DER NEUE EPISTEMISCHE VERTRAG FÜR KÜNSTLICHE INTELLIGENZ IN GxP-UMGEBUNGEN: Über das Compliance-Theater hinaus

Zusammenfassung 

Künstliche Intelligenz (KI) hat das Potenzial, die pharmazeutische Herstellung, Qualitätssysteme und Regulatory Affairs grundlegend zu verändern. Um dieses Potenzial zu realisieren, muss die Branche über das sogenannte Compliance Theatre hinausgehen – den fortwährenden Versuch, dynamische, probabilistische Systeme mit Rahmenwerken zu validieren, die für statische Software konzipiert wurden. Dieses Papier schlägt einen neuen epistemischen Vertrag für KI in GxP-Umgebungen vor, der sich an CGMP-Regulierungspräzedenz, wissenschaftlichen Belegen und einer geschichteten Architektur der Verantwortlichkeit orientiert. Die in dieser Diskussion entwickelten Prinzipien gelten allgemein für alle Good‑Practice-Bereiche, weshalb der Titel den inklusiven Begriff GxP verwendet. Unter Bezug auf das erste FDA Warning Letter, das sich auf übermäßiges Vertrauen in KI bezieht [1], die sich rasch entwickelnde globale Regulierungslandschaft ^[2-4], und die aufkommenden psychologischen Risiken algorithmischer Schmeichelei ^[5], stellt der Artikel ein umfassendes Governance-Modell für KI in pharmazeutischen Betrieben vor. Er schließt mit einer praktischen Readiness-Bewertung und einem Aufruf zu wahrheitssuchenden KI-Systemen, die das ganzheitliche wissenschaftliche Urteilsvermögen stärken – statt es zu untergraben – auf dem letztlich die Patientensicherheit beruht.

Einleitung: Das Ende des Compliance Theatre 

Der Einsatz künstlicher Intelligenz in der pharmazeutischen Herstellung und in Qualitätssystemen (der CGMP-Umgebung) hat einen kritischen Wendepunkt erreicht. Ein großer Teil der Branche ist nach wie vor mit einer engen und letztlich unzureichenden Frage beschäftigt: Wie validieren wir KI? Regulierungsbehörden stellen jedoch eine weitaus folgenreichere Frage: Dient dieses System tatsächlich dem Qualitätszweck, den es vorgibt zu erfüllen?

Diese Divergenz legt einen grundlegenden Fehler in der aktuellen Praxis offen. Ohne eine effektive Validierung von Methoden, Prozessen und Personal verkommen Versuche, moderne, probabilistische KI-Systeme in veraltete, deterministische Validierungsrahmen zu zwängen, zu Compliance Theatre – einer performativen Übung, die Dokumentation statt Gewissheit erzeugt. Sinnvolle Aufsicht erfordert das Aufgeben veralteter Annahmen und die Einführung von Governance-Modellen, die die wahre Natur von KI-Systemen und ihre Auswirkungen auf Produktqualität und Patientensicherheit widerspiegeln.

Kern dieses Auseinanderdriftens ist eine tiefgreifende epistemische Lücke. Präzision ohne Kontext mag gelegentlich eine CGMP-Inspektion bestehen, ist jedoch kein Quality by Design. KI zwingt uns, die Grenzen deterministischen Denkens in Umgebungen zu konfrontieren, in denen Unsicherheit, Anpassung und kontinuierliches Lernen intrinsisch sind. Um diesem Paradigma zu entkommen, müssen wir zu den ersten Prinzipien zurückkehren. Dieses Papier schlägt einen neuen epistemischen Vertrag vor – einen, der strenges analytisches Denken mit der schöpferischen Synthese und dem instinktiven Einblick harmonisiert, die menschliche Verantwortung erfordert.

Die Architektur der Verantwortlichkeit 

Um KI wirksam zu steuern, müssen wir zuerst ihre Struktur dekonstruieren. Pharmazeutische Herstellungsprozesse – und die zunehmend in sie integrierten KI-Systeme – sind nicht monolithisch. Sie bilden eine geschichtete Architektur mit aufsteigender Fähigkeit, Undurchsichtigkeit und regulatorischer Folge. Jede Schicht bringt eigene Risiken, Ausfallmodi und Governance-Pflichten mit sich. Das Verständnis dieser Architektur ist wesentlich für die Gestaltung von Aufsichtsmechanismen, die dem tatsächlichen Verhaltens‑ (Good-Practice-) und Patienteneinfluss der Technologie angemessen sind. Zwar beschreiben weder FDA noch EMA explizit eine fünfschichtige KI-Architektur, doch erkennen ihre jüngsten Guidance-Dokumente und Überlegungen implizit ein Spektrum von KI-Fähigkeiten und -Folgen an.

