EU:s nya läkemedelsregler: så växlar AI upp i biotech

EU är på väg att göra sin största översyn av läkemedelslagstiftningen på över 20 år. Den preliminära uppgörelsen mellan Europaparlamentet och ministerrådet från 2025-12-11 är inte bara juridik – den är en praktisk signal till hela branschen om hur innovation, data och försörjning ska styras framåt.

För alla som jobbar med AI inom läkemedel och bioteknik är det här extra relevant. Skälet är enkelt: AI kräver tydliga spelregler för data, processer och ansvar. Och när EU nu samtidigt vill snabba upp regulatoriska flöden, stärka beredskap mot brister och skapa incitament för antibiotika, öppnas en lucka där AI kan gå från “pilotprojekt” till standardverktyg.

Jag tycker att många bolag missar en detalj: det är sällan själva AI-modellen som sätter takten – det är regelverk, dokumentation och beslutsvägar. Den här reformen handlar mycket om just det.

Vad reformen faktiskt ändrar – och varför det spelar roll för AI

Kärnan i uppgörelsen är ett nytt direktiv och en ny förordning som moderniserar hur läkemedel utvecklas, godkänns och följs upp i EU. Förordningen blir direkt bindande, vilket i praktiken kan ge mer enhetliga krav i hela unionen.

Det finns fyra delar som jag ser som särskilt viktiga för AI-drivet biotech:

1. Skydd för innovationsdata (dataskydd) ligger kvar på 8 år, plus 1 års marknadsskydd.
2. Flexiblare incitament: möjlighet till förlängningar när ett läkemedel ger “mervärde”, t.ex. möter ouppfyllda medicinska behov.
3. Moderniserade EMA-processer: enhetligt digitalt ansökningsformat och i normalfallet obegränsade godkännanden över tid.
4. Nya verktyg för innovation och beredskap: regulatoriska sandlådor och krav på bristförebyggande planer.

AI påverkas av alla fyra – men på olika sätt. Dataskyddet påverkar investeringsvilja och datatillgång. Digitala ansökningar och effektivare handläggning påverkar hur snabbt en AI-stödd utvecklingskedja kan ta sig till marknaden. Och sandlådor kan bli den plats där adaptiva AI-verktyg får en tydligare väg in i regulatorisk vardag.

Dataskyddet (8+1 år): bromskloss eller nödvändig motor?

Att EU landar i bibehållet 8-årigt dataskydd (plus 1 års marknadsskydd) är ett medvetet val att skydda investeringen i kliniska data. Kommissionens tidigare idé om att korta till 6 år var tänkt att snabbare få ut generika och biosimilarer.

Det här är en laddad fråga, och jag tar ställning: för AI-tunga utvecklingsprogram är långsiktighet ofta bättre än maximal kortsiktig prispress. Skälet är att AI inte bara “analyserar data” – AI kräver ofta:

• större dataset (kliniska, real-world data, omics, bilddata)
• mer iterativa studier (modell → hypotes → validering → ny modell)
• mer avancerad dokumentation (spårbarhet, versionshantering, bias-analys)

Det kostar. Utan en rimlig period av dataskydd blir kalkylen svårare för små och medelstora biotechbolag – särskilt i Europa, där kapitalmarknaden ofta är mer försiktig än i USA.

Så påverkar dataskydd AI i praktiken

Dataskyddet skapar indirekt incitament att investera i datakvalitet, inte bara i molekyler. Och datakvalitet är AI:s livsluft.

Samtidigt finns en baksida: om “värdefulla” kliniska dataset låses in för länge kan sekundärinnovation bromsas, t.ex. AI som hittar nya biomarkörer genom att kombinera data över flera studier.

Den mest produktiva vägen framåt är därför hybrid:

• behåll starka innovationsincitament
• bygg säkra mekanismer för sekundäranalys (t.ex. federerad analys, pseudonymisering, standardiserade dataprotokoll)

Reformen pekar inte ut exakt hur detta ska lösas, men genom att modernisera processerna skapas bättre förutsättningar att faktiskt ställa krav på hur data struktureras och lämnas in.

Antibiotikavoucher: smart incitament – men med ett pris

EU vill belöna utveckling av nya antibiotika med en voucher som kan ge 12 månaders extra dataskydd. Den kan användas för antibiotikat själv eller flyttas till ett annat preparat eller till och med ett annat företag.

Det här är politiskt logiskt: antibiotika är en klassisk “marknadsmisslyckande”-kategori. Nya antibiotika ska helst användas sparsamt, vilket gör intäktsmodellen svag jämfört med t.ex. kroniska behandlingar.

Men jag är också kritisk till hur en flyttbar voucher kan slå:

• Den kan bli ett handelbart värdepapper som förstärker stora bolags portföljer.
• Den kan skjuta upp generika för läkemedel som inte har med antibiotika att göra.

Var kommer AI in?

AI kan göra antibiotikautveckling mer träffsäker och billigare, men bara om man jobbar systematiskt:

• AI för target discovery i nya bakterieprocesser
• generativa modeller för att designa molekyler med rätt penetrations- och toxicitetsprofil
• ML-baserad prediktion av resistensutveckling och korsresistens
• optimerad studiedesign för att visa effekt i rätt patientgrupper

Här blir vouchern ett ekonomiskt “dragplåster” som kan göra att fler EU-bolag vågar lägga resurser på just AI-stödd antibiotikaplattform.

EU föreslår också skärpningar mot antibiotikaresistens, bland annat obligatoriskt receptkrav för antimikrobiella läkemedel. Det är bra, och det skapar samtidigt mer strukturerad data om förskrivning – vilket i sin tur gör AI-baserad övervakning och stewardship mer effektiv.

