Compliance-Prüfung von Werbe- und Marketingmaterial (MLR, Finanzwerbung, Umweltaussagen)

In regulierten Branchen muss jedes Marketingstück (ein Außendienst-Hilfsmittel für Ärzte, ein Fondsfaktenblatt, ein Social-Media-Beitrag über ein „klimaneutrales“ Produkt) vor der Veröffentlichung gegen Gesetz, Branchen- kodizes, freigegebene Aussagen und Markenregeln geprüft werden. Die Prüfer sind knappe Juristen, Ärzte und Compliance-Beauftragte, und vieles, was sie korrigieren, ist Routine: ein fehlender Risikohinweis, ein Superlativ ohne Studie dahinter, ein veralteter Haftungshinweis. Ein KI-Vorprüfer liest den Entwurf, verknüpft jede Aussage mit einem freigegebenen Beleg oder markiert sie, prüft auf Pflicht- elemente und verbotene Formulierungen, nennt die Regel und schlägt eine Umformulierung vor. Menschen geben weiterhin frei, aber die Entwürfe, die sie sehen, sind sauberer, sodass sie ihre Zeit für Ermessensentscheidungen einsetzen.

Problem & Nutzen

• Heute: Die Pharmabranche nutzt eine formale Medical-Legal-Regulatory (MLR)- oder PRC-Prüfung, meist in Veeva Vault PromoMats. Banken, Versicherer und Vermögensverwalter haben eine Compliance-Freigabe für Finanzwerbung. Konsumgütermarken verlassen sich auf Rechtsprüfung und Agenturkontrollen. Das Inhaltsvolumen ist mit Omnichannel, modularen und nun generativen Inhalten explodiert. Die Prüfkapazität ist nicht mitgewachsen, daher sind Warteschlangen von Tagen bis Wochen üblich, und dieselben Anmerkungen kommen Runde für Runde wieder.
• Der regulatorische Druck steigt: Die britische FCA verlangt, dass jede Finanzwerbung in jedem Medium „klar, fair und nicht irreführend“ ist, auch in sozialen Medien, und hat ein Zulassungsverfahren für Unternehmen eingeführt, die Werbung für andere freigeben [5]. In der EU gilt die Richtlinie (EU) 2024/825 („Stärkung der Verbraucher für den ökologischen Wandel“) seit dem 27. September 2026. Sie ändert die UWG-Richtlinie (UCPD) und verschärft die Regeln für Greenwashing-Aussagen [6]. Generative KI bringt außerdem eine neue Prüfung mit: Offenlegungspflichten für KI-erzeugte Inhalte nach Art. 50 AI Act, die seit dem 2. August 2026 gelten [7].
• KI-Nutzen (Herstellerangaben, nicht unabhängig geprüft): Saifr gibt an, sein Prüfmodell erkenne „bis zu 90 %“ dessen, was ein menschlicher Prüfer markieren würde, und bringe Inhalte „bis zu 10-mal schneller“ auf den Markt [2]. Veeva berichtet für PromoMats insgesamt von durchschnittlich +50 % schnellerer Markteinführung (nicht allein der KI zugeschrieben). Für seinen agentischen Falcon MLR nennt es ein Ziel von 70 % weniger manueller Arbeit innerhalb von fünf Jahren [1]. Messen Sie Ihre eigene Ausgangslage, bevor Sie sich auf diese Zahlen stützen.

