AI i bioteknik: Genovis spår förvärv och snabb tillväxt

Det är lätt att tro att bioteknikens tillväxt alltid kommer från ett nytt läkemedel i klinik. Jag håller inte med. I praktiken är det ofta verktygen – de som gör forskarnas vardag snabbare och mer reproducerbar – som bygger de mest stabila tillväxtresorna.

Det är därför Genovis är intressant att följa just nu. I en poddintervju (publicerad 2025-12-19) beskriver bolagets vd Fredrik Olsson, som varit på Genovis i över 20 år och 10 år som vd, en tydlig riktning: fortsätta leverera exakt de verktyg kunderna efterfrågar inom snabbväxande områden som ADC och genomik, och samtidigt vara öppen för fler strategiska förvärv i stil med köpet av SEQURNA tidigare i år.

Det här är inte bara en bolagsberättelse. För oss som jobbar med – eller investerar i – AI inom läkemedel och bioteknik är det en konkret mall för hur AI förstärker en redan stark verktygsstrategi: från bättre analys av komplex biologidata till smartare M&A-processer och snabbare produktutveckling.

Varför Genovis fokus på ADC och genomik passar AI perfekt

Genovis strategi landar mitt i två områden där AI redan gör mätbar skillnad: antikropp–läkemedelskonjugat (ADC) och genomik. Kärnan är enkel: båda producerar stora mängder data, och båda straffar dåliga beslut tidigt.

ADC: där små felsteg blir dyra

ADC-utveckling kräver kontroll på detaljer som många team underskattar: konjugeringskemi, drug-to-antibody ratio (DAR), stabilitet, aggregat, glykosyleringsmönster, batch-till-batch-variation. Min erfarenhet är att det ofta inte är en enda katastrofal parameter som fäller ett projekt – utan en kombination av små avvikelser som upptäcks för sent.

AI kan bidra konkret genom att:

• Prediktera kritiska kvalitetsattribut (CQA) från tidiga analytiska signaler.
• Hitta mönster i avvikelsedata från produktion och QC som människor missar.
• Optimera experimentdesign (DoE) så att man testar färre kombinationer men lär sig mer.

Det gör att verktygsbolag som levererar robusta, standardiserade analys- och processverktyg får extra hävstång: deras kunder kan koppla ihop instrument- och analysdata till AI-modeller utan att först “städa” ett kaos av metoder.

Genomik: när datamängden inte längre är flaskhalsen – utan tolkningen

Sekvensering är inte det svåra längre. Det svåra är att översätta signal till beslut: vilka varianter är relevanta, vilka biomarkörer predikterar respons, vilka subgrupper ska in i nästa studie.

AI:s styrka här är att den kan:

• Prioritera varianter och mål utifrån multimodala data (genomik + transkriptomik + proteomik + klinik).
• Förbättra patientstratifiering inför kliniska studier.
• Snabba upp tolkningen av stora dataset i realtid.

När Genovis lyfter genomik som ett snabbväxande område är det alltså ett tecken i tiden: de aktörer som gör data mer konsekvent och analysbar vinner – och AI förstärker den effekten.

“Exakt de verktyg kunderna efterfrågar” – så bygger man ett verktygsbolag som skalar

Det finns ett skäl att många bioteknikbolag med tydlig produktportfölj klarar konjunktursvängningar bättre än FoU-tunga bolag: de säljer till hela ekosystemet, oavsett vilken pipeline som är het just den veckan.

När Fredrik Olsson pratar om att möta kundernas faktiska behov är det en strategi som kräver disciplin. Det handlar inte om att ta fram “fina” produkter, utan om att lösa irriterande problem i labbet.

Tre saker som brukar skilja vinnare från medelmåttor

1. Kort väg från kundinsikt till produkt Bra verktygsbolag har feedbackloopar som liknar mjukvarubolag: täta kundsamtal, snabb prototypning, tydlig prioritering.

2. Reproducerbarhet som produktlöfte I biologin är variation en fiende. Verktyg som minskar variation blir snabbt standard.

3. En portfölj som passar kundernas arbetsflöde Det räcker inte att vara “bra”. Man måste passa in i en pipeline: provberedning → analys → rapportering → compliance.

AI kan här bli en del av erbjudandet, även om bolaget inte säljer “AI” som en produkt. Exempel: inbyggda rekommendationer, automatisk kvalitetsflagging, smartare batch-jämförelser och modellbaserade varningar vid drift i process.

Ett praktiskt riktmärke: om ett verktyg sparar 15 minuter per prov och labbet kör 200 prov/vecka har du sparat 50 timmar/månad. Då blir inköpsbeslutet plötsligt okomplicerat.

Strategiska förvärv i biotech: så kan AI minska risken

Genovis nämner att fler förvärv likt SEQURNA kan bli aktuella för att accelerera tillväxten. Förvärv i biotech kan vara fantastiska – men de kan också bli dyra om integrationen misslyckas eller om man missbedömer teknikens marknadspassning.

AI gör inte att M&A blir “enkelt”. Men den kan göra processen mer datadriven.

AI i M&A: från magkänsla till strukturerad signal

Här är tre sätt jag ser AI användas med hög nytta, särskilt i verktygs- och plattformsbolag:

• Target discovery (screening av förvärvsmål) NLP-modeller kan kartlägga patentlandskap, publikationer, produktkataloger och kundsegment för att hitta bolag som fyller tydliga luckor.

• Synergianalys på portföljnivå Maskininlärning kan identifiera överlapp i kunder, applikationer och distributionskanaler – och flagga om förvärvet riskerar kannibalisering.

• Integrationsrisk AI kan användas för att analysera processdokumentation, supportärenden och kvalitetsdata (där det är möjligt) för att bedöma “operational maturity”.

Det här passar extra bra i december 2025, när många bolag summerar året och planerar 2026: M&A-pipelinen byggs ofta nu, men besluten tas under Q1–Q2. De som går in med bättre data brukar få både bättre prisbild och snabbare integration.

Så kan AI förstärka Genovis riktning – utan att bli ett sidospår

Många biotechledningar pratar om AI, men fastnar i verktyg som inte kopplar till affären. Den bättre vägen är att börja i användningsfallen som direkt stödjer ADC, genomik och skalbar produktutveckling.

Fyra konkreta AI-användningsfall (som faktiskt går att driftsätta)

1. Automatisk kvalitetskontroll i analysflöden Modeller som upptäcker avvikande mönster i data (t.ex. signaldrift, batch-effekter, outliers) och föreslår åtgärder.

2. “Next best experiment” för R&D Aktiv inlärning kan föreslå nästa experiment som maximerar informationen per körning – särskilt relevant i biokemiska optimeringar.

3. Produkt- och applikationsprognoser AI kan förbättra efterfrågeprognoser per segment (ADC-labb, CRO, akademi, diagnostik) och koppla det till lager och produktion.

4. Kundsupport som driver produktutveckling Genom att analysera supportärenden kan man prioritera förbättringar som ger störst effekt på churn, installationstid och kundnöjdhet.

Poängen: man behöver inte göra “AI-produkter” för att få AI-effekt. Man behöver göra bättre beslut, snabbare.

Vanliga frågor jag får om AI, ADC och genomik (och raka svar)

Är AI mest relevant för läkemedelsbolag, inte verktygsbolag?

Nej. Verktygsbolag sitter ofta på bättre, mer standardiserad data och tydligare processer. Det gör AI lättare att operationalisera.

Var börjar man om man vill införa AI i ett biotech-team 2026?

Börja där du har hög frekvens (många prover, många ärenden, många batchar) och där ett fel blir dyrt. QC, dataanalys och experimentplanering är ofta bäst först.

Hur mäter man ROI utan att fastna i fluff?

Räkna på tid, omkörningar och kassation:

• minuter sparade per prov
• antal omkörningar per månad
• batchar som räddas genom tidig avvikelsedetektion

Det blir snabbt kronor och ören.

Varför det här spelar roll för “AI inom läkemedel och bioteknik” 2026

Genovis vd sätter fingret på något många missar: tillväxt kommer ofta från att göra det enkelt att göra rätt i labbet. ADC och genomik växer för att de löser konkreta medicinska problem, men de växer också för att verktyg, dataflöden och standarder blivit bättre.

AI förstärker den utvecklingen. Inte genom stora ord, utan genom att korta cykeltider, minska variation och göra beslutsfattandet mer robust – särskilt i dataintensiva områden som ADC-analytik och genomik.

Om du vill ta nästa steg: kartlägg ett enda flöde där du har mycket data, tydliga felkostnader och återkommande beslut. Bygg en liten pilot, mät effekten, skala. Det är så AI faktiskt blir en del av biotechmaskineriet.

Vilket moment i din organisation skulle ge störst effekt om det blev 20 % snabbare – provanalys, experimentplanering, QC eller M&A-screening?