Bayer hat mit PRINCE (Preclinical Information Center) eine neue Generation agenticer KI-Systeme für die präklinische Arzneimittelentwicklung etabliert. Seit Anfang 2024 im produktiven Einsatz, adressiert die Plattform die historischen Engpässe des Datenzugriffs in der präklinischen Forschung, wo strukturierte Metadaten und unstrukturierte Studienberichte häufig isoliert vorliegen und konventionelle Suchmethoden an der fachlichen Komplexität scheitern. PRINCE entwickelte sich schrittweise von einer reinen Metadaten-Suchmaschine über eine natürliche Sprachfragebeantwortung hin zu einer aktiven Forschungsassistenz, die komplexe analytische Workflows orchestriert. Technisch basiert das System auf einer agenticen Retrieval-Augmented-Generation-Architektur, gesteuert durch LangGraph und bedient über eine React-basierte Schnittstelle. Ein mehrstufiger Arbeitsablauf koordiniert spezialisierte Agenten: Ein Intent-Clarifier präzisiert die Anfrage, ein Think-and-Plan-Modul evaluiert die Prozessstrategie und wählt Werkzeuge aus, während ein Researcher-Agent hybride Retrieval-Methoden kombiniert. Für unstrukturierte Daten kommt eine ausgefeilte RAG-Pipeline zum Einsatz, die Keyword-Extraktion, Metadatenfilter, Query-Expansion und cross-encoder-basiertes Reranking in Amazon OpenSearch integriert. Bei quantitativen Abfragen schaltet das System auf Text-to-SQL um, wobei dynamische Few-Shot-Prompting-Techniken und Schema-Selektion die Abfragegenauigkeit erhöhen. Ein Reflection-Agent validiert die Datenvollständigkeit, ein Writer-Agent synthetisiert die Evidenz zu zitierfähigen Antworten. Ein Kernprinzip ist das kontext- und harnessorientierte Engineering. Statt monolithische Prompts zu nutzen, wird jedem Agenten präzise der benötigte Informationskontext zugewiesen, was Halluzinationen reduziert und die Debugbarkeit steigert. Die Zuverlässigkeit in einem regulierten Umfeld wird durch transparente Zwischenschritte, granulare Quellenverlinkungen und durchgängige Überwachung via Langfuse gesichert. Fehlertoleranz wird durch persistente State-Management-Systeme, automatische Wiederaufnahmemechanismen sowie LLM-Fallbacks auf alternative Anbieter gewährleistet. Kontinuierliche Evaluationen sowohl auf kuratierten Datensätzen als auch auf Live-Traffic gewährleisten iterative Verbesserungen. Parallel wird ein NER-Utility entwickelt, um historische Metadaten automatisch anzureichern. Die Implementierung von PRINCE markiert einen strategischen Wendepunkt in der pharmazeutischen Dateninfrastruktur. Durch die Konvergenz von Multi-Agenten-Orchestrierung, hybrider Informationsretrieval und strikter Kontextdisziplin ermöglicht Bayer Forschern den Zugang zu jahrzehntealten Erkenntnissen ohne manuelle Datenaufbereitung. Die Plattform senkt den Bedarf an redundanten Experimenten, beschleunigt datengetriebene Entscheidungen und liefert einen praxistauglichen Fahrplan für den Einsatz zuverlässiger, regulierbarer KI-Systeme in hochsensiblen Forschungsdomänen. Die Entwicklung bleibt iterativ, wobei Benutzerfeedback und Monitoring-Daten kontinuierlich Architektur und Retrieval-Logik verfeinern. PRINCE demonstriert damit, dass produktionsreife agentic AI nicht allein von Modellsprachkraft, sondern maßgeblich von ingenieurtechnischer Disziplin in Workflow-Design und Zustandsverwaltung abhängt.