Mike King, Senior Director, Product & Strategy, IQVIA – Interviewserie

Mike King, Senior Director, Product & Strategy, IQVIA, er en erfaren leder inden for sundheds‑ og life science‑sektoren med mere end to årtiers erfaring, der spænder over produktstrategi, regulatoriske anliggender, kvalitetssikring, drift og forretningsomdannelse. Før han sluttede sig til IQVIA i 2022, havde King seniorlederstillinger hos Dentsply Sirona og GE Healthcare, hvor han havde ansvaret for regulatoriske anliggender på tværs af komplekse internationale markeder, herunder Europa, Rusland, Commonwealth of Independent States (CIS), Israel, Mellemøsten, Afrika og Asien. Tidligere i sin karriere havde han roller inden for kvalitet, regulering, drift og forretning hos Bio‑Rad Laboratories, Stryker og Accenture, hvilket gav ham bred erfaring med at navigere i krydsfeltet mellem sundhedsteknologi, regulatorisk overholdelse og kommerciel strategi.

IQVIA er en global leverandør af kliniske forskningsservices, kommerciel indsigt og sundhedsintelligens til life science‑ og sundhedssektoren. Virksomheden kombinerer store mængder sundhedsdata med avanceret analyse, teknologi, domæneekspertise og sine AI‑kapaciteter på sundhedsniveau for at hjælpe farmaceutiske, bioteknologiske, medicinsk‑udstyrs‑ og andre sundhedsorganisationer med at understøtte lægemiddeludvikling, klinisk forskning, kommercialisering og evidensgenerering. Gennem sin Connected Intelligence‑tilgang sigter IQVIA mod at omdanne komplekse sundhedsdata til handlingsorienteret indsigt, der kan fremskynde innovation og forbedre beslutningstagning på tværs af sundhedsøkosystemet.

Din karriere har taget dig fra konsulentarbejde hos Accenture gennem kvalitetssikring og regulatoriske lederroller hos Stryker, Dentsply Sirona og GE Healthcare, og nu ind i produktstrategi hos IQVIA. Hvordan har den udvikling formet dit syn på de langsigtede teknologibeslutninger, som life science‑virksomheder træffer omkring kunstig intelligens?

Min karriere indtil nu har omfattet konsulentarbejde, fremstilling, kvalitet, globale regulatoriske anliggender og sundhedsteknologi, hvilket har givet mig mulighed for at se teknologibeslutninger fra flere interessenters perspektiver. I hver rolle har jeg erfaret, at de mest succesfulde investeringer er dem, der forbinder drifts‑ og kommerciel præstation med patientresultater. Det gælder især for AI i life science‑sektoren. Selvom effektivitetsgevinster er vigtige, vil den største langsigtede værdi komme fra at bruge AI til at styrke kvalitet, regulatorisk overholdelse, beslutningstagning og i sidste ende leveringen af sikre og effektive sundhedsløsninger på globale markeder.

Du argumenterer for, at AI kan bringe en afslutning på den traditionelle fem‑til‑syv‑års teknologiske udskiftningscyklus. Hvorfor gør tilføjelsen af AI en kvalitets‑ eller regulatorisk platform mere permanent i stedet for at fremskynde dens udskiftning?

Traditionelt udskiftede virksomheder systemer, når bedre funktionalitet blev tilgængelig, og når eksisterende leverandørkontrakter udløb. AI ændrer denne beregning ved at accelerere hastigheden af teknologisk innovation. Værdien er ikke længere begrænset til selve applikationen; den ligger i data, arbejdsprocesser, styring og institutionel viden, der er akkumuleret gennem års brug. I konteksten af Good Practices, eller “GxP”, life science‑applikationer, når organisationer lagrer AI på validerede forretningsprocesser og løbende forbedrer resultater gennem kvalificeret menneskelig faglig overvågning, skaber de en intelligens‑aktiv, der bliver stadig sværere at replikere andre steder. I et sådant miljø er udskiftning af en platform ikke blot en teknologisk beslutning, men en beslutning om at genopbygge årtiers akkumuleret organisatorisk viden.

Hvordan påvirker kvaliteten af en organisations dataarkitektur og workflow‑infrastruktur, om en AI‑implementering leverer meningsfuld værdi eller blot forstærker eksisterende ineffektiviteter?

AI forstærker det miljø, den implementeres i. Hvis data er fragmenterede, processer er inkonsistente, og styringen er svag, vil AI blot automatisere og forværre disse ineffektiviteter. Omvendt kan organisationer med standardiserede arbejdsprocesser, pålidelige data og klar ejerskab og styring bruge AI til at forbedre effektivitet, konsistens, overholdelse og beslutningstagning. Digitalisering og dataklarhed forbliver forudsætninger for vellykket AI‑adoption, mens løbende data‑ og AI‑styring er afgørende for at sikre værdi, overholdelse og tillid længe efter implementeringen.

Hvad er indkøbsparadokset, der opstår, når en organisation træner AI‑systemer på årtiers proprietære kvalitet-, klinik‑ eller regulatoriske data?

Paradokset er, at jo mere succesfuld en organisation bliver med at bruge AI, desto sværere bliver det at forlade den platform, der muliggjorde denne succes. Årtiers kvalitet, regulatoriske og kliniske data kan blive en betydelig konkurrencefordel, når de kombineres med AI, men de kan også øge omkostningerne ved at skifte leverandør. Løsningen er ikke at undgå AI‑drevet værdiskabelse, men at sikre, at dataejerskab, interoperabilitet og portabilitet er indbygget i indkøbsbeslutninger fra starten.

Du antyder, at platformbeslutninger truffet i 2025 eller 2026 kan påvirke teknologistrategier langt ud over 2035. Tager de fleste compliance‑, IT‑ og finansledere højde for dette forlængede engagement?

Regulerede life science‑virksomheder er vant til at foretage langsigtede investeringer. Beslutninger vedrørende Enterprise Resource Planning (ERP), fremstilling, kvalitet, kliniske og regulatoriske systemer har altid krævet flerårige planlægningshorisonter på grund af validering, ændringsstyring og operationel påvirkning. AI kan udvide nogle af disse overvejelser, men mange seniorledere har allerede erfaring med at balancere langsigtet teknologirisiko, regulatoriske forpligtelser og forretningsværdi. Forskellen er, at AI hæver den strategiske betydning af data og styring, snarere end at fundamentalt ændre behovet for langsigtet planlægning.

Hvordan skal life science‑virksomheder skelne mellem “god indlåsning”, hvor akkumulerede data og intelligens skaber en konkurrencefordel, og skadelig indlåsning, der begrænser fleksibilitet, interoperabilitet eller forhandlingsstyrke?

God indlåsning handler ikke om, at man ikke kan forlade en platform, men om, at man ikke ønsker at gøre det, fordi platformen fortsat udvikles, beskytter din proprietære viden og tillader nye AI‑funktioner og agent‑native arbejdsprocesser at blive adopteret, efterhånden som teknologien modnes. Dårlig indlåsning opstår, når innovationspotentialet fra den eksisterende leverandør stagnerer, interoperabiliteten er begrænset, og årtiers akkumuleret viden bliver fanget i et system, der ikke let kan tilpasses eller udskiftes. Målet bør være at bevare ejerskabet over dine data og institutionelle intelligens, samtidig med at du bevarer fleksibiliteten til at udnytte den næste generation af AI.

Efterhånden som mere kapital tildeles AI, forudsigende vedligeholdelse og automatisering, hvilke risici opstår, når organisationer udsætter udskiftning af aldrende kernesystemer?

Den største risiko er, at aldrende platforme bliver flaskehalse for AI‑adoption. Legacy‑systemer indeholder ofte fragmenterede data, manuelle eller stærkt tilpassede arbejdsprocesser og isolerede processer, der begrænser umiddelbare automatiseringsmuligheder. Organisationer kan investere i AI‑piloter, forudsigende analyser og intelligente agenter, kun for at opdage, at deres kerneinfrastruktur ikke kan understøtte en skaleret implementering.

Der er også bredere forretningsrisici. Efterhånden som teknologier ældes, kan leverandørsupporten falde, specialistressourcer blive sværere at finde, og vedligeholdelsesomkostningerne stige. Samtidig vokser afstanden mellem den nuværende tilstand og næste generations AI‑platforme, hvilket gør fremtidige moderniseringsindsatser mere komplekse og dyre. Organisationer kan ende med at investere i at opretholde status quo uden at skabe håndgribelige forbedringer i procespræstation, produktkvalitet, patientresultater, overholdelse eller kommerciel effektivitet. I mange tilfælde skal modernisering og AI‑parathed udvikles side om side frem for som separate initiativer.

Hvilke tekniske og kontraktmæssige beskyttelser bør virksomheder søge for at bevare dataportabilitet, modelportabilitet og adgang til deres institutionelle viden, hvis de senere skifter leverandør?

Organisationer bør fokusere på kontraktmæssige og tekniske beskyttelser, der bevarer ejerskab og tilgængelighed af deres information. Dette omfatter klart definerede data‑eksportfunktioner, åbne integrationsrammer, dokumenterede API’er, datalinjeage, migrationsrettigheder og gennemsigtighed omkring, hvordan proprietære modeller interagerer med virksomhedens information. Institutionel viden kan blive en af en virksomheds mest værdifulde aktiver, og den skal forblive portabel, sikker og kontrolleret.

Hvordan skal regulatorisk validering og ændringsstyringskrav påvirke beslutninger om opgradering, gen‑træning eller udskiftning af AI‑aktiverede systemer i farmaceutiske og medicinsk‑udstyrs‑miljøer?

I GxP‑miljøer ændrer AI ikke ansvarsfordelingen. Kvalitets‑ og regulatoriske fagfolk forbliver ansvarlige for styring, integritet og overholdelse af deres systemer og processer. AI‑aktiverede teknologier skal derfor understøttes af robust styring, risikobaseret validering, dokumenteret ændringsstyring og tilstrækkelig forklarbarhed til at modstå regulatorisk granskning. Kvalificeret, professionel menneskelig ekspertise forbliver en væsentlig styringskomponent i GxP‑AI.

Hvilke udvælgelseskriterier bør life science‑virksomheder prioritere i dag for at sikre, at en AI‑aktiveret platform forbliver sikker, compliant, tilpasningsdygtig og økonomisk levedygtig i det næste årti?

I en æra med GxP‑AI‑løsninger inden for sundhedssektoren bør organisationer vælge en samarbejdspartner frem for blot at købe software. Overholdende funktionalitet er essentiel, men lige så vigtigt er leverandørens evne til at udvikle deres løsning i takt med teknologiske fremskridt, samtidig med at de beskytter en virksomheds data, proprietære viden og regulatoriske forpligtelser. De vindende platforme vil være dem, der kombinerer dyb life science‑ekspertise med fleksibel arkitektur, stærk styring og en klar vej til at adoptere fremtidig AI og agent‑native funktioner uden at forstyrre forretningsdriften, kompromittere global overholdelse, samtidig med at de positivt påvirker patientsikkerheden.

Tak for det fantastiske interview; læsere, der ønsker at lære mere, bør besøge IQVIA.