IDBS-blog | 15. juli 2026
Hvad er den regulerede midte? At bygge bro mellem AI i det »tørre laboratorium« og udførelse i det »våde laboratorium«

Af Anirban Mudi, ledende produktchef for platformen, IDBS
Inden for farmaceutisk forskning og udvikling skaber in silico-videnskaben indsigt hurtigere end nogensinde før. Alligevel står mange biopharma-virksomheder stadig over for et vedvarende spørgsmål: Hvis det virtuelle laboratorium lærer hurtigere, hvorfor producerer virksomheden så ikke bedre dokumentation hurtigere? Svaret ligger sjældent i algoritmernes kvalitet. Det ligger i, hvordan indsigten bevæger sig mellem videnskabens computermæssige og fysiske verdener, og om den når frem til laboratoriet i en form, der understøtter kontrolleret udførelse og genbrug på lang sigt.
Hos IDBS fokuserer vi på at gøre tid til en konkurrencemæssig fordel for vores kunder. Fra den første hypotese til det validerede resultat er det vores mål at forkorte cyklustiderne med hurtighed og sikkerhed – uden at gå på kompromis med kvaliteten. Det kræver en laboratorieproces, der er designet til styret læring, ikke blot hurtigere modellering.
Tørlaboratorium, vådlaboratorium og laboratorierunden

Figur 1. IDBS Lab Loop
I det tørre laboratorium foregår in silico-eksperimenter: beregningskemisk forskning, bioinformatik, forudsigelser og opstilling af hypoteser understøttet af kunstig intelligens. I det våde laboratorium afprøves disse hypoteser gennem syntese, bioassays, analytiske tests, stabilitetsundersøgelser og procesudvikling under reelle videnskabelige og lovgivningsmæssige rammer.
Forbindelsen mellem disse to miljøer udgøres af »lab loop« (figur 1). Som billedet viser, er der tale om en kontinuerlig cyklus. Modellerne i »dry lab« genererer hypoteser. Disse hypoteser omsættes til eksperimentelle forsøg i »wet lab«. Resultaterne registreres som dokumentation, og denne dokumentation bruges til at forfine den næste runde af modeller, beslutninger og eksperimenter. For at AI kan yde et meningsfuldt bidrag i regulerede miljøer, skal dens rolle i udformningen af hypoteser, eksperimentelle valg og beslutninger også gennemløbe denne cyklus i dokumenteret form, så den kan gennemgås og granskes sammen med den resulterende dokumentation. I den regulerede lægemiddelbranche er denne cyklus vigtig, fordi målet ikke blot er hurtigere indsigt. Det handler om hurtigere, styret læring, der frembringer dokumentation, der er sporbar, tilskrivelig og forsvarlig.
Hvorfor fremskridtene inden for kunstig intelligens overhaler »the loop«
Kunstig intelligens har styrket den teoretiske del af arbejdet markant. Men selvom eksperimenter med kunstig intelligens er næsten udbredt inden for alle områder af biovidenskaben, er det kun et lille mindretal af organisationerne, der angiver, at det skaber vedvarende forretningsmæssig værdi i stor skala.1 Mange mangler også tillid til, at deres datapraksis kan understøtte AI ud over pilotprojekter.2
Flaskehalsen ligger i det, der sker, efter at indsigten er opnået. Der opstår typisk tre former for fejl:
- Indsigt opstår på en uformel måde. Resultaterne fra det tørre laboratorium kommer ofte til udtryk i form af præsentationer, notesbøger, dokumenter eller uformelle anbefalinger snarere end som strukturerede, gennemførlige planer.
- Sammenhængen går tabt. Forskningslaboratorierne skal omsætte disse resultater til protokoller og arbejdsgange. Vigtige baggrundsoplysninger – såsom hvorfor en kandidat blev rangordnet højere, hvilke antagelser der lå til grund for et DoE, eller hvorfor en lægemiddelkandidat blev nedprioriteret – er ofte underforståede eller mangler helt.
- Feedback går i stykker. Resultaterne kan ikke tydeligt spores tilbage til den oprindelige model, og udførelsesdataene returneres uden den kontekst, der er nødvendig for at gøre dem genanvendelige til den næste læringsrunde.
Er dine data klar til at understøtte laboratoriekredsløbet? Tag Vurdering af AI-dataklarhed for at få et overblik over, hvor du står.
