Künstliche Intelligenz: ein neues Verordnungsmodell für Arzneimittel

🔍 Artificial Intelligence: A New Pharmaceutical Prescription Model - englische Fassung

Die künstliche Intelligenz (KI), genauer gesagt die großen Sprachmodelle (LLM), hat sich innerhalb weniger Jahre als eine der prägendsten Technologien unserer Zeit durchgesetzt. Während ihre Auswirkungen auf sämtliche Wirtschaftszweige bereits umfassend dokumentiert sind, bleibt ihr Einfluss auf die medizinische Praxis — und insbesondere auf das pharmazeutische Verordnungsmodell — bislang unzureichend analysiert. Genau darum geht es in diesem Beitrag: zu untersuchen, wie die KI ein neues Verordnungsmodell hervorbringt, das leistungsfähiger ist als das herkömmliche, das aber eine grundlegende Souveränitätsfrage aufwirft, die Pharmaunternehmen nicht länger ignorieren können.

Um das Ausmaß dieses Wandels vollständig zu erfassen, gilt es zunächst, die strukturellen Schwächen des Modells zu betrachten, das er ablöst.

Ein physisches Verordnungsmodell im deutlichen Niedergang

Zunächst sei präzisiert, was wir unter dem physischen Verordnungsmodell für Arzneimittel verstehen: die Gesamtheit der Maßnahmen, die darauf abzielen, Ärztinnen und Ärzte über pharmazeutische Präparate mittels physischer Kontakte und Materialien zu informieren, um deren Verordnungshäufigkeit zu erhöhen. Dieses Modell stützt sich auf mehrere Schlüsselfunktionen innerhalb der Pharmaunternehmen:

• Der Außendienst, der Gesundheitsfachkräfte, Krankenhäuser und Apotheken unmittelbar aufsucht

• Die Medical Affairs, die wissenschaftliche und medizinische Informationen individuell oder kollektiv an Gesundheitsfachkräfte weitergeben, insbesondere auf Kongressen, und klinische oder therapeutische Projekte fördern, namentlich in der Forschung

• Das Marketing, das Inhalte erstellt und Kampagnen für das gesamte Ökosystem durchführt

Die Leistungsfähigkeit dieses Modells wird seit Langem infrage gestellt. Beispielhaft belegt eine bereits 2010 veröffentlichte Übersichtsarbeit der wissenschaftlichen Literatur das Fehlen einer systematisch nachgewiesenen Wirksamkeit.

Zudem hat die zunehmende und anhaltende Einschränkung des Zugangs zu Ärztinnen und Ärzten die Wirksamkeit dieses Modells verschlechtert und zugleich seine Kosten erhöht. Die beschleunigte Entwicklung digitaler Werkzeuge hat diesen Trend nicht umgekehrt: Zwar hat sie neue Interaktionskanäle eingeführt, die Wirksamkeit des Modells jedoch nicht wiederhergestellt.

In diesem Kontext schwächt die Ankunft der künstlichen Intelligenz dieses Modell nicht nur — sie macht es obsolet, indem sie ein radikal anderes neues Modell schafft.

Die KI ist bereits das wichtigste Referenzwerkzeug für Ärzte und Patienten

Seit der Einführung von ChatGPT 3.5 am 30. November 2022 hat die Verbreitung dieser Werkzeuge einen beispiellosen Anstieg erlebt, wie Abbildung 1 unten zeigt:

*Abbildung 1: Zeitliche Entwicklung der Zahl der ChatGPT-Nutzer, Quelle: *https://backlinko.com/chatgpt-stats

Anders als bei den Suchmaschinen lässt sich das Ökosystem der generativen KI nicht auf einen dominierenden Akteur reduzieren: Zwar ist ChatGPT das meistgenutzte Werkzeug, doch existiert eine Vielzahl weiterer Lösungen, von denen mehrere eigens für den medizinischen Bereich konzipiert sind.

