> ## Content Index > Fetch the complete content index at: https://www.aigood.news/llms.txt > Use this file to discover other available public pages before exploring further. # KI in der Alzheimer-Forschung: Warum 17 Konkurrenten jetzt Daten teilen, ohne sie herzugeben - URL: https://www.aigood.news/ki-in-der-alzheimer-forschung-warum-17-konkurrenten-jetzt-daten-teilen-ohne-sie-herzugeben/ - Published: 2026-10-12T06:00:00.000Z - Updated: 2026-10-25T09:53:50.000Z - Author: Roger Basler de Roca - Tags: #linkedin-import TLDR: *Ein Konsortium aus Universitäten, Pharmakonzernen und Stiftungen hat drei Open-Source-KI-Werkzeuge für die Alzheimer-Forschung veröffentlicht. Die eigentliche Nachricht ist nicht das Modell, sondern die Architektur: föderierte Datenhaltung, offener Code, Mensch in jeder Entscheidungsschleife. Konkurrierende Unternehmen arbeiten damit am selben Wissensbestand, ohne ihr geistiges Eigentum preiszugeben. Das ist ein Bauplan, der weit über die Neurologie hinaus funktioniert.* ### Die Meldung, die man leicht falsch lesen könnte Am 13\. Juli 2026 hat das Consortium for Biomedical Research and Artificial Intelligence in Neurodegeneration, kurz C-BRAIN, an der Alzheimer's Association International Conference in London drei KI-Werkzeuge veröffentlicht. Getragen wird das Konsortium von Washington University School of Medicine in St. Louis als Gründungsmitglied, zusammen mit akademischen Forschenden, Pharmaunternehmen und philanthropischen Organisationen. Siebzehn Mitglieder, darunter Bristol Myers Squibb, Johnson & Johnson, Sanofi, die Alzheimer's Association und Gates Ventures. Die Schlagzeile lautet in den meisten Medien sinngemäss: *KI soll Alzheimer-Medikamente schneller machen. Das ist richtig und trotzdem die uninteressanteste Lesart.* Interessant ist der Ausgangspunkt. Über 99 Prozent aller Alzheimer-Wirkstoffkandidaten scheitern in klinischen Studien. Das Konsortium führt diese Quote aber nicht auf mangelnde Rechenleistung zurück, SONDERN auf fragmentiertes Wissen: verteilt über Millionen Publikationen, komplexe Datensätze und Ergebnisse, die nie veröffentlicht wurden. Wer am falschen biologischen Ziel ansetzt, scheitert zuverlässig, egal wie gut das Studiendesign ist. ### Die wichtigsten Punkte - Der Engpass in der Alzheimer-Forschung ist nicht Rechenleistung, sondern fragmentiertes Wissen. Über 99 Prozent der Wirkstoffkandidaten scheitern, oft weil am falschen biologischen Ziel angesetzt wird. - Negative Ergebnisse verschwinden systematisch. Ein KI-Modell, das nur publizierte Literatur kennt, lernt eine unrealistisch erfolgreiche Version der Wissenschaft. - Föderierte Architektur macht Kooperation zwischen Konkurrenten möglich: Die Modelle wandern zu den Daten, nicht die Daten in eine zentrale Ablage. - Offener Code ist hier kein ideologisches Statement, sondern Voraussetzung für Reproduzierbarkeit. Ohne Nachvollziehbarkeit ist ein Ergebnis keine wissenschaftliche Erkenntnis. - Jede Phase verlangt menschliche Prüfung. Eines der drei Werkzeuge ist explizit als kritischer Gegenleser gebaut, nicht als Autor. - Der Nutzennachweis fehlt bisher. Veröffentlicht wurden Werkzeuge, nicht Ergebnisse. - Der übertragbare Teil für Unternehmen: Dark Data sichtbar machen, Datenkooperation über Architektur statt über Vertrauen lösen, Prüfschleifen als Qualitätssicherung verstehen. \-WERBUNG- lerne KI von Grund auf - ohne Hype, mit viel Praxisbezug [https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8966440112652618693&li\_theme=light](https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8966440112652618693&li%5Ftheme=light&ref=aigood.news) ### Dark Data ist das teuerste Schweigen der Wissenschaft Eines der drei Werkzeuge heisst Dark Data Analyzer. Es erschliesst unpublizierte Daten und negative Ergebnisse, die Mitglieder beisteuern. Der Zweck ist unspektakulär und genau deshalb wirksam: Forschende sollen aufhören, gescheiterte Experimente zu wiederholen. Das Ausmass dieses Problems ist gut dokumentiert. Turner und Kolleg:innen zeigten, dass 31 Prozent der bei der FDA registrierten Antidepressiva-Studien nie publiziert wurden. Die veröffentlichte Literatur enthielt zu 91 Prozent positive Studien, der vollständige FDA-Bestand nur zu 51 Prozent. Über mehrere Untersuchungen hinweg liegt der Medianwert publizierter negativer Studien bei 41 Prozent, mit einer Spannweite von 11 bis 85 Prozent. Was nicht funktioniert hat, verschwindet in Schubladen und auf Firmenservern. Für ein KI-System ist das eine strukturelle Verzerrung. Ein Modell, das nur auf publizierter Literatur trainiert, lernt eine Welt, in der fast alles funktioniert. Es lernt die Erfolgsgeschichten und kennt die Sackgassen nicht. Wer dieses Modell nach vielversprechenden Ansätzen fragt, bekommt eine Antwort, die systematisch zu optimistisch ist. Genau hier setzt das Konsortium an. Nicht am Modell, sondern an der Datengrundlage. ### Föderiert heisst: die Daten bleiben, wo sie sind Die zweite Designentscheidung ist die eigentliche Leistung. Pharmaunternehmen teilen proprietäre Daten normalerweise nicht. Nicht aus Bosheit, sondern weil diese Daten Milliarden gekostet haben und den Wettbewerbsvorsprung ausmachen. C-BRAIN löst das über eine föderierte Architektur. Die Modelle wandern zu den Daten, nicht umgekehrt. Trainiert wird lokal auf den Servern der Mitglieder, in das Gesamtsystem fliessen nur die gelernten Muster, nicht die Rohdaten. Kein zentrales Repositorium, kein Transfer, kein Kontrollverlust. Damit entsteht ein vorwettbewerblicher Raum. Konkurrenten schärfen gemeinsam die Grundlagenfrage, welche biologischen Ziele überhaupt die richtigen sind, und trennen sich erst danach wieder, wenn es an die konkrete Therapieentwicklung geht. Das Konsortium nahm Anfang 2026 Form an, nachdem Bateman und Kolleg:innen feststellten, dass die benötigten Werkzeuge kommerziell nicht existierten. Das ist keine technische Neuheit. Föderiertes Lernen gibt es seit Jahren. Neu ist, dass eine Branche mit hohem Geheimhaltungsdruck sich darauf einigt, die Architektur tatsächlich zu nutzen. ### Open Source als Prüfbarkeitsversprechen Der dritte Punkt ist der, der mich am meisten interessiert. Der gesamte Code ist offen. Die Begründung des Konsortiumsdirektors ist bemerkenswert direkt: Ein Werkzeug, das als uninterpretierbare Blackbox funktioniert, widerspricht dem Wissenschaftsbetrieb. Damit ist eine Bedingung erfüllt, die in der Unternehmens-KI meist fehlt. Reproduzierbarkeit. Wenn ein System eine Hypothese vorschlägt, muss nachvollziehbar sein, wie es dorthin gelangt ist. Sonst ist die Ausgabe keine Erkenntnis, sondern eine Behauptung mit Rechenzentrum im Rücken. Ergänzt wird das durch einen Scientist-in-the-Loop-Ansatz: Jede Phase der Ableitung verlangt menschliche Prüfung. Das dritte Werkzeug, Reviewer Three, dreht die Logik sogar um. Es liefert kritisches Feedback im Stil eines Peer Reviews auf Anträge, Manuskripte und Studiendesigns. Die KI ist