Varianten

• Pharma / Medizintechnik MLR: Werbung für Arzneimittel gegenüber Angehörigen der Heilberufe (EFPIA-Kodex, nationale Kodizes wie FSA/AKG in Deutschland, ABPI in Großbritannien) und das deutsche Heilmittelwerbegesetz: irreführende Werbung (§ 3), Pflichtangaben (§ 4), Beschränkungen der Publikumswerbung (§ 11) [3][4]. Kernschritt: Belegprüfung von Aussage zu Beleg gegen Fachinformation (SmPC) und Studien sowie Erkennung von Off-Label-Aussagen. MDR Art. 7 ergänzt Regeln für Aussagen zu Medizinprodukten.
• Finanzwerbung: MiFID II Art. 24(3) (fair, klar, nicht irreführend; ausgewogene Darstellung von Risiko und Nutzen), PRIIPs, britische FCA COBS 4 und Consumer Duty, US-amerikanische FINRA Rule 2210. Typische Prüfungen: Hinweise zur früheren Wertentwicklung, Hervorhebung von Risiken, Formulierungen zu garantierten Renditen, Benennung von ESG-Fonds.
• Versicherung & Verbraucherkredit: Marketingregeln der IDD, Verbraucherkreditrichtlinie (repräsentatives Beispiel zum effektiven Jahreszins).
• Umweltaussagen bei Konsumgütern, Energie, Lebensmitteln und Handel: Nach der Richtlinie 2024/825 gehören allgemeine Umweltaussagen, Nachhaltigkeitssiegel ohne Grundlage in Zertifizierungssystemen und auf Kompensation beruhende Produktaussagen zur „Klimaneutralität“ zu den neu verbotenen Praktiken. Das Werkzeug prüft jede Aussage gegen Zertifikate, Ökobilanzdaten oder freigegebene Belege. Der Teil Greenwashing auf Marketingseite des zusammengeführten ESG-Kandidaten wird hier abgedeckt. Das Screening von Kontroversen auf Anlegerseite gehört zu LANG-018/LANG-037.
• Lebensmittel, Kosmetik, Alkohol, Glücksspiel: nährwert- und gesundheitsbezogene Angaben (Verordnung 1924/2006 und das EU-Register zugelassener Angaben), Kriterien für Kosmetikaussagen (Verordnung 655/2013), Werbekodizes für Glücksspiel.
• Prüfung von Markenrichtlinien und KI-Kennzeichnung für jedes Unternehmen: Tonalität, verbotene Wörter, Logoverwendung (mit einem VLM) und ob KI-erzeugte Bilder oder Videos eine Offenlegung nach Art. 50 benötigen.
• KMU: Ein Shopbetreiber oder eine Agentur prüft Produktseiten und Anzeigen vor der Veröffentlichung auf Fallstricke nach UWG/HWG und auf Formulierungen vom Typ „klimaneutral“. Eine schlanke Version derselben Pipeline.

So funktioniert es

1. Werbemittelentwurf (DOCX/PDF/HTML/Bild/Video)
2. Parsen & Normalisieren (OCR/Layout; ASR für Sprecherton; VLM für Bilder, Kleingedrucktes, Logos)
3. Aussagensegmentierung (Zerlegung in atomare Aussagen, Behauptungen, Visuals, Fußnoten)
4. Abruf: Regeln für Produkt × Markt × Kanal × Zielgruppe (Fachkreise vs. Laien, Handel vs. Profis) + freigegebene Aussagenbibliothek + Quellen
5. Prüfung je Aussage: belegt? verbotene Formulierung? fehlende Ausgewogenheit/Risikoinformation?
6. Vollständigkeitsprüfungen: Pflichtangaben, Haftungsausschlüsse, Kennzeichnung KI-generierter Inhalte, Markenregeln
7. Befunde mit Regelzitat, Belegverweis, Schweregrad, Umformulierungsvorschlag
8. Routing: geringes Risiko
9. Schnellprüfung | hohes Risiko
10. vollständiges MLR-/Compliance-Gremium
11. Prüfende nehmen jeden Befund an/lehnen ihn ab
12. Audit-Log
13. Rückfluss in Regeln & Prompts

• Regeln als Daten: Kodieren Sie Regelwerke als versionierte, abrufbare Prüfpunkte (ID, Geltungsbereich, Text, Beispiele für Verstöße und für konforme Formulierungen) statt eines riesigen Prompts. So lässt sich jeder Befund auf eine Regel zurückführen, was Auditoren und Prüfer brauchen.
• Belegprüfung von Aussagen ist Retrieval plus Entailment: Stützt die zitierte Passage die Aussage in ihrer Formulierung tatsächlich (Population, Endpunkt, Größenordnung)? Schlussfolgerungsmodelle leisten das weit besser als reine Ähnlichkeitssuche.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die KI gibt nie frei. Sie prüft vor, und die verantwortliche unterzeichnende Person (Pharma: Informationsbeauftragte(r)/medizinisch Unterzeichnende(r); Finanzbranche: Compliance-Funktion) entscheidet. Korrekturen durch die Prüfer sind das wichtigste Lernsignal.

Datenaufbereitung

Die Prüfung ist nur so gut wie das Regelwerk und die Aussagenbibliothek dahinter. Daten: Gesetze und Kodizes (HWG, UWG, MiFID II/PRIIPs, Richtlinie 2024/825), Leitlinien der Aufsichtsbehörden, freigegebene Aussagen mit Belegen (Studien, Fachinformation (SmPC), Zertifikate), Pflichthinweise, Markenrichtlinien und frühere Prüfanmerkungen. In einem KMU liegen diese in PDFs, Word-Dateien, E-Mail-Verläufen mit der Rechtsberatung und einem Marketing-Laufwerk.

