EASA-Compliance-Dokumentation: KI als zweiter Lektor vor dem Audit

Das echte Ausmaß des Problems

Ein EASA Part-145-Betrieb dokumentiert nicht nur, was er tut, er dokumentiert, dass was er tut, genau dem entspricht, was er in seiner MOE beschrieben hat, und dass das genau dem entspricht, was EASA in Part-145, den AMC und GM dazu fordert. Drei Ebenen, die konsistent sein müssen. Jede Änderung auf einer Ebene kann Inkonsistenzen auf den anderen erzeugen.

Die Größenordnung: Ein mittelgroßer Part-145-Betrieb pflegt eine MOE von mehreren hundert Seiten, dazu Maintenance Procedures, Training Records, Quality Audit Reports, Capability Lists und die EASA-Anforderungen selbst: Part-145 (Anhang II der Verordnung (EU) Nr. 1321/2014) füllt mit AMC und GM in der Easy-Access-Fassung von EASA ebenfalls mehrere hundert Seiten und ändert sich regelmäßig. Eine vollständige manuelle Querprüfung kostet nach unserer Einschätzung 3–6 Wochen einer erfahrenen Quality-Management-Fachkraft, und das vor jedem Audit, also typischerweise alle 2 Jahre.

Was kostet ein Finding wirklich? Das hängt von der Stufe ab:

• Level-1-Finding (erhebliche Abweichung, die den Sicherheitsstandard senkt und die Flugsicherheit ernsthaft gefährdet): Die Behörde schränkt die Genehmigung ganz oder teilweise ein, setzt sie aus oder widerruft sie, bis die Abweichung behoben ist.
• Level-2-Finding (Abweichung, die den Sicherheitsstandard senken könnte): Die Behörde setzt eine Frist für die Korrekturmaßnahme, anfangs höchstens drei Monate. Was die Aufarbeitung kostet, hängt an Ursache und Umfang, eine belastbare Durchschnittszahl gibt es nicht. Rechne es aus deinen letzten Findings aus: Stunden für Ursachenanalyse, Korrekturmaßnahme und Nachweis, dazu externe Beratung, falls ihr sie holt.
• Ein Level 3 gibt es nicht. Unterhalb der Findings stehen Beobachtungen ohne formale Frist, die im nächsten Audit wieder auftauchen, wenn niemand reagiert.

Wie viele Findings ein Part-145-Audit im Schnitt bringt, veröffentlicht keine Behörde in einer Form, die sich als Durchschnitt zitieren ließe. Deine eigenen letzten Audit-Reports sind die bessere Zahl.

Dazu kommt ein zunehmend relevanter Faktor: EASA-Anforderungen ändern sich häufiger. Die AMC-Aktualisierungen für Part-145 in den Jahren 2022–2025 haben mehrere Abschnitte grundlegend überarbeitet. Wer nicht systematisch nachverfolgt, welche AMC-Änderungen welche MOE-Abschnitte berühren, läuft blind in den Audit.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zeitangaben sind unsere Einschätzung, keine Messwerte. Für die Lückenerkennungsrate gibt es keine kontrollierten Studiendaten, deshalb nennen wir keine Prozentzahl.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die manuelle Audit-Vorbereitung ist eine der zeitintensivsten Aufgaben im Qualitätsmanagement eines MRO-Betriebs. KI komprimiert die Querprüfungs-Routine von Wochen auf Tage, und macht sie zur Daueraufgabe statt zum Projekt. Der Unterschied ist substanziell, aber leicht unter dem direktesten Zeitgewinn im Vergleich zur Wartungsdokumentation, weil Quality Manager nicht täglich 8 Stunden mit Compliance-Querprüfungen verbringen, die zeitintensiven Phasen kommen periodisch.

Kosteneinsparung, niedrig (2/5) Die Logik ist klar: weniger Findings bedeutet weniger Nacharbeitskosten. Aber die Einsparung tritt nur ein, wenn das System tatsächlich Findings verhindert, die sonst gekommen wären, und Findings sind selbst bei Betrieben mit Problemen keine monatlichen Ereignisse. Die Rechnung weiter unten zeigt: Über vermiedene Findings allein trägt sich das System selten. Der greifbarere Hebel ist die kürzere Audit-Vorbereitung, und die spart nur Geld, wenn sie externe Unterstützung oder Überstunden ersetzt.

