In diesem Paper beschreiben und bewerten wir eine Komponente zur Wettbewerbsanalyse, die innerhalb eines agentialen KI-Systems zur schnellen Due-Diligence von Arzneimittel-Assets eingesetzt wird. Ein KI-Agent zur Wettbewerbsanalyse, der eine Indikation erhält, ermittelt sämtliche Arzneimittel, die den Wettbewerbsrahmen dieser Indikation bilden, und extrahiert hierfür kanonische Attribute. Die Definition von Wettbewerbern ist investor-spezifisch; die Daten sind zudem lizenzpflichtig, über verschiedene Registrierungen fragmentiert, aufgrund von Indikationsunterschieden ontologisch inkonsistent, durch zahlreiche Alternativnamen bei Arzneimitteln gekennzeichnet, multimodal und ständig veränderlich. Obwohl derzeit als beste Lösung für dieses Problem angesehen, sind aktuelle LLM-basierte KI-Systeme nicht in der Lage, alle relevanten Wettbewerbsarzneimittel zuverlässig zu identifizieren, und es existiert kein anerkannter öffentlicher Benchmark für diese Aufgabe. Um die fehlende Evaluation zu adressieren, nutzen wir LLM-basierte Agenten, um fünf Jahre an multimodalen, unstrukturierten Due-Diligence-Memos eines privaten Biotech-VC-Fonds in eine strukturierte Evaluations-Korpus zu transformieren, das Indikationen mit den entsprechenden Wettbewerbsarzneimitteln und normalisierten Attributen verknüpft. Außerdem stellen wir einen Validierungs-Agenten vor, der auf einer LLM als „Urteilssprecher“ basiert und Falschpositiva aus der Liste der vorhergesagten Wettbewerber filtert, um die Genauigkeit zu maximieren und Halluzinationen zu unterdrücken. Auf diesem Benchmark erreicht unser Wettbewerbsanalyse-Agent eine Recall-Rate von 83 %, was OpenAI Deep Research (65 %) und Perplexity Labs (60 %) übertrifft. Das System ist bereits in Produktion mit Unternehmensnutzern eingesetzt; in einer Fallstudie mit einem Biotech-VC-Fonds sank die Bearbeitungszeit für Analysten bei der Wettbewerbsanalyse von 2,5 Tagen auf etwa 3 Stunden (ca. 20-fache Beschleunigung).