Anthropic’s neue Claude Science-Arbeitsumgebung startet mit einem bemerkenswerten Infrastrukturpartner: NVIDIA. Laut den Launch-Materialien von NVIDIA und Anthropic integriert Claude Science jetzt das NVIDIA BioNeMo Agent Toolkit und gibt Life-Science-Forschern damit die Möglichkeit, NVIDIA-gestützte Biologiemodelle, Bibliotheken und Inferenzdienste aus einem natürlichen Sprach-Workflow für Forschung heraus aufzurufen.

Die Nachricht ist deshalb wichtig, weil sie KI für Arzneimittelforschung und Computational Biology eher als Orchestrierungsproblem denn nur als Modellproblem neu rahmt. Claude Science ist als Frontend positioniert, in dem Wissenschaftler Aufgaben in natürlicher Sprache beschreiben, während das NVIDIA BioNeMo Agent Toolkit die domänenspezifischen Werkzeuge, Modellzugriffsmuster und Compute-Hooks liefert, die nötig sind, um diese Aufgaben über Genomik-, Proteomik-, Moleküldesign- und verwandte Workflows hinweg auszuführen. Für KI-Entwickler und Enterprise-R&D-Teams ist das eine greifbarere Produktgeschichte als eine weitere eigenständige Modellveröffentlichung: Es geht darum, wie ein Agent Werkzeuge auswählt, Anfragen formatiert, Analysen ausführt und Artefakte in einer wiederholbaren Forschungsschleife zurückgibt.

Was gestartet wurde und wie die Teile zusammenspielen

NVIDIA sagt, dass die Integration BioNeMo-Funktionen innerhalb von Claude Science verfügbar macht, das Anthropic diese Woche als KI-Arbeitsumgebung für wissenschaftliche Forschung vorgestellt hat. In NVIDIAs Beschreibung können Forscher mit Agenten in natürlicher Sprache kommunizieren, und diese Agenten können dann den richtigen spezialisierten Workflow auswählen, gültige Eingaben vorbereiten und den Job gegen NVIDIA-gestützte Rechenressourcen ausführen.

Die ermöglichende Ebene ist das NVIDIA BioNeMo Agent Toolkit. NVIDIA beschreibt es als ein offenes, harness-agnostisches Toolkit, das wissenschaftliche Fähigkeiten in „Skills“ verwandelt, die Agenten aufrufen können. Zu diesen Skills gehören Metadaten über Zweck, erforderliche Eingaben, optionale Parameter und erwartete Ausgaben, sodass ein Agent nicht nur auf einen rohen Endpunkt zeigt, sondern Anweisungen dafür erhält, wie und wann er ihn verwenden soll.

Diese Unterscheidung ist zentral für den Launch. In den Life Sciences lösen viele nützliche Aufgaben kein einzelner allgemeiner Modell-Prompt. Ein Forscher muss möglicherweise einen Agenten Sequence Analysis mit Evo 2 ausführen lassen, Strukturarbeiten mit OpenFold3 durchführen, Moleküle mit Boltz-2 erzeugen oder optimieren oder Genomik-Beschleunigung über NVIDIA Parabricks aufrufen. NVIDIAs Argument lautet, dass Agenten praktischer werden, wenn diese Werkzeuge in konsistente Schnittstellen verpackt und über bereitstellbare Dienste wie NVIDIA NIM zugänglich gemacht werden.

Für Anthropic verschafft die Integration Claude Science einen Weg vom konversationellen Denken in die Ausführung. Für NVIDIA platziert sie BioNeMo in einem höherwertigen Agentenprodukt, statt Forschern zuzumuten, Biologiemodelle und Infrastruktur selbst zusammenzusetzen.

Warum NVIDIA agentenfähige Biologie-Tools betont

Der NVIDIA Developer Blog macht die These des Unternehmens deutlich: Allzweck-Agenten reichen für biomolekulare Forschung nicht aus, weil sie weiterhin Hilfe bei der Auswahl des richtigen wissenschaftlichen Modells, der Formatierung von Eingaben, der Interpretation von Ausgaben und dem Umgang mit Fehlerszenarien benötigen. Mit anderen Worten: Der Engpass ist nicht nur die Qualität des Schlussfolgerns, sondern die operative Zuverlässigkeit bei jedem Tool-Aufruf.

Genau hier positioniert NVIDIA BioNeMo Skills und Model-Context-Protocol-Wrapper. Das Unternehmen sagt, diese Wrapper dokumentierten Modellverhalten und Artefakte, damit ein Agent autonomer ein biomolekulares Tool entdecken und nutzen kann, mit weniger Fehlern. NVIDIA stellt dies als Unterschied zwischen isolierten Modellaufrufen und einer iterativen „AI Scientist“-Schleife dar, die Kandidaten erzeugen, Ergebnisse prüfen, Parameter anpassen und Analysen erneut ausführen kann.

Der Launch betont auch die Flexibilität bei der Bereitstellung. Laut NVIDIA können Teams für schnellen Zugriff und breite Evaluierung mit gehosteten NVIDIA-NIM-Endpunkten beginnen und anschließend ausgewählte Workloads lokal bereitstellen, wenn Latenz, Durchsatz, Datenlokalität oder engere Laufzeitkontrolle wichtiger werden. Das ist für Enterprise-KI-Käufer in Pharma und Biotech relevant, wo dieselbe Organisation für ein Team cloud-gestützte Experimente und für regulierte oder hochvolumige Workflows On-Premises- oder kontrollierte Bereitstellungen möchte.

NVIDIA bündelt damit im Wesentlichen drei Ebenen: Biologiemodelle, beschleunigte Serving-Infrastruktur und agentenorientierte Schnittstellen. Claude Science wird dann zur benutzerseitigen Umgebung, die diese Teile in einer einzigen Arbeitsumgebung zusammenführt.

Welchen Workflow NVIDIA Forschern nahelegt

Die Beispiele des Anbieters verweisen auf ein sehr spezifisches Betriebsmodell für wissenschaftliche Agenten. Ein Wissenschaftler beginnt mit einem Forschungsziel in natürlicher Sprache, etwa der Analyse einer Genomsequenz, der Vorhersage einer Proteinstruktur oder dem Design eines Binders. Claude Science interpretiert die Anfrage und orchestriert die Arbeit über spezialisierte Agenten, während das BioNeMo Agent Toolkit die aufrufbaren Skills bereitstellt, die diese Aufgaben auf konkrete NVIDIA-Fähigkeiten abbilden.

NVIDIA sagt, das Toolkit könne Claude Science mit Workflows verbinden, die Genomik, Proteomik, Single-Cell-Analyse, Cheminformatik und klinische Forschung abdecken. Genannt werden Tools und Modelle wie Evo 2, Boltz-2 und OpenFold3 sowie Beschleunigungsschichten wie RAPIDS-singlecell, nvMolKit und NVIDIA Parabricks.

Der praktische Nutzen liegt hier weniger in einer einmaligen Antwortgenerierung als in der Reduzierung von Einrichtungsreibung. NVIDIA sagt, Forscher, die Claude Science nutzen, müssten Modelle, Endpunkte oder Softwareumgebungen nicht für jeden Schritt manuell konfigurieren. Stattdessen soll der Agent die Modellauswahl und Ausführung übernehmen, während der Wissenschaftler die Ergebnisse prüft und die nächste Frage verfeinert.

Ein Beispiel in NVIDIAs Launch-Material betrifft das Design von Inhibitoren für Krebsziele. In diesem Szenario beginnt ein Forscher mit einer bekannten Mutation und bittet Claude Science, viele potenzielle Inhibitoren vorzuschlagen. NVIDIA sagt, dass die Kombination aus Claude Science, BioNeMo Agent Toolkit und NVIDIA NIM dann die Schritte Vorhersage, Optimierung und Validierung beschleunigen könne. Das Unternehmen liefert für genau diesen Workflow jedoch keine vergleichenden Ergebnisse auf Aufgabenebene; das Beispiel sollte daher als Illustration des vorgesehenen Anwendungsfalls und nicht als quantifizierter Beleg gelesen werden.

Belege, Benchmarks und was vom Anbieter selbst berichtet wird

Da beide Quellen in dieser Geschichte von NVIDIA kontrolliert werden, sind die stärksten Leistungs- und Adoptionsaussagen vom Anbieter berichtet und sollten mit diesem Vorbehalt betrachtet werden.

NVIDIA sagt, dass 18 der 20 führenden Pharmaunternehmen NVIDIA BioNeMo nutzen. Das ist eine bedeutende Marktdurchdringungsbehauptung, aber das Unternehmen nennt diese Kunden nicht, definiert die Tiefe der Nutzung nicht und spezifiziert nicht, ob „nutzen“ Pilotprojekte, produktive Bereitstellungen oder eine breitere Plattformstandardisierung bedeutet.

Das Unternehmen hebt außerdem mehrere Beschleunigungswerte hervor. Es sagt, NVIDIA Parabricks könne Genomanalysen von Stunden auf Minuten reduzieren, RAPIDS-singlecell könne einen Vorverarbeitungs- und Clustering-Workflow mit 1,3 Millionen Zellen von 52 Minuten auf 25 Sekunden verkürzen, und nvMolKit könne einige Cheminformatik-Operationen um bis zu 3.000x beschleunigen. Diese Behauptungen können richtungsweisend sein, um zu verstehen, wo GPU-Beschleunigung relevant wird, bleiben aber dennoch vom Anbieter präsentierte Benchmark-Zahlen mit begrenzten methodischen Details im zitierten Material.

Der direkteste Agenten-Benchmark erscheint im NVIDIA Developer Blog. NVIDIA sagt, dass in empirischen Benchmarks mit Codex CLI und GPT-5.5 fast das Hinzufügen von BioNeMo Skills die Token-Effizienz verdoppelte und die Task-Completion-Raten von 57,1 % auf 100 % steigerte. Das ist ein auffälliges Ergebnis, stammt jedoch aus NVIDIAs eigenem Testaufbau. Der Quellentext liefert weder das vollständige Benchmark-Design noch die Stichprobengröße, den Aufgabensatz oder eine unabhängige Replikation. Für Entwickler ist die Behauptung am besten als Hinweis zu interpretieren, dass Tool-Dokumentation und strukturierte Schnittstellen das Verhalten von Agenten spürbar verbessern können, nicht als feststehenden plattformübergreifenden Standard.

Dennoch ist die zugrunde liegende Produktlogik glaubwürdig, auch wenn die genauen Zahlen Vorsicht erfordern. Agentensysteme performen tendenziell besser, wenn Werkzeuge klar spezifiziert, Fehlermodi dokumentiert und Ausgaben als Artefakte wie FASTA-, SDF-, SMILES- oder CIF-Dateien standardisiert sind.

Was das für KI-Entwickler und Enterprise-R&D-Teams bedeutet

Für Entwickler ist der Launch eine Erinnerung daran, dass domänenspezifische Agenten mehr brauchen als ein Frontier-Modell und einen System-Prompt. Gerade in den Life Sciences hängt erfolgreiche Automatisierung von typisierten Eingaben, Workflow-Beschreibungen, reproduzierbaren Tool-Aufrufen und Infrastruktur ab, die wiederholte Iterationen unterstützt. Das BioNeMo Agent Toolkit ist NVIDIAs Versuch, diese Zutaten für die Biologie zu standardisieren.

Für Enterprise-KI-Teams deutet die Kombination von Claude Science mit BioNeMo auf ein stärker gestuftes Einkaufsmodell hin. Anthropic liefert die konversationelle Arbeitsumgebung und das Agentenerlebnis; NVIDIA liefert den beschleunigten Backend-Stack über NVIDIA BioNeMo, NVIDIA NIM und unterstützende Bibliotheken. Das könnte für Organisationen attraktiv sein, die keine interne „AI Scientist“-Plattform von Grund auf bauen wollen, aber dennoch Zugriff auf spezialisierte biomolekulare Werkzeuge benötigen.

