Ihr Medical-Affairs-Team versinkt in einer Flut von Informationen. Veröffentlichungen, Studienergebnisse, Kongressbeiträge, Real-World-Evidence, digitale Diskussionen, MSL-Feldberichte – jeder Kanal liefert immer mehr Daten, und zwar schneller, als ein menschliches Team sie sinnvoll aufbereiten kann. Gleichzeitig sind die Erwartungen an den Bereich Medical Affairs gestiegen: wissenschaftliche Relevanz nachweisen, funktionsübergreifenden Mehrwert demonstrieren – und das mit einer Personalstärke, die selten proportional zur Arbeitslast wächst.
Dies ist der Druck, den KI entlasten soll. Nicht als Modewort und nicht als pauschaler Ersatz für das wissenschaftliche Urteilsvermögen Ihrer Medical Science Liaisons, sondern als in den Arbeitsablauf eingebettete Infrastruktur – als das Element, das Rohdaten in Planung verwandelt, Planung in einen besseren wissenschaftlichen Austausch und wissenschaftlichen Austausch in strukturierte Erkenntnisse, die Ihr Unternehmen tatsächlich nutzen kann.
Dieser Leitfaden richtet sich an Führungskräfte im Bereich Medical Affairs, MSL-Leiter und Verantwortliche für Exzellenz im Außendienst, die versuchen, über Pilotprojekte hinauszukommen. Er behandelt, was KI konkret bei der Einbindung von KOLs und der Arbeit der MSLs verändert, wie ein Tag in einem KI-gestützten medizinischen Außendienstteam tatsächlich aussieht und welche Governance-Modelle skalierbare Programme von riskanten Experimenten unterscheiden.
Beginnen wir mit der ehrlichen Darstellung des Problems. MSLs verbringen einen erheblichen Teil ihrer Arbeitszeit mit administrativen Aufgaben – Vorbereitung vor Besuchen, Dokumentation nach Besuchen, CRM-Eingaben, interne Berichterstattung – anstatt mit dem wissenschaftlichen Austausch, der der eigentliche Grund für die Existenz dieser Rolle ist. Das ist kein moralisches Versagen der Außendienstteams. Es ist eine strukturelle Folge veralteter Tools, die für Vertriebsabläufe konzipiert und anschließend für den Bereich Medical Affairs nachgerüstet wurden.
Das zweite Problem ist die Fragmentierung. Die KOL-Profilierung findet in einem System statt. Die Berichterstattung über Kongresse in einem anderen. Medizinische Erkenntnisse werden in Freitextnotizen festgehalten, die niemand mehr liest. Referentenprogramme werden in Tabellenkalkulationen verwaltet. Wenn die Geschäftsleitung fragt: „Was hört man vor Ort über unsere Phase-3-Daten?“, erfordert die Beantwortung dieser Frage eine Woche manueller Datenzusammenstellung – sofern sie überhaupt beantwortet werden kann.
KI löst keines dieser Probleme von allein. Was KI gut kann, ist die Arbeit der Synthese zu komprimieren: große Mengen unstrukturierter Texte zu lesen, Muster aufzudecken, nächste Schritte vorzuschlagen und Entwürfe für die Überprüfung durch Menschen zu erstellen. Die Frage für Führungskräfte im Bereich Medical Affairs lautet nicht, ob KI eingesetzt werden soll, sondern wo sie eingebettet werden muss, damit Außendienstteams einen Mehrwert erhalten, ohne dass sie ein weiteres eigenständiges Tool einführen müssen.
Einzelne Lösungen – hier ein KOL-Mapping-Dienst, dort ein Tool zur Gewinnung von Erkenntnissen – lassen sich nur schwer skalieren, da sie keine gemeinsame Datenbasis haben. Wenn KI in das CRM integriert ist, das Ihre MSLs bereits nutzen, sieht die Sache ganz anders aus. Jede Interaktion verbessert das Modell. Jedes KOL-Profil wird umfangreicher. Jede Erkenntnis fließt in die Strategie ein.
Die traditionelle KOL-Identifizierung besteht größtenteils aus der Erstellung von Listen: Anzahl der Veröffentlichungen, Status als Studienleiter, Funktionen in Fachgesellschaften, vielleicht die firmeneigene Datenbank eines Beraters. Das Ergebnis ist eine vertretbare Liste und eine Rangfolge nach Stufen. Es entsteht zudem ein statisches, verzögertes Bild des Einflusses, das aufstrebende Experten übersieht, produktive Autoren gegenüber klinisch einflussreichen bevorzugt und fast nichts über die Dynamik der Netzwerke aussagt.
