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

Stel je een wereld voor waarin het bouwen van een nieuw medicijn niet alleen gaat over het mengen van chemicaliën in een lab, maar over het maken van duizenden beslissingen met een hoge inzet onder druk. Het is als het spelen van een enorme, complexe videogame waarbij je moet kiezen welke personages je upgradet, welke levels je overslaat en wanneer je je inventaris verkoopt, terwijl de regels constant veranderen. Decennialang hebben menselijke bedrijven dit opgelost door het werk te splitsen in "afdelingen"—een team voor biologie, een team voor regels, een team voor verkoop, enzovoort. Ze sturen memo's naar elkaar toe, in de hoop dat de eindbaas (de FDA of de markt) tevreden is. Maar wat als we een bedrijf zouden kunnen bouwen dat wordt gerund door AI? Moeten we die menselijke afdelingen gewoon kopiëren en plakken in robotrollen, of is er een slimmere manier om een digitale hersenpan te organiseren?

Dit is de grote vraag die wordt behandeld in een nieuwe studie genaamd "Do AI-Native Biotechs Need Departments?". De onderzoekers verkennen een concept genaamd een "World Model" (Wereldmodel). Denk aan een World Model als een superkrachtige glazen bol die niet alleen de toekomst voorspelt, maar ook constant een live kaart bijhoudt van "wat er nu gebeurt" en "wat er gebeurt als ik X doe". In plaats van alleen naar één stukje van de puzzel te kijken, houdt een World Model een voortdurende score bij van hoe elke actie de kansen van het bedrijf op succes, geld en goedkeuring verandert. De studie vraagt zich af: Als we een AI-bedrijf bouwen, moeten we het dan dwingen om te handelen als een menselijke onderneming met verschillende afdelingen, of moeten we het laten draaien op een enkele, gedeelde "live kaart" die door iedereen in realtime wordt bijgewerkt?

Het Experiment: Een Tijdreis-Beslissingsspel

Om het antwoord te vinden, hebben de onderzoekers geen echt farmaceutisch bedrijf gebouwd of nieuwe medicijnen getest in een lab. In plaats daarvan creëerden ze een "dry-lab" benchmark, wat lijkt op een enorme, 45-level videogame-omgeving die ontworpen is om besluitvorming te testen. Ze namen 45 echte historische momenten uit de farmaceutische industrie mee—momenten waarop een bedrijf moest beslissen of het een medicijn verder zou financieren, zou stoppen of zou verkopen. Ze gaven deze scenario's aan verschillende AI-teams, maar met een addertje onder het gras: de AI-teams mochten alleen informatie zien die beschikbaar was tot aan die specifieke datum in het verleden. Ze konden niet in de toekomst kijken om te zien of het medicijn daadwerkelijk werkte of geld opleverde.

De onderzoekers testten vier verschillende "teamstructuren" om te zien welke de beste beslissingen nam:

1. De Menselijke Kopie: AI-agenten die precies handelen als menselijke afdelingen (Biologie, Klinisch, Verkoop, etc.) en memo's doorgeven aan een commissie.
2. De Menselijke Kopie Plus: Een slimme versie van het bovenstaande, waarbij de afdelingen een beter geheugen delen en effectiever met elkaar in discussie gaan.
3. De Asset-Centrische AI: Een team dat georganiseerd is rondom één enkel, live "asset record" (een digitaal bestand dat de voortgang van het medicijn bijhoudt) in plaats van rondom afdelingen.
4. Het "Company World Model" (Value-Conversion): De ster van de show. Dit team had geen afdelingen. In plaats daarvan had het een gedeeld "Live Asset Value Record" en vier speciale "kamers" die fungeerden als operators: een Deal Room (controleren of partners willen kopen), een Approval Room (controleren of regelgevers ja zullen zeggen), een Revenue Room (controleren of mensen het zullen kopen) en een Investment Arbiter (de baas die de volgende stap bepaalt op basis van de live kaart).

