Kandidaten werden im letzten Moment abgeworben, Stellen bleiben langfristig unbesetzt: Wie sehen die Spitzenkräfte aus, die die KI-gestützte Arzneimittelforschungsbranche nicht abwerben kann?
Kürzlich hat eine Nachricht, dass ein großer Technologiekonzern einem Algorithmenpraktikanten der Generation 00 einen Tageslohn von 5000 Yuan und ein Jahresgehalt von 3 Millionen Yuan nach der Festanstellung nach dem Abschluss bietet, die Arbeitnehmer aller Branchen in Erstaunen versetzt. In einer Zeit, in der große Erwartungen an die intelligente Technik gestellt werden, scheint es nicht verwunderlich, welche Mythen die KI schafft.
Auf dem Gebiet der KI-Pharmazeutik ist der Wettbewerb um Talente ebenso heftig. Im vergangenen Jahr hat die Personalabteilung eines multinationalen Pharmaunternehmens eine Stellenausschreibung für einen leitenden Wissenschaftler für computergestütztes Proteindesign veröffentlicht, bei der das maximale Jahresgehalt 256.500 US-Dollar betrug. Aber zehn Monate später ist diese Stelle noch unbesetzt, und die ausgewählten Kandidaten wurden dreimal von Konkurrenten abgefangen. Ein erfahrener Headhunter gab an, dass unter der KI-Welle die Nachfrage nach interdisziplinären Talenten das Angebot übersteigt: Das Jahresgehalt auf Direktorebene beträgt fast 1,5 Millionen Yuan, das Jahresgehalt des Leiters für KI-Pharmazeutik übersteigt sogar 2 Millionen Yuan, aber die Anzahl der freien Stellen übersteigt nach wie vor weit die Anzahl der Talente, die bereit sind, den Arbeitsplatz zu wechseln.
Welche Art von Talenten fehlt der KI-Pharmazeutik so sehr, dass sie sie nicht bekommen kann?
Wenn es um knappe Talente im KI-Zeitalter geht, denken die Menschen meist zuerst an Algorithmen-Ingenieure. Aber in der KI-Pharmazeutikbranche ist es schwieriger, Personen einzustellen, die die von der KI entworfenen Moleküle auswählen, zur Überprüfung in Nasslabore schicken und die experimentellen Ergebnisse zur iterativen Optimierung des Modells zurückgeben können, als Algorithmen-Ingenieure. In KI-Pharmazeutikunternehmen haben diese Positionen unterschiedliche Namen: Wissenschaftler für computergestütztes Proteindesign, Wissenschaftler für KI-Proteinengineering oder KI-fähiger Strukturbiologe. Aber sie erledigen alle dieselbe Aufgabe: die letzte Meile der KI-Pharmazeutik zu durchbrechen.
In der Vergangenheit beruhte die Arzneimittelentdeckung hauptsächlich auf dem Screening, bei dem potenzielle Moleküle, die an Zielstrukturen binden können, aus vorhandenen Molekülbibliotheken herausgesucht wurden. Das Umwälzende des generativen KI besteht darin, den Ausgangspunkt der neuen Arzneimittelentwicklung zu einer Neuerstellung von Grund auf zu machen. Dadurch werden die Designkosten fast auf Null gedrückt, aber die Überprüfungsphase wird zu einem Engpass: Die Anzahl der Moleküle, die in einem Nasslabor gleichzeitig getestet werden können, kann mit der Ausgabe des Modells bei weitem nicht mithalten. Um zwischen echten potenziellen Molekülen und statistischen Rauschmolekülen unter zehntausenden von Kandidatenmolekülen zu unterscheiden, muss man sich auf die menschliche Erfahrung verlassen. Auf der Grundlage dieser Urteile Experimente zur Überprüfung zu entwerfen und dann die Ergebnisse an das Modell zurückzugeben, um die nächste Runde des Designs genauer zu machen, erfordert ebenfalls menschliches Urteilvermögen. Personen, die solche Urteile genau und schnell treffen können, müssen sowohl KI als auch Pharmazeutik verstehen, die sogenannten interdisziplinären Talente. Und die Knappheit interdisziplinärer Talente ist genau der neue Engpass in der aktuellen KI-Pharmazeutik.
Diese Art von Anforderung wurde erstmals 2025 in Stellenausschreibungen aufgenommen.