hier nicht der Autor, sondern der Gegenleser. ### Der Transfer in dein Unternehmen Drei Prinzipien lassen sich unmittelbar übertragen, auch ohne Pharmaforschung. Erstens: Deine Organisation hat ebenfalls Dark Data. Abgebrochene Projekte, verworfene Konzepte, Pilotversuche, die nichts gebracht haben. Fast niemand dokumentiert das systematisch. Dokumentiert wird, was funktioniert hat. Damit wiederholen Teams in Abteilung B, was Abteilung A vor zwei Jahren bereits verworfen hat. Zweitens: Datenkooperation scheitert selten am Willen, meist an der Architektur. Wer Zusammenarbeit will, muss zuerst die Frage klären, wie Beiträge möglich sind, ohne Kontrolle abzugeben. Föderierte Modelle, klare Zugriffsrechte, definierte Rückflüsse. Das ist Organisationsdesign, nicht IT. Drittens: Prüfbarkeit ist kein Luxus. Wenn niemand nachvollziehen kann, wie ein Ergebnis zustande kam, ist es im Zweifel nicht belastbar. Die menschliche Prüfschleife ist nicht die Bremse des Systems, sie ist seine Qualitätssicherung. ### Was noch offen ist Ein Hinweis zur Einordnung, weil er in der Berichterstattung untergeht: Bisher liegt eine Werkzeugveröffentlichung vor, kein Wirksamkeitsnachweis. Es gibt keine Publikation, die zeigt, dass mit diesen Instrumenten schneller oder besser geforscht wird. Die Werkzeuge sind für zugelassene Forschende in der Neurodegeneration kostenlos zugänglich, der Beleg für den Nutzen steht aus. Für die DACH-Region ist der Kontext trotzdem konkret. In der Schweiz leben schätzungsweise gegen 161'100 Menschen mit Demenz, jährlich kommen rund 34'800 Neuerkrankungen hinzu. Die volkswirtschaftlichen Kosten liegen bei rund 11,8 Milliarden Franken. Jedes Jahr, das die Entwicklung wirksamer Therapien früher zum Ziel kommt, hat eine messbare Grösse. Die gute Nachricht ist nicht, dass KI hier ein Problem löst. Die gute Nachricht ist, dass jemand die Governance-Frage vor der Modellfrage beantwortet hat. Das ist selten genug, und darum gab es auch diesen Artikel. ### Disclaimer dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI ([**Perplexity.Ai**](http://perplexity.ai/?ref=aigood.news) und [**Gemini.Google.com**](http://gemini.google.com/?ref=aigood.news)) manuell zusammengestellt und mit [**Deepl.com/write**](http://deepl.com/write?ref=aigood.news) vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt von KI-generierter Bildgebung (Ideogram/Adobe Firefly). Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke. Fragen zu KI und Digitalen Geschäftsmodellen? #fragRoger Willst du mehr wissen? Sehr gerne komme ich auch bei Dir, bei deiner Firma, deiner ERFA Gruppe oder deinem Verband vorbei und helfe mit einem Workshop oder Input Referat. Denn ich bin ich nach wie vor überzeugt: Nicht die Frage, welchen Job KI ersetzt, entscheidet über deinen Erfolg, sondern welche Aufgaben du ihr überlässt und wo du selbst Verantwortung übernimmst. Also wenn Du reden willst, und wenn Du mit mir zusammenarbeiten willst: melde Dich gerne [**www.rogerbasler.ch**](http://www.rogerbasler.ch/?ref=aigood.news) Lass uns gerne mal unverbindlich sprechen. Also wenn ich helfen kann, wende dich gerne an mich #fragRoger und abonnier unseren KI Power [Podcast](https://ki-power.me/podcast?ref=aigood.news) [https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8966440112652618693&li\_theme=light](https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8966440112652618693&li%5Ftheme=light&ref=aigood.news) ### Quellen und weitere Informationen