Abbildung 1: Ein konzeptionelles Modell, das die aufsteigenden Schichten von Classical AI, Machine Learning, Deep Learning, Generative AI und Agentic AI in Bezug auf Fähigkeit und Verantwortlichkeit darstellt.

2.1 Klassische KI – die Regel-Schicht 

Deterministische Systeme erzwingen explizite CGMP-Logik, regulatorische Anforderungen, Unternehmensrichtlinien, SOPs und 21 CFR Part 11-Kontrollen. Dies ist die Regel-Schicht – die grundlegende Ebene der pharmazeutischen CGMP. Wir bezeichnen sie selten als „KI“, doch fungiert sie als die regulatorische Intelligenz der Branche, indem sie die operative Logik kodiert, die konformes Verhalten steuert.

Da diese Schicht häufig von externen Beratern entworfen, konfiguriert und gewartet wird, kann sich der Begriff KI in diesem Kontext weniger wie künstliche Intelligenz und mehr wie fremdartige Intelligenz anfühlen – ein System, dessen Logik oberflächlich konform, aber für die Organisation, die davon abhängt, operativ undurchsichtig ist. Wenn es versagt, erzählt die Audit-Trail die Geschichte. • Ausfallmodus: Transparenter, nachvollziehbarer Regelversagen • Governance: Regelvalidierung, SOP-Abgleich, Audit-Trail-Überprüfung

2.2 Maschinelles Lernen – die Muster-Schicht 

Im Kontext des menschlichen Qualitätsmanagements entspricht die Muster-Schicht dem Verständnis der Systemleistung, der Unterscheidung von Common-Cause- und Special-Cause-Variation und der Steuerung von CAPA und kontinuierlicher Verbesserung. Der Einsatz neuronaler Rechentechniken in der pharmazeutischen Produktentwicklung ist nicht neu. Bereits in den 1990er Jahren wurde der Nutzen dieser Methoden für computerunterstützte Formulierungsentwicklung ^[6] nachgewiesen. Im Machine Learning lernen künstliche neuronale Netze und verwandte Modelle statistische Zusammenhänge aus historischen und Echtzeitdaten, um Muster zu erkennen, Ergebnisse vorherzusagen und Anomalien zu identifizieren.

Wenn diese Schicht versagt, lautet die wesentliche Frage: Wer hat das Muster validiert? 

• Ausfallmodus: Fehlgeneralisation, Modelldrift, eingebettete Verzerrung 
• Governance: Strenge Verwendung repräsentativer Trainings-, Test- und Validierungsdatensätze; Modellentwicklung und -verifikation im Einklang mit Prozessvalidierungsprinzipien; IQ/OQ/PQ-äquivalente Qualifikation des gesamten KI-Lebenszyklus; und kontinuierliche Überwachung auf Drift, Verschlechterung und neu auftretende Ausfallmodi

2.3 Deep Learning – die Inspektions-Schicht 

In technischer Hinsicht fungieren Deep-Learning-Systeme als hochdimensionale Wahrnehmungsmaschinen, die komplexe visuelle, spektrale und Sensor-Fusion-Daten interpretieren und Echtzeit-Anomalieerkennung durchführen können — Fähigkeiten, die in den PAT- und „Desired State“-Initiativen der FDA für wissenschaftsbasierte, Echtzeit-Qualitätssicherung seit langem vorgesehen sind. Aber Deep Learning kann mehr als wahrnehmen. Es absorbiert Muster des Versagens aus den Umgebungen, in denen es eingesetzt wird. Diese Muster umfassen Rückkopplungsschleifen aus der realen Welt, organisatorische Verhaltensweisen und Unternehmensrichtlinien.ISO/IEC 42001:2023 kann einen strukturierten Rahmen bieten, um KI in organisatorische Managementsysteme einzubetten und dabei ethische Nutzung, operationelle Transparenz und kontinuierliche Verbesserung zu gewährleisten.

Wenn diese Ebene versagt, stellt sich die kritische Frage: wer hat die Entscheidung verantwortet — und wer hat die Muster geformt, die das Modell gelernt hat? 

