Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
Forschung und Entwicklung galten lange als der am schwersten messbare Geschäftsprozess. Der Chemie-Nobelpreis 2024 für das AlphaFold-Team hat diese Wahrnehmung verändert: KI wird nun als eigenständiges wissenschaftliches Werkzeug anerkannt und nicht mehr nur als Effizienz-Add-on. Dieser Artikel klärt, welche dokumentierten, überprüfbaren Belege tatsächlich existieren – und was (noch) eine unbewiesene Annahme oder eine blosse Behauptung ist.
Ein Nobelpreis als Wendepunkt punkt
Produktivitätsgewinne lassen sich in der Fertigung über den Stückausstoss und in der Verwaltung über Durchlaufzeiten messen. In Forschung und Entwicklung war dies historisch gesehen nahezu unmöglich: Der Output eines Forschungsprogramms – eine Entdeckung, ein Patent, ein klinisch wirksamer Medikamentenkandidat – lässt sich nicht einfach als Transaktionsvolumen zählen. Diese Einschätzung hat sich geändert, allerdings nicht durch eine Produktivitätsstudie, sondern durch eine der höchsten wissenschaftlichen Auszeichnungen: Der Chemie-Nobelpreis 2024 ging an das Team hinter AlphaFold und bestätigte damit offiziell, dass künstliche Intelligenz ein grundlegendes Werkzeug der Molekularwissenschaft ist – und nicht nur eine zusätzliche Effizienzschicht, die der bestehenden Forschung übergestülpt wird.
Für institutionelle Investoren, die nach strukturellem Effizienzpotenzial in Unternehmen suchen, ist dies mehr als nur eine Fussnote in der wissenschaftlichen Literatur. Es markiert den Punkt, an dem ein Unternehmensprozess, der bisher kaum quantifizierbar war, erstmals mit nachvollziehbaren Zeit- und Ergebniskennzahlen beschrieben werden kann.
Warum Forschung so schwer zu beschleunigen war
Ein traditionelles Forschungsprogramm ist iterativ: Ein Forscher schlägt eine Kandidatenstruktur vor, synthetisiert sie, testet sie und wartet wochenlang auf ein Ergebnis, bevor das nächste Experiment beginnt. Dieser Prozess skaliert mit Personal und Zeit, nicht mit Rechenleistung. KI-gestützte Methoden ändern genau diese Einschränkung: Ein Modell kann mithilfe von Computern Tausende Kandidaten vorschlagen und bewerten, bevor auch nur einer davon das Labor erreicht. Dem zugrunde liegenden Dossier zufolge zeigen die robustesten veröffentlichten Ergebnisse in diesem Bereich eine Verkürzung der Entwicklungszeit um 60 bis 95 Prozent – deutlich mehr als bei vielen anderen Prozessoptimierungen üblich.
Es ist wichtig anzumerken, dass die Beweislage gerade in diesem Bereich mit besonderer Sorgfalt geprüft werden muss. Eine viel zitierte Studie aus dem Jahr 2024, die behauptete, durch randomisierte kontrollierte Studien einen Anstieg KI-gestützter Materialentdeckungen um 44 Prozent belegt zu haben, wurde im Mai 2025 vom MIT offiziell zurückgezogen, nachdem eine interne Prüfung ergab, dass es keine Grundlage für die Herkunft der Daten gab. Die Autoren gaben an, den zugrunde liegenden Datensatz vollständig erfunden zu haben. Dieser Artikel stützt sich daher bewusst ausschliesslich auf begutachtete klinische Publikationen, namentlich genannte Unternehmensstatements und überprüfbare Finanzierungsdaten – eine engere, aber verlässlichere Datenbasis.
Das Toolkit: Vier Bausteine
Generatives molekulares Design erhält die meiste öffentliche Aufmerksamkeit, aber der eigentliche Produktivitätsgewinn ergibt sich aus einem breiteren Toolkit:
- Generatives Molekül- und Materialdesign: KI-Systeme schlagen neuartige Wirkstoff- oder Materialkandidaten direkt auf Basis einer Zieleigenschaft vor und erschliessen damit einen deutlich grösseren chemischen oder strukturellen Suchraum, als es intuitiv gesteuerte Forschung könnte.
- Selbstfahrende Labore/geschlossene Entdeckungskreisläufe: Roboter-gestützte Experimente werden mit KI-gesteuertem Versuchsdesign kombiniert, sodass Synthese, Test und Feedback ohne menschliches Eingreifen bei jedem einzelnen Schritt erfolgen – ganze iterative Laborzyklen werden eliminiert, anstatt sie nur zu beschleunigen.
- KI-gestützte Literatursynthese: Sprachmodelle reduzieren den Zeitaufwand für Literaturrecherchen, indem sie die wirklich relevanten Ergebnisse aus einer Publikationsflut herausfiltern, die kein Mensch vollständig lesen könnte.
- Protein- und Molekülstrukturvorhersage: Modelle aus der AlphaFold-Reihe sagen die dreidimensionale Struktur eines Moleküls aus Sequenzdaten mit nahezu experimenteller Genauigkeit voraus – ein Problem, das fünfzig Jahre lang ungelöst geblieben war.
