Aufbau der Wissensgrundlagen für KI-fähige Qualitätssysteme in der Pharmaindustrie

Der Titel verspricht Grundlagen, nicht Modelle. Diese Grundlagen sind die Wissenspflichten, die ein Qualitätssystem bereits innehaben muss — Umfang, Rekonstruierbarkeit, Erkennung von gebrochenen Annahmen und die Befugnis zu stoppen — bevor irgendein Modell, prädiktiv oder generativ, geeignet ist, Teil einer Kontrollstrategie zu sein oder einen GxP-Eintrag zu verfassen.

Ein Modell, das seine eigenen gebrochenen Annahmen nicht erkennen kann, ist keine Kontrollstrategie.

Dieser Satz ist kein Kommentar zu Algorithmen. Es ist ein Wissensmanagementtest, der nun auf beiden Seiten einer Naht angewendet werden muss, die die Branche immer noch als zwei verschiedene Gespräche behandelt: Chemistry, Manufacturing and Controls in der Akte und current good manufacturing practice in der Anlage. Wenn ein Qualitätssystem den Test nicht besteht, wird jede spätere Diskussion — wer verantwortlich ist, wenn AI entscheidet, was Validierungsteams am Montag tun, wer den Beobachter überwacht — ein System schmücken, das nicht bereit war, geschmückt zu werden.

Die bindende Einschränkung ist nicht die Modellfähigkeit

Die Branche weiß bereits, wie man ein residence-time-distribution (RTD)-Modell anpasst, wie man ein chemometrisches Modell für eine Raman- oder Near-Infrared-Sonde trainiert und wie man ein general-purpose-Modell dazu bringt, ein Verfahren oder eine Abweichung zu entwerfen. Was sie nicht zuverlässig weiß, ist, ob das Wissen unter diesen Systemen aktuell ist, für die gegebene Aufgabe hinreichend vollständig und in der Lage ist anzukündigen, wenn es nicht mehr zutrifft.

ICH Q10 hat diese Pflicht bereits benannt: Produkt- und Prozesswissen, über den Lebenszyklus hinweg gepflegt und in der Kontrollstrategie verwendet (ICH, 2008). Die meisten Systeme behandeln diese Überschrift als Compliance-Checkbox. Der operationelle Test ist strenger. Kann das System sagen, dass eine zum Zeitpunkt der Zulassung eingefrorene Annahme — oder in einer Standardarbeitsanweisung eingefroren — gestorben ist, während die alten Alarme oder die alte Vorlagensprache grün bleiben?

Die Regulierungsbehörden bewegen sich in Richtung dieser zweiten Frage. Im Januar 2025 veröffentlichte die FDA einen Entwurf zur Nutzung von künstlicher Intelligenz zur Erstellung von Informationen oder Daten, die darauf abzielen, regulatorische Entscheidungen zu Sicherheit, Wirksamkeit oder Qualität zu unterstützen. Die Prüfungseinheit ist nicht „der Algorithmus“. Es ist das Verwendungszusammenhang: die spezifische Rolle und der Umfang des Modells bei der Beantwortung einer Fragestellung von Interesse (U.S. FDA, 2025a). Glaubwürdigkeit ist in diesem Dokument Vertrauen — hergestellt durch Glaubwürdigkeitsnachweise — in die Leistung des Modells für diesen Verwendungszusammenhang. Da Glaubwürdigkeit für einen bestimmten Kontext definiert ist, stellt eine Änderung der Rolle oder des Umfangs (ein neuer Lieferant, ein neuer Standort, ein Wrapper, der einen Prädiktor in einen Empfehlungsgeber verwandelt) eine Änderung der Aufgabe dar, für die Belege gesammelt wurden. Die Bewertung muss erneut eröffnet werden.

