KI in der Medizintechnik: Anwendungsfälle, MDR-Dokumentation und die Tool-Landschaft 2026

Eine einzige technische Dokumentation der Klasse III unter der EU-Medizinprodukteverordnung kann Zehntausende Seiten umfassen, von denen jede rückverfolgbar, aktuell und vor einer Benannten Stelle verteidigbar sein muss. Eine einzige Produktreklamation muss erfasst, kategorisiert, auf Meldepflicht geprüft und gegen eine regulatorische Uhr untersucht werden. Eine einzige CAPA kann wochenlang offen bleiben, während ein Qualitätsingenieur Kontext über Systeme jagt, die nicht miteinander sprechen. Medizintechnik-Hersteller laufen auf Dokumenten, Daten und Fristen - und es fehlen die Leute, um alle drei zu bewältigen.

Genau hier zahlt sich KI aus. McKinsey stellt fest, dass fast die Hälfte der Medtech-Unternehmen, die generative KI einsetzen, bereits messbare Produktivitätsgewinne sehen, und schätzt, dass die Technologie 60 bis 110 Milliarden Dollar pro Jahr in der Pharma- und Medizinprodukteindustrie freisetzen könnte⁵. In Deutschland ist der Druck akut: Die Medizintechnik setzte 2024 rund 41 Milliarden Euro um, doch 51 Prozent der Unternehmen erwarten sinkende Gewinne und 86 Prozent fordern ein Belastungsmoratorium, wobei die MDR als größte Bremse genannt wird¹³. Die Werkzeuge, um diese Last zu mindern, existieren. Die Lücke liegt darin, wie sie zusammengefügt werden - und darin, was mit Ihrer hart erarbeiteten regulatorischen Expertise passiert, wenn eine erfahrene Person das Unternehmen verlässt.

Dieser Leitfaden ist die ehrliche Version für die Führungskraft aus Qualität, Regulatory, Operations oder IT bei einem Medizinprodukte- oder Auftragshersteller (Medizintechnik). Die echten Prozesse, in denen KI funktioniert, die echte Tool-Landschaft 2026 mit Namen, die regulatorischen Rahmenbedingungen, die wirklich zählen, und die verbindende Ebene, die die meisten Einzeltools weglassen.

Der Dokumentations-Widerspruch der Medizintechnik

Medizintechnik-Hersteller sind auf dem Papier die perfekten Kandidaten für KI: prozessgetrieben, datenreich und begraben unter repetitiver, volumenstarker Dokumentenarbeit. Und doch führen sie KI langsamer ein als fast jeder andere Fertigungssektor, aus vollkommen rationalen Gründen. Dieselbe Sorgfalt, die ein Produkt sicher macht, macht seine Dokumentation schwer beiläufig zu automatisieren - und die MDR hat diese Dokumentation weit schwerer gemacht.

• Umsatz steigt, Gewinn wird gequetscht - die deutsche Medizintechnik setzte 2024 rund 41 Milliarden Euro um und etwa 70 Prozent der Firmen erwarten 2025 höheren Umsatz, aber 51 Prozent erwarten geringere Gewinne, da Kosten für Zertifizierung, Bürokratie und Personal steigen.¹³
• Die MDR ist die Belastung Nummer eins - 86 Prozent der deutschen Medtech-Unternehmen fordern ein Moratorium für neue Bürokratielast, und die Verbesserung und Entbürokratisierung der MDR steht ganz oben auf der Prioritätenliste der Branche.¹⁴
• Zertifizierung ist ein Engpass - EU-weit waren rund 33.175 MDR-Anträge bei Benannten Stellen eingereicht, denen nur 17.549 ausgestellte Zertifikate gegenüberstanden, mit geschätzt 15.000-plus in der Pipeline.⁶
• Technische Dokumentationen sind teuer - ein Klasse-III-Produkt durch die europäische Konformitätsbewertung zu bringen, kann Investitionen über 120.000 Dollar erfordern, getrieben vor allem von Dokumentation und klinischer Evidenz.⁷
• Die Fachkräftelücke ist strukturell - 56 Prozent der deutschen Medtech-Firmen nennen den wachsenden Fachkräftemangel als Bremse, und erfahrene Qualitäts- und Regulatory-Kräfte gehören zu den am schwersten zu besetzenden Rollen.¹
• Der Wert liegt bereit - McKinsey stellt fest, dass fast die Hälfte der Medtech-KI-Anwender bereits Produktivitätsvorteile sieht, doch nur etwa 15 Prozent berichten von einer positiven Wirkung auf die Gewinn- und Verlustrechnung - der Großteil des Gewinns ist ungenutzt.⁵

Das ist der Widerspruch: Die Unternehmen mit der meisten zu produzierenden Dokumentation sind jene mit den meisten Gründen, bei deren Automatisierung vorsichtig zu sein. Die Antwort ist nicht, die Latte zu senken. Sie ist, die KI auf die Latte zu heben - validiert, auditiert und im eigenen Wissen des Herstellers verankert.

Warum regulatorisches Wissen das Kapital ist

Ein Medizintechnik-Unternehmen verkauft Produkte, aber es läuft auf Wissen: wie man eine technische Dokumentation strukturiert, die die Benannte Stelle akzeptiert, wie man eine Reklamation kategorisiert und die Meldepflicht beurteilt, wie man eine CAPA scopet, ohne über zu untersuchen, wie man die Rückverfolgbarkeit von einem Anwenderbedürfnis über einen Design-Output bis zu einem Test aufbaut. Dieses Wissen ist der eigentliche Motor, und es hat eine gefährliche Eigenschaft - das meiste davon lebt in einzelnen Köpfen und in Systemen, die nicht miteinander sprechen.

