Fünf Phasen der Pharmawettbewerbsinformation: Ein diagnostischer Rahmen von Daten zu strategischen Entscheidungen

Vom Datenstrom zur Entscheidungsnotlage

Im ersten Quartal 2026 erreichten die Lizenzierungsverpflichtungen in den Bereichen Adipositas und Diabetes 220 Milliarden US-Dollar und übertrafen damit den Gesamtwert des gesamten Jahres 2025. Im gleichen Zeitraum erwarb Pfizer Metsera nach einer Bieterrunde für 10 Milliarden US-Dollar, während Roche 1,65 Milliarden US-Dollar im Voraus zahlte, um mit Zealand Pharma gemeinsam Petrelintide zu entwickeln. Hinter diesen Transaktionen steht eine Wettbewerbslandschaft mit über 100 aktiven Entwicklungsprojekten – in einem Bereich, in dem der Unterschied zwischen der frühzeitigen Identifizierung eines Assets und einem späteren Schritt Milliarden von Dollar betragen kann.

Die Competitive Intelligence (CI)-Teams, die diese Entscheidungen unterstützen, verarbeiten mehr Daten als je zuvor. Die entscheidende Frage ist jedoch: Erreichen diese Daten die Entscheidungsträger in einer nutzbaren Form? Die CI-Workflows vieler Pharmaunternehmen weisen in fünf Phasen Brüche auf, sodass die Informationen keine wirksame Strategie beeinflussen können.

Phase 1: Entdeckung – Rückverfolgbarkeit wird zum neuen Abdeckungsproblem

Traditionell bestand die größte Herausforderung bei der CI-Suche in der Abdeckung: Keine wichtigen Signale wie klinische Studienregistrierungen, Patentanmeldungen oder regulatorische Einreichungen von Wettbewerbern zu verpassen. Diese Sorge ist nicht verschwunden, aber die vorherrschende Fehlerart hat sich geändert. KI-gestützte Suchwerkzeuge können jetzt schnell und in großen Mengen Ergebnisse liefern, aber sie können nicht automatisch einen nachvollziehbaren Pfad von jedem Ergebnis zur Primärquelle bereitstellen – wie z. B. Studieneinträge, Patentdokumente, Peer-Review-Artikel oder regulatorische Einreichungen – der in einer Portfolioüberprüfung standhalten muss.

Am Beispiel eines CI-Berichts zu Adipositas-Assets: Es müssen ClinicalTrials.gov, mehrstaatliche Patentdatenbanken, Peer-Review-Pharmakologieliteratur, FDA/EMA/PMDA-Zulassungsanträge sowie Bilanz- und Konferenzdaten integriert werden. Jede Quelle verwendet unterschiedliche Datenstrukturen und Berichtskonventionen. Wenn CI-Teams allgemeine KI-Zusammenfassungen zur Vereinfachung der Integration verwenden, könnten sie Ergebnisse erzeugen, die zwar vollständig erscheinen, aber einer Nachfrage des Business-Development-Direktors nach der genauen Quelle nicht standhalten.

Problemdiagnose: Lässt sich jede Aussage in Ihrem aktuellen Wettbewerbslandschaftsbericht auf eine benannte Primärquelle zurückführen?

Vorgehensweise leistungsstarker Teams: Sie betrachten die Quellenrückverfolgbarkeit als nicht verhandelbares Ausgabekriterium und nicht als nachträgliche Dokumentationsarbeit. Bevor sie einen Landschaftsbericht liefern, können die Teams auf die spezifische Studie, das Patent oder den Zeitschrifteneintrag hinter jeder Aussage verweisen. Das ist nicht konservativ – es erhält die Glaubwürdigkeit, wenn Fragen auftauchen.

Phase 2: Analyse – Mustererkennung ≠ Interpretation

Automatisierungswerkzeuge sind hervorragend in der Mustererkennung: Sie markieren sechs Unternehmen, die gleiche Zielindikationen eingereicht haben, identifizieren Cluster von Wirkmechanismen, verfolgen Studienstatus in Wettbewerbsgruppen. Bei einem Umfang von über 100.000 Wirkstoffen in der Entwicklung und 6,9 Millionen Patenten ist die Erkennung dieser Muster eine mühsame Arbeit, bei der Automatisierung hilft.

Aber die Interpretation von Mustern ist eine andere Sache. Stellt ein Cluster in einer bestimmten Indikation eine echte Zielvalidierung dar oder repräsentiert es ein Überfüllungsrisiko, das die Investitionsthese für ein bestimmtes Asset ändern sollte? Dafür ist die kontextabhängige Beurteilung auf das spezifische Problem erforderlich.