Schnelle Umsetzung, niedrig (2/5) Die Umsetzung ist aufwendig. Die Indexierung von EASA-Regulatorik ist aufwendig (häufige Updates, PDF-Strukturen, Verweise zwischen Dokumenten), und die Kalibrierung des Lückenerkennungs-Modells braucht Fachexpertise. Wer kein dediziertes Quality-Management-Team hat, das die Ergebnisse prüfen und das System trainieren kann, unterschätzt den Implementierungsaufwand.

ROI-Sicherheit, niedrig (2/5) Der ROI hängt von einem Ereignis ab, das nicht garantiert ist: einem vermiedenen Finding. Das macht den Business Case weicher als bei der Wartungsdokumentation (täglich messbare Zeitersparnis) oder der Ersatzteilbeschaffung (monatlich sichtbare Lagerkostensenkung). Auch bei Betrieben, die regelmäßig Findings bekommen, bleibt offen, ob das System genau diese Lücken gefunden hätte. Für Betriebe, die ohnehin selten Findings haben, ist der Nutzen noch theoretischer.

Skalierbarkeit, mittel (3/5) Das System skaliert mit der Komplexität der Organisation, nicht linear mit der Mitarbeiterzahl. Mehr Flugzeugtypen, mehr Betriebsstandorte, breitere Capability Lists bedeuten mehr Compliance-Volumen und mehr Nutzen. Kleinere Betriebe mit enger Capability List haben weniger Komplexität, und damit weniger ROI.

Richtwerte, stark abhängig von Betriebsgröße, Audit-Häufigkeit und bestehender Compliance-Qualität.

Was das System konkret macht

Das Kernprinzip ist Retrieval-Augmented Generation (RAG): Das System indexiert zwei Dokumentenkorpora, erstens die eigene Betriebsdokumentation (MOE, Maintenance Procedures, Training-Unterlagen), zweitens die relevante EASA-Regulatorik (Part-145 Annex II, AMC to Part-145, GM to Part-145, aktuelle Notice of Proposed Amendments).

Dann arbeitet es als automatischer Querprüfer:

Anforderungs-Mapping: Das System liest jeden MOE-Abschnitt und prüft: Adressiert dieser Abschnitt die EASA-Anforderungen, auf die er verweist? Sind alle Pflichtinhalte gemäß AMC enthalten? Enthält er Verweise auf AMC- oder GM-Versionen, die inzwischen überholt sind?

Lückenidentifikation: Welche EASA-Anforderungen aus Part-145 Annex II haben keine Entsprechung in der MOE? Das System listet sie mit Verweis auf den entsprechenden EASA-Paragraphen.

Änderungs-Tracking: Wenn EASA eine AMC- oder GM-Änderung per ED Decision veröffentlicht, prüft das System automatisch: Welche MOE-Abschnitte sind von dieser Änderung potenziell betroffen? Ausgabe: Impact-Report mit Schweregrad-Klassifikation.

Was das System nicht entscheidet: Ob eine Verfahrensbeschreibung tatsächlich EASA-konform ist, liegt im Ermessen des erfahrenen Quality Managers, nicht der KI. Das System zeigt, wo möglicherweise eine Lücke ist. Ob die Lücke real ist oder ob die Formulierung akzeptabel war, entscheidet die Fachperson.

Regulatorischer Kontext: KI im EASA-Compliance-Umfeld

EASA selbst reguliert aktiv, wie KI-Werkzeuge in der Luftfahrt eingesetzt werden dürfen. Die wichtigsten Punkte für diesen Anwendungsfall:

EU AI Act (in Kraft seit 1. August 2024): Anhang III zählt die Hochrisiko-Bereiche abschließend auf, und Luftfahrt steht dort nicht. Sie steht in Anhang I Abschnitt B, über die Verordnung (EU) 2018/1139. Für Systeme aus diesem Abschnitt gilt Artikel 2 Absatz 2: Von der KI-Verordnung greifen nur Artikel 6 Absatz 1, die Artikel 102 bis 109 und Artikel 112. Die eigentlichen Anforderungen kommen also aus dem EASA-Regelwerk, nicht aus Kapitel III der KI-Verordnung. Und ein Werkzeug, das Dokumente gegen Part-145 gegenprüft, ist ohnehin kein Sicherheitsbauteil eines Luftfahrzeugs.

