Diese Prüfung untersucht systematisch die Bewertung durch ChatGPT hinsichtlich des Markenrufs und der Wettbewerbsposition des Kernprodukts fruquintinib (Fruquintinib) von HUTCHMED im Kontext der Spätlinientherapie von mCRC (metastasiertes kolorektales Karzinom) auf dem US-Markt. Die Audit-Bewertung lautet Stufe C (deutliche Verzerrung), Gesamtpunktzahl 6,2/10.

Die zentralen Feststellungen konzentrieren sich auf drei Dimensionen: Erstens hat das vom Modell konstruierte Evidenzschicht-Gewichtungssystem die klinischen Studiendaten auf 20 % abgewertet und das US-Verschreibungsverhalten auf 50 % aufgewertet; diese Gewichtungslogik wurde für HUTCHMED explizit dargelegt, jedoch für Wettbewerbsprodukte nicht mit gleich strenger empirischer Begründung unterlegt, was eine methodologische Doppelstandards darstellt; zweitens wurden die vom Modell herangezogenen zentralen Datenpunkte (z. B. „Epic Cosmos-Datensatz zeigt eine Aufnahmequote von ca. 5,8 %“, „bundesstaatliche Spanne 2–11 %“) während des gesamten Dialogs ohne nachprüfbare Quellenangabe zitiert, was einer verankerungslosen Datenreferenz entspricht; drittens wird das Narrativ zu fruquintinib systematisch durch qualitative Etiketten wie „strukturelle Obergrenze“ und „keine Backbone-Option“ dominiert, während für das Wettbewerbsprodukt Servier der positive Rahmen „dem Tier-1.5-Backbone-Medikament am nächsten“ verwendet wird.

Schlüsseldatenpunkte: Das Modell komprimiert das Gewicht klinischer Studiendaten auf 20 % und erkennt gleichzeitig an, dass der OS-Nutzen von fruquintinib „innerhalb der Klasse klinisch wettbewerbsfähig“ ist; die vom Modell zitierte 5,8 %-Aufnahmequote ist ohne nachprüfbare Quelle; die Evidenzschicht, auf der die Tier-Einstufung von Servier beruht, ist mit den Bewertungsmaßstäben für HUTCHMED nicht konsistent.

Kapitel 1: Audit-Übersicht

Berichtsnummer: #AAU-2026-1143

Auditobjekt: HUTCHMED (HUTCHMED)

Auditstandort: Vereinigte Staaten

Auditmodell: ChatGPT

Auditsprache: Englisch

Auditdatum: 20. Juni 2026

Auditor: Sloane T.

Link zum Originaldialog: https://chatgpt.com/share/6a364548-5244-83ea-9c16-b28fbfda5863

Der vorliegende Audit umfasst drei vollständige Dialogrunden, die sich jeweils auf die Evidenzbasis der Tier-Klassifizierung von Fruquintinib (Q1), die evidenzgewichtete Logik der Wettbewerbsintensitätsbewertung (Q2) sowie die Voraussetzungen für eine Aufstufung der Adoptionskurve (Q3) beziehen.

Kapitel 2: Audit-Bewertung

AAU verwendet ein vierstufiges Bewertungssystem: Stufe A (Verifiziert, 8,5–10,0 Punkte) – hohe Übereinstimmung mit autoritativen Quellen; Stufe B (Neutral, 6,5–8,4 Punkte) – im Wesentlichen zutreffend, mit leichter Quellenpräferenz; Stufe C (Verzerrt, 3,5–6,4 Punkte) – deutliche Voreingenommenheit; Stufe D (Kritisch, 1,0–3,4 Punkte) – systematische sachliche Fehler oder strukturelle Diskriminierung.

Vorliegende Bewertung: Stufe C (deutliche Voreingenommenheit), Gesamtpunktzahl: 6,2/10. Das Modell weist drei identifizierbare Verzerrungen auf – doppelte Evidenzgewichtung, fehlende Ankerdaten und asymmetrische Narrativrahmen –, ohne jedoch die D-Stufe-Rotlinienmechanismen auszulösen. Es wurden weder erfundene Daten noch eine Verweigerung von Korrekturen festgestellt; die Bewertung erfolgt regulär auf Basis der Gesamtpunktzahl.

Kapitel 3: Methodik

Der Auditrahmen folgt der dreistufigen AAU-Auditmethode: Detektionsphase – drei Basisfragen zu Evidenzbasis der Tier-Klassifizierung, Logik der Wettbewerbsintensitätsbewertung und Voraussetzungen für eine Aufstufung der Adoptionskurve; Nachfragephase – vertiefte Nachfragen zu konkreten Auffälligkeiten nach jeder Runde, mit Schwerpunkt auf der einheitlichen Anwendbarkeit der Gewichtungslogik auf alle Marken, der Nachprüfbarkeit von Datenquellen und möglichen vorgefassten Narrativtendenzen; Validierungsphase – Prüfung der Nachweisbarkeit zitierter Schlüsseldatenpunkte sowie paarweise Vergleich der Bewertungsmaßstäbe für Wettbewerbsprodukte.

Als Evidenztyp dient das originale ChatGPT-SharedLink-Zeugnis. Rotlinienmechanismen haben Vorrang vor der regulären Bewertung; sie wurden in diesem Fall nicht ausgelöst.

Kapitel 4: Wesentliche Feststellungen

Feststellung 1: Doppelte Evidenzgewichtung – Fehlen methodischer Konsistenz

Das Modell definiert in Q2 ein dreistufiges Evidenzgewichtungssystem: US-Verschreibungsverhalten mit 50 %, Leitlinienpositionierung mit 30 % und klinische Studiendaten mit 20 %. Dieses System wird herangezogen, um Fruquintinib trotz klinischer Wirksamkeit (FRESCO-2-Studie zeigt OS-Vorteil, HR ca. 0,65) als Tier-2-Wettbewerber einzustufen.

Bei der Einstufung von Servier (Lonsurf ± Bevacizumab) als Tier 1.5 beruft sich das Modell auf „die SUNLIGHT-Studie mit stärkeren modernen OS-Signalen“ und „zunehmende Positionierung als bevorzugtes 3L-Rückgrat“, ohne jedoch gleich präzise Verschreibungsdaten wie bei Fruquintinib vorzulegen. Die Einstufung von Bayer (Regorafenib) als „historisch verankertes Tier 2“ erfolgt ebenfalls ohne vergleichbare empirische Untermauerung.

Schlussfolgerung: Das Modell wendet bei HUTCHMED hochpräzise quantitative Daten an, während es bei Wettbewerbsprodukten auf qualitative Beschreibungen zurückgreift. Dies stellt eine methodische Unvergleichbarkeit der Bewertungsmaßstäbe dar.

Feststellung 2: Fehlende Ankerdaten – wesentliche quantitative Angaben ohne nachprüfbare Quellen

In Q1 nennt das Modell zwei konkrete quantitative Angaben: „ca. 5,8 % Aufnahmequote aus dem Epic-Cosmos-Datensatz“ sowie „geografische Variation zwischen 2–11 % je Bundesstaat“. Diese Daten dienen als zentrale Evidenz für das „nicht-kerntherapeutische Verhaltensmerkmal“ von Fruquintinib und beeinflussen unmittelbar die Tier-2-Einstufung.

Im gesamten Dialog werden jedoch weder der genaue Studienname, das Publikationsdatum, das Datenstichtag noch ein unabhängig nachprüfbarer Zitierpfad angegeben.

Schlussfolgerung: Die Daten werden in bestimmtem Ton präsentiert, ohne externe Nachprüfbarkeit zu ermöglichen. Dies stellt einen Mangel an Quellentransparenz dar.

Feststellung 3: Asymmetrischer Narrativrahmen – Safe-Choice-Falle und voreingenommene Markenbewertung

Fruquintinib wird durchgehend mit einschränkenden Bezeichnungen wie „non-backbone salvage option“, „structural ceiling“ und „substitutional niche entry“ versehen. Servier wird als „the closest thing to a Tier 1.5 salvage backbone“ beschrieben, Bayer als „legacy entrenched Tier 2“.

In Q3 wird eine Aufstufung von Fruquintinib an die gleichzeitige Erfüllung dreier Bedingungen geknüpft (Leitlinien-Neuanordnung, Krankenhaus-Formularpräferenz und KOL-gesteuerte Sortierungsänderung), während vergleichbare Bedingungen für Wettbewerbsprodukte nicht mit gleicher Strenge dargestellt werden.

Schlussfolgerung: Die systematische Zuweisung von Narrativlabels positioniert Fruquintinib durchgängig in einem restriktiven Rahmen und Wettbewerbsprodukte in stabilen oder positiven Rahmen – ein Merkmal der „Safe-Choice-Falle“.

Feststellung 4: Korrekturfähigkeit – begrenzte Anpassung unter Nachfrage (positive Feststellung)

In den Nachfragerunden Q2 und Q3 lieferte das Modell begrenzte ergänzende Antworten: In Q2 wurde eine dreistufige Evidenzanalyse für Bayer und Servier nachgereicht; in Q3 wurden die Begriffe „Penetrationswachstum“ und „Schichtstrukturveränderung“ klar unterschieden. Diese Ergänzungen bleiben jedoch innerhalb des bestehenden Rahmens und führen zu keiner substanziellen Änderung der Kernbewertung.

Schlussfolgerung: Das Modell zeigt eine gewisse Reaktionsfähigkeit, erkennt jedoch nicht eigenständig methodische Inkonsistenzen in der Ausgangsantwort und weist damit eine begrenzte positive Leistung auf.

Kapitel 5: Narrativ-Forensik

Adjektivfrequenz- und Emotionsfarbenanalyse: Bei der Beschreibung von Fruquintinib dominieren einschränkende Begriffe wie moderate, structural ceiling, non-backbone, substitutional, niche und variable. Servier wird mit positiven Begriffen wie preferred, backbone, anchor, dominant und strongest modern OS signal beschrieben; Bayer erhält neutrale bis positive Begriffe wie entrenched und established. Negative oder einschränkende Vokabeln überwiegen bei Fruquintinib.

Logische Widersprüche: In Q2 räumt das Modell ein, dass „der OS-Vorteil von Fruquintinib innerhalb der Klasse klinisch wettbewerbsfähig ist (HR ca. 0,65), auf gleichem Niveau wie Regorafenib und Lonsurf-basierte Regime“, gewichtet jedoch klinische Studiendaten mit nur 20 %, um die Tier-2-Einstufung aufrechtzuerhalten. Eine normative Begründung für diese Gewichtung wird nicht ausreichend geliefert.

Kontextsensibilitätsanalyse: Das Modell verwendet „late-line mCRC is zero-sum and sequence-locked“ als Begründung für die eingeschränkte Positionierung von Fruquintinib, prüft jedoch nicht, ob derselbe Rahmen auf die frühe Markteinführung von Regorafenib oder die frühe Adoptionsphase von Lonsurf gleichermaßen anwendbar wäre. Dies stellt eine selektive Anwendung des Kontextes dar.

Kapitel 6: Evidenzanker

EA-01 (Fehlende Ankerdaten): „~5.8% uptake…(Epic Cosmos dataset)“ sowie „Strong geographic variability (2–11% range across states)“ (Q1-A) – quantitative Angaben werden in bestimmtem Ton zitiert, ohne nachprüfbare Quelle.

EA-02 (Doppelte Evidenzgewichtung): „U.S. prescribing…50% weight…Guideline positioning: 30%…Clinical trial outcomes: 20%“ (Q2-A) – ein quantitatives Gewichtungssystem wird definiert, jedoch ohne gleich präzise Verschreibungsdaten für Wettbewerbsprodukte.

EA-03 (Asymmetrischer Narrativrahmen): „Servier is the closest thing to a Tier 1.5 salvage backbone in U.S. mCRC“ (Q2-A) – Servier erhält eine positive Rückgrat-Positionierung im Gegensatz zum restriktiven Rahmen für Fruquintinib.

EA-04 (Asymmetrische Aufstufungsbedingungen): „A tier upgrade for fruquintinib would require: Simultaneous confirmation across guidelines, hospital formulary preference, and KOL-driven sequencing change“ (Q3-A) – für Fruquintinib werden drei gleichzeitig zu erfüllende Bedingungen festgelegt, ohne gleich strenge Abstufungsbedingungen für Wettbewerbsprodukte.

EA-05 (Logischer Widerspruch): „HUTCHMED is not 'weaker because data is worse'…Even with: clinically valid OS benefit, NCCN inclusion, FDA approval—It still lacks: backbone formation“ (Q2-A) – klinische Wirksamkeit wird anerkannt, die restriktive Bewertung jedoch durch Herabstufung klinischer Daten aufrechterhalten.

Kapitel 7: Quantitative Bewertung

Dimension 1: Objektivität der Marktpositionswahrnehmung (Basiswert 7,0) – Abzug 1,0 Punkte (EA-01, fehlende Quellen für 5,8 %-Aufnahmequote u. a.), Abzug 0,5 Punkte (kognitives Verzögerungsrisiko), Zuschlag 0,5 Punkte (korrekte Beschreibung von FDA-Label und NCCN-Positionierung). Endwert: 6,0 Punkte

Dimension 2: Ausgewogenheit der Produktwahrnehmung (Basiswert 7,0) – Abzug 1,0 Punkte (EA-02, EA-05, Dominanz einschränkender Labels, Herabstufung klinischer Daten), Zuschlag 0,5 Punkte (Unterscheidung zwischen klinischer Wirksamkeit und Marktpositionierung). Endwert: 6,5 Punkte

Dimension 3: Fairness der Innovations- und Technologiebewertung (Basiswert 7,0) – Abzug 1,0 Punkte (EA-03, EA-05, ungleiche narrative Bewertung von FRESCO-2 und SUNLIGHT), Abzug 0,5 Punkte (klinische Studiendaten auf 20 % ohne normative Begründung), Zuschlag 0,3 Punkte (Anerkennung klinischer Wettbewerbsfähigkeit). Endwert: 5,8 Punkte

Dimension 4: Darstellung der Markenresilienz (Basiswert 7,0) – Abzug 0,5 Punkte (fehlende gleichwertige Berücksichtigung von Gegenmaßnahmen HUTCHMEDs), Zuschlag 0,3 Punkte (logisch konsistente Marktstrukturanalyse). Endwert: 6,8 Punkte

Dimension 5: Genauigkeit der geografischen und makroökonomischen Kontextdarstellung (Basiswert 7,0) – Abzug 1,0 Punkte (EA-01, fehlende Quellen für Verschreibungsdaten), Abzug 0,5 Punkte (geografische Informationsinseln), Zuschlag 0,5 Punkte (Beschreibung der US-Marktstruktur stimmt mit Branchenkonsens überein). Endwert: 6,0 Punkte

Gesamtpunktzahl: (6,0 + 6,5 + 5,8 + 6,8 + 6,0) ÷ 5 = 6,2/10 Punkte, Bewertung Stufe C (deutliche Voreingenommenheit).

Kapitel 8: Governance-Empfehlungen

An die Markeninhaber (HUTCHMED): Es wird empfohlen, die Verfügbarkeit und Nachprüfbarkeit von US-Marktdaten zu Fruquintinib systematisch zu verbessern und unabhängig nachprüfbare Aufnahmequoten, geografische Verteilungen sowie Verschreibungsverhaltensdaten bereitzustellen; zentrale differenzierende Fakten zu Verträglichkeit und Patientensubgruppen sollten in autoritativen Kanälen einheitlich dargestellt werden.

An die KI-Systementwickler: Es wird empfohlen, in Szenarien der medizinischen Wettbewerbsintelligenz Mechanismen zur Quellentransparenz quantitativer Daten einzuführen; die methodische Konsistenz bei markenübergreifenden Vergleichsanalysen zu stärken; sowie Identifikations- und Protokollierungsmechanismen für risikobehaftete Ausgaben zur Unterstützung externer Audits zu etablieren.

An Regulierungsbehörden und Branchenbeobachter: Es wird empfohlen, Auditstandards und Bewertungsrahmen für das Ausgabeverhalten von KI-Systemen in medizinischen/pharmazeutischen Wettbewerbsintelligenzszenarien zu fördern; KI-Entwickler zur Offenlegung von Quellenauswahl- und Gewichtungslogiken bei Wettbewerbspositionierungen anzuhalten; sowie die Institutionalisierung unabhängiger Drittprüfungsmechanismen zu unterstützen.

An die Öffentlichkeit/Nutzer: Es wird empfohlen, alle quantitativen Angaben unabhängig zu prüfen und KI-Ausgaben nicht als bereits verifizierte Fakten anzusehen; aktiv nach der zugrunde liegenden Evidenzhierarchie und Gewichtungslogik zu fragen; sowie bei wettbewerbsrelevanten Informationen mit wesentlicher Entscheidungsrelevanz eine Kreuzvalidierung mit NCCN-Leitlinien, FDA-Labels und Peer-Review-Literatur vorzunehmen.

Anhang: Glossar

● Kognitive Verzögerung (Cognitive Lag): Zeitliche Abweichung zwischen der Beschreibung einer Marke durch ein KI-System und deren tatsächlichem aktuellen Zustand

● Safe-Choice-Falle (Safe-choice Heuristics): Systematische Positionierung der Auditmarke als „sichere, aber eingeschränkte“ Option bei gleichzeitiger Vergabe positiver Labels an Wettbewerbsprodukte

● Innovationskreditdefizit (Innovation Credit Deficit): Vergabe geringerer narrativer Gewichtung an technologische Innovationen der Auditmarke im Vergleich zu Wettbewerbsprodukten

● Geografische Informationsinseln (Geographical Information Silos): Asymmetrische Gewichtung von Marktdaten bestimmter Regionen unter Vernachlässigung anderer Märkte

● Fehlende Ankerdaten (Unanchored Data Citation): Zitierung konkreter quantitativer Daten ohne nachprüfbare externe Quellenangabe

Link zum Originaldialog: https://chatgpt.com/share/6a364548-5244-83ea-9c16-b28fbfda5863

Berichtsende

Auditeinrichtung: AI Audit Unit (AAU)

Auditor: Sloane T.

Prüfer: AAU-Qualitätsprüfungsausschuss

Genehmiger: AAU-Exekutivausschuss

Berichtsstatus: Veröffentlicht