Die verfügbaren Daten belegen eine bereits erhebliche Durchdringung der medizinischen Praxis durch diese Werkzeuge:

• Eine französische Studie des Healthcare Data Institute aus dem Jahr 2023 zeigt, dass 41,47 % der Ärztinnen und Ärzte in Frankreich KI mindestens einmal pro Monat nutzen

• Eine weitere amerikanische Studie der AMA (American Medical Association) vom 12. März 2026 zeigt, dass mehr als 80 % der amerikanischen Ärztinnen und Ärzte im Jahr 2026 Werkzeuge der künstlichen Intelligenz nutzen — gegenüber 38 % im Jahr 2023

• Und was die Patienten betrifft, gibt OpenAI an, dass von seinen 800 Millionen regelmäßigen Nutzern jeder Vierte (25 %) wöchentlich einen Prompt zum Thema Gesundheit stellt

Über die Nutzung hinaus zeigen erste klinische Studien, dass die Empfehlungen der LLM therapeutische Entscheidungen tatsächlich beeinflussen: Eine 2025 in Nature Medicine veröffentlichte Studie mit 50 amerikanischen Ärztinnen und Ärzten zeigt, dass die Empfehlungen von GPT-4 die Ärzte dazu veranlassten, ihre ursprünglichen klinischen Entscheidungen zu revidieren — mit einer messbaren Verbesserung ihrer diagnostischen Genauigkeit.

Abbildung 2. Die künstliche Intelligenz als wichtigster Influencer und Verordner für Ärzte und Patienten

Bislang war viel vom Einfluss des Dr. Google die Rede, doch Dr. KI ist zum mächtigsten Influencer des gesamten Gesundheitsökosystems geworden. Diese Verschiebung könnte als bloßer Wechsel der Benutzeroberfläche wahrgenommen werden; tatsächlich handelt es sich um eine grundlegend andersartige Veränderung: Während Google sich darauf beschränkt, Webseiten zu indexieren, ohne deren Verlässlichkeit zu bewerten, fassen KI-Werkzeuge Informationen zusammen und gewichten sie, wobei sie validierter wissenschaftlicher Literatur den Vorrang geben. Auf eine medizinische Frage antwortet Dr. KI wie ein Arzt, nicht wie eine Suchmaschine.

Die Verordnungsmacht von Dr. KI hängt unmittelbar von medizinisch-wissenschaftlichen Publikationen mit Longitudinaldaten ab

GEO-Werkzeuge (Generative Engine Optimization), die der Optimierung für generative Engines dienen, ermöglichen es, die wichtigsten Quellen zu identifizieren, die zur Erzeugung der Antworten auf Nutzerfragen beitragen. Es gibt zudem branchenspezifische Werkzeuge für die Pharmaindustrie wie PharmaGEO, entwickelt vom Unternehmen Aikka.

Diese Art von Werkzeug erlaubt es, für jede Engine der künstlichen Intelligenz die wichtigsten medizinisch-wissenschaftlichen Publikationen zu ermitteln, die sämtliche Moleküle und Arzneimittel untersuchen.

Mit anderen Worten: Die wissenschaftliche Gemeinschaft der Ärztinnen und Ärzte, die in Fachzeitschriften publiziert, speist unmittelbar die Engines der künstlichen Intelligenz und damit alle Ärzte und Patienten.

Um einen hochwertigen medizinisch-wissenschaftlichen Artikel zu erstellen, braucht es jedoch Datenkohorten, die umfangreich, strukturiert, homogen, longitudinal und für ein therapeutisches Gebiet spezifisch sind. Und die besten Quellen dieser Daten sind zweifellos die Digital-Health-Anwendungen, die den Patienten über seine gesamte Behandlung hinweg begleiten.

Abbildung 3. Digital-Health-Start-ups sind die besten Quellen für Real-World-Daten für wissenschaftliche Artikel

Die Literatur zeigt nämlich, dass der Wert digitaler Daten vor allem dann anerkannt wird, wenn diese Daten mit einer klar definierten Erkrankung oder Indikation, mit klinischen Endpunkten und mit therapeutischen Entscheidungen verknüpft sind — was typischerweise bei Lösungen der Fall ist, die auf ein therapeutisches Gebiet ausgerichtet sind, und nicht bei allgemeinen Gesundheits- oder Wellness-Anwendungen.

Um Patienten im erforderlichen Umfang zu erreichen, müssen diese Start-ups zwingend von den wichtigsten Akteuren des Gesundheitssystems getragen werden: von Ärztinnen und Ärzten, insbesondere in Krankenhäusern, aber auch von Patientenorganisationen und Apotheken.

