ISPE GAMP® Leitfaden: Künstliche Intelligenz – Was Pharma- und Biotech-Führungskräfte wissen müssen

Künstliche Intelligenz ist nicht länger etwas, das Pharmaunternehmen erst für die Zukunft in Betracht ziehen. Sie ist da, wird eingesetzt und berührt bereits einige der streng regulierten Bereiche der Branche – Wirkstoffforschung, Produktionsqualitätssysteme, klinische Studienabläufe und Zulassungsunterlagen. Und doch blieb die wichtigste Frage über weite Strecken unbeantwortet: Wie genau sollen wir das auf konforme Weise tun?*

Diese Frage hat jetzt eine fundierte, autoritative Antwort. Im Juli 2025 veröffentlichte die International Society for Pharmaceutical Engineering (ISPE) den GAMP® Guide: Artificial Intelligence, einen 290-seitigen Rahmen, der speziell entwickelt wurde, um Life-Sciences-Organisationen dabei zu helfen, KI in GxP-regulierten Umgebungen zu implementieren, ohne die Patientensicherheit, Datenintegrität oder Produktqualität zu gefährden.

Wenn Sie ein Pharma- oder Biotech-Unternehmen leiten, ist dieser Leitfaden kein Dokument, das Ihre IT-Abteilung aufnehmen und ablegen sollte. Er ist ein strategisches Signal dafür, wohin sich die Branche entwickelt, was Regulierungsbehörden erwarten werden und was die Führungsebene jetzt verstehen und umsetzen muss! Dieser Beitrag erklärt, was der GAMP AI Guide ist, warum er nötig war und welche Folgen er für den Betrieb Ihrer Organisation hat.

Warum die Pharmaindustrie einen dedizierten KI-Compliance-Leitfaden brauchte?

Um zu verstehen, warum der GAMP AI Guide wichtig ist, hilft es, die Lücke zu verstehen, die er schließt. Seit Jahrzehnten gibt das GAMP-Framework Pharmaunternehmen einen strukturierten, risikobasierten Ansatz zur Validierung computergestützter Systeme. 

GAMP 5 und seine zweite Ausgabe von 2022 wurden zum Bezugspunkt der Branche für Computer Software Assurance (CSA). Es funktionierte gut für die Systemtypen, die die Pharmaindustrie bislang verwendet hat.

KI durchbricht das alte Validierungsmodell in grundlegender Weise. Traditionelle Software macht genau das, wofür sie programmiert wurde. KI-Systeme lernen, passen sich an und erzeugen in einigen Fällen Ausgaben, die sich nur schwer vollständig erklären lassen – ein Merkmal, das Compliance-Herausforderungen schafft, für die das bestehende GAMP-Framework nie ausgelegt war. 

Bevor der AI Guide erschien, arbeiteten Unternehmen, die KI in GxP-Umgebungen einsetzten, im Wesentlichen nach erstprinzipiellen Überlegungen, ohne eine einheitliche, autoritative Referenz für Entscheidungen.

Die Folgen dieser Lücke zeigten sich deutlich in der gesamten Branche:

1. KI-Pilotprojekte, die bereits in der Proof-of-Concept-Phase ins Stocken gerieten, weil Teams sich nicht auf einen validierten, konformen Weg zur Freigabe für den regulierten Einsatz einigen konnten
2. Fragmentierte Terminologie zwischen Qualität, IT, Data Science und Regulatory Affairs, die eine funktionsübergreifende Abstimmung zur KI-Governance nahezu unmöglich machte
3. Inkonsistente Qualifizierung externer KI-Lieferanten, ohne einheitlichen Standard dafür, wie Due Diligence beim Erwerb von KI-Tools aussehen sollte
4. Lücken in der Governance von Trainingsdaten, da Organisationen feststellten, dass ihre KI-Modelle auf Daten aufgebaut wurden, die nicht nach GxP-Standards verwaltet worden waren
5. Regulatorische Unsicherheit, da FDA, EMA und andere Behörden begannen, eigene KI-Rahmenwerke zu entwickeln, wodurch Unternehmen unsicher waren, wie sie ihre internen Praktiken ausrichten sollten

Der GAMP AI Guide wurde speziell entwickelt, um diese Probleme nicht durch abstrakte Prinzipien, sondern durch praxisnahe, lebenszyklusbezogene Leitlinien zu lösen, die die KI-Implementierung mit bestehenden GxP-Compliance-Verpflichtungen verbinden.