Robuste Zahlen – und ihre Grenzen
Drei Beispiele aus dem Dossier verdeutlichen, was bisher tatsächlich dokumentiert wurde:
- Insilico Medicine – Rentosertib: Der erste veröffentlichte Wirkstoffkandidat, bei dem sowohl das Zielmolekül als auch der Wirkstoff mithilfe von KI identifiziert wurden. Das Programm erreichte den Status eines präklinischen Kandidaten in etwa 18 Monaten, verglichen mit einem Branchendurchschnitt von rund 4,5 Jahren. Die Ergebnisse der Phase-IIa-Studie, die im Juni 2025 in der Fachzeitschrift NatureMedicineveröffentlicht wurden, zeigten eine durchschnittliche Verbesserung der Lungenfunktion um 98,4 Milliliter in der Behandlungsgruppe, verglichen mit einem durchschnittlichen Rückgang von 20,3 Millilitern in der Placebogruppe. Rentosertib ging 2026 in die Phase-III-Studien über.
- Exscientia – DSP-1181: Dieses in Zusammenarbeit mit Sumitomo Dainippon Pharma entwickelte Programm schloss die explorative Forschungsphase in unter zwölf Monaten ab, verglichen mit einem Branchendurchschnitt von 4,5 Jahren – wenngleich Sumitomo das Programm in der Folge einstellte. Dies ist eine wichtige Erinnerung: Eine schnellere Entdeckung garantiert keinen klinischen Erfolg.
- Sanofi: Mit einer Kooperations- und Lizenzvereinbarung mit Exscientia im Wert von bis zu 5,2 Milliarden US-Dollar an Meilensteinzahlungen für 15 Kandidatenmoleküle sowie separaten Partnerschaften mit Atomwise und Insilico Medicine hat Sanofi eine der breitesten KI-F&E-Strategien der Branche aufgebaut.
Laut Dossier stammen diese Zahlen aus begutachteten Publikationen oder öffentlich gemeldeten Unternehmensmeilensteinen, nicht aus unbestätigten Branchenschätzungen. Dennoch gilt: Einzelne Ergebnisse aus der pharmazeutischen Forschung lassen sich nicht direkt auf jede Branche oder jedes Unternehmen übertragen, und ein kürzerer Entwicklungszyklus ist kein Beleg für höhere kommerzielle oder klinische Erfolgsraten.
Wie sich die Venture-Landschaft verändert
Der Sektor hat bereits eine der grössten im Dossier dokumentierten Konsolidierungen erlebt: 2024/2025 übernahm Recursion Pharmaceuticals seinen Konkurrenten Exscientia in einer reinen Aktientransaktion im Wert von rund 688 Millionen US-Dollar und kombinierte damit umfangreiche zelluläre Bildgebungsdaten mit einer KI-Designplattform und einer klinischen Pipeline. Gleichzeitig ist der Sektor durch eine sehr hohe Kapitalintensität gekennzeichnet. Isomorphic Labs, das Spin-off von DeepMind, hat 2,68 Milliarden US-Dollar aufgenommen, einschliesslich einer Series-B-Finanzierungsrunde über 2,1 Milliarden US-Dollar – und weist dennoch bisher keine Produktumsätze aus. Schrödinger hingegen hat als börsennotiertes Unternehmen (NASDAQ: SDGR) einen anderen Weg eingeschlagen und bietet Investoren einen seltenen direkten Zugang zum computergestützten molekularen Design auf dem öffentlichen Markt.
Orientierungshilfe für institutionelle Investoren
Der hier skizzierte Mechanismus – bei dem ein langsamer, sequenzieller Prozess durch die computergestützte Vorabprüfung tausender Hypothesen ersetzt wird – ist ein Beispiel dafür, wie strukturelle Effizienzpotenziale in Unternehmen entstehen und sichtbar werden können. Für die Bewertung einzelner Unternehmen oder Ventures bedeutet dies: Entscheidend ist nicht die Ankündigung einer KI-Strategie, sondern ob daraus dokumentierte, überprüfbare und wiederholbare Ergebnisse abgeleitet werden können – und ob eine schnellere Entwicklung tatsächlich zu robusten klinischen oder kommerziellen Erfolgen führt.
Dieser Artikel beschreibt einen Investitionsansatz und eine analytische Perspektive; er stellt keine individuelle Anlageberatung, keine Anlageempfehlung und keine Garantie für zukünftige Ergebnisse dar. Historische oder modellbasierte Ergebnisse sind kein verlässlicher Indikator für die zukünftige Wertentwicklung.
Teil einer umfassenderen Serie
Dieser Artikel ist Teil der Averdas-Serie über Bereiche, in denen Unternehmen heute Produktivitätsgewinne erzielen können. Die Serie untersucht insgesamt zwölf verschiedene Bereiche – von operativen Prozessen bis hin zur strategischen Forschung und Entwicklung. Den Überblick finden Sie unter Wo Unternehmen Produktivitätsgewinne erzielen können.
