KI in der Pharmaindustrie folgt nicht der Scaling-Logik der Tech-Branche. Vielmehr gilt ein Anti-Scaling-Gesetz, wie der US-amerikanische Risikokapitalgeber und Onkologie-Biologe Liang Chang in einer aktuellen Analyse darlegt. Auslöser waren die vor zwei Wochen auf dem ASCO-Kongress 2026 vorgestellten Daten zum oralen Bauchspeicheldrüsenkrebs-Wirkstoff Daraxonrasib sowie die Ergebnisse des VERVE-102-Projekts zur einmaligen Leber-Geneditierung. Beide Studien demonstrieren klinische Durchbrüche, lassen jedoch keine lineare Extrapolation auf die gesamte Arzneimittelentwicklung zu. Changs Kernthese lautet, dass die in der Informatik bekannte Scaling-Law im Biotechnologie-Sektor nicht übertragbar ist. Erfolgreiche KI-Modelle skalieren durch exponentiell wachsende Daten- und Rechenressourcen. In der Pharmazie hingegen werden initial erzielte Erfolge stets von den biologisch am besten verstandenen und genetisch am klarsten verifizierten Zielstrukturen erzielt. Mit jedem weiteren validierten Target sinkt die Wahrscheinlichkeit des Erfolgs. Es entsteht keine komplementäre Wertschöpfung, sondern ein Effekt der abnehmenden Erträge. Die Targets PCSK9 und RAS sind keine KI-Neuentdeckungen, sondern seit langem etablierte Forschungsgebiete. Die Verfügbarkeit tragfähiger pharmakologischer Targets ist begrenzt. Von etwa zwanzigtausend proteinkodierenden Genen weisen nur wenige Tausend ein echtes therapeutisches Potenzial auf, von denen lediglich circa siebenhundert durch zugelassene Medikamente validiert sind. Empirische Studien zeigen, dass die Top-Tausendstel der Targets eine Neunfach-Chance auf die Zulassung bieten. KI-Systeme optimieren zwar nachgelagerte Entwicklungsphasen wie Wirkstoffdesign, Strukturvorhersage und klinische Trial-Planung, doch sie erhöhen nicht die Erfolgsquote der Phase-2-Beweisführung. Diese lag 2020 bei acht Prozent und ist damit trotz technologischer Fortschritte rückläufig. Die logische Folge ist eine zunehmende Überlappung in der Forschungs-Pipeline. Da KI-Plattformen per se technologische Risiken bergen, bevorzugen Startups und Investoren etablierte Targets, um das Gesamtrisiko zu minimieren. Dies führt zu einer massiven Konzentration auf bekannte Zielstrukturen, wie der aktuellen Flut von Projekten gegen PCSK9 oder CD19 zeigt. Der daraus resultierende Wettbewerb droht in eine Ressourcenverschwendung umzukippen. Echte First-in-Class-Targets entstehen nicht durch Algorithmus-Optimierung, sondern durch groß angelegte humane genetische Kohortenstudien und physikalische Laborexperimente. Beispiele wie das Adipositas-Target GPR75 von Regeneron oder HSD17B13 bei Lebererkrankungen unterstreichen, dass biologische Durchbrüche reale Sequenzierungsdaten von Hunderttausenden Probanden und langjährige Validierungszyklen erfordern. KI kann die Effizienz steigern, aber nicht den biologischen Limitwert durchbrechen. Für die Branche bedeutet dies: Konzeptvalidierung im Labor ist erst der Anfang eines langwierigen Entwicklungsprozesses. Nachhaltiger Innovationserfolg erfordert weiterhin die gezielte Finanzierung unkonventioneller, biologisch fundierter Forschungsansätze jenseits etablierter KI-Trainingsdaten.