Batch-Protokolle automatisch auswerten und freigeben

Das echte Ausmaß des Problems

Wo GMP gilt, ist der Batch-Record-Review Pflicht: bei Arzneimitteln und bei Wirkstoffen, also auch in der Feinchemie, sobald sie Wirkstoffe für Arzneimittel herstellt. Dann muss jede Charge vollständig dokumentiert, auf Spezifikationskonformität geprüft und von qualifiziertem Personal freigegeben werden, sonst darf sie nicht in Verkehr. Eine Spezialchemikalie für Lacke, Kunststoffe oder Reinigungsmittel fällt nicht unter GMP. Dort verlangen das QM-System (etwa ISO 9001) und die Kundenspezifikation eine dokumentierte Freigabe, aber keine GMP-Validierung der Software. Das verändert Kosten und Zeitplan weiter unten erheblich.

Das Problem: Laut Acodis prüfen 60 bis 70 Prozent der Pharmaunternehmen und Lohnhersteller ihre Batch-Records noch auf Papier oder als PDF, von Hand (Acodis 2026, Anbieterangabe). Ein typischer Batch-Record umfasst 30 bis 120 Seiten, Messprotokolle, Checklisten, Abweichungsberichte, Laboranalytik. Die manuelle Durchsicht durch einen ausgebildeten QS-Mitarbeitenden dauert 2 bis 6 Stunden je Dokument.

Bei drei bis vier Chargen am Tag und 2 bis 3 Stunden je Protokoll sind das rechnerisch 6 bis 12 Prüfstunden täglich. Ein dreiköpfiges QS-Team hat 24 Arbeitsstunden am Tag, der Batch-Review bindet also ein Viertel bis die Hälfte davon, bei Fachkräften mit 50.000 bis 80.000 Euro Jahresgehalt.

Die Konsequenzen sind nicht nur Kosten, sie sind auch qualitativ:

• Ermüdungsfehler: Gegen Ende einer langen Prüfsession steigt das Risiko, kleine Abweichungen zu übersehen
• Freigabestaus verlangsamen die Produktion: Wenn QS zum Engpass wird, stehen fertige Chargen im Lager, gebundenes Kapital und verzögerte Liefertermine
• Inkonsistente Prüftiefe: Verschiedene Prüfer achten auf verschiedene Dinge, was Prüfer A als signifikant einstuft, übersieht Prüfer B vielleicht

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Die QS-Mitarbeitenden prüfen weiterhin, nur noch die vom System als kritisch markierten Felder sowie die finale Freigabeentscheidung. Die Verantwortung bleibt beim Menschen.

Wichtig: Die KI trifft keine Freigabeentscheidungen. Sie extrahiert, vergleicht, markiert und dokumentiert. Die Freigabe selbst unterschreibt immer eine qualifizierte Person. Das ist nicht nur regulatorisch geboten, es ist der einzige Weg, das System GxP-konform zu betreiben.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die Zeitersparnis beim Batch-Record-Review ist direkt messbar: Aus 2–6 Stunden werden 20–40 Minuten. Täglich wiederholt summiert sich das erheblich. Nicht ganz an der Spitze, weil der Sicherheitsdatenblatt-Generator absolute Stundeneinsparungen von bis zu 6 Stunden pro Dokument erreicht und damit den größten Einzelhebel hat.

Kosteneinsparung, mittel (3/5) Die Einrichtungskosten (25.000–65.000 Euro mit GMP-Validierung) und der Validierungsaufwand sind real. Wer auf ein LIMS integrieren muss, landet schnell bei 6-stelligen Projektkosten. In der Rechnung weiter unten amortisiert sich die Einführung in 8 bis 13 Monaten, aber nur, wenn die frei werdende Prüfzeit eine sonst nötige Stelle oder Überstunden ersetzt. Verglichen mit dem Sicherheitsdatenblatt-Generator liegt die Kosteneinsparung niedriger, weil der QS-Prozess tiefer in bestehende Systemlandschaften eingebettet ist.