Im selben Monat machten Entwurfsüberlegungen zu 21 CFR 211.110 die Fertigungsimplikation explizit. Prozessmodelle können in kommerzielle Kontrollstrategien eingebunden werden. Nach dem gegenwärtigen Stand der Wissenschaft dürfen sie jedoch nicht allein zur Erfüllung der In-Process-Kontrolle verwendet werden. Die FDA gibt an, dass ihr keine Prozessmodelle bekannt sind, die sowohl nachweisen, dass die zugrunde liegenden Annahmen während der Routinefertigung weiterhin gültig sind, als auch dass der Hersteller erkennen kann, wenn eine Annahme nicht mehr gültig ist. Aktuelle Prozessmodelle „können die fortdauernde Gültigkeit aller zugrunde liegenden Annahmen des Modells nicht jederzeit sicherstellen, insbesondere während bestimmter ungeplanter Störungen.“ Kontrollstrategien, die ausschließlich auf solchen Modellen basieren, wären für §211.110 unzureichend (U.S. FDA, 2025b; Fisher et al., 2026). Das ist keine Feindseligkeit gegenüber Modellen. Es ist eine präzise Beschreibung der Wissensgrundlage, die noch fehlt.

Die regulatorische Zulässigkeit in der Akte wird klarer. Die Einsatzbereitschaft in der Anlage nicht.

Zwei von der FDA verfasste Papiere müssen jetzt zusammen gelesen und dann gegen die Anlage gestellt werden.

Im Jahr 2024 legten O’Connor, Fisher und europäische Kollegen dar, warum Prozessmodelle ein wachsendes Instrument für Design und Steuerung sind — und warum das bindende Problem Modellrisiko über den kommerziellen Lebenszyklus hinweg ist, nicht die Erlaubnis, ein Modell einzureichen (O’Connor et al., 2024). Sie klassifizierten mechanistische, empirische/chemometrische und hybride Modelle und behandelten RTD-Modelle als Werkzeuge, die bereits für Materialrückverfolgbarkeit, Zuführbegrenzungen und Ablenkung nicht konformer Materialien in kontinuierlichen Feststoff-Oral-Linien verwendet werden.

Im Jahr 2026 veröffentlichten Fisher, Chatterjee, Madurawe, Tian, Tran und Lee den ersten öffentlichen Bericht über Modelle, die tatsächlich genehmigte US-Anträge unterstützt hatten (Fisher et al., 2026). Für den Zeitraum 2012–2025 identifizierten sie mindestens fünfzehn genehmigte NDAs, BLAs — einschließlich Biosimilars — Originale und Supplements von acht Unternehmen, die Wirkstoff und Arzneiform abdecken. Elf dieser modellgestützten Anträge betrafen kontinuierliche Herstellung. Die FDA traf auf mechanistische Modelle (zum Beispiel Mass Balance), empirische Modelle (NIR- und Raman-Chemometrie) und hybride Modelle (RTD). Modelle traten mit hohem Risiko oder hoher Auswirkung auf (Freigabeentscheidungen, parametrische Steuerung), mittlerem (In-Process-Kontrollen, Ablenkung nicht konformer Materialien) und niedrigem (Definition des Design-Space, Untersuchungen und Überwachung) Risiko. Die Dokumentation in der Akte stimmte im Allgemeinen mit dieser Einstufung überein. In einigen Akten bauten die Modellierer der Behörde Inhouse-Modelle, die an den experimentellen Daten des Antragstellers kalibriert wurden, und nutzten diese, um die vorgeschlagene Kontrollstrategie zu testen (Fisher et al., 2026).

Ausgenommen drei Einreichungen, deren Verzögerungen nichts mit Modellierung zu tun hatten, wurden die modellgestützten Akten im Mittel 20,3 Tage vor ihrem Zieltermin genehmigt, einige im beschleunigten Prüfverfahren (Fisher et al., 2026). Das ist ein Ergebnis von Chemistry, Manufacturing and Controls. Es ist ein Beleg dafür, dass Modelle Qualitätsbewertungen überstehen können. Es ist kein Beleg dafür, dass ein Modell nach der kommerziellen Einführung den Tod seines eigenen context of use ankündigen kann, und es sagt fast nichts über generative Systeme aus, die bereits Verfahren, Abweichungen und Untersuchungstexte innerhalb des current good manufacturing practice-Ökosystems entwerfen.

