BrainCool-emissionen visar hur AI kan vässa biotech

82 procent tecknat med teckningsrätter. Övertecknat. Och som ett direkt resultat: en övertilldelning riktad till externa investerare.

Det är i praktiken tre signaler på samma gång: intresse, förtroende och kapacitet att ta in kapital när det behövs. När BrainCool (svenskt medtech/biotech i gränslandet) stänger en övertecknad företrädesemission och styrelsen beslutar om övertilldelning, handlar det förstås om finansiering. Men det handlar också om något större: hur svenska bolag positionerar sig för nästa fas där AI i läkemedelsutveckling och kliniska studier blir mindre snack och mer drift.

Jag har sett många bolag prata om AI som en “framtidsplan”. De som vinner 2026–2028 gör tvärtom: de använder kapitalet för att bygga datagrund, processer och verktyg som gör utveckling och kommersialisering snabbare, billigare och mer förutsägbart. BrainCools emission är ett bra case att tänka med.

Varför en övertecknad emission är mer än en finansnyhet

En övertecknad emission är i första hand en marknadssignal: efterfrågan på aktierna överstiger utbudet i erbjudandet. När styrelsen dessutom väljer att genomföra övertilldelning (en extra emission till externa investerare) betyder det att bolaget vill ta in mer kapital än ursprungsplanen – och att det finns investerare redo att gå in.

Det här spelar roll för alla som arbetar med AI inom läkemedel och bioteknik av ett enkelt skäl: AI kräver investeringar som sällan syns i en klassisk utvecklingsbudget.

Kapitalet som ofta saknas i AI-satsningar

Många biotech- och medtechbolag budgeterar för:

• prekliniska studier
• kliniska prövningar
• regulatoriska aktiviteter
• produktion/CMC

Men AI-relaterade kostnader hamnar lätt “mellan stolarna”:

• dataplattformar, datalagring och integrering
• kvalitetssäkring av data (QA/QC)
• modellutveckling och validering
• MLOps (drift, övervakning, versionshantering)
• privacy, säkerhet och governance

När ett bolag får möjlighet att ta in extra kapital vid styrketecken (överteckning) ökar chansen att man faktiskt kan finansiera den där tråkiga men avgörande basen.

Vad 82% tecknat med teckningsrätter säger

Att drygt 82 procent tecknades med stöd av teckningsrätter signalerar starkt stöd från befintliga ägare. För operativa team betyder det ofta mer arbetsro: du kan planera längre, rekrytera mer målmedvetet och göra investeringar som ger effekt först om 12–24 månader.

Och exakt där ligger AI-satsningar.

Så kopplar du emissionen till AI i läkemedelsutveckling (på riktigt)

Det är lätt att säga att ”AI gör allt bättre”. Det är svårare att peka på var i kedjan effekten kommer och hur man mäter den. För svenska biotechbolag är de mest praktiska AI-spåren 2026 ofta dessa tre.

1) AI som minskar risken i kliniska studier

Den dyraste risken i life science är inte att saker kostar – det är att de kostar länge. Här används AI redan nu (och bör användas mer) för att:

• förbättra patientselektion genom prediktiva modeller och bättre matchning mot inklusions-/exklusionskriterier
• optimera site selection (vilka kliniker rekryterar snabbt och med hög datakvalitet?)
• upptäcka avvikelser tidigt i prövningsdata (t.ex. mätserier som tyder på protokollavvikelser)

Konkreta KPI:er som ledningar faktiskt kan styra på:

• tid till första patient (FPI)
• rekryteringstakt per site
• andel queries per CRF
• protokollavvikelser per 100 patientbesök

När kapitalbasen stärks via emission/övertilldelning blir det realistiskt att investera i den data- och analysförmåga som krävs för att följa dessa KPI:er i nära realtid.

2) AI som gör utvecklingsprocessen mer “industrialiserad”

Många svenska bolag är väldigt bra på forskning men svagare på industrialisering. AI kan hjälpa till när man behandlar utveckling som en process att optimera:

• prediktiva modeller för stabilitet och hållbarhet (CMC)
• automatiserad dokumenthantering och spårbarhet (regulatoriskt)
• process mining på interna flöden (var fastnar beslut? var uppstår omarbete?)

Det låter torrt, men det är ofta där de stora tidsvinsterna finns.

3) AI som ökar sannolikheten att “rätt data” samlas in

En vanlig orsak till att projekt bromsar är att man inser för sent att data inte räcker för regulatorisk diskussion eller reimbursement.