Schnelle Umsetzung, niedrig (2/5) Unter GMP gehört dieser Anwendungsfall zu den langsamsten der Kategorie. GMP-Umgebungen erfordern eine vollständige Computersystemvalidierung (CSV) nach EU GMP Annex 11. Das Validierungspaket (Risikoanalyse, IQ/OQ/PQ, Testprotokolle) braucht 3–6 Monate, selbst wenn die Technologie in vier Wochen stünde. Wer glaubt, das umgehen zu können, riskiert bei der nächsten GMP-Inspektion einen schwerwiegenden Mangel. Ohne GMP-Pflicht entfällt dieser Block, dann schrumpft der Zeitplan unten um die zwei Validierungsmonate.

ROI-Sicherheit, hoch (4/5) Der ROI ist gut messbar: Prüfstunden vorher vs. nachher, Fehlerrate in Stichproben, Durchlaufzeit von der Herstellung bis zur Freigabe. Einzige Einschränkung: Die Eingangsdatenqualität (OCR-Güte bei Handschrift, Vollständigkeit des digitalen Inputs) bestimmt, wie nah man ans theoretische Maximum kommt.

Skalierbarkeit, hoch (4/5) Ein einmal validiertes System liest zehn Chargen pro Tag genauso wie hundert, die 20 bis 40 Minuten menschliche Prüfung je Charge bleiben aber. Der Skalierungseffekt ist real, aber er hängt an der LIMS-Infrastruktur und der Batch-Homogenität. Der Sicherheitsdatenblatt-Generator skaliert noch direkter, weil er auf das gesamte Produktportfolio anwendbar ist ohne Neuvalidierung je Produkttyp.

Richtwerte, stark abhängig von Chargenvolumen, LIMS-Integration und GxP-Tier der Fertigung.

Was das System konkret macht

Der technische Ansatz kombiniert zwei Schritte: Dokumentenextraktion und Regelprüfung.

Im ersten Schritt liest ein OCR/KI-System, etwa Azure Document Intelligence , das Batch-Protokoll ein: gedruckte Seiten, maschinenlesbarer Anlagenoutput, handschriftliche Einträge. Es extrahiert strukturiert alle relevanten Felder: Messwerte, Zeitstempel, Chargennummern, Signaturen, Abweichungseinträge. Für proprietäre Protokollformate wird ein Custom-Modell trainiert, typischerweise mit 20–50 historischen Protokollen als Trainingsbeispiele.

Im zweiten Schritt vergleicht das System die extrahierten Werte mit den hinterlegten Spezifikationen: Ist Temperaturwert X innerhalb des definierten Grenzwertes für Reaktionsschritt 7? Sind alle Pflichtfelder ausgefüllt und signiert? Stimmt die Chargennummer mit dem angeforderten Produkt überein? Diese Regelprüfung ist nicht Generative KI, sie ist strukturierte Logik auf extrahierten Daten. Das macht sie in regulierten Umgebungen robuster und validierbarer als ein reines LLM-basiertes Vorgehen.

Das Ergebnis ist ein strukturierter Freigabebericht: grüne Felder für konforme Einträge, rote Markierungen für Abweichungen oder fehlende Felder, gelbe Hinweise für Werte im Grenzbereich. Der QS-Mitarbeitende liest diesen Bericht, 2 Seiten statt 58, und prüft gezielt die markierten Positionen. Die finale Freigabeentscheidung und Unterschrift bleibt beim Menschen.

Was nicht funktioniert

Das System kann keine inhaltlichen Kontextentscheidungen treffen. Ob eine Abweichung produktrelevant ist oder nicht, das erfordert Fachwissen. Ob ein Temperaturausreißer in einem bestimmten Reaktionsschritt tolerierbar ist, obwohl er formal außerhalb des Spezifikationsbereichs liegt, entscheidet weiterhin der Fachexperte. Die KI hilft, alle relevanten Felder zu finden. Die Beurteilung liegt beim Menschen.

Rechtliche Besonderheiten: EU GMP Annex 11 und der neue Annex 22

Zuerst die Abgrenzung: Der EU-GMP-Leitfaden gilt für Arzneimittel und, in seinem Teil II, für Wirkstoffe. Stellt ein Chemiebetrieb Wirkstoffe für Arzneimittel her, gilt er für diese Linie. Für Spezialchemikalien ohne Arzneimittelbezug gilt er nicht, dort gibt es keine gesetzliche Pflicht zur Computersystemvalidierung. Was dort gilt, legen QM-System und Kundenverträge fest, und das ist meist deutlich weniger.

Im GMP-Bereich fallen computergestützte Systeme unter EU GMP Annex 11 (Computerised Systems). Das bedeutet: Jede Software, die in GMP-kritischen Prozessen eingesetzt wird, muss validiert werden. Das gilt auch für KI-basierte Reviewsysteme.

Am 7. Juli 2025 hat die EU-Kommission den Entwurf eines neuen Annex 22 zur künstlichen Intelligenz veröffentlicht. Er ist noch nicht in Kraft. Nach der Analyse von adesso verlangt er für KI in GMP-kritischen Anwendungen transparente, reproduzierbare und validierbare Modelle, Black-Box-Ansätze und im Betrieb weiterlernende Modelle sind nicht vorgesehen. Nach der Auswertung der ECA kommen Anforderungen an das Personal dazu: Wer mit KI-Unterstützung entscheidet, muss dafür geschult sein, und wo ein Modell einer Person als Entscheidungshilfe dient, braucht es Aufzeichnungen darüber.

Das bedeutet für die Praxis: Regelbasierte Systeme (Wert X außerhalb Grenzwert Y) sind deutlich einfacher zu validieren als generative KI-Modelle. Ein Sprachmodell liefert auf dieselbe Frage nicht verlässlich dieselbe Antwort, das passt schlecht zu einem Entwurf, der Reproduzierbarkeit verlangt. Setze es deshalb höchstens als Lesehilfe ein, deren Ergebnis ein Mensch gegen das Original prüft, nie als Prüfinstanz. Wer einen KI-Review-Assistenten einführt, sollte von Anfang an das Validierungspaket mitplanen, nicht als Nacharbeit.

Der Validierungsaufwand (Risikoanalyse, IQ/OQ/PQ, Testprotokolle) kostet typisch 15.000–40.000 Euro und 3–5 Monate Projektzeit, zusätzlich zur eigentlichen Systemeinführung.

Hinweis: Die Angaben in diesem Abschnitt geben den Stand regulatorischer Entwürfe und allgemeiner Branchenpraxis wieder. Sie ersetzen keine rechtliche oder regulatorische Fachberatung. Für GxP-verbindliche Aussagen zur Systemvalidierung sollte ein zugelassener CSV-Spezialist oder Regulatory-Affairs-Berater hinzugezogen werden.

Konkrete Werkzeuge, was wann passt

Azure Document Intelligence , Beste Wahl für Betriebe, die bereits in der Azure-Infrastruktur arbeiten. EU-Hosting verfügbar (West Europe), Custom-Modelle mit wenigen Trainingsbeispielen, hohe Extraktionsgenauigkeit auch bei semi-strukturierten Formularen. Erfordert IT-Integration. Abgerechnet wird je Seite: das reine Lesen (Read) kostet 1,50 USD je 1.000 Seiten, ein eigenes Extraktionsmodell 30 USD je 1.000 Seiten. Drei Protokolle à 58 Seiten täglich ergeben rund 3.700 Seiten im Monat, mit eigenem Modell also 3,7 mal 30 USD = rund 110 USD.

Acodis, Spezialisierte Lösung für pharmazeutische Batch-Record-Review mit vorkonfiguriertem GxP-Validierungsframework. Teurer als Azure Document Intelligence, aber deutlich weniger Eigenentwicklung. Laut Acodis (2026) sinkt die Reviewzeit durch automatisierte Standardprüfungen um 60 Prozent, eine Anbieterangabe. Preise auf Anfrage, typischerweise Enterprise-Preisstellung.