Anfang 2025 veröffentlichte Moderna eine Stellenausschreibung für einen leitenden Wissenschaftler für computergestütztes Proteindesign mit einem Jahresgehalt von 142.500 bis 256.500 US-Dollar. Moderna hat KI bereits in den Proteindesignprozess integriert, das Modell gibt täglich eine große Anzahl von Kandidaten aus, aber das Modell wird nicht von selbst klüger – es muss durch echte experimentelle Daten unterstützt werden. Die wichtigste Anforderung in der Stellenausschreibung ist sehr konkret formuliert: eng mit dem Experimentteam zusammenarbeiten, die Screening-Daten interpretieren und die Ergebnisse der Experimente nutzen, um die nächste Runde des Designs voranzutreiben. „Diese Stelle hat zwei Aufgaben: die Ausgabe des Modells in ein Experimentprotokoll zu übersetzen und dann die experimentellen Ergebnisse in Signale zu übersetzen, die das Modell verwenden kann“, analysierte ein erfahrener Pharmazeutik-HeadHunter gegenüber VCbeat. „Ein reiner Algorithmen-Ingenieur kann die zweite Aufgabe nicht erledigen, ein reiner Experimentwissenschaftler kann die erste Aufgabe nicht erledigen.“ Moderna ist nicht das einzige Unternehmen, das an diesem Punkt steckt, aber es ist eines der ersten Unternehmen, das dieses Problem in die Stellenanforderungen aufgenommen hat.
Quelle der Daten zu einigen ausländischen relevanten Stellenausschreibungen: VCbeat, zusammengestellt aus offiziellen Websites und öffentlichen Informationen
Im Herbst desselben Jahres schloss Lila Sciences, das von Flagship Pioneering ausgebrütet wurde, zwei Finanzierungsrunden mit insgesamt 350 Millionen US-Dollar nacheinander ab. Anschließend veröffentlichte Flagship Pioneering eine Stellenausschreibung für einen leitenden Wissenschaftler für KI-Proteinengineering mit einem Jahresgehalt von 268.000 bis 358.000 US-Dollar. Die Organisation von Lila ist flacher als die großer Konzerne, jede Person, die in das Team eintritt, muss selbstständig arbeiten, daher ist die Stellenbeschreibung sehr direkt formuliert: Man muss sowohl maschinelles Lernen als auch Biologie verstehen, eine rechnergestützte Hypothese bis zu den Ergebnissen der Überprüfung im Nasslabor durchführen können und über erfolgreiche Fälle verfügen, die durch Nasslabore überprüft wurden. Aber bis September 2026 ist diese Stellenausschreibung noch auf der Website veröffentlicht.
Mitte 2026 veröffentlichte auch Pfizer eine entsprechende Stelle. Es sucht einen KI-fähigen Strukturbiologen mit einem Jahresgehalt von 93.600 bis 156.000 US-Dollar, dessen Rang eine Stufe niedriger ist als bei den beiden vorherigen Unternehmen, aber in der Stellenbeschreibung taucht ein Begriff auf, der bisher selten in Stellenausschreibungen zu finden war: „experimental triage“, also Experiment-Triage.
Der Umfang der Pipeline von Pfizer bestimmt, dass die Kandidaten, die ihm von der KI vorgeschlagen werden, massiv sind, aber die Experimentressourcen sind immer begrenzt. Das Testen eines Moleküls kostet Geld und Zeit, daher muss jemand mit Erfahrung entscheiden, welches zuerst getestet und welches zuerst aufgegeben wird. „Die sogenannte Experiment-Triage ist die implizite Fähigkeit traditioneller erfahrener Wissenschaftler“, erklärte der oben genannte Headhunter, „die Aufnahme in die Anforderungen für KI-Stellen zeigt auch, wie hoch der Grad der Interdisziplinarität dieser Stellen ist.“
Innerhalb von mehr als einem Jahr haben viele Unternehmen solche Stellenanforderungen mit hohen Gehältern veröffentlicht, die Stellen werden immer konkreter definiert, aber die Anzahl der geeigneten Personen hat nicht zugenommen. Der Grund liegt darin, dass es in der Branchenaufteilung der letzten Jahrzehnte keine solche Position gab. Die Aufgabe von Arzneimittelchemikern ist es, die Synthese zu beherrschen, Biologen müssen Experimente verstehen, KI und große Modelle gehören noch nicht zu ihrem Erfahrungs- und Fachbereich. Und Algorithmen-Ingenieure mit Hintergrund aus dem Internet verstehen Modelle, haben aber nie ein Labor betreten. „KI hat die Fähigkeitsanforderungen von drei Gruppen von Menschen extrahiert und auf eine Person übertragen“, wies der oben genannte Headhunter hin.
