Automatisierung und KI entlang der pharmazeutischen Lieferkette: Eine End-to-End-Landkarte

Kernaussagen

• An den Übergaben zwischen Unternehmen reißt der Datenfluss in der pharmazeutischen Lieferkette am häufigsten ab. Die Automatisierung einzelner Schritte schließt diese Lücken nicht; das leisten gemeinsame Identifikatoren, Datenaustausch und gemeinsame Planung.
• Automatisierung (bekannte Regeln), Optimierung (die mathematisch beste Option unter festgelegten Randbedingungen) und KI (aus Daten erlernte Inferenz) sind unterschiedliche Werkzeuge, die unterschiedliche Kontrollen erfordern. Ein höherer Grad bei einem dieser Werkzeuge ist nicht automatisch besser.
• „KI“ ist nicht eine einzige Sache. Prädiktive Modelle, generative Modelle und Agenten versagen auf unterschiedliche Weise und erfordern unterschiedliche Schutzmaßnahmen.
• Verantwortliche Entscheidungen — darunter Lieferantenfreigabe, Entscheidung über die Chargenverwendung, QC-Schlussfolgerungen, Rückrufe und Bewertungen in der Pharmakovigilanz — bleiben nach Maßgabe des geltenden Qualitätssystems und der jeweiligen Rechtsordnung autorisierten Personen oder Funktionen zugeordnet.
• Datengrundlagen und Governance — Validierung, Datenintegrität, Sicherheit und Aufsicht über KI — entscheiden darüber, wie weit Automatisierung sicher gehen kann.

1. Warum eine End-to-End-Sicht

Ein Arzneimittel erreicht Patientinnen und Patienten nicht über eine einzelne Organisation, sondern über mehrere miteinander verbundene Liefernetzwerke. Lieferanten wichtiger Ausgangsmaterialien und Zwischenprodukte beliefern die Hersteller von Wirkstoffen (active pharmaceutical ingredients, APIs), während separate Netzwerke Hilfsstoffe, Primär- und Sekundärpackmittel, Ausrüstung und technische Dienstleistungen bereitstellen. Diese Ströme laufen beim Hersteller des Fertigarzneimittels zusammen; anschließend gelangt das Arzneimittel über Importeure, Distributoren und Großhändler zu Krankenhäusern und Apotheken.

Jede Übergabe in dieser Kette schafft eine potenzielle Unterbrechung des Datenflusses. Der Produktcode im System des einen Unternehmens ist nicht der Code im nächsten. Chargennummern, Zertifikate, Qualitätsstatus und — vor allem — Nachfragesignale müssen bei jedem Schritt neu erfasst, neu interpretiert oder erschlossen werden.

Die Lieferkettenforschung hat für eine Folge davon einen Namen. 1997 beschrieben Lee, Padmanabhan und Whang ^[32] den Bullwhip-Effekt (Peitscheneffekt): Wenn jedes Unternehmen nur die Bestellungen seines unmittelbaren Kunden sieht, „kann die Varianz der Bestellungen größer sein als die der Verkäufe, und die Verzerrung nimmt tendenziell zu, je weiter man sich stromaufwärts bewegt“. Eine der vier Ursachen, die sie identifizierten, ist für Arzneimittel unmittelbar relevant: das Rationierungsspiel (rationing game). Wird das Angebot rationiert, erhöhen Käufer ihre Bestellungen, um sich einen größeren Anteil zu sichern — sodass ein Engpass stromaufwärts gravierender erscheint, als es der tatsächlichen Nachfrage entspricht.

Deshalb macht die Automatisierung von Schritten innerhalb eines Unternehmens — hier ein ERP, dort ein Lagerverwaltungssystem — eine Lieferkette nicht schon für sich genommen intelligent. Sie macht jeden Knoten effizienter, während die Lücken zwischen den Knoten bestehen bleiben.

Dieser Artikel ist eine Landkarte dieser Knoten und Lücken. Für jede Stufe der Kette stellt er fünf Fragen: Was ist bereits automatisiert, wo können Optimierung und KI helfen, wer bleibt verantwortlich, welcher regulatorische Rahmen gilt und wie ausgereift sind die Daten? Spätere Artikel dieses Programms vertiefen jede Stufe.

Um die Landkarte konkret zu halten, verfolgen wir ein durchgängiges Beispiel: einen Lieferengpass bei einem weit verbreiteten Generikum. Das Beispiel ist illustrativ und bezieht sich nicht auf ein bestimmtes Produkt, doch jeder seiner Schritte stützt sich auf die zitierten Vorschriften und Belege.

Umfang. Die Landkarte deckt die pharmazeutische Lieferkette von Portfolioentscheidungen bis zur Phase nach der Markteinführung ab. Sie umfasst nicht die Entdeckung neuer Moleküle, die präklinische Forschung oder die klinische Entwicklung — die Innovationskette, die anderen Praktiken (GLP, GCP) und anderen Entscheidungsträgern unterliegt. Sie berührt diese Kette an zwei Punkten — der Versorgung klinischer Prüfungen mit Prüfpräparaten und dem Technologietransfer in die kommerzielle Herstellung —, die spätere Artikel des Programms eigenständig behandeln.

Das zentrale Argument ist einfach: Automatisierung verbessert die Ausführung innerhalb einzelner Knoten; End-to-End-Wert entsteht erst, wenn Identität, Datenaustausch, Planung und Governance diese Knoten auch miteinander verbinden.

2. Automatisierung, Optimierung und KI sind unterschiedliche Werkzeuge

Viele Veröffentlichungen zu „KI in der Pharmaindustrie“ bezeichnen jedes digitale System als KI. Damit wird es unmöglich, über Risiken nachzudenken, denn die drei Werkzeugfamilien verhalten sich unterschiedlich.