Was der ISPE GAMP® AI Guide abdeckt: Eine strukturierte Übersicht?

Der GAMP AI Guide ist ein 290-seitiges Dokument, das von mehr als 20 ISPE-Mitgliedern aus Industrie und Wissenschaft mit umfassender Peer-Review erarbeitet wurde. Es ist so konzipiert, dass es auf das gesamte Spektrum von KI-Anwendungsfällen in den Life Sciences anwendbar ist – von KI-gestützten Qualitätsmanagementsystemen bis zu Machine-Learning-Modellen zur Unterstützung der Prozesssteuerung in der Produktion und der Analyse klinischer Daten.

Im Kern behandelt der Leitfaden fünf Bereiche, die die Führung von Pharma- und Biotech-Unternehmen verstehen muss:

1. Erweiterung der GAMP-5-Prinzipien auf KI-spezifische Herausforderungen. Anstatt bestehende Frameworks zu ersetzen, baut der Leitfaden auf der risikobasierten Methodik von GAMP 5 auf und wendet sie auf für KI typische Eigenschaften an, einschließlich adaptivem Modellverhalten, Data Drift, Erklärbarkeitsbeschränkungen und Anforderungen an die Governance von Trainingsdaten.

2. Ausrichtung an der aktuellen regulatorischen Landschaft. Der Leitfaden bezieht den EU AI Act (formell angenommen im Mai 2024), die FDA-Entwurfsleitlinien zu KI in Arzneimittel- und Geräteanwendungen, das Reflexionspapier der EMA zu KI im Lebenszyklus von Arzneimitteln und ISO/IEC 42001 zu Managementsystemen für KI ein. Diese Ausrichtung bedeutet, dass der Leitfaden nicht nur Best Practice der Branche darstellt, sondern auch eine Vorwegnahme der formalen regulatorischen Erwartungen ist.

3. Umfassende Abdeckung des gesamten Lebenszyklus eines KI-Systems. Die Leitlinien erstrecken sich über jede Phase des Lebens eines KI-Systems, von der anfänglichen Business-Case- und Systemgestaltung über Datenaufbereitung, Modelltraining, Validierungstests und Einsatz bis hin zur laufenden operativen Überwachung und Änderungssteuerung, wenn Modelle aktualisiert oder neu trainiert werden.

4. Definierte Rollen und Verantwortlichkeiten der Stakeholder. Der Leitfaden bietet einen klaren Verantwortlichkeitsrahmen, der regulierte Unternehmen, KI-Plattformlieferanten, Drittanbieter und interne Funktionen wie Qualitätssicherung, IT und Data Science abdeckt.

5. Ein risikogestufter Validierungsansatz. Nicht jede KI-Anwendung bringt die gleiche Compliance-Belastung mit sich. Der Leitfaden ermöglicht Organisationen, die Tiefe ihrer Validierungsaktivitäten an den vorgesehenen Einsatz und das Patientengefährdungsniveau jedes spezifischen KI-Systems anzupassen, sodass eine zweckmäßige Reaktion statt eines Einheitsmodells möglich ist.

Warum KI-Governance in der Pharmabranche eine Führungsaufgabe und keine IT-Funktion ist?

Es besteht die verbreitete Tendenz, den GAMP AI Guide als technisches Dokument zu betrachten, etwas, das die Qualitäts- und IT-Abteilungen bearbeiten, während die Führungsebene sich auf die erwarteten Geschäftsergebnisse konzentriert. Dieser Ansatz wird Probleme verursachen.

Der Leitfaden macht deutlich, dass KI-Governance in einem regulierten Life-Sciences-Umfeld weder eine Qualitätsfunktion noch eine IT-Funktion ist. Es ist eine organisatorische Fähigkeit, die aktive, informierte Führungsbeteiligung erfordert, um aufgebaut, ausgestattet und aufrechterhalten zu werden. Drei Gründe, warum dies auf Führungsebene wichtig ist:

Das regulatorische Risiko durch ungesteuerte KI ist real und steigt. FDA, EMA und andere große Behörden entwickeln aktiv ihre Rahmenwerke zur KI-Aufsicht und formalisieren diese. Organisationen, die jetzt eine GAMP-konforme KI-Governance implementieren, befinden sich in einer verteidigungsfähigen Position, wenn diese regulatorischen Erwartungen verbindlich werden. Wer dies nicht getan hat, wird während bereits bestehender Aufsicht einen disruptiveren und kostspieligeren Compliance-Übergang erleben.