Nach Schätzungen eines Branchenberichts gibt es in China nicht mehr als 500 Fachkräfte für KI-Pharmazeutik, die die Anforderungen solcher Stellen wirklich erfüllen. In den letzten Jahren sind ihre Gehälter schnell verdoppelt worden. „Ein großer Teil davon ist eine Angstprämie: Unternehmen treiben die Preise gegenseitig in die Höhe, um Talente zu gewinnen“, erklärte der oben genannte Headhunter. Es gibt keine fertigen Talente auf dem Markt, und die Ausbildung eines interdisziplinären Talents, das selbstständig Urteile fällen kann, erfordert mindestens die vollständige Teilnahme an mehreren Projektzyklen von der Gestaltung bis zur Überprüfung – und solche Projektmöglichkeiten sind selbst knapp.
„Was die Branche fehlt, sind nicht Algorithmen-Talente, sondern Personen, die den geschlossenen Zyklus von Trocken- und Nasslabor durchlaufen können“, hat Ren Feng, Co-CEO von Insilico Medicine, einmal diese Beurteilung abgegeben. Der oben genannte Headhunter geht davon aus, dass der Wettbewerb um interdisziplinäre Talente für KI-Pharmazeutik in den nächsten 3 bis 5 Jahren noch heftiger wird: „Die Generierungsfähigkeit der KI steigt weiter, aber die Anzahl der Personen, die damit umgehen können, ist begrenzt, sodass die Lücke nicht kleiner wird.“
Es ist nicht nur eine Talentlücke, sondern auch eine Lücke der KI
2021 wurde AlphaFold2 veröffentlicht, die KI konnte zum ersten Mal Proteine verstehen. In dem Computer kann man eine Aminosäuresequenz eingeben, das große KI-Modell berechnet die dreidimensionale Struktur innerhalb weniger Minuten. Was die Menschen mit Röntgenkristallographie und Kryo-Elektronenmikroskopie über Jahrzehnte erreicht haben, hat die KI in nur wenigen Tagen geschafft – das ist ein qualitativer Sprung in Experimenten der Biowissenschaften.
Aber was die Industrie wirklich braucht, ist nicht nur das Verstehen. Der wesentliche Unterschied zwischen den beiden ist: Die Antwort, die man durch Verstehen erhält, ist bereits in der Natur vorgegeben, die KI übersetzt sie nur, aber das Design muss aus fast unendlichen Möglichkeiten neu geschaffen werden. Proteine sind aus Aminosäureketten aufgebaut, theoretisch gibt es an jeder Position mehr als 20 Auswahlmöglichkeiten, und ein gewöhnliches Protein besteht normalerweise aus Hunderten von Aminosäuren.
„Aber das KI-Proteindesign ist im Wesentlichen ein System, der Kern liegt nicht im Generierungsmodul, sondern im Bewertungsmodul“, wies Zhang Xiaonan, Gründer von Deepspin Technology, weiter hin.
Um zu bewerten, ob ein Kandidatenmolekül durchführbar ist, ob es binden kann, ob die Bindung fest ist, ob es stabil ist und ob es von Zellen exprimiert werden kann, sind sowohl Trocken- als auch Nasslaborexperimente erforderlich. Das sogenannte Trockenexperiment nutzt KI zur Bewertung, die Kosten sind fast Null, aber die Genauigkeit ist nicht hoch. Zum Beispiel bei der Vorhersage der Ligandenaffinität von Membranproteinen wie G-Protein-gekoppelten Rezeptoren beträgt die aktuelle Genauigkeit nur etwa 50 bis 60 Punkte, weit davon entfernt, zuverlässig zu sein. Herkömmliche Nasslaborexperimente sind immer noch der Goldstandard, die Ergebnisse sind vertrauenswürdig, aber jedes Molekül erfordert Zeit, Geld und Personal, um es einzeln zu bearbeiten. Noch wichtiger ist, dass die KI täglich Tausende von Kandidatenmolekülen ausgeben kann, aber die Anzahl der tatsächlich überprüften Moleküle ist sehr begrenzt.