Die KI-gestützte KOL-Identifizierung funktioniert anders. Anstatt eine Rangfolge anhand einer Handvoll gewichteter Eingaben zu erstellen, integrieren die Modelle Veröffentlichungen, die Teilnahme an klinischen Studien, die Mitwirkung an Leitlinien, Führungsrollen in Fachgesellschaften, Überweisungsmuster, Kongressaktivitäten und Signale des digitalen Engagements in ein kontinuierlich aktualisiertes Profil. Das Ergebnis ist keine einzelne Rangzahl – es ist eine mehrdimensionale Sicht auf wissenschaftliche Wirkung, Netzwerkzentralität, Patientenvolumen und digitale Präsenz.
Drei praktische Konsequenzen für Ihr Team:
Sie identifizieren digitale Meinungsführer früher. In sich schnell entwickelnden Therapiebereichen, insbesondere bei seltenen Krankheiten und Zielmolekülen in der Immunologie oder Neurologie im Frühstadium, sind die Kliniker, die die Meinung ihrer Kollegen prägen, nicht immer diejenigen mit den längsten Publikationslisten. KI kann steigenden Einfluss anhand von Konferenzkommentaren, Zitaten durch Kollegen und wissenschaftlichen Online-Diskussionen bereits Monate früher erkennen, als traditionelle Methoden dieselbe Person ins Visier nehmen.
Die Einstufung erfolgt dynamisch statt jährlich. Auf fortlaufenden Daten basierende KOL-Einstufungen werden aktualisiert, sobald sich das Profil eines Klinikers ändert – durch die Teilnahme an einer neuen Studie, eine wegweisende Veröffentlichung oder die Berufung in einen Leitlinienausschuss. Außendienstteams sehen die aktuelle Relevanz und nicht eine Segmentierung, die jemand vor neun Monaten vorgenommen hat.
Die Gebietsabdeckung wird fundiert. Wenn Sie innerhalb von Sekunden die Frage beantworten können: „Wer sind die 20 einflussreichsten Personen für unsere Indikation im Südosten, gewichtet nach klinischer Praxis, Fachkollegen-Netzwerk und jüngsten Aktivitäten?“, können Sie Entscheidungen zur Gebietsabdeckung gegenüber der Unternehmensleitung mit Belegen statt mit Anekdoten begründen.
Der Haken: All dies ist nur dann nützlich, wenn die Ergebnisse in den Planungstools Ihres Außendienstteams integriert sind. Ein KOL-Score in einem Dashboard, das kein MSL öffnet, ist schlimmer als gar kein Score, denn er erzeugt die Illusion einer datengestützten Planung, ohne dass diese der Realität entspricht.
Abstrakte Beschreibungen von „KI-gestützten MSL-Arbeitsabläufen“ gehen am Kern der Sache vorbei. Die entscheidende Frage für die Einführung lautet: Wie sieht ein Dienstag für einen MSL aus, wenn KI in das CRM für Medical Affairs integriert ist?
Hier ist ein zusammengesetztes – fiktives, aber repräsentatives – Bild einer MSL bei einem mittelgroßen Onkologie-Biotech-Unternehmen („NovaBio“, kein echtes Unternehmen), die mit einer KI-gestützten medizinischen Außendienstplattform arbeitet.
7:45 Uhr – Vorbereitung auf den Termin. Die MSL öffnet auf dem Weg zur Arbeit das mobile CRM. Für ihr Treffen um 10 Uhr mit einem Hämatologen und Onkologen hat die Plattform bereits ein Briefing erstellt: aktuelle Veröffentlichungen (zwei neue seit dem letzten Kontakt, beide relevant für das Produkt der MSL), den aktuellen Stand der Teilnehmerrekrutierung für klinische Studien, Zusammenfassungen der letzten drei Kontakte, ausstehende Anfragen nach medizinischen Informationen sowie einen markierten Konferenzvortrag aus der vergangenen Woche, bei dem der KOL eine Frage zur Dosisanpassung gestellt hat. Vorbereitungszeit: sieben Minuten. Ausgangssituation vor der KI-Einführung: über 40 Minuten, verteilt auf drei Systeme.
10:00 Uhr – Das Gespräch. Der wissenschaftliche Austausch verläuft wie immer – MSL und Kliniker, Daten und Urteilsvermögen. Nichts, was mit KI zu tun hat, dringt in das Gespräch selbst ein.