KI-Ausfälle in GxP-Umgebungen sind Geschäftsfallvorfälle, keine technischen Störungen. Wenn ein in der Produktion eingesetztes KI-System ein fehlerhaftes Ergebnis erzeugt, das die Produktqualität beeinträchtigt, oder ein Modell, das in regulatorischen Einreichungsabläufen verwendet wird, unzuverlässige Daten liefert, reichen die Konsequenzen weit über das IT-Team hinaus. 

Sie betreffen Produktintegrität, Patientensicherheit, regulatorischen Status und kommerzielle Kontinuität. Dies ist dieselbe Risikokategorie wie Lieferkettenausfall oder Zusammenbruch des Qualitätssystems und gehört in dieselben Vorstandsdiskussionen.

Die Investitionen in Pharma-KI wachsen rapide, und ein Großteil davon ist derzeit für GxP-Einsatz ungesteuert. Branchenanalysten prognostizieren, dass die Pharma-Investitionen in KI von etwa $2 Milliarden im Jahr 2025 auf über $16 Milliarden bis 2034 steigen werden, mit einer jährlichen Wachstumsrate von fast 27%. 

Eine Umfrage aus 2024 ergab, dass etwa 60% der Pharma-Führungskräfte bereits Generative-AI-Pilotprojekte gestartet hatten, wobei 32% über die Pilotphase hinaus expandierten. Die strategische Frage, die sich die Führung stellen sollte, ist nicht, ob in KI investiert werden soll, sondern ob diese Investition so gesteuert wird, dass KI-Tools in GxP-Umgebungen betrieben werden können, oder ob die Organisation ein Portfolio von Piloten anhäuft, die niemals rechtskonform dort eingesetzt werden können, wo sie den größten Wert erzeugen würden.

Wesentliche Compliance-Herausforderungen, die die KI-Validierung komplexer machen als traditionelle CSV

Für Führungskräfte, die Computer System Validation (CSV)-Programme oder Qualitätsmanagementsysteme beaufsichtigt haben, ist es sinnvoll, offen auf die Arten einzugehen, in denen die KI-Validierung tatsächlich anspruchsvoller ist — nicht um Alarm zu erzeugen, sondern um sicherzustellen, dass die Herausforderung richtig verstanden und ausgestattet wird.

Die Validierung eines KI-gestützten computergestützten Systems in einer GxP-Umgebung ist aus fünf konkreten Gründen komplexer als die Validierung traditioneller Software:

1. KI-Modelle können ihr Verhalten im Laufe der Zeit ändern. Ein konventionell validiertes Softwaresystem führt nach der Validierung dieselben Operationen aus wie während der Validierung. Ein auf neuen Daten nachtrainiertes KI-Modell kann andere Ausgaben liefern als zum Zeitpunkt der Erstvalidierung. Validierung kann daher kein einmaliges Ereignis sein; sie erfordert fortlaufendes Performance-Monitoring, definierte Schwellenwerte für die Auslösung einer Revalidierung und Änderungssteuerungsprozesse, die speziell für Modell-Updates und Retraining ausgelegt sind.
2. Modellerklärbarkeit ist eine echte Dokumentationsherausforderung. Viele KI-Systeme, insbesondere solche mit Deep-Learning-Architekturen, können nicht ohne Weiteres erklären, warum sie ein bestimmtes Ergebnis erzeugt haben. In GxP-Umgebungen, in denen Auditierbarkeit und Nachverfolgbarkeit regulatorische Anforderungen sind, entstehen dadurch Verantwortlichkeitslücken, die durch bewusste Designentscheidungen auf Architektur- und Governance-Ebene und nicht retrospektiv während einer behördlichen Inspektion geschlossen werden müssen.
3. Die Qualität der Trainingsdaten bestimmt direkt die Compliance des Modells. Die Zuverlässigkeit der Ausgaben eines KI-Systems ist untrennbar mit der Qualität der Daten verbunden, mit denen es trainiert wurde. In der Pharma müssen Trainingsdaten nach den ALCOA+-Prinzipien verwaltet werden — wie attributable, legible, contemporaneous, original, accurate, complete, consistent, enduring und available —, die für alle GxP-Aufzeichnungen gelten. Die meisten KI-Datenpipelines wurden ursprünglich nicht nach diesen Standards aufgebaut, und ihre Nachrüstung ist ein erheblicher Aufwand.
4. Die Qualifizierung von Drittanbieter-KI-Lieferanten erfordert einen neuen Rahmen. Viele in pharmazeutischen Umgebungen eingesetzte KI-Tools werden von Drittanbietern entwickelt und kontinuierlich aktualisiert, die ein begrenztes Verständnis der GxP-Anforderungen haben. Diese Lieferanten mit angemessener Strenge zu qualifizieren und diese Aufsicht aufrechtzuerhalten, während ihre Plattformen aktualisiert, retrainiert oder umstrukturiert werden, erfordert einen Qualifizierungsrahmen, den die meisten Organisationen noch entwickeln.
5. Funktionsübergreifende Governance-Ausrichtung ist eine organisatorische Herausforderung, keine technische. Eine gemeinsame Sprache, gemeinsame Risikoklassifikationskriterien und ein gemeinsamer Governance-Prozess für KI über Qualität, IT, Data Science, Regulatory Affairs und Operations hinweg zu etablieren, ist in der Praxis schwieriger als in der Planung erwartet. Dies ist einer der Hauptgründe, warum KI-Initiativen nach der Pilotphase ins Stocken geraten, und es ist ein Bereich, in dem Führungssponsoring direkt über den Ausgang entscheidet.