Når kløften udgør en lovgivningsmæssig risiko
I den regulerede lægemiddelbranche udgør en brudt laboratoriekredsløb en risiko for manglende overholdelse af lovgivningen – det er ikke blot et effektivitetsproblem. Mange biopharma-kvalitetskontrolaboratorier arbejder stadig med uforbundne systemer og begrænset automatisering.3
Når AI-anbefalinger indgår i den videnskabelige arbejdsgang, bliver de en del af beslutningsdokumentationen. I GxP-miljøer skal denne dokumentation opfylde ALCOA+-standarderne. I praksis kan AI ikke forblive en ekstern kilde til anbefalinger. Dens rolle i at generere, forme eller påvirke beslutninger skal dokumenteres i selve arbejdsgangen, så de ansvarlige ikke blot kan forstå resultatet, men også hvordan AI har bidraget til det. Hvis et AI-resultat påvirker en beslutning om et parti eller en stabilitetsprotokol, vil tilsynsmyndighederne forvente at se, hvordan det blev genereret, hvilke data det byggede på, og hvem der godkendte det.
FDA’s udkast til retningslinjer om kunstig intelligens i forbindelse med reguleringsmæssige beslutninger formaliserer denne forventning og stiller krav om en risikobaseret troværdighedsvurdering af hver enkelt AI-model, dokumentation af dens anvendelsessammenhæng samt dokumentation for, hvordan troværdigheden er blevet fastslået og opretholdt.4 De fleste laboratoriemiljøer er ikke indrettet til et sådant ansvarsniveau. AI-resultaterne ligger uden for den regulerede dokumentation, hvilket skaber huller, der forbliver usynlige, indtil der foretages en kontrol.
Denne risiko forstærkes af »skygge-AI«, hvor forskere anvender værktøjer, der ikke er blevet kontrolleret, uden for de regulerede systemer. Ureguleret AI medfører usynlige afvigelser i beslutningerne, der er præget af ikke-validerede modeller og anbefalinger, der ikke kan spores, og som muligvis først kommer til syne, når der opstår en afvigelse eller ved en revisionskonstatering.
Lær, hvordan IDBS opbygger AI-klar, reguleret datainfrastruktur.
Behovet for den regulerede midte i en laboratoriekreds

Forskningen er begyndt at påvise videnskabelige cirkler, hvor kunstig intelligens foreslår eksperimenter, automatisering udfører dem, og resultaterne føres tilbage under menneskelig tilsyn.5,6 Disse modeller ser lovende ud. Inden for den regulerede lægemiddelbranche består udfordringen ikke blot i at lukke kredsløbet. Det handler om at styre laboratoriekredsløbet, så indsigterne fra det teoretiske laboratorium omsættes til praksis i det eksperimentelle laboratorium, og resultaterne herfra vender tilbage som pålideligt, genanvendeligt bevismateriale.
En styret laboratorieproces sikrer, at indsigterne fra det tørre laboratorium registreres som strukturerede, kontrollerbare intentioner frem for uformelle retningslinjer. Gennemførelsen bevarer disse intentioner, afvigelser registreres eksplicit, og resultaterne kan spores tilbage til de underliggende antagelser. AI-resultater, der påvirker beslutningerne, bliver en del af den regulerede dokumentation. Feedback gives sammen med konteksten for gennemførelsen, og menneskelig gennemgang er indbygget i definerede beslutningspunkter.
Det er her, det regulerede mellemlag bliver afgørende. Mange organisationer investerer i kapacitet til tørlaboratorier og infrastruktur til vådlaboratorier, men investerer for lidt i det lag, der forbinder dem. Det er her, den videnskabelige hensigt bevares, udførelsen kan kontrolleres, og data kan genbruges på tværs af programmer, lokaliteter og tid. Det er netop dette mellemlag, der gør det muligt for AI at integreres problemfrit i laboratoriekredsløbet. I stedet for at stå uden for processen som en uformel kilde til anbefalinger bliver AI en del af et dokumenteret arbejdsforløb, hvor dens resultater, antagelser og indflydelse på beslutninger kan gennemgås og granskes som en del af den videnskabelige og lovgivningsmæssige dokumentation. Når dette mellemlag er svagt, fragmenteres laboratoriekredsløbet i usammenhængende arbejdsforløb, tabt kontekst og resultater, der ikke kan genbruges.7,8 Når den er stærk, bliver laboratorie-loopet et reguleret system, der fremmer den videnskabelige læring.
I mere end 35 år har IDBS arbejdet tæt sammen med verdens førende biofarmaceutiske virksomheder for at løse vanskelige problemer i regulerede, komplekse miljøer. Vi udvikler løsninger i samarbejde med kunderne, så den regulerede del af systemet afspejler de faktiske arbejdsgange, de faktiske begrænsninger og de faktiske beslutningspunkter.
