Anthropic’s neue Claude Science-Arbeitsumgebung startet mit einem bemerkenswerten Infrastrukturpartner: NVIDIA. Nach Angaben von NVIDIA integriert Claude Science jetzt das NVIDIA BioNeMo Agent Toolkit und gibt Forschenden in den Life Sciences damit die Möglichkeit, beschleunigte Werkzeuge für Biologie und Chemie über eine natürliche Sprachschnittstelle aufzurufen, statt Modell-Endpunkte und Softwareumgebungen manuell zusammenzustellen.

Die Ankündigung ist bedeutsam, weil sie eines der schwierigeren Probleme der angewandten KI adressiert: allgemeine Assistenten in domänenfähige Agenten zu verwandeln, die echte wissenschaftliche Workflows ausführen können. In NVIDIAs Darstellung kann Claude Science die Anfrage einer Forscherin oder eines Forschers interpretieren, an spezialisierte Agenten weiterleiten und BioNeMo-verpackte Werkzeuge für Aufgaben wie Genomanalyse, Strukturvorhersage, Molekülgenerierung, Docking und Cheminformatik aufrufen. Anthropic stellt Claude Science als Public Beta bereit, während NVIDIA sagt, dass das Toolkit und seine Fähigkeiten jetzt über Entwicklerressourcen und GitHub verfügbar sind.

Für KI-Entwickler und Enterprise-F&E-Teams geht es bei diesem Schritt weniger um die nächste Chatbot-Integration als um Workflow-Kontrolle. NVIDIA positioniert BioNeMo als die Schicht, die Biologiemodelle für Agenten in der Produktion nutzbar macht – unabhängig davon, ob diese Modelle als gehostete Endpunkte bereitgestellt oder lokal auf Unternehmensinfrastruktur ausgeführt werden.

Was NVIDIA und Anthropic tatsächlich starten

Die zentrale Produktänderung ist die Verbindung zwischen Claude Science und dem NVIDIA BioNeMo Agent Toolkit. NVIDIA beschreibt Claude Science als eine KI-Arbeitsumgebung für die wissenschaftliche Forschung, in der Nutzende in natürlicher Sprache mit Agenten kommunizieren und diese Agenten Arbeiten End-to-End ausführen können. In dieser Umgebung dient das BioNeMo Agent Toolkit als Katalog aufrufbarer wissenschaftlicher Fähigkeiten.

Diese Fähigkeiten bündeln NVIDIA-beschleunigte Funktionen, sodass ein Agent das richtige Werkzeug identifizieren, gültige Eingaben vorbereiten, die Aufgabe ausführen und die Ergebnisse zur Prüfung zurückgeben kann. NVIDIA sagt, dass Forschende so in einer einzigen Oberfläche bleiben können, während die zugrunde liegenden Workloads auf NVIDIA-Compute-Ressourcen laufen, die „überall bereitgestellt“ werden können.

Praktisch gesehen verschafft die Integration Claude Science laut NVIDIA Zugriff auf BioNeMo-Modelle und -Dienste wie Evo 2, Boltz-2 und OpenFold3 sowie auf die NVIDIA-NIM-Mikroservices des Unternehmens. Die Beispiele des Unternehmens umfassen Genomik, Proteomik, Single-Cell-Analyse, Cheminformatik und Workflows der klinischen Forschung.

NVIDIAs Entwicklermaterialien machen deutlich, dass das Unternehmen dies eher als Agenten-Tooling-Schicht denn als reine Modell-Hosting-Geschichte sieht. Das Toolkit umfasst BioNeMo Skills und Model Context Protocol-Wrapper, die dokumentieren, wofür ein Modell gedacht ist, welche Eingaben es benötigt, welche Artefakte es zurückgibt und wie Fehler behandelt werden sollten. Diese Metadaten sind wichtig, weil wissenschaftliche Agenten oft nicht an der reinen Schlussfolgerung scheitern, sondern daran, das falsche Werkzeug zu wählen, ungültige Anfragen zu formatieren oder Ausgaben falsch zu interpretieren.

Warum NVIDIA sich auf Skills und nicht nur auf Modelle konzentriert

Beide NVIDIA-Quellen argumentieren, dass Life-Sciences-Agenten mehr brauchen als den Zugang zu großen Modellen. Ein allgemeiner Agent mag wissen, dass Protein-Faltung oder Docking relevant ist, ihm fehlt aber möglicherweise das prozedurale Wissen, um ein bestimmtes Modell auszuwählen, Eingaben korrekt vorzubereiten und die zurückgegebenen Dateien zu interpretieren. NVIDIA versucht, diese Lücke zu schließen, indem die Schnittstelle zwischen Agenten-Frameworks und domänenspezifischer wissenschaftlicher Software standardisiert wird.

Dieser Ansatz spiegelt einen breiteren Wandel in der Enterprise-KI wider: weg vom „Modellzugang“ hin zur „Workflow-Zuverlässigkeit“. In der Arzneimittelforschung und der rechnergestützten Biologie ist ein fehlgeschlagener Aufruf nicht nur eine Unannehmlichkeit; er kann eine mehrstufige Schleife aus Kandidatengenerierung, Strukturanalyse, Ranking und nachfolgender experimenteller Validierung unterbrechen. NVIDIAs Ansatz ist, dass BioNeMo Skills spezialisierte biomolekulare Fähigkeiten in agentenfähige Werkzeuge verwandeln, statt sie als isolierte Endpunkte zu belassen.

Das Unternehmen betont außerdem die Flexibilität bei der Bereitstellung. NVIDIA sagt, Teams könnten mit gehosteten NIM-Endpunkten für schnellen Zugriff und minimalen Infrastrukturaufwand beginnen und ausgewählte Modelle später lokal bereitstellen, wenn sie geringere Latenz, strengere Kontrolle oder stärkere Datenlokalität benötigen. Diese Unterscheidung ist wichtig für Pharma- und Biotech-Teams, die zunächst breit experimentieren und dann wiederholte Workloads oder sensible Datenpipelines in ihre eigenen Systeme verlagern möchten.

Mit anderen Worten: NVIDIA verkauft nicht nur Beschleunigung. Das Unternehmen verkauft auch eine Kontrollebene dafür, wie KI-Agenten domänenspezifische Werkzeuge entdecken und nutzen.

Den Workflow, den NVIDIA damit ermöglicht

NVIDIAs klarster Anwendungsfall ist eine iterative Schleife zwischen wissenschaftlichem Denken und rechenintensiver Ausführung. Eine Forscherin oder ein Forscher könnte Claude Science bitten, eine Genomsequenz zu analysieren, eine Proteinstruktur vorherzusagen oder einen potenziellen Binder zu entwerfen. Claude Science orchestriert laut NVIDIA dann spezialisierte Agenten, die etablierte Workflows verstehen. BioNeMo ergänzt die Werkzeugdefinitionen und den beschleunigten Modellzugriff, der benötigt wird, um die Schritte tatsächlich auszuführen.

Das Unternehmen nennt ein Onkologie-Beispiel: ausgehend von einer bekannten krebsassoziierten Mutation soll Claude mögliche Inhibitoren entwerfen. In NVIDIAs Darstellung kann Claude Science, gekoppelt mit dem BioNeMo Agent Toolkit und NVIDIA NIM-Mikroservices, die Schritte der Vorhersage, Optimierung und Validierung in diesem Workflow beschleunigen.

NVIDIA hebt auch Basistechnologien hervor, die einen solchen Agenten-Loop speisen könnten. NVIDIA Parabricks wird als Möglichkeit dargestellt, Genomanalysen von Stunden auf Minuten zu verkürzen. RAPIDS-singlecell, das NVIDIA zufolge von scverse entwickelt wurde, soll einen Vorverarbeitungs- und Cluster-Workflow mit 1,3 Millionen Zellen von 52 Minuten auf 25 Sekunden reduzieren. nvMolKit wird als Werkzeug beschrieben, das Cheminformatik-Operationen wie Similarity Search und Konformer-Generierung um bis zu das 3.000-Fache beschleunigt.

Wenn diese Beschleunigungen in produktionsähnlichen Umgebungen Bestand haben, ist die operative Bedeutung klar: Mehr Schritte können in der aktiven Schlussfolgerungsschleife bleiben, statt in Batch-Jobs verschoben zu werden, die Forschende später erneut aufgreifen. Das würde KI-Agenten für explorative Arbeit nützlicher machen, bei der jedes Ergebnis die nächste Frage verändert.