• Die Belegschaft altert aus - eine große Welle erfahrener Qualitäts- und Regulatory-Kräfte nähert sich dem Ruhestand, und es gibt nicht genug Nachwuchs, um die Expertise zu ersetzen, die sie tragen.¹
• Die Lücke ist bereits strukturell - 56 Prozent der deutschen Medtech-Firmen nennen den Fachkräftemangel, wobei erfahrene Regulatory-Affairs- und Qualitätsrollen zu den am schwersten zu besetzenden gehören.¹
• Wissen steckt in Silos fest - das eQMS, das PLM, die Reklamationsdatenbank, die Design History File, das ERP und tausend SharePoint-Ordner halten je einen Ausschnitt, und keines das Ganze.
• Erfahrungswissen wird nie aufgeschrieben - wie ein erfahrener RA-Lead die Erwartungen einer bestimmten Benannten Stelle liest oder wie ein Qualitätsingenieur die wahre Ursache erkennt, schafft es selten in irgendein Dokument.
• Jeder Austritt ist eine kleine Krise - wenn eine erfahrene Person geht, lernt das nächste Team neu, was das Unternehmen bereits wusste, und fügt der nächsten Einreichung oder Untersuchung Verzögerung und Audit-Risiko hinzu.
• Wiederverwendung ist der Gewinnhebel - Hersteller, die frühere technische Dokumentationen, Reklamationsmuster und Untersuchungslogik erfassen und wiederverwenden, arbeiten schneller und konsistenter als jene, die jedes Mal bei einer leeren Seite beginnen.

Was tatsächlich erfasst werden muss

Wiederverwendbare Expertise in einem Medizintechnik-Unternehmen ist kein Ordner alter Dateien. Es ist das Arbeitswissen, das das Unternehmen effektiv und konform macht, und das meiste davon wird nie formal festgehalten.

• Wie Sie eine technische Dokumentation bauen - die Struktur, der Evidenzstandard und der Detailgrad, die eine Akte ohne Runde von Mängelfragen durch eine bestimmte Benannte Stelle bringen.
• Wie Sie Reklamationen bearbeiten - die Art, wie ein erfahrener Bearbeiter ein Ereignis kategorisiert, die Meldepflicht beurteilt und entscheidet, wann eine Reklamation zu einem Vigilanzfall wird.
• Wie Sie untersuchen - die Art, wie ein Qualitätsingenieur eine CAPA scopet, Über-Untersuchung vermeidet und eine Ursache findet, die einem Audit standhält.
• Wie Sie rückverfolgen - die stillen Regeln, die Design-Inputs, -Outputs, Risiken und Verifizierung verknüpft halten, sodass eine Änderung den Datensatz nie bricht.
• Wer was weiß - die Karte, welche Person welche Einreichung, Validierung oder Untersuchung geführt hat, damit das nächste Team den Experten findet, nicht nur die Akte.
• Was zuvor schiefging - die Lehren aus Findings, Feldmaßnahmen und abgelehnten Einreichungen, die gutes Urteil prägen, aber selten ein Dokument erreichen.

Das ist die Linse für alles Folgende. Jeder KI-Anwendungsfall unten ist im Kern eine Frage, individuelle Expertise in Unternehmensexpertise zu verwandeln, die das ganze Team - und seine KI-Mitarbeiter - wiederverwenden können, in einem System, das ein Auditor akzeptieren würde.

7 KI-Anwendungsfälle, die in der Medizintechnik liefern

Dies sind die Prozesse, in denen Medizintechnik-Hersteller heute den klarsten Nutzen sehen. Jeder ist eine routinemäßige, volumenstarke Aufgabe, die Expertenzeit frisst, auf Wissen aufsetzt, das das Unternehmen bereits besitzt, und bereits einen menschlichen Prüfschritt hat, in den KI sicher einrücken kann.

1. Reklamationsmanagement und Vigilanz-Erfassung

• Das Problem - Reklamationen kommen per E-Mail, Portal und Telefon in vielen Sprachen, jede braucht Erfassung, Kategorisierung, eine Meldepflicht-Einschätzung und eine Untersuchung gegen eine regulatorische Uhr.¹⁹
• Was KI tut - liest die eingehende Reklamation, extrahiert die strukturierten Felder, schlägt eine Kategorie und eine Meldepflicht-Sicht vor und entwirft die Eingangsbestätigung und Untersuchung; KI-Agenten laufen inzwischen in produktiven QMS-Plattformen, um Reklamationen zu triagieren und auditfähige Datensätze zu erzeugen.
• Warum es sich lohnt - die Reklamationserfassung ist der volumenstärkste, repetitivste Schritt der Post-Market-Qualität und speist direkt Vigilanz- und Meldefristen, die man nicht verpassen darf.¹⁹
• Reales Beispiel - ein Bearbeiter öffnet einen vorausgefüllten Reklamationsdatensatz mit extrahierten Feldern, einer vorgeschlagenen Kategorie und drei ähnlichen früheren Fällen und verwendet seine Zeit auf die Meldeentscheidung statt auf Abschrift.
• Achten Sie auf - Schwere und Meldepflicht bleiben eine menschliche Entscheidung; KI beschleunigt die Erfassung, sie entscheidet nicht, ob ein Ereignis meldepflichtig ist.