10:45 Uhr – Nachbereitung des Gesprächs. Im Auto diktiert der MSL eine dreiminütige Sprachnotiz, die die Diskussion zusammenfasst. Die Plattform transkribiert den Inhalt, strukturiert ihn, identifiziert zwei konkrete Erkenntnisse (ein Hinweis auf einen ungedeckten Bedarf hinsichtlich der Abfolge der Zweitlinientherapie sowie eine Sicherheitsbeobachtung, die der KOL einem Patienten eines Kollegen zuschrieb) und füllt den CRM-Eintrag vorab aus. Der MSL überprüft den Eintrag, bearbeitet eine Zusammenfassung, genehmigt sie und fährt fort. Verwaltungsaufwand nach dem Gespräch: weniger als vier Minuten.
14:15 Uhr – Weiterleitung. Die Erkenntnis zur Sequenzierung der Zweitlinientherapie wird automatisch gekennzeichnet und an das klinische Entwicklungsteam weitergeleitet, zusammen mit dem Kontext aus drei ähnlichen Erkenntnissen, die von anderen MSLs im vergangenen Monat protokolliert wurden – ein Muster, dessen manuelles Erkennen jemandem ein Quartal gekostet hätte. Sicherheitsrelevante Inhalte werden gemäß SOP in die Pharmakovigilanz-Warteschlange verschoben.
16:30 Uhr – Planung für morgen. Die MSL überprüft ihren Terminplan für den nächsten Tag. Die Plattform schlägt ein virtuelles Gespräch mit einem KOL vor, dessen Engagement-Score gesunken ist, weist auf eine neue Veröffentlichung hin, an der ihr wichtigster Ansprechpartner gerade als Mitautor mitgewirkt hat (mit entworfenen Gesprächspunkten zur Überprüfung), und vermerkt die Einreichungsfrist für ein Kongress-Abstract für einen ihrer Referenten im Vortragsprogramm.
Der Wandel besteht nicht darin, dass eine einzelne Aufgabe dramatisch besser geworden ist. Vielmehr wurden administrative Reibungsverluste reduziert und Planungsintelligenz in Echtzeit an vorderster Front eingesetzt. Multipliziert man dies mit fünfzehn MSLs und dreihundert Interaktionen pro Monat, gewinnt man echte Kapazität zurück – Kapazität, die in die Art von intensiver klinischer Zusammenarbeit umgeleitet werden kann, für deren Bereitstellung Medical Affairs eigentlich da ist.
Die meisten Beiträge über KI im Bereich Medical Affairs behandeln KOL-Mapping, Engagement-Planung und Insights-Management als separate Anwendungsfälle. Das sind sie jedoch nicht. Der Mehrwert vervielfacht sich, wenn sie miteinander verbunden werden.
Stellen Sie sich das als einen Kreislauf vor:
Der Kreis schließt sich nur, wenn die Daten in einem System gespeichert sind. Wenn KOL-Informationen, MSL-Planung, Erfassung von Erkenntnissen und Analysen auf einer gemeinsamen Grundlage basieren, kann der Bereich Medical Affairs Fragen beantworten, die heute noch wirklich schwierig sind: Welche Therapiebereiche werfen vor Ort die innovativsten wissenschaftlichen Fragen auf? Welche Beziehungen zu KOLs korrelieren mit späteren Erwähnungen in Leitlinien oder der Teilnahme an Studien? Welche Erkenntnisse haben tatsächlich zu einer Änderung des Protokolls oder der Strategie geführt – und welche wurden lediglich protokolliert und dann vergessen?
Mit dieser Architektur mit geschlossenem Regelkreis kann der Bereich Medical Affairs der Führungsetage auch über reine Aktivitätszahlen hinaus seine Wirkung nachweisen. Wenn Sie eine aus dem Außendienst stammende Erkenntnis von der ersten Erfassung über die funktionsübergreifende Weiterleitung bis hin zu einer konkreten Entscheidung – einer Protokolländerung, einem Publikationsplan, einer HEOR-Studie – nachverfolgen können, verfügen Sie über die Art von Belegen, die Investitionen rechtfertigen. Aktivitätskennzahlen (Anrufe pro Quartal, KOL-Kontakte) können diese Aufgabe nicht erfüllen. Der Regelkreis hingegen schon.
