Kennzeichnungs-Erstellung für Medizinprodukte

Das echte Ausmaß des Problems

MDR Annex I §23 listet mehr als 20 Pflichtfelder und -angaben für Medizinprodukt-Kennzeichnungen. Je nach Produktklasse (I, IIa, IIb, III) kommen weitere Anforderungen hinzu. Für jeden Markt müssen Kennzeichnungen in der jeweiligen Landessprache vorliegen — das sind bei einem EU-weiten Launch bis zu 24 offizielle Sprachversionen. Dazu kommen marktspezifische Ergänzungen: Frankreich verlangt zusätzliche Angaben in bestimmten Produktkategorien, bestimmte Implantatprodukte benötigen in einigen Mitgliedstaaten erweiterte Angaben.

Der Zeitaufwand für eine vollständige Kennzeichnungsrevision liegt in der Praxis bei 3 bis 6 Stunden pro Sprachvariante — und das nicht nur beim ersten Erstellen, sondern bei jeder Änderung. Neue ISO-Norm, geänderter Lieferant, neuer Vertriebspartner, geänderte Zweckbestimmung: Jede Revision löst eine neue Runde aus. Laut einer Analyse der Johner Institut-Plattform zu MDR-Labeling-Anforderungen sind Kennzeichnungsfehler bei Medizinprodukten eines der häufigsten Prüfungsergebnisse bei Notified-Body-Audits — und nach Daten von UL Solutions waren Kennzeichnungsprobleme 2024 für rund 25 % aller Medizinprodukt-Rückrufe mitverantwortlich.

Besonders herausfordernd sind drei Situationen:

• Symbolwechsel durch Normänderungen: ISO 15223-1 wurde 2021 aktualisiert und im Amendment 1:2025 erneut geändert — das Symbol für den EU-Bevollmächtigten (früher „EC-REP”, jetzt „XX REP”) muss auf allen betroffenen Etiketten angepasst werden. Wer das bei der nächsten Kennzeichnungsrevision vergisst, macht einen bekannten Fehler.
• Mehrere Produktvarianten, viele Märkte: Ein Hersteller mit 30 Produkten in 10 EU-Märkten hat potenziell 300 Kennzeichnungsvarianten zu pflegen. Bei zwei RA-Mitarbeitenden bedeutet das: Ein Etikettenwechsel für alle Märkte dauert Wochen.
• Übersetzungsqualität bei Fachbegriffen: Generische Übersetzungstools übersetzen medizinische Zweckbestimmungen wörtlich — und produzieren dadurch Formulierungen, die in der Zielsprache regulatorisch inkorrekt oder missverständlich sind.

Mit vs. ohne KI — ein ehrlicher Vergleich

Diese Werte basieren auf Erfahrungsberichten aus der RA-Praxis kleiner und mittlerer Medizinproduktehersteller (5–200 Mitarbeitende). Deine Einsparungen hängen stark von der Anzahl der Produkte, Märkte und Revisionsfrequenz ab.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Der direkte Zeitgewinn pro Kennzeichnungsrevision ist erheblich: Statt 3–6 Stunden manuellem Abgleich liegt der Aufwand für einen KI-gestützten Vollständigkeitscheck und Übersetzungsentwurf bei unter 90 Minuten — das Prüfen und Freigeben durch den RA-Spezialisten kostet dabei weniger Zeit als das vollständige manuelle Erstellen. Dass der Wert nicht auf 5 liegt: Kennzeichnungserstellung ist in RA-Teams nur ein Teil des Workloads — Post-Market-Surveillance-Dokumentation oder Klinische Bewertung binden mehr Gesamtstunden.

