Batch-Record-Review für Arzneimittel automatisieren

Das echte Ausmaß des Problems

Ein elektronischer Batch-Record (eBR) ist das digitale Gegenstück zum papierbasierten Herstellprotokoll, aber komplexer. Jeder Batch-Record dokumentiert lückenlos jeden Schritt der Herstellung: Rohstoffübernahme, Einwaage, Mischen, Erhitzen, Kühlen, Inprozess-Analytik, Prüfung der Zwischenprodukte, Endkontrolle. Die Daten kommen direkt von den Produktionsanlagen, Waagen, Temperaturfühler, pH-Sonden, und werden digital erfasst.

Das Problem: Ein typischer Batch-Record hat 100 bis 400 Seiten und enthält tausende Datenpunkte. Der Reviewer muss vier Prüfschritte leisten:

1. Vollständigkeit. Wurden alle vorgesehenen Prüfungen durchgeführt? Fehlen Unterschriften?
2. Abweichungsanalyse. Welche Parameter liegen außerhalb der Spezifikation? Sind sie dokumentiert und genehmigt?
3. Querverweise. Stimmt die dokumentierte Einwaage mit der Herstellanweisung überein? Stimmt die Chargennummer mit dem Etikett?
4. Audit-Trail. Ist nachvollziehbar, wer wann was gemessen und freigegeben hat?

Bei 50 Batches im Monat und eineinhalb bis drei Stunden pro Batch sind das 50 mal 1,5 bis 3 Stunden, also 75 bis 150 Stunden Prüfaufwand im Monat, eine halbe bis ganze Vollzeitstelle, neben Abweichungen, Change Control und Schulung.

Das reale Risiko:

• Wo die QS der Engpass ist, bestimmt sie, wie viele Batches im Monat freigegeben werden, nicht die Produktion.
• Bei 20 oder mehr parallel laufenden Batches lässt sich Gründlichkeit nicht gleichmäßig halten.
• Fehler entstehen, weil der Reviewer nach zwei Stunden konzentrierten Lesens ermüdet.
• Wiederkehrende Muster werden systematisch übersehen, etwa: „Parameter B liegt seit Monaten knapp unter der Obergrenze und steigt, aber niemand hat das je als Trend markiert.”

Wie viele Fehler die interne Prüfung übersieht, weiß niemand genau, denn was niemand findet, zählt keiner. Einen Anhaltspunkt geben Befunde aus Inspektionen, Selbstinspektionen und Kundenaudits, die auf bereits freigegebene Batch-Records zurückgehen. Jeder davon ist ein Qualitäts- und Reputationsrisiko in einer Branche, in der Reputation direkt die Zulassung neuer Produkte beeinflusst.

Mit vs. ohne KI, ein ehrlicher Vergleich

Unabhängige Vorher-nachher-Zahlen haben wir nicht gefunden. Die 70 Prozent sind eine Anbieterangabe für Standardbatches, wie sie auf unserer Toolseite zu PAS-X steht; Batches mit Abweichungen werden weiter vollständig geprüft. Miss im Parallelbetrieb selbst, bevor du damit rechnest.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5)
Einen Batch-Record mit 150 Seiten manuell durchzuarbeiten kostet eineinhalb bis drei Stunden. Mit Review by Exception prüft der Mensch nur noch die markierten Stellen; Körber nennt bis zu 70 Prozent weniger Review-Zeit bei Standardbatches, also bis zu ein bis zwei Stunden je Batch. Bei 50 Batches im Monat sind das 50 mal 1 bis 2 Stunden, also bis zu 50 bis 100 Stunden im Monat, ein Drittel bis knapp zwei Drittel einer Vollzeitstelle. Keine 5, weil Batches mit Abweichungen weiter vollständig geprüft werden und sich der Effekt erst bei hohem Volumen summiert.

Kosteneinsparung, niedrig (2/5)
Nicht auf dem Niveau der Rechnungsverarbeitung, wo du buchstäblich Geld sparst. Die gesparte Prüfzeit wird erst Geld, wenn die QS der Engpass ist und dadurch keine zusätzliche Stelle nötig wird. Schneller freigegebene Chargen senken außerdem den Bestand in Quarantäne, das setzt einmalig Kapital frei; jährlich wiederkehrend sind davon nur die Kapitalkosten. Dem steht ein MES gegenüber, das je Standort ab rund 500.000 Euro kostet. Über die Prüfzeit allein lässt sich ein neues MES nicht rechtfertigen.

Schnelle Umsetzung, niedrig (2/5)
Der kritische Haken. Jedes System, das automatisiert GMP-Dokumente bewertet und dessen Output in die Chargenfreigabe einfließt, muss validiert werden, üblich nach GAMP 5. Das ist keine Formalie, sondern eine Anforderung aus dem EU-GMP-Leitfaden, Anhang 11 (computergestützte Systeme), und für die USA aus 21 CFR Part 11. Mit bestehendem MES dauert ein solches Projekt samt Validierung typischerweise sechs bis zehn Monate, eine MES-Neueinführung laut unserer Toolseite 12 bis 24 Monate. Wer die Validierung abkürzt, riskiert einen Inspektionsbefund, der im schlimmsten Fall die Freigaben stoppt.

ROI-Sicherheit, mittel (3/5)
Die Zeitersparnis ist zählbar, Minuten pro Batch, und die Differenz zwischen Funden des Systems und manuellen Funden lässt sich über Monate auswerten. Nicht höher bewertet, weil sich die Zeit nur bei einem echten QS-Engpass in Geld übersetzt und der Nutzen aus vermiedenen Rückrufen und Inspektionsbefunden kontrafaktisch bleibt.

Skalierbarkeit, mittel (3/5)
Das System skaliert gut mit der Batch-Anzahl, mehr Chargen laufen mit wachsendem Automatisierungsgrad stabil durch. Aber ein neuer Produkttyp (anderes Format, neue Parameter) erfordert Nachtraining des Modells. Kein Show-Stopper, aber auch kein reiner Konfigurationsaufwand: vier bis acht Wochen Anpassung plus eine kurze Revalidierung.

Richtwerte, stark abhängig von Batch-Komplexität, Reifegrad der Datenbank und regulatorischem Inspektionsrisiko.

Was das System konkret macht

Ein KI-gestütztes Batch-Review-System arbeitet auf drei Ebenen.

1. Datenextraktion und Normalisierung. Ein Batch-Record liegt meist als PDF vor (manchmal sogar als Scan eines historischen Protokolls) oder als XML-Export aus dem eBR-System. Ein Computer-Vision-Modul liest das Dokument, extrahiert Tabellen, erkennt Messwerte und normalisiert Einheiten, zum Beispiel 25 °C gegen 298 K. Das erspart manuelles Abschreiben und Umrechnen.

2. Abweichungserkennung. Das System vergleicht jeden gemessenen Wert mit der Spezifikation aus dem Produktstammblatt oder der zuständigen SOP. Werte außerhalb des Spezifikationsbereichs werden markiert, mit Kontext: „Parameter X lag bei 47, Spezifikation 40–50: im Bereich, aber grenzwertig” gegenüber „Parameter Y lag bei 38, Spezifikation 40–60: außerhalb, Abweichungsbericht erforderlich”.

3. Querverweisprüfung. Das System prüft die interne Konsistenz des Dokuments: Stimmt die Chargennummer im Record mit der Eingangskontrolle überein? Deckt sich der Name des Prüfers mit der elektronischen Signatur? Stimmt die dokumentierte Einwaage mit der Ausgabemenge aus dem Lager überein? Diese repetitiven Querverweise sind genau die Arbeit, an der menschliche Konzentration nach 150 Seiten nachlässt, und in der eine KI ihre Stärke ausspielt.

Was KI hier nicht leistet

Die Bewertung einer Abweichung bleibt Menschensache. Wenn der pH-Wert einer Charge 0,5 außerhalb der Spezifikation liegt, ist das eine Abweichung, die untersucht und bewertet werden muss, und am Ende steht die Frage: freigeben oder sperren? Diese Einschätzung trifft die QS im Abweichungsverfahren, und über die Freigabe der Charge entscheidet die sachkundige Person (Qualified Person) nach EU-GMP-Leitfaden, Anhang 16, nicht das Modell.

Rechtliche Besonderheiten

Das zentrale Thema heißt GxP-Validierung und GAMP5-Konformität.

Die regulatorische Realität:

• Ein Batch-Record ist ein GxP-Dokument. Seine Prüfung und die daraus folgende Chargenfreigabe sind regulatorisch relevant.
• Jedes System, das diese Prüfentscheidung automatisiert beeinflusst, muss kalibriert, getestet und validiert sein, eine KI obendraufzusetzen und zu hoffen, dass es passt, trägt keine Inspektion.
• Der EU-GMP-Leitfaden, Anhang 11 (computergestützte Systeme, gültige Fassung von 2011, eine Überarbeitung liegt als Entwurf vor), und 21 CFR Part 11 verlangen, dass computergestützte Systeme in regulierten Prozessen validiert, dokumentiert und auditierbar sind. Das heißt: Audit-Trail, Change-Control-Prozess, Nutzerrechteverwaltung, nicht einfach eine API-Integration.

Was das konkret bedeutet:

• Ein generisches LLM wie Claude oder ChatGPT gehört nicht in den Freigabeprozess: Es ist für diesen Einsatz nicht validiert, und seine Antworten sind nicht reproduzierbar. Für KI in GMP-Anwendungen wurde am 7. Juli 2025 zudem der Entwurf eines neuen EU-GMP-Anhangs 22 veröffentlicht, der eigene Anforderungen an Tests, Überwachung und menschliche Prüfung stellt.
• Ein spezialisiertes MES mit Review by Exception wie Körber Werum PAS-X bringt vorvalidierte Module und Validierungspakete des Anbieters mit. Validiert ist es damit noch nicht: Die Validierung für deinen Einsatzzweck bleibt deine Verantwortung, die Anbieterdokumentation verkürzt sie nur.
• Wer eine eigene Lösung baut, muss das vollständige Validierungsprojekt selbst tragen: User-Requirements, funktionale Spezifikation, Testprotokolle, nachvollziehbare Änderungsverfolgung. Realistisch 40.000 bis 80.000 Euro und vier bis sechs Monate.

Der pragmatische Einstieg: Wer schon ein MES betreibt, aktiviert dort Review by Exception und nutzt die Validierungspakete des Anbieters. Wer keines hat, trifft zuerst die MES-Entscheidung; ein KI-Aufsatz auf PDF-Protokollen gehört nicht in die Freigabe.

Konkrete Werkzeuge, was wann passt

Körber Werum PAS-X mit Review by Exception, der Standard in der DACH-Pharmaindustrie PAS-X ist ein vollständiges Pharma-MES mit elektronischem Batch-Record. Körber ergänzt Review by Exception (Standardbatches schlägt das System vor, der Reviewer prüft die Ausnahmen) und ML-basierte Abweichungsanalyse. Die Module kommen vorvalidiert mit Validation Acceleration Packs, die eigene Validierung bleibt trotzdem. Eine Vollinstallation dauert laut unserer Toolseite 12 bis 24 Monate und kostet ab rund 500.000 Euro je Standort, die jährliche Wartung liegt bei 18 bis 22 Prozent des Lizenzwerts. Unter etwa 30 Batches im Monat ist PAS-X überdimensioniert; für kleinere Hersteller bietet Körber PAS-X Neo als Einstiegs-MES an.

Siemens SIMATIC Batch , für Werke im Siemens-Umfeld Batch-Steuerung und elektronischer Batch-Record aus dem PCS-7-Umfeld. Wer schon Siemens-SPS in der Produktion einsetzt, bekommt Messwerte ohne Brückenschlag in die Batch-Record-Schicht. KI ist nicht der Kern, sie kommt über separat lizenzierte Industrial-Edge-Module (Goldener-Batch-Vergleich, Anomalieerkennung). Listenpreise veröffentlicht Siemens nicht, die Kosten hängen stark von der bestehenden Siemens-Infrastruktur ab.

Körber MES Platform , wenn auch Planung, Analytik und Track & Trace ins System sollen Das ist kein zweites Produkt neben PAS-X, sondern die Suite darum herum: PAS-X Savvy für Analytik und Anomalieerkennung über Batches hinweg, dazu Scheduling und Track & Trace. Der KI-Assistent K.AI beantwortet Bedien- und GMP-Fragen, in den freigaberelevanten Batch-Review greift er nicht ein. Vollinstallationen liegen laut unserer Toolseite bei 500.000 Euro aufwärts je Standort.