2. CAPA, Abweichungen und Nichtkonformitäten

• Das Problem - ein ausgelasteter Standort erzeugt einen stetigen Strom von Abweichungen und Nichtkonformitäten, jede braucht Klassifizierung, Untersuchung und eine verknüpfte CAPA, und jede dauert Wochen bis zum Abschluss von Hand.
• Was KI tut - klassifiziert Ereignisse nach Schweregrad, schlägt wahrscheinliche Ursachen aus ähnlichen früheren Fällen vor und entwirft die Untersuchung und CAPA; KI-Agenten in QMS-Plattformen fassen CAPA-Untersuchungen zusammen und verknüpfen zugehörige Datensätze.
• Warum es sich lohnt - die Bearbeitung von CAPA und Abweichungen ist dokumentenlastig und musterreich, und die Verankerung des Modells in Ihrer eigenen Qualitätshistorie verwandelt eine Leere-Seite-Aufgabe in einen geprüften Entwurf.
• Reales Beispiel - ein Qualitätsingenieur öffnet eine neue Abweichung und erhält eine vorgeschlagene Klassifizierung, ähnliche historische Fälle und einen Untersuchungsentwurf, verankert in der eigenen Historie des Standorts.
• Achten Sie auf - den KI-Vorschlag als Entscheidung zu behandeln; Klassifizierung und CAPA-Abschluss bleiben die Entscheidung eines qualifizierten Prüfers, im Audit-Trail protokolliert.

3. MDR-Dokumentation und Regulatory Writing

• Das Problem - die technische MDR-Dokumentation (Anhang II und III) verlangt weit mehr Detail zu Risikomanagement, klinischer Bewertung und Post-Market Surveillance als die alte MDD und zieht knappe RA-Writer in repetitives, vorlagengetriebenes Verfassen.⁷
• Was KI tut - stellt Aktenabschnitte zusammen, entwirft klinische Bewertung und GSPR-Inhalte aus Quelldaten, ordnet Anforderungen zu und prüft Lücken gegen MDR-Anhänge; Ketryx berichtet, den Dokumentationsaufwand mit validierten KI-Agenten um bis zu 90 Prozent zu senken, und Celegence CAPTIS unterstützt MDR/IVDR-Medical-Writing.¹⁰²²
• Warum es sich lohnt - Dokumentation ist der größte MDR-Kostenblock und die Hauptklage der Branche, sodass die Verkürzung von Entwurfs- und Lückensuchzeit die Last direkt angreift.⁴
• Reales Beispiel - ein RA-Writer erhält einen ersten Entwurf des klinischen Bewertungsabschnitts, zusammengestellt aus den früheren Akten des Unternehmens und aktuellen Daten, bereit zur Verfeinerung, plus eine Liste der Lücken gegen den Anhang.
• Achten Sie auf - selbstbewusst, aber falsch formulierten Text; jede KI, die einen Einreichungsdatensatz berührt, muss validiert sein und ein qualifizierter Writer verantwortet die finale Akte.¹⁰

4. Post-Market Surveillance und PMCF

• Das Problem - MDR-Post-Market-Surveillance bedeutet, kontinuierlich Reklamationen, Felddaten und Literatur zu sammeln und sie zu PSURs und Post-Market-Clinical-Follow-up-Berichten zu trenden.
• Was KI tut - überwacht Literatur- und Reklamationsdaten auf Signale, entwirft das periodische Sicherheitsupdate und markiert Trends für einen Prüfer; Plattformen wie Climedo unterstützen die klinische Validierung und Post-Market-Surveillance-Datenerfassung.²³
• Warum es sich lohnt - PMS ist kontinuierlich und leicht in Verzug zu geraten, und ein in den Daten übersehener Trend wird später zu einem Finding oder einer Feldmaßnahme.
• Reales Beispiel - ein Prüfer öffnet einen entworfenen PSUR mit dem Reklamationstrend, der Literaturzusammenfassung und den markierten Signalen bereits zusammengestellt und verwendet Zeit auf die Bewertung statt auf das Zusammentragen.
• Achten Sie auf - Signalbewertung und jede Feldsicherheitsentscheidung bleiben menschlich; KI zeigt den Trend, sie entscheidet nicht die Maßnahme.

5. Design Controls, Anforderungen und Rückverfolgbarkeit

• Das Problem - die Design History File muss Anwenderbedürfnisse, Anforderungen, Risiken, Verifizierung und Validierung verknüpft halten, und jede Änderung muss sauber durchlaufen unter ISO 13485 und IEC 62304.
• Was KI tut - entwirft Anforderungen, schlägt Trace-Links vor, prüft die Abdeckung zwischen Anforderungen, Risiken und Tests und markiert gebrochene Rückverfolgbarkeit; Matrix Requirements, Jama Connect, Codebeamer und Ketryx verwalten diesen Engineering-Datensatz.²⁰
• Warum es sich lohnt - Rückverfolgbarkeitslücken sind ein klassisches Audit-Finding, und das Netz der Verknüpfungen von Hand über Designänderungen zu pflegen ist langsam und fehleranfällig.
• Reales Beispiel - ein Ingenieur ändert eine Anforderung und das Tool zeigt jedes verknüpfte Risiko, jeden Test und jedes Dokument, das nun Prüfung braucht, mit Entwurfsupdates für jedes.
• Achten Sie auf - KI-vorgeschlagene Verknüpfungen brauchen weiterhin Engineering-Prüfung; die Trace-Matrix ist ein kontrollierter Datensatz, kein Komfort.

6. Audit- und Inspektionsbereitschaft

• Das Problem - ISO-13485-Audits, die kommende FDA QMSR und Bewertungen Benannter Stellen werden zum Kraftakt, um Nachweise zusammenzutragen, CAPA-Abschlüsse zu bestätigen und zu finden, wer was verantwortet.¹⁴
• Was KI tut - zieht die Nachweise für eine Anforderung, prüft CAPA-Abschluss und -Verknüpfung, markiert Dokumente, die aus ihrem Prüfzyklus laufen, und beantwortet auditorartige Fragen, indem sie den exakten Datensatz und seinen Verantwortlichen zeigt.
• Warum es sich lohnt - es verwandelt Inspektionsbereitschaft von einer periodischen Feuerübung in einen Dauerzustand und erfasst, wie frühere Findings behandelt wurden, für das nächste Audit.
• Reales Beispiel - ein Qualitätsmanager fragt, wie das Unternehmen ein ähnliches Finding zuletzt geschlossen hat, und erhält die CAPA, die Nachweise und die Person, die es geführt hat, in Sekunden.
• Achten Sie auf - der Mensch führt weiterhin das Audit und verantwortet jede Antwort; KI trägt die Nachweise zusammen, sie vertritt nicht das Unternehmen.

7. Wissenssuche über QMS und technische Dokumentation

• Das Problem - die Antwort auf eine Frage existiert meist irgendwo im eQMS, im PLM, in E-Mails oder SharePoint, aber niemand findet sie oder die Person, die sie geschrieben hat.
• Was KI tut - indexiert vergangene Arbeit über verbundene Systeme, sodass jeder eine Frage stellen und die richtige SOP, die vergangene Untersuchung und den Experten dahinter erhält, unter Beachtung der Zugriffsrechte.
• Warum es sich lohnt - es greift direkt das Wissen an, das sonst mit dem ausscheidenden Personal ginge und fragmentiert über Qualitäts- und Regulatory-Silos liegt.
• Reales Beispiel - ein neuer Kollege fragt, wie das Unternehmen eine ähnliche Nichtkonformität behandelt hat, und erhält die vergangene Untersuchung, die SOP und die Person, die sie geführt hat.
• Achten Sie auf - die Suche muss dieselben Rechte wie die zugrunde liegenden Systeme achten, damit vertrauliche Design- und Reklamationsdaten korrekt abgeschottet bleiben.

Keiner dieser sieben ist exotisch. Jeder ist eine Aufgabe, die Ihr Unternehmen bereits jede Woche von Hand erledigt, auf Wissen, das Sie bereits besitzen, mit einem bereits eingebauten menschlichen Prüfschritt. Genau deshalb zahlen sie sich aus und sind der richtige Startpunkt statt eines Moonshot-Projekts, das den Betrieb nie erreicht.

KI nach Unternehmenstyp: Wo Sie starten

Medizintechnik-Fertigung ist nicht eine Sache. Ein Hersteller großer Klasse-I-Stückzahlen, ein Implantathersteller, ein Software-als-Medizinprodukt-Unternehmen, ein Auftragshersteller und ein Händler leben von unterschiedlicher Arbeit, sodass der erste KI-Schritt sich unterscheidet. Konstant bleibt das Muster: die Routine automatisieren, die Expertise erfassen, Urteil und Abzeichnung menschlich halten und das System validieren.

Hersteller großer Stückzahlen (Klasse I und IIa)

• Der Engpass - hohes Reklamations- und Dokumentationsvolumen über viele SKUs, wo Effizienz vor Neuheit steht.
• Bester erster Schritt - Reklamationserfassung und CAPA-Entwurf, wo das Volumen am höchsten ist und ein Prüfschritt bereits existiert.
• Das Wissensrisiko - repetitive Arbeit verdeckt, wie viel in undokumentierter Routine steckt; erfassen Sie sie, bevor die Leute gehen, die sie kennen.

Klasse-III- und Implantathersteller

• Der Engpass - enorme, folgenreiche technische Dokumentationen mit tiefer klinischer Evidenz und langen Prüfungen Benannter Stellen.
• Bester erster Schritt - MDR-Dokumentation und Post-Market Surveillance, wo Aktenlast und Kosten am größten sind.⁷
• Das Wissensrisiko - eine Handvoll erfahrener RA- und Klinik-Experten trägt die Aktenlogik; ein verbundenes Gedächtnis hält sie, wenn sie in Rente gehen.

Software als Medizinprodukt (SaMD) und KI-Produkthersteller

• Der Engpass - IEC-62304-Lebenszyklus, Design Controls und, wo KI im Produkt ist, doppelte MDR- und KI-Verordnungs-Pflichten.¹⁷
• Bester erster Schritt - Design Controls, Anforderungs-Rückverfolgbarkeit und validierte Dokumentenerzeugung über den Software-Datensatz.¹⁰
• Das Wissensrisiko - die Personenabhängigkeit im Engineering ist extrem; erfassen Sie die Design-Begründung, während die Arbeit passiert.

Auftrags- und OEM-Zulieferer

• Der Engpass - hohes Abweichungs- und Änderungskontrollvolumen über viele Kunden, jeder mit eigenen Qualitätserwartungen.
• Bester erster Schritt - Entwurf von Abweichungen und CAPA plus Wissenssuche über das QMS, wo Durchlaufzeit direkt abrechenbar ist.
• Das Wissensrisiko - kundenspezifisches Prozess-Know-how lebt in wenigen Köpfen; ein gemeinsames Brain hält es über Fluktuation.

Händler und Importeure

• Der Engpass - Pflichten als Wirtschaftsakteur, Reklamationsweiterleitung, Vigilanz und Dokumentation mehrerer Hersteller unter der MDR.
• Bester erster Schritt - Reklamations-Routing, Dokumentenmanagement und Wissenssuche über Produktlinien und Hersteller.
• Das Wissensrisiko - Produkt- und Herstellerwissen streut über Teams; ein gemeinsames Brain macht es über das Portfolio wiederverwendbar.

Die KI-Tool-Landschaft 2026 für Medizintechnik

Der Markt ist voll und bewegt sich schnell. Unten ist eine ehrliche Karte der echten, aktuellen Tools, die Medizintechnik-Hersteller tatsächlich nutzen, gruppiert nach der Aufgabe, die sie erledigen. Kein einzelnes Tool deckt ein Unternehmen von Ende zu Ende ab, und die meisten betreiben mehrere. Superkind erscheint an genau einer Stelle - der Wissensebene darunter - und wir sagen klar, wo die Spezialplattformen die bessere Wahl sind.

Qualitätsmanagement, Reklamationen und CAPA

Diese betreiben das eQMS - Dokumentenlenkung, Reklamationen, CAPA, Abweichungen, Änderungskontrolle - zunehmend mit KI-Triage und -Zusammenfassungen obendrauf.

• Greenlight Guru - ein zweckgebautes Medtech-eQMS, ausgerichtet an ISO 13485, EU MDR, ISO 14971 und der FDA QMSR, mit Greenlight Guru AI für automatisch generierte Zusammenfassungen von Qualitätsereignissen und Dokumenten.¹³¹⁴
• MasterControl und Veeva Vault QMS - etablierte Life-Sciences-Qualitätsplattformen, die KI-Analytik und Agenten über Qualitätsworkflows ergänzen.
• Honeywell TrackWise und ComplianceQuest - volumenstarke Qualitäts- und Reklamationsplattformen mit KI-gestützter Kategorisierung und Post-Market Surveillance.

Design Controls, Anforderungen und der technische Datensatz

Diese verwalten den Engineering-Datensatz - was das Produkt können muss und wie jede Anforderung mit Risiko und Test verknüpft ist.

• Matrix Requirements - Application Lifecycle Management, gebaut für Medizinprodukte-Design-Controls, Risiko und Rückverfolgbarkeit.²⁰
• Jama Connect und Codebeamer - Anforderungs- und ALM-Plattformen, weit verbreitet für komplexe, softwaregeführte Produkte.
• Ketryx - ALM plus validierte KI-Agenten, die Rückverfolgbarkeit und Dokumentation erzeugen, mit bis zu 90 Prozent weniger manueller Compliance-Arbeit.¹⁰¹¹

Regulatory Information und MDR-Writing

Diese verwalten Einreichungen, Registrierungen und das Medical Writing, das die MDR verlangt.

• Rimsys - Regulatory Information Management, speziell für Medtech gebaut, digitalisiert Registrierungen und den regulatorischen Datensatz.²¹
• Celegence CAPTIS - eine Webanwendung, die Medical Writer bei der EU-MDR/IVDR-Dokumentation unterstützt.²²

Post-Market und Klinik

Diese decken klinische Daten, PMCF und die Surveillance ab, die die MDR nach Markteinführung verlangt.

• Climedo - eine europäische Plattform für klinische Validierung und Post-Market-Surveillance-Datenerfassung, inklusive eCOA und PMCF-Umfragen.²³
• Literatur- und Signal-Tools - zunehmend KI-gestützt für das Literatur-Monitoring, das PSURs speist.

Horizontal und Wissen

Diese liegen über allem, helfen Menschen beim Finden und Entwerfen und sind der Wissensebene am nächsten, ohne lebendiges Know-how zu behalten.

• Microsoft 365 Copilot und Glean - Entwürfe und Enterprise-Suche über verbundene Apps und Dokumente.
• ChatGPT Enterprise - allgemeines Reasoning und Entwerfen, mit von Training ausgeschlossenen Daten unter Enterprise-Bedingungen.

Wie man ein Tool für einen regulierten Hersteller bewertet

Bevor Sie eine weitere Plattform hinzufügen, prüfen Sie sie an fünf Fragen, die mehr zählen als die Feature-Liste.

1. Kann es validiert werden? - unterstützt der Anbieter Computer System Validation nach Ihrem ISO-13485-Qualitätssystem und der kommenden FDA QMSR, mit dokumentierten Tests? Für regulierte Datensätze ist das der erste Filter, nicht der letzte.¹⁴
2. Wohin gehen die Daten? - bleiben Reklamations-, Patienten- und proprietäre Designdaten in Ihrer Umgebung und sind sie vom öffentlichen Modelltraining ausgeschlossen?
3. Ist der Audit-Trail solide? - sind KI-Aktionen computergeneriert, zeitgestempelt und manipulationssicher, wie es Ihr Qualitätssystem verlangt?
4. Kann es Ihre echte Arbeit sehen? - ein Tool, das nur aus einem leeren Prompt arbeitet, liefert generischen Output; eines, das sich mit Ihrem QMS und Ihren Akten verbindet, verwendet wieder, was das Unternehmen weiß.
5. Bleibt das Wissen? - wenn das Abo endet oder die Person geht, bleibt etwas, das das Tool über Ihr Unternehmen gelernt hat, oder geht es mit ihr?

Die fehlende Ebene: Ein Company Brain

Ein Company Brain ist ein privates, lebendiges Gedächtnis Ihres Unternehmens - das Personenwissen, die Prozesse und die bisherige Arbeit, die normalerweise in einzelnen Köpfen und verstreuten Systemen liegen. Es ist die Ebene, die einen Haufen Einzeltools in ein System verwandelt, das Ihr Unternehmen tatsächlich kennt, und es ist der Ort, an dem KI-Mitarbeiter den Kontext bekommen, um in einer kontrollierten Umgebung nützliche Arbeit zu leisten.