Kosteneinsparung — mittel (3/5) Die direkten Einsparungen entstehen hauptsächlich durch günstigere und schnellere Übersetzungen sowie weniger externe Agenturkosten. Der indirekte Nutzen — vermiedene Rückrufkosten durch weniger Kennzeichnungsfehler — ist potenziell sehr hoch (ein Klasse-IIb-Rückruf kostet schnell 500.000 € aufwärts), aber schwer vorherzusagen, weil Kennzeichnungsfehler im eigenen Unternehmen selten gut dokumentiert sind. Mittelfeldwert für diese Branche: real, aber nicht der dominante ROI-Treiber.

Schnelle Umsetzung — niedrig (2/5) 8–12 Wochen bis zum validierten Pilotbetrieb sind realistisch — und es wäre riskant, weniger zu veranschlagen. Die KI-Prüfung muss als Qualitätsprozessschritt in das bestehende QMS integriert werden, die Checkliste muss dokumentiert und verifiziert sein, und die Validierungsdokumentation für das KI-gestützte Tool ist je nach Risikoklassifizierung des Produkts aufwändig. Wer das ohne QMS-Integration einführt, riskiert Non-Compliance beim nächsten Audit.

ROI-Sicherheit — hoch (4/5) Der Nutzen ist gut messbar: Wie viele Review-Runden wurden pro Kennzeichnungsrevision benötigt? Wie viele Pflichtfeld-Lücken wurden in der Erstprüfung gefunden? Wie lange hat die Übersetzung gedauert? Diese Kennzahlen lassen sich vor und nach der Einführung vergleichen. Kein 5, weil der Rückrufvermeidungs-Nutzen hypothetisch bleibt, solange kein Rückruf eingetreten ist — und ROI-Sicherheit bedeutet hier Messbarkeit, nicht nur theoretische Quantifizierung.

Skalierbarkeit — niedrig (2/5) Das ist die ehrlichste Einschätzung: Pro neuem Produkt und pro neuem Markt bleibt ein manueller Prüfaufwand bestehen — die Zweckbestimmung, die produktspezifischen Merkmale und die länderspezifischen Ergänzungen können nicht vollständig automatisiert werden. Die KI macht den ersten Entwurf schneller, eliminiert aber nicht die lineare Wachstumskurve. Ein Hersteller mit 5 Produkten und 5 Märkten profitiert wenig mehr als proportional bei 50 Produkten und 20 Märkten. Zum Vergleich: Eine interne Wissensdatenbank oder ein Post-Market-Surveillance-System skaliert echte Arbeitsstunden weg.

Richtwerte — stark abhängig von Produktanzahl, Märkten, Risikoklasse und der Reife eures QMS-Prozesses für Kennzeichnungen.

MDR-Pflichtfelder: Was auf jede Kennzeichnung muss

Bevor KI helfen kann, braucht es Klarheit darüber, was sie prüfen soll. MDR Annex I §23 und §24 definieren die Mindestanforderungen. Diese Felder müssen auf jedem Etikett oder in der begleitenden Gebrauchsanweisung enthalten sein:

Pflichtfelder auf dem Etikett (direktes Label):

• Name oder Handelsname des Produkts
• Hersteller: Name, Anschrift, Webseite
• EU-Bevollmächtigter (wenn Hersteller außerhalb EU): Symbol jetzt „XX REP” (Stand ISO 15223-1:2021/AMD 1:2025), nicht mehr „EC-REP”
• Grundlegende Angaben zur sicheren Verwendung (Indikationen, Kontraindikationen — je nach Komplexität auf Etikett oder in Gebrauchsanweisung)
• Losnummer oder Seriennummer (Rückverfolgbarkeit)
• UDI-DI und UDI-PI in HIBC- oder GS1-Format (Barcode/DataMatrix + lesbare Darstellung)
• MDR-Konformitätskennzeichen (CE-Zeichen + Kennnummer der Notified Body, sofern anwendbar)
• Symbole nach ISO 15223-1 für: Verwendbar bis (Stundenglas), Nicht wiederverwenden (2), Steril (falls anwendbar), Richtung für Lagerung, Temperaturbereich, usw.
• Landessprache der jeweiligen Marktversion für alle Textangaben

Zusätzliche Pflichtangaben (können auch in der Gebrauchsanweisung stehen):

• Zweckbestimmung (Intended Purpose) gemäß MDR Art. 2(12) — muss identisch mit der CE-zertifizierten Zweckbestimmung sein
• Zielgruppe (professionelle Anwender vs. Laien) und Warnhinweise
• Für implantierbare Produkte: Implantationsausweis-Anforderungen

Diese Liste ist nicht abschließend — je nach Produktklasse, Sterilität und Bestimmungsort kommen weitere Felder hinzu. Die aktuelle Norm-Version (ISO 15223-1:2021 mit Amendment 1:2025) ist verbindlich.

Was das KI-System konkret macht

Der KI-gestützte Prozess besteht aus drei Schritten, die voneinander getrennt und der Komplexität nach aufeinander aufbauen:

Schritt 1: Vollständigkeitsprüfung. Du übergibst den aktuellen Label-Entwurf (als Text oder OCR-Extrakt aus dem InDesign-/PDF-File) an ein LLM mit einer spezifischen MDR-Checkliste als Systemprompt. Das Modell prüft strukturiert gegen die Pflichtfelder, meldet Fehlende zurück und gibt eine Übersicht über alle gefundenen Inhalte. Das ist kein Rechtsrat — sondern ein Completeness-Check, der die menschliche Prüfung nicht ersetzt, aber systematischer macht.

Schritt 2: Symbol-Konsistenzprüfung. Du gibst eine Liste der verwendeten ISO-15223-1-Symbole (Codenummern oder Symbolnamen) vor und lässt das Modell gegen eine aktuelle Symbolliste prüfen. Wichtig: Wenn das Symbol für den Bevollmächtigten noch als „EC-REP” vorhanden ist, flaggt das System das als Mögliche Abweichung von der 2025er Revision — und du kannst es bei der nächsten Revision adressieren.

Schritt 3: Übersetzungsentwurf. Für länderspezifische Versionen generierst du mit DeepL (EU-Hosting, DSGVO-konform) zunächst einen maschinellen Rohübersetzungsentwurf. Danach übernimmt ein LLM die medizinische Terminologie-Überprüfung: Ist die Zweckbestimmung in der Zielsprache regulatorisch korrekt formuliert? Klingt die Sterilisationswarnung wie medizinisches Deutsch/Französisch/Spanisch oder wie ein Wörterbucheintrag? Der menschliche Review dauert dann Minuten, nicht Stunden.

Was das System definitiv nicht macht: Es überprüft nicht, ob die Zweckbestimmung korrekt und vollständig mit dem CE-Zertifikat übereinstimmt. Das ist eine inhaltliche Prüfung, die ein RA-Fachmensch leisten muss. Das System hilft bei der Form, nicht beim Inhalt.

Was KI darf und was nicht — die regulatorische Grenzlinie

Das ist die wichtigste Sektion dieser Seite.

MDR Art. 2(12) definiert die Zweckbestimmung als „die Verwendung, zu der ein Produkt nach den Angaben des Herstellers bestimmt ist.” Die Zweckbestimmung auf dem Etikett muss identisch mit der zertifizierten Zweckbestimmung im Technical File und dem Konformitätsbewertungsverfahren sein. Jede Abweichung kann das CE-Zertifikat gefährden.