Fra hurtigere indsigt til reguleret dokumentation
At udligne forskellen indebærer, at laboratoriekredsløbet udformes som et reguleret system. Samordnet udførelse giver konkrete resultater: færre fejl og afvigelser, bedre overholdelse af kravene og kortere testtidsrammer.3 Organisationer, der opnår en uforholdsmæssig stor værdi af AI, gør det ved at omlægge arbejdsgange og styrke styringen, ikke ved at indføre flere modeller.9
Set i den sammenhæng er den regulerede midte ikke blot en arkitektonisk idé. Det er det operationelle lag, der omdanner indsigt til dokumentation. Det er også det lag, der gør AI’s deltagelse synlig, dokumenteret og kontrollerbar inden for den regulerede videnskabelige proces, i stedet for at lade den blive udledt i efterhånden. IDBS Polar er et eksempel på, hvordan dette lag kan etableres gennem struktureret dataindsamling, styring af arbejdsgange og kontekstualiseret dokumentation.
Selvom AI-funktionerne fortsat udvikler sig, er det grundlæggende fundament – veldefinerede målsætninger, styret udførelse og sporbar dokumentation – nøglen til at udnytte AI-indsigt, man kan stole på. AI er kun så pålidelig som de data, den kontekst og de styringsrammer, den bygger på.
Som en del af Danahers sammenhængende økosystem af ekspertise, teknologier og kompetencer hjælper IDBS kunderne med at gå fra idé til konkret effekt med større hastighed og sikkerhed. Vi bidrager med stringente metoder og styrker på tværs af porteføljen for at hjælpe dig med at skalere sammenhængende videnskab globalt – og sikre, at den forvaltes korrekt.
Er du klar til at koble indsigt sammen med fakta?
Hvis du ønsker at omdanne AI-genererede indsigter til velkontrolleret, genanvendeligt underlagsmateriale, er det første skridt at få et overblik over, hvor dit datagrundlag står. Tag et kig på Vurdering af AI-dataklarhed for at vurdere jeres organisations evne til at understøtte AI i hele laboratorieprocessen.
Hvis du vil dykke dybere ned i emnet, kan du undersøge, hvordan en struktureret, kontekstbaseret tilgang til data danner grundlaget for skalerbar og pålidelig AI:
Læs den Hvidbog om en kontekstbaseret AI-datastrategi for biofarmabranchen. Eller kontakt os for at drøfte, hvordan jeres organisation kan opbygge den styrede mellemvej, der forbinder indsigt med dokumentation.
IDBS, et Danaher-selskab, hjælper biopharma-virksomheder med at omdanne videnskabelige data til pålidelig indsigt, der fremmer innovation og forbedrer patientresultaterne.
Om forfatteren
Af Anirban Mudi, ledende produktchef for platformen
Dr. Anirban Mudi er en erfaren leder inden for digital videnskab med over 20 års erfaring fra industrien og den akademiske verden. Han er en del af platformens produktledelsesteam hos IDBS, der driver udviklingen af IDBS Polar-platformen for at gøre det muligt for medicinalindustrien at indsamle meget kontekstualiserede, strukturerede data til downstream-applikationer som dataanalyse, indsigt og AI/ML for at fremskynde lægemiddeludviklingen.
Dr. Mudi er uddannet videnskabsmand og har en ph.d. i kemi fra IIT Delhi. Med sin ekspertise inden for anvendelsen af avancerede teknologier som AI, IoT og cloud computing inden for biovidenskab har Dr. Mudi udviklet innovative digitale løsninger til biovidenskabsbranchen. Han brænder for at inspirere den næste generation og går ind for at udnytte praktiske erfaringer med teknologi til at løse virkelige udfordringer.
Referencer:
- McKinsey & Company. Skalering af generativ kunstig intelligens i biovidenskabsbranchen (2025), besøgt i juli 2026.
- Gartner. Manglen på AI-klar data udgør en risiko for AI-projekter (2025), besøgt i juli 2026.
- Deloitte Insights. Fremtidens kvalitetskontrolaboratorium i medicinalindustrien: Øget hastighed, overholdelse af regler og kvalitet (2025), besøgt i juli 2026.
- Den amerikanske fødevare- og lægemiddelstyrelse (FDA). Overvejelser vedrørende anvendelsen af kunstig intelligens til støtte for reguleringsmæssig beslutningstagning vedrørende lægemidler og biologiske produkter: Udkast til vejledning for industrien og andre interesserede parter (2025), besøgt i juli 2026.
- Scheurer C, Reuter K. Menneskets rolle i nye laboratorier for selvkørende systemer inden for heterogen katalyse (2025), besøgt i juli 2026.
- Liu X, Ouyang B, Zeng Y. Balance mellem autonomi og ekspertise i laboratorier for autonom syntese (2025), besøgt i juli 2026.
- Bain & Company. Hvorfor kunstig intelligens snubler uden en solid datastrategi (2025), besøgt i juli 2026.
- McKinsey & Company. Nytænkning af virksomheder inden for biovidenskab med agentbaseret AI (2025), besøgt i juli 2026.
- PwC. Undersøgelse af AI-ydeevne: Vil du have afkast på din investering i AI? Så sats på vækst (2026), besøgt i juli 2026.