Fünfzehn Unterlagen von acht Firmen über dreizehn Jahre sind ein Fortschritt. Es ist keine übliche Praxis. Wenn Predictive Competence weiterhin ein Boutique-Thema bei acht Firmen bleibt und generative Nutzung weiterhin eine nicht gelistete Betriebsgewohnheit ist, wird keines davon die öffentlich-gesundheitliche Arithmetik verändern, die in diesem Raum zählt: Resilienz gegenüber Engpässen, glaubwürdige fortgeschrittene Fertigung im großen Maßstab und die Qualität der Produkte, die die meisten Verschreibungen füllen.

Von Prozessmodell-Governance zur generativen Nutzung

Der Entwurf für künstliche Intelligenz von 2025 und der Entwurf zu 211.110 sind nicht zwei unzusammenhängende Dokumente. Beide stellen dieselbe Forderung in unterschiedlicher Sprache: Beschreiben Sie die Aufgabe, bewerten Sie den Einfluss der Ausgabe und die Folge eines Irrtums, und bewahren Sie eine Möglichkeit, zu erkennen, wann die Annahmen, die die Aufgabe legitimierten, gescheitert sind. Ein Prozessmodell, das zur Diversion verwendet wird, hat diese Grammatik bereits in der Akte (Fisher et al., 2026; O’Connor et al., 2024). Ein generatives System, das verwendet wird, um ein Master Production Record, eine Spezifikation oder eine Abweichung zu schreiben, erfüllt dieselbe Art von Arbeit – es erzeugt Text, der eine Charge steuern kann – meistens jedoch überhaupt nicht mit dieser Grammatik.

Der Unterschied ist nicht „predictive versus generative“. Es ist die Frage, ob das Qualitätssystem die Ausgabe als Entscheidungshilfe-Artefakt mit einem Nutzungskontext behandelt oder als Prosa, die zufällig aus einem Modell stammt. Sobald eine Ausgabe ändern kann, was die Anlage tut, oder was das Protokoll sagt, dass die Anlage getan hat, sind die Wissenspflichten dieselben. Das ist die Brücke. Die vier Muster unten zeigen, was passiert, wenn sie fehlt.

Vier Wege, wie die Naht versagt

Die fünfzehn Unterlagen liegen in Modul 3. Current good manufacturing practice lebt in §§211.100, 211.110 und 211.192, in Change Control, Training und Data Integrity. Predictive Modelle bestehen die Prüfung des Titels nicht, wenn sie in der Akte glaubwürdig und in der Anlage stumm sind. Generative Systeme bestehen die Prüfung des Titels nicht, wenn sie verwendet werden, um GxP-Dokumente ohne einen angegebenen Nutzungskontext zu schreiben.

Erstens, CMC-glaubwürdig, CGMP-stumm. Ein RTD- oder NIR-Modell wird mit einem Verifizierungsplan genehmigt. Nach dem Start werden ihm nicht die Antithese-Fragen gestellt. Corrective and preventive action kann nicht untersuchen, was die Genehmigung nie in den Umfang aufgenommen hat.

Zweitens, CGMP-generativ, CMC-absent. Ein Team benutzt ein general-purpose Modell, um Spezifikationen, Master Production Records oder Untersuchungstexte zu schreiben. Es gibt keinen angegebenen Nutzungskontext, keine Einfluss×Konsequenz-Bewertung, kein rekonstruierbares Prompt-und-Quellen-Paket.

Drittens, ein Predictive-Modell plus eine generative Hülle, kein neuer Nutzungskontext. Ein Agent wird auf ein validiertes RTD oder auf ein Chargenprotokoll gesetzt. Die Hülle verändert die Aufgabe – von „predict residence time“ zu „recommend diversion and draft the justification.“ Nach dem Entwurf von 2025 ist das ein neuer Nutzungskontext (U.S. FDA, 2025a). Es als User-Interface-Upgrade zu behandeln, ist der Weg, wie Entscheidungen mit hoher Wirkung ohne einen Glaubwürdigkeitsplan entstehen.