„Stellen Sie sicher, dass KI konform bleibt“ ist der Satz, der in fast jedem Artikel zu diesem Thema auftaucht und so gut wie nichts erklärt. Folgendes muss tatsächlich gegeben sein, damit KI-gestützte Medical-Affairs-Workflows medizinische, rechtliche und regulatorische Prüfungen bestehen und bei einem Audit standhalten:
Rollenbasierter Zugriff und Datentrennung. KI-Modelle sollten nur mit Daten trainiert werden und nur solche Daten ausgeben, für deren Einsicht der Nutzer berechtigt ist. Werbe- und Nicht-Werbedaten müssen durch eine Firewall getrennt bleiben. MSLs sollten niemals Notizen zu Verkaufsgesprächen einsehen können; Vertriebsteams sollten niemals medizinische Anfragen einsehen können. Dies ist eine architektonische Anforderung, keine zusätzliche Richtlinie.
Prüfpfade für KI-generierte Ergebnisse. Jede von der KI entworfene Zusammenfassung, jeder vorgeschlagene nächste Schritt oder jede weitergeleitete Erkenntnis sollte zusammen mit den Eingabedaten, der Modellversion und dem Schritt der menschlichen Überprüfung protokolliert werden. Wenn ein medizinischer Prüfer fragt: „Warum wurde diese Erkenntnis als Sicherheitssignal eingestuft?“, sollte die Antwort nachvollziehbar sein.
„Human-in-the-Loop“-Ansatz für Inhalte des wissenschaftlichen Austauschs. KI kann KOL-Briefings entwerfen, Interaktionen zusammenfassen und Berichte erstellen. Sie sollte jedoch keine Inhalte eigenständig an externe Parteien senden. Die medizinische Überprüfung von KI-generierten Ergebnissen, die die wissenschaftliche Kommunikation betreffen, ist unverzichtbar – und der Überprüfungsschritt selbst sollte in den Arbeitsablauf integriert sein und nicht nachträglich angehängt werden.
Modelltransparenz für medizinische Prüfer. Ihre Partner aus den Bereichen Medizin, Recht und Regulierung werden fragen, wie das Modell funktioniert, mit welchen Daten es trainiert wurde und wie die Ergebnisse validiert werden. „Es ist KI“ ist keine Antwort. Anbieter, die die Modell-Governance nicht in verständlicher Sprache darlegen können, sollten Sie nicht einsetzen.
Regionale Konfigurierbarkeit. Die Regulierungsrahmen in der EU, im asiatisch-pazifischen Raum (APAC) und in den USA behandeln KI und Daten unterschiedlich. Eine Plattform, die Sie weltweit an einen einzigen Governance-Ansatz bindet, versagt in dem Moment, in dem Sie sie regionenübergreifend einsetzen. Arbeitsabläufe, Überprüfungsanforderungen und der Umgang mit Daten müssen je nach Markt konfigurierbar sein, ohne dass das System aufgeteilt werden muss.
Kontinuierliche Überwachung. Modelle driften ab. Die Leistung verschlechtert sich. Unternehmen, die den KI-Einsatz als einmalige Integration betrachten, müssen dies auf die harte Tour erfahren. Bauen Sie Überprüfungsrhythmen – vierteljährliche Modellleistungsbewertung, jährliches Governance-Audit, kontinuierliche medizinische Überwachung der Ergebnisse – in den Betriebsrhythmus ein, nicht als Projekt.
Die praktische Erkenntnis: Governance ist kein Hindernis für KI im Bereich Medical Affairs. Sie ist die gestalterische Vorgabe, die darüber entscheidet, ob Ihr Programm skalierbar ist. Teams, die dies bereits in der Pilotphase richtig umsetzen, kommen später schneller voran; Teams, die dies als nachträglichen Einfall betrachten, müssen es mühsam nachrüsten oder scheitern bei der Überprüfung.
Wenn sich Ihr Team noch in der Pilotphase befindet, ist die Versuchung groß, dem sichtbarsten Anwendungsfall nachzujagen – in der Regel der Einstufung von KOLs, da dies ein vorführbares Ergebnis liefert. Das ist als Proof of Concept in Ordnung, schafft aber keine Dynamik. Die Anwendungsfälle, die sich summieren, sind diejenigen, die die tägliche Arbeit der MSLs betreffen: Briefings vor Besuchen, die Erfassung von Sprachdaten zu strukturierten Erkenntnissen, automatisierte Weiterleitung. Die Einführung in diesen Bereichen schafft das Daten-Flywheel, das jeden nachgelagerten Anwendungsfall verbessert.