Was KI darf:

• Übersetzen einer bereits freigegebenen Zweckbestimmung in eine andere Sprache (mit anschließendem menschlichen Review)
• Prüfen, ob alle Pflichtfelder vorhanden sind
• Stilvarianten der Formulierung vorschlagen — sofern klar ist, dass der RA-Spezialist die regulatorische Übereinstimmung bestätigt
• Symbollisten auf Aktualität prüfen
• Formatierung und Layout-Konsistenz prüfen

Was KI nicht darf und was dein Team aktiv verhindert:

• Eigenständig neue Aussagen zur Zweckbestimmung formulieren oder erweitern
• Indikationen ergänzen, die im CE-Zertifikat nicht genannt sind
• Warnhinweise weglassen oder abschwächen
• Symbole ersetzen ohne Prüfung gegen die aktuell gültige Norm-Version

Das ist keine theoretische Warnung: Wenn ein KI-System eine Zweckbestimmung übersetzt und dabei einen Begriff stärker formuliert als im Original — etwa aus „kann helfen bei der Diagnose von X” wird durch Übersetzung „diagnostiziert X” — ist das eine inhaltlich andere Aussage. Im Englisch-Deutschen-Übergang passiert genau das regelmäßig. Jede Zweckbestimmungsübersetzung braucht einen menschlichen RA-Review. Das ist nicht optional.

Fazit: KI ist für die Kennzeichnungserstellung ein Hilfswerkzeug, kein Entscheider. Der Mehrwert liegt in Systematik und Geschwindigkeit — die Verantwortung liegt beim RA-Spezialisten.

Konkrete Werkzeuge — was wann passt

Der Toolstack für KI-gestützte Kennzeichnungserstellung besteht aus maximal drei bis vier Komponenten:

ChatGPT (Teams-Plan) oder Claude (Team-Plan) — Für den Completeness-Check und die Terminologie-Prüfung. Beide Modelle verstehen komplexe regulatorische Checklisten, wenn sie als Systemprompt übergeben werden. ChatGPT Teams und Claude Team speichern keine Daten für Training und bieten Organisationsverwaltung — das ist die Mindestvoraussetzung für DSGVO-konforme Nutzung in diesem Kontext. Claude hat im Direktvergleich eine präzisere Sprachausgabe bei medizinischen Fachtexten und längeres Kontextfenster (wichtig bei mehrsprachigen Dokumenten).

DeepL (Business-Plan) — Für die initialen Übersetzungsentwürfe. EU-gehostet, DSGVO-konform mit AVV, Glossar-Funktion für konsistente medizinische Terminologie über alle Sprachpaare. Für die Kennzeichnungsübersetzung ist das Glossar entscheidend: Standardterminologie wie „Einmalgebrauch”, „steril”, „Implantierbar” muss über alle 24 EU-Sprachen konsistent übersetzt werden. Eine Übersetzungsagentur mit 80 €/Seite war gestern — für den Entwurf.

EasyIFU — Für elektronische Gebrauchsanweisungen (eIFU) und die damit verbundene Versionsverwaltung. Kostenlos für erste Produkte. Das System hostet die eIFU und generiert QR-Codes, die auf die aktuelle Sprachversion verweisen. Wenn eine Sprachversion aktualisiert wird, ändert sich die URL nicht — der Barcode auf der Verpackung bleibt gültig. Für Hersteller, die mehrere Märkte mit eIFU bedienen, ist das operativ viel einfacher als manuelle Hosting-Lösungen.

Greenlight Guru — Für Hersteller, die bereits ein QMS-System nutzen: Label-Versionen sollten in das QMS integriert sein, mit Versionsnummern, Change-Dokumentation und Freigabe-Workflow. Greenlight Guru bietet Document Control-Module, die das abbilden können. Preislich ist das eine größere Investition (~25.000–35.000 USD/Jahr), lohnt sich aber für Teams, die Label-Versionierung und Design Controls verknüpfen wollen.

Zusammenfassung: Wann welcher Ansatz

• Wenig Produkte, wenige Märkte, einfache Klasse I: ChatGPT/Claude für Checks + DeepL für Übersetzung + EasyIFU für eIFU
• Mehrere Produkte, viele Märkte, Klasse IIa/IIb: wie oben + QMS-Integration (Greenlight Guru oder Veeva Vault)
• Großes Portfolio, internationaler Roll-out: strukturierter Label-Management-Workflow mit Spezialsoftware (TransPerfect EnCompass o. Ä.)