Typische Lücken: Aussagen ohne nachvollziehbaren Beleg, veraltete Haftungshinweise, Prüfrückmeldungen nur in E-Mails oder Kommentaren, gescannte Zertifikate und kein Kategorienschema für Aussagetypen.

Schritte: - Eine maßgebliche Bibliothek von Aussagen und Haftungshinweisen mit Belegen und Gültigkeitsdaten aufbauen (PREP-013, PREP-016). - Aussagekategorien und Schweregrade festlegen (PREP-019). - Frühere Prüfentscheidungen als Labels ernten (PREP-020). - Mit dem Compliance-Team einen Testsatz aufbauen (PREP-018). - Gescannte Nachweise per OCR erfassen (DOC-014).

Werkzeuge: ein DMS oder SharePoint mit Metadaten, eine Vektordatenbank, zum Start eine einfache Tabelle für die Aussagenbibliothek. Rechnen Sie mit etwa 40 Prozent des Aufwands für Aussagenbibliothek und Testsatz; die Bibliothek dient auch verwandten Anwendungsfällen wie LANG-021.

Umsetzungswege

Welcher Weg für wen

• KMU: B, weil MLR-Suiten auf Großunternehmen zugeschnitten sind und der Nutzen aus Ihrem eigenen Regelwerk, Ihrer Aussagenbibliothek und Ihren Markenregeln kommt, die eine Pipeline auf Cloud-APIs direkt verwenden kann.
• Großunternehmen: A, weil ausgereifte MLR- und Compliance-Suiten (zum Beispiel Veeva PromoMats) sich in bestehende Inhalts- und Freigabe-Workflows integrieren.
• Entwickler: B, weil LLM-APIs mit Retrieval über Regelwerke und Aussagen schnelles Prototyping und schnelle Evaluierung erlauben.

Weg A — Kaufen (für große regulierte Unternehmen empfohlen)

• Pharma/Life Sciences: Veeva Vault PromoMats mit Vault-AI-Agenten (z. B. der Quick Check Agent, eingesetzt bei Moderna, Agenten für Aussagenbibliotheken) und der agentische Veeva Falcon MLR, aufbauend auf Veevas Übernahme von Copli [1]. Veeva hostet in EU-Rechenzentren.
• Finanzdienstleistungen: Saifr (SaifrReview, ein Unternehmen von Fidelity/FMR) für die Marketingprüfung in Banken, Versicherungen und Vermögensverwaltung [2]. Red Marker (IntelligenceBank) deckt Finanzdienstleistungen, Versicherungen, Automobil, Telekommunikation, Lebensmittel und Pharma ab, mit Regelbibliotheken für FCA und FINRA [8].
• Workflow-Plattformen: Korrektur- und Freigabeplattformen (z. B. Filestage (DE), Ziflow, Adobe Workfront) und DAMs, in die sich per API ein Vorprüfschritt einbinden lässt.
• Wählen Sie A, wenn Sie bereits einen Prüf-Workflow in einem dieser Systeme betreiben und Ihre Regelwerke die Standardregelwerke sind, die diese Anbieter pflegen. Prüfen Sie, ob EU-spezifische Regeln (HWG, 2024/825, deutsches UWG) abgedeckt sind und nicht nur US-/UK-Regeln.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: ein schlussfolgerungsfähiges Spitzenmodell für die Beurteilung je Aussage (Claude, GPT, Gemini über Endpunkte in EU-Regionen bei Bedrock/Azure/Vertex, oder Mistral Large/Medium von Mistral AI (FR) als EU-Anbieter). Ein VLM-Aufruf für Bilder, Kleingedrucktes und Logos sowie eine ASR-API für Video-Sprechertexte.
• Retrieval: Regelwerke, Kodexartikel und die Aussagenbibliothek einbetten (z. B. Embeddings von Mistral oder Cohere, pgvector/OpenSearch) und neu ordnen (Reranking). Nutzen Sie strukturierte Ausgaben für Befunde (JSON-Schema: claim, rule_id, severity, evidence, rewrite).
• Integration: ein Plugin-/API-Schritt im DAM oder Korrekturwerkzeug oder ein Add-in für Word, Figma oder das CMS. Nutzen Sie n8n oder Power Automate für die Weiterleitung. Betreiben Sie ein Evaluierungsgerüst auf früher geprüften Materialien.
• Wählen Sie B, wenn Ihr Regelwerk spezifisch ist (nationales EU-Recht, eigene Markenregeln, Nischenbranche) oder kein Anbieter Ihre Märkte abdeckt.