Belege, Benchmarks und was vom Anbieter berichtet wird

Die Belege in dieser Geschichte stammen ausschließlich aus von NVIDIA kontrollierten Quellen, daher sollten die stärksten Produkt- und Leistungsbehauptungen als vom Anbieter berichtet gelten, sofern sie nicht unabhängig verifiziert wurden.

Dazu gehört auch NVIDIAs Adoptionssignal, dass 18 der 20 größten Pharmaunternehmen NVIDIA BioNeMo nutzen. Das Unternehmen nennt in den vorliegenden Belegen keine dieser Organisationen, definiert die Tiefe der Nutzung nicht und unterscheidet nicht zwischen Pilotprojekten und skalierter Einführung. Es ist ein bedeutsamer Indikator für Marktreichweite, sofern korrekt, bleibt aber dennoch NVIDIAs eigene Darstellung.

Auch die Leistungsangaben stammen vom Anbieter. NVIDIA sagt, RAPIDS-singlecell könne einen spezifischen Workflow mit 1,3 Millionen Zellen von 52 Minuten auf 25 Sekunden verkürzen, und nvMolKit könne bestimmte Cheminformatik-Operationen um bis zu das 3.000-Fache beschleunigen. Das sind große Gewinne, aber der Ausgangstext liefert keine vollständige Benchmark-Methodik, keine Hardware-Konfiguration für jeden Fall und keine externe Reproduktion.

Der Entwickler-Blog berichtet außerdem von einem empirischen Benchmark mit Codex CLI und GPT-5.5 fast und behauptet, dass das Hinzufügen von BioNeMo Skills die Token-Effizienz verdoppelte und die Aufgabenerfüllung von 57,1 % auf 100 % erhöhte. Das ist interessant, weil es darauf hindeutet, dass der Nutzen ebenso stark aus strukturierten Werkzeugschnittstellen wie aus der Modellqualität kommt. Dennoch handelt es sich um einen internen Test von NVIDIA, und das Unternehmen liefert in den extrahierten Belegen nicht genug Details, um zu beurteilen, wie breit diese Verbesserung über Aufgaben, Agenten-Setups oder reale Laborumgebungen hinweg ist.

Die konkretere, weniger spekulative Tatsache ist das Signal zur Produktverfügbarkeit: Anthropic’s Claude Science geht in die öffentliche Beta, und NVIDIA sagt, dass das NVIDIA BioNeMo Agent Toolkit und die zugehörigen Skills über GitHub und die NVIDIA-Entwicklerkanäle verfügbar sind.

Was das für Entwickler und Unternehmenskäufer bedeutet

Für KI-Produktteams erinnert der Start daran, dass vertikale Agenten an der Tool-Orchestrierung stehen und fallen. Das Modell, das eine plausible Antwort schreibt, ist nicht zwangsläufig auch das System, das OpenFold3-Eingaben verwalten, einen Aufruf an Evo 2 weiterleiten, Ausgaben parsen und Fehler bei einem Lauf abfangen kann. NVIDIA versucht, diese Orchestrierung frameworkübergreifend wiederverwendbar zu machen, indem das Toolkit „harness-agnostisch“ gestaltet wird. Wenn das in der Praxis funktioniert, sinken die Kosten für den Aufbau von Domänenagenten auf Basis bestehender Forschungssoftware-Stacks.

Für Unternehmenskäufer in Pharma und Biotech ist der Reiz ein anderer. Das Versprechen ist nicht einfach besserer Chat, sondern ein schnellerer Weg zu einem nutzbaren Workflow mit Optionen für den Unternehmenseinsatz. NVIDIA NIM ist hier zentral, weil es Modelle als containerisierte Inferenz-Endpunkte mit vorintegriertem Software-Stack verpackt. Das sollte einen Teil der Betriebsarbeit reduzieren, die für die Bereitstellung von Biologiemodellen aus dem Quellcode erforderlich ist, insbesondere für Teams, die eine stabile API und einen unterstützbaren Runtime-Stack wünschen.

