KI gestaltet Pharma-Berufe und Insight-Funktionen neu, da Unternehmen interne Kompetenzen aufbauen

Künstliche Intelligenz gestaltet die Arbeit in der Pharmabranche neu: Unternehmen bauen KI-Funktionen aus und stellen interne Teams auf, statt von größeren Stellenverlusten zu berichten. Die Arzneimittelforschung ist der wichtigste Bereich, in dem Unternehmen der Life-Sciences-Branche nicht nur KI-Funktionen, sondern auch Stellen schaffen werden. Gleichzeitig stehen Pharma-Führungskräfte unter Druck, sich von punktueller Forschung und voneinander getrennten Daten hin zu einer kontinuierlichen, stets aktiven Intelligence zu bewegen.

Eine aktuelle Umfrage unter Führungskräften der Branche ergab, dass die Mitglieder der Führungsebene von Pharmaunternehmen nicht davon ausgehen, dass KI zu größeren Stellenverlusten führen wird. „Anstatt Arbeitsplätze zu ersetzen, schafft KI neue Rollen und wertet bestehende auf, wodurch Neugier, Kreativität und kritisches Denken zu unverzichtbaren Fähigkeiten für die Zukunft werden“, hieß es in einer Mitteilung vom Dezember zur zweiten jährlichen AI Festival. Ein Personalberater sagte, KI ersetze nicht unbedingt Stellen eins zu eins, sondern „verteile und verändert die Arten von Arbeitsplätzen, die nun entstehen“.

Tatsächlich hat KI bei einigen großen Arzneimittelherstellern Arbeitsplätze geschaffen. Ein Unternehmen erklärte, es arbeite mit Nvidia zusammen, um in San Francisco eine „KI-Fabrik für die Arzneimittelforschung“ sowie ein Co-Innovation-Labor aufzubauen, wodurch neue wissenschaftliche und technische Rollen entstehen sollen. Mehr als die Hälfte der befragten Biotech-Führungskräfte sagte, KI-Expertinnen und -Experten gehörten zu den drei wichtigsten Rollen, die sie in den kommenden Jahren besetzen müssten. Die Suche nach KI-Talenten ist besonders entscheidend, da Unternehmen der Life-Sciences-Branche mehr in interne KI-Teams investieren und diese weiter ausbauen.

Die Arzneimittelforschung ist der größte Bereich, in dem Unternehmen der Life-Sciences-Branche nicht nur KI-Funktionen, sondern auch Arbeitsplätze schaffen werden. KI ermöglicht es Unternehmen, Therapien und Medikamente zu einem Bruchteil der bisherigen Kosten und mit einem Bruchteil der Ressourcen zu entdecken, was in der Forschung die Nachfrage nach Talenten im KI- und Machine-Learning-Engineering erhöht. Auch Rollen in der kommerziellen Analytik sind stark gefragt, da Bedarf an Fachkräften besteht, die kommerzielle Daten und Real-World-Evidence analysieren können. Positionen und Abteilungen, die sich direkt auf die Time-to-Market und den regulatorischen Erfolg auswirken, dürften weiterhin stark gefragt bleiben.

Auch Stellenbezeichnungen in der Pharmabranche werden durch KI neu geformt; es entstehen hybride Rollen, die mehrere Funktionen und Fähigkeiten zusammenführen, etwa kommerzielle Analytik und Market Access. Unternehmen fragen stärker nach funktionsübergreifenden Kompetenzprofilen als nach technischen Expertinnen und Experten für nur einen Bereich. Ein Beispiel beschrieb ein Unternehmen, das nach der Einführung von KI-Fähigkeiten Abteilungen zusammenlegte und von Mitarbeitenden stärker funktionsübergreifendes Arbeiten verlangte, ohne dass Beschäftigte verdrängt wurden.

Der Druck zur Einführung von KI verändert auch die Art und Weise, wie die Pharmabranche kommerzielle Erkenntnisse gewinnt. Trotz hoher Investitionen in Daten, Forschung und Content-Entwicklung blieben die Ergebnisse weiterhin enttäuschend: 77 % der Pharma-Inhalte erreichen nie ihr beabsichtigtes Publikum, die Hälfte aller Produkteinführungen bleibt hinter den Erwartungen zurück, und jede vierte erzielt weniger als die Hälfte der Prognose. Die meisten Insight-Funktionen in globalen Pharmaunternehmen sind noch immer auf eine langsamere, besser vorhersehbare Welt ausgerichtet, in der Pläne jährlich festgelegt werden, Daten in Silos liegen und Marktforschung schubweise stattfindet.

In den vergangenen 18 Monaten hat die GLP-1-Kategorie gezeigt, wie schnell sich Wettbewerbsdynamiken verschieben können. Veröffentlichte Analysen von US-Verschreibungsdaten zeigten, dass Eli Lilly Novo Nordisk in wichtigen Segmenten innerhalb weniger Monate überholte, und die Einführung oraler GLP-1s gestaltet die Kategorie bereits erneut um. In diesem Umfeld sind Insights, die vierteljährlich oder selbst monatlich geliefert werden, bereits veraltet.

Ein jüngstes Beispiel aus der Immunologie zeigte unerwartete Wechsel von Ärztinnen und Ärzten innerhalb von drei bis vier Monaten nach dem Markteintritt eines Wettbewerbers. Die bestehende Competitive Intelligence stützte sich stark auf historische Claims-Daten und syndizierte Daten, sodass die Auswirkungen erst sichtbar wurden, als die Wechsel bereits im Gange waren. Das Team wechselte von retrospektivem Reporting zu einem kontinuierlichen System zur Bedrohungserkennung, das Signale aus Zugangs- und Erstattungsdynamiken, Wettbewerbsaktivitäten und Kundeninteraktionen zu einem einzigen Intelligence-Strom verband und spezifische Auslöser Wochen früher sichtbar machte, als sie in Standard-Marktdaten erschienen wären. Die Marke reagierte mit einer Reihe von Sprints über sechs bis acht Wochen, die darauf ausgelegt waren, gezielte Abwehrmaßnahmen zu testen, zu verfeinern und einzuführen. Das Ergebnis waren eine frühere Erkennung, schnellere Abstimmung und eine fokussierte Intervention, die die Wechseltrends stabilisierte.

Dieser Ansatz wurde als Precision Intelligence beschrieben, die eher als kontinuierlicher Kreislauf denn als linearer Prozess arbeitet. Daten aus Quellen wie Claims, CRM, Kundeninteraktionen, Patientenunterstützung und Brand Tracking werden so verbunden, dass frühe Veränderungen in Verhalten und Stimmung sichtbar werden, die ein einzelner Datensatz nicht erfassen würde. Die Pharmabranche gibt mehr denn je für Insights, Messaging und Aktivierung aus, doch lineare Planung, punktuelle Forschung und voneinander getrennte Daten können Märkte, die sich heute mit hoher Geschwindigkeit bewegen, nicht unterstützen.