Regelbasierte Automatisierung führt vordefinierte Logik aus. ERP-, MES-, LIMS- und Lagerverwaltungssysteme, Workflow-Engines, robotergestützte Prozessautomatisierung (RPA), EDI- und API-Integrationen, Barcodes und RFID, IoT-Sensoren, Robotik, automatisierte Lagersysteme, Serialisierung und regelbasierte Warnmeldungen tun alle das, wofür sie konfiguriert sind. Ihr Verhalten wird durch explizite Regeln, Konfiguration, Systemzustand und Eingaben bestimmt, nicht durch aus Trainingsdaten erlernte Muster. Ihre Risiken sind Konfigurationsfehler und Lücken in den Regeln.

Analytik, Planung und Optimierung unterstützen Entscheidungen ohne erlernte Inferenz. Planungsmethoden wie die Materialbedarfsplanung und die Berechnung von Sicherheitsbeständen wenden definierte Logik und Parameter an; Optimierungsmethoden — Produktionsplanung, Routen- und Zuteilungsoptimierung — suchen die beste zulässige Option gemessen an einer Zielfunktion und festgelegten Randbedingungen; Analytik fasst beobachtete Daten zusammen. Diese Methoden sind erklärbar — aber nur so gut wie ihre Randbedingungen und Eingaben.

KI-Modelle lernen Muster aus Daten und verallgemeinern auf neue Eingaben. Ihre Vorhersagen oder Klassifikationen sind mit Modellunsicherheit behaftet, selbst wenn die Software selbst deterministisch läuft. Es ist sinnvoll, drei operative KI-Muster zu unterscheiden, weil sie auf unterschiedliche Weise versagen:

Um zu beschreiben, wie weit ein Prozess automatisiert ist, verwendet dieses Programm zwei getrennte Skalen.

Für Automatisierung: Level 1 — Manuell (das System erfasst und setzt Regeln durch; ein Mensch entscheidet und handelt); Level 2 — Vorgeschlagen (das System schlägt vor; ein Mensch bestätigt); Level 3 — Automatisch mit Überprüfung (das System handelt innerhalb definierter Regeln; autorisierte Personen können überprüfen und eingreifen); Level 4 — Vollautomatisch (die routinemäßige menschliche Bestätigung entfällt).

Für KI: AI-0 (keine KI); AI-1 — Unterstützen (abrufen, extrahieren, klassifizieren, zusammenfassen, hervorheben); AI-2 — Empfehlen (prognostizieren, ranken oder empfehlen; ein Mensch entscheidet); AI-3 — Ausführen unter menschlicher Kontrolle (KI löst begrenzte, umkehrbare Aktionen unter Überwachung oder Freigabe aus); AI-4 — Autonom (KI plant und führt eigenständig aus).

Ein höherer Grad ist nicht automatisch besser. Für GMP-kritische Entscheidungen wie Chargenfreigabe und QC-Schlussfolgerungen ist heute Level 1 der richtige Grad: Das System setzt die Regeln durch und dokumentiert die Nachweise, und eine autorisierte Person entscheidet.

3. Die Landkarte

Die Tabelle fasst die Kette zusammen. Jede Stufe wird in Abschnitt 4 erörtert.

Abbildung 2. Die End-to-End-Karte – sieben Stufen, fünf Fragen.

*Die Datenreife ist unsere qualitative Einschätzung auf Grundlage von drei Fragen: Sind die Daten strukturiert, verwenden sie gemeinsame Identifikatoren und werden sie elektronisch zwischen Unternehmen ausgetauscht?

Zwei Muster fallen auf. Erstens liegen die ausgereiftesten Daten dort, wo die Regulierung gemeinsame Identifikatoren erzwungen hat — bei der Serialisierung im Vertrieb. Zweitens wandern die verantwortlichen Entscheidungen mit fortschreitender Technologie in der Tabelle nicht nach rechts: Auf jeder Stufe entscheidet weiterhin eine benannte Person oder Funktion.

4. Die Stufen

Stufe 0 — Portfolio, Produktentwicklung, Zulassung und Technologietransfer

Bevor eine Lieferkette in Betrieb geht, wird sie durch drei Entscheidungen geprägt: welche Produkte hergestellt oder importiert werden, wie sie formuliert sind und was im Zulassungsdossier steht.

Das Dossier ist für die Lieferkette wichtiger, als oft anerkannt wird. Es legt die zugelassenen Materialien und die Bezugsquelle des Wirkstoffs fest. In der EU kann die Qualität des Wirkstoffs auf drei Wegen dokumentiert werden: durch ein vom EDQM ausgestelltes Eignungszertifikat (Certificate of Suitability, CEP) ^[11], das bescheinigt, dass die einschlägige Monographie des Europäischen Arzneibuchs den Wirkstoff angemessen kontrolliert, und das den Hauptteil des Wirkstoffabschnitts im Dossier ersetzt; durch ein Active Substance Master File (ASMF) ^[10], dessen vertraulicher Teil das Know-how des Herstellers schützt, während der Antragsteller die Verantwortung für das Produkt übernimmt, und auf das über ein Letter of Access verwiesen wird; oder durch vollständige Angaben im Dossier selbst. In den Vereinigten Staaten ist ein Drug Master File (DMF) ^[16] eine vertrauliche Einreichung, die nicht vorgeschrieben ist, weder genehmigt noch abgelehnt wird und nur zusammen mit den Anträgen geprüft wird, die darauf verweisen.

Diese Mechanismen sind nicht gleichwertig, doch die Folge ist ähnlich: Ein späterer Wechsel der Wirkstoffquelle ist ein regulatorisches Ereignis. In der EU handelt es sich um eine Änderung der Zulassung (Variation) nach der Verordnung (EG) Nr. 1234/2008 in der durch die Delegierte Verordnung (EU) 2024/1701 geänderten Fassung, wobei ab dem 15. Januar 2026 neue Leitlinien zur Klassifizierung gelten ^[8][9]. Ihre Kategorie hängt von der Änderung und deren Dokumentation ab.

