Digital Health Beratung .

Nach Jahren des infrastrukturellen Aufbaus zeigt sich 2025 deutlich, dass digitale Anwendungen der Telematikinfrastruktur im Versorgungsalltag angekommen sind. Der E-Health Monitor 2025 belegt, dass die Nutzung zentraler TI-Anwendungen insgesamt zunimmt. Gleichzeitig wird sichtbar, dass sich Nutzungsintensität und Integration aber je nach Anwendung unterscheiden.

Das E-Rezept

Das E-Rezept ist die bislang am weitesten verbreitete Anwendung der Telematikinfrastruktur. Laut E-Health Monitor 2025 hat sich das digitale Rezept mit einem Anteil von 90,2 Prozent an allen eingelösten Rezepten innerhalb kurzer Zeit als Standard etabliert. Die Zahl der eingelösten E-Rezepte ist seit der verpflichtenden Einführung stark gestiegen und liegt aktuell bei 1,1 Milliarden eingelösten Rezepten.

Ein zentraler Erfolgsfaktor ist die klare Prozesslogik. Verordnung, Übermittlung und Einlösung folgen einem klar abgegrenzten Ablauf mit unmittelbarem Nutzen für alle Beteiligten. Das spart Zeit und Kosten und der Zugang zu Medikamenten wird erleichtert. Trotz der Vorteile werden weiterhin rund 10 Prozent der Rezepte ausgedruckt. Gründe hierfür sind vor allem technische Probleme innerhalb der Telematikinfrastruktur sowie die eingeschränkte Nutzbarkeit des E-Rezepts in der Haus- und Heimversorgung. Das Beispiel verdeutlicht, dass selbst bei sehr hoher Nutzung technische Stabilität und Prozessabdeckung entscheidend bleiben.

Die elektronische Arbeitsunfähigkeitsbescheinigung (eAU)

Neben dem E-Rezept verzeichnete auch die elektronische Arbeitsunfähigkeitsbescheinigung im Erhebungszeitraum des E-Health Monitors einen deutlichen Zuwachs. So stieg die Zahl der elektronisch übermittelten Arbeitsunfähigkeitsbescheinigungen von 304 auf 370 Millionen, was einem Anstieg von rund 22 Prozent entspricht. Die eAU gilt als fest etablierte Anwendung, insbesondere im ambulanten Bereich, da sie von mehr als 95% der Arztpraxen genutzt wird.

Die elektronische Patienteankte (ePA)

Die elektronische Patientenakte ist bundesweit im Betrieb und gilt als zentrales Element der TI-Anwendungen. Die Zahl der durch medizinische Einrichtungen geöffneten elektronischen Patientenakten ist laut E-Health Monitor 2025 innerhalb kurzer Zeit von rund 200.000 auf 7,2 Millionen gestiegen.

Gleichzeitig zeigt ein Blick auf die aktive Nutzung ein differenzierteres Bild. Lediglich rund 4 Prozent der Versicherten verfügten im Erhebungszeitraum über eine GesundheitsID. Der Unterschied zwischen angelegten und tatsächlich genutzten Akten ist damit erheblich. In vielen Fällen bleiben die Akten leer oder nur geringfügig befüllt, sodass der erwartete Nutzen der ePA bislang nur eingeschränkt realisiert wird.

Obwohl durch das Opt-out-Verfahren eine Abdeckung von über 80 Prozent erreicht wurde und nur etwa 5 Prozent der Versicherten widersprochen haben, entsteht Mehrwert erst durch tatsächliche Nutzung und Befüllung der Akten. Um das zu fördern, wurden Leistungserbringer zum 1. Oktober 2025 verpflichtet, bestimmte medizinische Informationen in die ePA einzustellen. Bei Nichtbefüllung können Sanktionen greifen. Die ePA zeigt damit besonders deutlich, dass technische Verfügbarkeit allein nicht ausreicht, sondern organisatorische und prozessuale Voraussetzungen entscheidend sind.

Nutzung der TI-Anwendungen im Jahr 2025

Die Ergebnisse des E-Health Monitor 2025 zeigen klar, dass die Nutzung von TI-Anwendungen insgesamt zunimmt, jedoch sehr unterschiedlich ausgeprägt ist. Anwendungen mit klaren, transaktionalen Prozessen wie das E-Rezept erreichen schnell hohe Akzeptanz. Komplexere Anwendungen wie die elektronische Patientenakte benötigen hingegen deutlich mehr Zeit, Integration und organisatorische Anpassung. Besonders spannend bleibt, wie sich die Nutzung der ePA in dem kommenden Jahr entwickelt und ob es gelingt, aus formaler Abdeckung tatsächlichen digitalen Mehrwert zu schaffen.