EASA NPA 2025-07 (November 2025): EASA hat am 10. November 2025 einen Vorschlag für detaillierte Anforderungen an vertrauenswürdige KI in der Luftfahrt veröffentlicht, als Umsetzung von Artikel 108 der KI-Verordnung, Kommentierung bis März 2026. Beschlossen ist nichts, und ob und wie der Vorschlag Werkzeuge in Part-145-Betrieben erfasst, steht noch nicht fest. Unabhängig davon gehört ein Werkzeug, das in eure Qualitätsverfahren eingreift, in die Verfahrensbeschreibung eures MOE.

Wichtige Einschränkung: Ein KI-System, das Compliance-Lücken identifiziert, trifft keine Compliance-Entscheidung. Der Quality Manager behält die fachliche Verantwortung. Das KI-System ist ein Analyse-Werkzeug, kein Compliance-Officer.

Die pragmatische Folgerung: Wer jetzt mit einem Piloten beginnt, sammelt die Erfahrung für die MOE-Beschreibung und kann das Verfahren anpassen, sobald EASA die KI-Regeln festlegt.

Konkrete Werkzeuge, was wann passt

Azure OpenAI Service mit RAG, die DSGVO-konforme Wahl Für europäische MRO-Betriebe, die Compliance-Dokumentation mit EASA-Regulatorik verknüpfen wollen, ist Azure OpenAI in einer EU-Region wie West Europe die naheliegende Wahl, die Auftragsverarbeitung regeln die Microsoft-Vertragsbedingungen. Technisch: Indexierung der MOE-Dokumente über Azure Document Intelligence, Vektordatenbank in Azure AI Search, ein aktuelles GPT-Modell für die Querprüfungslogik. Aufwand: ca. 6–10 Wochen Implementierung mit einem Entwickler.

Claude (Anthropic) mit langem Kontextfenster Claude Sonnet 5 hat über die API ein Kontextfenster von bis zu 1 Million Token, ausreichend, um ganze MOE-Kapitel auf einmal zu verarbeiten, ohne in Chunks aufzuteilen. Besonders sinnvoll für die initiale Analyse großer Dokumentenblöcke. Eine EU-Datenregion bietet Anthropic selbst nicht, weder in claude.ai noch in der API. Wer europäische Verarbeitung braucht, nutzt Claude über AWS Bedrock oder Microsoft Foundry mit einem europäischen Endpunkt.

Eigenentwicklung mit offenen Modellen, für höchste Datensensitivität Wenn die MOE als streng vertraulich gilt und kein Cloud-Hosting in Frage kommt: selbst gehostetes LLM (Llama 3 oder Mistral) auf eigener Infrastruktur. Höchster Datenschutz, aber höchster Implementierungsaufwand. Empfehlung nur für große MRO-Betriebe mit eigener IT-Abteilung.

Notion AI , für den einfachen Einstieg Für Betriebe, die MOE-Teile bereits in Notion verwalten (oder bereit sind, Teile dorthin zu migrieren): Notion AI durchsucht alle Seiten und kann auf Basis von Checklisten Lücken hinweisen. Kein vollständiger Compliance-Assistent, aber ein guter Einstieg mit wenig technischem Aufwand. Einschränkung: Notion verarbeitet Daten standardmäßig in den USA, DSGVO-Prüfung empfohlen.

Datenschutz und Datenhaltung

Die MOE und interne Maintenance-Dokumentation eines MRO-Betriebs ist geschäftskritisch und häufig vertraulich, sie enthält Informationen über Fähigkeiten, Verfahren und internen Qualitätsstatus, die Wettbewerber und Auditoren interessieren.

EASA-Regulatorik in Part-145 enthält keine expliziten Datenschutzvorgaben für KI-Werkzeuge, und der EU AI Act stellt an ein Compliance-Assistenzwerkzeug keine Hochrisikoanforderungen, siehe oben. Protokollierung, Nachvollziehbarkeit und menschliche Aufsicht verlangt hier die EASA-Genehmigung des Werkzeugs, nicht die KI-Verordnung.

Empfohlene Konfiguration:

• Azure OpenAI (West Europe): Vertragliche EU-Datenhaltung, kein Training auf Unternehmensdaten, AVV vorhanden
• On-premise oder Azure Private Endpoint: Wenn der Betrieb höchste Vertraulichkeit fordert
• Kein öffentlicher ChatGPT oder Claude.ai für MOE-Inhalte: keine garantierte Nicht-Nutzung für Modelltraining ohne Unternehmensvertrag

Vor dem Produktivbetrieb: AVV gemäß Art. 28 DSGVO mit dem gewählten Anbieter abschließen. Für Azure ist das durch das Microsoft Customer Agreement abgedeckt; für andere Anbieter muss ein separater AVV beantragt werden.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten:

• Aufbau RAG-System mit Azure OpenAI + Dokumentenindexierung: 20.000–40.000 Euro (Entwicklung + Konfiguration)
• Fachliche Kalibrierung (erfahrener Quality Manager muss erste Ergebnisse prüfen und Modell kalibrieren): 3–5 Wochen interne Zeit
• EASA-Verfahrensdokumentation des KI-Werkzeugs in der MOE: 3–5 Tage Quality-Manager-Zeit

Laufende Kosten (monatlich):

• Azure OpenAI API-Kosten: 200–600 Euro/Monat bei mittlerem Nutzungsvolumen
• Maintenance der EASA-Regulatorik-Indexierung (neue AMC-Updates einpflegen): ca. 4–8 Stunden/Monat intern

Was du dagegenrechnen kannst: Was ein vermiedenes Level-2-Finding wert ist, rechnest du aus deinen letzten Findings aus: Stunden für Ursachenanalyse, Korrekturmaßnahme und Nachweis mal Stundensatz, dazu externe Beratung. Setzen wir als Beispielwert 10.000 Euro je Finding an, holt ihr die Einrichtung (20.000–40.000 Euro) erst mit zwei bis vier vermiedenen Findings herein. Der laufende Betrieb kostet 200–600 Euro im Monat plus 4–8 Stunden Pflege, bei 70 Euro je Stunde also 12 mal 480 bis 12 mal 1.160 Euro, rund 5.800 bis 13.900 Euro im Jahr, und braucht damit ein bis zwei vermiedene Findings jedes Jahr. Wer in zwei Audit-Zyklen drei Level-2-Findings hatte, kommt auf weniger als eines pro Jahr: Über vermiedene Findings allein trägt sich das System dann nicht. Tragen muss es die kürzere Audit-Vorbereitung, und die ist nur dann Geld, wenn sie externe Unterstützung oder Überstunden ersetzt.

Drei typische Einstiegsfehler

1. Die EASA-Regulatorik als statisches Dokument indexieren. EASA ändert Part-145-Anforderungen, AMC und GM regelmäßig per Verordnung und ED Decision. Wer die Regulatorik einmalig einliest und nicht nachzieht, hat nach der nächsten Änderung ein System, das gegen veraltete Anforderungen prüft. Das ist gefährlicher als gar kein System, es erzeugt falsches Vertrauen. Lösung: Einen Prozess einrichten, der EASA-Änderungen (EASA Official Publications, NPA-Notifications) automatisch oder durch wöchentliche manuelle Prüfung in die Indexierung übernimmt.

2. Das System als Compliance-Entscheidungsinstanz behandeln. “Das KI-System hat keine Lücke gefunden, also sind wir compliant.” Diese Logik ist falsch und gefährlich. Das System findet Muster und Lücken auf Basis textueller Analyse, es versteht nicht, ob eine Formulierung im regulatorischen Kontext akzeptabel ist oder nicht. Das ist eine Fachfrage, die der Mensch beantworten muss. Lösung: Klare Kommunikation im Betrieb, dass der KI-Report eine Prüfliste ist, keine Compliance-Bescheinigung.

