Ein Berliner Softwareunternehmen, das künstliche Intelligenz in stark regulierten Branchen auditierbar machen will, hat 1,2 Millionen Euro an Pre-Seed-Kapital gesichert. Die am 8. September bekanntgegebene Runde wurde von Heliad und IBB Ventures co-geleitet, mit Beteiligungen von Robin Capital und Superangels. Für ein europäisches Deep-Tech-Startup ist die Summe bescheiden, doch das Problem, das es lösen will, ist alles andere als das: wie KI-Ergebnisse vertrauenswürdig werden, wenn Regulierer vollständige Nachweisketten fordern.

Der regulatorische Druck hinter der Finanzierung

Europäische Regulierer schließen Regeln ab, die Anbieter von KI-Systemen mit hohem Risiko zur Demonstration von Transparenz, Rückverfolgbarkeit und menschlicher Aufsicht verpflichten. Der EU AI Act stuft KI, die in der pharmazeutischen Forschung, der klinischen Bewertung und der Kreditwürdigkeitsprüfung verwendet wird, als Hochrisiko ein. Das bedeutet, dass Entwickler nachweisen müssen, dass ihre Modelle keine Halluzinationen erzeugen und dass jede Schlussfolgerung auf eine verifizierte Quelle zurückzuführen ist. Gleichzeitig erwartet die Europäische Arzneimittel-Agentur, dass elektronische Aufzeichnungen in der Arzneimittelentwicklung Standards entsprechen, die dem US-amerikanischen Rahmenwerk 21 CFR Part 11 gleichwertig sind. sci2sci positioniert sein Produkt Integrity Cortex genau an diesem Schnittpunkt.

Das Startup wurde von Angelina Lesnikova und Valerii Kremnev gegründet, die zuvor an Problemen der Datenintegrität in der F&E der Life Sciences gearbeitet haben. Sie beobachteten, dass Forschungsdaten in PDFs, Tabellenkalkulationen, Laborinformationsmanagementsystemen und informellen Notizen existieren, die nicht miteinander kommunizieren. Wenn ein KI-Modell darübergeschichtet wird, vervielfacht sich das Risiko unbegründeter Behauptungen. Ihre Antwort war es, zunächst eine Verifikationsschicht aufzubauen und dann KI-Funktionen hinzuzufügen.

Wie Integrity Cortex und Parseltongue funktionieren

Integrity Cortex verbindet Dokumente, Datensätze und KI-generierte Ergebnisse zu einem strukturierten Wissensgraphen. Jede Behauptung, ob von einem Wissenschaftler verfasst oder von einem großen Sprachmodell erzeugt, muss mit einer Quelle verknüpft sein, die das System überprüfen kann. Das zugrundeliegende Framework, Parseltongue, wurde dieses Jahr unter der Apache-2.0-Lizenz als Open Source veröffentlicht. Dieser Schritt soll es externen Entwicklern ermöglichen, die Verifikationslogik zu prüfen und Konnektoren für proprietäre Laborsysteme zu entwickeln. Ein zweites Produkt, VectorCat, indiziert Dateien über Cloud-Speicher, Netzwerklaufwerke und Laborinstrumente, ohne die zugrundeliegenden Daten zu verschieben, und erstellt so einen durchsuchbaren Katalog, den sowohl Menschen als auch KI-Agenten abfragen können.

Kremnev beschreibt die Architektur als eine "Tür", die für unbegründete Aussagen schlichtweg nicht existiert. Das Modell wird gezwungen, für jede Behauptung Beweise zu liefern. Kann es das nicht, wird die Ausgabe abgelehnt. Dieser Ansatz steht im Gegensatz zum vorherrschenden Branchenmuster, Modelle schnell bereitzustellen und später Leitplanken hinzuzufügen. Ob der Leistungsnachteil für den täglichen Forschungsworkflow akzeptabel ist, bleibt eine offene Frage, die das Unternehmen beantworten muss, wenn die Einsätze skalieren.

Erste Erfolge im Biopharma-Sektor

Das Unternehmen sagt, dass es bereits mit Kunden aus der präklinischen Forschung, klinischen Auftragsforschungsorganisationen und dem Bioprozessbetrieb zusammenarbeitet. Dies sind Umgebungen, in denen ein einziger fehlender Beleg eine regulatorische Einreichung um Monate verzögern kann. Durch die Einbettung der Verifikation in die Datenschicht zielt sci2sci darauf ab, den manuellen Aufwand für die Zusammenstellung von Audit-Paketen zu reduzieren. Die Finanzierung wird verwendet, um das Engineering-Team zu vergrößern, die bestehenden Implementierungen zu vertiefen und weitere Biopharma-Kunden zu gewinnen.

Expansion in Finanzdienstleistungen

Über die Life Sciences hinaus plant sci2sci, Integrity Cortex für die Bankenregulierung anzupassen, wo Vorschriften zum Modellrisikomanagement wie der Leitfaden der EZB zu internen Modellen und die Prinzipien des Basler Ausschusses für eine effektive Aggregation von Risikodaten eine ähnliche Rückverfolgbarkeit verlangen. Die technischen Anforderungen überschneiden sich: unveränderliche Audit-Protokolle, versionskontrollierte Datenherkunft und die Fähigkeit, automatisierte Entscheidungen zu erklären. Wenn die Plattform beide Sektoren mit einer einzigen Codebasis bedienen kann, erweitert sich der adressierbare Markt erheblich.

Wettbewerbslandschaft und offene Fragen

Etablierte Anbieter elektronischer Labornotizbücher wie Benchling und Dotmatics fügen KI-Funktionen hinzu, während Enterprise-Suchplattformen wie Glean und Sinequa Retrieval-Augmented Generation für regulierte Branchen vermarkten. sci2sci setzt darauf, dass Verifikation nicht nachträglich aufgesetzt werden kann, sondern architektonisch verankert sein muss. Die Open-Source-Veröffentlichung von Parseltongue ist ein strategischer Hebel: Wenn das Framework zum Standard für Beweisgraphen wird, profitiert das Unternehmen von Netzwerkeffekten. Die Akzeptanz durch konservative IT-Abteilungen in der Pharma- und Bankenbranche erfolgt jedoch selten schnell, und die Finanzlaufzeit von 1,2 Millionen Euro muss ausreichen, um lange Verkaufszyklen zu überbrücken.

Wie es weitergeht

Erwähnte Personen

  • Valerii Kremnev

    Co-founder and CTO, sci2sci

  • Angelina Lesnikova

    Co-founder, sci2sci

Organisationen

sci2sci · Heliad · IBB Ventures · Robin Capital · Superangels