Der GLP-1-Bereich veranschaulicht diesen Unterschied direkt.Der GLP-1-Bereich veranschaulicht diesen Unterschied direkt. Bei über 100 aktiven Entwicklungen von Wirkstoffen gegen Fettleibigkeit sind die rohen Zahlen für einen CI-Manager nahezu bedeutungslos. Wichtig ist, wie sich diese Assets unterscheiden: Welche haben einzigartige Wirkmechanismen, welche zielen auf dieselben Wirksamkeitsendpunkte wie Semaglutid und Tirzepatid ab, und welche sind darauf ausgelegt, Patienten zu versorgen, die derzeit unterbehandelt sind?

Beispielsweise differenziert sich Roches CT-388 durch eine nahezu äquimolare GLP-1/GIP-Rezeptorbindung (etwa 1:1, verglichen mit 9:1 bei Tirzepatid), ein unabhängiges Peptidgerüst-Patent und Phase-2-Daten, die nach 48 Wochen eine placebokorrigierte Gewichtsabnahme von 22,5 % ohne Plateau zeigen – ein Profil, das sowohl Roches BD-Strategie als auch Pfizers Entscheidung, durch die Übernahme von Metsera einen anderen Mechanismus zu verfolgen, geprägt hat. Die Kartierung dieser Differenzierung erfordert eine tiefgehende Abdeckung über Studien, Patente und klinische Daten hinweg, nicht nur eine Zusammenfassung von Schlagzeilen.

Diagnosefrage: Wenn Wettbewerbsmuster erkannt werden, hat Ihr Team dann einen definierten Prozess, um zu einer Interpretation zu gelangen, oder erfolgt dieser Schritt informell?

Vorgehensweise leistungsstarker Teams: Sie legen vor Arbeitsbeginn für jede Analyse eine benannte Entscheidungsfrage fest. „Welche GLP-1-Konkurrenten gibt es?“ liefert eine andere Ausgabe als „Welche GLP-1-Assets stellen bis 2027 eine realistische Differenzierungsbedrohung für unser Phase-2-Programm dar?“ Die zweite Frage grenzt die Analyse ein und erzwingt eine Interpretation, nicht nur eine Aufzählung.

Phase 3: Erkenntnisse generieren – die fehlende Perspektive

Die Kluft zwischen Analyse und Erkenntnis liegt in der Perspektive. Die Analyse beschreibt, was im Wettbewerbsumfeld passiert; die Erkenntnis erklärt, was dies für eine bestimmte Entscheidung bedeutet, und wird von einer Empfehlung begleitet.

Die meisten CI-Leistungen bleiben bei der Beschreibung stehen. Wettbewerber werden genau verfolgt, Studienfortschritte dokumentiert, Daten sind korrekt – aber das „Na und?“ wird dem Leser überlassen.

CI-Teams, die kontinuierlich Portfolio- und BD-Entscheidungen beeinflussen, gehen weiter: Sie erklären die Bedeutung. Sie sagen nicht „Hier sind fünf späte Newcomer im ALK+-NSCLC-Bereich“, sondern „Wie verändern die Phase-3-Zeitpläne von zweien davon das Risikoprofil unserer Entscheidung zur Lizenzierung von Asset X, und welche Maßnahmen sollten wir ergreifen, wenn ihre Daten vor den unseren gelesen werden?“

Dies zu erreichen, erfordert die Festlegung der Entscheidungsfrage zu Beginn. „Wettbewerbslandschaft Onkologie“ ist ein Thema; „Sollten wir die Phase-2-Rekrutierung beschleunigen, bevor Konkurrent A seine Daten liest?“ ist eine Entscheidungsfrage. Diese beiden Ausgangspunkte erzeugen Leistungen, die im Portfolioausschuss auf völlig unterschiedliche Weise verwendet werden.

Diagnosefrage: Enthalten Ihre CI-Leistungen stets klare Empfehlungen, oder überlassen Sie die Interpretation dem Leser, nachdem Sie die Daten präsentiert haben?Vorgehensweise von Spitzenteams: Sie stimmen sich mit den Stakeholdern über die Entscheidungsfragen ab, bevor sie das Deliverable erstellen – nicht erst danach. In der Praxis bedeutet dies, dass der CI-Manager vor dem Verfassen eines Landschaftsberichts ein 20-minütiges Gespräch mit dem BD- oder Portfolio-Leiter führt und fragt: „Welche konkrete Entscheidung soll diese Analyse unterstützen? Wann muss sie getroffen werden?“ Dieses Gespräch prägt alles Weitere – von der Priorisierung der Daten bis hin zur Struktur der Ausgabe.

