‘Wij gebruiken AI.’
Je hoort het steeds vaker. Ook in de farmaceutische industrie. Maar daarmee weet je nog niet zoveel.
Schrijft het systeem een rapport? Herkent het patronen in weefselbeelden? Of helpt het onderzoekers bij het ontwerpen van een molecuul?
Bij het bekijken van een aantal praktijkvoorbeelden viel me vooral de verscheidenheid op. Onder hetzelfde woord gaan heel verschillende toepassingen schuil. En binnen zo’n toepassing is ook lang niet iedere stap AI.
Zes voorbeelden maken dat concreet.
Een eerste versie van de productkwaliteitsbeoordeling
Bij jaarlijkse productkwaliteitsbeoordelingen wordt generatieve AI ingezet om gegevens te verzamelen, conceptteksten op te stellen en eerste analyses uit te voeren. De kwaliteitsprofessional gebruikt dat voorbereidende werk voor de inhoudelijke interpretatie. Deze toepassing is beschreven in openbare praktijkrapportage.
Dat is herkenbaar werk voor een kwaliteitsprofessional. Informatie uit verschillende bronnen bij elkaar brengen en er een samenhangend verhaal van maken.
Waar zit hier de AI? Vooral in het genereren van tekst en het ondersteunen van de analyse. Het ophalen van gegevens of invullen van vaste velden kan ook gewone software doen. Het AI-deel zit in de verwerking waarbij het model bijvoorbeeld een samenvatting of conceptformulering maakt.
Het eindproduct is een voorbereid rapport. Daaruit volgt nog niet dat het systeem zelfstandig de productkwaliteit beoordeelt.
Informatie halen uit een bijwerkingenmelding
Bij de intake van bijwerkingenmeldingen helpt AI om relevante informatie uit teksten te halen en meldingen te classificeren. Bevat een melding de benodigde informatie? Zijn er aanwijzingen dat het om een ernstig geval gaat? Voor dit soort taken zijn zowel onderzoek als praktijkgebruik beschreven.
Hier schrijft AI dus geen mooi verhaal. Het probeert relevante informatie in aangeleverde tekst te herkennen en onder te brengen in categorieën.
Waar zit hier de AI? In het interpreteren en classificeren van informatie die niet steeds op precies dezelfde manier wordt beschreven. Het doorzetten van een geclassificeerde melding naar de juiste werkvoorraad kan vervolgens een vaste procesregel zijn.
Dit voorbeeld laat ook zien dat AI in pharma al langer bestaat dan de huidige aandacht voor chatbots. De historische beschrijving vertelt ons overigens niet hoe het systeem vandaag is ingericht.
Onderzoekers helpen bij molecuulontwerp
In geneesmiddelenonderzoek worden AI-systemen gebruikt om onderzoekers te ondersteunen bij molecuulontwerp en het plannen van manieren om moleculen te maken. Een beschreven toepassing werkt met meerdere AI-agenten die verschillende onderzoekstaken uitvoeren. Integratie van zo’n systeem in het onderzoeksproces is wetenschappelijk beschreven.
Hier krijgt AI een rol in een reeks onderzoekstaken. Verschillende agenten kunnen taken verdelen en digitale hulpmiddelen inschakelen.
Waar zit hier de AI? In de modelgestuurde verwerking en coördinatie van die onderzoekstaken. Een agent kan bijvoorbeeld een hulpmiddel gebruiken; dat maakt dat hulpmiddel zelf nog geen AI. In één werkketen kunnen AI, berekeningen en gewone software samenwerken.
Dat vind ik een nuttig onderscheid. ‘Meerdere AI-agenten’ zegt iets over de inrichting van het systeem, maar nog niet dat het zelfstandig wetenschappelijke eindbesluiten neemt.
Patronen meten in tumorweefsel
Bij onderzoek naar behandelingen worden digitale beelden van tumorweefsel met AI geanalyseerd. Het systeem helpt om biologische kenmerken, zoals de hoeveelheid en de plaats van bepaalde eiwitten, te meten. Onderzoekers bekijken vervolgens of die metingen samenhangen met behandeluitkomsten. Voor zo’n toepassing zijn verkennende klinische onderzoeksresultaten beschreven.
Waar zit hier de AI? In de beeldanalyse waarmee biologische kenmerken worden herkend en gemeten. Dit is een heel andere toepassing dan een taalmodel dat een rapport schrijft.
Er zijn bovendien verschillende vragen te beantwoorden. Meet het systeem betrouwbaar? En wat betekent die meting voor een behandeling? Een verkennend onderzoeksresultaat geeft nog geen antwoord voor iedere patiënt of iedere klinische toepassing.
Een digitale tweeling: is dat ook AI?
In productie en ontwikkeling worden digitale tweelingen gebruikt om processen te onderzoeken. Ook zijn er laboratoriumsystemen beschreven waarin AI en machine learning een rol spelen bij experimenten. Het zijn verschillende toepassingen, die elk op hun eigen werking moeten worden bekeken.
Een digitale tweeling is een digitale representatie waarmee je een werkelijk proces of systeem kunt onderzoeken. Dat klinkt al snel als AI.
Maar is het dat ook? Niet noodzakelijk. Zo’n model kan op bekende natuurkundige relaties en vaste berekeningen berusten. Er kan ook machine learning in zitten, bijvoorbeeld om verbanden uit meetgegevens te leren.
De naam vertelt dus onvoldoende. Je moet weten hoe het model werkt en waarvoor het wordt gebruikt. Een digitale tweeling en een AI-gestuurd laboratorium vormen bovendien niet vanzelf één geïntegreerd systeem.
Ook de toezichthouder gebruikt AI
De Amerikaanse toezichthouder FDA gebruikt zelf ook AI. In juni 2025 introduceerde de organisatie Elsa, een interne assistent voor onder meer het lezen, vergelijken en samenvatten van documenten. De FDA noemt toepassingen bij wetenschappelijke beoordelingen en het bepalen welke inspecties prioriteit verdienen.
In mei 2026 volgde een uitbreiding met onder meer documentgeneratie, data-analyse en eigen AI-agenten. Ook begon de FDA met de koppeling aan een samengebracht dataplatform, zodat medewerkers minder documenten handmatig hoeven aan te leveren.
Waar zit hier de AI? In de taalmodellen die informatie verwerken en teksten genereren, en in agentfuncties die meerdere stappen kunnen ondersteunen. Het samenbrengen van databronnen is op zichzelf geen AI, maar maakt die ondersteuning wel beter toegankelijk.
Dat vind ik een interessante ontwikkeling: ook aan de kant waar dossiers worden beoordeeld, verandert de manier van werken. Volgens de FDA controleren deskundigen de invoer, analyses en het gebruik van de uitkomsten. De beschreven inzet ondersteunt daarmee het werk van beoordelaars; ze toont geen zelfstandige goedkeuring van geneesmiddelen door AI aan.
Het etiket vertelt maar een deel
Wat ik aan deze voorbeelden interessant vind, is dat ‘hoeveel AI zit erin?’ niet zo gemakkelijk in een percentage uit te drukken is.
Een toepassing kan grotendeels uit gewone software bestaan, terwijl één AI-stap veel invloed heeft op de uitkomst. Bijvoorbeeld doordat die bepaalt welke informatie in een samenvatting terechtkomt of hoe een melding wordt geclassificeerd.
Daarom zou ik bij de volgende presentatie over ‘AI in pharma’ drie vragen stellen:
- Wat doet het systeem precies?
- Welke stap gebruikt een AI-model, en wat doen vaste regels of berekeningen?
- Waarvoor wordt de uitkomst vervolgens gebruikt?
Dan wordt zichtbaar wat we eigenlijk bespreken. Een schrijfhulp, een classificatiemodel, een onderzoeksassistent of een model van een productieproces.
En kunnen we beter beoordelen wat die toepassing in het dagelijkse werk toevoegt.
De casussen zijn gebaseerd op publiek beschreven toepassingen die online beschikbaar zijn. Ze zijn vereenvoudigd en zonder bedrijfs- of productnamen weergegeven, zodat de aandacht uitgaat naar de werking van de technologie. De voorbeelden omvatten zowel beschreven praktijkgebruik als verkennend onderzoek. De uitleg over het AI-deel is een duiding van de beschreven functies; de onderliggende bronnen geven niet voor iedere toepassing de volledige technische architectuur.
Voor het FDA-voorbeeld zijn daarnaast twee officiële publicaties geraadpleegd op 28 oktober 2026: introductie van Elsa, 2 juni 2025 en uitbreiding van AI en het dataplatform, 6 mei 2026. Dit betreft beschrijvingen door de FDA zelf.