Automatisierung ist hier dokumentenzentriert: Nachverfolgung von Dossiers und Zulassungen, Warnungen bei Gültigkeitsfristen, Dokumentenmanagement in Forschung und Entwicklung, Übertragung von Stammdaten an die Herstellung sowie Artwork- und mehrsprachiges Etikettenmanagement — eine häufige Quelle von Reibungen zwischen Regulatory Affairs und Produktion. Analytik von Zulassungen und Ausschreibungen unterstützt Portfolioentscheidungen; generative KI kann beim Lesen und Vergleichen von Dossiers und Etiketten helfen (AI-1/2). Portfolioentscheidungen liegen beim Management, der Inhalt des Dossiers bei Regulatory Affairs und QA und die Genehmigung bei der Behörde.

Zulassungsdaten lassen sich in großem Umfang strukturieren. Im PharmaCountry-Datensatz (Produktions-Snapshot, 22. September 2026) ^[36] enthalten 131.361 von 262.897 aktiven Produkteinträgen — etwa die Hälfte — Daten zu Zulassungsmärkten aus fünf nationalen Registern: Vietnam, Republik Korea, Spanien, Frankreich und Japan. Das zeigt, wie Zulassungsdaten mit Produkten verknüpft werden können; eine weltweite Abdeckung ist es nicht.

A — Lieferanten, Bezugsquellen und Beschaffung

Die Beschaffung beginnt mit einer kurzen Liste. Die Qualifizierung eines neuen Lieferanten dauert Monate, und das Konzentrationsrisiko ist oft tiefer, als es scheint: Mehrere API-Hersteller können von demselben Zwischenprodukt abhängen, was eine Betrachtung nur der ersten Lieferantenebene nicht zeigen kann.

Konzentration ist bereits auf der Ebene der Plattformeinträge sichtbar. In den Lieferantendaten von PharmaCountry mit Stand 21. September 2026 entfallen auf drei Länder — China, Vietnam und die Republik Korea — 25,8 % der Unternehmen, aber 64,7 % der Produkteinträge, und auf Ostasien entfallen 55,4 % der Einträge (Bericht #01) ^[35]. Es handelt sich um Plattformdaten, nicht um eine Branchenerhebung, und Plattformeinträge lassen vorgelagerte Abhängigkeiten auf der zweiten Ebene (Tier 2) nicht erkennen.

Automatisierung umfasst strukturierte Verzeichnisse und Marktplätze, digitale Angebotsanfragen, das Management von Verträgen und Qualitätssicherungsvereinbarungen, die Auditplanung und regelbasierte Lieferantenbewertung. Einige Qualifizierungsprüfungen können routinemäßig erfolgen, weil die Daten öffentlich sind: Die EU-Datenbank EudraGMDP ^[13] — seit 2011 öffentlich — enthält GMP- und GDP-Zertifikate sowie Erklärungen über die Nichteinhaltung der GMP, und die EDQM Certification Database ^[12] zeigt, ob ein CEP gültig, abgelaufen, zurückgezogen oder ausgesetzt ist. KI hilft bei der semantischen Suche, der Extraktion von Analysenzertifikaten und Angeboten (AI-1), bei Warnungen zu Lieferrisiken (AI-2) und bei der Entitätsauflösung (entity resolution) — der Erkennung, dass unterschiedlich geschriebene Namen sich auf denselben Lieferanten beziehen.

Die Freigabe bleibt beim Menschen. Bei einem Hersteller unterliegt die Lieferantenfreigabe dem pharmazeutischen Qualitätssystem, typischerweise unter Aufsicht der QA und auf Grundlage dokumentierter Qualifizierungsnachweise, zu denen je nach Lieferanten- und Materialrisiko auch Audits gehören können; bei einem Großhändler in der EU ist die verantwortliche Person gemäß GDP zuständig für „die Qualifizierung und Freigabe von Lieferanten und Kunden“ ^[1]. Ein Algorithmus kann Kandidaten in eine Rangfolge bringen; die verantwortliche Freigabeentscheidung trifft er nicht.

Die Lieferantenseite: gefunden werden. Die Suche nach Lieferanten ist auch ein Problem der Informationsverbreitung. Ein leistungsfähiger Lieferant, der marktübergreifend nicht zuverlässig identifiziert, gefunden und verstanden werden kann, gelangt womöglich nie in die anfängliche Kandidatenauswahl eines Käufers. Automatisierung macht strukturierte, mehrsprachige Lieferanten- und Produktinformationen auffindbar. Generative KI kann diese entwerfen und übersetzen — mit menschlicher Prüfung vor der Veröffentlichung. Google bestraft KI-generierte Inhalte nicht als solche; seine Spam-Richtlinien zielen auf die „Verwendung generativer KI-Tools oder ähnlicher Tools, um viele Seiten ohne Mehrwert für Nutzer zu erzeugen“ ^[28]. Zudem unterscheiden sich die Regeln für Inhalte je nach Produktart, Zielgruppe und Rechtsordnung: Die Richtlinie 2001/83/EG ^[7] verbietet Öffentlichkeitswerbung für verschreibungspflichtige Arzneimittel, doch APIs, Hilfsstoffe, Ausrüstung und Auftragsdienstleistungen werden nicht gleich behandelt.

Evidenzkasten — eine Plattform, die wir entwickeln und betreiben (Evidenz aus erster Hand, nicht unabhängig). Eine mehrsprachige pharmazeutische B2B-Plattform, die wir entwickeln und betreiben, liefert serverseitig gerenderte Seiten in acht Sprachen mit Canonical- und hreflang-Tags, einen aus ihrer Datenbank generierten Sitemap-Index, strukturierte Daten sowie aus Lieferantendaten generierte Seiten nach Herstellungsland. Übersetzungen werden von KI entworfen und vor dem Einspielen geprüft. Die Plattform ist live; zu Traffic oder Rankings treffen wir hier keine Aussagen.

B — Internationaler Handel, Import/Export und Logistik

Grenzüberschreitende Warenbewegungen bringen zusätzliche Dokumente, Fragen der Zolltarifierung und Temperaturrisiken mit sich. Jede Übergabe zwischen Transportunternehmen ist zugleich eine weitere Datenübergabe.

