AI i bioteknik: Genovis strategi för ADC och Genomics

December brukar vara månaden då många bolag gör bokslut – mentalt, om inte annat. Pipeline ska summeras, budgeten ska spikas och “vad gör vi 2026?” hamnar på bordet. I den kontexten är det rätt talande att Genovis vd Fredrik Olsson, efter mer än 20 år i bolaget och 10 år som vd, formulerar en sak väldigt tydligt: den stora uppsidan ligger fortfarande framför dem.

Det är inte bara ett vd-citat för en podd. Det pekar på något fler i svensk bioteknik borde ta fasta på: tillväxt skapas sällan av att göra “lite av allt”. Den skapas av att kombinera skarpt kundfokus, tydliga teknikval (som ADC och Genomics) och en förmåga att accelerera genom smarta förvärv. Och 2025–2026 finns ytterligare en dimension som blir svår att ignorera: AI inom läkemedel och bioteknik.

Genovis är i grunden ett verktygs- och teknologibolag som hjälper andra att göra bättre analys, utveckling och kvalitetssäkring. När de pratar om att erbjuda exakt de verktyg kunderna efterfrågar inom snabbväxande områden som ADC och Genomics, så handlar det i praktiken om att vara på rätt plats i värdekedjan. AI förstärker den logiken – men bara om man använder den målinriktat.

Varför ADC och Genomics är rätt slagfält (och varför AI passar in)

ADC och Genomics är två områden där datamängderna växer snabbare än människors förmåga att tolka dem. Därför blir AI inte ett “tillägg”, utan en naturlig del av hur team kan arbeta effektivt.

ADC: komplexitet som kräver systematik

Antibody-Drug Conjugates (ADC) är i teorin enkel matematik: antikropp + toxisk payload + länkare. I praktiken är det en av de mest komplexa produktklasserna att utveckla och tillverka. Små variationer i exempelvis glykanmönster, konjugeringsgrad (DAR), stabilitet eller renhet kan ge stora skillnader i effekt, säkerhet och tillverkningsbarhet.

AI kan göra ADC-utveckling snabbare på tre konkreta sätt:

1. Prediktiva modeller för utvecklingsutfall: koppla ihop analytiska data (t.ex. masspektrometri, kromatografi, stabilitetsdata) med biologiska utfall för att tidigt se riskmönster.
2. Automatiserad datakvalitet och avvikelsedetektion: identifiera batchvariationer innan de blir kostsamma CAPA-ärenden.
3. Designstöd i tidiga faser: rangordna länkare/payload-alternativ utifrån historiska dataset och experimentell feedback.

Här blir verktygsleverantörer extra viktiga. När Genovis fokuserar på att leverera “exakt de verktyg kunderna efterfrågar” innebär det ofta att kunderna vill kunna fatta beslut på färre experiment – och med högre säkerhet. AI hjälper till, men det kräver bra instrumentering, bra provberedning och standardiserade arbetsflöden. Det är sällan AI som saknas först. Det är underlaget.

Genomics: från sekvensering till beslut

Genomik har gått från att handla om att producera sekvensdata till att handla om att tolka den. Flödet är ofta detsamma oavsett om du jobbar med biomarkörer, cellinjer eller patientnära test:

• rådata (reads)
• kvalitetskontroll
• alignment/variant calling
• annotering
• biologisk tolkning
• beslut (gå vidare, stoppa, stratifiera, rapportera)

AI passar särskilt bra i de två sista stegen: tolkning och beslut. Men återigen: om upstream-delen inte är robust blir downstream-AI mest en avancerad gissning.

Det är därför Genovis strategi är intressant i en AI-kontekst. Om du bygger (eller köper) capability i Genomics – som genom förvärvet av SEQURNA – kan du också bygga en mer sammanhållen kedja där AI faktiskt får rätt förutsättningar.

Tillväxtstrategin som fler bioteknikbolag borde kopiera

En strategi som håller 2026 är en strategi som tål att operationaliseras. Det betyder att den går att översätta till prioriteringar, rekryteringar, produktroadmaps och säljprocesser.

Genovis linje – fokus på snabbväxande kundbehov och möjlighet till fler strategiska förvärv – är en klassisk kombination av organisk och oorganisk tillväxt. Men den fungerar bara om man vet vad man försöker bli.

1) Kundbehov före teknikromantik

Många bolag säger att de är kundnära. Färre klarar att vara det när det gör ont, till exempel när det kräver att man:

• lägger ner en intern favoritprodukt som inte säljer
• förenklar ett erbjudande (även om det känns “mindre avancerat”)
• bygger support och applikationskompetens som kostar pengar här och nu

När Genovis pratar om att erbjuda exakt rätt verktyg signalerar de en sak: kunden vill ha resultat, inte en katalog.

AI kan förstärka kundfokus på ett konkret sätt: genom att analysera supportärenden, användarmönster och experimentutfall kan man hitta vilka moment som skapar friktion och bygga produktförbättringar där de ger mest effekt.

2) Förvärv som accelererar – men bara med en tydlig integrationsplan

Strategiska förvärv är ett snabbt sätt att få:

• ny teknik
• nya kundsegment
• nya kompetenser
• mer dataproduktion (vilket i sin tur kan stärka AI-modeller)

Men förvärv misslyckas ofta av en banal anledning: man integrerar inte arbetsflöden, data och säljprocess.

Min erfarenhet är att AI-delen i en förvärvsintegration ofta glöms bort. Det borde vara tvärtom. Om du köper en verksamhet som genererar data (Genomics, analytik, assay-plattformar) har du en chans att standardisera:

• datamodell (metadata, prov-ID, versionering)
• kvalitetsmått
• vilka etiketter/klassningar som används
• hur modeller valideras och uppdateras

Den som gör det tidigt får en multiplikatoreffekt: bättre kvalitet, snabbare utveckling och mer förutsägbar leverans.

3) “Den stora uppsidan” kräver att man vågar välja bort

Uppsida är ett fint ord, men i praktiken betyder det att det finns outnyttjad potential. Den potentialen frigörs inte av fler idéer – utan av fler genomförda beslut.

Ett enkelt test jag ofta använder i bioteknikteam är detta:

• Kan ni på en A4 beskriva vilka 3 kundproblem ni löser bäst?
• Kan ni säga nej till projekt som inte stärker de 3?
• Har ni ett dataspår som bevisar att ni blir bättre (t.ex. minskad ledtid, färre omtag, högre first-pass yield)?

AI är kraftfullt här, men bara om den mäter rätt saker. Annars blir det dashboards som ser snygga ut men inte styr verksamheten.

Så kan AI stötta Genovis fokusområden i praktiken

AI i bioteknik handlar mindre om magi och mer om att minska onödigt arbete. Här är tre praktiska tillämpningar som passar just ADC och Genomics, och som många svenska bioteknikbolag kan kopiera.

AI för experimentplanering: färre körningar, högre träff

I både ADC-utveckling och genomikbaserade analyser finns ett återkommande problem: du kan testa 20 variabler, men du har bara budget för 5.

Med AI-stödd experimentplanering (t.ex. Bayesian optimization eller aktiva lärstrategier) kan man:

• välja experiment som maximerar informationsvärde
• snabbare hitta stabila parametrar
• dokumentera beslut med spårbarhet

Det är inte science fiction. Det är en metodfråga. Och den kräver att data är strukturerad.

AI för kvalitetskontroll: upptäck avvikelser tidigt

En stor kostnadspost i bioteknik är omtag: omkörningar, omanalys, felsökning. Här är AI särskilt användbart eftersom den kan lära sig normalbilden.

Exempel på mönster som AI kan fånga:

• instrumentdrift (små skift i signal)
• batch-to-batch-variation
• ovanliga kombinationer av QC-parametrar som tenderar att ge problem senare

Poängen: tidig varning slår sen brandkårsutryckning.

AI för kundservice och applikationsstöd: snabbare svar, bättre adoption

När verktyg blir mer avancerade blir användarfrågorna mer avancerade. Då blir applikationsstöd en konkurrensfaktor.

AI kan hjälpa team att:

• sammanfatta återkommande frågor och bygga bättre dokumentation
• ge snabbare felsökningsförslag baserat på historiska ärenden
• föreslå “nästa bästa” protokollsteg utifrån provtyp och mål

Det ersätter inte experter. Men det gör experterna mer skalbara.

En bra tumregel: AI ska ta första passet på allt repetitivt, så att människor kan lägga tiden på det som kräver omdöme.

Vanliga följdfrågor (och raka svar)

Behöver man ett stort datateam för att använda AI i bioteknik?

Nej. Du behöver först en dataminiminivå: standardiserad metadata, versionshantering av analysflöden och tydliga kvalitetsmått. Ett litet tvärfunktionellt team kan komma långt.

Var börjar man: ADC eller Genomics?

Börja där ni har mest friktion och mest data. AI ger snabbast effekt i kvalitetskontroll och avvikelsedetektion, eftersom det finns tydliga “normalbilder” att lära sig.

Hur undviker man att AI-projekt blir en dyr pilot?

Sätt ett affärsmål som går att mäta inom 8–12 veckor, till exempel:

• 20 % kortare analysledtid
• 30 % färre omkörningar
• 15 % snabbare handläggningstid i support

Om ni inte kan mäta det, bygg inte modellen än.

Nästa steg för bioteknikbolag som vill växa 2026

Genovis vd pratar om att fortsätta tillväxtresan genom att möta kundernas behov inom ADC och Genomics och att förvärv kan bli aktuella för att accelerera. Jag gillar den riktningen, eftersom den är tydlig: bygg där marknaden rör sig och förstärk med rätt pusselbitar.

För bolag som följer vår serie AI inom läkemedel och bioteknik är lärdomen enkel: AI skapar inte strategi – men den förstärker strategi som redan är skarp. Har du fokus på ADC och Genomics är AI en naturlig motor för att korta cykeltider, höja kvalitet och skala kundvärde.

Om du sitter med planen för 2026 just nu: vilka två arbetsflöden skulle ni kunna standardisera före 2026-03-31, så att AI faktiskt får fäste – och vilka beslut behöver ni ta redan i januari för att det ska hända?