Vijay Pande stond lange tijd bekend als academicus. Hij was professor aan Stanford en bouwde projecten zoals Folding@home, waarmee miljoenen pc’s werden ingezet voor ziektedomeinen. Daarna leidde hij jarenlang a16z’s inzet op life sciences en hielp een portefeuille uit te bouwen die op bijna 4 miljard dollar uitkwam.

In juni vorig jaar zette hij een onverwachte stap: hij vertrok en startte samen met investeerder Zach Werner een veel kleiner fonds, VZVC. Het verschil met grote durfkapitaalhuizen is duidelijk: niet tientallen, maar slechts enkele gerichte investeringen per jaar, geen assistenten en veel gebruik van AI in de dagelijkse uitvoering.

Waarom kiezen voor weinig, maar groot?

Pande en zijn partner maken bewust weinig nieuwe beleggingen: ongeveer vijf per jaar in plaats van tientallen. Dat betekent dat elke investering veel aandacht krijgt. Voor hen is een nieuwe deelneming iets als een nieuwe levensfase — serieus en langdurig.

De aanpak werkt anders dan bij grote fondsen die snel in veel ronden springen. Door kleinschaligheid kunnen Pande en Werner handson meewerken aan strategie, product en marktintroductie. Startups willen die betrokkenheid vaak juist omdat technische kennis en lange-termijn begeleiding waardevol zijn voor biotechbedrijven.

VZVC gebruikt bovendien automatisering en AI om taken te stroomlijnen. Pande zegt dat hierdoor traditionele functies, zoals junior-analisten die veel dataverwerking doen, minder nodig zijn.

Wat kan AI echt betekenen voor medicijnen?

Volgens Pande verandert de benadering van biologie: van puur ontdekken naar steeds meer ontwerpen en bouwen. AI helpt op meerdere plekken in dat proces:

• Bij het vinden van juiste doelwitten voor medicijnen (welk eiwit of pad moet een medicijn beïnvloeden).

• Bij het ontwerpen van moleculen of therapieën die die doelwitten precies raken.

• Bij het verbeteren van klinische proeven, die vaak het duurste deel van de ontwikkeling zijn.

De uitkomst is nog niet magisch of direct goedkoop. Klinische proeven kosten nog steeds veel geld en de slagingskans van een middel door alle fasen heen is laag. Maar AI kan nauwkeuriger voorspellen wat in mensen zal werken dan dierproeven dat doen. Diermodellen zoals muizen zijn vaak slecht voorspellend voor mensen; AI kan die kloof kleiner maken.

Pande benadrukt ook de beweging richting zogeheten precisie- of gepersonaliseerde geneeskunde. In plaats van bloedwaarden te vergelijken met bevolkingsgemiddelden, wordt geprobeerd te meten wat normaal is voor het individuele lichaam en op basis daarvan het juiste medicijn te kiezen.

Data: het knelpunt in biomedische AI

Een belangrijk verschil met tekst-AI is dat biologische data niet zomaar van internet te halen zijn. Veel informatie moet in laboratoria of klinieken worden gemeten. Daardoor bouwen veel bedrijven hun eigen afgesloten datasets op. Die datasets zijn waardevol en vaak niet gemakkelijk te delen.

Dat heeft twee gevolgen:

• Bedrijven krijgen een concurrentievoordeel als zij unieke, hoogwaardige data hebben.

• De belofte dat AI iedereen snel betere medicijnen brengt, wordt lastiger als datasets verspreid en afgeschermd blijven.

Toch ziet Pande een beweging naar grotere, gezamenlijke verzamelingen van biologische informatie — vergelijkbaar met basismodellen in AI. Hij verwacht dat modellen met open broncode (open-source (met open broncode)) in de biologie impact kunnen krijgen, net zoals open modellen in taaltoepassingen nu doen.

Waar let Pande op bij oprichters en investeringen?

Pande concentreert zich op twee hoofdgebieden: AI voor de zorgverlening zelf en AI die helpt bij klinische proeven. Bij het kiezen van oprichters kijkt hij vooral naar integriteit en langetermijnoriëntatie. Belangrijke eigenschappen zijn:

• Betrouwbaarheid: doen wat je zegt.

• Langetermijnvisie: denken aan 5–10 jaar.

• Samenwerkingsbereidheid: niet alleen concurreren, maar samen groeien.

Hij geeft ook toe dat hij vroeger soms te veel gefocust was op de technologie en te weinig op de marktintroductie. Nu benadrukt hij dat go-to-market net zo belangrijk kan zijn als de wetenschappelijke doorbraak.

Conclusie

Vijay Pande koos na jaren bij een groot fonds bewust voor een veel kleiner, geconcentreerd model. De kern van die keuze is meer tijd en betrokkenheid per bedrijf, ondersteund door automatisering met AI. In de gezondheidszorg ziet hij grote kansen: AI kan betere voorspellingen en gerichter medicijnontwerp mogelijk maken, en zo klinische proeven verbeteren. Tegelijk blijft data het knelpunt; omdat veel biologische data niet publiek beschikbaar zijn, zal de manier waarop datasets worden gedeeld of opengezet bepalen wie uiteindelijk profiteert van deze nieuwe mogelijkheden.