• Fehlermodus: Opaque Fehlklassifikation, unerkannter Drift, Verstärkung systemischer blinder Flecken 
• Governance: Entscheidungsverantwortung, Human-in-the-loop-Überprüfung, Erklärbarkeitsmechanismen, Integration von Real‑World‑Evidence zur Beseitigung von “Blind Spots” und zur wachsamen Überwachung von Trends, um Abweichungen zu verhindern und die Ausrichtung an PAT/QbD-Prinzipien sicherzustellen.

2.4 Generative KI — Die Dokumentations- (Reporting-)Ebene 

Generative-AI-Systeme — insbesondere große Sprachmodelle — erstellen Chargenprotokolle, Abweichungen, CAPAs und andere regulatorische Dokumente, indem sie statistisch plausiblen Text vorhersagen. Ihre Ausgaben können poliert und konform erscheinen, während ihnen wissenschaftliche Substanz, kontextuelle Genauigkeit oder regulatorische Übereinstimmung fehlen.

Wenn diese Ebene versagt, ist das Protokoll selbst falsch, wodurch das Risiko einer unbeabsichtigten Falschaussage entsteht.

• Fehlermodus: Halluzination, Auslassung wissenschaftlicher Begründung, regulatorische Fehlanpassung, Abbau des gemeinsamen Verständnisses 
• Governance: Obligatorische menschliche Verifizierung, strikte Beschränkung für hochriskante Dokumentation, Ausrichtung an Bildungs- und Team‑Science‑Prinzipien

2.5 Agentische KI — Die Aktionsebene 

Agentic-AI‑Systeme behalten Kontext, sequenzieren Aufgaben und führen mehrstufige Workflows über vernetzte digitale Umgebungen aus. Sie repräsentieren das höchste Autonomie‑Level — fähig, nicht nur Erkenntnisse zu erzeugen, sondern auch danach zu handeln.

Wenn diese Ebene versagt, liegt das fast immer daran, dass niemand die Verantwortlichkeit vor dem Handeln definiert hat. Ohne expliziten Zweck, Zwänge und ethische Orientierung drohen agentische Systeme, organisatorische blinde Flecken mit hoher Geschwindigkeit zu verstärken. 

• Fehlermodus: Unbefugtes Handeln, kaskadierende Fehler, Fehlanpassung an Qualitätszwecke 
• Governance: Explizite Autorisierungsprotokolle, rollenbasierte Einschränkungen, zweckorientierte Schutzvorrichtungen, Kill‑Switch‑Mechanismen, Einsatz als Schulungswerkzeug, um die Selbstverantwortung von Menschen als “cGMP Special Agent” mit einer Lizenz zum Fürsorgen zu erhöhen.

3. Materialien, Maschinen, Köpfe — und jetzt KI regeln 

KI muss mit der gleichen Strenge geregelt werden wie Maschinen, Materialien und Köpfe. Sie kann nicht länger als bloße Software behandelt werden, weil sie nun Arbeiten mit regulatorischer Wirkung auf menschlichem Niveau ausführt. Diese Analogie erfordert ein klares Modell zur regulatorischen Gleichstellung.

Der neue epistemische Vertrag für KI in CGMP‑Umgebungen verlangt mehr als die Anpassung alter Validierungsinstrumente an neue Technologien — er fordert ein strukturelles Umdenken darüber, wie wir Verantwortung zuweisen, Leistung verifizieren und Qualität sichern. Traditionelle CGMP‑Systeme enthalten bereits ein reiches Vokabular an Kontrollen — Qualifizierung, Validierung, Änderungsmanagement, Abweichungsbehandlung, CAPA und Managementaufsicht. Tabelle 1 zeigt diese regulatorische Gleichstellung.

Tabelle 1: Regulatorische Gleichstellung zwischen GxP‑Anforderungen und KI‑Governance

In ihrer Gesamtheit erinnern uns diese Gleichstellungen daran, dass KI nicht außerhalb des GMP und allgemein des GxP‑Universums steht — sie muss innerhalb dieses Rahmens lesbar sein. Dieselben Prinzipien, die Ausrüstung, Prozesse, Daten und menschliche Entscheidungsfindung regeln, können leiten, wie wir KI steuern, vorausgesetzt, wir übersetzen sie präzise und wenden sie gezielt an. Dies ist der praktische Ausdruck des neuen epistemischen Vertrags: eine Verschiebung von der Behandlung der KI als exotisches technisches Artefakt hin zur Anerkennung als weiterer Teilnehmer im Qualitätssystem, der denselben Erwartungen an Wahrhaftigkeit, Transparenz und Verantwortlichkeit unterliegt.

4. Ein regulatorischer Präzedenzfall: Das Purolea Warning Letter 

Am 2. April 2026 erließ die FDA das Warning Letter 320-26-58 an Purolea Cosmetics Lab — die erste größere Durchsetzungsmaßnahme, die sich auf AI‑Überabhängigkeit stützt.^[1]

Die Firma nutzte AI‑Agenten zur Erstellung von Arzneimittelproduktspezifikationen und Betriebsanweisungen ohne unabhängige menschliche Verifizierung. In einer prägnanten Eingeständnis erklärte die Führung, sie sei sich der Anforderung zur Verifizierung der Ausgaben nicht bewusst gewesen, weil das KI‑System sie nicht ausdrücklich darauf hingewiesen habe.

Dieser Fall begründet drei unbestreitbare Präzedenzfälle:

1. AI kann nicht als regulatorischer Experte oder als CGMP‑qualifizierter Bediener behandelt werden.
2. Menschliche Aufsicht ist nicht delegierbar.
3. Das Versäumnis, KI-Ausgaben zu verifizieren, stellt einen grundlegenden CGMP-Verstoß dar.

Dies ist die erste Demonstration aus der Praxis von epistemic outsourcing – der Übergabe unserer tieferen Einsichten und analytischen Verantwortlichkeiten an einen Algorithmus – und deren schwerwiegenden Folgen.^[1]

5. Die psychologische Falle: algorithmische Schleimerei 

Während technische Halluzinationen die meiste Aufmerksamkeit erhalten, ist der gefährlichere Fehlermodus die Schleimerei (sycophancy), also die Neigung von KI-Modellen, Benutzerannahmen zu bestätigen. Sie optimiert auf Benutzerzufriedenheit, nicht auf Patientensicherheit.^[5]

Betrachten wir eine QMS-Umgebung: Ein QA-Manager deutet an, dass eine Abweichung geringfügig sein könnte. Eine schleimige KI stimmt zu. Folglich entgeht ein kritischer Defekt der Entdeckung. Dies ist kein technisches Versagen; es ist ein psychologisches. Schleimerei umgeht unsere logischen Schutzmechanismen und wiegt unsere wissenschaftliche Intuition in falscher Sicherheit, wodurch Bestätigungsfehler gegen die Qualitätssicherung instrumentalisiert werden.^[5]

Abbildung 2: Schleimerei-Feedback-Schleife. Wie Benutzerannahmen, Modellverstärkung und Bestätigungsfehler zusammenwirken, um analytische Entscheidungsprozesse zu verzerren.

In diesem Kontext agiert eine schleimige KI als absolutes Gegenteil der „Quality by Design“ (QbD)-Philosophie. Pharmaorganisationen dürfen generische generative Modelle nicht für Qualitätsentscheidungen einsetzen. Sie müssen aktiv „Truth-Seeking AI“ entwickeln und validieren – Systeme, die explizit mit negativer Verstärkung gegen unberechtigte Zustimmung feinabgestimmt sind, so ausgelegt, dass sie Anomalien aggressiv sichtbar machen, Benutzerannahmen absichtlich mit empirischen Belegen herausfordern und strikt mit physikalischer und regulatorischer Realität übereinstimmen, unabhängig von Benutzerpräferenzen.^[5]

6. Regulatorische Konvergenz hin zu risikobasierter Absicherung für KI und Automatisierung 

Globale Aufsichtsbehörden modernisieren schnell die Validierungserwartungen, um die wachsende Lücke zwischen statischer, dokumentationslastiger Computer System Validation (CSV) und den dynamischen, cloud-basierten, KI-gestützten Systemen zu schließen, die inzwischen in die pharmazeutischen Qualitätsabläufe integriert sind. Die sichtbarste Modernisierung in den Vereinigten Staaten ist der Übergang der FDA von CSV zu Computer Software Assurance (CSA), abgeschlossen am 3. Februar 2026.^[2]

Die endgültige CSA-Leitlinie erweitert den Umfang regulierter Automatisierung ausdrücklich auf Bots, Datenanalyse, AI/ML-Tools und Cloud-Computing.^[2] Parallel dazu etabliert die FDA-Entwurfsleitlinie von 2025 zu KI für regulatorische Entscheidungsfindung einen siebenstufigen Glaubwürdigkeitsbewertungsrahmen, der eine klare Definition der Fragestellung, des Verwendungszusammenhangs, des Modellsrisikos und einen umfassenden Plan zur Demonstration der Modellglaubwürdigkeit verlangt.^[3]

Europa hat einen breiteren legislativen Ansatz gewählt. Der EU GMP Anhang 22: Artificial Intelligence (entworfen Juli 2025) ist der erste detaillierte, prüfbare GxP-KI-Standard und unterscheidet kritische von nicht-kritischen KI-Anwendungen und auferlegt für Erstere strenge Anforderungen.^[4]

Gemeinsam signalisieren diese regulatorischen Entwicklungen einen einheitlichen Wandel in den westlichen Regionen hin zu einer neuen Weltordnung: von statischer Validierung zu dynamischer, risikobasierter Absicherung, von Dokumentationsvolumen zu kritischem Denken und von blindem Vertrauen in Automatisierung zu expliziter menschlicher Verantwortlichkeit.^[2][3][4] Allerdings konzentriert sich diese Konvergenz weitgehend auf den Globalen Norden. Viele Rechtsordnungen im Globalen Süden priorisieren hingegen weiterhin den Aufbau grundlegender regulatorischer Kapazitäten, die Entwicklung digitaler Infrastruktur und den Zugang zu Technologie gegenüber fortgeschrittenen KI-spezifischen Rahmenwerken. Diese Nord–Süd-Fragmentierung führt zu operativer Komplexität für globale pharmazeutische Lieferketten, potenziellen Risiken regulatorischer Arbitrage oder ungleichmäßiger Qualitätsstandards und unterstreicht die dringende Notwendigkeit eines inklusiven epistemischen Vertrags, der durch internationale Zusammenarbeit, Harmonisierung und Kapazitätsaufbauinitiativen unterstützt wird, um weltweit eine gerechte Patientensicherheit zu gewährleisten.

7. Infrastrukturelle Fragilität: Lehren aus der FDA-“Elsa”-Migration 

Im Februar 2026 war die FDA gezwungen, ihren internen KI-Assistenten aufgrund von nationalen Sicherheitsbedenken von Claude auf Gemini zu migrieren.^[7] Die komplette Neuplanung und Revalidierung der gesamten Pipeline brachte erhebliche technische Risiken und betriebliche Verzögerungen mit sich.

Diese Störung zeigt, dass Foundation Models nicht statisch sind und geopolitische Zwänge abrupte Übergänge erzwingen können. Kontinuierliches Monitoring, agile Revalidierung und ganzheitliches Systemverständnis sind unerlässlich.^[7]

8. Operationalisierung des epistemischen Vertrags: SMART-Steuerung 

Die Integration fortschrittlicher algorithmischer Systeme in die pharmazeutische Produktion erfordert einen tiefgreifenden kulturellen Wandel innerhalb der Unternehmenssysteme, insbesondere der Quality Units. Um diesen neuen epistemischen Vertrag erfolgreich zu operationalisieren, müssen Organisationen systematisch die gefährliche Annahme algorithmischer Unfehlbarkeit aufgeben. Stattdessen müssen sie eine Haltung unablässigen wissenschaftlichen Skeptizismus einnehmen, aktiv davon ausgehen, dass das KI-System inhärent fehlerhaft ist, und kontinuierlich seine Belastungsgrenzen testen. Diese organisatorische Haltung wird durch die Implementierung von „SMART Shepherding“ erreicht, einem ethischen, bewussten Governance-Rahmen, der aus fünf miteinander verbundenen Säulen besteht: Specificity, Measurability, Achievability, Review und Transformational Intent.

x

Abbildung 3: SMART Shepherding Framework. Fünf Säulen ethischer, verantwortlicher KI-Governance in CGMP-Umgebungen.

Auf der operativen Softwareebene müssen Quality Units technische Sicherheitsmechanismen gegen die psychologischen Risiken der Schleimerei und die technischen Risiken von Halluzinationen implementieren. Ein besonders wirksamer architektonischer Mechanismus ist Forced-Contradiction Retrieval.

Letztlich kann die wahre Bereitschaft einer pharmazeutischen Organisation, künstliche Intelligenz in einer regulierten GxP-Umgebung einzusetzen, nicht allein an der Menge der erstellten Validierungsdokumentation gemessen werden. Sie kann nur durch eine grundlegende diagnostische Übung bewertet werden, die als „Monday Morning Reality Check“ bezeichnet wird.

9. Der Reality-Check am Montagmorgen 

Eine einzige, kraftvolle Frage bleibt: Was würde Ihnen sagen, dass dieses System Ihnen eine falsche Antwort liefert?

Wenn IT, QA und Endanwender dies nicht unabhängig, instinktiv und konsistent beantworten können, ist das System nicht für die GxP-Anwendung geeignet. Dies ist der entscheidende Test der KI-Bereitschaft – ob wir unsere unabhängige analytische Kapazität bewahrt haben oder sie der Maschine überlassen haben. Die Durchsetzungsmaßnahme der FDA gegen Purolea Cosmetics Lab (Warning Letter 320-26-58, April 2026) schafft eindeutig den Präzedenzfall, dass Verstöße gegen 21 CFR 211 aktiv verfolgt werden, wenn KI ohne angemessene menschliche Aufsicht eingesetzt wird.^[1]

10. Schlussfolgerung: Validierung des neuen epistemischen Vertrags -

Wir können KI nicht als statisches, validiertes Gut behandeln; sie erfordert kontinuierliche, einfallsreiche menschliche Aufsicht. Das ist das Wesen des neuen epistemischen Vertrags. Die Pharmaindustrie ist über die Grenzen statischer Validierung hinausgewachsen. Während sich maschinelle Intelligenz von historischer Mustererkennung zu autonomer Generierung und Handlung entwickelt, ist der regulatorische Konsens unmissverständlich: Der Algorithmus trägt nicht die Haftung – sein menschlicher Betreiber tut es.

Organisationen, die diesen Wandel erfolgreich bewältigen, werden diejenigen sein, die wahrheitssuchende Systeme konstruieren, schmeichelhafte Automatisierung ablehnen und das disziplinierte kritische Denken kultivieren, das erforderlich ist, um probabilistische Modelle durch eine deterministische Regulierungswelt zu führen. KI kann die Qualität steigern, aber nur, wenn Organisationen die wissenschaftliche Intuition, epistemische Reife und emotionale Verpflichtung entwickeln, die nötig sind, um sie zu beherrschen.

Qualität war nie nur ein statistisches Ergebnis; sie ist eine moralische und berufliche Verpflichtung zur Patientensicherheit. Die Zukunft der KI in GxP wird nicht durch Compliance-Theater oder performative Validierung definiert werden. Sie wird durch epistemische Integrität definiert, die Bereitschaft, Unsicherheit zu konfrontieren, Annahmen in Frage zu stellen und sicherzustellen, dass menschliches Urteilsvermögen der endgültige Garant der Wahrheit bleibt.

Literaturhinweise

1. U.S. Food and Drug Administration. Warning Letter 320-26-58 an Purolea Cosmetics Lab (MARCS-CMS 722591). 2. April 2026. Verfügbar unter: https://www.fda.gov/inspections-compliance-enforcement-and-criminal-investigations/warning-letters/purolea-cosmetics-lab-722591-04022026.
2. U.S. Food and Drug Administration.Computer Software Assurance for Production and Quality Management System Software. Endgültige Leitlinie (3. Februar 2026; tritt an die Stelle vom 24. September 2025). Verfügbar unter: https://www.fda.gov/regulatory-information/search-fda-guidance-documents/computer-software-assurance-production-and-quality-management-system-software.
3. U.S. Food and Drug Administration.Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products. Entwurf der Leitlinie (Januar 2025). Verfügbar unter: https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-use-artificial-intelligence-support-regulatory-decision-making-drug-and-biological.
4. European Commission.EU-GMP Anhang 22: Künstliche Intelligenz (Entwurf der Konsultationsleitlinie, 2025). EudraLex Volume 4. Verfügbar unter: https://health.ec.europa.eu/document/download/5f38a92d-bb8e-4264-8898-ea076e926db6_en?filename=mp_vol4_chap4_annex22_consultation_guideline_en.pdf.
5. Cheng M, Lee C, Khadpe P, Yu S, Han D, Jurafsky D. Sycophantic AI decreases prosocial intentions and promotes dependence.Science. 2026;391(6792):eaec8352. DOI: 10.1126/science.aec8352.
6. Hussain AS, Shivanand P, Johnson RD. Application of neural computing in pharmaceutical product development: computer aided formulation design.Drug Development and Industrial Pharmacy. 1994;20(10):1739–1752.
7. Chew K, Yang M. Die FDA-ESLA-AI wechselt von Claude zu Gemini: Was Sponsoren wissen müssen.Clinical Leader. 12. März 2026. Verfügbar unter: https://www.clinicalleader.com/doc/fda-s-elsa-ai-switches-from-claude-to-gemini-what-sponsors-need-to-know-0001.