Automatisierung ist in Teilen ausgereift: EDI, elektronische Zollanmeldungen, Chargen- und Serialisierungsverfolgung während des Transports sowie kontinuierliche Temperaturerfassung mit Schwellenwertalarmen. Der Alarm selbst ist regelbasiert — ein Messwert außerhalb des validierten Bereichs löst eine Warnmeldung wegen Temperaturabweichung aus — und keine KI. Optimierung wählt Routen und Verkehrsträger. Prädiktives ML kann das Risiko einer Temperaturabweichung abschätzen, auffälliges Sensorverhalten markieren oder eine verspätete Ankunft vorhersagen (AI-2). Generative KI kann HS-Codes vorschlagen oder Produktmerkmale extrahieren (AI-1), doch die formelle Einreihung bleibt in der Verantwortung des Importeurs oder Zollagenten.

Die Qualitätsentscheidung bleibt bei Menschen. Die EU-Leitlinien für die gute Vertriebspraxis (2013/C 343/01) sehen vor, dass „ein Verfahren … zur Untersuchung und Handhabung von Temperaturabweichungen“ vorhanden sein sollte ^[1]; ob die Ware verwendbar bleibt, entscheidet die QA oder die verantwortliche Person gemäß GDP, nicht der Sensor. Auch die WHO-Leitlinie zur guten Lager- und Vertriebspraxis (TRS 1025, Annex 7, 2020) ^[21] behandelt Lagerung und Vertrieb als Verantwortlichkeiten, die sich über die verschiedenen Beteiligten erstrecken, die in der Lieferkette mit medizinischen Produkten umgehen.

PharmaCountry verfügt derzeit über keine Sendungsdaten; Handelsströme sind eine künftige Datenebene, und erschlossene Handelssignale müssten als Inferenz gekennzeichnet werden.

C — Betriebsabläufe im Werk: Lagerhaltung, Herstellung, QA/QC und Validierung

Innerhalb eines Werks funktionieren papierbasierte Systeme oft. Was bricht, ist der Raum zwischen den Formularen: ein Lieferavis in einer Chatgruppe, eine Prognose in einer Tabellenkalkulation, ein Bestätigungsbogen, der von Abteilung zu Abteilung wandert.

Die Automatisierung im Werk lässt sich am besten anhand der Hierarchie nach ISA-95 (IEC 62264) ^[30] verstehen: physischer Prozess (Ebene 0), Sensorik und Aktorik (Ebene 1), Überwachung und übergeordnete Steuerung wie SCADA (Ebene 2), Management der Fertigungsabläufe — MES, elektronische Chargenprotokolle, LIMS — (Ebene 3) sowie Geschäftsplanung und Logistik, also das ERP (Ebene 4). Die Norm befasst sich in erster Linie mit der Schnittstelle zwischen den Ebenen 3 und 4, an der viele Projekte Schwierigkeiten haben. ISA-88 behandelt die Chargensteuerung: Rezepte und Anlagenhierarchie. Lagerverwaltung (Quarantäne, Chargenstatus, First-Expiry-First-Out), prozessanalytische Technologie und Robotik vervollständigen das Bild. Physische Automatisierung lässt sich im Allgemeinen dort leichter rechtfertigen, wo Volumen, Stabilität des Produktmix und Prozessstandardisierung sie tragen; sie ist keine Standardlösung.

Optimierung plant die Produktion. Prädiktives ML erkennt Anomalien bei Inprozesskontrollen oder Ausbeuten, unterstützt die vorausschauende Instandhaltung und analysiert Trends von QC-Ergebnissen (AI-2); generative KI kann bei der Klassifizierung von Abweichungen helfen (AI-1).

Die verantwortlichen Entscheidungen verschieben sich nicht: Chargenzertifizierung und -freigabe durch die sachkundige oder autorisierte Person (die „QP“ in der EU; die Bezeichnungen unterscheiden sich je nach Rechtsordnung), QC-Schlussfolgerungen, die Schlussfolgerungen und Dispositionsentscheidungen von OOS-Untersuchungen (out of specification) sowie der Abschluss von Abweichungen. Die Regelwerke sind gut etabliert: GAMP 5 ^[29] für die Validierung computergestützter Systeme, 21 CFR Part 11 ^[18] und EU-GMP-Leitfaden Annex 11 ^[3] für elektronische Aufzeichnungen und Signaturen sowie Leitlinien zur Datenintegrität von der FDA (2018) ^[19] und von PIC/S (PI 041-1) ^[20].

Evidenzkasten — eine laufende ERP-Implementierung. Bei einem vietnamesischen Arzneimittelhersteller wird ein Open-Source-ERP so konfiguriert, dass Waren in Quarantäne vereinnahmt werden und jede Lieferung in eine Unter-Charge pro Gebinde aufgeteilt wird, die die Chargennummer des Lieferanten trägt — Rückverfolgbarkeit auf Gebindeebene (gebaut, mit Testdaten getestet). Der Workflow für das elektronische Chargenprotokoll erfordert vor dem Abschluss drei rollenbasierte Freigaben — Produktion, QA und Leitung des Qualitätsmanagements. Das zugrunde liegende Papierprotokoll enthielt mehrere Felder für Qualitätsfreigaben; der digitale Workflow macht die entsprechenden rollenbasierten Genehmigungen vor dem Abschluss verbindlich. Diese Freigaben sind Workflow-Kontrollen, noch keine elektronischen Signaturen, die den Anforderungen von Part 11 oder Annex 11 entsprechen. QC-Schlussfolgerungen und Chargenfreigabe verbleiben auf Level 1. Status: gebaut, nicht validiert, nicht live. Die Implementierungsreihe dokumentiert das Projekt.

D — Vertrieb und Großhandel

Im Vertrieb werden Lieferengpässe oft als Zuteilungs- und Verfügbarkeitsproblem sichtbar.