Azure OpenAI Service , Sinnvoll als Lesehilfe für Freitextfelder: Abweichungsberichte, Kommentare, Begründungen für Prozessabweichungen. Ein aktuelles GPT-Modell kann komplexe Freitext-Einträge strukturieren und auf definierte Kategorien mappen, was reine Regelextraktion nicht leistet. Unter GMP bleibt es bei der Lesehilfe, siehe oben. Für EU-Unternehmen: EU-Region wählbar, AVV standardmäßig vorhanden.

LIMS-integrierte Lösungen (LabWare, IDBS Polar), Wenn ein LIMS bereits vorhanden ist, bieten LabWare und IDBS eigene Module für elektronisches Batch-Record-Management und KI-gestützte Reviewfunktionen. Der Vorteil: Keine separate Integration, Daten liegen schon im System. Der Nachteil: LIMS-Projekte sind grundsätzlich aufwändige, langwierige IT-Vorhaben.

Zusammenfassung: Wann welcher Ansatz

• Noch kein LIMS, Azure-Infrastruktur vorhanden → Azure Document Intelligence + Azure OpenAI
• Großes Volumen, wenig Eigenentwicklung gewünscht → Acodis oder ähnliche Spezialisten
• LIMS bereits vorhanden und gut gepflegt → LIMS-integrierte Reviewmodule zuerst prüfen

Datenschutz und Datenhaltung

Batch-Protokolle enthalten GMP-kritische Produktionsdaten: Chargennummern, Prüfergebnisse, Signaturketten. In pharmazeutischen Betrieben kommen häufig auch personenbezogene Daten hinzu (Mitarbeiteridentifikation für Signaturen).

Für DSGVO-konforme Verarbeitung gilt:

• Azure Document Intelligence und Azure OpenAI Service bieten EU-Region (West Europe), Daten verlassen die EU nicht, AVV ist im Microsoft Online Services Agreement standardmäßig enthalten
• Wer US-gehostete Tools einsetzt (US-Region Azure, andere SaaS-Anbieter), muss den Transfer nach Art. 46 DSGVO prüfen und dokumentieren

Über die DSGVO hinaus greift in GxP-Umgebungen das Datenintegritätsprinzip (ALCOA+): Attributable, Legible, Contemporaneous, Original, Accurate, plus Complete, Consistent, Enduring, Available. Das System muss gewährleisten, dass jeder extrahierte Wert auf das Quelldokument zurückverfolgbar ist und keine nachträgliche Veränderung möglich ist. Unveränderbare Audit-Trails sind Pflicht, keine Option.

Der Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist mit jedem Cloud-Anbieter vor dem Produktivbetrieb abzuschließen, auch wenn der AVV bei Microsoft selbsttätig im Vertragswerk enthalten ist, muss er vom Datenschutzbeauftragten des Unternehmens geprüft und angenommen werden.

Was es kostet, realistisch gerechnet

Einmalige Projekt- und Einrichtungskosten

• Custom-Modell-Training und Integration: 8.000–20.000 Euro IT-Aufwand
• GxP-Validierungspaket (Risikoanalyse, IQ/OQ/PQ): 15.000–40.000 Euro (intern oder externer CSV-Spezialist)
• Gesamt Einführung: 25.000–65.000 Euro, je nach LIMS-Komplexität nach oben offen
• Ohne GMP-Pflicht entfällt das Validierungspaket, es bleiben 8.000–20.000 Euro plus eine dokumentierte Abnahme nach eurem QM-System

Laufende Kosten (monatlich)

• Seitengebühren Document Intelligence: 3.700 bis 13.000 Seiten mal 30 USD je 1.000 Seiten = rund 110 bis 390 USD
• Sprachmodell für die Freitext-Lesehilfe (Azure OpenAI): 100–300 Euro
• Gesamt laufend: rund 200–700 Euro/Monat
• Nicht enthalten: Nachtraining und Revalidierung, wenn sich Formulare ändern (siehe Einstiegsfehler 4). Das ist interne Arbeitszeit, die jemand fest im Kalender haben muss.

