Vertrauen aufbauen in einer Life-Sciences-Kultur

Die Herausforderung

Das war eine Organisation, die von Ingenieuren aufgebaut wurde — Maschinen- und Elektrotechnik-Spezialisten, die jede Variable in ihren Experimenten kontrollierten, dem vertrauten, was sie messen konnten, und alles „Heuristische” mit Misstrauen betrachteten.

Aber das Geschäft hatte sich entwickelt. Als sowohl Hersteller als auch ausgelagerter F&E-Partner für Pharma- und Chemiekunden verwalteten sie nun Komplexitätsebenen, die nicht sauber in Spreadsheets passten:

• Duale Vertraulichkeit: Ihr eigenes IP als Maschinenhersteller, plus kundenspezifische Rezepturen und Prozesse für die Auftragsfertigung
• Kompartimentierter Zugang: Strikte Trennung zwischen internem Wissen und kundenspezifischen Geheimnissen
• Regulatorisches Gewicht: EU-GMP-Compliance, FDA-Anforderungen und ein konstanter Strom regulatorischer Änderungen über mehrere Jurisdiktionen
• Wissenskonzentration: Jahrzehnte institutionellen Gedächtnisses — besonders rund um regulatorische Änderungsprozesse und Regulatorenerwartungen — lebten in den Köpfen weniger langjähriger Spezialisten

Das Ergebnis: Regulatorische Änderungsbewertungen dauerten drei Wochen. Manueller Overhead verbrauchte Expertenzeit. Und die Ingenieure, die länderübergreifende regulatorische Nuancen navigieren konnten, näherten sich dem Ruhestand ohne strukturierten Weg, ihr Wissen zu transferieren.

Die Wissenslandschaft

Alle drei Dimensionen waren im Spiel:

• Struktur: Strukturierte Experimentergebnisse, semi-strukturierte Experiment-Setups, unstrukturierte Policy-Dokumente und Regulierungstexte
• Herkunft: Internes IP, kundenkonfidentielle Prozesse (die kompartimentierten Zugang erfordern) und externe regulatorische Frameworks
• Wissenstypen: Deterministische Formulierungen und Ergebnisse, stochastische Prozessoptimierung und — kritisch — Erfahrungswissen darüber, wie Regulatoren sich tatsächlich verhalten, wie lange Reviews dauern und was in verschiedenen Jurisdiktionen Prüfungen auslöst

Der Ansatz

Wir starteten dort, wo Offenheit existierte: das Strategie-Team und eine kleine Gruppe von Champions, die bereit waren zu experimentieren.

Der Fokus:

1. Identifizieren, wo fehlender Wissenstransfer und manuelle Administration am meisten schmerzten
2. Wissensextraktion und Automatisierung mit robusten Human-in-the-Loop-Kontrollen etablieren
3. Schrittweise Agenten-Autonomie erhöhen, während Vertrauen verdient wurde

Die Autonomie-Rampe war bewusst:

• Start: ~90% Human-in-the-Loop-Review (nur triviale Checks ausgenommen)
• Progression: Jede Guardrail, die vom vollständigen HitL entfernt wurde, wurde durch routinemässige Stichproben ersetzt — Halluzinationen und Model Drift fangen, ohne jede Entscheidung zum Engpass zu machen
• Aktueller Stand: ~30% HitL, entwickelt sich weiter, während die Wissensbasen reifen

Die Wirkung

Time to Value: 5-6 Monate bis zu messbarem, konsistentem Impact — bewusst so getaktet, um die Ontologie und Guardrails richtig hinzubekommen.

Die menschliche Geschichte

Das „Not-Invented-Here”-Syndrom war real. Senior-Ingenieure opponierten nicht gegen das Projekt — sie glaubten einfach nicht, dass es funktionieren würde. Ihre Haltung: „Schauen wir mal, wohin das in 6 oder 12 Monaten führt.”

Das Strategie- und Regulatory-Team konnte sie nicht mit Argumenten überzeugen. Sie überzeugten sie mit Ergebnissen. Schnellere Durchlaufzeiten bedeuteten, dass Ingenieure früher bekamen, was sie brauchten. Der Wert wurde unbestreitbar, auch wenn die Methode unvertraut blieb.

Einige Langjährige kamen herum. Andere behielten skeptischen Respekt. Eine Kultur zu überzeugen, die auf Kontrolle und Präzision aufgebaut ist, ist eine langfristige Aufgabe — und das ist in Ordnung. Das System verdient Vertrauen auf die gleiche Weise wie die Ingenieure: indem es richtig liegt, konsequent, über Zeit.