Automatisierung umfasst automatischen Nachschub, First-Expiry-First-Out, Code-Verifizierung bei Wareneingang und Versand sowie die Rückverfolgung bei Rückrufen. In den großen regulierten Märkten haben Anforderungen an Serialisierung und elektronische Rückverfolgbarkeit einige der stärksten gemeinsamen Datenstrukturen in der nachgelagerten Lieferkette geschaffen. Die EU-Richtlinie über gefälschte Arzneimittel (2011/62/EU) und die Delegierte Verordnung (EU) 2016/161 ^[6] — anwendbar seit dem 9. Februar 2019 — schreiben für die meisten verschreibungspflichtigen Arzneimittel ein individuelles Erkennungsmerkmal und eine Vorrichtung gegen Manipulation vor, die über ein Datenspeicher- und -abrufsystem verifiziert werden. In den Vereinigten Staaten verlangt der Drug Supply Chain Security Act eine sichere, interoperable, elektronische Rückverfolgung auf Packungsebene; nach einer Stabilisierungsphase liefen befristete Ausnahmen für berechtigte Hersteller und Umverpacker, Großhändler sowie abgebende Stellen mit 26 oder mehr Vollzeitbeschäftigten im Apothekenbereich im Laufe des Jahres 2025 stufenweise aus; im August 2026 erließ die FDA eine gesonderte Ausnahme für anspruchsberechtigte kleine abgebende Stellen bis zum 27. November 2027 ^[17].

Optimierung teilt knappe Bestände zu und plant den Nachschub; prädiktives ML prognostiziert Nachfrage und Lieferengpässe (AI-2).

Die Verantwortung ist verteilt und unterscheidet sich je nach Rechtsordnung. Die Regeln zur Zuteilung bei Lieferengpässen werden von autorisierten kaufmännischen, klinischen und regulatorischen Gremien festgelegt. Rückrufentscheidungen und deren Durchführung folgen den Rollen, die dem Zulassungsinhaber, dem Hersteller, dem Distributor und der zuständigen Behörde zugewiesen sind. In der EU beispielsweise wendet GMP Chapter 8 ^[2] das Qualitätsrisikomanagement auf die Rückrufentscheidung an und verlangt die Konsultation der zuständigen Behörden über deren Umfang, während die verantwortliche Person des Großhändlers „alle Rückrufmaßnahmen koordiniert und unverzüglich durchführt“ ^[1].

E — Krankenhäuser, Apotheken und Einzelhandel

Am Versorgungspunkt bestehen die Probleme in Fehlbeständen, verfallener Ware und der Suche nach Alternativen während eines Lieferengpasses. Die öffentliche Beschaffung ist in einigen Märkten ein wichtiger Einkaufskanal; Vietnam ist ein Beispiel dafür.

Automatisierung umfasst automatische Nachbestellung, Verfallsdatenmanagement, automatisierte Abgabeschränke und -lager, Code-Verifizierung bei der Abgabe sowie elektronische Ausschreibungen. Die Evidenz für die Automatisierung der Abgabe ist positiv, aber nicht vorbehaltlos. Eine systematische Übersichtsarbeit über 48 Publikationen (Batson et al., European Journal of Hospital Pharmacy, 2020) ^[33] fand Verringerungen von Medikationsfehlern, Verabreichungszeit und Kosten — stellte aber auch uneinheitliche Studiendesigns, eine Abhängigkeit des Nutzens von einer optimalen Implementierung und die Notwendigkeit ausreichend gepowerter Studien fest, bevor belastbare Schlussfolgerungen zur Kapitalrendite gezogen werden können.

Auch die öffentliche Beschaffung wird digitalisiert. In Vietnam wickelt das Vergabegesetz (Law on Procurement, No. 22/2023/QH15, in Kraft seit dem 1. Januar 2024) ^[26] die Beschaffung über das nationale Vergabenetzwerk (National Procurement Network System) ab, und die Arzneimittelbeschaffung in öffentlichen Gesundheitseinrichtungen richtet sich inzwischen nach Circular 40/2025/TT-BYT, das Circular 07/2024/TT-BYT vollständig ersetzt hat ^[27].

KI kann die Nachfrage am Versorgungspunkt prognostizieren, Ausschreibungsunterlagen analysieren und Kandidatenprodukte ermitteln, die definierte Versorgungsmerkmale teilen — Zulassungsmarkt, Darreichungsform, Stärke, Packungsgröße, verfügbarer Lieferant (AI-2).

Die Grenze ist hier strikt. Ein Versorgungssystem kann zeigen, was verfügbar ist; die therapeutische Substitution für eine Patientin oder einen Patienten ist eine klinische und pharmazeutische Entscheidung.

F — Marktinformationen und Phase nach der Markteinführung

Sobald ein Produkt auf dem Markt ist, sind drei Ströme maßgeblich: Marktsignale, Meldungen von Nebenwirkungen und Rückrufe.

Automatisierung übernimmt die elektronische Erfassung von Beschwerden und Nebenwirkungsmeldungen, die Rückverfolgung betroffener Chargen anhand von Vertriebsaufzeichnungen und zunehmend strukturierte Meldungen von Lieferengpässen. In der EU nimmt die Europäische Plattform zur Überwachung von Lieferengpässen (European Shortages Monitoring Platform, ESMP) ^[14] — gestützt auf die Verordnung (EU) 2022/123 und seit dem 29. Januar 2025 voll funktionsfähig — routinemäßige Meldungen von Lieferengpässen durch die Zulassungsinhaber zentral zugelassener Arzneimittel entgegen, in Krisen mit erweitertem Meldeumfang. KI kann die Fall-Triage und -Weiterleitung sowie die Signalerkennung unterstützen (AI-1/2); aus Marktdaten abgeleitete Nachfragesignale müssen als Inferenz gekennzeichnet werden.

Bewertungen in der Pharmakovigilanz und Rückrufentscheidungen bleiben beim Menschen und an Rollen gebunden. Die Good Pharmacovigilance Practices der EMA ^[15] setzen den Rahmen — Modul VI für die Erfassung und Meldung vermuteter Nebenwirkungen, Modul IX für das Signalmanagement.

