Von Vorhersagen zu Patienten: 2026 ist das Jahr, in dem KI-Arzneimitteldesign Realität wurde

Den Großteil des letzten Jahrzehnts lebte KI in der Arzneimittelforschung in demselben Schwebezustand wie autonome Autos: technisch real, kommerziell laut, durchgehend „fünf Jahre davon entfernt", jemandes tatsächliches Leben zu verändern. Die Proteine wurden gefaltet. Die Paper wurden geschrieben. Die Pressemitteilungen veröffentlicht. Und dann passierte — meistens — nichts in der Apotheke.

2026 ist das Jahr, in dem die Zeitskala kollabiert ist.

Im Mai gab Isomorphic Labs — die Alphabet-Ausgründung, die DeepMinds Arzneimittelforschung übernommen hat — bekannt, dass KI-designte Moleküle aus der AlphaFold-Pipeline in First-in-Human-Studien eingetreten sind. Keine Mausstudien. Keine präklinischen „wir sind gespannt, es zu teilen"-Blogposts. Phase 1, an echten Patienten, gegen echte Krankheiten.

Einige Wochen später wurde berichtet, dass ESMFold2 — ein Open-Source-Modell für Proteinstrukturvorhersage von EvolutionaryScale und dem Arc Institute — die Leistung von AlphaFold 3 übertrifft, der neuesten geschlossenen Version ausgerechnet jenes Labors, das das ganze Feld begründet hat. Anschließend veröffentlichte das Team einen Struktur-Atlas mit über einer Milliarde vorhergesagter Proteine plus Milliarden weiterer Sequenzen. Kostenlos. Mit den Gewichten. Zum Laufen auf deiner eigenen Maschine.

Wenn du nur die Consumer-AI-Schlagzeilen verfolgst, ist dir vermutlich beides entgangen. Das ist ein Fehler. Es sind die wichtigsten KI-Geschichten des bisherigen Jahres 2026 — und sie erzählen eine einzige, unbequeme Wahrheit: Der Engpass bei der Anwendung von KI auf die physische Welt ist nicht mehr das Modell. Es ist alles andere.

Die Studie, die tatsächlich zählt

Seien wir präzise darüber, was Isomorphic angekündigt hat, denn „KI-Medikament in klinischen Studien" ist eine Phrase, die gerne locker verwendet wird.

Die Medikamente wurden End-to-End von AlphaFold-abgeleiteten Modellen designt — sie sagen nicht nur die Proteinstruktur voraus, sondern auch, wie ein Molekülkandidat bindet, sich faltet und sich in einem lebenden System verhält. Die Partner sind Novartis und Eli Lilly, was dem Programm einen klaren Pfad durch Phase 1, 2 und 3 gibt. Und die ersten Indikationen sind keine Vanity-Targets: Onkologie und Immunologie, Bereiche, in denen der ungedeckte Bedarf enorm ist und die Misserfolgsquote konventionell designter Medikamente brutal.

Was sich geändert hat, ist nicht, dass KI ein Molekül vorschlagen kann. Das ist seit Jahren wahr. Was sich geändert hat, ist, dass die Vorhersagequalität eine Schwelle überschritten hat, bei der Pharmaunternehmen bereit sind, einen Kandidaten ohne die traditionellen Jahre manueller Optimierung in einen Menschen zu bringen. Die ökonomische Bedeutung dieses Shifts ist kaum zu überschätzen. Entwicklungszeiten komprimieren sich. Misserfolgsquoten sinken. Kapital wird anders allokiert. Die gesamte Industrie organisiert sich um den neuen Engpass herum.

Der, um es nochmal zu sagen, nicht mehr das Modell ist.

Die Überraschung

Hier ist der Teil, bei dem jede KI-Geschäftsführung aufhorchen sollte.

ESMFold2 ist keine Meta-große Anstrengung. Es ist keine OpenAI-große Anstrengung. Es stammt von EvolutionaryScale, einem Forschungs-Stage-Unternehmen, in Zusammenarbeit mit dem Arc Institute — einer Nonprofit. Das Modell ist Open Source. Die Gewichte sind herunterladbar. Trainingsdaten und Methodik sind öffentlich. Und auf den Benchmarks, die für Proteinstrukturvorhersage zählen, schlägt es AlphaFold 3.

Lies das noch einmal.

Das Labor, das die moderne Revolution der Proteinstruktur-KI im Wesentlichen erfunden hat — DeepMind, mit einem schier endlosen Budget und einem mehrjährigen Vorsprung — wurde 2026 von einer kleinen offenen Anstrengung überholt, die mit öffentlich verfügbaren Ideen arbeitet. Nicht auf einer Spielzeugmetrik. Auf der eigentlichen Proteinstrukturvorhersage-Aufgabe, für die AlphaFold gebaut wurde.

Das ist kein Einzelfall. Es passt in ein Muster, das wir 2026 wiederholt gesehen haben: in mehreren der folgenreichsten wissenschaftlichen Domänen matchen oder übertreffen Open-Source-Modelle die geschlossenen Frontier-Labs — und das mit einem Bruchteil des Kapitals. State-Space-Modelle im Long-Context-Reasoning. Kleinere LLMs in der Code-Generierung. ESMFold2 in der Strukturbiologie. Der kapitalintensive Burggraben, der 2023–2024 definierte, schrumpft rapide.

Für ein Feld, das zwei Jahre lang argumentiert hat, dass die Zukunft der KI von einer Handvoll Billionen-Dollar-Unternehmen dominiert werde, ist das ein zutiefst destabilisierender Datenpunkt.

Das Atlas-Problem

Der zweite Teil der ESMFold2-Story ist der, den die meisten Leute unterschätzen: der Strukturatlas mit über einer Milliarde Proteinen.

Vor einem Jahrzehnt kostete die experimentelle Bestimmung einer einzelnen nützlichen Proteinstruktur rund 100.000 Dollar und mehrere Monate Arbeit. Die Protein Data Bank, das kanonische Archiv solcher Strukturen, enthielt ungefähr 200.000 davon. Das war die gesamte Strukturkarte der Biologie, die Menschen in fünfzig Jahren von Hand erstellt hatten.

Das ESMFold2-Team veröffentlichte vorhergesagte Strukturen für eine Milliarde Proteine. Das ist das 5.000-fache der experimentellen PDB, in einer einzigen Veröffentlichung, rechnerisch in Wochen erzeugt. Die Zahl selbst ist fast absurd — eine Art Skalierungsereignis, das die vorherige Ära im Nachhinein kleinlich wirken lässt.

Und das Folgeprodukt ist der entscheidende Teil: Der Atlas ist jetzt eine öffentliche Ressource. Eine Doktorandin in Bangalore, ein Postdoc in São Paulo, ein kleines Biotech in Nairobi können alle dieselbe Strukturkarte herunterladen, die Alphabets Forscher zur Designarbeit für ihre klinischen Kandidaten verwendet haben. Welche Innovationen das downstream freisetzt, ist im Wesentlichen unvorhersehbar — aber das Tempo wird innerhalb weniger Monate sichtbar werden.

Was das tatsächlich bedeutet

Drei Dinge, in der Reihenfolge ihrer Wichtigkeit:

1. AIs wissenschaftlicher Output ist nicht mehr eine Funktion davon, wer die meisten GPUs hat. Wenn ESMFold2 mit offenen Gewichten auf Standard-Hardware AlphaFold 3 schlagen kann, verliert das Argument, „Skalierung ist der einzige Burggraben", in den Domänen an Kraft, die für Menschen tatsächlich zählen. Der Burggraben verlagert sich auf Daten, Distribution und — vor allem — die Fähigkeit, Vorhersagen in Outcomes in der physischen Welt zu übersetzen. Pharma-Pipelines, klinische Operations, Fertigung, regulatorische Navigation. Das ist eine andere Art von Burggraben, und es ist nicht offensichtlich, dass die geschlossenen Frontier-Labs dafür positioniert sind, ihn zu gewinnen.

2. Die „fünf-Jahre-entfernt"-Zeitskala ist gerade zu „diesem Jahr" geworden. Wir haben ein Jahrzehnt lang gehört, dass KI-designte Medikamente fast da seien. Die Isomorphic-Studien sind der Moment, in dem die Rhetorik zu einem Markt wird. Erwarte in den nächsten achtzehn Monaten eine Flut ähnlicher Ankündigungen, meist von Incumbents, die die Kosten eines Phase-1-Programms tragen können. Der Wettbewerbsdruck auf jedes traditionelle Pharma-F&E-Budget ist gerade scharf geworden.

3. Open Source hat eine Runde gewonnen, die es nicht zu gewinnen hatte. Das ist die Geschichte, die man beobachten muss. Die Strukturbiologie-Community war, vielleicht mehr als jede andere wissenschaftliche Community, darauf konditioniert anzunehmen, dass die Frontier bei DeepMind bleiben würde. Diese Annahme ist gerade zerbrochen. Andere wissenschaftliche Domänen — Materialwissenschaft, computergestützte Chemie, Klimamodellierung — schauen genau hin. Die Lektion wird sich nicht eingrenzen lassen.

Das Fazit

Jahrelang war die richtige Art, über KI in der Wissenschaft nachzudenken, die eines „Co-Piloten" — nützlich, suggestiv, aber immer dem menschlichen Forscher untergeordnet. Diese Rahmung ist jetzt zu klein. In 2026 berät die KI das Experiment nicht mehr. Das Experiment wird um den Output der KI herum gebaut. Die ersten Patienten werden mit Molekülen dosiert, die kein Mensch designt hat, sondern nur vorhergesagt.

Und der genaueste Vorhersager dieser Moleküle, der das Labor schlägt, das das Feld begründet hat, ist ein Open-Source-Modell, das du heute herunterladen kannst.

Das ist keine Co-Pilot-Geschichte. Das ist ein Phasenwechsel.

---

Wenn du an der Schnittstelle von KI und Lebenswissenschaften arbeitest, würde ich gern hören, was du siehst. Die Durchbrüche kommen schneller als die Pressemitteilungen, und die interessanteste Arbeit ist selten die lauteste.