basierend auf der Live-Karte trifft).

Die Ergebnisse: Es kommt darauf an, was man gewinnen will

Die Ergebnisse waren überraschend und nuanciert. Wenn die Forscher die KI-Teams danach bewerteten, wie gut sie ein Medikament in einen geschäftlichen Erfolg verwandeln konnten (Deals, Zulassungen oder Umsatz), war die Architektur des Company World Model der klare Gewinner. Es erreichte einen Wert von 4,68 von 5 und schlug damit die „menschliche Kopie“ (4,33) und die „Asset-zentrierte“ Version (4,26). Als blinde Preisrichter (die nicht wussten, welches Team welches war) die Entscheidungen beurteilten, bevorzugten sie das World-Model-Team stark; ein Richter wählte es 42 Mal von 45 Mal gegenüber der ursprünglichen menschlichen Kopie.

Doch die Geschichte wird interessanter, wenn man die Regeln ändert. Die Forscher erkannten, dass sie vielleicht geschummelt hatten, indem sie die KI baten, ein Spiel zu spielen, das speziell für das „Value-Conversion“-Team konzipiert war. Also fügten sie einen „neutralen Richter“ hinzu, dem weder Geld noch Deals wichtig waren, sondern nur die allgemeine Entscheidungsqualität, das Risikobewusstsein und die Logik. Unter diesem neutralen Test dominierte das World-Model-Team nicht. Das „Human Copy Plus“-Team schnitt tatsächlich etwas besser ab (25 Siege zu 20), und der Unterschied war statistisch nicht signifikant groß.

Dies zeigt uns etwas Entscheidendes: Das „Company World Model“ ist kein magisches Allheilmittel. Es ist ein spezialisiertes Werkzeug. Wenn Ihr Ziel darin besteht, den Geschäftswert zu maximieren (Deals, Zulassungen, Umsatz), ist eine Organisation rund um einen geteilten, prädiktiven Zustand von „Asset-zu-Wert“ überlegen. Aber wenn Ihr Ziel darin besteht, einfach ein guter, neutraler Wissenschaftler zu sein, funktioniert eine traditionelle Abteilungsstruktur (selbst eine intelligente) genauso gut.

Die „Räume“ vs. die Abteilungen

Einer der spannendsten Funde ergab sich aus der Zerlegung des Gewinnerteams. Die Forscher entfernten jeweils einen „Raum“, um zu sehen, was passierte:

• Als sie den Revenue Room entfernten, sank die Fähigkeit des Teams, über Geld und Verkauf nachzudenken, erheblich.
• Als sie den Deal Room entfernten, brach die Fähigkeit des Teams, Partner zu finden, ein.
• Als sie den Approval Room entfernten, verschlechterte sich das regulatorische Denken.

Dies bewies, dass die „Räume“ nicht nur schicke Namen für Abteilungen waren. Sie waren aktive „Operatoren“, die die gemeinsame Karte ständig aktualisierten. Die Studie legt nahe, dass man in einem KI-nativen Unternehmen nicht einfach menschliche Abteilungen kopieren sollte. Stattdessen sollte man einen gemeinsamen, lebendigen Zustand (die Live Asset Value Record) haben, den alle aktualisieren, sowie spezifische „Operatoren“, die verschiedene Zukünfte simulieren (Wird dies genehmigt? Wird es sich verkaufen?).

Das Fazit

Also, brauchen KI-native Biotech-Unternehmen Abteilungen? Die Arbeit legt nahe, dass die Antwort lautet: „Nicht als den Kern des Gehirns.“

Abteilungen sind in Ordnung für die menschliche Governance und zur Organisation menschlicher Meetings, aber sie sind ein schlechter Bauplan für die interne Logik einer KI. Das beste Design scheint ein Company World Model zu sein: ein System, in dem eine einzige, prüfbare „Live-Karte“ des Werts eines Medikaments ständig durch verschiedene Operatoren (Deal, Approval, Revenue usw.) aktualisiert wird und ein Planer die nächste Entscheidung basierend auf dieser Karte trifft.

Die Studie weist vorsichtig darauf hin, dass dies eine Simulation ist. Sie beweist, dass diese Struktur bessere Entscheidungen in einem Computerspiel über die Vergangenheit trifft. Sie beweist nicht, dass eine KI, die diese Methode verwendet, in der realen Welt tatsächlich ein neues Heilmittel entdeckt oder Milliarden verdient. Aber sie legt nahe, dass wir, wenn wir wollen, dass eine KI ein Pharmaunternehmen leitet, nicht einfach eine Roboterversion eines Unternehmensorganigramms aus den 1990er Jahren bauen sollten. Wir sollten ein System bauen, das ständig die Zukunft des Wertes simuliert, anstatt nur Memos zwischen Abteilungen hin und her zu schicken.