5. Identität, Interoperabilität und Transparenz

Wenn ein Abschnitt dieser Landkarte die größte Aufmerksamkeit verdient, dann dieser. Jeder der oben genannten KI-Anwendungsfälle setzt etwas voraus, das häufig fehlt: dass sich zwei Systeme darüber einig sind, worüber sie sprechen.

Die Reihenfolge ist entscheidend. Identität kommt zuerst: Zwei Parteien müssen sich einig sein, auf welchen Lieferanten, welches Produkt oder welche Charge sich ein Datensatz bezieht. Interoperabilität kommt an zweiter Stelle: Sie müssen diese Daten austauschen können. Transparenz kommt an dritter Stelle: Erst dann kann jemand die Kette durchgängig überblicken. Planung, Optimierung und KI bauen darauf auf.

Identität ist dort teilweise gelöst, wo die Regulierung sie erzwungen hat. Das individuelle Erkennungsmerkmal der EU enthält Produktcode, Seriennummer, Chargennummer und Verfallsdatum ^[6]; in der Praxis wird üblicherweise eine GS1 GTIN in einem GS1 DataMatrix mit denselben Elementen codiert ^[31]. Bei Lieferanten und Standorten ist es schwieriger. In PharmaCountrys eigenen Daten (Produktion, 22. September 2026) ^[36] erscheint ein Herstellungsstandort als vier Unternehmensdatensätze mit vier Schreibweisen desselben Werksnamens — dieselbe Straßenadresse auf vier Arten geschrieben und dieselbe Website —, alle an einem Tag durch einen einzigen Import aus einer nationalen Zulassungsdatenbank angelegt. Umgekehrt erscheint der Name eines Hilfsstofflieferanten in vier Ländern — möglicherweise tatsächlich getrennte Standorte. Ein identischer Name ist kein Beweis für ein Duplikat. Eine einfache Namensnormalisierung kann Gruppen möglicher Duplikate markieren, doch Zeichenkettenähnlichkeit allein kann nicht bestimmen, ob zwei Datensätze dieselbe juristische Person oder denselben Standort darstellen. Entitätsauflösung erfordert Regeln, Nachweise und eine prüfende Person.

Interoperabilität bedeutet EDI und APIs zwischen Unternehmen sowie innerhalb eines Werks eine saubere ISA-95-Grenze zwischen Betriebs- und Geschäftssystemen.

Transparenz und Planung verwandeln ausgetauschte Daten in Entscheidungen: Nachfrageprognose, Sales and Operations Planning (der regelmäßige Abgleich von Nachfrage und Angebot), Materialbedarfsplanung, Sicherheitsbestand und Control Tower — die nur dann nützlich sind, wenn sie der Transparenz Ausnahmeerkennung und Koordination hinzufügen, nicht bloß Dashboards. Die Planung bricht dort, wo die Daten brechen; das ist erneut der Bullwhip-Effekt. Die Transparenz auf der zweiten Lieferantenebene (Tier 2) ist oft begrenzt und in den aktuellen Eintragsdaten von PharmaCountry nicht abgebildet.

Die praktische Schlussfolgerung: Mangelhafte Identifikatoren und mangelhafte Datenqualität können dazu führen, dass KI bestehende Fehler reproduziert oder verstärkt. Arbeit an der Identität ist weniger sichtbar als ein KI-Pilotprojekt, aber oft die grundlegendere Investition.

6. Governance entlang der Kette

Governance ist nicht ein einzelnes Regelwerk, sondern mehrere, die Stufe für Stufe angewendet werden.

• Herstellung (GMP): Validierung computergestützter Systeme (GAMP 5) ^[29], elektronische Aufzeichnungen und Signaturen (21 CFR Part 11, EU-GMP-Leitfaden Annex 11) ^[18][3] und Datenintegrität (ALCOA+; FDA 2018; PIC/S PI 041-1) ^[19][20].
• Vertrieb (GDP): Die EU-GDP-Leitlinien ^[1] definieren die verantwortliche Person, die Qualifizierung von Lieferanten und Kunden, Rückrufe und Temperaturabweichungen.
• Pharmakovigilanz (GVP): EMA GVP Module VI und IX ^[15].
• Produktaussagen und Werbung: Die Regeln unterscheiden sich je nach Produktart, Zielgruppe und Rechtsordnung; in der EU regelt die Richtlinie 2001/83/EG die Werbung für Arzneimittel ^[7].

KI in der GMP wird noch definiert. Im Juli 2025 veröffentlichten die Europäische Kommission und die Inspektoren-Arbeitsgruppe von EMA/PIC/S einen Entwurf des Annex 22 zu künstlicher Intelligenz ^[4], zusammen mit überarbeiteten Entwürfen von Annex 11 und Chapter 4. Der Entwurf gilt für KI/ML-Modelle in kritischen GMP-Anwendungen — solchen mit direkten Auswirkungen auf Patientensicherheit, Produktqualität oder Datenintegrität — und erfasst nur statische Modelle mit deterministischer Ausgabe. Er hielt fest, dass dynamische Modelle, Modelle mit probabilistischer Ausgabe sowie generative KI und große Sprachmodelle „nicht in kritischen GMP-Anwendungen eingesetzt werden sollten“ und dass bei nicht kritischen Anwendungen qualifizierte Personen für die Ausgaben verantwortlich bleiben. Diese Position wird inzwischen diskutiert: Im Juni–Juli 2026 veranstaltete die EMA einen Multi-Stakeholder-Workshop zu einem risikobasierten Ansatz für generative KI in der Herstellung ^[5]. Stand September 2026 ist Annex 22 weiterhin ein Entwurf. Der Bezug zu Abschnitt 2 ist direkt: Der Entwurf reguliert nach der Art der KI, nicht nach der Bezeichnung „KI“.

