Takeda: Wie KI die Arzneimittelforschung verändert hat

Die ursprüngliche Idee: auf Daten vorhersagen, am Labortisch validieren

Takeda Pharmaceutical hat KI in die Forschungs- und Entwicklungsabläufe gebracht. Die Wissenschaftler haben ihre Arbeitsweise geändert: vom breit angelegten Laborversuch zur datenbasierten Vorhersage, mit gezielter Validierung an wenigen Hypothesen.

Die Fallstudie erschien am 1. Oktober 2026 im MIT Sloan Management Review, gezeichnet von George Westerman und David Kiron. Die Untersuchung entsteht innerhalb eines Programms der Zeitschrift, durchgeführt mit EY und von EY gefördert. Das gehört gleich an den Anfang, denn die Herkunft prägt die Lesart der Zahlen.

Die grundlegende Entscheidung dreht die Reihenfolge der Arbeit um: zuerst zeigt das Modell, wo zu schauen ist, dann prüft der Labortisch die einzelne Hypothese.

Der Hebel liegt hier im Prozessdesign, mehr als in der gewählten Technologie. Wer im Unternehmen baut, erkennt das Muster: Der Wert entsteht, sobald das Modell in den Arbeitstag derjenigen gelangt, die über die Experimente entscheiden.

Das Handwerk des Wissenschaftlers bleibt im Zentrum der Geschichte. Das Modell verengt den Raum der Optionen, der Mensch entscheidet, welcher Weg das Reagenz verdient.

Ein globaler Konzern, gewachsen durch Akquisitionen

Takeda hat seinen Sitz in Tokio und zwei große Zentren, in Zürich und in Cambridge, Massachusetts. Seit 2010 hat eine Kette von Akquisitionen ein überwiegend heimisch orientiertes Unternehmen in einen Weltkonzern verwandelt: rund 50.000 Beschäftigte an über 80 Standorten^[1]. Zürich und Cambridge wiegen in der Geografie der Forschung so schwer wie Tokio.

Wachstum durch Zukauf hinterlässt eine Rechnung. Die Fallstudie beschreibt sie in drei Posten: Systeme, die kaum miteinander sprachen, von Region zu Region unterschiedliche Fähigkeiten, Arbeitsabläufe, die am Markt vorbeiliefen. Das ist der echte Ausgangspunkt, weit entfernt vom aufgeräumten Tableau der Pilotprojekte.

Gabriele Ricci, Chief Data and Technology Officer, nennt den wirtschaftlichen Grund für die Dringlichkeit. Die Branche wächst um 2 % bis 3 % pro Jahr, weit entfernt von den 10 % früherer Zeiten, und daraus erwächst die Forderung nach Agilität und Resilienz.

Für einen technischen Leiter ist das die nützlichste Angabe der Fallstudie: Die Fragmentierung kommt vor der KI, und sie gehört vorher behandelt. Die offizielle Seite zu Forschung und Entwicklung des Konzerns^[2] bleibt die erste Adresse für alle, die den Umfang der Pipeline sehen wollen.

Das Mandat: 80 % der Prozesse neu gedacht bis 2028

Christophe Weber, damals Vorstandsvorsitzender, hat die Summe der Belastungen als Gelegenheit gelesen. Das Mandat an die Organisation: ein digitales biopharmazeutisches Unternehmen werden, mit KI entlang der Wertschöpfungskette.

Die Zahl, die das Maß des Anspruchs gibt: 80 % der Geschäftsprozesse bis 2028 neu denken^[1].

Der äußere Kontext erklärt die Eile. Die Ankündigung von AlphaFold im Jahr 2020 hat der Branche gezeigt, dass ein Modell die Faltung von Proteinen und deren Wechselwirkungen vorhersagen konnte.

• Preise, von Regierungen und Kostenträgern gedrückt
• Auslaufende Patente bei wichtigen Franchises
• Produktivität der Pipeline im Stillstand
• Biotechs mit Algorithmen und Risikokapital auf schwierigen Zielmolekülen

Die Botschaft an die Branche war klar. Wer die Wirkstoffforschung beschleunigt und seinen Betrieb neu aufsetzt, hält Schritt. Die anderen bleiben zurück, und kleine Biotechs zielten schon auf Targets, die die traditionelle Pharmaindustrie für unmöglich hielt.

Ein Ziel, das 80 % der Prozesse berührt, hat einen nützlichen Nebeneffekt: Es verschiebt das Gespräch vom Piloten zum System. Für einen Aufsichtsrat ist das die Latte, die sich wirklich bewegt.

2028 gibt zudem einen messbaren Horizont. Wer die Fallstudie liest, hat ein Datum, zu dem er die Zahlen erneut einfordern kann.

Die Hebel, die die Fallstudie als entscheidend benennt

Die MIT-Fallstudie stellt vier Bedingungen an die Basis der Skalierung: Verantwortung bei den Geschäftsbereichsleitern, solide Datenfundamente, Transformation der Kompetenzen, eine Kultur aus Vertrauen und Experimentierfreude.

Drei dieser vier sind organisatorische Entscheidungen. Die Technologie kommt als letztes Glied, nach der Befehlskette und nach den Daten. Diese Reihenfolge erklärt, warum viele Unternehmen mit den gleichen Werkzeugen beim Piloten stehen bleiben.

Verantwortung beim Geschäftsbereich verändert das Schicksal eines Projekts. Wenn der Bereichsleiter für das Ergebnis einsteht, findet das Modell einen Auftraggeber, und der Auftraggeber findet ein Budget.

Die Datenfundamente sind in einem Konzern, der aus Akquisitionen entstanden ist, die unangenehmste und entscheidendste Arbeit. Stammdaten, Formate und Zugriffe über mehr als 80 Standorte zu vereinheitlichen, kostet Jahre Baustelle.

Die Transformation der Kompetenzen bleibt das langsamste Kapitel. Zu lehren, wie man eine Vorhersage liest und wie man einer Vorhersage misstraut, verlangt Monate der Begleitung.

Die Experimentierkultur schließt den Kreis: Menschen probieren, wenn der Fehler wenig kostet. Das ist die Bedingung, die ein mittelständisches Unternehmen sofort übernehmen kann, zu nahezu null Kosten.

Der Reibungspunkt: die Ergebniszahlen bleiben draußen

Hier kommt der Teil, der die Fallstudie lehrreich macht. Das veröffentlichte Material schildert den Mechanismus präzise und lässt das Before/After zur Produktivität der Wirkstoffforschung draußen.

Es fehlen die Zahlen, die für einen Investor zählen: Moleküle, die in die Klinik gelangen, Zykluszeit pro Zielmolekül, Kosten pro Kandidat. Der Text erklärt vier kritische Faktoren für die Skalierung von KI-Innovation. Ein kritischer Faktor bleibt eine These, und das ist etwas anderes als eine Metrik.

Es lohnt, die Ebenen zu trennen, bei allem Respekt für die Arbeit der Autoren. Eine Fallstudie mit erklärtem Sponsor beschreibt das Design gut, und sie gehört mit ruhiger Hand auf den Ergebniszahlen gelesen. Die stärksten Geschichten kommen mit einer erklärten Korrektur, und die Korrektur ist die informativste Angabe von allen.

Eine zweite Unsicherheit betrifft die Kontinuität an der Spitze. Das Mandat zu den 80 % der Prozesse kommt von Weber, und die Führung des Konzerns hat gewechselt: Von der ersten Pressekonferenz der neuen Präsidentschaft berichtete die japanische Tageszeitung The Asahi Shimbun^[3].

Ein Programm, das bis 2028 läuft, durchquert damit eine Staffelübergabe, und das ist das eigentliche Risiko, das zu beobachten bleibt.

Was du mitnehmen kannst

Der übertragbare Teil dieser Geschichte lebt in der Organisation, bevor er in einem Softwarevertrag lebt.

• Gründer oder Geschäftsführer eines KMU: ein Prozess, ein Verantwortlicher, eine Metrik, erklärt vor dem Start
• Technischer Leiter: Das Modell im Produktivbetrieb zählt, sobald es in den Ablauf derjenigen gelangt, die über die Experimente entscheiden
• Aufsichtsrat und Investoren: nach dem Datum und dem Nenner fragen, dann erneut nach dem Ergebnis fragen
• Teamleiter: die Daten des eigenen Prozesses zu ordnen, ermöglicht alles Weitere

Der erste Schritt kostet wenig: einen Prozess wählen und ihm einen Verantwortlichen mit einer Zahl geben, die sich bewegen soll. Der zweite Schritt kostet Zeit: die Daten dieses Prozesses in Ordnung bringen, vor dem Modell. Der dritte Schritt kostet Mut: die Metrik vor dem Start erklären.

Es lohnt auch ein praktischer Versuch in kleinem Format: ein Modell, das eine Prioritätenliste ordnet, mit menschlicher Prüfung dahinter. Die Form des Falls Takeda trägt auch im verkleinerten Maßstab, und die Lehre bleibt dieselbe.

Diese Geschichte zählt vor allem als Beweis für die Reihenfolge. Die Abfolge der Züge erklärt das Ergebnis besser als die Wahl des Anbieters.

Es bleibt die offene Frage, nützlich für jede Organisation. Welcher Prozess läuft heute aus Gewohnheit, und welche Zahl würde ein Modell bewegen, das an der richtigen Stelle sitzt?

Wer mit einer Zahl antwortet, hat die Transformation schon begonnen. Wer mit einem Adjektiv antwortet, hat die Fundamentarbeit noch vor sich.