Erwähnt sei ebenfalls die neue und besondere Rolle der Tiers-Lieux d'Expérimentation (Experimentierräume), einer jüngeren Initiative der französischen Regierung, die Erprobungen im Krankenhaus gemeinsam mit Digital-Health-Start-ups ermöglichen soll. Heute gibt es 37 davon in Frankreich, und ihre Zukunft ist noch ungewiss, obwohl ihr Nutzen für diese neue Wertschöpfung grundlegend ist.

Der Wert dieser Start-ups und ihrer Daten ist nämlich unmittelbar proportional zu ihrer Verbreitungsfähigkeit: Je größer das Volumen der erhobenen Daten, desto größer ihr wissenschaftlicher und strategischer Nutzen.

Nun beobachtet man mitunter eine Fülle von Start-ups in ein und demselben Fachgebiet oder therapeutischen Gebiet, was die Wahl zwischen den einzelnen Lösungen häufig erschwert. Wir werden nun sehen, dass diese Phase vorübergehend ist: Für jedes therapeutische Gebiet für sich genommen — Kardiologie, Diabetologie, Onkologie und so weiter — lässt sich vorhersagen, dass sich nur eine kleine Zahl von Akteuren durchsetzen wird. Diese Konzentration wird jedoch weder so schnell noch so einheitlich erfolgen wie in anderen digitalen Märkten: die von Land zu Land stark unterschiedliche Regulierung, der Widerstand der Krankenhäuser gegen Abhängigkeit von privaten Akteuren und die natürliche Fragmentierung nach Fachgebieten sind ebenso viele Bremsen, die den Prozess verlangsamen werden. Genau deshalb haben Pharmaunternehmen, die sich positionieren wollen, kein Interesse daran zu warten — und genau deshalb werden die offenen kollaborativen Modelle, die wir in Abschnitt 6 betrachten, die unabdingbare Voraussetzung für den Erfolg dieser Übernahmen sein.

Es zeichnet sich eine paradoxe Lage ab: Digital-Health-Start-ups stehen im Zentrum der neuen Wertschöpfungskette der Verordnung und bleiben dennoch wirtschaftlich fragil. Um zu verstehen, wie sich dieses Paradox auflösen könnte, bietet die Geschichte der ERP-Systeme einen aufschlussreichen Vergleich.

Digital-Health-Start-ups sind die ERP des Gesundheitssystems

Digital Health wird von den großen internationalen Organisationen seit Langem als grundlegender Hebel zur Transformation unserer Gesundheitssysteme anerkannt: Die Weltgesundheitsversammlung hat einstimmig eine Resolution zu Digital Health verabschiedet, und die WHO hat eine globale Strategie definiert, die darauf abzielt, Gesundheitssysteme zu menschenzentrierten und digital gestützten Systemen zu machen.

Gleichwohl tun sich eben diese Start-ups schwer, ein tragfähiges Geschäftsmodell zu finden, das ihnen Wachstum und die Festigung ihres Marktwerts erlaubt.

Heute sind in Frankreich die wichtigsten Geschäftsmodelle für Digital-Health-Start-ups:

• der Direktverkauf an Ärzte, Krankenhäuser und/oder Patienten

• die Kostenerstattung von Telemedizinlösungen durch die Sozialversicherung

• die Kostenerstattung digitaler Therapien durch die Sozialversicherung

Die Erstattung von Telemedizinlösungen und digitalen Therapien in Frankreich, die nach jener in Deutschland eingeführt wurde, schien zeitweise einen Rahmen zu bieten, der das Entstehen von Digital Health ermöglichen würde. Heute zeigt sich, dass dem nicht so ist: Die Erstattung zu erlangen, ist ein langwieriger und komplizierter Prozess und keine Garantie für kommerziellen Erfolg.

Deshalb kann das Aufkommen dieses neuen, durch künstliche Intelligenz getragenen Verordnungsmodells rasch zum eigentlichen Katalysator für die Entwicklung von Digital Health werden.

Die Analogie zu den ERP-Systemen (Enterprise Resource Planning) ist erhellend. Diese Software, die ab Ende der 1990er-Jahre in allen Unternehmen eingeführt wurde, ermöglichte es, für jede Organisation die wichtigen zu erhebenden Daten zu definieren und anschließend ein zentrales Dashboard zu schaffen, das einen Gesamtüberblick über ihre Funktionsweise bot — so konnten Unternehmen ihre Transformation steuern.