Weg C — Selbst betreiben (Open Source)

• Modelle: gpt-oss-120b oder Qwen3 (große MoE-Varianten) für Schlussfolgerungen, Mistral Small 3.x für günstigere Prüfungen, Qwen3-VL für Bilder und Layouts, Whisper large-v3 für Sprechertexte. Bereitstellung über vLLM mit Dekodierung strukturierter Ausgaben.
• Stack: Docling zum Parsen von Dokumenten, Qwen3-Embedding oder BGE-M3 plus bge-reranker-v2-m3 für das Retrieval, Postgres/pgvector oder OpenSearch, Langfuse für das Tracing, n8n für den Workflow.
• Hardware: HW3 (eine GPU mit 80–141 GB oder der Klasse RTX PRO 6000) für ein Schlussfolgerungsmodell der Klasse ca. 100B plus ein VLM. HW2 genügt für Marken- und Formulierungsprüfungen mit kleineren Modellen, aber die Qualität der Belegprüfung sinkt.
• Wählen Sie C, wenn unveröffentlichte Produktdaten, Aussagen vor der Markteinführung oder Studienergebnisse das Unternehmen nicht verlassen dürfen (in der Pharmabranche vor der Zulassung üblich).

Weg D — Eigenes Training

Lohnt sich nur bei hohem Volumen mit einem großen Archiv geprüfter Materialien, z. B. ein Pharmaunternehmen oder eine Bank mit Zehntausenden früherer MLR-/Compliance-Anmerkungen. Ein kleines Modell oder einen Encoder-Klassifikator feintunen, um die Anmerkungen vorherzusagen, die Prüfer typischerweise machen, und um Risiken vorzusortieren. Die regelbasierte LLM-Prüfung für die Begründungen beibehalten. Benötigte Daten: Materialien mit den Annotationen der Prüfer, zugeordnet zu Regel-IDs. Bereinigen Sie zuerst die Labels, denn Prüferanmerkungen sind uneinheitlich.

Stand der Technik (2026)

