Die vergangenen zehn Jahre haben uns bei der künstlichen Intelligenz (KI) enorm vorangebracht. Gerade beim maschinellen Lernen, einer wichtigen Unterkategorie, sind die Fortschritte riesig. Konzerne wie Amazon , Apple , Facebook  und Google  nutzen diese Technologie, um aus Daten Prognosen abzuleiten. Diese Prognosen sind genauer geworden und haben den Unternehmen geholfen, ihre Angebote deutlich zu verbessern. Maschinelles Lernen hat daneben Start-ups ermöglicht, neue Produkte und Plattformen auf den Markt zu bringen. Einigen von ihnen gelingt es sogar, den Big-Tech-Konzernen ernsthaft Konkurrenz zu machen.

Ein Beispiel ist BenchSci. Das Unternehmen mit Sitz in Toronto, Kanada, will die Entwicklung von Arzneimitteln beschleunigen. Seine Technik hilft Forscherinnen und Forschern, die sprichwörtliche Nadel im Heuhaufen zu finden: Sie filtert aus der Unmenge von Informationen in Datenbanken von Pharmaunternehmen und wissenschaftlichen Veröffentlichungen die entscheidenden Daten heraus. Bevor Unternehmen klinische Studien für ein neues Medikament beginnen können, sind viele teure und zeitaufwendige Experimente nötig. BenchSci erkannte, dass Forscher weniger Versuche brauchen und schneller Erfolge erzielen, wenn sie Zugriff auf die riesige Anzahl bereits durchgeführter Experimente hätten. Die Gründer waren überzeugt, dass sich mit maschinellem Lernen die Zahl der erforderlichen Experimente mindestens halbieren ließe. Die Technologie, so ihre Idee, sollte die relevanten Ergebnisse aus wissenschaftlichen Veröffentlichungen erfassen, klassifizieren und aufbereiten.

Pharmaunternehmen können so schneller bestimmte biologische Reagenzien wie Antikörper identifizieren – eine Information, die für die Medikamentenentwicklung extrem wichtig ist. Über 17 Milliarden US-Dollar lassen sich laut Schätzungen so einsparen. Maschinelles Lernen könnte die Pharmabranche, in der die Erträge aus Forschung und Entwicklung nur noch minimal sind, grundlegend verändern. Wichtiger ist jedoch, dass viele Menschenleben gerettet werden könnten, wenn neue Medikamente schneller auf den Markt kämen.

BenchSci vollzieht in seinem Spezialgebiet das, was Google überall in den Weiten des Internets macht: Es setzt maschinelles Lernen ein, um bessere Ergebnisse zu erzielen als alle anderen Suchmaschinen. Während Sie mithilfe von Google etwa herausfinden können, wie Sie Ihre Spülmaschine selbst reparieren und sich so den teuren Reparaturservice ersparen, stellt BenchSci Forschern eine Plattform zur Verfügung, die sie dabei unterstützt, geeignete Reagenzien zu finden. Und zwar ohne die Mühe und Kosten übermäßiger Recherchen und Experimente auf sich nehmen zu müssen.

Früher nutzten Forscher für ihre Suche oft Google oder die Literaturdatenbank PubMed. Sie brauchten Tage, um passende Veröffentlichungen zu finden. Anschließend bestellten sie dann drei bis sechs Reagenzien, die sie testen mussten, um sich für einen Stoff entscheiden zu können. Wieder vergingen Wochen. Mit BenchSci ist die Suche eine Sache von Minuten. Zudem müssen die Forscher wegen der besseren Vorauswahl, die die Plattform liefert, nicht mehr so viele Reagenzien bestellen. Eine bis drei reichen in der Regel aus. Dadurch verringert sich auch die Zahl der nötigen Experimente, was den Zeitaufwand weiter verkürzt.

Viele Unternehmen arbeiten bereits mit künstlicher Intelligenz und wissen, welche praktischen Schritte nötig sind, um sie in ihre Arbeitsabläufe zu integrieren und ihr Potenzial auszuschöpfen. Je kompetenter die Unternehmen im Umgang mit der Technologie werden, desto drängender stellt sich folgende Frage: Wie können wir maschinelles Lernen einsetzen, um ein Produkt zu entwickeln, das die Wettbewerber nicht so leicht kopieren können? Für BenchSci lautet diese Frage konkret: Wird der anfängliche Erfolg ein Konkurrenzangebot von Google zur Folge haben – und wenn ja, wie verteidigt BenchSci dann seinen Vorsprung?

Unternehmen, die KI-basierte Produkte oder Dienstleistungen anbieten, sollten ein paar Dinge beachten, wenn sie in eine Branche einsteigen, einen nachhaltigen Wettbewerbsvorteil aufbauen und die Markteintrittsbarrieren für Nachzügler erhöhen wollen. Wir haben festgestellt, dass ein früher Einstieg oft große Vorteile bringt, aber längst nicht alles ist. Nachzügler – die sogenannten Late Adopters einer neuen Technologie – können erfolgreich sein oder ihren Rückstand verkleinern, indem sie eine Nische für sich finden.