Was KI heute in der Naturwissenschaft löst

Wenn KI im Berufsalltag von IT-Profis vorkommt, geht es meistens um die gleichen Themen: Code generieren, Tickets zusammenfassen, Tests schreiben, Designs durchspielen. Das ist nützlich, aber es ist nicht das, was KI heute am beeindruckendsten macht. An ein paar anderen Stellen löst KI gerade Probleme, an denen Forschungsgruppen jahrzehntelang gesessen haben. Diese Geschichten kommen im Alltag selten vor, sind aber genau die, die in Kundengesprächen interessant werden, weil eure Kunden in Pharma, Industrie und Forschung exakt diese Probleme haben.

Drei Beispiele aus der Naturwissenschaft, alle aktuell, alle mit echten Ergebnissen.

Anthropics Project Deal: KI verhandelt für Menschen

Im Dezember 2025 hat Anthropic im eigenen San-Francisco-Büro einen geschlossenen Marktplatz aufgebaut. 69 Mitarbeitende boten gebrauchte Gegenstände an oder suchten welche, verhandelten aber nicht selbst, sondern ließen Claude-Agenten für sich verhandeln. Eine Woche lang, mehr als 500 gelistete Items, am Ende 186 abgeschlossene Deals mit einem Gesamtvolumen von rund 4.000 USD. Die Ergebnisse hat Anthropic Ende April 2026 veröffentlicht.

Das jahrzehntelang harte Problem dahinter: Verhandeln ist soziale Komplexität. Es braucht Verständnis für Gegenüber, Preisanker, Geduld, Bluff, Zugeständnisse, alles in natürlicher Sprache. Klassische Algorithmen für automatisiertes Bidding gibt es seit den 1990ern, aber sie funktionieren nur in stark strukturierten Auktions-Settings (eBay-Sniping, RTB-Anzeigen). Freie Verhandlung über alltägliche Gegenstände, in der jeder Deal anders aussieht, war für Software lange unzugänglich.

Was Project Deal zeigt, geht über "KI kann verhandeln" hinaus. Die Modelle haben tatsächlich abgeschlossen, 186 Deals in einer Woche, ohne vorgegebenes Protokoll, in normaler Konversation. Aggressive Anweisungen wie "verhandle hart" oder "lass dich nicht abzocken" hatten statistisch keinen messbaren Effekt aufs Ergebnis. Was zählte, war die Modell-Qualität. Mit Claude Opus erzielten Verkäufer im Schnitt 2,68 USD mehr pro Item, Käufer sparten 2,45 USD pro Item, und sie schlossen über zwei Deals mehr ab als Haiku-Nutzer.

Der eigentlich pikante Befund kam aus der Nachbefragung: die Haiku-Nutzer haben ihren Nachteil nicht gemerkt. Auf einer Fairness-Skala von eins bis sieben gaben Haiku- und Opus-Nutzer praktisch identische Werte (4,06 vs 4,05). Wer schlechter weggekommen ist, fand seine Deals genauso fair. Das ist die Stelle, an der ich beim Lesen des Anthropic-Berichts kurz pausiert habe.

Wo das heute schon nutzbar ist: noch nirgendwo produktiv im klassischen Sinn. Project Deal ist ein Pilot, kein Produkt. Aber Anthropic, OpenAI und Google bauen bereits an Agentic-Commerce-Infrastruktur (Stripe Agent Toolkit, Visa Trusted Agent Protocol, Mastercard Agent Pay), und die Frage "wer verhandelt für mich, wenn ich nicht da bin" wird in den nächsten zwölf Monaten konkret.

Wo es noch hängt: rechtlich ist nichts davon geklärt. Wer haftet, wenn ein Agent einen Deal abschließt, den der Mensch so nicht wollte? Welche Beweisbarkeit braucht ein agentisches Vertragsmoment? Anthropic selbst nennt Project Deal explizit ein "Pilot mit selbst-selektierter Stichprobe", was eine ehrliche Einschränkung ist.

