När emissioner lyckas: AI blir nästa konkurrensmedel

Den 2025-12-19 kom en notis som många i svensk life science noterade – BrainCools företrädesemission blev övertecknad, och styrelsen beslutade dessutom om en övertilldelning riktad till externa investerare. Utfallet var tydligt: drygt 82 procent av emissionen tecknades med stöd av teckningsrätter. Det är inte bara en finansieringshändelse. Det är en temperaturmätare.

För mig signalerar den här typen av utfallet något större än “bra tajming i marknaden”. Det är ett kvitto på att investerare – trots en fortsatt selektiv riskaptit i slutet av 2025 – vill lägga kapital där bolag kan visa en rimlig väg från idé till klinisk effekt. Och i just vår serie ”AI inom läkemedel och bioteknik” är det här extra intressant: när kapitalet faktiskt kommer in blir nästa fråga inte om man ska använda AI, utan hur man använder AI så att det påverkar klinik, regulatorik och kommersialisering på riktigt.

En övertecknad emission är inte ett mål. Det är bränsle. Det som räknas är hur bränslet omvandlas till mätbara kliniska och operativa resultat.

Vad betyder en övertecknad emission – i praktiken?

En övertecknad företrädesemission betyder att efterfrågan på aktierna varit större än utbudet i emissionen. Rent konkret ger det bolaget bättre förutsättningar att:

• Säkra finansiering för nästa milstolpar (t.ex. kliniska aktiviteter, produktionsuppskalning, marknadsförberedelser)
• Bredda ägarbasen och skapa ett starkare stöd i marknaden
• Förbättra förhandlingsläget i framtida partnerdiskussioner (licens, distribution, co-development)

Varför övertilldelning spelar roll

Att styrelsen dessutom beslutar om en övertilldelningsemission (riktad till externa investerare) är ofta ett tecken på att intresset inte bara kommer från befintliga ägare. Det kan peka på:

• Nya investerare som vill in trots att företrädesrätten främst gynnar befintliga ägare
• Ett momentum där bolaget vill ta in lite extra kapital utan att behöva starta en helt ny process

Det här är relevant i AI-kontexten eftersom data, infrastruktur och regulatorisk dokumentation ofta kräver investeringar som inte syns lika tydligt i en traditionell FoU-budget.

Varför investerare nu premierar AI-beredskap i biotech

Kärnpoängen: AI är inte längre “en teknikfråga”. Det är en genomförandefråga. Investerare har blivit bättre på att skilja mellan bolag som bara nämner AI i en pitch och bolag som faktiskt har byggt arbetsflöden där AI sänker kostnad, tid eller risk.

I slutet av 2025 ser jag tre tydliga skäl till att AI-beredskap får mer vikt i investeringsbeslut – även när nyheten i sig handlar om en emission:

1) Kliniska studier är för dyra för att köras “som vanligt”

Klinisk utveckling pressas av högre kostnader och tuffare krav på evidens. AI kan bidra i delar av kedjan som annars blir flaskhalsar:

• smartare patientselektion (minskar risken att “fel” patienter späds in)
• effektivare site selection (välja kliniker som faktiskt rekryterar)
• bättre monitorering och avvikelsedetektion (datakvalitet och säkerhet)

När kapitalmarknaden är selektiv gillar man bolag som kan visa att de kan nå en klinisk endpoint med mindre slöseri.

2) Neurologi kräver bättre signaler, inte fler datapunkter

BrainCool verkar i ett område där kliniska utfall ofta är komplexa och tidskritiska. I neurologi – oavsett om man pratar akuta förlopp eller långvariga tillstånd – är det lätt att drunkna i mätvärden.

AI gör nytta när den hjälper team att:

• hitta tidiga, robusta surrogate markers
• identifiera subgrupper som svarar olika
• minska varians i mätningar och protokolltolkning

Det är här “AI i läkemedelsutveckling” blir konkret: bättre beslut tidigare sparar både tid och pengar.

3) Regulatorik belönar spårbarhet – AI måste tåla granskning

Det är först när AI blir audit-ready som den blir ett verkligt konkurrensmedel. Investerare som varit med ett tag vet att en modell som inte går att förklara eller dokumentera kan bli en bromskloss.