• Agentische Prüfung im Inhaltssystem: Anbieter sind von Stichwortlexika (klassische Listen „riskanter Wörter“) zu LLM-Agenten übergegangen, die das gesamte Material lesen, Aussagen gegen eine Bibliothek prüfen und Prüfkommentare schreiben (Veeva Vault AI und Falcon MLR, Saifr, RiskGPT von Red Marker) [1][2][8].
• Techniken, die funktionieren: Zerlegung in atomare Aussagen, Regel-Retrieval je Markt/Zielgruppe, Entailment-Prüfungen gegen Belege, multimodales Lesen gerenderter Materialien (nicht nur des Quell- texts) und kalibrierter Schweregrad mit Weiterleitung „unsicher → Mensch“.
• Neue Regelwerke 2026: Richtlinie 2024/825 zu Umweltaussagen (gilt ab 27. Sept. 2026) [6], Transparenz nach Art. 50 AI Act (gilt ab 2. Aug. 2026) [7] und der EFPIA-Kodex [3].
• Grenzen und Fehlerbilder: LLMs markieren zu viel (Ermüdung der Prüfer) und zu wenig bei impliziten Aussagen, die aus Bild plus Text entstehen. Sie missverstehen nuancierte Kodexregeln (Fachkreise vs. Öffentlichkeit), „genehmigen“ möglicherweise Aussagen, die sich auf einen Beleg stützen, der sie tatsächlich nicht trägt, und hinken Regeländerungen hinterher, wenn das Regelwerk nicht gepflegt wird. Es gibt keinen öffentlichen Benchmark für die Compliance-Prüfung von Werbung, daher muss die Evaluierung Ihre eigenen früheren Prüfentscheidungen verwenden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack zur Regelprüfung (llm-reasoning + Retrieval über Regelwerke): DOC-016 (Compliance- Prüfung von Dokumenten), DOC-027 (Korrektur von Verpackungen/Etiketten, mit gemeinsamer Aussagenbibliothek und VLM), KNOW-009 (Fragen und Antworten zu Normen), AGENT-018 (laufende Kontrollüberwachung). Ein selbst betriebener HW3-Server und ein Regelwerks-Repository können alle bedienen.
• Vorgelagerte Generatoren: LANG-001 Marketingtexte, LANG-005 SEO-Inhalte, LANG-007 Social-Media-Beiträge, GEN-001/GEN-002 Bilder und Video. Setzen Sie LANG-024 als Schranke dahinter („erzeugen → prüfen → Mensch“). LANG-011 wendet danach Umformulierungen im Markenton an. LANG-009 übernimmt die Lokalisierung, und jede Marktvariante muss erneut geprüft werden.
• Regulatorischer Feed: LANG-020 (Horizon Scanning) hält das Regelwerk aktuell. SEC-022 verfolgt Kennzeichnungs- pflichten für KI. LANG-032 (Überwachung der elektronischen Kommunikation) deckt den Kanal von Person zu Person ab, den die Werberegeln ebenfalls erreichen.
• Pharma-Kette: HLTH-017 regulatorisches Schreiben (Quelle freigegebener Formulierungen) und HLTH-010 Pharmakovigilanz (in Social-Media-Inhalten gefundene unerwünschte Ereignisse). ESG-Kette: DATA-012 liefert die Belege für Umweltaussagen, und LANG-018/LANG-037 decken das Screening auf Anlegerseite ab.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate, um Regelsätze und Aussagenbibliotheken in einem bestehenden PromoMats- oder Korrektur-Workflow zu konfigurieren. Die Lizenzkosten liegen typischerweise auf Enterprise-Niveau pro Arbeitsplatz oder Volumen.
• Weg B: 2–4 Monate für ein Pilotprojekt zu einem Produkt/Markt. Der meiste Aufwand entfällt auf die Kodierung der Regeln und den Aufbau eines Evaluierungssatzes aus früheren Prüfungen, nicht auf Modellkosten.
• Weg C: 3–6 Monate plus GPU-Server und MLOps.
• Kostentreiber: Pflege des Regelwerks je Markt, Pflege der Aussagenbibliothek, Zeit der Prüfer für die Kalibrierung, multimodale Verarbeitung von Videos.
• Kennzahlen: Durchlaufzeit der Prüfung und Anzahl der Prüfrunden je Material, Recall der KI bei Beanstandungen, die später von menschlichen Prüfern erhoben werden, Quote falscher Markierungen, Anteil der im Schnellverfahren geprüften Materialien, Befunde nach der Veröffentlichung (Schreiben von Aufsichtsbehörden, Beschwerden, Rückzüge), Prüferstunden je Material.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Leitung von Marketing oder Kommunikation als Prozessverantwortlichen und beziehen Sie Legal/Compliance (und in der Pharmabranche Medizin bzw. Regulatory Affairs) von Anfang an ein: Sie besitzen das Regelwerk und die endgültige Freigabe. Die IT übernimmt die Integration in die Inhaltswerkzeuge; Dateneigner pflegen Aussagen und Belege. Agenturen, die Material einreichen, sollten über die Funktionsweise der Vorprüfung informiert werden.

Betriebsrat: in der Regel nein, da das Werkzeug Dokumente prüft, nicht Beschäftigte. Relevant kann er werden, wenn Entscheidungen oder Fehlerquoten der Prüfer pro Person protokolliert werden (§ 87 Abs. 1 Nr. 6 BetrVG); unterrichten Sie den Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3, wenn sich die Prüfarbeit ändert.