Es verschärft auch den Wettbewerb im Enterprise-AI-Bereich für die Wissenschaft. Eine wachsende Zahl von Anbietern bietet Biologiemodelle, Coding-Agenten oder Laborinformatik-Tools an, aber nur wenige bieten einen schlüssigen Weg von der natürlichen Sprachanfrage zu einem bereitstellbaren wissenschaftlichen Workflow. Wenn Claude Science zu einer bevorzugten Orchestrierungsebene werden kann und NVIDIA die Standard-Beschleunigungsebene bleibt, könnten die beiden Unternehmen prägen, wie KI-Agenten in angewandte Arzneimittelforschungs- und Computational-Biology-Teams gelangen.

Auch die Risiken sind klar. Wissenschaftliche Workflows sind schwerer zu validieren als Coding-Aufgaben, und Modelloutputs brauchen oft Expertenprüfung statt nur automatischem Verkettungsprozess. Zuverlässigkeit, Nachvollziehbarkeit und Bereitstellungskontrolle werden wichtiger sein als Demo-Flüssigkeit. NVIDIAs eigene Materialien deuten dies indirekt an, indem sie Fehlermodi, Artefakte und backend-agnostische Wrapper betonen, statt vollständige Autonomie in der Forschung zu behaupten.

Worauf als Nächstes zu achten ist

Das unmittelbare Signal, das man beobachten sollte, ist die Nutzung von Claude Science während der öffentlichen Beta. Anthropic sagt, Forschende seien eingeladen, Feedback zu zusätzlichen Domänenspezialisten und Integrationen zu geben, was zeigen dürfte, ob Nutzer eine breitere biologische Abdeckung, engere Verbindungen zu Laborsystemen oder mehr Kontrollmöglichkeiten bei der Bereitstellung wünschen.

Ein zweites Signal ist, ob NVIDIA das BioNeMo Agent Toolkit über aktuelle Beispiele wie Evo 2, OpenFold3, Boltz-2, DiffDock, GenMol, ProteinMPNN und MMseqs2-ähnliche Suchworkflows hinaus erweitert. Die Plattform wird verteidigungsfähiger, wenn Teams sich über Strukturvorhersage, Molekülgenerierung, Sequenzdesign und Genomik hinweg auf ein einziges Toolkit verlassen können, statt für jedes Subdomain separate Agenten-Tools zusammenzustellen.

Drittens sollten Enterprise-Käufer nach unabhängigen Belegen Ausschau halten. Kundenfallstudien, reproduzierbare Benchmarks und externe Evaluierungen hätten mehr Gewicht als Leistungsbehauptungen aus einem Launch-Blog. Insbesondere Käufer werden wissen wollen, ob die Aufteilung in gehostete versus lokale NVIDIA-NIM-Bereitstellung in realen regulierten Umgebungen funktioniert und ob die versprochene Agentenzuverlässigkeit im produktiven Einsatz standhält.

Creati.ai-Perspektive

Dieser Launch ist weniger als einzelne Produktintegration wichtig denn als Signal dafür, wohin sich angewandte Enterprise-KI entwickelt. Der erfolgreiche Stack in hochwertigen Vertikalen könnte nicht ein Modell oder eine App sein, sondern ein mehrschichtiges System, in dem eine allgemeine Agentenschnittstelle auf spezialisierten Tools, stark typisierten Workflow-Metadaten und Infrastruktur sitzt, die für wiederholte Ausführung optimiert ist.

Für die Life Sciences ergibt das Sinn. Forschungsteams brauchen nicht nur Antworten; sie brauchen Systeme, die Analysen ausführen, prüfbare Artefakte zurückgeben und sich in bestehende Compute- und Governance-Rahmen einfügen. Claude Science und NVIDIA BioNeMo versuchen, das in ein nutzbares Produkt zu verpacken. Die Chance ist real, aber auch die Nachweispflicht. Bis mehr unabhängige Validierung vorliegt, sollte die Geschichte am besten als strategisch wichtiger Infrastrukturschritt gelesen werden und nicht als endgültiger Beweis dafür, dass autonome KI-Wissenschaftler für routinemäßige produktive Entdeckungsarbeit bereit sind.