Ett tecken på mognad är när bolag investerar i:

• datastyrning (vem äger vad, kvalitet, versionshantering)
• modellstyrning (prestanda över tid, bias, driftsättning)
• dokumentation som håller för regulatoriska frågor

En övertecknad emission skapar utrymme att göra det här ordentligt istället för halvhjärtat.

Från kapital till klinisk effekt: en rimlig “AI-plan” för 12 månader

När ett bolag tar in kapital efter en övertecknad emission finns en klassisk risk: man sprider ut satsningarna för tunt. Min uppfattning är att den bästa AI-strategin i biotech är smal, mätbar och kopplad till nästa milstolpe.

Här är ett praktiskt upplägg jag ofta tycker fungerar – oavsett exakt produktportfölj:

Steg 1: Välj en process där AI kan sänka risk (inte bara spara tid)

Bra kandidater är de som påverkar klinisk framgångsgrad:

1. Patientstratifiering (vem ska in i studien?)
2. Endpoint-kvalitet (hur säkerställer vi att mätningarna håller?)
3. Protokolloptimering (vilka kriterier ger minst avhopp?)

Steg 2: Definiera 3 KPI:er som går att redovisa

Jag hade valt KPI:er som är svåra att “snygga till” i efterhand:

• minskad screen-failure-rate (t.ex. från X % till Y %)
• snabbare rekrytering (t.ex. veckor per site)
• färre protokollavvikelser per 100 besök

När investerare ser KPI:er kopplade till klinik blir AI en del av affären, inte en sidopresentation.

Steg 3: Bygg datagrunden för att slippa börja om vid nästa studie

Det låter tråkigt, men det är ofta här värdet skapas:

• gemensamma datadefinitioner
• spårbar pipeline från rådata till analys
• tydliga åtkomstnivåer och loggning

Den som gör detta tidigt kan återanvända modeller och arbetsflöden i nästa protokoll.

Vanliga missförstånd om “AI i bioteknik” som kostar pengar

När finansieringen är säkrad ökar tempot – och då dyker samma fallgropar upp. Här är tre jag sett för många gånger.

Missförstånd 1: “Vi behöver en stor modell”

Ofta behöver man inte det. I kliniska processer räcker det ibland med enklare, robusta metoder som går att validera och dokumentera. En modell som regulatoriskt kan försvaras slår en mer avancerad modell som ingen vågar sätta i drift.

Missförstånd 2: “AI kan ersätta klinisk expertis”

Nej. AI kan vara en andra bedömare, ett kvalitetsfilter eller en prioriteringsmotor. Men utan klinisk tolkning blir resultaten snabbt svåranvända.

Missförstånd 3: “Vi väntar tills vi har mer data”

Det blir ofta en ursäkt för att inte sätta strukturen. Börja med datastyrning, mätbara KPI:er och en första, begränsad modell. Annars kommer “mer data” bara betyda “mer röra”.

Vad BrainCools nyhet säger om marknaden för AI-drivna bolag i Sverige

Det intressanta här är inte bara BrainCool specifikt, utan mönstret: svenska life science-bolag som kan kombinera klinisk relevans med digital mognad har lättare att attrahera kapital.

I praktiken tror jag att 2026 blir året då fler investerare börjar ställa samma typ av frågor som man redan ställer i andra branscher:

• Vilka beslut i utvecklingen tas med stöd av data och modeller?
• Hur säkras datakvalitet och spårbarhet?
• Finns det ett team som kan driftsätta AI, inte bara prototypa?

Den som kan svara konkret har en fördel. Den som svarar med buzzwords får det tufft.

Nästa steg: gör investerarintresset till operativ fart

En övertecknad emission och en beslutad övertilldelning är ett styrketecken. Men styrka i biotech mäts inte i teckningsgrad – den mäts i hur snabbt och disciplinerat bolaget når nästa datapunkt som reducerar risk.

Om du jobbar i eller investerar i bolag som vill ligga i framkant inom AI i läkemedelsutveckling, är min rekommendation enkel: bygg en AI-plan som är kopplad till en klinisk milstolpe, sätt tre KPI:er, och gör datagrunden robust nog att tåla granskning.

Frågan jag tycker att fler borde ställa efter en lyckad kapitalanskaffning är: Vilken del av utvecklingskedjan ska vi göra mätbart bättre inom 90 dagar – och hur bevisar vi det?