• Es behält Expertise - erfasst, wie Ihre besten Writer, Qualitätsingenieure und Reklamationsbearbeiter arbeiten, damit ihr Know-how bleibt, wenn sie in Rente gehen oder wechseln.¹
• Es verankert jedes KI-Tool - ein CAPA-Entwurf, ein Aktenabschnitt oder eine Reklamationsbewertung ist nur so gut wie das Unternehmenswissen dahinter; das Brain liefert diesen Kontext.
• Es verbindet Ihre Systeme - E-Mail, Teams, SharePoint, das eQMS, das PLM, das ERP und die Reklamationsdatenbank, sodass Wissen dort geschöpft wird, wo Arbeit bereits passiert.
• Es lernt aus Feedback - jeder korrigierte Entwurf und jede wiederverwendete Untersuchung lehrt es, wie gut bei Ihrem Unternehmen aussieht.
• Es befähigt KI-Mitarbeiter - mit dem Brain darunter kann ein KI-Mitarbeiter eine Reklamation lesen, die zugehörige Produkthistorie ziehen und die Untersuchung in einem Fluss entwerfen.
• Es bleibt unter Ihrer Kontrolle - privat für Ihr Unternehmen, mit Zugriffsrechten und Audit-Logs, sodass Reklamations-, Patienten- und proprietäre Designdaten nie ein öffentliches Modell erreichen.
• Es funktioniert über Funktionen hinweg - dieselbe Ebene, die der Qualität hilft, hilft auch Regulatory, Design und Post-Market, weil sie alle aus demselben Unternehmensgedächtnis schöpfen.
• Es verkürzt das Onboarding - ein neuer Kollege fragt das Brain, wie das Unternehmen Dinge macht, statt einen erfahrenen Kollegen zu unterbrechen, und wird schneller produktiv.
• Es summiert sich - anders als ein Tool, das bei jeder Aufgabe zurückgesetzt wird, wird das Brain wertvoller, je länger das Unternehmen es nutzt, weil es mehr von dem hält, was das Unternehmen weiß.

Das ist der Unterschied zwischen einem KI-Copiloten und einem KI-Mitarbeiter. Ein Copilot hilft einer Person in einer App. Ein KI-Mitarbeiter, verankert in einem Company Brain und von Ihren Leuten beaufsichtigt, übernimmt eine Routineaufgabe über Ihre Systeme, mit menschlichen Checkpoints dort, wo sie zählen.

Die KI-Mitarbeiter, die ein Medtech-Hersteller tatsächlich einsetzt

In der Praxis bilden die KI-Mitarbeiter die Routine-Rollen ab, die eine Unternehmenswoche füllen - jeder verankert im Company Brain, validiert und von einer qualifizierten Person beaufsichtigt.

• Der Reklamationsbearbeiter - liest eingehende Reklamationen, extrahiert und kategorisiert den Fall und entwirft die Untersuchung für einen Prüfer zur Bewertung und Abzeichnung.
• Der Qualitätsuntersucher - klassifiziert eine Abweichung, zeigt ähnliche frühere Fälle und entwirft die CAPA für einen QA-Prüfer.
• Der Regulatory Writer - verwandelt Daten und Vorlagen in einen ersten Entwurf eines Aktenabschnitts im Hausstil des Unternehmens, bereit für einen RA-Writer zur Verfeinerung.
• Der Post-Market-Analyst - überwacht Reklamationen und Literatur, entwirft den PSUR und markiert Trends für einen Prüfer.
• Der Wissenshüter - erfasst Entscheidungen, Untersuchungen und Kontext, während die Arbeit passiert, sodass nichts mit der Person geht, die sie erledigt hat.

MDR, ISO 13485 und die EU-KI-Verordnung

In einer regulierten Branche ist die Frage nie nur “funktioniert die KI”, sondern “können Sie es belegen, und wer zeichnet ab”. Es gibt hier zwei getrennte Welten, und sie zu verwechseln ist der häufigste Fehler. KI, die Ihrem Team hilft, ist validierte Software in Ihrem Qualitätssystem. KI, die Teil des Produkts ist, ist ein eigenes Regulatory-Projekt. Hier ist, was für jede gilt.

KI in Ihrem Betrieb (das Thema dieses Leitfadens)

• KI, die einen regulierten Datensatz berührt, ist validierte Software - eine Reklamation, CAPA, Abweichung, ein Design Control oder eine technische Dokumentation bringt die KI in die Computer System Validation nach Ihrem ISO-13485-Qualitätssystem.
• Die FDA QMSR hebt die Latte 2026 - die Quality Management System Regulation tritt am 2. Februar 2026 in Kraft und übernimmt ISO 13485:2016 per Verweis, sodass ein US-orientierter Hersteller die Validierung daran ausrichtet.¹⁴
• Audit-Trails sind nicht verhandelbar - KI-Aktionen müssen computergeneriert, zeitgestempelt und manipulationssicher sein, und eine benannte Person zeichnet den Datensatz ab.
• Sie ist unter der KI-Verordnung meist geringes Risiko - operative KI für Entwürfe, Triage und Suche fällt in die Kategorien minimales oder begrenztes Risiko, mit leichten Pflichten wie Transparenz und KI-Kompetenzschulung.¹⁸
• Datensouveränität ist die eigentliche Einschränkung - Reklamations-, Patienten- und proprietäre Designdaten in einer kontrollierten Umgebung zu halten zählt mehr als die Modellwahl.

KI im Produkt (ein völlig anderer Weg)

• Sie folgt dem MDR-Konformitätsweg - KI, die ein Medizinprodukt oder Software als Medizinprodukt ist, wird unter der MDR/IVDR zertifiziert, wie heute.¹⁷
• Die KI-Verordnung ergänzt eine Ebene - wo die KI eine Sicherheitskomponente ist, ist sie unter der KI-Verordnung hochriskant und beide Rahmen gelten gleichzeitig, mit integrierter technischer Dokumentation, Data Governance und menschlicher Aufsicht.¹⁶¹⁷
• Die Regulierer gleichen beide an - die Kommission entwarf Leitlinien zur Hochrisiko-Klassifizierung und die Medical Device Coordination Group gab Leitlinien heraus, um KI-Verordnungs- und MDR-Dokumentation anzugleichen.¹⁵¹⁶
• Die Hochrisiko-Uhr läuft später als gedacht - KI-Verordnungs-Pflichten für in Produkte eingebettete Hochrisiko-KI gelten ab August 2028, und Stand 2026 werden KI-Produkte weiterhin unter der MDR/IVDR zertifiziert.¹⁷

So bauen Sie Ihren KI-Stack

Die Hersteller, die Wert erzielen, kaufen nicht die meisten Tools - sie validieren einen Workflow gut und expandieren von dort. Hier ist eine praktische Abfolge, die Abo-Wildwuchs und Pilot-Fegefeuer vermeidet, ohne eine Compliance-Ecke abzuschneiden.

1. Wählen Sie einen ertragsstarken, prüfgestützten Workflow - wählen Sie eine routinemäßige, volumenstarke Aufgabe, bei der der Nutzen offensichtlich ist und ein Mensch das Ergebnis bereits prüft: Reklamationserfassung, CAPA-Entwurf oder Wissenssuche. Ein Workflow, nicht fünf.
2. Erfassen Sie die aktuellen Kosten als Basislinie - messen Sie die Stunden und die Durchlaufzeit, die der Workflow heute frisst, und die Qualitätsprobleme, die er erzeugt. Sie können Wert nicht gegen eine Zahl belegen, die Sie nie genommen haben.
3. Setzen Sie zuerst den Compliance-Rahmen - vereinbaren Sie den Validierungsansatz, die Datensouveränitätsregeln und die menschlichen Abzeichnungspunkte, bevor ein Tool einen regulierten Datensatz berührt.
4. Starten Sie die Wissensebene - richten Sie das Company Brain auf die Systeme, die dieser Workflow bereits nutzt - das eQMS, die Reklamationsdatenbank, SharePoint - damit Entwürfe von Tag eins echtes Unternehmenswissen wiederverwenden.
5. Fügen Sie das Spezialtool hinzu, wo es passt - nutzen Sie die beste validierte Plattform für die Aufgabe auf diesem Kontext, statt ein generisches Modell aus einem leeren Prompt.
6. Halten Sie einen qualifizierten Menschen in der Schleife - definieren Sie die Checkpoints, an denen eine Person prüft und abzeichnet, bevor etwas eingereicht wird. Nicht verhandelbar für Genauigkeit und Verantwortlichkeit.
7. Messen Sie gesparte Zeit, nicht gekaufte Tools - verfolgen Sie zurückgewonnene Stunden und Durchlaufzeit gegen die Basislinie und protokollieren Sie alles für das spätere Audit.
8. Erfassen Sie unterwegs - jeder geprüfte Entwurf und jede Korrektur speist das Brain, sodass die nächste Untersuchung oder Akte weiter vorne startet.
9. Expandieren Sie zum nächsten Workflow - sobald der erste in einem validierten Zustand läuft, verwenden Sie dieselbe Wissensebene für den nächsten. Der Kontext summiert sich.

Für die meisten Hersteller lautet die Antwort beides: Spezialplattformen für validierte Aufgaben, sitzend auf einer verbundenen Wissensebene, damit ihr Output im Unternehmen verankert ist statt im offenen Internet.

Häufige Fehler, die man vermeiden sollte

Die meiste KI-Enttäuschung in der Medizintechnik lässt sich auf dieselbe Handvoll vermeidbarer Fehler zurückführen.

• Tools kaufen, bevor der Workflow kartiert ist - eine Plattform repariert keinen Prozess, den niemand angeschaut hat; kartieren Sie zuerst die Arbeit, dann wählen Sie das Tool.
• Validierung überspringen und hoffen - unvalidierte KI auf einem regulierten Datensatz ist ein Finding, das nur darauf wartet; setzen Sie den Compliance-Rahmen, bevor Sie starten.
• Regulierte Daten in öffentliche Chatbots einfügen - der schnellste Weg zu einem Datensouveränitätsbruch; entscheiden Sie, wohin Daten dürfen, bevor jemand echte Datensätze berührt.
• Operative KI mit Produkt-KI verwechseln - ein Entwurfstool wie einen Produktbau zu behandeln, oder umgekehrt, verschwendet Monate auf dem falschen Compliance-Weg.
• Die Basislinie überspringen - ohne eine Vorher-Zahl können Sie das Nachher nie belegen, und der Pilot stirbt in einer Debatte, ob er funktioniert hat.
• KI-Output als final behandeln - selbstbewusste, falsche Entwürfe erreichen eine Akte, wenn die menschliche Prüfung optional ist; machen Sie die Abzeichnung verpflichtend.
• Adoption ignorieren - die beste Plattform, die niemand öffnet, bringt nichts; setzen Sie KI in die Systeme, die die Leute bereits nutzen.
• Nicht erfassen, was die KI lernt - wenn Korrekturen und wiederverwendete Arbeit kein gemeinsames Brain speisen, lernt das Unternehmen dieselben Lehren bei jedem Projekt neu.

Ein 90-Tage-Weg zu Ihrem ersten Erfolg

Sie brauchen kein mehrjähriges Transformationsprogramm. Ein fokussiertes Quartal bringt einen validierten Workflow von der Idee zu einem gemessenen Ergebnis.

1. Wochen 1 bis 3: wählen, Basislinie, Rahmen - wählen Sie den einen Workflow, kartieren Sie, wie er heute läuft, erfassen Sie Stunden und Durchlaufzeit und vereinbaren Sie den Validierungsansatz und die Datenregeln, bevor ein Tool einen Datensatz berührt.
2. Wochen 4 bis 8: verbinden und bauen - richten Sie die Wissensebene auf die Systeme, die der Workflow bereits nutzt, fügen Sie die richtige Plattform hinzu und definieren Sie die menschlichen Abzeichnungspunkte. Ihr Team arbeitet damit an echten Fällen und gibt Feedback.
3. Wochen 9 bis 12: messen und expandieren - vergleichen Sie Stunden und Durchlaufzeit gegen die Basislinie, dokumentieren Sie die Validierungsnachweise, erfassen Sie das erzeugte Wissen und entscheiden Sie den nächsten Workflow. Der erste Erfolg finanziert und entrisikt den zweiten.

Wie Superkind passt

Superkind baut zwei Dinge für Medizintechnik-Hersteller: ein Company Brain, das die Expertise Ihres Unternehmens behält, und KI-Mitarbeiter, die darauf Routinearbeit übernehmen. Der Ansatz ist prozessorientiert - wir starten davon, wie Ihre Teams tatsächlich Akten schreiben, Reklamationen bearbeiten und untersuchen, nicht von einem generischen Produkt, an das Sie sich anpassen müssen.

• Company Brain - ein privates, lebendiges Gedächtnis Ihres Personenwissens, Ihrer Prozesse und bisherigen Arbeit, das bleibt, auch wenn ein erfahrener RA- oder Qualitätsspezialist in Rente geht.
• KI-Mitarbeiter - Agenten, die Reklamationen, CAPAs, Aktenabschnitte und PSURs entwerfen und Wissen erfassen, verankert im Brain und von Ihren Leuten beaufsichtigt.
• Verbunden mit Ihren Systemen - E-Mail, Teams, SharePoint, das eQMS, das PLM, das ERP und die Reklamationsdatenbank, sodass Arbeit dort passiert, wo sie bereits lebt.
• Prozessorientierte Discovery - wir kartieren den echten Workflow mit den Leuten, die ihn machen, bevor wir etwas bauen. Keine Vorlagen, keine Slideware.
• Für regulierte Umgebungen gebaut - läuft in Ihrer kontrollierten Umgebung mit Zugriffsrechten und Audit-Trails, sodass Reklamations-, Patienten- und proprietäre Designdaten nie ein öffentliches Modell erreichen.
• Lernt durch tägliches Feedback - Ihr Team korrigiert und verwendet wieder, und das System schärft sich auf die tatsächliche Arbeitsweise Ihres Unternehmens.
• Mehr Output ohne Personalaufbau - das Ziel ist mehr erledigt, und weniger Expertise verloren, aus den Leuten, die Sie bereits haben.
• Ergebnisbasierte Preise - pro Anwendungsfall an messbaren Ergebnissen ausgerichtet, nicht pro Lizenz.
• Modellunabhängig - das Brain ist nicht an einen KI-Anbieter gebunden, sodass Sie das beste Modell für jede Aufgabe nutzen, ohne Ihre Wissensebene neu zu bauen.
• Startet klein - ein validierter Workflow belegt den Wert, bevor Sie expandieren, sodass das Risiko begrenzt ist und das erste Ergebnis das nächste finanziert.

Wenn Sie nur ein validiertes eQMS oder ein Regulatory-Information-System of Record brauchen, kaufen Sie die Spezialplattform. Superkind ist für Hersteller, die aufhören wollen, Expertise zu verlieren, und ihrer KI etwas Echtes und Kontrolliertes geben wollen, aus dem sie arbeitet.

Was menschlich bleibt

Der Sinn davon ist nicht, Menschen aus der Medizintechnik zu entfernen. Es ist, die Routine zu entfernen, damit Menschen die Arbeit tun, die nur sie tun können. In einer regulierten Branche ist die Linie nicht nur gute Praxis - sie ist das Gesetz.

• Das Melde- und Sicherheitsurteil - zu entscheiden, ob eine Reklamation ein Vigilanzfall oder eine Feldmaßnahme ist, ist die Expertenarbeit, auf die KI hin entwirft, die sie aber nie verantwortet.
• Die Regulatory-Strategie - wie man eine technische Dokumentation positioniert und einer Benannten Stelle antwortet, ist über Jahre aufgebautes menschliches Urteil.
• Verantwortung und Abzeichnung - eine qualifizierte Person trägt die Verantwortung für jeden eingereichten Datensatz; eine KI kann gegenüber einer Behörde nicht haften.
• Die finale Prüfung - jedes Dokument, das das Unternehmen verlässt, passiert einen Menschen, der seine Genauigkeit und Konformität verantwortet.
• Die Ermessensentscheidungen unter Unsicherheit - die Situationen, die keine Vorlage abdeckt, laufen auf Erfahrung, die die Maschine unterstützt, aber nicht ersetzt.

Entscheidungsrahmen: Was sollte Ihr Unternehmen jetzt tun?

Nicht jeder Hersteller braucht dasselbe. Hier ist ein Rahmen, um Ihre Situation einem sinnvollen ersten Schritt zuzuordnen.

Häufig gestellte Fragen

Verwandte Artikel

• KI für Pharma- und Life-Sciences-Unternehmen - dieselbe ehrliche Anwendungsfall- und Tool-Landschaft für die benachbarte regulierte Branche.
• KI im Qualitätsmanagement - wie KI die QMS-Arbeit in der regulierten Fertigung umformt.
• KI für Gewährleistungs- und Reklamationsansprüche - die Mechanik der automatisierten Reklamations- und Anspruchserfassung.
• Die besten KI-Compliance- und Audit-Tools - was KI für Compliance-Nachweise und Audit-Bereitschaft leistet.
• Das modellunabhängige Company Brain - warum Ihre Wissensebene nicht an einen KI-Anbieter gebunden sein sollte.
• Der Bus-Faktor - was es wirklich kostet, wenn kritisches Wissen in einem Kopf steckt.

Henri Jung

Co-Founder von Superkind, wo er KMU und Unternehmen dabei hilft, individuelle KI-Agenten einzusetzen, die wirklich zur Arbeitsweise ihrer Teams passen. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schließen. Er glaubt, dass der Mittelstand alles hat, was er braucht, um bei KI zu führen - er braucht nur den richtigen Ansatz.