OpenAI startet KI-Modell für Arzneimittelentwicklung

OpenAI hat auf seiner API-Preisseite unbemerkt den Modelltyp gpt-rosalind-discovery aufgenommen. Die Tech-Medienplattform TestingCatalog registrierte am 10. Oktober den Eintrag, der unter der neuen Kategorie Lebenswissenschaften geführt wird und direkt neben dem bereits veröffentlichten Forschungsmodell gpt-rosalind-research steht. Beide Varianten teilen sich identische Tarife: 5 US-Dollar pro Million Input-Token, 0,5 US-Dollar für zwischengespeicherte Eingaben und 25 US-Dollar für Ausgaben. Offizielle technische Spezifikationen oder Dokumentationen fehlen weiterhin, was auf eine vorläufige oder rollenbasierte Freischaltung hindeutet. Die Bezeichnung Rosalind etabliert sich als eigenständige Marke für OpenAits Biowissenschafts-Bemühungen, benannt nach der DNA-Forscherin Rosalind Franklin. Das Ökosystem umfasst neben den Modellen auch die Arbeitsumgebung Rosalind Workbench sowie wissenschaftliche Plugin-Schnittstellen in Codex. Ziel ist die Vernetzung von Literaturrecherche, Sequenzanalyse und Experimentplanung in einer zentralisierten Plattform. Strategisch distanziert sich OpenAI dabei bewusst von Mitbewerbern wie Anthropic, die mit Claude Science eigene Wirkstoffentwicklungen vorantreiben. Stattdessen positioniert sich das kalifornische Unternehmen als reiner Infrastruktur- und Tool-Anbieter, der Modelle primär durch Einsatzfeedback der Pharmaindustrie optimiert, ohne selbst in die Pipeline von Wirkstoffkandidaten einzugreifen. Diese Ausrichtung korrespondiert mit bestehenden Partnerschaften, etwa der Integration von Modellkapazitäten in das Cloud-Labor von Ginkgo Bioworks, wo automatisierte KI-gestützte Syntheseversuche die Kosten für Standardproteine deutlich reduzierten. Die Pharmabranche verfügt über die notwendige Kaufkraft für spezialisierte Modelle, und der Sektor für KI-gestützte Wirkstoffforschung erhielt seit 2019 mehr als 17 Milliarden US-Dollar an Venture Capital. Dennoch bleibt die Skalierung herausfordernd: Biologische Erkenntnisse erfordern langwierige Feuchtlabor-Tests und klinische Studien, was schnelle Iterationszyklen erschwert. Automatisierte Validierungsinfrastrukturen, die diesen Loop beschleunigen, sind aktuell noch nicht an bestimmte KI-Anbieter gebunden. Die konkrete Funktionsweise von discovery, die strategische Abgrenzung zum research-Modell sowie erste Leistungsnachweise sind nicht öffentlich. Die identische Preisgestaltung legt nahe, dass OpenAI die spezifischen Mehrwertprofile der Untertypen noch verfeinert. Gelingt es dem Anbieter, KI-Hypothesen effizient in automatisierte Labortests zu übersetzen, könnte dies einen maßgeblichen Impuls für die weitere Kommerzialisierung spezialisierter Large Language Models in stark regulierten Sektoren setzen.