Schulungsunterlagen für Medizingeräte KI-gestützt erstellen

Das echte Ausmaß des Problems

Wer Schulungsunterlagen für Medizingeräte erstellt, kämpft auf mehreren Fronten gleichzeitig.

Erstens die Informationsdichte. Eine Gebrauchsanweisung (IFU) für ein Klasse-II-Gerät umfasst typischerweise 30–80 Seiten. Für Servicetechniker kommt eine Serviceanleitung mit ähnlichem Umfang hinzu. Für den Außendienst eine Verkaufspräsentation. Für Endanwender eine Kurzanleitung. Für Auszubildende im Krankenhaus ein E-Learning-Modul. Jedes dieser Dokumente hat eine andere Zielgruppe, eine andere Sprachebene, einen anderen regulatorischen Status.

Zweitens die Sprachpflicht. Nach Art. 10 MDR 2017/745 muss die Gebrauchsanweisung in allen Amtssprachen der Mitgliedstaaten vorliegen, in denen das Produkt auf den Markt gebracht wird. Wer 15 EU-Märkte beliefert, braucht 15 Sprachversionen. Das Translation-Volumen steigt mit der Wortanzahl — und laut dem Übersetzungsdienstleister AbroadLink hat der MDR-Übergang die durchschnittliche IFU-Wortanzahl um 40 bis 200 Prozent erhöht, weil Annex I §23 deutlich mehr verpflichtende Inhalte vorschreibt als die Vorgängerrichtlinie MDD.

Drittens die Aktualisierungslast. Jedes Produktupdate — neue Softwareversion, geändertes Zubehör, neue Kontraindikation, neue Sicherheitswarnung — löst eine Dokumentationskaskade aus. Die technische Dokumentation ändert sich, und alle davon abgeleiteten Schulungsmaterialien müssen nachgezogen werden. Bei einem Unternehmen mit drei bis fünf aktiven Produktlinien und zweimal jährlichen Updates: Das ist kein Einzelprojekt, das ist ein Dauerbetrieb.

Viertens der Fachkräftemangel in Technischer Redaktion. Qualifizierte technische Redakteure mit Medizintechnik-Erfahrung und MDR-Kenntnissen sind knapp. Externe Agenturen verlangen für IFU-Projekte laut instrktiv.com typischerweise 2.500 bis 10.000 Euro — je nach Gerätekomplexität, Illustrationsbedarf und Sprachen. Pro Dokument, wohlgemerkt.

Die Folge: Schulungsunterlagen werden aktualisiert, wenn Zeit da ist. Nicht, wenn sie aktualisiert werden müssten. Servicetechniker arbeiten mit veralteten Anleitungen. Neue Vertriebsmitarbeitende lernen aus Folien, die das letzte Feature-Set beschreiben, nicht das aktuelle.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der letzte Punkt ist der entscheidende: Die Netto-Zeitersparnis ist real, aber kleiner als das Drafting-Potenzial vermuten lässt. Wer 60–70 Prozent der Gesamtzeit im Freigabeprozess verbringt — und das ist in ISO-13485-zertifizierten Unternehmen realistisch —, spart mit KI einen kleinen Teil der Gesamtdurchlaufzeit, nicht die Hälfte.

Einschätzung auf einen Blick

Zeitersparnis — begrenzt (2/5) Das klingt überraschend für einen Anwendungsfall, bei dem KI nachweislich 40–60 Prozent der Drafting-Zeit einspart. Aber die Drafting-Phase ist nicht der Engpass. Bei ISO-13485-zertifizierten Herstellern steckt 60–70 Prozent der Gesamtzeit im Dokumentenfreigabeprozess: Fachprüfung durch Regulatory Affairs, Risikoabwägung nach ISO 14971, Unterschrift durch die Qualitätsleitung, Versionierung im DMS. All das ändert sich durch KI nicht. Verglichen mit anderen Anwendungsfällen in dieser Kategorie — wo KI ganze Arbeitsprozesse automatisiert, statt nur Entwürfe zu beschleunigen — ist der Netto-Hebel hier deutlich geringer.

Kosteneinsparung — begrenzt (2/5) Die größten messbaren Einsparungen liegen in der Übersetzung: KI-Vorentwürfe mit DeepL und anschließendem Post-Editing durch Fachübersetzer reduzieren die Übersetzungskosten um 30–50 Prozent gegenüber reiner Humanübersetzung (Erfahrungswert aus Praxisprojekten mit medizinischen Fachtexten). Beim Drafting selbst sparst du Agenturkosten — wenn du jemanden intern hast, der das KI-Output prüfen und korrigieren kann. Das setzt voraus, dass die eingesparte externe Redaktionszeit nicht durch internen Prüfaufwand kompensiert wird.

Schnelle Umsetzung — mittel (3/5) Einen ersten KI-unterstützten Schulungsentwurf hast du in wenigen Stunden. Bis ein Pilotinhalt offiziell freigegeben und im LMS live ist, vergehen realistisch 6–10 Wochen: Systemauswahl oder -integration, Prozessabstimmung mit QA und Regulatory, erster Dokumentdurchlauf, Freigabeschleife. Schneller als viele andere Anwendungsfälle im regulierten Umfeld — aber keine Overnight-Lösung.

ROI-Sicherheit — mittel (3/5) Der ROI ist messbar, aber er teilt sich auf mehrere Posten auf: gesparte Redaktionszeit, günstigere Übersetzungen, kürzere Durchlaufzeiten bei Updates. Diese Posten sind real, aber sie erfordern eine interne Kostentransparenz, die viele Unternehmen nicht haben. Wer nicht weiß, was eine Stunde technische Redaktion oder eine Übersetzungsseite heute kostet, kann auch keine Einsparung messen. Der ROI wird klarer mit der dritten oder vierten abgeschlossenen Update-Runde — nicht beim ersten Einsatz.

Skalierbarkeit — hoch (4/5) Hier liegt der eigentliche Vorteil. Ein einmal eingerichtetes System mit Prompt-Vorlagen, abgestimmten Dokumenttypen und integrierten Quellen skaliert über das gesamte Produktportfolio. Für das zweite Gerät brauchst du keine neue Infrastruktur — nur neue Quelldokumente. Limitation: Die obligatorische Fachexpertenprüfung skaliert nicht mit. Für jedes neue Dokument muss jemand mit Medizintechnik- und MDR-Kenntnissen drüberschauen. Das ist keine KI-Schwäche, das ist regulatorische Realität.

Richtwerte — stark abhängig von Geräteklasse, Anzahl der Zielmärkte und QMS-Komplexität.

Was KI bei Schulungsunterlagen konkret macht

Generative KI bei der Erstellung von Schulungsunterlagen bedeutet: Du gibst dem System deine technische Dokumentation — IFU-Vorentwurf, Risikobewertung, Technische Spezifikation — und es generiert daraus zielgruppengerechte Schulungsinhalte. Das heißt konkret:

Zielgruppenspezifische Umformulierung. Aus dem regulatorischen Fachtext der IFU entstehen eine Kurzanleitung für Endanwender (laienverständlich, max. Sätze einer Druckzeile), ein Schulungsmodul für Servicetechniker (technisch präzise, Schritt-für-Schritt-Abläufe) und ein Feature-Briefing für den Außendienst (verkaufsfokussiert, Nutzenmerkmal vor Technologiemerkmal). Drei verschiedene Formate aus einer Quelle — das spart die gefährlichsten Fehler: Inkonsistenzen zwischen Dokumenten, die dieselbe Gerätefunktion unterschiedlich beschreiben.

Lernziele und Quizfragen. Aus Produktbeschreibungen und Verfahrensanweisungen generieren LLMs strukturierte Lernziele nach Bloom-Taxonomie und passendes Assessment-Material. Was manuell 2–3 Stunden dauert, geht in 15–30 Minuten — mit anschließender Prüfung, ob die Fragen tatsächlich das messen, was sie messen sollen.

Übersetzungsvorentwürfe. KI-Vorentwürfe in den Zielsprachen, anschließend durch Fachübersetzer mit medizinischem Hintergrund gegengelesen. Die Einsparung gegenüber Vollübersetzung liegt typischerweise bei 30–50 Prozent — das Post-Editing ist kürzer als eine Neuübersetzung, aber nicht kürzer als null.

Was KI dabei nicht kann: Bewerten, ob eine Sicherheitswarnung vollständig ist. Erkennen, dass das Quelldokument veralteter Stand ist. Einschätzen, ob ein Schulungsschritt die für IEC 62366-1 geforderte Usability-Anforderung erfüllt. Das sind Fachaufgaben für Menschen mit MDR-Kenntnissen.

Dokumenttypen und was KI dabei leisten kann

Nicht alle Schulungsdokumente für Medizingeräte sind gleich reguliert. Das bestimmt direkt, wie groß der KI-Hebel jeweils ist.

Gebrauchsanweisung (IFU) — hohes regulatorisches Gewicht Die IFU ist Pflichtbestandteil der technischen Dokumentation nach MDR Annex I §23. Inhalt, Sprache und Darstellung unterliegen strengen Vorgaben. KI kann einen Erstentwurf liefern, aber jede Zeile muss durch Regulatory Affairs geprüft werden. Der Freigabeprozess läuft wie jede Dokumentenänderung durch das QMS — inklusive formaler Freigabe und Versionskontrolle. KI-Zeitersparnis hier: begrenzt auf die Drafting-Phase.

Quick Reference Card / Kurzanleitung — mittleres Gewicht Muss inhaltlich mit der IFU übereinstimmen, ist aber oft weniger formal reguliert als die IFU selbst. KI kann hier schnell erste Versionen liefern. Freigabeprozess kürzer, aber vorhanden. Gut geeignet für den KI-Einstieg, weil die Dokumentlänge überschaubar und die Anforderungen klarer definiert sind.

Serviceanleitung / Technisches Handbuch — mittleres Gewicht Für Servicetechniker bestimmt. Teilweise Firmenvertraulich, nicht für Endanwender. Regulatorisch weniger streng als die IFU, aber technisch präzise. KI kann aus der technischen Spezifikation Schritt-für-Schritt-Wartungsanleitungen strukturieren. Risiko: Verfahrensschritte falsch oder unvollständig — das merkt der Servicetechniker oft erst im Feld.

E-Learning-Modul / SCORM-Kurs — geringes bis mittleres Gewicht Direkt für LMS-Plattformen wie iSpring Suite oder Moodle produziert. Das Modul selbst ist kein reguliertes Dokument, muss aber inhaltlich auf dem Stand der freigegebenen IFU basieren. KI kann Kursstruktur, Quizfragen und Lernziele generieren. Authoring-Tools wie Easygenerator haben KI-Funktionen, die direkt aus hochgeladenen Dokumenten Kursstrukturen vorschlagen. Größter KI-Hebel: Hier wird am meisten manuelle Arbeit eingespart.

Vertriebspräsentation / Feature Briefing — geringes Gewicht Kein reguliertes Dokument, aber inhaltlich an IFU und Zulassungsgrundlagen gebunden (Produktansprüche dürfen nicht über das zugelassene Intended Use hinausgehen). KI kann schnell verkaufsfokussierte Nutzenbeschreibungen aus Technikdaten ableiten. Größte Freiheit für KI-Einsatz — geringste Compliance-Hürde.

Fazit: Für E-Learning-Module und Vertriebspräsentationen ist der KI-Hebel am größten. Für IFU und Serviceanleitung bleibt der Prüfaufwand dominierend.

Was der Freigabeprozess bedeutet — und warum KI nur der erste Schritt ist

Das ist das Thema, das in KI-Marketing-Materialien fast nie auftaucht — aber für Medizintechnikunternehmen das Entscheidende ist.

Jeder Hersteller von Klasse I bis III, der nach ISO 13485 zertifiziert ist, hat einen Dokumentenfreigabeprozess im QMS. Das ist kein optionales Feature, das ist eine Bedingung für die CE-Kennzeichnung. Dieser Prozess schreibt vor:

1. Jedes freigegebene Dokument hat einen Versionsstatus und einen Freigabenden.
2. Änderungen durchlaufen einen Change Control-Prozess — inklusive Bewertung, ob die Änderung eine Risikoabschätzung nach ISO 14971 auslöst.
3. Neue Versionen ersetzen alte Versionen — und die Schulungsunterlagen müssen mit der freigegebenen technischen Dokumentation konsistent sein.

Was bedeutet das für KI-generierte Inhalte? Dass sie niemals direkt in das freigegebene Dokumentenset eingehen. Sie sind immer Entwürfe — Rohfassungen, die den regulären Freigabeprozess durchlaufen müssen, bevor sie Servicetechnikern oder Anwendern zur Verfügung gestellt werden.

Praktisch bedeutet das: Der KI-Output landet als “Draft v0.1” im DMS oder als Bearbeitungsdatei beim zuständigen technischen Redakteur. Dieser prüft:

• Ob alle sicherheitsrelevanten Hinweise aus der aktuellen IFU enthalten sind (IEC 62366-1-Perspektive: Wurden alle kritischen Gebrauchsszenarien abgedeckt?)
• Ob keine veralteten Verfahrensbeschreibungen enthalten sind
• Ob die Risikohinweise nach ISO 14971 vollständig und korrekt kommuniziert sind

Erst nach dieser Prüfung und formaler Freigabe — mit Datum, Name und Signatur — wird aus dem KI-Entwurf ein freigegebenes Schulungsdokument.

Die Konsequenz: Wer keinen internen Fachmann mit MDR-Kenntnissen hat, der KI-Entwürfe prüfen kann, spart durch KI weniger als erwartet. Die externe Agentur, die bisher das Schreiben und die Prüfung gemacht hat, macht künftig nur noch die Prüfung — das reduziert den Aufwand, aber nicht auf null.

Konkrete Werkzeuge — was wann passt

Phase 1: Drafting und Umformulierung

ChatGPT oder Claude — für das Erstellen von Schulungsentwürfen aus technischen Quelldokumenten. Du lädst die IFU oder die relevanten Kapitel hoch und gibst vor, für welche Zielgruppe (Servicetechniker, Klinikmitarbeitende, Vertrieb) das Material bestimmt ist. Claude ist besonders stark bei strukturierten, langen Texten und liefert bei medizinischen Inhalten präzisere Strukturen. Beide erfordern EU-konforme Konfiguration für Produktionseinsatz (kein US-Consumer-Zugang für Produktionsdokumente).

NotebookLM — kostenloser Einstieg für erste Tests. PDFs hochladen, Fragen stellen, Inhalte zusammenfassen lassen. Gut geeignet, um zu sehen, ob das Konzept für deine Dokumentenbasis funktioniert — bevor du einen Euro ausgibst. Nicht für Produktionseinsatz mit regulierten Inhalten (US-Datenhosting).

Phase 2: E-Learning-Authoring

Easygenerator — für das schnelle Erstellen von SCORM-Kursen direkt aus hochgeladenen Dokumenten. EasyAI schlägt aus dem hochgeladenen Inhalt Kursstruktur, Lernziele und Quizfragen vor. Gut für Fachexperten ohne Instruktionsdesign-Kenntnisse. EU-Hosting in Frankfurt. Ca. 116 USD/Monat für einzelne Autoren.

iSpring Suite — PowerPoint-Plugin, das bestehende Präsentationen direkt in SCORM-Kurse konvertiert. KI-Assistent generiert automatisch Quizfragen aus Folienmaterial. Besonders stark, wenn du viele bestehende PPT-Schulungsfolien hast, die du versionieren und für das LMS bereitstellen willst. Preis: ca. 770 EUR/Autor/Jahr. Clients: Pfizer, Novartis, J&J nutzen iSpring für medizinische Schulungen.

Articulate Rise 360 — Branchenstandard für responsive E-Learning-Kurse. Sehr schnelle Produktion, alle LMS-Standards (SCORM, xAPI). KI-Assistent generiert Kursentwürfe aus Briefings. Einschränkung: US-Datenhosting — für Produktionsinhalte mit regulierten Texten muss das geprüft werden. Ca. 1.449 USD/Nutzer/Jahr.

Synthesia — KI-Video-Plattform für Schulungsvideos mit Avatar-Sprechern. Aus einem Textskript entsteht ein professionelles Erklärvideo — ohne Kamera, Studio oder Sprecherin. Besonders stark für mehrsprachige Trainingsvideos: Synthesia unterstützt 160+ Sprachen. EU-Datenhosting, GDPR-konform. Starter ab 18 USD/Monat.

Phase 3: Übersetzung

DeepL — für Vorentwürfe aller EU-Sprachversionen. Gepaart mit einem Fachübersetzer für Post-Editing. Wichtig: DeepL ist nicht für direkte Veröffentlichung regulierter Texte geeignet — aber als Grundlage für Post-Editing reduziert es die Übersetzerkosten erheblich. Kostenlos bis 50.000 Zeichen/Monat, Team ab ca. 25 €/Nutzer/Monat. EU-Hosting in Köln und Frankfurt.

Paligo — Component Content Management System (CCMS) für technische Dokumentation mit integrierten Übersetzungsworkflows. Für Unternehmen mit mehreren Sprachen und hohem Wiederverwendungspotenzial von Inhaltskomponenten. Sinnvoll ab einer gewissen Dokumentvolumengröße — unter ca. 5 Produktlinien ist der Einrichtungsaufwand hoch im Verhältnis zum Nutzen. Preis auf Anfrage, typisch ab ca. 5.000–8.000 USD/Jahr.

Zusammenfassung: Wann welcher Ansatz

• Erste Tests mit vorhandener IFU → NotebookLM (kostenlos)
• E-Learning-Kurse für Fachexperten ohne Instruktionsdesign-Kenntnisse → Easygenerator
• Viele bestehende PowerPoint-Schulungsfolien → iSpring Suite
• Mehrsprachige Trainingsvideos → Synthesia
• Übersetzungskosten senken → DeepL + Fachübersetzer Post-Editing
• Mehrere Sprachen, große Dokumentvolumina, Wiederverwendung → Paligo

Datenschutz und Datenhaltung

Schulungsunterlagen für Medizingeräte enthalten in der Regel keine personenbezogenen Patientendaten — aber sie enthalten oft Betriebsgeheimnisse: unveröffentlichte Sicherheitshinweise, noch nicht freigegebene Produktspezifikationen, interne Freigabestatus. Das macht Datenschutz zur Frage nicht nur des Gesetzes, sondern auch des Unternehmensinteresses.

Die wichtigsten Fragen für deinen Einsatz:

Werden Produktdaten in US-Cloud-Diensten verarbeitet? ChatGPT (US), Articulate Rise 360 (US) und NotebookLM (US) verarbeiten Inhalte standardmäßig auf US-Servern. Für Schulungsinhalte, die auf unveröffentlichten oder vertraulichen technischen Informationen basieren, sollte das geprüft werden — nicht nur aus DSGVO-Sicht, sondern auch aus IP-Schutzgründen. Claude über AWS Bedrock Frankfurt und DeepL mit EU-Hosting sind hier die DSGVO-konformeren Alternativen.

Gilt der EU AI Act? Ab August 2026 greifen die zentralen Bestimmungen des EU AI Acts. Schulungsunterlagen für Medizingeräte sind selbst kein KI-System im Sinne des AI Acts — aber wenn KI-generierte Inhalte direkt in Schulungsprozesse für sicherheitskritische Geräte einfließen, sollte das in einer internen Risikobewertung dokumentiert sein.

Auftragsverarbeitung (AVV). Wer Produktdaten an externe Dienste gibt, muss einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO abschließen. Alle genannten Tools bieten AVV-Vorlagen — bei DeepL, Easygenerator und Synthesia direkt im Self-Service.

Empfehlung für Produktionseinsatz: Für Inhalte, die auf vertraulichen oder unveröffentlichten technischen Daten basieren, ausschließlich EU-gehostete oder on-premise Lösungen einsetzen. Für Tests und Konzeptvalidierung mit bereits veröffentlichten Dokumenten sind US-Dienste akzeptabler — aber das muss intern entschieden und dokumentiert sein.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Prozessdesign (Prompt-Vorlagen, Dokumenttypen-Templates, QMS-Prozessanpassung): 2–8 Wochen interner Aufwand + ggf. externe Beratung (5.000–15.000 €)
• LMS-Integration oder -Einrichtung: Je nach vorhandenem System 2.000–10.000 € (falls kein LMS vorhanden)
• Testlauf und Validierung erster Pilotdokument: 1–2 Wochen interner Aufwand

Laufende Kosten (monatlich, typische Medizintechnik-KMU)

• Easygenerator: ca. 116 USD/Monat (1 Autor)
• iSpring Suite: ca. 64 EUR/Monat (770 EUR/Jahr, 1 Autor)
• DeepL Team: ca. 25 €/Nutzer/Monat
• Synthesia Starter: ab 18 USD/Monat
• Summe: ca. 200–300 €/Monat für eine typische Konfiguration

Was du dagegen rechnen kannst Eine externe technische Redaktion berechnet für ein IFU-Update typischerweise 2.500–8.000 € (laut instrktiv.com) — je nach Komplexität und Illustrationsbedarf. KI-gestütztes Drafting mit anschließendem Post-Editing durch externe Fachleute liegt bei 30–50 Prozent davon. Für ein Unternehmen mit 4–6 Dokumentenupdates pro Jahr sind das potenzielle Einsparungen von 8.000–25.000 € jährlich. Übersetzungskosten kommen hinzu: Wer 6 EU-Sprachen beliefert und pro Update 1.500–4.000 € Übersetzung zahlt, kann durch DeepL-Post-Editing-Workflow 40–60 Prozent davon sparen.

Wie du den Nutzen tatsächlich misst Verfolge drei Kennzahlen: (1) Stunden von Erstentwurf bis freigegebenem Dokument — vor und nach KI-Einführung. (2) Kosten externer Redaktion und Übersetzung — Jahresvergleich. (3) Durchlaufzeit eines typischen Dokumentenupdates. Wenn du diese Zahlen heute nicht hast, beginne jetzt damit, sie zu erfassen — das ist die Voraussetzung für jeden ehrlichen ROI-Nachweis.

Vier typische Einstiegsfehler

1. KI mit der falschen Quelldatei starten. Der häufigste Fehler ist nicht fehlende Technik, sondern fehlendes Quellmanagement: Der LLM bearbeitet den falschen Dokumentstand. In Unternehmen, die technische Dokumentation in mehreren Ordnern, DMS-Versionen oder E-Mail-Anhängen verwalten, ist die Chance hoch, dass der KI als Eingabe eine veraltete IFU-Version oder ein Entwurfsdokument mitgegeben wird — und der generierte Output dann Sicherheitshinweise enthält, die bereits geändert wurden. Lösung: Bevor KI einsetzt wird, sicherstellen, dass genau eine freigegebene Masterquelle definiert ist — und dass nur diese als KI-Input verwendet wird.

2. Freigabeprozess für KI-Inhalte nicht anpassen. Viele Unternehmen starten KI-Drafting, ohne den QMS-Prozess anzupassen. Das Ergebnis: KI-generierte Entwürfe werden mit denselben Prüfanforderungen wie Neuerstellungen behandelt — was den Zeitvorteil wieder aufzehrt. Eine saubere Lösung: Im QMS einen “KI-gestützter Erstentwurf”-Status definieren, der klar vom blanken Leerdokument unterschieden ist. Die prüfende Person weiß dann: Hier muss nicht von Null geprüft werden, sondern konkret auf Vollständigkeit und Korrektheit des vorhandenen Entwurfs. Das beschleunigt die Prüfung ohne Qualitätsverlust.

3. Übersetzen, ohne den Originaltext optimiert zu haben. KI-Vorentwürfe in einer Sprache, die dann in 10 Sprachen übersetzt werden, multiplizieren Fehler. Eine unklare Formulierung auf Deutsch erzeugt 10 unklare Übersetzungen. Die Investition in einen sauberen deutschen Mastertext — einfache Sätze, konsistente Terminologie, keine Mehrdeutigkeiten — zahlt sich bei jedem weiteren Übersetzungsschritt aus. Das gilt besonders dann, wenn Translation Memory eingesetzt wird: Falsch verwendete Terminologie im Masterdokument korrumpiert das Translation Memory für alle Folgedokumente.

4. Skalieren, bevor der erste Zyklus validiert ist. Viele Unternehmen starten mit KI-Schulungsunterlagen, produzieren in wenigen Wochen zehn neue Dokumente — und merken erst beim vierten, dass ein Sicherheitshinweis systematisch fehlt, weil der Prompt ihn nicht explizit abfragt. Der erste Zyklus sollte daher mit einem einzigen Dokumenttyp begonnen werden, ein vollständiger Prüfdurchlauf gemacht werden, und erst dann auf weitere Typen ausgeweitet werden. Sonst verteilen sich potenzielle Fehler über das gesamte Portfolio.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist das Einfachste. Das Schwierigere ist die organisatorische Anpassung.

Das Regulatory-Team reagiert oft skeptisch. In Unternehmen, in denen der Qualitätsleiter oder der Regulatory-Fachmann die Freigabe verantwortet, ist KI-generierter Content zunächst eine zusätzliche Quelle potenzieller Fehler — nicht eine Vereinfachung. Diese Reaktion ist nicht irrational. Sie ist die Reaktion von Menschen, die für den Konformitätsnachweis geradestehen und die Erfahrung gemacht haben, dass automatisierte Prozesse Fehler produzieren, die manuell nicht passiert wären. Lösung: Zeige dem Regulatory-Team, was der KI-Entwurf leisten kann und was nicht — und lass es bei der Definition des Prüfprozesses mitentscheiden. Wenn Regulatory das Prüfprotokoll selbst gestaltet, ist die Akzeptanz deutlich höher.

Das Schulungsteam entlastet sich, nicht die Prüfenden. Das kann zu internen Spannungen führen: Die Schulungskoordinatorin produziert schneller, aber der Qualitätsleiter hat dieselbe Prüflast. Die Lösung ist nicht mehr Tempo, sondern klarere Abgrenzung: Was prüft die KI (Vollständigkeit der Struktur), was prüft die Erstentwurf-Prüfperson (fachliche Korrektheit des Inhalts), was prüft der Freigabende (regulatorische Konformität). Diese drei Rollen zu trennen, beschleunigt den Prozess ohne Qualitätsverlust.

Die erste Frage nach dem Pilot ist: Wem gehört das Dokument? In vielen KMU ist die Dokumentenverantwortung implizit — irgendwie liegt die IFU bei Regulatory, das Training bei der Schulungskoordinatorin, und niemand ist formell für Konsistenz zwischen beiden verantwortlich. KI-gestützte Schulungsunterlagen machen diese Lücke sichtbar: Wenn das System automatisch aus der IFU generiert, aber die IFU sich ändert, ohne dass das Schulungssystem benachrichtigt wird, entstehen veraltete Trainingsmodule. Das braucht eine klare organisatorische Antwort — bevor KI eingeführt wird, nicht danach.

Rechtliche Besonderheiten: MDR, IEC 62366 und der EU AI Act

MDR 2017/745 Annex I §23 schreibt vor, welche Informationen mit dem Gerät mitgeliefert werden müssen — das ist die regulatorische Grundlage für die IFU. Diese Anforderungen definieren den Mindestinhalt, nicht die Form. KI-generierte Entwürfe, die diese Anforderungen nicht vollständig abdecken, sind als Vorlage für freigegebene IFUs ungeeignet. Die prüfende Person muss explizit gegen §23 prüfen.

IEC 62366-1 Usability Engineering definiert, wie Gebrauchsszenarien (use scenarios) analysiert und in Schulungsmaterialien übersetzt werden müssen. Formative Evaluierungen — die iterativen Usability-Tests während der Produktentwicklung — produzieren Erkenntnisse darüber, welche Bedienungsschritte Anwender missverstehen. Diese Erkenntnisse müssen in den Schulungsunterlagen explizit adressiert sein. Ein KI-Entwurf, der aus der IFU generiert wird, ohne Zugang zum Usability Engineering File zu haben, kann diese Erkenntnisse nicht berücksichtigen. Das ist eine echte inhaltliche Lücke, die kein Prompt-Engineering schließt.

ISO 14971 Risikomanagement schreibt vor, dass bekannte Risiken durch Information und Schulung mitigiert werden können — aber nur dann, wenn die Schulung nachweislich sicherstellt, dass Anwender die Risiken verstehen und korrekt handeln. Das bedeutet: Training, das laut IFU eine Risikominderungsmaßnahme darstellt, muss in seiner Wirksamkeit validiert werden. KI kann dabei helfen, Schulungsinhalte zu strukturieren, aber die Wirksamkeitsprüfung ist eine klinische oder usability-testbasierte Aufgabe.

EU AI Act (ab August 2026): Generative KI-Modelle fallen als “General Purpose AI” unter die Bestimmungen des AI Acts. Wer LLMs für die Erstellung von Schulungsinhalten für Medizingeräte nutzt, sollte prüfen, ob das verwendete Modell die geforderten Transparenzanforderungen erfüllt und ob eine interne Risikobewertung des KI-Einsatzes erforderlich ist. Das ist keine theoretische Zukunftsfrage: Die Pflichten für GPAI-Modelle gelten ab August 2026.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Ein LLM kann keine IFU schreiben — das ist zu risikobehaftet.” Richtig — aber das ist auch nicht der Anspruch. Ein LLM schreibt einen Erstentwurf, der von Fachleuten freigegeben werden muss. Kein freigegebenes Dokument verlässt das QMS ohne menschliche Prüfung. Der Unterschied ist: Die prüfende Person bekommt einen strukturierten Entwurf statt eines leeren Blatts — und spart damit Zeit in der Erstellungsphase, nicht in der Prüfungsphase.

„Unsere technische Dokumentation ist zu vertraulich für Cloud-Dienste.” Das ist ein valides Argument für bestimmte Inhalte. Die Antwort ist nicht “kein KI”, sondern “welche Inhalte können auf welcher Infrastruktur verarbeitet werden?” Für veröffentlichte IFUs, die ohnehin als öffentliche Dokumente registriert sind, ist das Argument schwächer als für unveröffentlichte Entwicklungsdokumente. Eine klare Klassifizierung — welche Dokumente können auf welche KI-Plattform — ist die Voraussetzung, nicht ein Ausschlusskriterium.

„Unser Regulatory-Team hat keine Zeit, KI-Outputs zu prüfen.” Das stimmt wahrscheinlich. Aber: Wenn das Regulatory-Team keine Zeit hat, ist das Problem nicht die KI — es ist die Kapazität. KI-gestütztes Drafting kann die Prüfung effektiver machen (Checklisten statt Freitextprüfung), aber es kann nicht die fehlende Kapazität ersetzen. Wer KI einführt, um Regulatory-Aufwand zu reduzieren, hat eine falsche Erwartung. Wer KI einführt, um denselben Regulatory-Aufwand schneller durchzusichern, ist realistischer.

Woran du merkst, dass das zu dir passt

Du profitierst von KI-gestützter Schulungsunterlagen-Erstellung, wenn:

• Dein Unternehmen mehr als drei aktive Produkte hat und Schulungsunterlagen regelmäßig aktualisiert werden müssen
• Du bereits technische Quelldokumente in digitaler Form hast (PDFs, Word-Dateien, freigegebene IFUs) — und die Bereitschaft, diese als saubere KI-Inputs zu pflegen
• Du externe Redaktionskosten oder Übersetzungskosten trägst und diese konkret messen kannst
• Du eine interne Person hast (Regulatory Affairs, Qualitätssicherung oder erfahrene Fachkraft), die KI-Entwürfe fachlich prüfen kann — ohne externen Berater für jeden Entwurf
• Du ein LMS nutzt oder planst zu nutzen und SCORM-Kurse für Servicetechniker oder Anwender bereitstellen willst

Drei harte Ausschlusskriterien — wann du es noch nicht tun solltest:

1. Keine interne Fachprüfperson vorhanden. Wenn für den KI-Output niemand intern die fachliche Prüfung übernehmen kann — und der externe Dienstleister die Prüfung und das Drafting ohnehin macht — dann änderst du nur das Werkzeug des Dienstleisters, aber nicht deine Kosten. Warte, bis eine Person intern aufgebaut ist.

2. Quelldokumente unstrukturiert oder nicht versionskontrolliert. Wenn die aktuelle IFU in fünf verschiedenen Dateiversionen auf freigegebenen Laufwerken kursiert, ist das erste Problem nicht KI, sondern Dokumentenordnung. Ein LLM, der aus der falschen Version arbeitet, produziert falsche Schulungsunterlagen — schneller als je zuvor. Zuerst ein klares Dokumentenmanagementsystem einrichten.

3. Geräteportfolio zu klein oder zu statisch. Für ein Unternehmen mit einem einzigen Gerät und Produktupdates alle zwei bis drei Jahre ist der Einrichtungsaufwand — Prozessdesign, Tool-Evaluation, QMS-Anpassung — kaum zu rechtfertigen. Erst ab regelmäßigem Dokumentationsvolumen (mehrere Produkte, häufige Updates, mehrere Sprachen) überwiegt der Nutzen.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein Setup, läuft im Browser. Lade die aktuellste freigegebene IFU deines meistgeschulten Produkts hoch. Stelle dann diese Frage: “Fass die fünf wichtigsten Sicherheitshinweise für eine Kurzanleitung für medizinische Fachkräfte zusammen.”

Was du in den nächsten 10 Minuten siehst: ob das System die Dokument-Struktur versteht und relevante Inhalte extrahiert. Das sagt dir mehr über den realen Nutzen in deinem Kontext als jeder Proof-of-Concept-Pitch.

Für den produktiven Einsatz — wenn du einen Erstentwurf für eine zielgruppengerechte Schulungsunterlage erstellen willst — hier ist ein Prompt, den du direkt in ChatGPT oder Claude verwenden kannst:

Quellen & Methodik

• Instrktiv.com — IFU-Projektkostenspanne: „How Much Does a User Manual Cost?” (instrktiv.com, abgerufen Mai 2026): IFU-Projekte reichen von 750 bis 80.000 €, typischerweise 2.500–10.000 €. Illustrationen ca. 90 € je Stück.
• AbroadLink — MDR IFU Übersetzungskosten: „5 Strategien zur Senkung der Übersetzungskosten für Ihre IFUs gemäß der MDR” (aluebersetzung.com, abgerufen Mai 2026): MDR-Übergang erhöhte IFU-Inhalt um 40–200%, Übersetzungskosten berechnet per Wort.
• MDR 2017/745 Annex I §23: Anforderungen an Informationen, die Medizinprodukten beigefügt werden müssen (Gebrauchsanweisung). Amtliches EU-Recht.
• IEC 62366-1:2015+AMD1:2020 (Usability Engineering): Anforderungen an Usability Engineering-Prozess für Medizinprodukte, inklusive Verbindung zu Schulungsunterlagen über Use Scenarios und formative Evaluation.
• ISO 14971:2019 (Risikomanagement): Anforderungen an Risikominderung durch Information und Schulung — Wirksamkeitsprüfung der Schulungsmaßnahme als normativer Bestandteil.
• Halluzinationsraten LLM in medizinischen Anwendungen: A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation (npj Digital Medicine, 2025): 43–64% Halluzinationsrate abhängig von Prompt-Qualität.
• iSpring — Praxiseinsatz in Life Sciences: iSpring Solutions meldet Pharma-/Medizintechnik-Kunden inklusive Pfizer, Novartis, J&J und Cardinal Health für medizinische Schulungsinhalte (ispringsolutions.com, abgerufen Mai 2026).
• EU AI Act — Zeitplan: KI-Verordnung (EU) 2024/1689, zentrale Pflichten ab August 2026 wirksam. Für GPAI-Modelle (General Purpose AI) gelten Transparenzpflichten.

Du willst wissen, welche deiner Schulungsdokumente sich als Pilot am besten eignen und wie ein QMS-konformer Freigabeprozess für KI-generierte Inhalte aussehen könnte? Meld dich — das klären wir in einem kurzen Gespräch.