EMA blir mer digitalt: bra nyhet för AI – om du gör hemläxan

Reformen kräver ett enhetligt digitalt format för ansökningar och siktar på effektivare intern handläggning hos EMA. Dessutom blir ett försäljningstillstånd som huvudregel tidsmässigt obegränsat (med möjlighet till begränsningar av säkerhetsskäl).

Det här låter administrativt, men effekten kan bli stor:

• Mer standardiserad inlämning gör det lättare att återanvända och jämföra data.
• Digitala flöden gynnar företag som redan jobbar “data-first” och kan producera regulatoriska paket snabbt.
• Obegränsade tillstånd minskar återkommande förnyelsearbete, vilket frigör tid för post-market-analys och uppföljning.

AI i regulatorik: från pdf-helvete till spårbara dataprodukter

Om din regulatoriska dokumentation fortfarande är en blandning av pdf:er, manuella tabeller och lokala Excel-versioner kommer digitaliseringen inte “rädda” dig. Den kommer synliggöra dina svagheter.

Jag har sett att de team som lyckas med AI i regulatoriska sammanhang ofta gör tre saker:

1. Bygger en gemensam datamodell (kliniska utfall, endpoints, adverse events, batchdata).
2. Inför spårbarhet från rådata → analyskod → resultat → regulatorisk text.
3. Jobbar med versionsstyrning av modeller och data, inklusive beslutade “model cards”.

När ansökningar blir mer enhetligt digitala blir det också lättare att motivera AI-stödda resonemang, eftersom underlaget kan presenteras mer konsekvent.

Regulatoriska sandlådor: där AI kan bli accepterat på riktigt

EU-kommissionen får möjlighet att inrätta regulatoriska sandlådor – kontrollerade miljöer där innovativa terapier kan utvecklas och testas under tillsyn.

Det här är en av de mest AI-relevanta delarna i hela paketet. För AI i läkemedel finns ett återkommande problem: när metoderna är adaptiva (modellen uppdateras) krockar de med regulatoriska behov av stabilitet och reproducerbarhet.

En sandlåda kan ge ett konkret svar på frågan: hur validerar vi en AI-komponent som förändras över tid?

Exempel på vad sandlådor kan användas till

• AI för patientselektion i kliniska studier: visa att modellen minskar screen failures utan att öka bias.
• Digitala biomarkörer: validera AI som tolkar bilddata eller sensordata för att förutsäga respons.
• Adaptiv studiedesign: simulera beslutspunkter och visa robusthet i olika scenarier.

Det här gynnar särskilt svensk och nordisk biotech, där vi ofta har stark data-infrastruktur men behöver tydligare regulatorisk “landningsbana” för att skala.

Läkemedelsbrister: AI kan bli en del av försörjningsberedskapen

Nya krav på bristförebyggande planer och mer EU-gemensam övervakning av kritiska brister är en tydlig markering efter år av störningar i leveranskedjor. EMA ska löpande publicera och uppdatera listor över kritiska brister.

AI här handlar mindre om laboratoriet och mer om drift:

• prognoser för efterfrågan (säsong, epidemitoppar, förändrade riktlinjer)
• riskmodeller för leverantörsberoende och råvaruflaskhalsar
• optimering av lagerstrategier och produktionsplanering

Särskilt i december är det tydligt hur säsongspress (infektioner, vårdtryck) kan slå på lager och substitutioner. Med nya krav på planer blir det svårare att “hoppas” att leveranser löser sig. Du behöver kunna visa att du arbetar systematiskt – och det är ett område där AI kan ge mätbara förbättringar.

Praktisk checklista: vad biotech- och pharma-team bör göra nu

Den politiska processen är inte helt klar, men riktningen är tydlig. Det är läge att agera innan detaljerna blir bindande, för de som förbereder sig tidigt brukar vinna tid i slutet.

Här är en konkret startlista jag rekommenderar:

1. Kartlägg var AI redan används (R&D, klinik, säkerhet, CMC, supply) och dokumentera beslutslogik.
2. Inför “regulatory-ready AI”: versionsstyrning, dataproveniens, bias-tester och modellövervakning.
3. Standardisera datagrunder för kliniska och prekliniska dataset så de går att paketera i digitala format.
4. Förbered argumentationen för “mervärde”: vilka utfall, biomarkörer eller subgrupper visar att ert läkemedel möter ett ouppfyllt behov?
5. Bygg bristförebyggande planer som går att mäta: KPI:er, risktrösklar, triggerpunkter och åtgärdsbibliotek.

Ett bra lackmustest: om en myndighet ber dig förklara hur din AI påverkat ett beslut, ska du kunna visa data, modellversion och beslutslogg på samma eftermiddag.

Vad betyder detta för AI inom läkemedel och bioteknik 2026?

EU:s reform av läkemedelslagstiftningen är i första hand en modernisering av incitament och processer. Men effekten kan bli större än så: den kan flytta branschen från dokumentcentrerade arbetssätt till datacentrerade arbetssätt. Och där är AI som starkast.

För svenska bolag och team är möjligheten tydlig: de som kombinerar regulatorisk disciplin med AI-kompetens kan korta ledtider, minska osäkerhet i utvecklingen och samtidigt bygga mer robusta system för säkerhet och försörjning.

Nästa fråga att ställa internt är inte “ska vi använda AI?”, utan: vilken del av vår kedja blir mest konkurrenskritisk när EU kräver mer digitalt, mer spårbart och mer proaktivt arbete?