Sicherheit, Datenschutz und Modell-Governance. Vernetzte Automatisierung vergrößert die Angriffsfläche. KI wirft zusätzliche Fragen auf: Datenherkunft, Modell- und Versionskontrolle, Zugriff auf vertrauliche Lieferanten-, GMP- und Patienteninformationen, Abhängigkeit von externen Modellanbietern, Änderungsmanagement, Drift-Überwachung und Prüfbarkeit. In der EU erweitert die NIS2-Richtlinie (EU) 2022/2555 ^[22] die Cybersicherheitspflichten auf den Gesundheitssektor, einschließlich der Herstellung pharmazeutischer Erzeugnisse sowie der Forschung und Entwicklung im Bereich Arzneimittel, für mittlere und große Einrichtungen nach Maßgabe der nationalen Umsetzung. Nach der DSGVO (GDPR) ^[23] sind Gesundheitsdaten eine besondere Kategorie, deren Verarbeitung untersagt ist, sofern nicht eine bestimmte Ausnahme greift — was für Pharmakovigilanz- und Krankenhausdaten von Bedeutung ist.

Der Grundsatz für all dies: risikoangemessene Kontrollen, und KI ist nie ein Grund, die menschliche Verantwortung abzuschaffen.

7. Reifegrad der Evidenz

Wie viel davon ist belegt? Die folgende Einordnung ist eine redaktionelle Einschätzung von PharmaCountry, keine systematische Übersichtsarbeit: Die Spalte „Etabliert“ stützt sich auf die zitierten Quellen, während die Spalte „Aufkommend“ aktive Entwicklungsfelder aufführt und keine nach Evidenz bewerteten Aussagen.

Das KI-Beispiel in der ersten Spalte verdient einen Vorbehalt. Zhu, Ninh, Zhao und Liu (Production and Operations Management, 2021) ^[34] testeten Prognosen mit maschinellem Lernen an zwei großen Datensätzen großer Arzneimittelhersteller und fanden eine überlegene Leistung — sowie empirische Belege für den Wert von Bestandsinformationen der nachgelagerten Stufen. Es handelt sich um eine einzelne Studie auf Basis spezifischer Daten. Ihre Lehre ist die These dieses Artikels: Der Gewinn stammte aus über Unternehmensgrenzen hinweg geteilten Daten, nicht aus dem Algorithmus allein.

Für die rechte Spalte lautet die zutreffende Aussage nicht, dass diese Anwendungen unmöglich sind, sondern dass die Evidenz nicht ausreicht — und eine erhebliche Hürde hinsichtlich Verantwortung und Validierung besteht —, um sie als ausgereifte operative Muster zu behandeln.

8. Das weitere Programm

Dieser Artikel ist die Landkarte. Das Programm wird Stufe für Stufe in die Tiefe gehen: Intelligent Sourcing & Procurement (als Nächstes), Intelligenz in Handel und Logistik, intelligente Herstellung, digitale Qualität und Compliance, Vertrieb und Großhandel sowie Apotheke und Einzelhandel — dazu eine Implementierungsreihe, die ein reales ERP-Projekt einschließlich seiner Grenzen dokumentiert, Being Found zu digitaler Auffindbarkeit und mehrsprachiger Präsenz in der pharmazeutischen Beschaffung sowie — später — die Lieferkette für klinische Prüfungen. Die Daten hinter der Beschaffungsanalyse beginnen mit Bericht #01 — Global Pharmaceutical Supplier Landscape 2026.

Über diesen Artikel

Dies ist eine analytische Landkarte. Ihre Evidenz umfasst Plattformdaten von PharmaCountry (mit Angabe von Snapshot-Daten und Einschränkungen; Plattformdaten sind keine Branchenerhebung), zwei anonymisierte Implementierungen — ein ERP-Projekt, das weder live noch validiert ist und nur für die Betriebsabläufe im Werk herangezogen wird, sowie eine von uns betriebene Plattform, die nur für die Lieferantensuche herangezogen wird —, regulatorische Primärtexte, Normen und peer-reviewte Forschung. Das Beispiel des Lieferengpasses ist illustrativ. Die Einordnungen zur Datenreife und zum Reifegrad der Evidenz beruhen auf unserer Einschätzung. Die regulatorischen Verweise wurden am 22. September 2026 überprüft; Vorschriften ändern sich, und Entwurfstexte sind als Entwürfe gekennzeichnet.

Verfolgen Sie die Reihe: Abonnieren Sie den PharmaCountry-Newsletter (Formular unten auf dieser Seite), um jede neue Analyse zu erhalten, oder erkunden Sie pharmazeutische Lieferanten nach Land und Kategorie.

Quellen

Die Zahlen in eckigen Klammern im Text verweisen auf diese Liste. Die Titel der Dokumente sind in der Originalsprache angegeben; Zitate im Text sind Übersetzungen des Originaltexts durch PharmaCountry.