Viertens, Ontology Recycling. Generative Systeme, die mit den Abweichungen, Untersuchungen und Verfahrensbibliotheken eines Standorts trainiert wurden, werden „root cause unknown“, bestätigende Sprache und alles reproduzieren, was das pharmazeutische Qualitätssystem bereits nicht sehen kann. Schnellere Bestätigung einer eingefrorenen Anlagen-Ontologie ist keine Intelligenz.

RTD als erster Proxy – dann der Rest des Ökosystems

Fisher und Kolleg:innen beschreiben einen Supplementantrag, der kontinuierliche Tablettenherstellung als Alternative zu einem genehmigten Batch-Verfahren vorschlug. Ein RTD-Modell verfolgte Material und sagte den Assay vorher, sodass nicht konforme Segmente in Echtzeit umgeleitet werden konnten. Nahinfrarot-Modelle unterstützten die Entwicklung und wurden für Identität und Assay vorgeschlagen. Die FDA bewertete das RTD-Modell als mittleres Risiko: es entschied Diversion, nicht Freigabe. Der Prozess kombinierte weiterhin predictive Modeling mit validierten analytischen Tests. Die Genehmigung erforderte Argumente über Akzeptanzkriterien, Validierungsvollständigkeit, Parameterausführlichkeit, Robustheit bei Geräteausfall und Lifecycle-Management – einschließlich welcher Ereignisse eine Revalidierung erzwingen würden (Fisher et al., 2026).

Dieser Fall ist das richtige erste Objekt. Einfluss ist hoch. Konsequenz ist hoch. Der eigene Entwurf der Agentur zu 211.110 sagt, dass aktuelle Modelle nicht alle ihre Annahmen durch ungeplante Störungen hinweg gültig halten und nicht allein erkennen, dass eine Annahme gescheitert ist. Sobald diese Pflichten in einer RTD-Akte sichtbar sind, gelten sie für einen Raman-Feed-Controller, ein Release-Modell, eine von einem Generator entworfene Spezifikation und einen Agenten, der um eines der oben Genannten gewickelt ist.

Tabelle 1. Wissenspflichten über die CMC–CGMP-Naht. Residence-time-distribution-Diversion ist Zeile eins, weil die FDA sie bereits bewertet hat. Die verbleibenden Zeilen sind die Anwendungen, die der Rest einer Qualitätsagenda als KI-bereit annehmen wird.

Die linke Spalte zeigt, was ein kompetentes Dossier bereits ausweisen kann: Protokolle, Fits, Unterschriften, manchmal ein Vergleichsprotokoll, das eine Algorithmusänderung zu einem Prior-Approval-Supplement schickt und geringfügigere Änderungen ins standortinterne Qualitätssystem (Fisher et al., 2026). Die rechte Spalte ist das Fundament. Provenienz ist die Grenze des Entwicklungsplans — was gefragt wurde und was ausgeschlossen wurde, weil die Einreichungsfrist oder die Untersuchungsvorlage geschlossen war (Hussain, Gurvich, & Morris, 2019). Verifizierbarkeit ist Rekonstruierbarkeit: Fisher et al. (2026) berichten, dass FDA-Wissenschaftler digitale Zwillinge vorgeschlagener kommerzieller Prozesse erstellt und mit eingereichten Daten kalibriert haben. Der Standort muss in der Lage sein, das Analoge für ein Modell zu tun und für ein erzeugtes Dokument. Erkennung ist das Brechen einer Annahme, nicht eine Grenzwertwarnung und nicht ein flüssiger Absatz. Überwachung ist jede Kampagne, nicht die Jahresüberprüfung (O’Connor et al., 2024). Verantwortlichkeit ist ein namentlich benannter Eigentümer in Herstellungszeit. Rückführbarkeit ist die Befugnis, ein Modell oder ein Entwurfstool zu stoppen, ohne auf eine neue regulatorische Frist zu warten.

Dieser Zweispaltenunterschied ist die Lücke zwischen einem validierten System und einem vertrauenswürdigen System. Validierung fragt, ob das Artefakt sein Protokoll für den angegebenen Gebrauch zur Zeit der Prüfung erfüllt hat. Vertrauenswürdigkeit fragt, ob das Wissen noch für die Aufgabe geeignet ist, die die Organisation ihm heute gibt, und ob jemand befugt ist, es zu stoppen, falls nicht. Leitlinien zur Prozessvalidierung verlangen seit mehr als einem Jahrzehnt den Nachweis von Prozess- und Produktfähigkeit (U.S. FDA, 2011). Ein Modell oder ein Generator auf ein System aufzuschichten, das diese Nachweise nicht erbringen kann, schließt die Lücke nicht. Es verkürzt die Zykluszeit der Bestätigung.

Fisher et al. (2026) verzeichnen außerdem eine Verschiebung innerhalb der FDA-Bewertungen: Ältere Einschätzungen sprechen von Modell Auswirkung im Sinne von ICH Q8/Q9/Q10; neuere Einschätzungen sprechen von Modell Risiko als Einfluss × Entscheidungsfolgen in einem angegebenen Kontext der Verwendung (U.S. FDA, 2025a; ICH, 2012). Ein chemometrisches Modell, das als In-Prozess-Monitor „mittlere Auswirkung“ zu haben scheint, kann hohes Risiko werden, wenn dasselbe Modell die Homogenitätskontrolle für ein Niedrigdosisprodukt ist (O’Connor et al., 2024; Fisher et al., 2026). Kontext der Verwendung ist keine Papierarbeit. Er bestimmt, wie Wissen Entscheidungen treffen darf.

Herausforderungen, die das derzeitige GMP-Ökosystem abdecken muss

Bevor künstliche Intelligenz auf die Anlage aufgesetzt wird, muss das pharmazeutische Qualitätssystem acht praktische Pflichten erfüllen.

Der Kontext der Verwendung muss über Part 211 festgehalten werden, nicht nur im Dossier. Divergenz ist ein Kontext. Das Entwerfen der Abweichung, die die Divergenz erklärt, ist ein anderer.

Die Annahmenüberwachung muss im pharmazeutischen Qualitätssystem verankert sein. Abschnitt 211.110 stellt klar, dass aktuelle Modelle nicht garantieren, dass Annahmen unter ungeplanter Störung gültig bleiben, und nicht allein feststellen, dass eine Annahme fehlgeschlagen ist (U.S. FDA, 2025b). Die Antithese-Abfragen — Materialänderung, residuale Drift innerhalb von Alarmgrenzen, Beschwerdecodes, „Root cause unknown“ — müssen im Kampagnenrhythmus laufen.

Änderungskontrolle muss Modellversion, Retrieval-Korpus, Systemprompt und Feinabstimmung als Stammdaten behandeln. Ein stilles Vendor-Update ist eine unkontrollierte Änderung.

Rekonstruierbarkeit muss Inspektoren dienen, nicht nur Begutachtern. Kann der Standort die Erzeugung nicht so rekonstruieren, wie er ein Assay rekonstruiert, ist der Datensatz nach §211 nicht lesbar.

Jemand muss in der Lage sein, das Modell oder das Entwurfstool in Herstellungszeit zu stoppen.

• „Mensch in der Schleife“ ist keine Grundlage, wenn der Mensch die ausgeschlossenen Fragen oder die Quellen nicht sehen kann.

• Der Korpus, den ein Generator sehen kann, muss negatives Wissen enthalten — was fehlgeschlagen ist, was außerhalb des Umfangs lag — sonst industrialisiert das System die blinden Flecken des Standorts.

• Schattenverwendung auf persönlichen Geräten, die GxP-Text schreiben, ist eine Gegebenheit des Ökosystems. Die Grundlage ist ein Inventar und eine Regel „verbieten oder qualifizieren“, nicht eine Folie über verantwortliche KI.

