Berliner KI-Startup sci2sci schließt 1,2-Millionen-Runde ab

Wer KI in regulierten Branchen einsetzt, hat ein konkretes Problem: Sprachmodelle liefern plausibel klingende Texte, aber keine verlässlichen Belege. Das Berliner Startup sci2sci will dieses Problem auf Architekturebene lösen. Am 8. September 2026 gab das Unternehmen den Abschluss einer Pre-Seed-Finanzierung über 1,2 Millionen Euro bekannt. Pre-Seed bezeichnet die erste externe Finanzierungsrunde, meist vor dem Markteintritt.

Wer investiert und warum

Die Runde wird von Heliad und IBB Ventures angeführt. Robin Capital und Superangels sind weitere Investoren. IBB Ventures ist der Wagniskapitalarm der Investitionsbank Berlin und steigt häufig früh in Berliner Technologiestartups ein.

Mit dem Kapital will sci2sci sein Engineering-Team vergrößern und die Verbreitung der beiden Produkte VectorCat und Integrity Cortex beschleunigen. Langfristig soll die Technologie auch im Bankensektor eingesetzt werden. Zunächst konzentriert sich das Unternehmen auf die Biopharmaindustrie.

Das Problem: KI-Ausgaben lassen sich nicht prüfen

In der Pharmaindustrie verteilen sich relevante Informationen über viele Systeme. Forschungsdaten, Laborwerte, klinische Studien und regulatorische Dokumente liegen in unterschiedlichen Formaten und Datenbanken vor. Wer eine regulatorische Einreichung erstellt, muss jede Aussage bis zur ursprünglichen Quelle zurückverfolgen können.

Klassische Sprachmodelle fassen Inhalte zusammen, benennen aber nicht immer präzise, woher eine Information stammt. Für regulierte Prozesse reicht das nicht aus. Behörden verlangen nachvollziehbare Belege, keine KI-generierten Zusammenfassungen.

Wie Integrity Cortex funktioniert

Das Kernprodukt von sci2sci heißt Integrity Cortex. Es folgt dem Prinzip "Knowledge as Code". Informationen aus Dokumenten, Unternehmensdaten und KI-Ausgaben werden in einem vernetzten Wissensgraph organisiert.

Jede Aussage muss mit einem wörtlichen Beleg aus der Originalquelle verbunden sein. Schlussfolgerungen müssen aus zuvor definierten Aussagen ableitbar sein. Ein regelbasierter Prüfmechanismus kontrolliert Quellen und Ableitungspfade.

Erfindet das Sprachmodell eine Information, schlägt die Verifikation fehl. Das System kennzeichnet zugleich, welche weiteren Aussagen von der fehlerhaften Information abhängen. Ändert sich ein Quelldokument, lässt sich nachvollziehen, welche nachgelagerten Schlussfolgerungen davon betroffen sind.

Open-Source-Grundlage und externer Beleg

Die technische Basis ist das Framework Parseltongue. sci2sci hat es in diesem Jahr unter der Apache-2.0-Lizenz als Open Source veröffentlicht. Im August 2026 belegte ein Forscherteam mit einem darauf basierenden System den zweiten Platz bei einem Biopharma-KI-Hackathon. Das System überprüfte potenzielle Wirkstoffziele gegen wissenschaftliche Literatur und klinische Studien.

Die Gründerinnen und Gründer

CEO und Mitgründerin Angelina Lesnikova hat in Neurowissenschaften promoviert. Ihr Forschungsschwerpunkt waren molekulare Mechanismen von Gedächtnis und Lernen. Daraus entstand die Grundidee, Unternehmenswissen nicht als statischen Datenspeicher zu behandeln, sondern als aktives Netzwerk miteinander verbundener Informationen.

CTO und Mitgründer Valerii Kremnev verantwortet die technische Umsetzung. Als Senior Advisor stößt Stephanie Bova zum Unternehmen. Sie war zuvor Corporate Vice President und Digital Transformation Officer für Forschung und Entwicklung beim dänischen Pharmaunternehmen Novo Nordisk.

Was das für Gründerinnen und Gründer bedeutet

sci2sci adressiert ein Infrastrukturproblem, das viele Unternehmen in regulierten Branchen kennen. KI-Tools liefern schnelle Ergebnisse, aber keine revisionssicheren Belege. Wer in der Pharmabranche, im Finanzsektor oder in anderen regulierten Bereichen arbeitet, sollte genau prüfen, welche KI-Ausgaben in offizielle Prozesse einfließen dürfen.

Der Ansatz von sci2sci zeigt, dass das Problem nicht allein durch bessere Sprachmodelle gelöst wird. Es braucht eine eigene Verifikationsschicht. Ob sich das Modell am Markt durchsetzt, hängt davon ab, wie schnell erste Pharmaunternehmen die Technologie produktiv einsetzen und welche regulatorischen Anforderungen sich in den nächsten Jahren konkretisieren.

Fazit

sci2sci hat 1,2 Millionen Euro eingesammelt und baut damit eine KI-Infrastruktur auf, die Nachvollziehbarkeit technisch erzwingt statt sie zu versprechen. Für Gründerinnen und Gründer in regulierten Branchen ist das ein Hinweis: Die Frage, ob eine KI-Ausgabe prüfbar ist, wird wichtiger als die Frage, ob sie korrekt klingt.