Regulierung und offizielle Leitlinien

[1] European Commission. Guidelines of 5 November 2013 on Good Distribution Practice of medicinal products for human use (2013/C 343/01). https://health.ec.europa.eu/document/download/9f28179a-a6f8-418a-a5fc-ecfbb3ae3ba8_en
[2] European Commission. EudraLex Vol. 4, EU GMP Chapter 8 — Complaints, Quality Defects and Product Recalls (effective 1 March 2015). https://health.ec.europa.eu/system/files/2016-11/2014-08_gmp_chap8_0.pdf
[3] European Commission. EudraLex Vol. 4 — EU GMP guidelines, incl. Annex 11 (Computerised Systems). https://health.ec.europa.eu/medicinal-products/eudralex/eudralex-volume-4_en
[4] European Commission. Draft Annex 22: Artificial Intelligence (consultation 7 July – 7 October 2025). https://health.ec.europa.eu/document/download/5f38a92d-bb8e-4264-8898-ea076e926db6_en?filename=mp_vol4_chap4_annex22_consultation_guideline_en.pdf
[5] EMA. GMP multistakeholder workshop on expert contributions to AI guidance development (Annex 22), 30 June – 1 July 2026. https://www.ema.europa.eu/en/events/good-manufacturing-practice-multistakeholder-workshop-expert-contributions-artificial-intelligence-guidance-development-annex-22
[6] European Commission. Falsified medicines — Directive 2011/62/EU and Delegated Regulation (EU) 2016/161. https://health.ec.europa.eu/medicinal-products/falsified-medicines_en
[7] Directive 2001/83/EC on the Community code relating to medicinal products for human use, Title VIII (Advertising). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32001L0083
[8] Commission Delegated Regulation (EU) 2024/1701 amending Regulation (EC) No 1234/2008 (variations). https://eur-lex.europa.eu/eli/reg_del/2024/1701/oj/eng
[9] EMA. Guidance on the application of the revised variations framework. https://www.ema.europa.eu/en/guidance-application-revised-variations-framework
[10] EMA. Active substance master file procedure — scientific guideline. https://www.ema.europa.eu/en/active-substance-master-file-procedure-scientific-guideline
[11] EDQM. Certification of Suitability (CEP). https://www.edqm.eu/en/certification
[12] EDQM. How do I know if I have the latest valid version of a CEP? https://faq.edqm.eu/pages/viewpage.action?pageId=1377010
[13] EMA. EudraGMDP database. https://www.ema.europa.eu/en/human-regulatory-overview/research-development/compliance-research-development/good-manufacturing-practice/eudragmdp-database
[14] EMA. European Shortages Monitoring Platform (ESMP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/medicine-shortages-availability-issues/european-shortages-monitoring-platform-esmp
[15] EMA. Good pharmacovigilance practices (GVP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/pharmacovigilance-post-authorisation/good-pharmacovigilance-practices-gvp
[16] US FDA. Drug Master Files (DMFs). https://www.fda.gov/drugs/forms-submission-requirements/drug-master-files-dmfs
[17] US FDA. DSCSA exemptions (October 2024); small-dispenser exemption (August 2026); Exemptions under the DSCSA. https://www.fda.gov/media/182584/download · https://www.fda.gov/media/194424/download · https://www.fda.gov/drugs/drug-supply-chain-security-act-dscsa/exemptions-under-drug-supply-chain-security-act
[18] US eCFR. 21 CFR Part 11 — Electronic Records; Electronic Signatures. https://www.ecfr.gov/current/title-21/chapter-I/subchapter-A/part-11
[19] US FDA. Data Integrity and Compliance With Drug CGMP: Questions and Answers (December 2018). https://www.fda.gov/regulatory-information/search-fda-guidance-documents/data-integrity-and-compliance-drug-cgmp-questions-and-answers-guidance-industry
[20] PIC/S. PI 041-1, Good Practices for Data Management and Integrity in Regulated GMP/GDP Environments (2021). https://picscheme.org/docview/4234
[21] WHO. TRS 1025, Annex 7: Good storage and distribution practices for medical products (2020). https://www.who.int/publications/m/item/trs-1025-annex-7
[22] Directive (EU) 2022/2555 (NIS2 Directive), Articles 2–3 and Annex I (health sector). https://eur-lex.europa.eu/eli/dir/2022/2555/oj
[23] Regulation (EU) 2016/679 (General Data Protection Regulation), Article 9 — Processing of special categories of personal data. https://eur-lex.europa.eu/eli/reg/2016/679/oj
[24] Viet Nam. Pharmacy Law No. 105/2016/QH13, Article 60 (import of medicines without a marketing authorisation). https://vanban.chinhphu.vn/?pageid=27160&docid=184569
[25] Viet Nam. Law No. 44/2024/QH15 amending the Pharmacy Law (in force 1 July 2025), Official Gazette text. https://congbaocdn.chinhphu.vn/CongBaoCP/VanBan/2024/11/43548/53667-1-20241519-152044-2024-qh15.pdf
[26] Viet Nam. Law on Procurement No. 22/2023/QH15. https://vanban.chinhphu.vn/?pageid=27160&docid=208419
[27] Viet Nam Government portal. New points in Circular 40/2025/TT-BYT on medicine procurement at public health facilities. https://xaydungchinhsach.chinhphu.vn/nhung-diem-moi-trong-thong-tu-40-2025-tt-byt-ve-dau-thau-thuoc-119251105153744446.htm
[28] Google Search Central. Spam policies for Google web search. https://developers.google.com/search/docs/essentials/spam-policies

Normen

[29] ISPE. GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems, Second Edition (2022). https://ispe.org/publications/guidance-documents/gamp-5-guide-2nd-edition
[30] ISA. ISA-95 / IEC 62264, Enterprise-Control System Integration. https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard
[31] GS1. Discussion paper on medicines identification requirements on primary level packaging using GS1 standards (2019). https://www.gs1.org/docs/healthcare/position-papers/Discussion-paper-on-medicines-identification-requirements-on-primary-level-packaging-using-GS1-standards-final.pdf

Forschung

[32] Lee, H.L., Padmanabhan, V., Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546–558. https://doi.org/10.1287/mnsc.43.4.546
[33] Batson, S., Herranz, A., Rohrbach, N., Canobbio, M., Mitchell, S., Bonnabry, P. (2020). Automation of in-hospital pharmacy dispensing: a systematic review. European Journal of Hospital Pharmacy, 28(2). https://doi.org/10.1136/ejhpharm-2019-002081
[34] Zhu, X., Ninh, A., Zhao, H., Liu, Z. (2021). Demand Forecasting with Supply-Chain Information and Machine Learning: Evidence in the Pharmaceutical Industry. Production and Operations Management. https://doi.org/10.1111/poms.13426

PharmaCountry-Daten

[35] PharmaCountry. Report #01 — Global Pharmaceutical Supplier Landscape 2026 (snapshot 21 September 2026). https://pharmacountry.com/insights/reports/global-pharmaceutical-supplier-landscape-2026
[36] PharmaCountry production database, read-only queries, 22 September 2026: registered-market coverage of product listings; duplicate-record example (four records of one site, matched on address and website). Methodology and queries on file.