Datenschutz: Marketingmaterial kann Testimonials oder Patienten- bzw. Kundendaten enthalten; binden Sie die oder den Datenschutzbeauftragte(n) ein, prüfen Sie die Notwendigkeit einer DSFA und schließen Sie mit Cloud-Anbietern einen AVV (Art. 28 DSGVO) ab. KI-Kompetenz: Unterstützen Sie Marketer und Prüfer mit Schulungen dazu, was die Vorprüfung erfassen kann und was nicht (KI-Verordnung Art. 4; GUIDE-006). Starten Sie mit einer Produktlinie und einem Schnellverfahren für risikoarme Materialien. Typische Sorge: „Die KI genehmigt nicht konforme Aussagen.“ Behalten Sie die menschliche Freigabe bei, protokollieren Sie KI-Befunde gegenüber Entscheidungen und erfassen Sie Fehlgriffe. Siehe GUIDE-009 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der typischen Form minimales Risiko. Ein internes Entscheidungsunterstützungswerkzeug für die Inhalts- prüfung ist in Anhang III nicht aufgeführt und entscheidet nicht über natürliche Personen. Die Pflicht zur KI-Kompetenz (Art. 4) gilt. Das Werkzeug hilft Betreibern, ihre eigenen Pflichten nach Art. 50 Abs. 4 zu erfüllen, z. B. die Kennzeichnung von Bildmaterial im Stil von Deepfakes [7].
• Die Haftung bleibt beim Menschen: Nach HWG/EFPIA, MiFID II/FCA-Regeln und der UCPD bleiben der Werbende und die benannte unterzeichnende Person verantwortlich. Dokumentieren Sie, dass KI-Befunde beratend sind, und führen Sie eine Prüfspur der KI-Befunde, Prüferentscheidungen und endgültig freigegebenen Fassungen (prüf- und auditfähig, z. B. für die FCA oder die Selbstkontrollorgane der Pharmabranche).
• DSGVO: meist nicht personenbezogene Inhalte, aber Testimonials, Namen von Angehörigen der Heilberufe, Kundenfallstudien und Bilder von Personen sind personenbezogene Daten. Nutzen Sie einen AVV mit dem Anbieter, EU-Hosting und kein Training mit Ihren Daten ohne Einwilligung.
• Vertraulichkeit: Aussagen vor der Markteinführung und unveröffentlichte Studiendaten sind Geschäftsgeheimnisse (und können bei börsennotierten Unternehmen Insiderinformationen sein). Nutzen Sie Weg C oder vertraglich zugesicherte EU-Endpunkte ohne Datenspeicherung.
• Modellrisiko: Falsch-negative Ergebnisse erzeugen ein falsches Sicherheitsgefühl. Lassen Sie ein Ergebnis „keine Befunde“ nie die menschliche Prüfung bei Kanälen mit hohem Risiko überspringen (Werbung an Fachkreise, Anlageprodukte für Privatanleger, Umweltaussagen).
• Gegenmaßnahmen: versionierte Regelwerke mit Verantwortlichem und Gültigkeitsdatum, ein Regressionstestsatz früherer Materialien, regelmäßige Stichproben schnell geprüfter Materialien und ein separater VLM-Durchlauf auf der gerenderten Ausgabe.

Erste Schritte

1. Wählen Sie einen Materialtyp mit hohem Volumen und einen Markt (z. B. deutsche Social-Media-Beiträge für eine Produktlinie) und sammeln Sie 100–300 frühere Materialien mit ihren Prüferanmerkungen als Evaluierungssatz.
2. Überführen Sie die relevanten Regeln (HWG/EFPIA, FCA/MiFID, 2024/825, Markenhandbuch) in ein strukturiertes Regelwerk mit IDs, Geltungsbereich und Beispielen. Bauen oder bereinigen Sie die Bibliothek freigegebener Aussagen mit Belegen.
3. Testen Sie einen Anbieter (Veeva, Saifr, Red Marker) oder einen Prototyp nach Weg B am Evaluierungssatz. Messen Sie den Recall gegenüber menschlichen Befunden und die Quote falscher Markierungen.
4. Setzen Sie die KI als Vorprüfschritt vor die formale MLR-/Compliance-Freigabe, nie an ihre Stelle. Leiten Sie nach Schweregrad weiter.
5. Prüfen Sie Korrekturen der Prüfer monatlich, aktualisieren Sie Regeln bei regulatorischen Änderungen (Feed LANG-020) und erweitern Sie auf weitere Märkte und Kanäle.

Quellen

1. Veeva — Vault PromoMats (Vault AI agents, Quick Check Agent, Falcon MLR, impact figures) — https://www.veeva.com/products/vault-promomats/
2. Saifr — AI compliance for marketing review (SaifrReview, vendor-reported figures) — https://saifr.ai/
3. EFPIA — The EFPIA Code — https://www.efpia.eu/relationships-code/the-efpia-code/
4. Heilmittelwerbegesetz (HWG), German Federal Ministry of Justice — https://www.gesetze-im-internet.de/heilmwerbg/
5. UK FCA — Financial promotions and adverts — https://www.fca.org.uk/firms/financial-promotions-adverts
6. European Commission — Sustainable consumption / Empowering consumers for the green transition (Directive 2024/825, transposition 27 Mar 2026, application 27 Sep 2026) — https://commission.europa.eu/live-work-travel-eu/consumer-rights-and-complaints/sustainable-consumption_en
7. EU AI Act, Article 50 — Transparency obligations — https://artificialintelligenceact.eu/article/50/
8. Red Marker (IntelligenceBank) — automated advertising compliance review — https://www.redmarker.ai/
9. Directive (EU) 2024/825 — https://eur-lex.europa.eu/eli/dir/2024/825/oj
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj