De ontwikkeling van nieuwe geneesmiddelen is een traag en duur proces met organische synthese als snelheidsbepalende stap. Recente doorbraken zorgden voor de intrede van kunstmatige intelligentie en robotica in het vakgebied. Nu kunnen potentiële geneesmiddelen ontdekt worden met machinaal leren, kunnen nieuwe syntheseroutes worden gevonden op basis van data en kunnen robots syntheses uitvoeren. Volautomatische synthese bestaat echter nog niet. Menselijke inbreng is immers cruciaal voor het bepalen van reactiecondities. Dit onderzoek heeft als doel automatische syntheseplanning en gerobotiseerde synthese met elkaar te verbinden via computergestuurde bepaling van reactiecondities. We stellen een datagestuurde methode voor die reactiecondities optimaliseert en synthesestappen op elkaar afstemt om continue meerstapssynthese mogelijk te maken. Een centrale databank zal worden aangemaakt en met behulp van actief lerende algoritmes zal bepaald worden welk experiment moet volgen om een databank te verkrijgen met minimale data en maximale informatie. Nieuwe eigenschapsvoorspellingsmodellen worden ontwikkeld voor moleculen en reacties, om reactiecondities te bepalen. Deze methode wordt gevalideerd met twee syntheses in continue stroom: productie van benzaldehyde en gelithieerd methoxyalleen. Volautomatische synthese kan de ontwikkeling van geneesmiddelen versnellen en zorgen voor grote economische kansen door ontwikkelingskosten te verlagen en de productie-efficiëntie te verhogen.