| Rolle | Data Scientist & KI in Life Science |
|---|---|
| Branche · Fachbereich | IT & Digital in Life Science · Daten, Statistik & KI |
| Stundensatz (Orientierung) | 95–135 € / h netto, ohne Reisekosten |
| Einsatz | Überwiegend remote – Dokumentenarbeit, Reviews und Abstimmungen laufen meist remote; einzelne Termine vor Ort. |
| Regelwerke | EU AI Act · GAMP 5 Appendix D11 · FDA AI/ML Guidance |
| Auch gesucht als | AI Engineer Pharma · Machine Learning GxP · Real World Data |
Aufgaben und Anforderungen im Überblick
Typische Aufgaben
- Prozess- und Qualitätsdaten aus Historian, MES und LIMS für Analysen aufbereiten und zusammenführen
- Vorhersagemodelle für kritische Qualitätsattribute oder Ausbeute entwickeln und validieren
- ML-Lebenszyklus mit Versionierung, Monitoring und Retraining-Regeln GxP-gerecht aufsetzen
- Real-World-Data-Analysen für Evidenzgenerierung, Studiendesign oder Marktzugang durchführen
- Risikobewertung und Validierungsstrategie für KI-Anwendungen mit QA und CSV abstimmen
- KI-Governance aufbauen: Inventar, Risikoklassifizierung nach EU AI Act, Freigabeprozess
- Modelle für Software als Medizinprodukt mit Entwicklungs- und RA-Team dokumentieren
- Generative KI für Dokumentenprozesse (z. B. Entwürfe, Klassifizierung) prüfen und absichern
Was Auftraggeber erwarten
- Studium in Statistik, Informatik, Mathematik, Physik, Bioinformatik oder Naturwissenschaften mit Datenschwerpunkt
- Sicherer Umgang mit Python oder R, SQL und gängigen ML-Bibliotheken; Erfahrung mit MLOps-Werkzeugen
- Projektpraxis mit Daten aus regulierten Umgebungen und Verständnis für Datenintegrität nach ALCOA+
- Kenntnis der Validierungslogik nach GAMP 5 und der aktuellen KI-Regulierung in EU und USA
- Fähigkeit, Modellergebnisse für QA, Produktion, Medizin oder Regulatory verständlich zu erklären
- Deutsch und Englisch; Erfahrung mit Cloud-Datenplattformen von Vorteil
Typische Projektanlässe
- Pilotprojekt mit KI in Produktion oder Qualität soll in den validierten Betrieb überführt werden
- Aufbau einer zentralen Datenplattform für Prozess-, Labor- und Qualitätsdaten
- Einordnung bestehender KI-Anwendungen unter EU AI Act und Aufbau einer Governance
- Real-World-Evidence-Fragestellung für Zulassung, Nutzenbewertung oder Post-Market-Daten
- Medizinprodukt mit ML-Funktion benötigt technische Dokumentation und Leistungsnachweis
- Interne Data-Science-Kapazität fehlt für zeitkritische Analysen, etwa bei Prozessproblemen
Was ein Data Scientist in Life-Science-Projekten leistet
Data Science in Life Science unterscheidet sich von Data Science im E-Commerce weniger in den Methoden als in den Konsequenzen. Ein Modell, das die Ausbeute eines Fermentationsprozesses vorhersagt, eine Abweichungsbewertung unterstützt oder eine Bildauswertung in einem Diagnostikprodukt übernimmt, beeinflusst Produktqualität, Patientensicherheit oder Zulassungsentscheidungen. Entsprechend muss nachvollziehbar sein, mit welchen Daten es trainiert wurde, wie es getestet wurde und wie es sich im Betrieb verhält.
Freelancer werden in drei Konstellationen geholt: als Fachexperten, die eine konkrete Analyse- oder Modellierungsfrage lösen; als Brückenrolle zwischen Data-Science-Team und QA/CSV, wenn ein Pilot in einen GxP-Betrieb überführt werden soll; oder als Governance-Experten, die Richtlinien, Inventar und Freigabeprozesse für KI-Anwendungen aufbauen. Schnittstellen bestehen zu Prozessentwicklung und MSAT, Qualitätssicherung, IT und Datenplattform-Teams, Biostatistik, Medical Affairs und – bei Medizinprodukten – zu Entwicklung und Regulatory Affairs.
Wichtig ist die Abgrenzung zur Biostatistik: Biostatistiker verantworten konfirmatorische Analysen klinischer Studien nach ICH E9 mit festem Analyseplan. Data Scientists arbeiten eher explorativ, prädiktiv und mit heterogenen Daten, müssen ihre Ergebnisse aber ebenso belastbar dokumentieren.
Typische Data-Science-Projekte und Deliverables
Die Projektlandschaft ist breit. Häufige Muster:
- Prozessdaten und Herstellung: Analyse von Chargendaten zur Ursachenfindung bei Ausbeuteschwankungen, multivariate Prozessüberwachung, Soft Sensors, Vorhersage kritischer Qualitätsattribute, Unterstützung der Continued Process Verification.
- Qualität: Trendanalysen über Abweichungen, Reklamationen und CAPA, Textklassifizierung von Beschwerden, Priorisierung von Audit-Trail-Reviews, Mustererkennung in Umgebungsmonitoring-Daten.
- Klinik und Medical: Machbarkeitsanalysen für Studien auf Basis von Real World Data, Patientenselektion, Analyse von Registerdaten, Unterstützung von Nutzendossiers.
- Medizinprodukte: Entwicklung und Leistungsbewertung von ML-Funktionen in Software als Medizinprodukt, Datenmanagement für Trainings- und Testdaten, Beitrag zur technischen Dokumentation.
- Generative KI: Pilotierung von Sprachmodellen für Entwürfe, Zusammenfassungen oder Suche in Dokumentenbeständen – mit klarer Abgrenzung, welche Ergebnisse menschlich geprüft werden müssen.
Typische Deliverables sind Datenanalyse- und Modellberichte, Data-Lineage-Beschreibungen, Feature- und Modellspezifikation, Test- und Leistungsberichte mit Akzeptanzkriterien, Monitoring-Konzepte mit Schwellwerten und Retraining-Regeln, Risikobewertungen sowie Schulungsunterlagen für Anwender. In Governance-Projekten kommen KI-Richtlinie, Anwendungsinventar und Prüfschema für neue Use Cases hinzu.
Woran Projekte häufig scheitern
Selten an der Modellgüte, häufig an Daten und Betrieb: Zeitstempel aus verschiedenen Systemen passen nicht zusammen, Chargenzuordnungen fehlen, Stammdaten sind inkonsistent, die Trainingsdaten sind nach dem Pilot nicht mehr reproduzierbar. Freelancer, die diese Grundlagen früh adressieren und eine reproduzierbare Pipeline aufbauen, liefern den größten Mehrwert.
Regulatorischer Rahmen für KI und Daten in Life Science
Die Regulierung von KI ist in Bewegung. Freelancer müssen den aktuellen Stand kennen und Unsicherheiten offen benennen.
| Regelwerk | Worum es geht | Relevanz im Projekt |
|---|---|---|
| EU AI Act (VO (EU) 2024/1689) | Risikobasierte Regulierung von KI-Systemen, Pflichten für Hochrisiko-KI | Klassifizierung von Use Cases, KI-Kompetenzpflicht, Anforderungen an Hochrisiko-Systeme z. B. in Medizinprodukten |
| GAMP 5 Second Edition, Appendix D11 | Leitlinie für KI und Machine Learning im GxP-Lebenszyklus | Validierungsstrategie, Datenqualität, Modellmonitoring |
| EU-GMP Annex 11 und Entwurf Annex 22 | Computergestützte Systeme; Entwurf eines eigenen Anhangs zu KI | Testdaten, Akzeptanzkriterien, Erklärbarkeit, Betrieb |
| FDA-Leitlinien zu KI | Entwurf zu KI zur Unterstützung regulatorischer Entscheidungen bei Arzneimitteln (2025); Leitlinien für KI-gestützte Medizinprodukte | Glaubwürdigkeitsbewertung von Modellen im Kontext der Verwendung |
| MDR / IVDR, IEC 62304 | Anforderungen an Medizinprodukte und Medizinproduktesoftware | Bei ML in Produkten: Lebenszyklus, Leistungsnachweis, Dokumentation |
| DSGVO | Schutz personenbezogener Daten, besonders Gesundheitsdaten | Rechtsgrundlage, Pseudonymisierung, Datenminimierung bei RWD |
Zum Zeitplan des AI Act: Die Verbote und die Pflicht zur KI-Kompetenz gelten seit Februar 2025, die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck seit August 2025. Mit dem 2026 in Kraft getretenen Digital-Omnibus wurden die Hochrisiko-Pflichten verschoben: für eigenständige Hochrisiko-Systeme nach Anhang III auf Dezember 2027, für KI in regulierten Produkten nach Anhang I – dazu zählen Medizinprodukte – auf August 2028. Annex 22 lag 2025 als Konsultationsentwurf vor; eine verbindliche Fassung war bei Redaktionsschluss noch nicht veröffentlicht. Viele Unternehmen orientieren sich trotzdem bereits daran.
Qualifikation und Erfahrung, die Auftraggeber erwarten
Auftraggeber suchen selten den reinen Methodenspezialisten. Gefragt ist die Kombination aus Datenhandwerk und Domänenverständnis:
- Ausbildung: Master oder Promotion in Statistik, Informatik, Mathematik, Physik, Bioinformatik, Chemie oder Verfahrenstechnik mit quantitativem Schwerpunkt.
- Erfahrung: Meist mehrere Jahre Data-Science-Praxis, davon idealerweise mindestens ein Projekt mit Daten aus Produktion, Labor, Klinik oder Medizinprodukten. Für Governance-Rollen zusätzlich Erfahrung mit QA- oder Compliance-Prozessen.
- Technik: Python oder R, SQL, Versionierung von Code und Daten, Containerisierung, Grundlagen Cloud-Datenplattformen; je nach Projekt Zeitreihenanalyse, Computer Vision oder Sprachmodelle.
- Regulatorik: Verständnis von ALCOA+, Audit Trail, Change Control und risikobasierter Validierung; Kenntnis des AI Act und der relevanten Leitlinien.
- Kommunikation: Ergebnisse für Inspektionen und Fachentscheider verständlich darstellen, inklusive Grenzen des Modells.
Publikationen, Open-Source-Beiträge oder dokumentierte Fallbeispiele (ohne vertrauliche Details) helfen bei der Positionierung mehr als allgemeine Zertifikate.
Stundensatz und Konditionen für Data Scientists in Life Science
Als Orientierung bewegen sich Freelance-Sätze für diese Rolle bei etwa 95 bis 135 Euro netto pro Stunde ohne Reisekosten. Die Spanne dient der Einordnung und ist keine verbindliche Marktgröße.
Höhere Sätze sind realistisch bei nachgewiesener Erfahrung, Modelle in validierte GxP-Umgebungen oder zugelassene Medizinprodukte gebracht zu haben, bei Governance- und AI-Act-Expertise mit Führungsnähe sowie bei seltenen Spezialisierungen wie Bildanalyse für Diagnostik oder Bioprozessmodellierung. Niedriger liegen explorative Analyseaufträge ohne Betriebsverantwortung, lange Laufzeiten mit voller Auslastung und Rollen, in denen vor allem Datenaufbereitung erwartet wird.
Konditionen im Blick behalten: Data-Science-Projekte starten oft als Pilot mit wenigen Monaten Laufzeit und Teilzeitauslastung. Vereinbaren Sie klare Ergebnisse je Phase und klären Sie, wem Code, Modelle und Trainingsdaten gehören. Prüfen Sie Klauseln zu Nutzungsrechten und zur Wiederverwendung eigener Bibliotheken. Reisekosten fallen meist nur für Workshops an und werden häufig separat abgerechnet.
Remote oder vor Ort: Wie Data-Science-Projekte organisiert sind
Die Rolle ist überwiegend remote. Datenanalyse, Modellentwicklung und Dokumentation finden in Cloud- oder Kundenumgebungen statt, auf die über gesicherte Zugänge gearbeitet wird. Vor Ort sind Sie vor allem zu Beginn, um Prozesse und Datenquellen kennenzulernen, und zu Workshops mit Produktion, QA oder Medizin.
Einschränkungen gibt es, wenn Daten den Standort nicht verlassen dürfen, etwa bei Gesundheitsdaten mit strengen Datenschutzauflagen oder bei OT-Daten, die nur im Produktionsnetz verfügbar sind. Dann arbeiten Sie an bereitgestellten Arbeitsplätzen oder virtuellen Umgebungen des Kunden. Für Projekte mit Prozessbezug lohnt sich ein Termin in der Produktion: Wer eine Anlage gesehen hat, versteht Ausreißer in Daten schneller.
Bei Real-World-Data-Projekten sind zusätzlich organisatorische Vorgaben zu beachten: Datennutzungsverträge mit Datenhaltern, Freigaben durch Datenschutzbeauftragte und mitunter Auswertungen in geschützten Analyseumgebungen, aus denen nur aggregierte Ergebnisse exportiert werden dürfen. Planen Sie für diese Abstimmungen ausreichend Zeit ein; sie bestimmen oft stärker über den Projektverlauf als die eigentliche Analyse. Ein früher Datenzugriffsplan mit Verantwortlichen und Freigabeschritten verhindert Leerlauf in den ersten Projektwochen.
Vertragsmodelle für KI- und Data-Science-Projekte
Folgende Modelle sind üblich:
- Direktvertrag als Freiberufler: Verbreitet bei Mittelständlern und Biotech-Unternehmen, die gezielt Know-how für ein Vorhaben einkaufen. Gut geeignet für klar abgegrenzte Analyse- oder Governance-Pakete.
- Über Personaldienstleister oder Beratungshäuser: Häufig bei Konzernen mit zentralem Einkauf oder wenn Sie Teil eines größeren Plattformteams werden.
- Eigene GmbH: Sinnvoll, wenn Sie Werkverträge mit definierten Ergebnissen übernehmen, etwa die Entwicklung eines Modells mit Abnahmekriterien, und Haftung begrenzen wollen.
- Arbeitnehmerüberlassung: Selten, kommt aber vor, wenn Sie vollständig in ein internes Data-Science-Team integriert werden; dann gelten die Regeln des AÜG.
Bei Werkverträgen über Modelle sind Abnahmekriterien heikel: Modellgüte hängt von Datenqualität ab, die Sie nicht vollständig kontrollieren. Formulieren Sie Annahmen zur Datenbasis ausdrücklich. Achten Sie außerdem auf Regelungen zu Urheber- und Nutzungsrechten. Dies ist eine allgemeine Information, keine Rechtsberatung.
Abgrenzung zu verwandten Rollen und Einstieg
Data Scientists in Life Science überschneiden sich mit dem Biostatistiker (konfirmatorische Studienanalyse), dem Statistical Programmer (CDISC-Datensätze und Auswertungen), dem CSV Engineer (Validierung) und dem Software-Entwickler nach IEC 62304 (Produktsoftware). Die eigene Positionierung sollte klar machen, wo Ihr Schwerpunkt liegt: Prozessdaten, klinische und Real-World-Daten, Produkt-KI oder Governance.
Der Einstieg gelingt Data Scientists aus anderen Branchen am besten über Projekte mit Prozess- oder Qualitätsdaten, weil dort Methodenwissen direkt nutzbar ist. Investieren Sie früh in die Grundlagen von GMP, Datenintegrität und Validierung – das ist das Vokabular, mit dem QA und Inspektoren Ihre Arbeit bewerten.
Projektbeispiele für Data Science / KI
Anonymisierte Projektanfragen, wie sie für diese Rolle und verwandte Profile regelmäßig vorkommen.
Häufige Fragen
Muss ein ML-Modell in der Pharmaproduktion validiert werden?
Wenn das Modell GxP-relevante Entscheidungen beeinflusst, etwa Chargenbewertung, Prozesssteuerung oder Qualitätsprüfung, ist eine risikobasierte Validierung erforderlich. GAMP 5 Second Edition gibt mit Appendix D11 Orientierung. Für rein explorative Analysen ohne direkten Einfluss auf Produktqualität reicht meist eine dokumentierte, reproduzierbare Vorgehensweise. Die Einstufung sollte mit QA abgestimmt werden.
Ab wann gelten die Hochrisiko-Pflichten des EU AI Act für Medizinprodukte?
Nach dem 2026 in Kraft getretenen Digital-Omnibus gelten die Hochrisiko-Pflichten für KI in Produkten, die unter Harmonisierungsrecht wie die MDR fallen, ab August 2028. Für eigenständige Hochrisiko-Systeme nach Anhang III gilt Dezember 2027. Verbote und KI-Kompetenzpflicht gelten bereits seit Februar 2025. Prüfen Sie den Stand vor Projektbeginn, da Leitlinien noch folgen.
Was ist der Unterschied zwischen Data Scientist und Biostatistiker?
Biostatistiker planen und verantworten die konfirmatorische Auswertung klinischer Studien nach ICH E9 mit festgelegtem Analyseplan. Data Scientists arbeiten häufiger prädiktiv und explorativ, mit heterogenen Daten aus Produktion, Qualität oder Real-World-Quellen, und bringen Modelle in den Betrieb. Überschneidungen gibt es bei Real-World-Evidence und Studienmachbarkeit.
Kann ich als Data Scientist ohne Pharma-Erfahrung einsteigen?
Ja, vor allem in Projekten mit Prozess-, Labor- oder Qualitätsdaten, wo Methodenwissen unmittelbar gebraucht wird. Rechnen Sie damit, sich in GMP, Datenintegrität nach ALCOA+ und Validierung einarbeiten zu müssen. Ein erstes Projekt im Team mit erfahrenen QA- oder CSV-Kollegen ist ein guter Weg, das regulatorische Vokabular in der Praxis zu lernen.
Arbeiten Data Scientists in Life Science vollständig remote?
Überwiegend ja. Analyse und Modellentwicklung laufen in Kunden- oder Cloud-Umgebungen. Vor Ort sind Sie meist zu Projektbeginn und für Workshops. Ausnahmen entstehen, wenn Daten aus Datenschutz- oder Sicherheitsgründen das Unternehmen nicht verlassen dürfen; dann arbeiten Sie an bereitgestellten Arbeitsplätzen oder in abgeschotteten Umgebungen des Kunden.
Welcher Stundensatz ist für KI-Experten in Life Science realistisch?
Als Orientierung gelten etwa 95 bis 135 Euro netto pro Stunde ohne Reisekosten. Höhere Sätze sind bei nachgewiesener Erfahrung mit validierten Modellen, Medizinprodukte-KI oder AI-Act-Governance möglich. Explorative Analysen, reine Datenaufbereitung und lange Vollzeitprojekte liegen eher am unteren Ende. Klären Sie Nutzungsrechte an Code und Modellen vertraglich.
Allgemeine Information, keine Rechts- oder Steuerberatung. Stundensätze sind Orientierungsspannen, kein Honorarspiegel. Stand: 10/2026.