Verlässt sich Ihre zugrunde liegende Dateninfrastruktur noch auf manuelle oder zersplitterte Prozesse?

KI-Modelle scheitern in GxP-Umgebungen ohne makellose, digitalisierte Daten.

→ Lesen: Qualität ohne Digitalisierung: Ein Risiko, das moderne Pharma-Führungskräfte nicht ignorieren können

Sechs Fragen, die Pharma- und Biotech-Führungskräfte ihren Teams stellen sollten

Der GAMP AI Guide bietet eine praktische Grundlage, um zu bewerten, wo Ihre Organisation derzeit in Bezug auf KI-Governance steht. Dies sind die Fragen, die die wichtigsten Lücken aufdecken:

1. Gibt es ein dokumentiertes Inventar aller KI-Systeme, die derzeit in GxP-regulierten Bereichen des Unternehmens betrieben werden oder sich in der Entwicklung befinden? Viele Organisationen entdecken deutlich mehr im Einsatz befindliche KI-Anwendungen, als die Führung bei einer strukturierten Bestandsaufnahme zum ersten Mal erwartet.
2. Hat die Organisation einen definierten, dokumentierten Prozess zur Einstufung der GxP-Auswirkungen und des Patient:innenrisikos eines neuen KI-Systems, bevor es eingesetzt wird? Ohne einen solchen Prozess werden Risikobewertungen informell und inkonsistent über die Funktionen hinweg getroffen.
3. Werden Drittanbieter von KI-Tools und -Plattformen formell nach demselben Standard qualifiziert, der auch für andere GxP-Computerisierungsanbieter angewendet wird? Dies ist eine der häufigsten und folgenschwersten Lücken in der aktuellen KI-Governance-Praxis.
4. Arbeiten Qualitäts­sicherung und Data-Science-Teams mit einer gemeinsamen Terminologie und einem gemeinsamen Governance-Rahmen für KI? Fehlende Abstimmung zwischen diesen Funktionen, einschließlich unterschiedlicher Auffassungen darüber, was Validierung im KI-Kontext bedeutet, ist ein Hauptgrund dafür, dass KI‑Programme nicht vom Pilotstadium in die Produktion übergehen.
5. Wie werden bereits in Produktion eingesetzte KI-Systeme auf Modellver drift, Verschlechterung der Datenqualität oder Leistungsabweichungen überwacht? Wenn die ehrliche Antwort lautet, dass keine strukturierte Überwachung vorhanden ist, handelt es sich um eine prioritäre Lücke mit direkten regulatorischen Auswirkungen.
6. Werden die Datenpipelines, die KI-Systeme in GxP-Umgebungen speisen, nach den ALCOA+-Anforderungen an Datenintegrität verwaltet? Für die Mehrheit der Organisationen ist die zutreffende Antwort derzeit „nicht vollständig“, und dies erfordert einen expliziten Sanierungsplan.