De Resultaten: Het hangt ervan af wat je probeert te winnen

De resultaten waren verrassend en genuanceerd. Wanneer de onderzoekers de AI-teams beoordeelden op basis van hoe goed ze een medicijn konden omzetten in een zakelijk succes (het verkrijgen van een deal, goedkeuring of omzet), was de architectuur van het Company World Model de duidelijke winnaar. Het scoorde een 4,68 op 5, waarmee het de "Menselijke Kopie" (4,33) en de "Asset-Centrische" versie (4,26) versloeg. Wanneer blinde beoordelaars (die niet wisten welke team welke was) de beslissingen beoordeelden, gaven ze een sterke voorkeur aan het World Model-team; één beoordelaar koos het zelfs 42 keer uit 45 tegen de originele menselijke kopie.

Echter, het verhaal wordt interessanter wanneer je de regels verandert. De onderzoekers realiseerden zich dat ze misschien vals speelden door de AI te vragen een spel te spelen dat specifiek ontworken was voor het "Value-Conversion"-team. Daarom voegden ze een "neutrale rechter" toe die niet om geld of deals gaf, maar alleen om algemene besluitvormingskwaliteit, risicobewustzijn en logica. Onder deze neutrale test domineerde het World Model-team niet. Het "Menselijke Kopie Plus"-team deed het eigenlijk iets beter (25 overwinningen tegenover 20) en het verschil was statistisch gezien niet groot.

Dit vertelt ons iets cruciaals: Het "Company World Model" is geen wondermiddel dat alles wint. Het is een gespecialiseerd hulpmiddel. Als je doel is om zakelijke waarde te maximaliseren (deals, goedkeuringen, omzet), dan is een organisatie rondom een gedeelde, voorspellende staat van "asset-naar-waarde" superieur. Maar als je doel simpelweg is om een goede, neutrale wetenschapper te zijn, dan werkt een traditionele afdelingsstructuur (zelfs een slimme) net zo goed.

De "Kamers" versus de Afdelingen

Een van de coolste bevindingen kwam voort uit het uit elkaar halen van het winnende team. De onderzoekers verwijderden één "kamer" tegelijk om te zien wat er gebeurde.

• Toen ze de Revenue Room verwijderden, daalde het vermogen van het team om over geld en verkoop na te denken aanzienlijk.
• Toen ze de Deal Room verwijderden, stortte hun vermogen om partners te vinden in.
• Toen ze de Approval Room verwijderden, verslechterde hun denkvermogen over regelgeving.

Dit bewees dat de "kamers" niet slechts fancy namen waren voor afdelingen. Het waren actieve "operators" die de gedeelde kaart constant bijwerkten. De studie suggereert dat je in een AI-native bedrijf niet simpelweg menselijke afdelingen moet kopiëren. In plaats daarvan moet je een gedeelde, levende staat hebben (het Live Asset Value Record) die door iedereen wordt bijgewerkt, en specifieke "operators" die verschillende toekomsten simuleren (Zal dit worden goedgekeurd? Zal dit verkopen?).

De Kern van het Verhaal

Dus, hebben AI-native biotechs afdelingen nodig? De paper suggereert dat het antwoord is: "niet als de kern van het brein."

Afdelingen zijn prima voor menselijk bestuur en voor het organiseren van menselijke vergaderingen, maar ze zijn een slecht blauwdruk voor de interne logica van een AI. Het beste ontwerp lijkt een Company World Model te zijn: een systeem waarbij een enkele, controleerbare "live kaart" van de waarde van het medicijn constant wordt bijgewerkt door verschillende operators (Deal, Approval, Revenue, etc.), en een planner de volgende stap bepaalt op basis van die kaart.

De studie merkt voorzichtig op dat dit een simulatie is. Het bewijst dat deze structuur betere beslissingen neemt in een computerspel over het verleden. Het bewijst niet dat een AI die deze methode gebruikt, daadwerkelijk een nieuw geneesmiddel zal ontdekken of miljarden dollars zal verdienen in de echte wereld. Maar het suggereert wel dat als we willen dat AI een farmaceutisch bedrijf runt, we niet alleen een robotversie van een organogram uit de jaren '90 moeten bouwen. We moeten een systeem bouwen dat constant de toekomst van waarde simuleert, in plaats van alleen maar memo's tussen afdelingen door te sturen.