KI verbindet Forschung und Produktion entlang der Wertschöpfungskette

Wie Merck künstliche Intelligenz nutzt, um wissenschaftliche Daten in herstellbare Produkte, stabile Prozesse und präzisere Entscheidungen zu überführen.
Der Wert künstlicher Intelligenz entscheidet sich an den Übergängen: zwischen einem digitalen Wirkstoffkandidaten und seiner Synthese, zwischen dem Labor und der Großproduktion oder zwischen medizinischen Daten und einer Therapieentscheidung. Merck verknüpft dafür KI mit wissenschaftlicher Expertise, Prozessdaten und physischer Infrastruktur.
Viele Unternehmen setzen KI bereits für Datenanalysen, Qualitätssicherung, Automatisierung oder Produktion ein. Einzelne Anwendungen können Mitarbeitende entlasten und bestimmte Arbeitsschritte beschleunigen. Daraus entsteht jedoch noch keine durchgängig KI-gestützte Organisation.
Die weltweite KI-Umfrage von McKinsey für 2026 verdeutlicht diese Lücke. Während 80 Prozent der Befragten von einer höheren persönlichen Produktivität berichten, blieb der Anteil der Unternehmen mit einem nachweisbaren Einfluss von KI auf die Ertragslage im Jahresvergleich unverändert.
Für Chemie-, Pharma- und Technologieunternehmen liegt die Herausforderung weniger in der Verfügbarkeit von Modellen. Entscheidend ist, ob sich Daten aus Forschung, Entwicklung, Produktion und Qualitätssicherung verbinden lassen. Erst wenn KI-Ergebnisse in operative Entscheidungen einfließen, entsteht ein Mehrwert über einzelne Pilotprojekte hinaus.
Merck als Anwender und Wegbereiter von KI
Das Wissenschafts- und Technologieunternehmen Merck mit Sitz in Darmstadt ist in den Bereichen Life Science, Healthcare und Electronics aktiv. KI kommt in der eigenen Forschung und industriellen Produktion zum Einsatz. Gleichzeitig liefert Merck Materialien und Technologien für leistungsfähige Halbleiter und damit für die physische Infrastruktur zahlreicher KI-Anwendungen.
Merck ist damit auf beiden Seiten derselben Entwicklung vertreten: als Anwender von KI und als Zulieferer der Materialien, die die dafür notwendige Rechenleistung ermöglichen. Die Reichweite ist entsprechend groß: Nach eigenen Angaben ist Merck an der Mehrzahl der 40 weltweit meistverkauften Biologika beteiligt. Jährlich werden mehr als 100 Millionen Patienten mit Medikamenten von Merck versorgt. Bei mehr als sechs Millionen Geburten kam die Expertise des Unternehmens in der Fertilitätsmedizin zum Einsatz.
Auch außerhalb des Gesundheitssektors ist die Reichweite groß: Merck-Materialien und -Technologien befinden sich in 99 Prozent aller modernen elektronischen Geräte. Damit betrifft die KI-Strategie nicht nur interne Effizienzgewinne, sondern Forschung, Gesundheitsversorgung, industrielle Fertigung und digitale Infrastruktur.
Vom Wirkstoffkandidaten zur herstellbaren Verbindung
Viele KI-Projekte in wissenschaftsnahen Industrien beginnen bei der Generierung und Sichtung möglicher Forschungsfelder. Dort können Algorithmen schnell große Datenräume durchsuchen und vielversprechende Ansätze identifizieren. Der Engpass verlagert sich jedoch häufig in nachgelagerte Phasen.
Ob zum Beispiel ein Wirkstoffkandidat tatsächlich Patienten oder Kunden erreicht, entscheidet sich unter anderem in der Prozessentwicklung, bei der Hochskalierung, im Technologietransfer, in der Qualitätssicherung und in der Lieferkette. Ein digital vielversprechendes Molekül besitzt nur begrenzten Wert, wenn es sich nicht zuverlässig synthetisieren, formulieren oder in größerem Maßstab herstellen lässt.
Machine Learning kann in der Wirkstoffforschung Eigenschaften von Molekülen prognostizieren. Generative Modelle schlagen zudem neue Strukturen vor, die anschließend in Simulationen oder im Labor geprüft werden. Dadurch lassen sich chemische und biologische Suchräume eingrenzen und geeignete Kandidaten früher priorisieren.
KI ersetzt die experimentelle Forschung dabei nicht. Ihre Ergebnisse müssen auf belastbaren Daten beruhen und im Labor validiert werden. Der Nutzen liegt darin, Fehlentscheidungen früher zu erkennen und wissenschaftliche Hypothesen gezielter zu prüfen.
Synthia bringt die Syntheseplanung nach vorn
Merck verbindet die frühe Wirkstoffforschung mit Fragen der Synthese, Formulierungsentwicklung und Materialauswahl. Dabei unterstützt unter anderem die Retrosynthese-Software "Synthia" aus dem Life-Science-Unternehmensbereich von Merck.
Anwender geben eine Zielstruktur ein. Die Software analysiert das Molekül und schlägt alternative Synthesewege vor. In die Bewertung fließen beispielsweise die Anzahl der Syntheseschritte, die Ähnlichkeit zu publizierten Synthesen, die Kosten der Ausgangsstoffe und der Bedarf an Schutzgruppen ein.
Forschende erhalten damit früher Hinweise auf die praktische Umsetzbarkeit eines Kandidaten. Synthesewege, Ausgangsmaterialien und Kosten werden bereits berücksichtigt, wenn sich ein Molekül noch in einer frühen Phase befindet. Das verringert das Risiko, erst nach umfangreicher Entwicklungsarbeit festzustellen, dass sich eine Verbindung nicht sinnvoll im großen Maßstab herstellen lässt.
Der Übergang vom digitalen Entwurf zum realistischen Laborplan kann dadurch deutlich kürzer werden. Die experimentelle Prüfung bleibt notwendig, beginnt jedoch auf einer gezielteren Grundlage.
BayBE steuert Versuchsreihen datenbasiert
Bei der Prozess- und Produktentwicklung besteht eine weitere Herausforderung darin, aus zahlreichen möglichen Experimenten die aussichtsreichsten auszuwählen. Klassische Trial-and-Error-Verfahren können viele Versuchsreihen und entsprechende Ausfallzeiten erfordern.
Das von Merck entwickelte KI-gestützte Planungstool BayBE empfiehlt auf Basis vorhandener Daten und Modellberechnungen das jeweils beste nächste Experiment. Teams können Prozesse damit gezielter optimieren, statt sämtliche Kombinationen nacheinander zu testen.
Aufwand und Ausfallzeiten lassen sich dadurch nach Angaben von Merck um bis zu 80 Prozent reduzieren. Für Forschende entsteht mehr Freiraum, um sich auf strategische Fragestellungen und die Bewertung der Ergebnisse zu konzentrieren.
Im Dezember 2023 veröffentlichte Merck BayBE als Open-Source-Software. Das Werkzeug wurde damit für wissenschaftliche und industrielle Anwendungen breiter zugänglich. Zugleich verdeutlicht es, wie KI in einen bestehenden Forschungsworkflow eingebunden werden kann: nicht als isolierter Assistent, sondern als Bestandteil der experimentellen Planung.
Vom Laborprozess zur stabilen Großproduktion

Der nächste kritische Übergang liegt zwischen Labor und Produktionsanlage. Ein Prozess, der im kleinen Maßstab zuverlässig funktioniert, muss sich bei steigenden Mengen weiterhin präzise steuern lassen. Schon geringe Schwankungen können sich beim Hochskalieren verstärken und Qualität, Ausbeute oder Produktionszeit beeinflussen.
In Produktionsumgebungen entstehen große Datenmengen. Dazu gehören Sensorwerte, Prozessparameter, Qualitätsdaten, Abweichungen und Prüfergebnisse. KI kann diese Informationen zusammenführen und Veränderungen sichtbar machen, bevor daraus Ausschuss, Verzögerungen oder Qualitätsprobleme entstehen.
Produktionsingenieure erhalten dadurch zusätzliche Entscheidungsgrundlagen. Sie erkennen, wo sich ein Prozess vom Sollzustand entfernt, welche Parameter besonders empfindlich reagieren und an welcher Stelle sich mögliche Störungen ankündigen. Teams können gezielter eingreifen und Abläufe stabilisieren.
Bei Merck kommen KI-gestützte Systeme und Echtzeitanalysen sowohl bei der Herstellung kritischer Materialien als auch in regulierten Produktionsumgebungen von Life Science und Healthcare zum Einsatz. Sie unterstützen dabei, kritische Veränderungen rechtzeitig zu identifizieren und Prozesse präziser zu steuern.
Die Verbindung endet nicht am Ausgang der Produktionsanlage. Erkenntnisse aus der großtechnischen Prozessführung können zurück in die Entwicklung im Labormaßstab fließen. Dadurch entsteht ein kontinuierlicher Lernkreislauf zwischen Forschung und Fertigung.
KI wird in diesem Modell nicht nur zur lokalen Prozessoptimierung eingesetzt. Sie verbindet Daten aus verschiedenen Größenordnungen und Entwicklungsstufen. Das kann Produktionszyklen verkürzen, Abläufe robuster machen und eine verlässlichere Produktqualität unterstützen.
Von medizinischen Daten zur präziseren Entscheidung
Auch in der personalisierten Medizin liegt der Mehrwert an einer Schnittstelle. Biomarker, diagnostische Ergebnisse, molekulare Analysen, digitale Gesundheitstools und klinische Daten müssen gemeinsam ausgewertet werden, um Erkrankungen genauer einzuordnen.
KI kann Muster in komplexen biologischen und medizinischen Datensätzen erkennen. Ihre wesentliche Aufgabe besteht nicht in der isolierten Analyse einzelner Datenpunkte, sondern in der Verbindung von Erkenntnissen aus Forschung, Diagnostik, Therapieentwicklung und klinischer Praxis.
Patientengruppen lassen sich dadurch differenzierter betrachten und Therapieoptionen fundierter bewerten. Ziel sind Entscheidungen, die früher getroffen werden und genauer auf die Bedürfnisse bestimmter Patientengruppen abgestimmt sind. Bei Krebs sowie seltenen oder chronischen Erkrankungen können individuelle Krankheitsverläufe damit stärker berücksichtigt werden.
Merck verbindet hierfür Kompetenzen aus Healthcare und Life Science. Biologische Erkenntnisse, diagnostische Informationen und Therapieentwicklung sollen enger ineinandergreifen. KI unterstützt diesen Prozess, indem sie relevante Zusammenhänge in komplexen Datenbeständen schneller sichtbar macht.
Von Spezialmaterialien zur KI-Rechenleistung

Die industrielle KI-Wertschöpfung reicht über Software und Daten hinaus. Modelle benötigen leistungsfähige Halbleiter, deren Herstellung auf hochspezialisierten Materialien und genau kontrollierten Prozessen beruht.
Moderne Halbleiter erfordern Spezialmaterialien, hochreine Chemikalien, Metrologie, Inspektion und präzise Fertigungstechnologien. Mit Advanced Packaging, Heterogeneous Integration und Chiplets steigen die technischen Anforderungen weiter. Das gilt insbesondere für Hochleistungsspeicher und KI-Chiplets, die für datenintensive Anwendungen benötigt werden.
An den physikalischen Grenzen der Chipfertigung gewinnt die Prozesskontrolle zusätzlich an Bedeutung. Hersteller müssen Defekte zuverlässig erkennen, kritische Strukturen präzise vermessen und Fertigungsprozesse stabil halten. Die Leistungsfähigkeit eines Chips hängt daher nicht nur von seinem Design, sondern auch von Materialqualität, Messtechnik und Prozessführung ab.
Der Geschäftsbereich Electronics von Merck liefert Spezialmaterialien und technologische Lösungen für die Elektronik- und Halbleiterindustrie. Merck produziert keine Chips, unterstützt als Material- und Technologielieferant jedoch wichtige Schritte entlang der Halbleiterwertschöpfung.
Damit nimmt das Unternehmen eine doppelte Position ein. Es setzt KI in den eigenen Forschungs- und Produktionsprozessen ein und liefert zugleich Materialien, die leistungsfähigere Rechenhardware ermöglichen. Fortschrittliche Fertigung und KI verstärken sich dabei gegenseitig: Präzisere Prozesse ermöglichen leistungsfähigere Chips, während KI wiederum bei der Kontrolle komplexer industrieller Abläufe unterstützt.
Daten, Rechenleistung und operative Systeme zusammenführen
Eine KI-Transformation über Forschung und Produktion hinweg lässt sich nicht aus einer einzelnen Abteilung heraus umsetzen. Sie erfordert eine Datenarchitektur, die Informationen aus unterschiedlichen Bereichen verfügbar und nutzbar macht. Ebenso notwendig sind Automatisierung und eine enge Verbindung von IT- und OT-Systemen.
High Performance Computing stellt die Rechenleistung für KI-gestützte Forschung in Chemie, Biologie und Materialwissenschaften bereit. Rechenleistung allein genügt jedoch nicht. Modelle müssen an Laborabläufe, Anlagen und bestehende Unternehmenssysteme angeschlossen werden.
Technologiepartner spielen dabei eine wichtige Rolle. Merck setzt auf Kooperationen, um Hochleistungsrechnen, Dateninfrastruktur und operative Systeme enger zu verbinden. In Health-Tech-Angeboten werden zudem physische Produkte mit digitalen Workflows gekoppelt, um manuelle Schritte zu reduzieren und Abläufe effizienter zu gestalten.
Für den wissenschaftlichen und industriellen Einsatz benötigt KI zugleich klare Governance-Strukturen. Menschliche Aufsicht und eine sorgfältige Validierung bleiben unverzichtbar. Einmal entwickelte Fähigkeiten sollen bei Merck nicht auf einzelne Projekte begrenzt bleiben, sondern über mehrere Geschäftsbereiche hinweg wachsen.
Welche Branchen besonders profitieren können
Eine eindeutige Rangfolge der Branchen, die in den kommenden zehn Jahren am stärksten von KI-gestützter wissenschaftlicher Innovation profitieren werden, lässt sich aus den heutigen Anwendungen nicht ableiten. Das Potenzial zeigt sich jedoch besonders deutlich in Bereichen mit großen Datenmengen, komplexen physikalischen oder biologischen Zusammenhängen und hohen Qualitätsanforderungen.
Dazu zählen die chemische und pharmazeutische Industrie, Life Science, Healthcare, die Materialwissenschaft sowie die Elektronik- und Halbleiterbranche. KI kann dort wissenschaftliche Suchräume eingrenzen, Versuchsreihen gezielter planen, Prozessabweichungen früher erkennen und Informationen über mehrere Stufen der Wertschöpfung hinweg nutzbar machen.
Für Unternehmen liegt die Chance nicht nur in einer höheren Geschwindigkeit. Die Verbindung von KI mit fortschrittlicher Fertigung kann helfen, Entwicklungsrisiken früher zu erkennen, Produktionsprozesse stabiler zu führen und Erkenntnisse aus der industriellen Anwendung wieder in die Forschung zurückzuführen.
Wertschöpfung entsteht an den Schnittstellen
Die Zahl der eingesetzten Modelle sagt wenig darüber aus, ob ein Unternehmen tatsächlich KI-getrieben arbeitet. Entscheidend ist, wie gut es die Übergänge innerhalb seiner Wertschöpfung beherrscht.
In der Wirkstoffforschung verbindet Merck digitale Kandidaten mit Syntheseplanung und Experimenten. In der Produktion fließen Daten aus Sensorik und Qualitätssicherung in die Prozesssteuerung ein. In der personalisierten Medizin werden biologische, diagnostische und klinische Informationen zusammengeführt. Im Elektronikgeschäft liefert das Unternehmen Materialien und Technologien für leistungsfähigere Halbleiter.
KI verändert damit nicht nur einzelne Tätigkeiten. Sie kann Forschung, industrielle Produktion und digitale Infrastruktur zu einem gemeinsamen System verbinden. Aus einem Produktivitätswerkzeug wird ein strategischer Faktor, wenn digitale Ergebnisse in Laboren, Produktionsanlagen, Kliniken und Lieferketten praktisch nutzbar werden.
FAQ
Warum führen einzelne KI-Anwendungen nicht automatisch zu messbarer Wertschöpfung?
Einzelne Anwendungen optimieren meist nur einen begrenzten Arbeitsschritt. Unternehmensweiter Mehrwert entsteht erst, wenn valide Daten, Fachwissen, Infrastruktur und operative Prozesse miteinander verbunden sind. Die Ergebnisse müssen dort verfügbar sein, wo Mitarbeitende Entscheidungen treffen.
Wo entstehen in Forschung und Produktion die größten Integrationsprobleme?
Kritisch sind häufig die Übergänge von der Kandidatenauswahl zur Prozessentwicklung, vom Labor zur Hochskalierung sowie von der Produktion zur Qualitätssicherung. Werden diese Bereiche nicht verbunden, verschiebt KI bestehende Engpässe lediglich in eine spätere Phase.
Wie helfen Synthia und BayBE bei der Entwicklung?
Synthia schlägt alternative Synthesewege vor und berücksichtigt dabei Faktoren wie Syntheseschritte, publizierte Verfahren, Ausgangsstoffkosten und Schutzgruppen. BayBE empfiehlt auf Basis von Daten und Modellen die jeweils aussichtsreichsten nächsten Experimente.
Wie kann KI die industrielle Qualitätssicherung verbessern?
KI wertet Sensorwerte, Prozessparameter, Qualitätsdaten und Prüfergebnisse gemeinsam aus. Dadurch können Produktionsingenieure Abweichungen früher erkennen und Maßnahmen einleiten, bevor daraus größere Qualitätsprobleme, Verzögerungen oder Ausschuss entstehen.
Welche Rolle spielt KI bei der personalisierten Medizin?
KI verbindet Informationen aus Biomarkern, Diagnostik, molekularen Analysen und klinischen Daten. Dies schafft fundiertere Grundlagen, um Patientengruppen genauer zu unterscheiden und Therapieentscheidungen früher sowie präziser vorzubereiten.
Welche Materialien benötigt die Herstellung leistungsfähiger KI-Chips?
Erforderlich sind unter anderem Spezialmaterialien, hochreine Chemikalien sowie Technologien für Metrologie, Inspektion und Prozesskontrolle. Advanced Packaging, Heterogeneous Integration, Hochleistungsspeicher und KI-Chiplets erhöhen die Anforderungen an Materialien und Fertigungsverfahren zusätzlich.
Was benötigen Unternehmen für die Skalierung von KI?
Zu den Voraussetzungen gehören High Performance Computing, eine geeignete Datenarchitektur, Automatisierung, die Verbindung von IT und OT sowie Technologiepartnerschaften. Ergänzend braucht es Governance, menschliche Aufsicht und eine sorgfältige Validierung der Modellergebnisse.