AlphaFold 3 und Isomorphic Labs: Pharma-Pipeline mit echten Deals

AlphaFold 1 und 2 haben das Problem der Proteinfaltung gelöst, eine Aufgabe, an der Strukturbiologie 50 Jahre gearbeitet hat. AlphaFold 3 ist seit Mai 2024 verfügbar und geht den Schritt weiter: Es modelliert nicht nur einzelne Proteine, sondern auch deren Interaktionen mit anderen Molekülen, Liganden, DNA und RNA. Das ist die eigentliche Frage in der Pharmaforschung: nicht "wie sieht dieses Protein aus", sondern "welches Molekül passt in diese Bindungstasche und was passiert dann".

Das jahrzehntelang harte Problem: ein klassisches Drug-Discovery-Programm braucht 10 bis 15 Jahre und kostet im Schnitt über zwei Milliarden USD. Die ersten Schritte (Target finden, Bindung verstehen, Lead-Kandidaten generieren) dauern mehrere Jahre und führen meistens ins Leere. Die schwierigsten Targets, sogenannte "undruggable Proteins", galten als nicht angreifbar mit Small-Molecule-Drogen, weil ihre Oberflächen zu glatt oder zu beweglich sind.

Was AlphaFold 3 in Kombination mit dem Isomorphic-Labs-Drug-Design-Engine ändert: Die Frühphase wird drastisch beschleunigt und der Suchraum systematisch erschlossen. Isomorphic Labs ist die Drug-Discovery-Tochter von Alphabet, die AlphaFold 3 in eine industrielle Pipeline überführt. Stand Anfang 2026 hat Isomorphic Verträge im Wert von rund drei Milliarden USD mit Eli Lilly und Novartis. Anfang 2026 ist Johnson & Johnson dazugekommen, mit Fokus auf Protein-Protein-Interaction-Inhibitoren, also genau die "undruggable"-Klasse. Mehrere Lead-Kandidaten in den Programmen für Onkologie und Immun-Erkrankungen befinden sich in der IND-Enabling-Phase, das ist die letzte Stufe vor dem Antrag auf klinische Studien am Menschen. Erste Phase-I-Trials für AlphaFold-3-designte Wirkstoffe werden für Ende 2026 erwartet.

Wo es heute schon real läuft: Lilly, Novartis und J&J zahlen reales Geld für reale Programme. Das ist Pharma-Industrie auf Standard-Pipeline-Niveau, kein Forschungs-Pilot. Die Phase-I-Daten ab Ende 2026 werden zeigen, ob AI-designte Wirkstoffe sich klinisch wie erwartet verhalten.

Wo es noch hängt: AlphaFold 3 löst die Frühphase, nicht die ganze Kette. Klinische Studien dauern weiter Jahre, Zulassungen ebenfalls. Und nicht jedes "undruggable" Target ist plötzlich zugänglich, nur weil ein generatives Modell Bindungs-Kandidaten vorschlagen kann. Die echte Bewährungsprobe sind die ersten Phase-II-Ergebnisse, frühestens 2028.

MatterGen: Materialforschung mit gezielter Generation

Materialwissenschaft funktionierte klassisch nach einem Muster, das ungefähr so aussieht: jemand vermutet, eine bestimmte Verbindung könnte interessante Eigenschaften haben (höhere Härte, bessere Leitfähigkeit, Magnetismus). Eine Doktorandin verbringt drei Jahre damit, sie zu synthetisieren und zu vermessen. Manchmal stimmt die Vermutung, meistens nicht. Materialforschung ist ein Trial-and-Error-Prozess mit dekadenlangen Zyklen.

MatterGen, ein Modell von Microsoft Research und Anfang 2025 in Nature publiziert, dreht das um. Trainiert auf 608.000 stabilen anorganischen Materialien aus Materials Project und der Alexandria-Datenbank, generiert MatterGen neue Strukturen mit gezielten Eigenschaften. Statt zu raten, welche Verbindung interessant sein könnte, gibt man die gewünschte Eigenschaft vor (zum Beispiel "Bulk-Modulus von 200 GPa", also etwa im Bereich von gehärtetem Stahl, ein Maß dafür wie stark das Material unter Druck zusammengepresst werden kann) und bekommt Kandidaten, die diese Eigenschaft erfüllen sollten.

Die Zahlen aus der Veröffentlichung: MatterGen erzeugt mehr als doppelt so häufig neue, stabile Strukturen wie vorherige generative Ansätze, und seine Kandidaten liegen zehnmal näher am lokalen Energieminimum, also sind physikalisch realistischer.

Wo es schon real läuft: Microsoft hat zusammen mit den Shenzhen Institutes of Advanced Technology einen MatterGen-Vorschlag in echtem Material synthetisiert. Das Ziel war eine Verbindung mit Bulk-Modulus 200 GPa, das Modell schlug TaCr₂O₆ vor. Das Material wurde im Labor hergestellt und vermessen, der reale Bulk-Modulus liegt bei 169 GPa. Das ist 20% Abweichung vom Zielwert, aber strukturell stimmt der Vorschlag mit den Messungen überein. Für eine erste Praxis-Validierung ist das ein starkes Ergebnis. Der Code ist Open-Source auf GitHub verfügbar, jede Forschungsgruppe kann mit MatterGen arbeiten.

Wo es noch hängt: 608.000 Trainings-Materialien klingen viel, sind aber nur ein winziger Ausschnitt des chemischen Möglichkeitsraums. MatterGen funktioniert besonders gut innerhalb der Klassen, die das Trainingsset gut abdeckt; bei wirklich exotischen Verbindungen wird die Trefferquote sinken. Und die Lücke vom Modell-Vorschlag bis zum industriell verwendbaren Material ist weiter Synthese-Arbeit, also weiter Jahre. MatterGen verkürzt die "welche Verbindung sollte ich überhaupt versuchen"-Phase, nicht die "wie kriege ich es in 10-Tonnen-Chargen aus dem Reaktor"-Phase.

Was das im Kundengespräch ändert

Wenn Entwickler:innen, PMs oder POs heute mit Kunden über KI sprechen, läuft das Gespräch oft über die gleichen Beispiele: ChatGPT für Texte, Copilot für Code, Midjourney für Bilder. Das ist konsumentennah und vertraut, deckt aber nur einen kleinen Teil dessen ab, was KI gerade tut.

Drei Sätze, die in einem Kundengespräch jeweils einen anderen Anker setzen:

Bei einem Pharma- oder Biotech-Kunden: "Eli Lilly, Novartis und J&J zahlen Isomorphic Labs zusammen rund drei Milliarden USD dafür, AlphaFold 3 in ihre Frühphasen-Pipeline zu integrieren. Die ersten Phase-I-Trials mit AI-designten Wirkstoffen kommen Ende 2026. Wenn KI-Diskussionen bei euch noch um 'können wir Outlook-Mails zusammenfassen' kreisen, lohnt sich ein Blick auf die Pipeline-Tools." Das öffnet ein anderes Gespräch als der Standard-Pitch.

Bei einem Industrie- oder Chemie-Kunden (Batterien, Halbleiter, Katalysatoren, Spezialchemie): "Microsoft Research hat MatterGen Open-Source gestellt. Das Modell schlägt anorganische Materialien mit gezielten Eigenschaften vor und ist im Labor schon validiert. Für eure Materialwahl-Workflows ist das ein realer Hebel, kein Marketing."

Bei einem B2B- oder Vertriebskunden, der über Agenten nachdenkt: "Anthropics Project Deal hat ein wichtiges Detail produziert: Wer mit dem schwächeren Modell verhandelt, merkt seinen eigenen Nachteil nicht. Das ist Compliance-relevant, sobald ihr Agenten zwischen Vertragsparteien einsetzt."

Der Wert für IT-Profis im DACH-Raum ist nicht, dass ihr Drug-Discovery oder Materialforschung selbst macht. Der Wert ist, dass ihr in der Beratungsrolle nicht nur die Standard-Beispiele anbietet, sondern wisst, wo KI in den Branchen eurer Kunden gerade Substanz liefert. Das verändert die Position im Gespräch.

Bildnachweise

• Handshake: Foto von Amina Atar auf Unsplash
• Lila Schleife: Foto vom National Cancer Institute auf Unsplash
• Mikroskop: Foto von Ousa Chea auf Unsplash