ROI-Rechnung mit drei Chargen am Tag

• Das Team prüft täglich 3 Batches à 3 Stunden = 9 QS-Stunden
• Mit KI: je Batch 35 Minuten, 3 mal 35 Minuten = 1,75 QS-Stunden
• Frei werdende Zeit: 7,25 Stunden täglich, bei 21 Arbeitstagen rund 150 Stunden im Monat, knapp eine Vollzeitstelle
• In Euro wird das nur, wenn eine sonst nötige Stelle unbesetzt bleibt oder Überstunden und Fremdprüfungen wegfallen. Dann: 7,25 Stunden mal 30–45 Euro Stundensatz mal 21 Tage = rund 4.600–6.850 Euro im Monat
• Abzüglich 200–700 Euro laufender Kosten bleiben 3.900–6.650 Euro
• Amortisation bei 50.000 Euro Einführungskosten: 8–13 Monate

Bleibt das Team gleich groß und die Zeit fließt in andere Aufgaben, amortisiert sich in Euro nichts. Der Gewinn ist dann die kürzere Zeit bis zur Freigabe, und die ist in Lagerbestand und Liefertreue messbar, nicht in der Lohnabrechnung.

Wie du den ROI tatsächlich misst Nicht über Stundenkalkulation, sondern über: Durchlaufzeit von Produktionsende bis Freigabe (direkt im LIMS messbar), Fehlerrate bei Stichprobenprüfungen, und die Anzahl der QS-Überstunden in Hochphasen. Diese drei Kennzahlen liefern belastbare Zahlen für interne Reviews.

Typische Einstiegsfehler

1. Validierung als Nacharbeit behandeln. Der häufigste und teuerste Fehler in regulierten Umgebungen: Das System wird gebaut, getestet, für gut befunden, und dann fängt das Validierungsprojekt an. Das verdoppelt die Einführungszeit. GxP-Validierung ist kein Nachbrenner, sondern Teil des Projekts von Anfang an. Wer das nicht von Tag 1 einplant, riskiert außerdem, das System in seiner Architektur anpassen zu müssen, weil es die Dokumentationsanforderungen nicht erfüllt.

2. Handschrift unterschätzen. In vielen Protokollen sind kritische Felder handschriftlich eingetragen: Operatorkürzel, Korrekturen mit Gegenzeichnung, Sonderfreigaben. OCR-Systeme erkennen gedruckten Text sehr zuverlässig, handschriftliche Einträge deutlich schlechter, das nennt auch unsere Toolseite zu Azure Document Intelligence als Schwäche. Wer dieses Problem nicht in der Pilotphase explizit adressiert, hat später entweder ständige manuelle Nachkorrektur oder einen hohen False-Negative-Anteil bei Pflichtfeldern. Lösung: Handschriftliche Pflichtfelder im Piloten separat auswerten und Confidence-Schwellwerte anpassen.

3. Das Spezifikationsdokument nicht strukturieren. Das System vergleicht extrahierte Werte mit Spezifikationen. Wenn die Spezifikation als unstrukturiertes PDF vorliegt (Grenzwerte in Prosatext eingebettet), kann das System sie nicht automatisch auslesen. Entweder werden Spezifikationen in ein maschinenlesbares Format gebracht (CSV, JSON, LIMS-Felder), oder sie müssen manuell als Regelsets eingepflegt werden. Das ist kein technisches Problem, sondern ein Datenpflegeprojekt. Typisch 2–4 Wochen Aufwand, je nach Produktportfolio.

4. Systemstabilität ≠ Modellstabilität. Ein Custom-OCR-Modell, das auf historischen Protokollen trainiert wurde, verliert Qualität, wenn sich Formulare ändern: neues Anlagenlayout, geändertes Protokollformat, anderes Druckbild. In der Praxis passiert das öfter als gedacht, Anlagenwechsel, Lieferantenwechsel, regulatorische Protokollanpassungen. Das Modell braucht dann Nachtraining. Wer dafür keinen Prozess etabliert hat (Wer entscheidet? Wer trainiert? Wann wird der neue Modellstand validiert?), merkt es erst, wenn die Erkennungsrate leise sinkt.

Was mit der Einführung wirklich passiert, und was nicht

Der technische Teil dieses Projekts ist handhabbar. Der organisatorische Teil ist es nicht.

Das größte Widerstandsmuster: QS-Mitarbeitende, die jahrelang die einzige Qualitätskontrolle waren, stehen jetzt vor einem System, das ihren Job teilweise automatisiert. Die formale Botschaft “ihr entscheidet weiterhin, das System arbeitet nur vor” kann richtig sein und trotzdem als Bedrohung ankommen. Wer das ignoriert, bekommt ein System, das formal akzeptiert und praktisch umgangen wird: “Ich prüfe trotzdem noch alles selbst, zur Sicherheit.”

Was hilft:

• QS-Personal in die Pilotphase einbinden: Wer selbst Testprotokolle einreicht und sieht, was das System übersieht (Handschrift, ungewöhnliche Abweichungsformulierungen), versteht die Grenzen, und vertraut dem System in den Bereichen, wo es stark ist
• Kommunizieren, was bleibt: Die Expertise der QS-Mitarbeitenden verlagert sich von “Blättern und Prüfen” zu “Ausnahmen beurteilen” und “Validierung pflegen”, das ist anspruchsvoller, nicht weniger wichtig
• Mit dem Piloten auf unkritischen Produktlinien starten: Kein Produkt für einen Produktionsanlauf wählen, das unter Lieferdruck steht, das gibt dem Team Zeit, dem System zu vertrauen

Eine zweite Herausforderung: IT-Abteilung vs. QS-Abteilung. GxP-Validierung erfordert dokumentierten Change Control. Das bedeutet: Jede Systemänderung muss formal freigegeben werden. IT-Teams, die es gewohnt sind, Software agil weiterzuentwickeln, stoßen hier auf eine Kultur der dokumentierten Veränderung. Das ist keine unüberwindliche Differenz, aber sie kostet Zeit und muss in der Projektplanung berücksichtigt werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir können keine KI in einem GMP-validierten System einsetzen.” Das ist verständlich, aber nicht mehr so klar wie noch vor zwei Jahren. Der Entwurf des EU GMP Annex 22 (Juli 2025) beschreibt erstmals, unter welchen Bedingungen KI im GMP-Umfeld eingesetzt werden darf. Regelbasierte Systeme (kein generatives KI-Modell, sondern Schwellwertprüfung auf extrahierten Daten) sind deutlich einfacher zu validieren als LLM-basierte Entscheidungssysteme. Entscheidend ist, das richtige Technologielevel für den Anwendungsfall zu wählen, nicht KI prinzipiell abzulehnen.

„Die Verantwortung für die Freigabe bleibt trotzdem bei uns, das ändert sich nicht.” Richtig. Das System soll auch nicht die Verantwortung übernehmen. Es soll die freigebende Person entlasten, bei Wirkstoffen die Qualitätseinheit, bei Arzneimitteln die sachkundige Person (Qualified Person, QP): nicht durch Ersetzen ihrer Verantwortung, sondern durch bessere Vorbereitung der Unterlagen, die sie prüft. Statt 58 Seiten durchzublättern, prüft sie einen strukturierten 2-Seiten-Bericht mit markierten Ausnahmen, und entscheidet dann.

„Unsere Protokolle sind zu individuell.” Jedes Unternehmen glaubt das zu Beginn. In der Praxis sind die Kernfelder, Messwerte, Signaturen, Chargennummern, Zeitstempel, in jedem Protokoll vorhanden, auch wenn das Format variiert. Custom-OCR-Modelle lassen sich auf proprietäre Formate trainieren. Der Aufwand dafür ist real, aber lösbar.

Woran du merkst, dass das zu dir passt

• Dein QS-Team prüft täglich mehr als drei Batch-Protokolle und der Freigabeprozess ist regelmäßiger Engpass für die Produktion
• Batch-Records bestehen aus gemischten Dokumenttypen, gedruckte Formblätter, Anlagenoutput, handschriftliche Ergänzungen, die heute manuell zusammengefügt werden
• Du hast bereits ein LIMS oder zumindest digitale Spezifikationsdokumente in strukturierter Form, dann ist die Integrationsarbeit überschaubar
• Deine Fertigung wächst und du willst Kapazität aufbauen, ohne das QS-Team proportional zu vergrößern

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter ca. 5 Chargen pro Woche. Bei sehr niedrigem Batch-Volumen rechnet sich der Validierungsaufwand schlicht nicht. Fünf Chargen sparen je rund 2,4 Stunden, das sind gut 50 Stunden im Monat oder 1.570–2.360 Euro. Nach den laufenden Kosten amortisieren sich 25.000–65.000 Euro Einführung damit in einem bis sechs Jahren, und auch das nur, wenn die Stunden eine Stelle oder Überstunden ersetzen.

2. Keine strukturierten Spezifikationsdokumente. Wenn Grenzwerte ausschließlich in handschriftlichen Laborbüchern oder informellen Absprachen existieren, gibt es erst ein Datenpflegeprojekt, das sollte vor dem KI-Einsatz stehen.

3. Kein IT-Budget und keine IT-Ressourcen für den Produktivbetrieb. Ein Custom-OCR-Modell braucht Pflege: Retraining bei Formatänderungen, Monitoring der Erkennungsrate, gelegentliche Anpassungen des Regelsets. Ohne eine Person, die das langfristig betreut, degradiert das System still.

Das kannst du heute noch tun

Nimm ein leeres Protokollformular und fülle drei Exemplare mit erfundenen Werten aus, eines davon mit Handschrift, und bau absichtlich einen Grenzwertverstoß ein. Echte Protokolle mit Unterschriften, Namen und Chargendaten gehören nicht in ein Testkonto, für das noch kein geprüfter AVV vorliegt. Lade die Übungsprotokolle in Azure Document Intelligence Studio hoch. Du brauchst dafür ein Azure-Konto, der Free Tier liest 500 Seiten im Monat kostenlos. Sieh, welche Felder das vortrainierte Modell automatisch erkennt und welche nicht. Das gibt dir in 30 Minuten ein realistisches Bild davon, wie viel Eigenentwicklung für dein spezifisches Protokollformat nötig wäre.

Für den nächsten Schritt, einen strukturierten ersten Abweichungsbericht auf Basis eines solchen Übungsprotokolls, kannst du diesen Prompt in Claude oder ChatGPT nutzen. Er zeigt das Prinzip, bevor du in technische Infrastruktur investierst:

Quellen & Methodik

• 60–70 % Batch-Review auf Papier oder PDF, 60 % kürzere Reviewzeit: Acodis, „The Batch Record Automation Opportunity” (12.02.2026). Acodis ist Anbieter im Segment, beides sind Eigenangaben, keine unabhängige Studie.
• EU GMP Annex 22 (KI-Entwurf vom 7. Juli 2025): ECA, „What Requirements does the new Annex 22 place regarding Personnel?” (Datum, Personal, Aufzeichnungspflicht); adesso, „What the new EU GMP Annex 11 revision and the new Annex 22 really mean for CSV” (transparente, reproduzierbare Modelle, keine im Betrieb weiterlernenden Modelle). Den Entwurfstext selbst haben wir nicht abgerufen.
• EU GMP Annex 11 und Teil II (Wirkstoffe): EudraLex Volume 4, Good Manufacturing Practice Guidelines, aktuelle Fassung. Basis für CSV-Anforderungen in pharmazeutischen Betrieben.
• ALCOA-Prinzip: FDA, „Data Integrity and Compliance With Drug CGMP: Questions and Answers” (Dezember 2018). Die Erweiterung zu ALCOA+ ist Branchenpraxis.
• Validierungskosten und Projektdauern: Erfahrungswerte aus CSV-Projekten in regulierten Umgebungen (Pharmafertigung, Medizintechnik); keine repräsentative Studie.
• Azure Document Intelligence Preise: Microsoft, Preisseite, Stand laut unserer Toolseite Juni 2026: Read 1,50 USD, eigenes Extraktionsmodell 30 USD je 1.000 Seiten, Free Tier 500 Seiten im Monat.