Ein praktischer Implementierungsfahrplan: Wie wendet man den GAMP AI Guide phasenweise an?

Der GAMP AI Guide ist umfassend, und seine vollständige Umsetzung ist kurzfristig für die meisten Organisationen kein realistisches Ziel. Der effektivste Führungsansatz besteht darin, ihn als Reifegrad‑Fahrplan zu behandeln und die Implementierung in Phasen zu gliedern, die die Fähigkeiten schrittweise aufbauen.

1) Etablieren Sie eine funktionsübergreifende KI-Governance-Struktur mit exekutiver Sponsorenschaft. Dieses Gremium sollte Qualitäts­sicherung, IT, Data Science, Regulatory Affairs und Recht umfassen, mit definierten Entscheidungsbefugnissen, klarer Verantwortlichkeit und einer direkten Berichtslinie an die obere Führungsebene. Ohne diese Struktur ist alles andere schwerer aufrechtzuerhalten.

2) Führen Sie ein Inventar der KI-Systeme durch und wenden Sie eine Risikoklassifizierung an. Dokumentieren Sie jede KI-Anwendung, die in GxP-relevanten Bereichen betrieben wird oder in Entwicklung ist. Klassifizieren Sie jede nach Verwendungszweck, GxP-Auswirkung und Patient:innenrisiko. Diese Übung zeigt sofort, wo Validierungsprioritäten liegen und welche Systeme dringende Governance-Aufmerksamkeit benötigen.

3) Erstellen oder aktualisieren Sie den Rahmen zur Lieferantenqualifizierung für KI. Überprüfen Sie die aktuellen Anbieterqualifizierungsprozesse anhand der Empfehlungen zur Lieferantenaufsicht im Guide. Identifizieren Sie, wo zusätzliche Due-Diligence erforderlich ist, und integrieren Sie aktualisierte Qualifikationskriterien in Beschaffungs- und Lieferantenmanagement‑Workflows.

4) Bewerten Sie die Governance der Trainingsdaten im Hinblick auf ALCOA+-Anforderungen. Führen Sie eine Überprüfung der Datenintegrität der Pipelines durch, die Trainingsdaten für KI-Systeme in GxP-Umgebungen liefern. In den meisten Organisationen deckt dieser Schritt die größten strukturellen Lücken auf und liefert die Grundlage für die bedeutendsten Sanierungsinvestitionen.

5) Definieren Sie fortlaufende Überwachungs- und Revalidierungsprotokolle für KI-Systeme. Legen Sie für jedes in GxP eingesetzte KI‑System dokumentierte Leistungsgrenzen, Überwachungstaktung und die konkreten Bedingungen fest, die eine Eskalation, ein Retraining oder eine formelle Revalidierung auslösen. Dies sollte in das Betriebsdesign jedes KI‑Systems ab dem Zeitpunkt der Erstimplementierung integriert werden.

6) Bieten Sie gezielte funktionsübergreifende Schulungen zu GAMP-AI-Grundsätzen an. Der Governance‑Rahmen funktioniert nur, wenn die für Qualität, IT, Regulatory und Data Science Verantwortlichen die Prinzipien des Guides verstehen und sie gemeinsam anwenden können. Strukturierte Schulungen für diese Funktionen, zugeschnitten auf die jeweilige Rolle in der KI‑Governance, sind eine der unmittelbarsten Investitionen, die eine Organisation in ihre KI‑Compliance‑Bereitschaft tätigen kann.

Haben Sie Schwierigkeiten, die spezialisierten technischen Expert:innen zu rekrutieren, die erforderlich sind, um diese komplexen Systeme zu steuern und zu validieren?

Die Life‑Sciences‑Branche sieht sich einem massiven Mangel an funktionsübergreifenden Kompetenzen gegenüber.

→ Lesen: Pharma Talent Gap | Prognosemodelle, die es beheben

Der strategische Fall: Warum konforme KI‑Implementierung ein Wettbewerbsvorteil ist

Es gibt eine Sichtweise auf den GAMP AI Guide, die ihn als bloße Compliance‑Last darstellt, ein weiteres Anforderungspaket, das mit minimalen Kosten erfüllt werden muss. Diese Sicht unterschätzt deutlich, worum es geht.