Wählen Sie zwei oder drei Arbeitsabläufe aus. Definieren Sie messbare Erfolgskriterien (Verkürzung der Vorbereitungszeit vor Anrufen, pro Interaktion erfasste Erkenntnisse, Dauer des Zyklus von der Erkenntnis zur Maßnahme). Führen Sie ein Pilotprojekt in einem Therapiebereich oder einer Region durch. Integrieren Sie Governance-Muster bereits in das Pilotprojekt – planen Sie nicht, diese erst später hinzuzufügen. Und wählen Sie eine Infrastruktur, die es KI, CRM, BI und Außendienst-Workflows ermöglicht, auf einer gemeinsamen Grundlage zu arbeiten, anstatt einzelne Punktlösungen miteinander zu verknüpfen.
Erfahren Sie, wie die KI-gestützte Medical-Affairs-Plattform von TikaMobile Intelligenz direkt in die MSL-Workflows integriert → von der Identifizierung von KOLs bis hin zur Berichterstattung über Erkenntnisse.
Was sind die praktischsten KI-Anwendungsfälle für den Bereich Medical Affairs in den nächsten 12–24 Monaten?
Die wirkungsvollsten Anwendungsfälle sind diejenigen, die in den täglichen MSL-Workflow eingebettet sind: KI-generierte Briefings vor Besuchen, die Veröffentlichungen, Studienaktivitäten und frühere Interaktionen zusammenfassen; die Umwandlung von Sprachaufzeichnungen in strukturierte Erkenntnisse, wodurch Verwaltungsaufwand nach dem Besuch entfällt; die automatisierte Weiterleitung von Erkenntnissen aus dem Außendienst an die richtigen funktionsübergreifenden Ansprechpartner; sowie eine dynamische Einstufung von KOLs, die bei Eintreffen neuer Daten aktualisiert wird. KOL-Mapping und die Gewinnung von Erkenntnissen erhalten zwar meist die größte Aufmerksamkeit, doch sind es die in den Arbeitsablauf eingebetteten Anwendungsfälle, die die Akzeptanz vorantreiben – und diese wiederum liefern die Daten, die jede andere KI-Anwendung noch nützlicher machen.
Inwiefern unterscheidet sich die KI-gestützte KOL-Identifizierung vom traditionellen KOL-Mapping?
Bei der traditionellen KOL-Zuordnung werden Ärzte anhand einer statischen, gewichteten Punkteskala eingestuft – in der Regel anhand von Veröffentlichungen, Rollen in klinischen Studien und Positionen in Fachgesellschaften. Die KI-gestützte Identifizierung integriert diese Faktoren mit der Autorenschaft von Leitlinien, Überweisungsmustern, Kongressaktivitäten, Netzwerkzentralität und digitalen Signalen und wird dann kontinuierlich aktualisiert, sobald neue Daten eintreffen. Der praktische Unterschied besteht darin, dass KI aufstrebende Experten und digitale Meinungsführer früher identifiziert, dynamische statt jährlicher Ranglisten erstellt und den Außendienstteams eine fundierte Abdeckungslogik an die Hand gibt, die auf dem aktuellen Einfluss basiert und nicht auf einer Momentaufnahme aus dem Vorjahr.
Wie kann KI MSLs dabei helfen, weniger Zeit mit Verwaltungsaufgaben und mehr Zeit mit wissenschaftlichem Austausch zu verbringen?
KI strafft drei spezifische, verwaltungsintensive Arbeitsabläufe: die Vorbereitung vor dem Besuch (automatische Erstellung von KOL-Briefings, anstatt dass MSLs diese aus mehreren Systemen zusammenstellen müssen), die Dokumentation nach dem Besuch (Transkription und Strukturierung von Sprachnotizen in CRM-fähige Datensätze) sowie die Weiterleitung von Erkenntnissen (Kennzeichnung und Weiterleitung von Beobachtungen aus dem Außendienst an die richtigen Verantwortlichen ohne manuelle Triage). Teams, die diese Funktionen in ihr Medical-Affairs-CRM integrieren, sparen in der Regel pro MSL pro Woche erheblich Zeit ein, die dann für tiefgreifendere klinische Diskussionen und gemeinsame Forschungsarbeiten genutzt werden kann – genau das, wofür die Abteilung Medical Affairs eigentlich da ist.
Was sollte ein Medical-Affairs-CRM mit integrierter KI eigentlich leisten?
Ein KI-fähiges Medical-Affairs-CRM sollte den gesamten Prozess von der Identifizierung von KOLs bis hin zur Berichterstattung über Erkenntnisse in einem System unterstützen. Konkret: dynamische KOL-Profile mit Einflussbewertung aus mehreren Quellen, Erstellung von Briefings vor Besuchen, Sprach-zu-Text-Umwandlung und NLP-basierte Erfassung von Erkenntnissen, automatisierte Klassifizierung und Weiterleitung von Erkenntnissen, Empfehlungen für die „Next-Best-Action“ bei der Außendienstplanung sowie Dashboards, die Außendienstaktivitäten mit strategischen Ergebnissen verknüpfen. Das entscheidende Designprinzip besteht darin, dass KI-Funktionen in die Arbeitsabläufe integriert sind, die Außendienstteams bereits nutzen – und nicht als separates Tool, das MSLs erst öffnen müssen.
Wie stellen wir sicher, dass KI-Empfehlungen den medizinischen/rechtlichen und regionalen Vorschriften entsprechen?
Compliance-konforme KI im Bereich Medical Affairs erfordert sechs konkrete Muster: rollenbasierter Zugriff mit Trennung von werblichen und nicht-werblichen Daten, Prüfpfade für jede KI-generierte Ausgabe, „Human-in-the-Loop“-Überprüfung für alle Inhalte, die den wissenschaftlichen Austausch betreffen, Modelltransparenz, die Ihre medizinischen/rechtlichen Prüfer bewerten können, regionale Konfigurierbarkeit für Unterschiede zwischen EU, APAC und den USA sowie eine kontinuierliche Modellüberwachung, die in den Betriebsrhythmus integriert ist. Anbieter, die die Modell-Governance nicht in verständlicher Sprache darlegen können, sind ein Risikofaktor. Governance ist die Designvorgabe, die darüber entscheidet, ob KI-Programme skalierbar sind.
Wie messen wir den ROI von KI-gestützten Initiativen zur Einbindung von KOLs und zur Steigerung der MSL-Produktivität?
Nützliche Kennzahlen lassen sich in drei Kategorien einteilen. Effizienzkennzahlen – Reduzierung der Vorbereitungszeit vor Anrufen, des Verwaltungsaufwands nach Anrufen sowie der Zeit für die Protokollierung von Erkenntnissen. Abdeckungs- und Qualitätskennzahlen – KOL-Abdeckung im Vergleich zu definierten Zielen, pro Interaktion erfasste Erkenntnisse, Zeit von der Erfassung der Erkenntnisse bis zur funktionsübergreifenden Weiterleitung. Metriken zur strategischen Wirkung – Rückverfolgbarkeit von Erkenntnissen aus dem Außendienst bis hin zu konkreten organisatorischen Entscheidungen wie Protokolländerungen, Publikationsplänen oder Initiativen zur Evidenzgewinnung. reine Aktivitätszahlen (Anrufe pro Quartal, Kontakte pro KOL) reichen nicht aus, um KI-Investitionen zu rechtfertigen. Ausschlaggebend sind vielmehr jene Metriken, die verkürzte Arbeitsablaufzeiten und einen nachweisbaren Einfluss auf die Strategie des Bereichs Medical Affairs belegen.
Welche Daten und Integrationsmaßnahmen sind erforderlich, bevor KI im Bereich Medical Affairs einen Mehrwert liefert?
KI-Modelle sind nur so gut wie die Daten, mit denen sie gefüttert werden. Drei Voraussetzungen sind dabei am wichtigsten: bereinigte Stammdaten von medizinischen Fachkräften mit zuverlässiger Identitätsauflösung systemübergreifend, integrierte Datenflüsse zwischen dem CRM für den Bereich Medical Affairs, dem medizinischen Informationsrepositorium und externen Datenquellen wie Publikationen und Studiendatenbanken sowie ein definiertes Rahmenwerk für die Datenverwaltung, das Datenschutz, Aufbewahrungsfristen und Zugriffsrechte abdeckt. Unternehmen, die versuchen, KI einzusetzen, bevor diese Grundlagen geklärt sind, erzielen in der Regel eine schlechte Modellleistung und eine geringe Akzeptanz. Der Einstieg mit einer Plattform, die KI in ein bereits für Medical-Affairs-Workflows konzipiertes CRM integriert, reduziert den Integrationsaufwand erheblich im Vergleich zum Zusammenfügen einzelner Tools.