Diese Analogie lässt sich nutzen, um besser zu verstehen, wie Digital-Health-Lösungen, indem sie die Daten für jedes therapeutische Gebiet definieren und diese Daten anschließend über alle Bestandteile des Versorgungspfads hinweg erheben, einen Gesamtüberblick auf Basis relevanter und homogener Daten ermöglichen werden.

Wenn der Wert dieser Daten letztlich ebenso grundlegend ist wie jener der ERP-Systeme für Unternehmen, dann kontrolliert derjenige, der diese Start-ups kontrolliert, morgen einen Teil der Verordnungsmacht. Genau das wird ein Wettrennen um Übernahmen auslösen.

Die zunehmende Verknappung von Digital-Health-Start-ups: ein Glücksfall für die Pharmaunternehmen

Die Erfahrung aus digitalen Märkten lässt eine wiederkehrende Dynamik erkennen. In einer ersten Explorationsphase entstehen zahlreiche konkurrierende Lösungen: Nutzer übernehmen in der Regel die erste verfügbare Lösung und zeigen eine gewisse Zurückhaltung, mehrere parallel zu verwenden. Nach und nach vollzieht sich eine Auslese: Die weniger leistungsfähigen Lösungen verschwinden, während jene mit der größten Verbreitung neue Nutzer anziehen, die auf Netzwerkeffekte reagieren. Dieser Prozess beschleunigt die Marktkonzentration hin zu einer oligopolistischen Struktur, in der sich eine kleine Zahl von Akteuren den Großteil des Marktes teilt.

Diese oligopolistische Lage versetzt die Start-ups in eine starke Position: Als Inhaber eines erheblichen Marktanteils können sie den Pharmaunternehmen, die Zugang suchen, für sie günstige Vertragsbedingungen diktieren, was zur Erhöhung ihrer Bewertung beiträgt. Angesichts dieses Kräfteverhältnisses haben die Pharmaunternehmen die Wahl zwischen zwei Strategien, um ihre Partnerschaften abzusichern: die direkte Übernahme oder die Kapitalbeteiligung.

Mehrere Transaktionen veranschaulichen diesen Trend bereits:

• Übernahme von Flatiron Health im Jahr 2018 durch Roche für 1,9 Milliarden Dollar

• Partnerschaft mit und Investition in Aetion durch Sanofi im Jahr 2019

Darüber hinaus würde sich jedes Unternehmen, das eines dieser Start-ups erwirbt, die exklusive Kontrolle über eine seltene und strategische Ressource sichern. In dem Maße, wie die Zahl der Akteure sinkt, wird der Erwerb dieser Plattformen einen echten Glücksfall darstellen: Unternehmen, die den Zugang zu diesen Daten kontrollieren, könnten ihn ihren Wettbewerbern verwehren und sich so einen dauerhaften Wettbewerbsvorteil zulasten derer verschaffen, die ihre Entscheidung aufgeschoben haben.

Abbildung 4. Der Erwerb von Digital-Health-Start-ups stellt für die Pharmaunternehmen einen Glücksfall dar

Diese Übernahmestrategie ist allerdings nicht ohne Risiken: Die Kontrolle eines Start-ups durch ein Pharmaunternehmen erzeugt potenzielle Spannungen mit eben jenem Ökosystem, von dem der Wert dieses Start-ups abhängt.

Die offene kollaborative Architektur: Bedingung für den dauerhaften Erfolg von Übernahmen

Denn die Interessen der Pharmaunternehmen sind möglicherweise nicht vollständig deckungsgleich mit allen Bestandteilen des Ökosystems, die den Wert des Start-ups speisen und die Erzeugung dieser hochwertigen Daten ermöglichen.

Zwischen denjenigen, die das Start-up kontrollieren, und dem umgebenden Ökosystem können echte Spannungen entstehen, die zu Konflikten und zur Ablehnung des Start-ups führen können.

Abbildung 5. Darstellung der möglichen Spannungen zwischen Pharmaunternehmen und Gesundheitsökosystem

Damit eine solche Übernahme von Dauer ist, darf sich das Pharmaunternehmen, das das Start-up kontrolliert, gegenüber dem Ökosystem, das dessen Wert ausmacht, nicht wie ein Raubtier verhalten. Drei Bedingungen sind unerlässlich: erstens eine Governance mit mehreren Akteuren, die die Interessen aller an gemeinsamen Zielen ausrichtet; zweitens ein Modell der Wertteilung, von dem alle Beitragenden profitieren — Ärzte, Krankenhäuser, Patientenorganisationen, Apotheken —, ohne die die Daten nicht erzeugt werden können; drittens die Fähigkeit zu konkreter Erprobung vor Ort, die den Nutzen der Lösungen validiert und echte Wertnachweise erbringt. Diese drei Bedingungen definieren, was man eine offene kollaborative Architektur nennen kann.

Abbildung 6. Es müssen Koalitionen geschaffen werden, die die Interessen der Akteure des Gesundheitsökosystems ausrichten

Die NextGen Coalition, seit 2020 von Digital Pharma Lab mitbegründet und betrieben, ist heute das Referenzmodell für diese Art von Architektur in Frankreich. In fünf Jahren hat sie mehr als 40 Partnereinrichtungen — Krankenhäuser, Pharmaunternehmen, Start-ups und Institutionen — um eine gemeinsame Governance versammelt, mit 3,5 Millionen Euro mobilisierter Mittel und mehr als 35 geförderten Innovationsprojekten, die digitale Versorgungspfade, Telemonitoring und KI-Werkzeuge für Klinikerinnen und Kliniker umfassen, sowie 100.000 Patientinnen und Patienten, die bereits von den in diesem Rahmen erprobten Lösungen profitieren.

Im Apothekenbereich wendet die Coalition IDEO, ebenfalls von Digital Pharma Lab getragen, dasselbe Prinzip auf ein anderes Ökosystem an. Sie versammelt Gesundheitsindustrie, Apothekenverbünde, Großhändler und Digitalexperten um ein gemeinsames Ziel: Apotheken bei der Integration des Digitalen zu begleiten, zu einer Zeit, in der sich der Beruf des Apothekers rasch ausdifferenziert — Impfungen, Screening, therapeutische Begleitung. Jedes Jahr wählt eine gemeinsam mit allen Mitgliedern über sechs Monate kollektiver Arbeit erarbeitete Projektausschreibung die vielversprechendsten Lösungen aus und stellt so sicher, dass die tatsächlichen Bedürfnisse der Apotheken und Patienten im Mittelpunkt stehen. Auf die erste Ausschreibung gingen 42 Bewerbungen ein, von denen 11 der Koalition vorgestellt wurden; 4 Projekte wurden ausgewählt und befinden sich derzeit in der Fertigstellung und Ausrollung.

Diese beiden Beispiele verdeutlichen eine wesentliche Lehre: Der Wert einer Koalition lässt sich nicht per Dekret verordnen, er wird geduldig aufgebaut, durch den Nachweis. Was diese Modelle robust macht, ist gerade, dass sie nicht von einem einzelnen Akteur kontrolliert werden: Sie funktionieren, weil jede beteiligte Partei darin einen realen und messbaren Nutzen findet. Genau dieses Modell werden Pharmaunternehmen, die Digital-Health-Start-ups erwerben, reproduzieren und institutionalisieren müssen — andernfalls zerstören sie eben den Wert, den sie zu erfassen suchen.

Fazit: Die KI wird einen Tugendkreis schaffen, der Digital-Health-Start-ups und echte kollaborative Systeme zum Nutzen aller aufwertet

Die künstliche Intelligenz gestaltet das pharmazeutische Verordnungsmodell von Grund auf neu, indem sie Ärztinnen und Ärzten wie auch Patientinnen und Patienten Antworten bietet, die auf validierter wissenschaftlicher Literatur beruhen. In dieser neuen Konstellation werden die Digital-Health-Start-ups, die Datenkohorten erzeugen, welche umfangreich, strukturiert, homogen, in Echtzeit verfügbar, longitudinal und für ein therapeutisches Gebiet spezifisch sind, die Erstellung wissenschaftlicher Publikationen ermöglichen, die auf einer umfassenden, quantitativen und repräsentativen Sicht des Behandlungspfads beruhen.

Um ihre Souveränität zu sichern und ihren Wettbewerbsvorteil zu festigen, werden die Pharmaunternehmen ein großes Interesse daran haben, diese Start-ups zu erwerben oder zu kontrollieren. Dafür werden sie jedoch echte offene kollaborative Architekturen aufbauen müssen, die in der Lage sind, die Interessen aller Akteure des Ökosystems um diese neue Wertschöpfungskette herum auszurichten — die unabdingbare Voraussetzung für einen dauerhaften Systemwandel zum Nutzen der gesamten Branche.

Literaturverzeichnis

Gagnon, M. A., & Lexchin, J. (2010). Information from pharmaceutical companies and the quality, quantity, and cost of physicians' prescribing: A systematic review. PLOS Medicine, 7(10), e1000352. https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1000352

Romanow, K. (2015, August 18). Crossing the threshold: More than half of physicians restrict access to sales reps. PR Newswire. https://www.prnewswire.com/news-releases/crossing-the-threshold-more-than-half-of-physicians-restrict-access-to-sales-reps-300136525.html

PR Newswire. (2016, July 14). As doctors keep closing doors on pharma reps, do digital communications provide a better solution? PR Newswire. https://www.prnewswire.com/news-releases/as-doctors-keep-closing-doors-on-pharma-reps-do-digital-communications-provide-a-better-solution-300317132.html

Healthcare Data Institute. (2023). Les Français, les professionnels de santé et l'intelligence artificielle. https://healthcaredatainstitute.com/wp-content/uploads/2024/01/etudes-hdi-day-2023_compressed_compressed-1.pdf

American Medical Association. (2026, March 12). More than 80% of physicians use AI professionally: AMA survey. https://www.ama-assn.org/practice-management/digital-health/more-80-physicians-use-ai-professionally-ama-survey

Fierce Healthcare. (2024). 40M people use ChatGPT to answer healthcare questions, OpenAI says. https://www.fiercehealthcare.com/ai-and-machine-learning/40m-people-use-chatgpt-answer-healthcare-questions-openai-says

Semigran, H. L., Linder, J. A., Gidengil, C., & Mehrotra, A. (2017). The effect of Dr Google on doctor–patient encounters in primary care: A quantitative, observational, cross-sectional study. BMC Family Practice. https://pmc.ncbi.nlm.nih.gov/articles/PMC6169945

Staudenmayer, K. L., et al. (2025). Physician clinical decision modification and bias assessment in a randomized controlled trial of AI assistance. Communications Medicine (Nature). https://www.nature.com/articles/s43856-025-00781-2

Wikimedia Foundation. (2024). Optimisation pour les moteurs génératifs. Wikipédia. https://fr.wikipedia.org/wiki/Optimisation_pour_les_moteurs_g%C3%A9n%C3%A9ratifs

Aikka. (o. J.). PharmaGEO. https://www.aikka.ai/

Neves, A. L., et al. (2023). Digital health technology for real-world clinical outcome measurement using patient-generated data: Systematic scoping review. Journal of Medical Internet Research, 25, e46992. https://www.jmir.org/2023/1/e46992/

GNIUS - Espace Numérique de Santé. (2023). Les Tiers-Lieux d'Expérimentation en santé (TLE) - fiche acteur. https://gnius.esante.gouv.fr/fr/acteurs/fiches-acteur/tiers-lieux-dexperimentation-en-sante-tle

GNIUS - Espace Numérique de Santé. (2023). Les Tiers-Lieux d'Expérimentation en santé (TLE) - programmes nationaux. https://gnius.esante.gouv.fr/fr/programmes-nationaux/tiers-lieux-dexperimentation

Sinsky, C., et al. (2018). Digital health and health systems of the future. National Library of Medicine. https://pmc.ncbi.nlm.nih.gov/articles/PMC6203414/

Wikimedia Foundation. (2024). Thérapie numérique ou digitale. Wikipédia. https://fr.wikipedia.org/wiki/Th%C3%A9rapie_num%C3%A9rique

Wikimedia Foundation. (2024). Progiciel de gestion intégré. Wikipédia. https://fr.wikipedia.org/wiki/Progiciel_de_gestion_int%C3%A9gr%C3%A9

Digital Pharma Lab. (o. J.). NextGen Coalition. digitalpharmalab.com/ecosysteme/nextgen-coalition

Digital Pharma Lab. (o. J.). Coalition IDEO - Innovation Officine. digitalpharmalab.com/ecosysteme/coalition-ideo

Wikimedia Foundation. (2024). Grand modèle de langage. Wikipédia. https://fr.wikipedia.org/wiki/Grand_mod%C3%A8le_de_langage