KI im Life-Sciences-Sektor 

Als strategisches Handlungsfeld ist Künstliche Intelligenz (KI) im Life-Sciences-Sektor fest etabliert. Ziel ist es, Forschung, Produktion und klinische Studien effizienter zu gestalten. Der praktische Einsatz verdeutlicht jedoch, dass der Weg von der Idee bis zur skalierbaren Anwendung von technischen, organisatorischen und regulatorischen Herausforderungen geprägt ist.

Die Studie „Von Daten zu Durchbrüchen: Wie Life Science die KI-Implementierung gelingt“ von Digital Realty belegt, dass sich der Großteil der Life-Science-Unternehmen in Deutschland und der Schweiz noch in frühen Phasen der KI-Einführung befindet. Nur sieben Prozent haben KI bereits in großem Umfang implementiert. Die Mehrheit arbeitet noch an Konzepten, ersten Prototypen oder Pilotprojekten.

Bisher wird KI vor allem dort eingesetzt, wo sich Anwendungsfälle vergleichbar breit übertragen lassen. Am häufigsten wird sie für Datenintegration und -analyse genutzt (35 Prozent), um Informationen aus Forschung, Labor, Produktion oder klinischen Studien zusammenzuführen und auszuwerten.

Zudem spielt die Optimierung von Wirkstoffformulierungen eine wachsende Rolle (24 Prozent), etwa durch Simulationen, die klassische Trial-and-Error-Ansätze ersetzen können. Hochspezialisierte KI-Lösungen kommen bislang seltener zum Einsatz, was weniger im fehlenden Nutzen liegt, sondern am deutlich höheren Entwicklungs- und Integrationsaufwand.

Die größten Schwierigkeiten entstehen häufig bereits früh im Projektverlauf. 38 Prozent der Unternehmen sind in der Konzeptionsphase unsicher bei der Wahl der passenden IT-Infrastruktur, 41 Prozent stellen rückblickend fest, dass infrastrukturelle Anforderungen zu Beginn falsch eingeschätzt wurden. Besonders anspruchsvoll ist dabei die Balance zwischen hoher Rechenleistung und regulatorischen Anforderungen an Datenschutz, Datensouveränität und Compliance.

Im Proof of Concept treten oft weitere Probleme auf: 31 Prozent nennen eine unzureichenden Datenqualität oder fehlende Verfügbarkeit, ebenso vielen fehlt die technische Expertise. Zudem sind bestehende IT-Systeme häufig nicht für KI-Workloads ausgelegt. So geben 30 Prozent der Befragten an, dass die eingesetzte Hardware dafür nicht spezialisiert ist.

In Pilotprojekten verschärfen sich diese Herausforderungen. Vor allem die Verknüpfung heterogener IT-Infrastrukturen ist ein zentrales Hindernis. 37 Prozent der Unternehmen scheitern daran, historisch gewachsene Systeme, etwa aus Labor, Produktion und klinischer Forschung, sinnvoll miteinander zu verbinden. Diese Datensilos behindern den für KI essenziellen Datenaustausch erheblich.

Am deutlichsten treten die strukturellen Defizite beim Übergang ins Scaling auf. 39 Prozent der Unternehmen nennen die Integration heterogener IT-Umgebungen als größte Herausforderung. 55 Prozent mussten im Projektverlauf den primären Speicher- oder Verarbeitungsort ihrer KI-Daten wechseln, häufig von Single-Cloud-Ansätzen hin zu hybriden Modellen. Bei Unternehmen im Scaling liegt dieser Anteil sogar bei 83 Prozent. Das zeigt, wie stark frühe Infrastrukturentscheidungen den späteren Projekterfolg beeinflussen.

Der Erfolg von KI-Projekten hängt weniger von einzelnen Anwendungen ab als von der zugrunde liegenden Architektur. Gefragt sind Infrastrukturen, die hohe Rechenanforderungen, komplexe Datenflüsse und regulatorische Vorgaben zusammenführen. Klassische, isolierte IT-Umgebungen stoßen dabei schnell an ihre Grenzen.

Hybride, cloudnahe Architekturansätze, beispielsweise auf Basis von Colocation-Rechenzentren, ermöglichen es, rechenintensive KI-Workloads dort zu betreiben, wo relevante Daten entstehen oder gespeichert sind, zum Beispiel in Laboren, Produktionsumgebungen oder klinischen Systemen. Sie verbinden die Skalierbarkeit moderner Rechenzentren mit klar definierten Compliance- und Sicherheitsrahmen. Gleichzeitig bleibt die Kontrolle über sensible Forschungs- und Patientendaten erhalten. Entscheidend ist dabei eine durchgängige, leistungsfähige Interkonnektivität, die kontinuierliche Datenflüsse zwischen unterschiedlichen Systemen erlaubt.

Architekturkonzepte wie eine Pervasive Datacenter Architecture (PDx) setzen genau hier an. Sie zielen darauf ab, historisch gewachsene IT-Landschaften technisch zu vernetzen und Daten, Anwendungen sowie KI-Workloads standort- und umgebungsübergreifend zu orchestrieren. Trainings-, Test- und Inferenzprozesse lassen sich so flexibel zwischen On-Premises-, Private- und Public-Cloud-Umgebungen verteilen – ohne Datenhaltung, Zugriffskontrolle oder Performance aus dem Blick zu verlieren.

Ein weiterer technischer Schlüsselfaktor ist der Umgang mit Data Gravity. Denn mit wachsendem Datenvolumen, etwa durch hochauflösende Messdaten, kontinuierliche Produktionsdaten oder umfangreiche Studiendaten, wird es zunehmend aufwendig, Daten zu verschieben. Außerdem steigen die Anforderungen an Latenz, Verfügbarkeit und Rechenleistung. Architekturen, die Rechenkapazitäten gezielt näher an die Daten bringen und Datenflüsse standortübergreifend effizient steuern, reduzieren technische Reibungsverluste und schaffen die Voraussetzung für einen stabilen KI-Betrieb.

Gleichzeitig müssen regulatorische Anforderungen von Beginn an technisch mitgedacht werden. 45 Prozent der Unternehmen empfinden rechtliche Vorgaben als einschränkend, insbesondere beim Übergang in den produktiven Betrieb. 36 Prozent erkennen, dass klar definierte Compliance-Anforderungen einen verlässlichen Rahmen schaffen und Vertrauen bei Patienten, medizinischem Fachpersonal und Aufsichtsbehörden stärken. Technisch bedeutet das unter anderem eine klar geregelte Datenresidenz, kontrollierte Zugriffskonzepte, Verschlüsselung sowie transparente, nachvollziehbare Datenflüsse über alle beteiligten Systeme hinweg.

Die Ergebnisse der Studie belegen, dass der erfolgreiche Einsatz von KI im Life-Sciences-Sektor weniger eine Frage einzelner Anwendungen als eine Architekturentscheidung ist. Erst wenn Infrastruktur, Datenmanagement, Interkonnektivität und regulatorische Anforderungen zusammengeführt werden, lassen sich KI-Lösungen nicht nur testen, sondern dauerhaft und skalierbar betreiben.

Ein Ansatz, der diese Anforderungen adressiert, ist PlatformDIGITAL von Digital Realty, die auf PDx basiert. Die Architektur ist darauf ausgelegt, verteilte IT-Umgebungen miteinander zu vernetzen und unterstützt damit unter anderem die sichere Integration von Daten, die standortübergreifende Konnektivität sowie die Umsetzung von Anforderungen an Datenresidenz und Datensouveränität in stark regulierten Umfeldern.