Datenschutz und Datenhaltung

Medizinprodukt-Kennzeichnungen enthalten typischerweise keine Patientendaten — aber oft sensitive Geschäftsinformationen: unveröffentlichte Produktmerkmale, technische Spezifikationen, regulatorische Statusinformationen. Für die KI-Nutzung in diesem Kontext gilt:

Was auf welchem Tool verarbeitet werden darf:

• DeepL Business-Plan mit AVV: Vollständige Labeling-Texte dürfen übersetzt werden. Daten werden nach der Übersetzung sofort gelöscht, nicht für Training verwendet. EU-Hosting in Köln und Frankfurt.
• ChatGPT Teams-Plan: Daten werden nicht für Modelltraining genutzt. US-Hosting — für Kennzeichnungsinhalte ohne Patientenbezug akzeptabel, wenn AVV vorhanden und Datenschutzfolgenabschätzung (DSFA) durchgeführt wurde.
• Claude über AWS Bedrock (Frankfurt): EU-Datenverarbeitung möglich, AVV verfügbar. Empfohlen für Unternehmen mit strikten Datenschutzanforderungen.
• EasyIFU: EU-Hosting, Freigabe-Workflow mit Audit-Trail.

Wichtig für die QMS-Dokumentation: Wenn KI-gestützte Prozesse in der Kennzeichnungserstellung als validierter Schritt im QMS geführt werden, muss die Nutzung dokumentiert sein — inklusive Toolversion, Prompt-Version und wer den finalen Review durchgeführt hat. Das ist kein optionaler Schritt für Klasse-IIa/IIb-Hersteller.

DSGVO-Pflicht: Sobald Daten an einen Cloud-Anbieter übergeben werden, muss ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abgeschlossen sein. Alle genannten Tools bieten AVV — fordern ihn aktiv an, bevor du produktive Labeling-Daten überträgst.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Prompt-Entwicklung und Checklisten-Validierung: intern 2–4 Wochen RA-Aufwand (bestehende Ressource)
• QMS-Dokumentation des neuen Prozessschritts: 3–5 Tage, ggf. mit Berater
• Tool-Evaluierung und ggf. Mitarbeiterschulung: 1–2 Tage
• Externe Kosten gesamt: 0–5.000 € (sofern kein spezialisierter Implementierungsberater benötigt wird)

Laufende Kosten (monatlich)

• DeepL Business: ~50 €/Nutzer/Monat (1–2 RA-Nutzer) = 50–100 €/Monat
• ChatGPT Teams oder Claude Team: ca. 25–30 €/Nutzer/Monat = 50–90 €/Monat
• EasyIFU: kostenlos (Einstieg), bezahlte Pläne je nach Produktanzahl
• Gesamtlaufkosten: ca. 100–200 €/Monat für eine 2-Personen-RA-Abteilung

Dem gegenüber stehen:

• Externe Übersetzungsagentur heute: 50–80 €/Normseite; eine Sprachvariante mit 3 Seiten Label-Text = 150–240 €; bei 10 Märkten = 1.500–2.400 € pro Revision. Mit KI + DeepL: Entwurf für alle 10 Märkte in unter 2 Stunden intern.
• Zeitersparnis: 2 RA-Mitarbeitende je 2 Stunden weniger pro Sprachvariante = 4 Stunden; bei 4 Revisionen/Jahr und 10 Märkten = 160 RA-Stunden/Jahr. Bei 60 €/Stunde interner Vollkostenrate: 9.600 €/Jahr direkte Arbeitszeitersparnis.
• Vermiedene Audit-Findings durch Pflichtfeld-Lücken: Schwer zu beziffern, aber ein Major Finding beim Notified Body kostet typischerweise 3–6 Monate Nacharbeit und 5.000–15.000 € Audit-Mehrkosten.

Konservative Schätzung bei 10 Märkten, 5 Produkten, 4 Revisionen/Jahr: Toolkosten: ca. 2.000 €/Jahr. Direkte Einsparung: 12.000–20.000 €/Jahr. Break-even innerhalb von 2–3 Monaten.

Typische Einstiegsfehler

1. Den KI-Output als finale Kennzeichnung behandeln. Das ist der gefährlichste Fehler. Ein KI-System prüft gegen eine Checkliste und erstellt Entwürfe — es macht keine regulatorische Beurteilung. Ein Label mit korrekten Pflichtfeldern kann trotzdem inkorrekte Angaben enthalten (falsche Symbolgröße, falsche Norm-Version, unvollständige Zweckbestimmung). Der menschliche RA-Review ist kein optionaler Schritt — er ist der Schritt. Die KI macht diesen Schritt schneller und besser vorbereitet, sie ersetzt ihn nicht.

2. Den Prozess ohne QMS-Integration einführen. Wenn die KI-gestützte Prüfung kein dokumentierter Schritt im QMS ist, existiert sie für den Notified Body nicht. Im Audit wirst du gefragt: „Wie stellen Sie sicher, dass Ihre Kennzeichnungen vollständig sind?” Die Antwort „wir fragen das KI-Tool” ist keine QMS-konforme Antwort. Du brauchst eine SOP mit definierten Prüfschritten, Verantwortlichkeiten und Dokumentationsanforderungen.

3. Die Norm-Basis des Prompts nicht aktuell halten. ISO 15223-1 wurde 2025 geändert. MDR selbst wird durch Corrigenda und MDCG Guidance-Dokumente kontinuierlich konkretisiert. Wenn dein Prüf-Prompt die Anforderungen von 2022 enthält und du damit Etiketten ab 2025 prüfst, hast du einen blinden Fleck. Definiere, wer im RA-Team für die Prompt-Pflege verantwortlich ist — und wann ein Update ausgelöst wird (neue Norm-Version, neue MDCG Guidance, neuer Markt).

4. Übersetzungsentwürfe ohne medizinischen Fachterm-Review freigeben. DeepL produziert exzellente Übersetzungen für allgemeine Texte. Bei medizinischen Fachbegriffen — Diagnose, Indikation, Kontraindikation, Sterilisationsverfahren — ist der Entwurf immer als Entwurf zu behandeln. Ein RA-Fachmensch oder qualifizierter medizinischer Übersetzer muss die Zweckbestimmung in der Zielsprache bestätigen. Ohne diesen Schritt entstehen Haftungsrisiken.

Was mit der Einführung wirklich passiert — und was nicht

RA-Teams reagieren auf neue KI-Tools oft mit einem klaren Reflex: „Das dürfen wir nicht, das ist ein regulierter Prozess.” Das ist kein Widerstand aus Bequemlichkeit — es ist eine legitime Sorge, und sie muss ernst genommen werden.

Was wirklich passiert, wenn der Rollout gut läuft: Nach den ersten zwei, drei Pilotläufen ändert sich die Stimmung. Die RA-Spezialistin, die vorher zwei Tage für eine Sprachvariante gebraucht hat, sieht, dass der KI-Entwurf alle Pflichtfelder enthält, die Terminologie brauchbar ist und die Symbole korrekt sind — und dass sie die eigentliche Prüfung jetzt in 45 Minuten erledigt statt in vier Stunden. An diesem Punkt wird aus dem skeptischen Kollegen oft der beste Multiplikator für die weitere Einführung.

Was nicht passiert: Das System löst nicht die Frage, ob eure Kennzeichnungsvorlagen und QMS-Prozesse aktuelle sind. Wenn das RA-Team seit 2022 keine strukturierte Prüfung gemacht hat, welche MDR-Änderungen eure Etiketten betreffen, hilft auch KI nicht weiter. Die KI prüft gegen einen Prompt — der Prompt muss das aktuelle Wissen enthalten.

Typisches Widerstands-Muster: „Was, wenn das KI-Modell einen Fehler macht?” Die richtige Antwort ist keine philosophische Diskussion über KI-Fehlerquoten — es ist die konkrete Beschreibung des Review-Schritts: Was prüft der Mensch noch? Was ist die finale Freigabe-Instanz? Wenn diese Fragen klar beantwortet sind, löst sich der Einwand meist auf.

Was konkret hilft:

• Einen Piloten mit einem schon freigegebenen Etikett starten: Das bestehende Label durch die KI-Checkliste laufen lassen und schauen, was das System findet. Wenn es nichts findet, ist das eine Bestätigung des bestehenden Prozesses. Wenn es etwas findet, ist das wertvolles Feedback.
• Den Prompt-Text als QMS-Dokument behandeln und versionieren — nicht als interne Chat-Notiz.
• Eine klare Trennung zwischen „KI-Check” (Schnelligkeit, Konsistenz) und „RA-Freigabe” (Verantwortung, Fachkompetenz) kommunizieren.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die QMS-Integration ist kein bürokratisches Hindernis, das man umschiffen kann. Für Klasse-IIa/IIb-Hersteller ist ein nicht-dokumentierter KI-Prozessschritt in der Kennzeichnung ein Audit-Finding. Das kostet mehr Zeit als die QMS-Dokumentation selbst.

Häufige Einwände — und was dahintersteckt

„KI kann keine regulatorischen Entscheidungen treffen — das ist nichts für uns.” Stimmt — KI trifft hier keine regulatorischen Entscheidungen. Sie prüft Vollständigkeit gegen eine definierte Checkliste und übersetzt Texte. Das ist das Gleiche, was ein erfahrener RA-Mitarbeiter in der ersten Prüfrunde tut — nur systematischer und schneller. Die regulatorische Entscheidung trifft nach wie vor der Mensch.

„Das muss im QMS dokumentiert sein — das ist zu aufwändig.” Die Dokumentation des Prozessschritts in der SOP dauert 1–2 Tage. Verglichen mit den eingesparten Stunden über ein Jahr ist das ein überschaubarer Aufwand. Und der umgekehrte Fall — ein undokumentierter Prozess, der beim Audit auffällt — kostet deutlich mehr.

„Was, wenn sich die MDR-Anforderungen ändern?” Dann wird der Prompt aktualisiert — genau wie heute die manuelle Checkliste aktualisiert wird. Der Vorteil: Eine aktualisierte Prompt-Vorlage kann sofort für alle zukünftigen Prüfungen genutzt werden, ohne dass jeder RA-Mitarbeiter individuell nachgeschult werden muss. Der Prompt ist die aktuell gültige Checkliste.

„Wir haben nur 10 Produkte und 3 Märkte — lohnt sich das?” Das hängt von der Revisionsfrequenz ab. Wenn du 4-mal pro Jahr eine Kennzeichnungsrevision durchführst und 3 Sprachen pflegst, spare du ~48 RA-Stunden/Jahr. Bei 60 €/Stunde interner Vollkostenrate sind das 2.880 € — mehr als die Jahreslizenzkosten. Für sehr kleine Teams mit sehr stabilen Produkten (eine Revision pro Jahr, zwei Märkte) lohnt sich das Setup möglicherweise nicht.

Woran du merkst, dass das zu dir passt

Du bist ein guter Kandidat für diesen Use Case, wenn mehrere der folgenden Aussagen zutreffen:

• Dein RA-Team pflegt Kennzeichnungen für mehr als 3 EU-Märkte und mehr als 5 Produktvarianten
• Jede Kennzeichnungsrevision löst manuelle Übersetzungsaufträge aus, die Wochen dauern
• Du hast in den letzten 12 Monaten Findings durch den Notified Body zum Thema Kennzeichnung erhalten
• Deine RA-Mitarbeitenden verbringen mehr als 20 % ihrer Zeit mit Kennzeichnungsaufgaben
• Ihr seid auf Wachstumskurs und plant, neue Märkte zu erschließen — mehr Märkte = mehr Sprachvarianten

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 3 Produkte für weniger als 3 Märkte. Bei dieser Größe ist die Setup-Investition (QMS-Dokumentation, Prompt-Validierung, Tool-Integration) unverhältnismäßig. Eine gut gepflegte manuelle Checkliste ist effizienter.

2. Kein dokumentiertes QMS-Prozessschritt für die Kennzeichnungserstellung vorhanden. Wenn eure aktuelle Kennzeichnung nicht durch eine dokumentierte SOP mit Freigabeschritt abgesichert ist, ist das der erste Schritt — nicht die KI-Erweiterung. Ein KI-System, das auf einen nicht-validierten Prozess aufgesetzt wird, hilft nicht weiter.

3. Keine Person verfügbar, die den Prompt und die Checkliste aktuell hält. Wenn die Norm-Basis des Prüf-Prompts veraltet, verliert das System seinen Wert — und du weißt es nicht, weil das System trotzdem Outputs produziert. Ohne eine namentlich verantwortliche Person für die Prompt-Pflege darf dieses System nicht in Produktion gehen.

Das kannst du heute noch tun

Öffne ChatGPT (Teams-Plan) oder Claude (Team-Plan), kopiere den Prompt unten und füge einen eurer aktuellen Etikettentexte als Klartext ein. Du bekommst in wenigen Minuten einen strukturierten Bericht darüber, welche Pflichtfelder erkannt wurden und welche möglicherweise fehlen.

Das ist kein Test unter Produktionsbedingungen — aber es zeigt dir sofort, ob das Konzept für eure Produkte funktioniert. Wenn das System fünf Felder findet, die ihr manuell auch gefunden hättet, und eines, das ihr übersehen hättet: Das ist ein produktiver erster Test.

Quellen & Methodik

• MDR Annex I §23/§24 Pflichtfelder: EU-Medizinprodukteverordnung (EU) 2017/745 (MDR), Anhang I Kapitel III — „Anforderungen an die mit dem Produkt gelieferten Informationen”. Volltext: de-mdr-ivdr.tuvsud.com
• ISO 15223-1:2021/AMD 1:2025 (Symbol-Änderung EU-Bevollmächtigter): KEYMKR Blog, Januar 2025 — „Das neue Symbol für Bevollmächtigte, den ‘Authorized Representatives’, und was Hersteller jetzt wissen müssen”. keymkr.com
• Kennzeichnungsfehler als Rückrufgrund (~25 % aller Recalls): UL Solutions, „Medical Device Recalls: Key Trends from 2024”. ul.com
• TransPerfect EnCompass (bis zu 50 % Kostenreduktion bei Labeling-Erstellung): TransPerfect Pressemitteilung, 2019 — „First System for Labeling & Marketing Content Automation & MDR/IVDR Compliance”. transperfect.com — Anbieterseitige Angabe, nicht unabhängig verifiziert.
• Johner Institut Labeling-Ressourcen: Johner Institut, „Labeling: Verpackung für Medizinprodukte und Kennzeichnung” (aktualisiert 2025). johner-institut.de
• Regulatorische Hinweise zu KI in Übersetzung und Label-Inhalt: decomplix, „Medical device ‘labelling’ language requirements under the EU MDR and IVDR” (2024). decomplix.com
• Preisangaben DeepL Business: Veröffentlichter Tarif (Stand Mai 2026). deepl.com/pro
• Greenlight Guru Pricing: OpenRegulatory, „Greenlight Guru Price: Crazy increase (12/2025 update)”. openregulatory.com — $25.000–$35.000/Jahr für Einstieg.

Willst du wissen, wie dieser Prozess konkret in dein QMS passt oder welche Prompts für deine spezifische Produktklasse sinnvoll sind? Meld dich — wir schauen uns das gemeinsam an.