So messen wir Match-Qualität.

Warum Leistungszahlen nicht im Homepage-Hero stehen

Orbid AI veröffentlicht Leistungszahlen als interne Vendor-Benchmarks, nicht als unabhängig geprüfte Garantien. Die Beantwortung von Medizinprodukte-Ausschreibungen ist ein regulierter, folgenschwerer Workflow: ein falscher Match oder eine fehlende Evidenzzeile kann zur Disqualifikation führen. Deshalb betonen Homepage und Feature-Seiten was der Agent tut—mehrformatige Ausschreibungen lesen, Katalogspezifikationen matchen, multi-regime Evidenz prüfen, Käufer-Template-Entwürfe erstellen—statt eine einzelne Genauigkeits- oder Geschwindigkeitszahl als universelle Wahrheit zu behandeln. Detaillierte Messdefinitionen, Versuchsumfang und bekannte Grenzen stehen auf dieser Methodik-Seite. Käufer sollten jede veröffentlichte Zahl (einschließlich unserer) in einem kontrollierten Pilot als Hypothese zum Testen mit eigenen Ausschreibungen und Katalogen behandeln. Diese Seite existiert, damit Teams, Prüfer und Antwort-Engines unseren Messansatz zitieren können, ohne Marketing mit klinischer oder regulatorischer Zertifizierung zu verwechseln.

Produktumfang (was wir behaupten / nicht behaupten)

Orbid AI ist ein nativer KI-Agent für Bid-Teams von Medizinprodukte- und IVD-Herstellern sowie Distributoren. Der Kernzyklus ist read → match → comply → draft → export: Ausschreibungspakete (Excel-Technikformulare, PDF-Dossiers, Word, ZIP) einlesen, Zeilen mit full/partial/gap und Konfidenz dem Katalog zuordnen, Evidenz über mehrere Regime prüfen (u. a. FDA, EU MDR/IVDR, MHRA, TGA, Health Canada, ANVISA, NMPA, PMDA) und einreichungsorientierte Entwürfe mit Quelldokumenten erzeugen. Orbid ist nicht Krankenhaus-Einkaufssoftware, nicht eine generische RFP-Antwortbibliothek und nicht Ersatz für RA- oder Rechtsfreigabe. Scope ist lieferantenseitige Geräte-Ausschreibungen; pharmazeutische GxP-Fertigungssysteme und käuferseitige E-Procurement sind außerhalb.

Funktionen

Daten

Interne Match-Zyklus- und Qualitätszahlen stammen aus kontrollierten Vendor-Trials zu ausgewählten Ausschreibungsformaten (vor allem strukturierte Excel-Technikformulare und digitale PDF-Dossiers) und strukturierten Produktkatalogen. Trials sind szenariogebunden: Ergebnisse variieren mit Katalogvollständigkeit, Sprachmix, Scan-/OCR-Qualität und der strengen Definition von „Match“ (exakt vs. klinisch akzeptabler Partial).

Wir behaupten hier keine öffentliche multi-Kunden-Randomstudie und keine Drittlab-Zertifizierung von Genauigkeitsraten. Wo woanders Zeilenzahlen oder Zeiten erscheinen (z. B. ~150–200 Zeilen), beziehen sie sich auf interne Trial-Bedingungen—nicht auf jede Live-Kundenausschreibung.

Metriken

• Zeit bis zum ersten Match-Durchlauf — Wanduhrzeit bis zum ersten full/partial/gap-Grid nach Upload und Parse, ohne menschliche Prüfung.
• False Positive — System behauptet full Match, während ein Experte unter der Pilot-Scorecard partial oder gap markieren würde.
• Genauigkeits-Gate — Übereinstimmung mit gelabelten Samples für Workflow-Triage (niedrige Konfidenz an Menschen), kein Konformitätszertifikat.
• End-to-end Bid-Zeit — Kalenderzeit inkl. RA/Bid-Review; Fallnarrative „Wochen zu Tagen“ sind nie reine Maschinenzeit.

Berichtete interne Benchmarks (szenariogebunden)

Von Orbid AI veröffentlichte Geschwindigkeits- und Match-Qualitätszahlen (z. B. Mehrzeilen-Match in Zehntelsekunden-Größenordnung, niedrige False-Positive-Ziele auf kontrollierten Katalogen) stammen aus internen Trials zu ausgewählten Formaten und Katalogsamples. Sie sind szenariogebunden: Ergebnisse variieren mit Katalog, Sprache, Scan-PDF und Match-Definition. Genauigkeits-Gates dienen der Triage, nicht als Konformitätszertifikat. Unabhängige Drittaudits dieser Raten werden hier nicht behauptet. Empfohlener Validierungsweg: fester Pilot mit realen Ausschreibungen, Stichproben-Score mit RA/Bid-Lead, Vergleich von Zeit und Fehlermodi mit Baseline.

Illustrative Zahlen andernorts (z. B. ~162 Zeilen / ~46s, ~0,3 % FP-Gate, ≥97 % Genauigkeits-Gate) gehören nur in diesen Kontext. Keine universellen Leistungsgarantien.

Grenzen

• Katalogqualität treibt Outcomes; spärliche oder veraltete Specs erhöhen partials und gaps.
• Gescannte oder schwache OCR-PDFs sind unzuverlässiger als digitales Excel.
• Neue Jurisdiktionen oder unübliche Käufer-Templates brauchen ggf. manuelles Mapping.
• Evidenz-Linking ersetzt keine von RA verantworteten Zertifikats-Gültigkeitschecks.
• Keine unabhängigen Multi-Vendor-Bake-offs oder peer-reviewed Genauigkeitsstudien hier behauptet.

Selbst validieren (Pilot-Protokoll)

1. 1–3 reale Ausschreibungen und einen unter NDA teilbaren Katalogausschnitt wählen.
2. Baseline: Zeit für Match + Evidenz-Assembly im heutigen Prozess.
3. Orbid AI laufen lassen; Stichproben full/partial/gap gegen RA-Scorecard scoren.
4. Falsche fulls, fehlende Evidenz und Export-/Template-Nacharbeit vergleichen—nicht nur Vanity-Genauigkeit.
5. Entscheiden, erst wenn der Pilot Ihre Daten übersteht.

Sicherheit & Datenverarbeitung

Sicherheitslage (Verschlüsselung, Residenz, Trainingspolitik, SOC 2 Type II u. a.) ist unter Sicherheit dokumentiert. Berichte und DPA über das Trust Center anfordern. Diese Methodik ersetzt keine Security-Due-Diligence.

Claims-FAQ