Es gibt auch klare Vorbehalte. Wissenschaftliche Workflows sind empfindlich gegenüber Provenienz, Reproduzierbarkeit und Fehlerbehandlung. NVIDIAs Betonung dokumentierter Eingaben, erwarteter Artefakte und Fehlermodi ist ermutigend, aber Enterprise-Teams müssen dennoch validieren, wie sich Claude Science, BioNeMo und NVIDIA NIM in ihren eigenen Umgebungen verhalten. In den Life Sciences ist eine schnellere Schleife nur dann wertvoll, wenn die Ausgaben interpretierbar, nachvollziehbar und für die nachgelagerte Prüfung geeignet sind.

Ein weiterer Punkt ist der Wettbewerb. Durch diese Integration wird Anthropic’s Claude Science nicht nur als Foundation-Model-Schnittstelle, sondern als Frontend für domänenspezifische Workflows positioniert. Für Modellanbieter und Cloud-Plattformen lautet die Botschaft, dass wissenschaftliche KI zunehmend über Infrastrukturpartnerschaften und Agenten-Tooling gewonnen werden könnte – nicht allein über rohe Modellleistung.

Worauf man als Nächstes achten sollte

Das erste Signal, auf das man achten sollte, ist, ob Anthropic und NVIDIA über die Startbeispiele hinaus zu benannten Forschungsworkflows mit klareren Validierungsdaten übergehen. Wenn Nutzende reproduzierbare Ergebnisse zu Aufgaben mit Evo 2, Boltz-2, OpenFold3 oder NVIDIA Parabricks veröffentlichen, wird die Geschichte deutlich stärker als eine bloße Plattformankündigung.

Zweitens sollte man auf Hinweise zu Bereitstellungsmustern achten. NVIDIAs eigene Anleitung legt nahe, dass Teams mit gehosteten Endpunkten beginnen und wiederholt aufgerufene Workloads lokal verschieben sollten. Ob Unternehmen das mit Claude Science tatsächlich tun, wird zeigen, wie groß die Nachfrage nach hybrider Agenteninfrastruktur in regulierten Forschungsumgebungen ist.

Drittens lohnt sich der Blick auf breitere Framework-Unterstützung und Drittanbieter-Tools. NVIDIA sagt, das Toolkit sei offen und harness-agnostisch. Wenn BioNeMo Skills in weiteren Agenten-Runtimes und nicht nur in Claude Science auftauchen, könnte das Toolkit zu einer wichtigeren Interoperabilitätsschicht werden.

Schließlich sollte man beobachten, ob die Behauptungen des Anbieters zu Adoption und Benchmark-Gewinnen von außen bestätigt werden. Öffentliche Referenzen von Pharma-Nutzern, reproduzierbare Leistungsstudien oder unabhängige Benchmarks würden NVIDIAs Position wesentlich stärken.

Creati.ai-Perspektive

Diese Ankündigung ist vor allem als Infrastruktur-Schritt wichtig, nicht als Modell-Launch. NVIDIA nutzt BioNeMo, um ein praktisches Problem zu lösen, auf das viele KI-Teams nach der Demo-Phase stoßen: Allgemeine Agenten klingen leistungsfähig, aber spezialisierte Arbeit bricht ohne zuverlässige Werkzeugdefinitionen, Bereitstellungsoptionen und Fehlerbehandlung zusammen. Durch die Verbindung von BioNeMo mit Claude Science versucht NVIDIA, Life-Sciences-Agenten vom Verhalten eines „Assistenten“ hin zur operativen Workflow-Ausführung zu bewegen.

Die Chance ist real, aber auch die Lücke zwischen Anbieter-Demos und produktionsreifer Wissenschaft. Die stärksten Geschwindigkeits- und Abschlussbehauptungen hier stammen aus NVIDIAs eigenen Materialien, und das Feld braucht weiterhin unabhängige Beweise dafür, dass diese Systeme robuste Forschungszyklen in Unternehmensmaßstäben unterstützen können. Dennoch ist die Richtung bemerkenswert. In der Enterprise-KI könnte sich der Gewinner-Stack als derjenige erweisen, der domänenspezifische Werkzeuge aufrufbar, beobachtbar und steuerbar macht – und NVIDIA BioNeMo, Anthropic und Claude Science tragen dieses Argument nun direkt an die Life-Sciences-Teams heran.