Internationaler Standort mit englischsprachigen Workflows Wenn Batch-Records über mehrere Länderstandorte konsolidiert werden und die Konzernsprache Englisch ist, zählt nicht die Marke, sondern ob das eBR-System mehrsprachige Rezepturen, standortübergreifende Freigaben und ein einheitliches Audit-Trail-Modell beherrscht. IDBS eMC2 stand hier lange als Beispiel, den Produktnamen führt IDBS in seinem aktuellen Portfolio nicht mehr, offenbar eingestellt, deshalb empfehlen wir ihn nicht weiter. Für einen reinen DACH-Standort ist Werum ohnehin die naheliegendere Wahl. Bei Gruppen mit US- oder UK-Mutterhaus lohnt zuerst die Frage, welches System die Muttergesellschaft bereits validiert hat: Eine zweite Validierung für denselben Prozess bezahlt niemand gern.

Kurze Entscheidungshilfe:

• PAS-X läuft bereits → Review by Exception dort aktivieren und validieren
• Siemens-PCS-7-Anlage → Siemens SIMATIC Batch mit Industrial-Edge-Modulen prüfen
• MES-Neueinführung mit Planung und Analytik → Körber MES Platform im Wettbewerb mit mindestens zwei Alternativen
• Kein MES und unter 30 Batches im Monat → keine KI im Freigabeprozess, sondern die retrospektive Analyse weiter unten
• Internationaler Standort, englischsprachige Workflows → das eBR-System, das die Muttergesellschaft bereits validiert hat

Datenschutz und Datenhaltung

Batch-Records enthalten Betriebsgeheimnisse, aber in der Regel keine Patientendaten. Personenbezogen sind trotzdem die Namen und Kürzel von Bedienpersonal und Prüfern. Das macht den Datenschutz einfacher als bei klinischen Dokumenten, die Schutzhöhe bleibt trotzdem hoch.

Was zu beachten ist:

• Die Batch-Record-Datenbank ist selbst ein GxP-System und muss entsprechend abgesichert sein (ISO 27001, SOC 2 Type II oder gleichwertig).
• Cloud-Systeme brauchen einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO, nicht nur eine Standard-Datenschutzerklärung.
• EU-Datenhaltung schreibt kein Gesetz vor. Anhang 11 verlangt aber, dass Daten gesichert, lesbar und bei einer Inspektion zugänglich sind; viele Unternehmen entscheiden sich deshalb für On-Premise- oder EU-Betrieb.
• PAS-X läuft wahlweise on-premise oder in der Körber-Cloud mit deutschen und EU-Rechenzentren. Bei anderen Systemen die Region im Vertrag festschreiben.

Was es kostet, realistisch gerechnet

Drei Ausgangslagen. Die MES-Beträge stammen von unseren Toolseiten (Branchenerfahrungswerte, keine Listenpreise), die Prüfzeiten sind Annahmen dieser Seite, die du durch eigene Messungen ersetzt. Für den Zeitgewinn rechnen wir mit der Anbieterangabe von bis zu 70 Prozent weniger Review-Zeit bei Standardbatches, also bis zu ein bis zwei Stunden je Batch.

Szenario 1: Ein MES läuft bereits, 50 Batches im Monat

Szenario 2: Noch kein MES, 30 oder mehr Batches im Monat

Szenario 3: Kleiner Betrieb oder Lohnhersteller, unter 30 Batches im Monat, kein MES

Ehrliche Einordnung: Der Zeitgewinn ist real, der Implementierungsaufwand hoch. Über Personalkosten rechnet sich KI-gestützter Review nur, wo ein MES schon läuft und die QS der Engpass ist. Schneller freigegebene Chargen setzen zusätzlich Kapital frei: Sinkt die Liegezeit in Quarantäne, sinkt der Bestand einmalig, jährlich sparst du davon nur die Kapitalkosten. Für Betriebe ohne MES und mit wenigen Batches ist KI im Freigabeprozess kein wirtschaftlicher Weg, und ein nicht validiertes Cloud-Werkzeug dort erst recht keiner.

Drei typische Einstiegsfehler

Fehler 1: Die GAMP5-Validierung wird unterschätzt oder aufgeschoben. Der typische Gedanke: „Wir kaufen ein System, installieren es, und dann läuft es.” Die Realität: Jedes System, das GxP-Entscheidungen beeinflusst, muss validiert werden. Das sind keine zwei Wochen Setup, sondern sechs bis zehn Monate Projekt samt Validierung, Anforderungen, Testprotokolle, Change-Control-Verfahren, Audit-Trail. Alles dokumentiert, alles nachvollziehbar.

Unternehmen, die die Validierung „später machen”, riskieren den Inspektionssatz: „Das System ist nicht validiert, die Chargenfreigaben sind nicht konform.” Das ist nicht nur ein Rüffel, das kann zu Warning Letters und Produktrückzügen führen.

Was hilft: Validierung ist keine Option, sondern Projektbestandteil. Sechs bis zehn Monate und 40.000 bis 80.000 Euro von Anfang an im Plan stehen haben.

Fehler 2: Die Datenqualität des bestehenden Systems wird überschätzt. Die Annahme: „Wir haben PAS-X seit 2015, die Daten sind sauber.” Die Realität nach über zehn Jahren Nutzung: Formatfehler (pH-Wert einmal als „6.5”, einmal als „6,5”), unterschiedliche Dezimalstellen, fehlende Felder, inkonsistente Einheiten. Menschen gehen damit flexibel um. Eine KI nicht.

Die Einführung bringt diese unsichtbaren Altlasten ans Licht: Datenqualitätsprobleme, die vorher nie aufgefallen sind, und jetzt wird jedes davon ein Flag.

Was hilft: Vor der Implementierung einen Datenqualitätsaudit durchführen. Vier bis sechs Wochen reichen, um die häufigsten Fehlertypen zu identifizieren und die gröbsten zu bereinigen. Das ist wenig gegen die Monate, die ein Datenproblem mitten in der Validierung kostet.

Fehler 3: Die Prozessumstellung wird als Technik-Thema behandelt. Die KI meldet: „Parameter X liegt außerhalb der Spezifikation.” Der erfahrene QS-Reviewer sagt: „Ich kenne diesen Parameter seit Jahren, das ist unbedenklich.” Die KI kennt keine Erfahrung, sie kennt Spezifikationen. Manche Reviewer fühlen sich kontrolliert oder übergangen.

Unternehmen, die die Reviewer nicht aktiv einbinden, erleben genau eine Reaktion: „Ich prüfe ohnehin alles noch einmal, also wozu die KI?” Das System wird formal genutzt, aber nicht mitgetragen.

Was hilft: Prozessumstellung ernst nehmen, nicht als Nebenschauplatz. Schulung beginnt vor dem Go-Live, nicht danach. Zeigen, wo die KI konkret Arbeit abnimmt, und wo nicht. Einwände aus dem Team ernst nehmen. Eine erfahrene Person als Ansprechpartnerin für das neue System benennen, damit Fragen nicht über die IT-Hotline laufen müssen.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert:

• Monat 1–2. Datenqualitätsaudit und Migration historischer Records. Unspektakulär, aber die Grundlage für alles Weitere.
• Monat 3–4. Systemkonfiguration und erste Tests mit abgeschlossenen Alt-Batches.
• Monat 5–6. Validierungsprotokoll wird verfasst, Test-Batches laufen kontrolliert durch das System.
• Monat 7–9. GAMP5-Validierung wird durchgeführt: Testausführungen, Audit-Trail-Prüfungen, Behandlung von Sonderfällen.
• Monat 10. Go-Live im Parallelbetrieb, KI-Vorprüfung und manuelles Review laufen gleichzeitig, die Ergebnisse werden verglichen.
• Monat 11–12. Stabilisierung. Der Parallelbetrieb wird zurückgefahren, die KI wird produktiv geführt.

Was nicht passiert:

• Die erste Freigabe ist nicht 80 Prozent schneller. Sie dauert ähnlich lang wie vorher, weil alle zusätzliche Zeit in Validierungsdokumentation fließt.
• Nach Go-Live kehrt keine Ruhe ein. Es tauchen Datenformate auf, die die Validierung nicht erfasst hat, und Fehlermuster, die die KI nicht erkennt. Das ist normal und Teil der Stabilisierungsphase.
• Die Reviewer sind nicht sofort überzeugt. Skepsis ist legitim: „Die KI sagt, das ist in Ordnung, aber ich bin mir nicht sicher.” Diese Reaktion braucht Antworten, nicht Überredung.

Typische Adoptionsrisiken:

• Misstrauen gegenüber der KI. „Ich prüfe ohnehin alles nochmal, wozu dann die KI?” Gegenmittel: transparent dokumentieren, was genau die KI prüft, und monatliche Stichproben auswerten, die die sinkende Fehlerquote sichtbar machen.
• Überzogenes Vertrauen. Der gegenteilige Fall: Ein Prüfer verlässt sich blind auf die KI, „sie hat ja nichts markiert, also ist es okay”. Gegenmittel: klare Prozessregel, dass jede Prüfung mit einer menschlichen Freigabeprüfung endet, nicht mit der KI-Ampel.
• Laufender Pflegeaufwand. Nach sechs Monaten treten neue Parametertypen oder veränderte Prozessschritte auf. Das System braucht regelmäßige Nachpflege und eine kleine Revalidierung. Das ist überschaubar, aber es muss geplant und verantwortet sein.

Realistischer Zeitplan mit Risikohinweisen

Zentrales Risiko: Ist die Datenqualität deutlich schlechter als angenommen, verschieben sich alle Phasen um vier bis acht Wochen nach hinten.

Häufige Einwände, und was dahintersteckt

Einwand 1: „Wir haben eine gute manuelle Prüfstruktur, brauchen wir KI überhaupt?”

Der Einwand kommt oft von erfahrenen QS-Kolleginnen und -Kollegen. Sie haben Batches über Jahre manuell geprüft und kennen die Muster. Die ehrliche Antwort: Nein, KI ist nicht nötig, solange ihr keine Kapazitätsprobleme habt und mit der aktuellen Prüftiefe zufrieden seid.

Der Punkt: Wenn ihr die Batch-Anzahl erhöhen wollt und die QS den Engpass darstellt, nicht die Produktion, dann braucht ihr KI, um die Kapazität zu steigern, ohne zusätzliche Stellen aufzubauen. Ein zweiter Effekt ist die Standardisierung: KI prüft jeden Batch mit gleicher Gründlichkeit, unabhängig davon, ob der Reviewer gerade einen schlechten Tag hat.

Einwand 2: „GAMP5-Validierung ist zu kompliziert und zu teuer.”

Eine reale Blockade. Validierung ist aufwendig und bürokratisch.

Der Punkt: Validieren musst du jedes System selbst, das nimmt dir kein Anbieter ab. Aber ein MES mit vorvalidierten Modulen und Validierungspaketen wie PAS-X verkürzt den Aufwand erheblich: Du testest vor allem deine Konfiguration für deine Produkte, statt die Grundfunktionen von null an zu belegen. Eine vollständige Eigenvalidierung einer selbstgebauten Lösung liegt bei den oben genannten 40.000 bis 80.000 Euro.

Einwand 3: „Was, wenn die KI einen Fehler macht und wir eine fehlerhafte Charge freigeben?”

Die eigentliche Kernangst. KI ist nicht perfekt, was, wenn sie einen Wert außerhalb der Spezifikation übersieht?

Der Punkt: Genau deshalb bleibt der letzte Schritt menschlich. Die KI markiert Auffälligkeiten und liefert einen Vorab-Report. Die QS-Person prüft diesen Report mit derselben Gründlichkeit wie früher, nur schneller, weil sie nicht 150 Seiten Rohdaten durchkämmen muss. Die Fehlerquote kann sinken, weil die Aufmerksamkeit gezielt auf die markierten Stellen gerichtet wird, vorausgesetzt, die Regeln decken die relevanten Parameter ab. Ob sie das tun, zeigt der Parallelbetrieb, in dem jeder Batch doppelt geprüft wird.

Woran du merkst, dass das zu dir passt

✓ Du gibst mindestens 30 Batches pro Monat frei, oder ein MES läuft bereits, darunter ist ein MES überdimensioniert und die Investition schwer zu rechtfertigen ✓ Deine QS-Abteilung ist der Engpass, nicht die Produktion, dann löst KI genau das Problem, das wirtschaftlich zählt ✓ Deine Batch-Records liegen zu mindestens 70 Prozent strukturiert-elektronisch vor, hybride Papier-Setups brauchen erst Digitalisierung ✓ Du hast eine QS-Leitung, die ein GxP-Projekt mit einem sechs- bis zehnmonatigen Atem durchzieht, das ist kein IT-Projekt, sondern ein regulatorisches ✓ Dein Unternehmen ist bereit, die GAMP5-Validierung zu finanzieren oder ein Anbietersystem mit mitgelieferter Validierung zu lizenzieren

Wann das nicht zu dir passt:

✗ Du gibst weniger als 30 Batches pro Monat frei und hast kein MES, dann rechtfertigen Implementierung und Validierung die Kosten nicht. Die retrospektive Analyse außerhalb der Freigabe (unten) ist hier der sinnvolle Schritt, oder die QS bleibt bewusst der ruhende Engpass. ✗ Deine Batch-Records sind zu mehr als 30 Prozent papierbasiert, Digitalisierung kommt zuerst. KI braucht strukturierte, maschinenlesbare Daten. ✗ Du kannst kein sechs- bis zehnmonatiges Projekt aufstellen, GAMP5-Validierung lässt sich nicht wegdefinieren. Dann ist der richtige nächste Schritt nicht das KI-Projekt, sondern die Vorbereitung darauf.

Das kannst du heute noch tun

Schritt 1: Retrospektive Batch-Record-Analyse mit KI (2 Wochen). Nimm drei bereits freigegebene Batch-Records als PDF und lade sie in Claude oder ChatGPT , im Team- beziehungsweise Business-Tarif mit AVV, nicht in einem privaten Konto. Schwärze vorher Namen und Kürzel von Bedienpersonal und Prüfern. Nutze den folgenden Prompt als Startpunkt. Ziel ist kein regulatorisches Ergebnis, sondern ein Eindruck: Was würde eine KI finden, was hat die manuelle Prüfung damals gefunden, und wo liegen die Lücken?

Das Ergebnis zeigt dir, wo eine KI realistisch hilft und wo nicht. Wenn der Pilot überzeugend aussieht, trägt der Business-Case für die echte Implementierung.

Schritt 2: Kapazitätsaudit (nächster Monat). Rechne konkret: Wie lange dauert eine durchschnittliche Batch-Record-Prüfung in deiner Fabrik? Wie viele Batches gehen pro Monat durch die QS? Rechenweg: 2 Stunden pro Batch mal 20 Batches pro Monat ergibt 40 Personenstunden im Monat, ein Viertel einer Vollzeitstelle. Bei diesem Volumen ist der Review selten der Engpass. Liegt eure Zahl weit darüber und warten Chargen nachweislich auf die QS, lohnt der nächste Schritt. Die Antwort entscheidet, ob das Projekt wirtschaftlich Sinn ergibt.

Schritt 3: Datenqualitäts-Stichprobe (2 Monate). Zieh zehn zufällige Batch-Records aus deinem System. Schau dir an, wie konsistent die Formate sind, wie viele Typfehler auftauchen, wo Felder fehlen. Dokumentiere die häufigsten Probleme. Das ist deine Ausgangsbasis für jedes realistische Angebot eines Anbieters, und spart im Projekt später zwei Monate Diskussion über den Umfang.

Quellen & Methodik

• FDA, Part 11, Electronic Records; Electronic Signatures, Scope and Application (September 2003), die US-Anforderungen an elektronische Records und Signaturen
• EU-GMP-Leitfaden, EudraLex Band 4, mit Anhang 11 (computergestützte Systeme, Fassung Januar 2011) und Anhang 16 (Zertifizierung durch die sachkundige Person und Chargenfreigabe)
• ECA, „What Requirements does the new Annex 22 place regarding Personnel?”, zum Entwurf des EU-GMP-Anhangs 22 (künstliche Intelligenz) vom 7. Juli 2025
• ISPE GAMP 5, 2. Ausgabe (Juli 2022), das Validierungsgerüst für computergestützte GxP-Systeme
• Preise, Laufzeiten und Review by Exception von PAS-X und der Körber MES Platform, einschließlich der Anbieterangabe von bis zu 70 Prozent weniger Review-Zeit: unsere Toolseiten (Stand Juni 2026), Branchenerfahrungswerte, keine Listenpreise