AI versnelt en verandert biologische experimenten fundamenteel, maar de huidige veiligheidsregels houden deze ontwikkeling niet bij. Dit creëert een nieuwe verantwoordelijkheid voor ondernemers en R&D-leiders om zelf proactief risico’s te beheren, nog voordat specifieke wetgeving wordt ingevoerd.

Wat er aan de hand is

Volgens een analyse in Fast Company zijn de huidige regels die AI sturen niet specifiek ontworpen voor het gebruik ervan in de biologie. AI-systemen kunnen nu experimenten ontwerpen, voorspellingen doen over moleculaire interacties en onderzoeksprocessen automatiseren op een schaal en snelheid die voorheen onmogelijk was. Deze ontwikkeling vindt plaats in een regelgevend vacuüm; bestaande biovelligheidskaders zijn geschreven voor een tijdperk van handmatig, stap-voor-stap onderzoek, niet voor autonome, door AI aangedreven systemen. Dit signaleert een fundamentele verschuiving: het tempo en de aard van biologisch onderzoek veranderen sneller dan de regels die het moeten beveiligen.

Wat dit betekent

Voor ondernemers en professionals in sectoren zoals farmacie, agrifood, materialenonderzoek en medische technologie betekent dit een directe operationele verantwoordelijkheid. Het risico ligt niet alleen in mogelijke onbedoelde uitkomsten van experimenten, maar ook in het gebrek aan heldere compliance-kaders. Bedrijven die AI in hun biologische R&D inzetten, opereren in een grijs gebied. Dit kan leiden tot reputatierisico’s, aansprakelijkheidsvragen en mogelijke toekomstige nalevingskosten als er plotselinge regelgeving komt. Het betekent dat risicomanagement niet langer alleen over labveiligheid gaat, maar ook over de governance van de algoritmes die het onderzoek sturen.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie en de mate waarin AI al wordt ingezet in je onderzoeksprocessen. Omdat de brondata geen concrete tools of voorgeschreven methoden noemt, zijn de volgende overwegingen logische stappen gebaseerd op het gesignaleerde regelgevingsgat.

Als je AI overweegt voor onderzoek naar nieuwe materialen of ingrediënten… dan is een eerste stap het in kaart brengen van waar AI precies wordt ingezet. Is het voor het screenen van moleculaire databases, het voorspellen van eigenschappen, of het optimaliseren van syntheseprocessen? Documenteer deze toepassingen intern en stel een eenvoudig protocol op voor het reviewen van de AI-voorspellingen door een menselijke expert voordat een experiment fysiek wordt opgezet.

Als je een team leidt in een farmaceutisch of medisch lab… overweeg dan om naast de standaard labveiligheidstraining ook een basiskennis van AI-risico’s op te nemen. Dit hoeft niet technisch diepgaand te zijn, maar kan gaan over het herkennen van wanneer een AI-model mogelijk ‘hallucineert’ of onrealistische voorspellingen doet, en wat de escalatieprocedure is. Integreer een check voor ‘algoritmische bias’ in je onderzoeksdesign-review.

Als je verantwoordelijk bent voor compliance en kwaliteitszorg… dan zou je kunnen anticiperen op toekomstige regels door een intern raamwerk te ontwikkelen voor ‘AI-assured research’. Dit kan bestaan uit principes zoals traceerbaarheid (logging van welke AI-tool welke suggestie deed), menselijk toezicht (geen volledig autonome experimenten zonder tussenkomst), en risicoclassificatie (een hoger niveau van review voor experimenten met mogelijke pathogenen of toxines). Dit interne kader kan dienen als bewijs van due diligence.

De kern is om niet passief te wachten op wetgeving, maar zelf de regie te nemen over hoe AI op een verantwoorde manier wordt ingebed in je biologische onderzoeksprocessen. Begin met documentatie en bewustwording, dat zijn de bouwstenen voor elk toekomstig compliance-systeem.

Bron: Fast Company