Pharmazeutische Organisationen, die eine echte, dokumentierte Fähigkeit zur konformen KI‑Implementierung aufbauen, werden in der Lage sein:

1. Den Weg vom KI‑Pilotprojekt zur GxP‑Produktionsbereitstellung zu beschleunigen, da die Governance‑Infrastruktur zur Validierung, Qualifizierung und Freigabe von KI‑Systemen bereits vorhanden sein wird
2. Eine verteidigungsfähige regulatorische Position zu wahren, wenn FDA, EMA und andere Behördenerwartungen an die KI‑Aufsicht formal verbindlich werden
3. KI‑Anwendungen über das breiteste Spektrum regulierter Funktionen wie Herstellungsqualität, klinische Abläufe, Regulatory Affairs und Pharmakovigilanz auszuweiten, ohne durch ungelöste Compliance‑Fragen eingeschränkt zu sein
4. Data‑Science‑ und KI‑Engineering‑Talente anzuziehen und zu halten, die in Organisationen arbeiten möchten, in denen ihre Beiträge in regulatorisch taugliche Einsätze übergehen können, anstatt dauerhaft im Pilotstatus zu verbleiben

Die Pharma‑ und Biotech‑Unternehmen, die langfristig den größten Wert aus KI ziehen werden, sind nicht diejenigen, die am schnellsten in unregulierten Kontexten vorgingen. Es sind diejenigen, die die Governance‑Infrastruktur frühzeitig aufgebaut haben, um KI in großem Maßstab innerhalb von GxP‑Umgebungen einzusetzen und so klinischen, operativen und kommerziellen Nutzen mit voller regulatorischer Absicherung zu erzeugen.

Der ISPE GAMP® Guide: Artificial Intelligence ist die branchenweit maßgeblichste, umfassendste Roadmap, um genau dies zu erreichen. Für Pharma‑ und Biotech‑Führungskräfte ist die Entscheidung nicht, ob sie sich damit auseinandersetzen sollen – sondern wie bald.

FAQs

1. Was ist der ISPE GAMP® AI Guide und warum wurde er erstellt?

Der ISPE GAMP® AI Guide ist ein 290-seitiger Rahmen, der Pharma- und Biotechunternehmen dabei helfen soll, künstliche Intelligenz in GxP-regulierten Umgebungen zu implementieren, ohne Sicherheit, Datenintegrität oder Qualität zu gefährden. Er wurde entwickelt, um eine kritische Lücke zu schließen, in der traditionelle Validierungsansätze das adaptive, undurchsichtige und datenabhängige Verhalten von KI nicht abdecken konnten. Er stellt sicher, dass Organisationen einen klaren, konformen und an der Branche ausgerichteten Fahrplan für die verantwortungsvolle Einführung von KI haben.

2. Wie hilft der GAMP® AI Guide Pharma- und Biotech-Organisationen dabei, KI konform zu nutzen?

Der Leitfaden bietet strukturierte, lebenszyklusbasierte Anweisungen, die Daten-Governance, Modelltraining, Validierung, Systembereitstellung, Leistungsüberwachung und Änderungssteuerung abdecken. Er steht im Einklang mit globalen Vorschriften wie dem EU AI Act, den Entwurfsrichtlinien der FDA und ISO/IEC 42001, um Organisationen zu helfen, den regulatorischen Erwartungen einen Schritt voraus zu sein. Durch seine Befolgung können Unternehmen KI mit Vertrauen skalieren, anstatt Pilotprojekte in der Experimentierphase stecken zu lassen.

3. Warum sollte KI-Governance eine Führungspriorität und nicht nur eine IT-Verantwortung sein?

KI-Systeme, die in der Herstellung, Qualität, klinischen Abläufen oder bei regulatorischen Einreichungen eingesetzt werden, können direkt die Produktintegrität, die Patientensicherheit und die Compliance beeinflussen, wodurch Governance zu einer geschäftskritischen Verantwortung wird. Der Leitfaden betont, dass KI-Risiken kein IT-Thema, sondern eine organisatorische Angelegenheit sind, die strategische Aufsicht, Ressourcen und Verantwortlichkeit seitens der Geschäftsführung erfordert. Starke Einbindung der Führung stellt sicher, dass KI-Investitionen tatsächlich zu einer konformen Implementierung führen, anstatt fragmentiert oder ungeregelt zu bleiben.