• GAMP 5 Edition 2 und der Entwurf Annex 22 liegen stromabwärts dieser Liste. Die Validierung von computergestützten Systemen kann kein Qualitätssystem reparieren, das keinen Kontext der Verwendung und keine Befugnis zum Stoppen hat.

Was fehlschlägt, wenn die Reihenfolge umgekehrt ist

Die Umkehr ist inzwischen vertraut. Plattform kaufen. Einen Use Case aufsetzen. Ein Modell an die vorhandenen Daten anpassen oder einen Generator auf die Werksbibliothek loslassen. Ein Validierungspaket schreiben. Die Organisation als AI-ready ausrufen. Dann feststellen, dass die Daten für eine andere Fragestellung erhoben wurden, dass der Entwicklungsplan nie den relevanten Fehlermodus einschloss, dass die einzigen Personen, die das Residual-Plot verstehen, das Unternehmen verlassen haben, und dass eine Untersuchung nicht prüfen kann, was die Zulassung nie autorisiert hat, herausgefunden zu werden.

Dieses Muster ist nicht neu. 1991 wurde ein Backpropagation-Netzwerk verwendet, um hydrophile Matrixformulierungsvariablen mit der in vitro-Freisetzung zu verknüpfen (Hussain, Yu, & Johnson, 1991). 2002 wurden mit damals bei der FDA tätigen Kolleginnen und Kollegen neuronale Netze auf einen Phase‑2-Datensatz zu Pharmakokinetik und Pharmakodynamik für Repaglinid angewandt (Haidar, Johnson, Fossler, & Hussain, 2002). Diese Modelle waren Bestätigungsmuster‑Maschinen. Ihre Redlichkeit bestand in der Hold-out‑Fehlerabschätzung und der Weigerung, klinische Signifikanz zu übertreiben. Sie konnten keinen Lifecycle‑Kreislauf schließen, weil die Wissensbasis, die sie abfragten, kaum kuratierte Fehlschläge enthielt. Größere Modelle haben diese Einschränkung nicht aufgehoben. Sie haben sie skaliert.

Erkennung ist nicht Aktuation — und Wissensangebot ist kein Qualitätssystem

Ein Qualitätssystem kann ein Residualmuster, eine Beschwerde oder einen generierten Absatz zutage fördern, der der zertifizierten Aussage widerspricht, und dennoch die Entscheidung nicht ändern. Zertifizierung friert eine unvollständige Ontologie ein; eine spätere Widerlegung hat dann keinen verpflichtenden Pfad zur Revision (Valerio & Hussain, in press). Erzwungene‑Widerlegungs‑Retrieval ist eine Möglichkeit, Wissenssysteme — prädiktive oder generative — daran zu hindern, nur das abzurufen, was die Akte bestätigt (Hussain, 2026). Kein Mechanismus ersetzt eine Institution, die Fehler‑Modi‑Wissen kuratieren kann, das der Sponsor nicht zu behalten hat; das ist die dem Gemeinwohl dienende Wissensschicht, die in der NIPTE‑2030‑Agenda skizziert wird (Hussain, Morris, & Gurvich, 2026). Für dieses Publikum bleibt der operationelle Test einfacher. Wenn der Standort keinen Kontext der Nutzung angeben kann, das Modell oder das Prompt nicht rekonstruiert werden kann, eine Annahme erkannt wird, die starb, während die Warnungen grün blieben, und das Werkzeug nicht in Plant‑Time gestoppt werden kann, dann ist das System modell‑ausgerüstet. Es ist nicht KI‑bereit.

Wo dieses Zimmer steht

Eine Sicht von außerhalb Indiens sollte spezifisch sein und den Sektor nicht als ein einziges Unternehmen behandeln.

Der indische pharmazeutische Herstellungssektor ist entlang dieser Reifegradkurve ungleich verteilt. Ein Teil davon hat noch mit der linken Spalte der Tabelle 1 zu kämpfen: ein rekonstruierbarer Bericht, eine unterzeichnete Kontrollstrategie, eine Methode, die gültig bleibt, nachdem die Personen, die sie verfasst haben, gegangen sind. Das sind keine Probleme der fortgeschrittenen Fertigung. Es sind Wissensmanagementprobleme, die Inspektionen bereits zu finden wissen.

Ein anderer Teil des Sektors kann die linke Spalte liefern — und einige davon sind bereits in der Art von kontinuierlicher Fertigung und Prozessmodellarbeit, die Fisher und Kollegen für acht Unternehmen beschrieben haben. Diese Fähigkeit ist real. Sie ist aber nicht gleichbedeutend mit Bereitschaft.

In beiden Teilen ist die rechte Spalte dünn: Annahmenüberwachung, während alte Warnungen grün bleiben, eine namentlich benannte Person, die ein Modell in Plant‑Time stoppen kann, Reversibilität, die nicht auf ein Supplement wartet, und ein Inventar generativer Nutzung, das nie in eine Akte gelangt ist. Kostendruck bei ausgereiften Generika vergrößert beide Lücken zugleich. Er verengt den Entwicklungsplan, wodurch der linken Spalte der Umfang entzogen wird, und er belohnt bestätigende Geschwindigkeit, wodurch der rechten Spalte die Antithese fehlt (Hussain et al., 2019). Das ist kein nationales Charaktermerkmal. Es ist ein Anreiz.

Das Risiko von außerhalb lautet also nicht „India cannot file.“ Es besteht darin, dass Exzellenz, wo sie existiert, sich auf die Spalte konzentriert, die Anträge genehmigt, während die Spalte, die ein Modell oder einen generierten Eintrag nach der Genehmigung vertrauenswürdig hält, knapp bleibt. Prozessmodelle werden die Generikaversorgung nicht schützen, wenn sie Eigentum einer Handvoll gut ausgestatteter Standorte bleiben. Generative Werkzeuge werden die Reife nicht erhöhen, wenn sie nur die Ontologie beschleunigen, die ein Standort bereits hat. Der Nutzen für die öffentliche Gesundheit der Process‑Analytical‑Technology‑Ära‑Logik lag immer in der Skalierung (U.S. FDA, 2004; Arden et al., 2021). Ein risikobasierter Lifecycle‑Rahmen, der nur dort eingesetzt wird, wo Modellierer bereits sitzen, lässt diese Lücke offen (O’Connor et al., 2024; Fisher et al., 2026).

Was ein Chief Quality Officer am Montag fragen sollte

Nicht „Welche KI‑Use‑Cases laufen wir.“ Fragen Sie stattdessen diese.

1. Inventarisieren Sie jedes prädiktive Modell und jede generative Nutzung, die eine Charge, ein Verfahren oder eine Untersuchung berührt. Jeweils ein Satz zum Kontext der Nutzung (U.S. FDA, 2025a; Fisher et al., 2026).

2. Welche dieser Nutzungen existieren nur in der Anlage und waren niemals in einer Akte? Das sind die nicht bewerteten Nutzungskontexte.

3. Was würde jedes prädiktive Modell falsifizieren, während Warnungen grün bleiben? Bei jeder generativen Nutzung: Kann der Standort Quellen und Prompt rekonstruieren (U.S. FDA, 2025b)?

4. Wer kann heute das Modell oder das Entwurfswerkzeug ohne ein Supplement stoppen?

5. Welche ausgeschlossenen Fragen und fehlgeschlagenen Untersuchungen sind im Korpus, das der Generator sehen kann? Wenn die Antwort „keine“ lautet, wird er die bereits vorhandene Ontologie bestätigen.

6. Wird diese Fähigkeit auf SKU‑ und Standortebene aufgebaut, die bei einem stillschweigenden Wegfallen der Annahme zu Engpässen führen würden — oder nur dort, wo bereits Modellierer sitzen?

Wenn diese sechs Fragen ein Führungsteam unwohl machen, dann ist dieses Unbehagen die Wissensgrundlage. Künstliche Intelligenz kann darauf aufgebaut werden. Sie kann sie nicht ersetzen.

Der Rest von GPACTS mag fragen, wer verantwortlich ist, wenn ein Modell entscheidet, und wer den Wächter überwacht. Diese Fragen sind nachgelagert gegenüber einer vorhergehenden: weiß das Wissenssystem, wann sein eigenes Zertifikat abgelaufen ist?

Literaturverzeichnis

Arden, N. S., Fisher, A. C., Tyner, K., Yu, L. X., Lee, S. L., & Kopcha, M. (2021). Industry 4.0 für die pharmazeutische Herstellung: Vorbereitung auf die Smart Factories der Zukunft. International Journal of Pharmaceutics, 602, 120554. https://doi.org/10.1016/j.ijpharm.2021.120554

Fisher, A. C., Chatterjee, S., Madurawe, R., Tian, G., Tran, R., & Lee, S. L. (2026). FDA-Regulierungserfahrungen mit Modellen von Arzneimittelherstellungsprozessen in zugelassenen Anträgen. International Journal of Pharmaceutics, 702, 127249. https://doi.org/10.1016/j.ijpharm.2026.127249

Haidar, S. H., Johnson, S. B., Fossler, M. J., & Hussain, A. S. (2002). Modellierung der Pharmakokinetik und Pharmakodynamik eines einzigartigen oralen Antidiabetikums mittels neuronaler Netze. Pharmaceutical Research, 19(1), 87–91. https://doi.org/10.1023/a:1013611617787

Hussain, A. S. (2026). Engineering epistemic resilience: Überwindung ontologischer Fragmentierung in der pharmazeutischen KI. Journal of Artificial Intelligence and Knowledge Engineering. Online-Vorabveröffentlichung.

Hussain, A. S., Gurvich, V. J., & Morris, K. (2019). Pharmaceutical „New Prior Knowledge“: Sicherstellung therapeutischer Äquivalenz im 21. Jahrhundert. AAPS PharmSciTech, 20, 140. https://doi.org/10.1208/s12249-019-1347-6

Hussain, A. S., Morris, K., & Gurvich, V. J. (2026). NIPTE 2030: Der digitale Vertrauensanker der Nation für Pharma 5.0. Pharmaceutical Research. https://doi.org/10.1007/s11095-026-04118-z

Hussain, A. S., Yu, X., & Johnson, R. D. (1991). Einsatz neuronaler Rechnersysteme in der Entwicklung pharmazeutischer Produkte. Pharmaceutical Research, 8(10), 1248–1252. https://doi.org/10.1023/A:1015843527138

International Council for Harmonisation. (2008). Q10: Pharmaceutical quality system.

International Council for Harmonisation. (2012). Quality Implementation Working Group points to consider for ICH Q8/Q9/Q10 guidelines.

O’Connor, T. F., Chatterjee, S., Lam, J., Hernán Pérez de la Ossa, D., Martinez-Peyrat, L., Hoefnagel, M. H. N., & Fisher, A. C. (2024). Eine Untersuchung von Prozessmodellen und Modellrisikorahmen für die pharmazeutische Fertigung. International Journal of Pharmaceutics: X, 8, 100274. https://doi.org/10.1016/j.ijpx.2024.100274

U.S. Food and Drug Administration. (2004). Innovation and continuous improvement in pharmaceutical manufacturing (Pharmaceutical CGMPs for the 21st Century — A risk-based approach, final report). https://www.fda.gov/media/77391/download

U.S. Food and Drug Administration. (2011). Process validation: General principles and practices (Guidance for industry).

U.S. Food and Drug Administration. (2025a). Considerations for the use of artificial intelligence to support regulatory decision-making for drug and biological products (Draft guidance for industry and other interested parties). Docket No. FDA-2024-D-4689.

U.S. Food and Drug Administration. (2025b). Considerations for complying with 21 CFR 211.110 (Draft guidance for industry). Docket No. FDA-2024-D-5374.

Valerio, N. G., & Hussain, A. S. (in press). Vertrauen als verteilte Funktion: Verantwortlichkeit außerhalb epistemisch abgeschlossener Systeme. Blockchain in Healthcare Today.