Lesezeit: ca. 9 Minuten

Das Modell funktioniert. Die Demos sind überzeugend. Der Pilot ist vielversprechend. Und dann: nichts. Das System wird nicht genutzt, die Einführung stockt, die erhofften Effizienzgewinne materialisieren sich nicht.

Wer regelmäßig mit KI-Projekten im Gesundheitswesen zu tun hat, kennt dieses Muster. Und es wiederholt sich – unabhängig von der Technologie, unabhängig vom Anbieter, unabhängig von der Qualität des Modells.

Der Grund liegt fast nie in der Technik.

Was KI-Projekte wirklich zum Scheitern bringt

KI-Systeme im Gesundheitswesen sind immer Teil eines organisatorischen Systems. Sie können nicht isoliert funktionieren – sie müssen sich in Prozesse, Verantwortlichkeiten und Kulturen integrieren, die über Jahrzehnte gewachsen sind.

Das klingt trivial. Ist es aber nicht. Denn medizinische Organisationen – Kliniken, Praxisnetze, Gesundheitseinrichtungen – sind hochgradig strukturiert. Es gibt klare Hierarchien, klare Zuständigkeiten, klare Dokumentationsstandards. Und es gibt Gründe für diese Strukturen: Sicherheit, Nachvollziehbarkeit, rechtliche Verantwortlichkeit.

Ein KI-System, das in dieses System eingeführt werden soll, muss die Antwort auf folgende Fragen geben können:

  • Wer ist verantwortlich für die Ausgabe des Systems?
  • Wie wird die Ausgabe in bestehende Dokumentationsstandards integriert?
  • Was passiert, wenn das System einen Fehler macht?
  • Wer wird wie trainiert?
  • Wie verändert sich der Workflow – und wer profitiert davon?

Wenn diese Fragen nicht beantwortet sind, scheitert die Einführung. Nicht am Modell, sondern an der Organisation.

Was die Evidenz zur Implementierung zeigt

Die Forschung zu Ambient-Scribe-Systemen ist hier aufschlussreich, weil sie genau diese Varianz dokumentiert.

Eine randomisierte Step-Wedge-Studie berichtet positive Effekte: weniger Dokumentationslast, weniger Burnout, weniger Off-Hours-Arbeit. Eine Kohortenstudie zur DAX-Nutzung dagegen: keine signifikanten Verbesserungen bei Produktivität oder Patientenerfahrung, in manchen Metriken sogar Verschlechterungen.

Dasselbe Produkt, unterschiedliche Effekte. Der entscheidende Unterschied liegt nicht in der Technologie. Er liegt in Specialty, Workflow-Design, Training, EHR-Integration und Messmethodik.

Das ist das Implementierungsproblem: Selbst wenn ein System prinzipiell gut ist, entscheiden lokale Bedingungen über seinen Nutzen.

Drei Faktoren, die über Erfolg oder Misserfolg entscheiden

Aus der Analyse von KI-Projekten im Gesundheitswesen lassen sich drei strukturelle Faktoren identifizieren, die regelmäßig den Unterschied machen:

1. Grounding und Workflow-Integration

Ein KI-System, das Ausgaben erzeugt, die nicht in bestehende Dokumentationssysteme eingebettet werden können, wird nicht genutzt. Das gilt für Ambient-Scribe-Systeme, die nicht mit dem vorhandenen EHR kompatibel sind, ebenso wie für Systeme, die Informationen in Formaten liefern, die Ärzte nicht brauchen.

Integration ist kein technisches Nachprojekt. Sie ist Bestandteil des Produktdesigns.

2. Human-Review-Prozesse und Verantwortlichkeit

Klinische Arbeit erfordert klare Verantwortlichkeiten. Ein KI-System verändert diese Verantwortlichkeiten – und wenn unklar ist, wer für die Ausgabe des Systems verantwortlich ist, entsteht Unsicherheit, die zur Nicht-Nutzung führt.

Der produktivste Ansatz ist: KI als Assistenz, nicht als Entscheider. Das System liefert Entwürfe. Die Ärztin oder der Arzt prüft und signiert. Diese Rollenverteilung muss explizit sein – in der Produktgestaltung, in der Kommunikation und in der Schulung.

3. Changemanagement und Akzeptanz

Neue Technologien verändern Arbeitsweisen. Das erzeugt Widerstände – nicht weil Menschen technikfeindlich sind, sondern weil Veränderung Zeit und Energie kostet, und weil medizinische Fachkräfte zu Recht skeptisch sind, wenn neue Systeme mit großen Versprechen eingeführt werden.

Changemanagement ist kein Soft-Skill-Thema. Es ist ein strukturelles Implementierungsproblem. Wer Mitarbeitende nicht früh einbezieht, wer keine realistische Einführungsphase einplant und wer Erfolg an unrealistischen ROI-Erwartungen misst, wird scheitern – unabhängig von der Technologie.

Was das für die Einführung von KI in Gesundheitseinrichtungen bedeutet

Es gibt eine Tendenz in KI-Projekten im Gesundheitswesen, die Technologie in den Vordergrund zu stellen: das Modell, die Genauigkeit, der Benchmark. Das ist nicht falsch – aber es ist unvollständig.

Die entscheidenden Fragen vor der Einführung sind organisatorische:

  • Welches konkrete Problem soll gelöst werden?
  • Wer ist von der Lösung betroffen, und wie?
  • Welche Workflows verändern sich, und was wird besser – nicht in der Theorie, sondern im Alltag?
  • Wie wird Erfolg gemessen?

Eine in JAMA Network Open veröffentlichte Studie zu Ambient-Scribe-Erfahrungen zeigt: Kliniker, die aktiv in die Implementierung einbezogen wurden und klare Rückmeldungskanäle hatten, berichteten durchweg bessere Erfahrungen als solche, denen das System ohne ausreichendes Training präsentiert wurde.

Das ist kein überraschendes Ergebnis. Es bestätigt, was aus anderen Bereichen der Organisationsentwicklung längst bekannt ist: Technologie verändert Organisationen nicht automatisch. Organisationen entscheiden, ob Technologie überhaupt genutzt wird.

KI als sozio-technisches System

Am Ende ist das der wichtigste Gedanke für jeden, der mit KI im Gesundheitswesen arbeitet: Ein KI-System ist kein Produkt, das man in eine Organisation stellt. Es ist ein sozio-technisches System, das in eine Organisation integriert werden muss – mit allen organisatorischen, kulturellen und rechtlichen Dimensionen, die das mit sich bringt.

Wer das versteht, stellt andere Fragen. Nicht nur: „Wie gut ist das Modell?” Sondern: „Wie gut passt es in unsere Abläufe? Wer übernimmt Verantwortung? Wie verändern wir den Prozess – und wer profitiert tatsächlich?”

Das sind die Fragen, die über Erfolg oder Misserfolg entscheiden.

Dieser Artikel ist Teil der Serie „Generative KI im Gesundheitswesen” auf kuersatcifci.de.

Quellen: