Wer in Forschung und Entwicklung vorne liegen wollte, musste bisher vor allem eines: mehr Geld ausgeben als die Konkurrenz. Mehr Labore, mehr Doktortitel, größere Budgets. Diese Formel funktioniert nicht mehr. NVIDIA hat gerade eine 1-Milliarde-Dollar-Partnerschaft über fünf Jahre mit Eli Lilly geschlossen, um Wirkstoffentdeckung durch Agentic AI zu beschleunigen. Cadence hat seinen ChipStack AI Super Agent für die vollständige Automatisierung von Chipdesign-Workflows veröffentlicht. Edison Scientific hat ein System gebaut, in dem 200 KI-Agenten Erkenntnisse aus 1.500 wissenschaftlichen Publikationen in weniger als einem Tag zusammenfassen, Arbeit, die ein menschliches Forschungsteam Monate kosten würde.
Der F&E-Burggraben besteht nicht mehr darin, wer die meisten Forscher beschäftigt. Er besteht darin, wer Systeme einsetzt, die Erkenntnisgewinn schneller skalieren als Personalaufbau es jemals könnte.
Warum F&E der wirkungsvollste Einsatzbereich für Agentic AI ist
Die meisten KI-Projekte in Unternehmen zielen auf Kundenservice oder Back-Office-Prozesse. Das ist sinnvoll, aber es optimiert bestehende Abläufe. F&E ist grundlegend anders. Wenn ein Forschungszyklus von 18 auf 4 Monate schrumpft, spart man nicht nur Personalkosten. Man bringt ein Produkt auf den Markt, bevor Wettbewerber ihre Literaturrecherche abgeschlossen haben.
McKinsey hat 270 Workflows und 1.200 Aufgaben in 180 Berufsgruppen der Life Sciences analysiert. Ergebnis: 75 bis 85 Prozent der Pharma-Workflows enthalten Aufgaben, die Agentic AI verbessern oder vollständig automatisieren kann. Das setzt 25 bis 40 Prozent der Organisationskapazität frei. In der Medizintechnik liegt der Wert bei 70 bis 80 Prozent.
Das sind keine inkrementellen Verbesserungen. Allein ein Dokumentationsagent erreicht 75 bis 80 Prozent Produktivitätsgewinn bei der initialen Dokumentenerstellung. End-to-End-Agenten für Dokumentenerstellung und Review verkürzen Durchlaufzeiten von Wochen auf Stunden. Regulatorische Einreichungen, klinische Studienberichte und Protokolländerungen bewegen sich damit in einem Tempo, das strukturell vorher unmöglich war.
Von Forscherdichte zu Systemfähigkeit
Jahrzehntelang korrelierte der F&E-Output direkt mit Budget und Kopfzahl. Die Pharmabranche gab 2024 weltweit rund 252 Milliarden Dollar für F&E aus, und ein einzelnes Medikament zur Marktreife zu bringen kostet nach wie vor über 2 Milliarden Dollar. Mehr Forscher bedeuteten mehr Experimente, was mehr Chancen auf wertvolle Entdeckungen bedeutete.
Agentic AI durchbricht diese lineare Beziehung. Ein Startup mit 50 Mitarbeitern und gut orchestrierten Agenten kann heute Literatursynthese, Hypothesengenerierung, Experimentaldesign-Optimierung und Datenanalyse in einem Umfang leisten, der früher Hunderte von Forschern erforderte. Die Wettbewerbsfrage lautet nicht mehr “Wie viele Wissenschaftler beschäftigen Sie?”, sondern “Wie effektiv verstärken Ihre Systeme die Leistung jedes einzelnen Wissenschaftlers?”
McKinsey prognostiziert, dass bis 2028 bis zu 95 Prozent der Rollen in den Life Sciences neben agentischen KI-Teammitgliedern arbeiten werden. Zwei Drittel dieser Rollen werden direkt am Aufbau, Management oder der Supervision von Agenten beteiligt sein.
Wo Agentic AI Forschung bereits verändert
Das ist keine Theorie. Mehrere Branchen haben produktive Deployments, die zeigen, wie agentengesteuerte F&E in der Praxis aussieht.
Arzneimittelentdeckung und Life Sciences
Der Pharma-Sektor ist am weitesten fortgeschritten, angetrieben durch die enormen Kosten traditioneller Medikamentenentwicklung. Charles River Laboratories identifiziert agentische Labortechnologie als einen der wichtigsten Trends 2026: Geschlossene Agenten-Systeme können Experimente durchführen, Instrumentenausfälle erkennen und Protokolle anpassen, ohne menschliches Eingreifen. Ein Beispiel: Ein Durchflusszytometer mit KI-Agent erkennt, wenn eine Zellprobe das Instrument verstopft, und behebt das Problem automatisch.
Die NVIDIA-Eli-Lilly-Partnerschaft baut ein KI-Co-Innovationslabor in der San Francisco Bay Area auf, fokussiert auf drei Bereiche: beschleunigte Wirkstoffentdeckung, Optimierung klinischer Entwicklung und fortschrittliche Fertigung. Das ist kein Pilotprojekt, sondern eine Milliarden-Dollar-Wette darauf, dass agentische Forschung bestimmt, wer im Pharma-Wettbewerb des nächsten Jahrzehnts gewinnt.
Für den DACH-Raum ist diese Entwicklung besonders relevant. Deutschland investiert jährlich über 110 Milliarden Euro in F&E, mehr als jedes andere europäische Land. Fraunhofer ITWM arbeitet bereits an agentischer KI für die Beschleunigung von Embedded-Entwicklung, und Fraunhofer IAIS hat spezialisierte Reasoning-Methoden entwickelt, die agentische Systeme in Medizin, Recht und Ingenieurwesen einsetzen. Mit NASE (Neural Architecture Search Engine) hat Fraunhofer ein agentisches System geschaffen, das KI-Modell-Optimierung von Monaten auf Wochen verkürzt.
Chipdesign und Hardware-Engineering
Cadence und NVIDIA haben ihre Zusammenarbeit erweitert (März 2026), um agentische KI-Lösungen für Chip- und Systemdesign zu liefern. Die nächste Generation umfasst autonome, langfristig laufende Agenten, die Designintention in automatisierte Flows übersetzen, Designs generieren, Fehler debuggen und komplexe End-to-End-Workflows managen.
Die Zahlen sprechen für sich: Cadence-Lösungen auf NVIDIA-Hardware liefern bis zu 80-fach höheren Durchsatz und bis zu 20-fach niedrigeren Stromverbrauch. Der ChipStack AI Super Agent ist bereits im Early Deployment bei Altera, NVIDIA, Qualcomm und Tenstorrent.
Materialwissenschaft
Forscher haben MOFGen entwickelt, ein Multi-Agenten-System zur Entdeckung neuartiger metallorganischer Gerüstverbindungen (MOFs). Das System kombiniert große Sprachmodelle für Kompositionsvorschläge, Diffusionsmodelle für Kristallstrukturen, quantenmechanische Agenten für die Optimierung und Synthetisierbarkeits-Agenten für die Filterung. Fünf KI-entworfene MOFs wurden synthetisiert und experimentell validiert: Die Kristallstrukturen stimmten mit den Agenten-Vorhersagen überein.
Das Muster ist klar: Agentic AI ersetzt nicht den Forscher. Sie generiert Hunderte von Kandidaten, wo ein menschliches Team zehn evaluieren würde, und filtert auf die vielversprechendsten Optionen für menschliche Validierung.
Wettbewerbsdynamik: Geschwindigkeit, Suchbreite und kumulative Renditen
IDCs FutureScape 2026 prognostiziert, dass Unternehmen mit KI-gestützter Entwicklung Produkte und Services bis zu 400 Prozent schneller auf den Markt bringen als ihre Wettbewerber. In der F&E kumuliert dieser Geschwindigkeitsvorteil. Ein Pharmaunternehmen, das eine vielversprechende Verbindung sechs Monate früher identifiziert, spart nicht nur sechs Monate Kosten. Es gewinnt sechs Monate patentgeschützten Umsatz am Ende der Pipeline.
Die drei Ebenen des F&E-Vorteils
Erkenntnisgeschwindigkeit: Agenten, die Literatur synthetisieren, Muster über Datensätze hinweg erkennen und Hypothesen generieren, komprimieren die Entdeckungsphase rund um die Uhr. Wo ein menschliches Forschungsteam 200 Papers in drei Monaten liest, verarbeitet ein Agentensystem 1.500 an einem Tag.
Erkundungsbreite: Traditionelle F&E untersucht einen engen Suchraum, weil menschliche Forscher nur begrenzt viele Experimente durchführen können. Agentenorchestierte Systeme laufen Tausende von Simulationen, testen mehr Variablen und erkunden Kombinationen, für die kein menschliches Team die Kapazität hätte.
Kumulative Renditen: Jede Entdeckung fließt in den nächsten Zyklus ein. Ein Agent, der eine neue Materialeigenschaft findet, vergisst sie nicht im nächsten Quartal. Sie wird Teil der Wissensbasis, die jedes nachfolgende Experiment informiert. Je länger das System läuft, desto besser wird es darin, Forschung in produktive Richtungen zu lenken.
Gartner meldete einen Anstieg von 1.445 Prozent bei Anfragen zu Multi-Agenten-Systemen von Q1 2024 bis Q2 2025. Die Unternehmen, die diese Anfragen stellen, fragen nicht, ob Agentic AI für F&E relevant ist. Sie arbeiten daran, wie sie es umsetzen. Wer den Aufbau dieser Fähigkeiten verzögert, geht ein asymmetrisches Risiko ein: Die Lücke zwischen agentengesteuerter F&E und traditioneller F&E wird mit jedem Quartal größer, weil die schnellen Akteure ihren Vorteil kumulieren.
Eine agentengesteuerte F&E-Organisation aufbauen
Agentic AI in der F&E einzusetzen ist nicht so einfach wie eine Plattform zu kaufen und ans Labor anzuschließen. Die Organisationen mit Ergebnissen nehmen strukturelle Veränderungen vor.
Wissensinfrastruktur zuerst
Agenten sind nur so gut wie die Daten, auf die sie zugreifen können. Vor dem Deployment von Forschungsagenten braucht man strukturierten Zugang zu proprietären Daten: Experimentprotokolle, Substanzbibliotheken, Simulationsergebnisse, Patentanmeldungen und interne Publikationen. Die meisten F&E-Organisationen speichern diese Informationen über Dutzende isolierter Systeme. Der erste Schritt ist der Aufbau einer Retrieval-Schicht, die Agenten eine systemübergreifende Abfrage ermöglicht.
Für deutsche Mittelständler mit starker F&E, etwa in Maschinenbau, Chemie oder Medizintechnik, ist das eine reelle Chance: Wer seine proprietären Forschungsdaten strukturiert und agentisch nutzbar macht, kann mit deutlich weniger Personal forschungsintensiv bleiben.
Mensch-Agent-Zusammenarbeit gestalten
McKinseys Forschung betont: Das Ziel ist nicht, Forscher zu ersetzen, sondern jedem Forscher ein agentisches Team zur Seite zu stellen. Ein Senior Scientist sollte einem Agenten die Aufgabe geben können: “Finde alle veröffentlichten Studien zur Interaktion von Verbindung X mit Protein Y, fasse widersprüchliche Ergebnisse zusammen und schlage drei Experimentaldesigns vor, die den Widerspruch auflösen könnten.” Der Agent erledigt die Fleißarbeit. Der Wissenschaftler bewertet die Ergebnisse und trifft die Entscheidungen.
Forschungsgeschwindigkeit messen, nicht nur Kosteneinsparungen
Klassische ROI-Kennzahlen greifen in der F&E zu kurz. Der Wert liegt nicht darin, weniger für Forscher auszugeben, sondern darin, dass die Forschungspipeline schneller läuft und mehr Terrain abdeckt. Relevante Metriken: Zeit von der Hypothese zur experimentellen Validierung, Anzahl gescreenter Kandidaten pro Quartal, Trefferquote bei vielversprechenden Verbindungen und Zeit bis zur regulatorischen Einreichung.
Häufig gestellte Fragen
Wie unterscheidet sich Agentic AI von herkömmlicher KI in der F&E?
Herkömmliche KI in der F&E bearbeitet typischerweise Einzelaufgaben: Vorhersage molekularer Eigenschaften, Bildklassifizierung oder Optimierung eines Parameters. Agentic AI verkettet mehrere Schritte autonom. Ein Agent kann Literatur durchsuchen, eine vielversprechende Forschungsrichtung identifizieren, ein Experiment designen, eine Simulation durchführen, Ergebnisse bewerten und das nächste Experiment anpassen, ohne dass bei jedem Schritt ein Mensch eingreifen muss.
Welche F&E-Bereiche profitieren am meisten von Agentic AI?
Die Arzneimittelentdeckung führt bei der Adoption, weil das Kosten-Nutzen-Verhältnis am deutlichsten ist: Ein Medikament auf den Markt zu bringen kostet über 2 Milliarden Dollar, sodass selbst kleine Effizienzgewinne enorme Einsparungen bedeuten. Chipdesign folgt dicht, mit Cadence und NVIDIA, die Agenten mit 80-fachem Durchsatzgewinn einsetzen. Materialwissenschaft, Chemieingenieurwesen und Biotech sehen erste Deployments.
Wie sieht ein agentengesteuertes F&E-Team aus?
McKinsey prognostiziert, dass 95 Prozent der Rollen in den Life Sciences neben agentischen KI-Teammitgliedern arbeiten werden. In der Praxis bedeutet das: Forscher verbringen weniger Zeit mit Literaturrecherchen, Datenbereinigung und Dokumentation und mehr Zeit mit Experimentaldesign, Ergebnisinterpretation und strategischen Entscheidungen.
Was kostet der Einsatz von Agentic AI in der F&E?
Die Kosten variieren stark nach Branche. Die NVIDIA-Eli-Lilly-Partnerschaft ist ein 1-Milliarde-Dollar-Engagement. Mittelständische Unternehmen können mit fokussierten Deployments für Literatursynthese und Experimentaldesign-Optimierung zu einem Bruchteil der Kosten starten. Der entscheidende Kostentreiber ist nicht die KI-Plattform selbst, sondern die Wissensinfrastruktur: die Strukturierung proprietärer Daten, damit Agenten sie tatsächlich nutzen können.
Können kleine Unternehmen mit Großkonzernen durch Agentic AI in der F&E mithalten?
Ja, und genau hier liegt einer der bedeutendsten Umbrüche. Ein Biotech-Startup mit 50 Mitarbeitern und gut orchestrierten Agenten kann heute Literatursynthese, Hypothesengenerierung und Datenanalyse in einem Umfang leisten, der zuvor Hunderte von Forschern erforderte. Der Wettbewerbsvorteil verschiebt sich von der Kopfzahl zum Systemdesign, was agilen Organisationen zugutekommt, die neue Arbeitsabläufe schneller einführen können.