3. Zu breites Scope beim Piloten. Den Piloten mit der vollständigen MOE (800+ Seiten) und der gesamten EASA-Anforderungsdatenbank starten, und dann 4 Wochen auf erste Ergebnisse warten, die kaum validierbar sind. Lösung: Pilot auf zwei MOE-Kapitel und ein Part-145-Anforderungscluster (z.B. Training Records) beschränken. Diesen Scope in 4 Wochen komplett validieren, dann ausweiten.

Was mit der Einführung wirklich passiert, und was nicht

Compliance-Management ist ein Bereich, in dem Menschen besonders empfindlich auf KI reagieren, weil die persönliche Fachkompetenz des Quality Managers direkt angesprochen wird. “Das System hat eine Lücke gefunden” bedeutet implizit: “Du hättest diese Lücke selbst finden müssen.”

Zwei Reaktionsmuster sind typisch:

Das System wird als Kritik erlebt. Wenn das System in der ersten Auswertung 40 potenzielle Lücken identifiziert, fühlt sich das für den Quality Manager wie ein Angriff an, obwohl viele dieser “Lücken” bei näherer Prüfung keine sind (Formulierungen, die EASA-konform sind, aber vom System als unvollständig eingestuft werden). Gegenmaßnahme: Den ersten Report gemeinsam mit dem Quality Manager durchgehen, nicht als “Was ihr falsch macht”, sondern als “Lass uns schauen, ob das System richtig liegt.”

Das System-Ergebnis wird nicht mehr hinterfragt. Sobald das System akzeptiert ist, besteht die Gefahr, dass der Quality Manager aufhört, die Ergebnisse kritisch zu prüfen, und sich auf den Report verlässt. Lösung: Der Quality Manager muss jeden als “Finding” markierten Punkt manuell bestätigen oder ablehnen, das ist kein optionaler Schritt.

Was konkret hilft:

• Quality Manager in die Kalibrierungsphase einbinden: er entscheidet, welche System-Flags falsch positiv sind
• Explizit kommunizieren: das System ersetzt nicht die fachliche Qualifikation, es ist ein Werkzeug
• Die Überprüfungsrate messen: wie viel Prozent der System-Findings bestätigen sich als echte Lücken?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser Quality Manager kennt die MOE auswendig, das brauchen wir nicht.” Stimmt vielleicht für die aktuelle Version. Aber: Kennt er auch alle AMC-Änderungen der letzten 24 Monate und ihre genauen Auswirkungen auf die MOE? Und was passiert, wenn dieser Quality Manager den Betrieb verlässt? Die Wissensabhängigkeit von einer einzelnen Person ist selbst ein Compliance-Risiko.

„KI kann Compliance nicht beurteilen, das ist eine Fachfrage.” Richtig. Deswegen beurteilt das System auch keine Compliance, es identifiziert potenzielle Lücken und Inkonsistenzen textlich. Die Beurteilung macht der Mensch. Das System ist ein Querprüf-Werkzeug, kein Compliance-Officer.

„Was, wenn das System eine falsche Lücke meldet und wir unnötige Arbeit in die MOE investieren?” Das wird vorkommen. Wie hoch die Falsch-Positiv-Rate bei euch ist, weiß vorher niemand, veröffentlichte Zahlen dazu gibt es nicht. Deshalb gehört die Bestätigungsquote in den Pilot: Wie viele Flags bestätigt der Quality Manager als echte Lücke? Liegt sie dauerhaft niedrig, kostet das System mehr Prüfzeit, als es spart. Liegt sie hoch, findet es Lücken, bevor der Behördenprüfer sie findet.

Woran du merkst, dass das zu dir passt

• Du hast in den letzten zwei Audit-Zyklen 3 oder mehr Level-2-Findings bekommen, und mindestens eines davon war bei näherer Betrachtung vermeidbar
• Deine Audit-Vorbereitung kostet mindestens 2 Wochen intensiver Quality-Manager-Zeit, die du lieber anders einsetzen würdest
• Du verwaltest eine MOE mit mehr als 400 Seiten und regelmäßige AMC-Änderungen schaffen echten Nachverfolgungsaufwand
• Dein Betrieb plant Wachstum, neue Flugzeugtypen, neue Standorte, neue Capability, und die Compliance-Komplexität wächst damit
• Du hast IT-Ressourcen oder Budget für externe Entwicklung, das ist kein Low-Code-Projekt

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

1. Betriebe mit unter 20 Technikern und enger Capability List. Die MOE ist bei kleinen Betrieben handhabbar kurz, und ein erfahrener Quality Manager kann sie vollständig überblicken. Der technische Aufwand übersteigt den Nutzen.

2. MOE liegt hauptsächlich in nicht-digitaler Form vor. Papier-MOE oder nicht strukturierte Scans ohne Volltextsuche machen die Indexierung aufwendig und fehleranfällig. Erster Schritt: Digitalisierung der MOE in durchsuchbares PDF oder Word. Das KI-System kommt danach.

3. Kein Quality Manager mit Zeit für Kalibrierungsarbeit. Die Kalibrierungsphase (3–5 Wochen interne Zeit für den Quality Manager) ist nicht verzichtbar. Ein System, das ohne fachliche Kalibrierung in Betrieb geht, produziert eine Flut von Falsch-Positiven und wird schnell als unzuverlässig abgestempelt, dann wird es nicht genutzt, und der Aufwand war umsonst.

Das kannst du heute noch tun

Bevor du technisch irgendwas tust: Nimm die letzten drei Audit-Reports und liste alle Findings auf. Markiere für jedes Finding: Wäre das mit einer systematischen Querprüfung der MOE gegen die aktuelle AMC-Version findbar gewesen? Diese Auswertung dauert 2–3 Stunden, und sie sagt dir direkt, ob der Business Case für dich stark oder schwach ist.

Dann: Teste das Konzept mit einem konkreten MOE-Abschnitt. Hier ist ein Prompt für Claude oder ChatGPT , lade einen einzelnen MOE-Abschnitt und den entsprechenden EASA-Text hoch. Nimm dafür einen Abschnitt ohne Vertrauliches, etwa das Schulungsverfahren ohne Namen, oder einen Team- beziehungsweise Business-Zugang mit Vertrag. Die vollständige MOE gehört nicht in einen privaten Chat-Zugang, siehe Datenschutz oben.

Quellen & Methodik

• Part-145 (Anhang II) und Part-M: Verordnung (EU) Nr. 1321/2014 in aktueller Fassung, mit AMC und GM in den Easy Access Rules for Continuing Airworthiness von EASA (Revision September 2025). Findings kennen dort nur Level 1 und Level 2.
• EASA NPA 2025-07: EASA Notice of Proposed Amendment „Detailed specifications and associated acceptable means of compliance and guidance material | Artificial intelligence trustworthiness”, veröffentlicht am 10. November 2025, Kommentierung bis März 2026 (easa.europa.eu/en/document-library/notices-of-proposed-amendment/npa-2025-07). Setzt Artikel 108 der KI-Verordnung um, noch nicht beschlossen.
• EU AI Act (Verordnung (EU) 2024/1689, geändert durch Verordnung (EU) 2026/1744): In Kraft seit 1. August 2024. Luftfahrt fällt nicht unter Anhang III, sondern über die Verordnung (EU) 2018/1139 unter Anhang I Abschnitt B. Nach Artikel 2 Absatz 2 gelten dafür nur Artikel 6 Absatz 1, die Artikel 102 bis 109 und Artikel 112. Wortlaut: artificialintelligenceact.eu/article/2/ und artificialintelligenceact.eu/annex/1/
• Kosten eines Findings: Keine repräsentative Studie verfügbar. Die 10.000 Euro in der Rechnung sind ein Beispielwert zum Ersetzen durch eure eigenen Zahlen.
• Claude ohne EU-Datenregion: Anthropic, Dokumentation zur Data Residency, ausgewertet auf unserer Toolseite zu Claude.

Du willst wissen, welche MOE-Abschnitte in deinem Betrieb das höchste Finding-Risiko tragen und wie eine Compliance-Assistent-Implementierung in eurem Kontext aussieht? Meld dich, das klären wir in einem kurzen Gespräch.