AI-stödd planering kan användas för att:

• simulera vilka endpoints som ger tydligast signal givet förväntad effektstorlek
• identifiera vilka subgrupper som behöver analyseras separat
• planera datainsamling så att det fungerar i både klinik och senare real world evidence

Det här kräver tvärfunktionellt arbete (klinisk, statistik, medicinsk, regulatorisk, marknad). Med mer kapital i ryggen är det lättare att bemanna den typen av “brobyggarroller”.

Varför investerare bryr sig om AI-förmåga (även när de inte säger det)

Investerare investerar sällan i “AI” som ord. De investerar i tidslinjer och sannolikheter.

Om två bolag har liknande produktpotential kommer kapitalet oftare till det som kan visa:

• bättre kontroll på utvecklingsrisk
• snabbare genomförande
• tydligare mätbarhet i pipeline och studier

AI blir då ett sätt att göra bolaget mer exekveringsstarkt, inte ett pr-trick.

En enkel tumregel: AI som inte påverkar en beslutsprocess eller en KPI är bara en demo.

BrainCools övertecknade emission går att läsa som att marknaden ser en plan som håller ihop. För bolag som vill ta samma typ av steg är lärdomen tydlig: koppla teknik- och dataförmåga till operativa mål som investerare förstår.

Praktisk checklista: så använder biotechbolag kapitalet för AI

När en emission landar är det lätt att pengarna “försvinner” i allmän drift. Det är ibland nödvändigt, men om målet är att bygga en tydlig AI-förmåga behöver man en plan som överlever vardagen.

Steg 1: Bestäm vilket problem AI ska lösa (inte vilken modell)

Bra problemformuleringar:

• “Vi ska minska rekryteringstiden med 20% i nästa studie.”
• “Vi ska halvera antalet datakvalitetsqueries per patient.”
• “Vi ska kunna prognostisera site performance två månader tidigare.”

Då blir det lättare att välja data, verktyg och leverantörer.

Steg 2: Bygg datagrund innan du anställer ‘en AI-person’

Många gör tvärtom. Jag tycker det är bakvänt.

Prioritera:

• datakatalog (vad finns, var finns det, vem äger det?)
• standarder (t.ex. konsekventa definitioner av variabler)
• åtkomst och loggning
• kvalitet: saknade värden, avvikande mätpunkter, harmonisering

Steg 3: Välj 1–2 use case och gå till produktion

Ett use case i produktion slår tio proof-of-concepts.

Praktiskt:

1. definiera KPI
2. bygg en minimal datapipe
3. träna modell
4. validera mot historiska data
5. införa i arbetsflöde (vem gör vad annorlunda på måndag?)
6. övervaka prestanda (model drift)

Steg 4: Förbered regulatorik och styrning tidigt

AI i kliniska sammanhang kräver spårbarhet, riskbedömning och ofta dokumentation som liknar annan mjukvaruvalidering.

Sätt upp:

• modellkort (syfte, data, begränsningar)
• versionshantering
• beslut om när människa måste godkänna
• säkerhets- och integritetsrutiner

Det gör att AI kan skala, istället för att stoppas när det blir skarpt läge.

Vanliga frågor (som dyker upp direkt i styrelserum)

“Betyder överteckning att bolaget är ‘säkert’?”

Nej. Överteckning visar starkt intresse i finansieringen, inte att den operativa risken är borta. Men det förbättrar förutsättningarna att genomföra planerade milstolpar.

“När ser man ROI på AI i kliniska studier?”

Ofta snabbare än folk tror – om use caset är kopplat till en tydlig flaskhals (rekrytering, datakvalitet, site performance). För mer avancerade forskningsmodeller tar det längre tid.

“Kan små svenska bolag verkligen bygga AI-förmåga?”

Ja, men inte genom att försöka göra allt själva. De vinner genom att:

• välja få, tydliga use case
• köpa standardkomponenter
• fokusera internt på dataägarskap och process

Vad detta säger om svensk biotech 2026

BrainCools besked (2025-12-19) är en påminnelse om att svensk life science fortfarande kan attrahera kapital när caset är begripligt och tajmingen sitter. Det är extra relevant nu, i slutet av 2025, när många organisationer planerar 2026-budgetar och vill veta vilka investeringar som faktiskt ger hävstång.

För vår serie “AI inom läkemedel och bioteknik” är poängen enkel: finansiering och AI hänger ihop. En emission är inte bara bränsle för nästa studie. Den kan vara bränsle för bättre beslutsstöd, bättre datakvalitet och snabbare lärande.

Om du sitter i ledning, styrelse eller operations i ett biotechbolag: när du ser en övertecknad emission i sektorn, använd den som en spegel. Har ni en lika tydlig plan för hur ni ska bli snabbare och mer förutsägbara med hjälp av data och AI – eller hoppas ni att det ordnar sig senare?