Phase 4: Kommunikation – Das Format bestimmt, ob CI genutzt wird

Selbst wenn CI-Teams in den ersten drei Phasen hervorragende Arbeit leisten, kann ihre Ausgabe dennoch ohne Einfluss auf Entscheidungen bleiben. Der häufigste Grund ist das Format: ein umfassendes, aber thematisch gegliedertes Briefing-Dokument, das nicht um konkrete Fragestellungen herum aufgebaut ist.

BD- und Portfolio-Leiter lesen Berichte, die nach Entscheidungsfragen organisiert sind und klare Handlungsempfehlungen enthalten – nicht Datenhandbücher, die nach Datenkategorien sortiert sind. Das bedeutet nicht, dass das Format wichtiger ist als der Inhalt; es bedeutet vielmehr, dass der Inhalt nie zur Anwendung kommt, wenn Entscheidungsträger nicht schnell den entscheidungsrelevanten Teil finden.

Best Practice: Jeder CI-Bericht beginnt mit einer „Entscheidungszusammenfassung“ – nicht einer Executive Summary –, die klar sagt: „Wir empfehlen Option A statt B aus den folgenden Gründen, basierend auf diesen vier entscheidenden Datenpunkten.“ Die Detailanalyse wird dann nach Entscheidungsfragen gruppiert, nicht nach Datenquellen.

Phase 5: Szenariomodellierung – Vom Bericht zur strategischen Beratung

CI-Teams auf höchster Reifestufe beantworten nicht nur „Wie ist die aktuelle Lage?“, sondern auch „Wie wird sich die Wettbewerbslandschaft unter verschiedenen Bedingungen verändern?“ Die Szenariomodellierung wandelt CI von einer beschreibenden Funktion in eine strategische Beratungsfunktion.

Im Bereich Adipositas könnte ein CI-Team mehrere Szenarien erstellen: Was passiert, wenn Novo Nordisks orales Amycretin ein Sicherheitssignal zeigt? Was, wenn Roches CT-388 in Phase 3 Überlegenheit gegenüber Tirzepatid, aber eine geringere Verträglichkeit zeigt? Dies sind keine hypothetischen Fragen – es sind Szenarien, die BD-Teams zur Bewertung von Deals, zur Festlegung von Meilensteinen und zur Priorisierung interner Investitionen nutzen.

Die Szenariomodellierung erfordert drei Inputs: ein tiefes Verständnis der aktuellen Wettbewerbslandschaft, eine Analyse der wissenschaftlichen und regulatorischen Dynamiken, die die Landschaft verändern könnten, sowie einen Rahmen – eine Methode, um Dynamiken in konkrete Szenarien zu übersetzen. Den meisten CI-Teams fehlt der dritte Input, sodass ihre Berichte die Gegenwart beschreiben, aber keine Entscheidungen über „Was wäre wenn“ unterstützen.

Diagnosefrage: Inwieweit bietet Ihre CI-Funktion „What-if“-Analysen oder beschränkt sie sich auf „As-is“-Berichte?

Vorgehensweise von Spitzenteams: Sie bauen für jede kritische Entscheidung wenige Szenarien auf (meist 3–4), versehen jedes Szenario explizit mit Wahrscheinlichkeit und Auslöser. Dann liefern sie pro Szenario Handlungsempfehlungen, sodass Entscheidungsträger vorausschauend agieren können.

Was KI verändert – und was sie nicht verändern kannEs gibt ein häufiges Missverständnis über KI in der Competitive Intelligence (CI): die Annahme, dass KI den gesamten Workflow von der Entdeckung bis zur Empfehlung automatisieren wird. Tatsächlich ist KI in Phase 1 (durch Beschleunigung von Suche und Integration) und Phase 2 (durch verbesserte Mustererkennung) sehr effektiv. In Phase 3 und Phase 5 fungiert KI jedoch als unterstützendes Werkzeug – sie liefert datengestützte Ereignisse und Zusammenhänge – aber die endgültige Perspektive und Szenarienbildung erfordern menschliches Urteilsvermögen und strategischen Kontext.

In Phase 4 (Kommunikation) kann KI dabei helfen, erste Entwürfe und Visualisierungen zu erstellen, aber die von Entscheidungsträgern benötigte Struktur – organisiert nach Entscheidungsfragen – erfordert weiterhin menschliches Verständnis für die Prioritäten des Publikums.

In der klinischen Entscheidungsfindung ist der positive Einfluss menschlicher Eingaben auf die Systemleistung gut dokumentiert; in der Wettbewerbsanalyse gilt eine ähnliche Logik: KI verstärkt menschliche Analysten, ersetzt sie jedoch nicht.