Gegenwärtig differenziert sich die Arbeit im Nasslabor selbst leise. Die programmierten Arbeiten wie praktische Synthese, Durchführung von Reaktionen und Aufzeichnung von Daten werden allmählich von Robotern und automatisierten Experimenttischen übernommen. Laut Berichten kann ein inländisches Roboterlabor etwa 800 Reaktionen pro Tag durchführen, was der Arbeitsleistung von 150 bis 200 Chemikern pro Tag entspricht. Das KI- und Roboterlabor von XtalPi hat die Erfolgsrate der chemischen Synthese von 30 % bis 40 % auf etwa 90 % gesteigert.
Aber für nicht programmierte Arbeiten wie die Entscheidung, was getestet wird, wie es getestet wird, wie Daten interpretiert werden und wie Ergebnisse an das Modell zurückgegeben werden, kann die KI derzeit keine Ersatzlösung bieten. Maschinen übernehmen die Ausführung, Urteile und Entscheidungen bleiben den Menschen überlassen. Das ist auch der oben genannte Grund, warum interdisziplinäre Talente für KI-Pharmazeutik immer gefragter werden: Der Geschwindigkeitsunterschied zwischen der Generierungsseite und der Überprüfungsseite wird durch die KI weiter vergrößert, nicht verkleinert.
Das 2024 veröffentlichte AlphaFold3 hat die Bewertungsfähigkeit der KI weiter verbessert, es erreicht die Strukturvorhersage von atomaren, wechselwirkenden Mehrkörpersystemen. Theoretisch kann die KI die Arbeit der Molekülbewertung erledigen, einige wenige potenzielle Moleküle auswählen und sie zur weiteren Überprüfung in das Nasslabor schicken. Aber die aktuelle Genauigkeit reicht bei weitem nicht aus, um Nasslabore zu ersetzen.
Angesichts der riesigen Talentlücke wird die Iterationsrichtung großer KI-Modelle auch klarer. In gewissem Sinne hängt die praktische Durchdringungsfähigkeit eines KI-Pharmazeutikmodells nicht von der Qualität seiner Designfähigkeit ab, sondern davon, ob die Bewertungsphase auf ein ausreichend hohes Niveau gebracht werden kann.
Das Kapital strömt in die Überprüfungsphase der KI-Pharmazeutik. Der Durchsatz von Adaptyv hat sich innerhalb eines Jahres verfünffacht, die Anzahl der Kunden übersteigt hundert, der Umsatz hat sich in den letzten anderthalb Jahren fast verzehnfacht. 2025 erhielt es eine A-Runde von 40 Millionen US-Dollar und spezialisiert sich auf die Nasslaborüberprüfung von KI-Kandidatenproteinen – von den Tausenden von Molekülen, die von Anthropic zugesandt wurden, konnten am Ende nur mehr als 30 % wirklich binden. Isomorphic Labs, das von DeepMind ausgegliedert wurde, entwickelt ein geschlossenes Bewertungsmodell und erhielt 2025 eine B-Runde von 2,1 Milliarden US-Dollar, was den Rekord für die größte einzelne Finanzierung in der Branche aufstellte.
Das nächste verborgene Riff in der chinesischen KI-Pharmazeutik?
In China haben viele Pharmaunternehmen bereits Stellenanforderungen für solche interdisziplinären Talente veröffentlicht.
Zum Beispiel sucht Akeso einen Wissenschaftler für die Entwicklung von KI-Strukturbiologie-Algorithmen, der Anforderung ist, dass der Kandidat Werkzeuge zur Vorhersage von Antikörper- und Proteinstrukturen auf der Grundlage von KI-Algorithmen entwickelt und die Ausgabe der Werkzeuge mit den Ergebnissen von Nasslaboren kombiniert, um das Modell zu iterieren. Das ist eine typische Anforderung an interdisziplinäre Talente für KI und Pharmazeutik. Allerdings ist der Rang dieser Stelle bei Akeso nicht sehr hoch, sie ist als technischer Rückgrat im Forschungs- und Entwicklungsbereich positioniert, die Berichtslinie führt zum Leiter der Antikörperforschungsabteilung. Ein weiteres Beispiel: Die Stellenausschreibung für AIDD-Wissenschaftler von HuaZhi Medicine verlangt ebenfalls, dass der Kandidat die Verbindung zwischen rechnergestütztem Design und Experimenten herstellen kann. In der Stellenbeschreibung steht direkt, dass der Kandidat gemeinsam am Aufbau des geschlossenen Zyklus von Trocken- und Nasslaboren arbeiten soll, Vorschläge für rechnergestützte Vorhersageergebnisse und Experimentprotokolle liefern kann und die entworfenen Moleküle überprüfen und iterieren kann.
Quelle