Insights

Aktuelle Analysen und Perspektiven zu KI in Chemie, Pharma und Biotech.

Shelf-Life-Vorhersage mit Arrhenius: aus Wochen Daten in Minuten eine Haltbarkeits-Schätzung

Aus wenigen Wochen beschleunigter Stabilitätsdaten in Minuten eine Haltbarkeits-Schätzung: am Amoxicillin-Beispiel. Warum der limitierende Parameter nicht der Assay ist. Und warum das Tool selbst sagt, wann man der Extrapolation nicht allein vertrauen darf.

24. Mai 2026

Benchmark10 Min. Lesezeit

Kann KI Toxizität vorhersagen? Der CovaTox-Benchmark: ehrlich gemessen

CovaTox deckt 42 ADMET-/Tox-Endpunkte in einer Suite ab. Im echten Same-Split-Same-Metric-Vergleich gegen das TDC-Leaderboard liegen wir auf den AUROC-Endpunkten im Schnitt wenige Punkte unter den besten spezialisierten Einzelmodellen: mit einer Pipeline über alles. Wir benennen die Schwachstellen offen.

24. Mai 2026

Position11 Min. Lesezeit

Agentic AI über den gesamten Wirkstoff-Lifecycle, von Discovery bis Scale-up

Agentic AI über MCP verbindet fragmentierte R&D-Daten zu einem System. Beispiel-Pipelines von Discovery über CMC bis Manufacturing, und warum die offene Werkzeugschicht über den eigentlichen Wettbewerbsvorteil entscheidet.

24. Mai 2026

Use Case9 Min. Lesezeit

Den Worst-Case-Marker einer Shared Facility in Stunden begründen: nicht in Wochen

Cross-Contamination Risk Assessment neu gedacht: CovaSolv-Cleanability × CovaTox-Hazard findet den Worst-Case-Marker einer Multiprodukt-Anlage in Stunden statt Wochen. Warum es die Kombination ist, nicht eine Achse: und warum Carbamazepin am Beispiel-Roster vor Methotrexat und Ethinylestradiol liegt.

24. Mai 2026

Use Case7 Min. Lesezeit

Carbamazepin-Kristallisation auslegen, in drei Schritten mit CovaSolv

Lösungsmittel-Screening, Kühlkristallisation, Anti-Solvent. Warum Aceton bei beiden Temperaturen mehr löst, Ethanol aber die höhere Ausbeute bringt, und wie Wasser als Anti-Solvent die Löslichkeit um den Faktor 220 drückt, ohne ein Grad zu kühlen.

23. Mai 2026

Benchmark8 Min. Lesezeit

Gemini 3.5 Flash in der Chemie: von 14 % auf 76 %, warum das günstigste Modell den größten Sprung macht

Gemini 3.5 Flash erreicht ohne Tools nur 14 % bei molekularem Reasoning. Mit CovaSyn-MCP-Anbindung springt dasselbe Modell auf 76 %, ein 5,5×-Lift, der größte aller getesteten Frontier-Modelle. Warum das günstigste Modell am meisten profitiert, was es kostet, und wo der Lift noch nicht perfekt ist.

22. Mai 2026

Position9 Min. Lesezeit

Context Stuffing vs. Tool Calling: warum viele KI-Projekte an der Datenarchitektur scheitern

Mehr Kontext macht LLMs nicht zuverlässiger, die Forschung zeigt das Gegenteil. Drei belegte Failure-Modes (Lost in the Middle, Context Rot, Tool-Overload), warum die Datenarchitektur über Erfolg entscheidet, und wann Tool-Calling die zuverlässigere Architektur ist.

22. Mai 2026

Benchmark10 Min. Lesezeit

CovaSolv im Benchmark: Löslichkeit mit R² 0,92 vorhersagen, und warum die ehrliche Zahl die wichtigere ist

CovaSolv sagt logS mit R² 0,92 und RMSE 0,64 voraus, auf 5.315 ungesehenen Molekülgerüsten. 78 % aller Vorhersagen liegen innerhalb von 0,5 log-Einheiten vom Messwert. Wie nah das an der physikalischen Messgrenze liegt, ehrlich erklärt.

22. Mai 2026

Explainer6 Min. Lesezeit

Warum LLMs an Chemie scheitern, und was der Tokenizer damit zu tun hat

LLMs scheitern schon am Ring-Zählen. Der Grund liegt nicht im fehlenden Chemiewissen, sondern im Tokenizer: SMILES zerfällt in zusammenhanglose Fragmente, der Molekülgraph geht verloren. Was die Forschung zeigt, und wie validierte Werkzeuge das Problem lösen.

22. Mai 2026

MCP / Technik8 Min. Lesezeit

RDKit über MCP: wo das Open-Source-Toolkit aufhört, und CovaSyn weitermacht

RDKit-MCP-Server geben AI-Agenten deterministische Cheminformatik. Wo die Grenze liegt, keine ML-Vorhersagen, kein Hosting, keine Compliance, oft zu viele generische Tools, und was CovaSyn darüber hinaus liefert. Mit ehrlicher Empfehlung, wann ein reiner RDKit-MCP-Server reicht.

22. Mai 2026

Position8 Min. Lesezeit

Datenqualität ist nicht das eigentliche Bottleneck. Warum 55 Prozent der Biotech-AI-Pilots wirklich scheitern.

Im Benchling Biotech AI Report 2026 nennen 55 Prozent der 100 befragten AI-Leader „schlechte Datenqualität" als Hauptgrund für gescheiterte Pilots. Die Schlussfolgerung der Branche, „wir brauchen besseres Datenmanagement", adressiert das Symptom, nicht die Ursache. Eine Konter-These, drei echte Failure-Modes, und ein konkreter Vorschlag.

21. Mai 2026

AI Scientist10 Min. Lesezeit

AI-Scientist trifft MCP: Was die drei Nature-Paper vom 19. Mai 2026 für deterministische Chemie-Tools bedeuten

FutureHouse (Robin), Google DeepMind (Co-Scientist) und DeepMind (ERA) haben am 19. Mai 2026 zeitgleich in Nature gezeigt, dass AI-Systeme Hypothesen generieren, Experimente designen und Software-Methoden optimieren können. Was die Paper unterschlagen: ohne deterministische, validierte Rechenwerkzeuge bleibt der Zyklus an menschlicher Validierung hängen. Hier setzt MCP an. Ein Lese-Rahmen.

20. Mai 2026

CovaSyn MCP

Wissenschaftliche Tools direkt im AI-Agenten.

Validierte Werkzeuge für NMR, MS, IR, UV, Stabilität, Toxikologie, Löslichkeit und mehr, ein MCP-Server.

Kostenlos testen →

CovaSyn MCP ansehen →