Über digitale Reife und Nutzung der TI im Gesundheitswesen

Die Digitalisierung des deutschen Gesundheitswesens hat 2025 einen Punkt erreicht, an dem Fortschritt und Ernüchterung gleichzeitig sichtbar werden. Mit der verpflichtenden Einführung zentraler Anwendungen wie E-Rezept und elektronischer Patientenakte, einer nahezu flächendeckenden Anbindung an die Telematikinfrastruktur sowie den gesetzlichen Rahmenbedingungen wie dem Digitalgesetz (DigiG), dem Gesundheitsdatennutzungsgesetz (GDNG) und dem Gesundheitsdigitalagenturgesetz (GDAG) sind die Voraussetzungen für digitale Versorgung so umfassend wie nie zuvor. Der E-Health Monitor 2025 zeigt jedoch, dass diese Infrastruktur im Versorgungsalltag bislang nur begrenzt Wirkung entfaltet.

Diese Diskrepanz ist kein kurzfristiges Umsetzungsproblem, sondern Ausdruck eines strukturellen Spannungsfeldes. Die TI wurde über Jahre primär als verpflichtende Infrastruktur etabliert, mit starkem Fokus auf Sicherheit, Regulierung und formaler Anbindung. Die Frage, wie digitale Anwendungen tatsächlich in bestehende Arbeitsabläufe integriert werden können, spielte in der frühen Phase eine untergeordnete Rolle. Entsprechend erleben viele Leistungserbringer die TI weniger als Entlastung, sondern als zusätzliche Ebene, die neben den bestehenden Prozessen betrieben werden muss.

Die Telematikinfrastruktur

Die Telematikinfrastruktur lässt sich als zentrales Rückgrat für digitale Kommunikation, Authentifizierung und den sicheren Austausch medizinischer Daten im Gesundheitswesen beschreiben. Technisch umfasst sie eine Vielzahl von Komponenten und Diensten von Identitätsmanagement über Kommunikationsdienste wie KIM bis hin zu Anwendungen wie ePA und E-Rezept. Die TI ist hochgradig sicherheitsorientiert und regulatorisch eng geführt. Gleichzeitig erhöht sie die technische und organisatorische Komplexität für die angeschlossenen Einrichtungen erheblich, insbesondere dort, wo neue Anwendungen tief in bestehende Systeme integriert werden müssen.

Digitale Reife ist nicht gleichmäßig verteilt

Ein zentrales Ergebnis aus den ersten Kapiteln des E-Health Monitors ist, dass die digitale Reife im Gesundheitswesen ziemlich unterschiedlich ausfällt. Der häufig pauschal beschriebene „Stand der Digitalisierung“ verdeckt erhebliche Unterschiede zwischen den Leistungserbringern. Während 64 Prozent der Praxen TI-Anwendungen zumindest regelmäßig bis intensiv nutzen, ist die Nutzungsintensität mit nur 13 Prozent der Krankenhäuser deutlich geringer. Zwar sind Krankenhäuser vollständig angebunden, doch der Anteil der Krankenhäuser, die die TI mittel bis intensiv im Alltag einsetzen, liegt deutlich unter dem ambulanten Niveau. Der TI-User-Index der gematik verdeutlicht diese Unterschiede zusätzlich: Während sich bei Arztpraxen 2025 ein deutlicher Anteil mittlerer und starker Nutzung der TI-Anwendungen zeigt, dominiert bei Krankenhäusern weiterhin der Bereich „keine Nutzung“. Selbst im Jahresvergleich 2024 zu 2025 bleibt der Anteil der TI aktiv nutzenden Kliniken gering, während Praxen ihre Nutzungsintensität sichtbar steigern konnten. Ein Befund, der vor allem die höhere strukturelle und organisatorische Komplexität des stationären Bereichs widerspiegelt.

Strukturelle Ursachen der Unterschiede zwischen ambulant und stationär

Diese Unterschiede sind strukturell erklärbar. Ambulante Praxen arbeiten häufig mit vergleichsweise homogenen IT-Systemen und klar abgegrenzten Workflows, in die einzelne TI-Anwendungen punktuell integriert werden können. Krankenhäuser hingegen verfügen über hochkomplexe, historisch gewachsene IT-Landschaften mit zahlreichen Subsystemen, Schnittstellen und Abhängigkeiten. Neue digitale Anwendungen greifen hier in bestehende KIS-Strukturen ein, was Implementierungen zeitintensiv macht und stark von Herstellern abhängig ist. Digitale Prozesse lassen sich dadurch deutlich schwerer standardisieren und skalieren.

Technische Stabilität als Akzeptanzfaktor

Hinzu kommt, dass technische Instabilitäten der TI keine Seltenheit sind. Der E-Health Monitor 2025 zeigt, dass technische Probleme bzw. die Fehleranfälligkeit für Kartenterminals und Konnektoren weiterhin ein relevanter Faktor sind.
Während Ausfälle oder Störungen im ambulanten Bereich häufig zu Mehrarbeit und Umgehungslösungen wie dem Faxgerät führen, können dieselben Probleme im stationären Umfeld ganze Prozessketten betreffen – von der Aufnahme über die Dokumentation bis hin zur Entlassung. Die Sensibilität gegenüber Systemstörungen ist entsprechend höher, was die Akzeptanz digitaler Anwendungen zusätzlich beeinflusst. Vor diesem Hintergrund ist die geringere Nutzungsintensität im stationären Bereich weniger als Defizit zu verstehen, sondern als Ausdruck der erheblich komplexeren Ausgangslage, unter der digitale Transformation im Krankenhaus stattfindet.

Nutzungslücken trotz technischer Anbindung

Diese Unterschiede spiegeln sich auch in dem TI-Atlas Dashboard der gematik wider. Zwar zeigt der „TI-Readiness-Index“, dass Apotheken, Arztpraxen und Krankenhäuser bis auf maximal 2 Prozent voll an die TI angeschlossen sind, doch der sogenannte TI-User-Index zeigt, dass aktive Nutzung und Integration stark variieren. Der TI-User-Index differenziert dabei zwischen starker, mittlerer, geringer und keiner Nutzung. Besonders auffällig ist, dass selbst bei nahezu vollständiger technischer Anbindung große Teile der Leistungserbringer TI-Anwendungen kaum oder gar nicht im Arbeitsalltag einsetzen.

TI User Index der gematik (Screenshot vom 28.12.25, aufgerufen unter: TI Atlas Dashboard)

Auch in der Nutzung einzelner TI-Anwendungen zeigen sich deutliche Unterschiede. Während E-Rezept und der KIM-Dienst vergleichsweise stark genutzt werden, bleibt die Nutzung der elektronischen Patientenakte weiterhin deutlich hinter den Erwartungen zurück.

Von technischer Anbindung zu digitaler Reife

Der Stand der Telematikinfrastruktur im Jahr 2025 ist damit weniger eine Frage fehlender Technik als fehlender struktureller Passung. Die TI-Infrastruktur ist vorhanden, doch sie ist noch nicht konsequent auf die Realität unterschiedlicher Versorgungsbereiche ausgerichtet. Digitale Reife entsteht nicht nur durch Anschlussquoten oder gesetzliche Verpflichtungen, sondern durch technische Stabilität der TI, reduzierte Komplexität und eine Integration, die sich an realen Arbeitsabläufen orientiert.

Der E-Health Monitor 2025 macht deutlich, dass sich der Schwerpunkt der Digitalisierung auch noch in eine andere Richtung verschieben muss: weg von der Frage, ob digitale Infrastruktur existiert, hin zu der Frage, wie sie genutzt wird und von wem. Erst wenn digitale Anwendungen in ambulanten und stationären Settings gleichermaßen betriebsstabil und praxistauglich integrierbar sind, kann aus technischer Anbindung, digitale Reife und digitale Versorgung werden.

Der aktuelle „Stand der Digitalisierung“ ist damit weniger als Leistungsbewertung einzelner Akteure zu verstehen, sondern als Ausdruck der Komplexität der Aufgabe insgesamt. Die Unterschiede zwischen ambulantem und stationärem Bereich verdeutlichen, dass digitale Transformation im Gesundheitswesen nur dann gelingen kann, wenn Infrastruktur, Prozesse und organisatorische Realität konsequent zusammengedacht werden. Insbesondere dort, wo komplexe klinische Abläufe, hohe Integrationsanforderungen und kritische Versorgungsprozesse aufeinandertreffen

In den letzten Jahren hat Künstliche Intelligenz (KI) enorme Fortschritte gemacht und findet Eingang in immer mehr Lebensbereiche. Allerdings tritt damit ein zentrales Problem zutage: Viele KI-Systeme agieren als undurchsichtige „Black Boxes“. Das bedeutet, dass sie Entscheidungen treffen oder Ergebnisse liefern, ohne dass Menschen nachvollziehen können, wie diese zustande gekommen sind. Die internen Prozesse, die gerade bei komplexen Deep-Learning-Modellen mit Millionen von Parametern kompliziert sind, bleiben verborgen. Auch immer mehr Krankenhäuser setzen Künstliche Intelligenz für verschiedene Zwecke ein, aber diese Intransparenz kann erhebliche Probleme für Medizin, Management und IT in Krankenhäusern bedeuten. Dieses Black-Box-Problem führt zu mehreren schwerwiegenden Konsequenzen:

• Mangelnde Erklärbarkeit: Weder Anwender noch Prüfende können verstehen, warum die KI eine bestimmte Entscheidung getroffen hat.
• Erschwerte Fehlererkennung: Wenn die Entscheidungswege und Gewichtungen unsichtbar sind, lassen sich Fehler oder Verzerrungen (Bias) nur schwer aufdecken. Ein KI-Modell könnte z. B. unbemerkt diskriminierende Muster gelernt haben, die ohne Transparenz kaum entdeckt und behoben werden können.
• Vertrauensverlust: Nutzer verlieren das Vertrauen in ein System, dessen Entscheidungen undurchsichtig oder willkürlich erscheinen. Gerade in sicherheitskritischen Bereichen, etwa in der Medizin, werden erklärbare Entscheidungen gefordert. Eine „Black Box“ ist dort inakzeptabel.

Black Box und der EU AI Act

Neben den ethischen und praktischen Gründen gibt es auch einen starken regulatorischen Druck hin zu erklärbarer KI. Die Europäische Union hat mit dem EU AI Act an einem weltweit ersten umfassenden KI-Gesetzesrahmen gearbeitet. Dieser klassifiziert KI-Systeme nach Risiko und legt strenge Auflagen für sogenannte Hochrisiko-KI fest. Transparenz und Nachvollziehbarkeit sind dabei Kernforderungen. Viele KI-Systeme müssen künftig erklärbare Ergebnisse liefern, umfangreich dokumentiert sein und kontinuierlich auf Risiken überwacht werden. Eine Black-Box-KI gerät hier unmittelbar in Konflikt mit dem AI Act. Denn ein intransparentes System kann die Transparenzpflicht nicht erfüllen, es kann nicht nachweisen, dass es auf qualitativ hochwertigen, nicht diskriminierenden Daten beruht, und es lässt keine effektive Auditierung oder Überwachung zu. Entwickler, die keine Einsicht in die Funktionsweise ihres Modells geben können, würden außerdem gegen die Dokumentationspflichten verstoßen. Die Konsequenz: Solche Black-Box-Modelle wären nicht konform mit dem Gesetz und dürften in Hochrisiko-Bereichen nicht eingesetzt werden! Ein Krankenhaus etwa, das ein KI-Diagnosesystem verwendet, das seine Entscheidungen nicht erklären kann, würde gegen die Vorgaben verstoßen und müsste mit Konsequenzen rechnen.

Explainable AI (XAI) als Ausweg aus der Black Box

Um das Black-Box-Problem zu lösen, rückt Explainable AI (XAI), also erklärbare KI, in den Fokus. Darunter versteht man eine Sammlung von Methoden und Prozessen, die darauf abzielen, die Funktionsweise und Entscheidungslogik von KI-Modellen für Menschen verständlich zu machen. Statt undurchsichtiger Algorithmen erhalten Anwender nachvollziehbare Erklärungen dafür, wie ein Ergebnis zustande kam. Das ist nicht nur ein akademisches Nice-to-have, sondern aus mehreren Gründen von hoher praktischer Relevanz:

• Transparenz und Vertrauen: Indem KI-Systeme Einblick in ihre Entscheidungsgrundlagen gewähren, steigt das Vertrauen der Nutzer. In kritischen Bereichen wie dem Gesundheitswesen ist Vertrauen essenziell. Erklärbare KI schafft Akzeptanz, weil die Anwender die Entscheidungen der KI nachvollziehen können.
• Rechenschaftspflicht und Verantwortung: Wenn klar dargelegt wird, wie ein Modell zu seinem Resultat kommt, können Entwickler und Betreiber zur Verantwortung gezogen werden. Fehler oder Vorurteile im Training lassen sich aufdecken, was eine Accountability der KI-Systeme ermöglicht. So kann beispielsweise korrigiert werden, wenn ein Modell unbeabsichtigt diskriminierende Tendenzen aus Trainingsdaten übernommen hat.
• Bias-Erkennung und Fairness: XAI hilft aktiv dabei, Verzerrungen in Modellen zu erkennen. Durch transparente Entscheidungen können etwa diskriminierende Bias-Muster identifiziert und entfernt werden. Das fördert fairere KI-Systeme und ist aus ethischer Sicht wichtig.
• Rechtliche Compliance: Immer häufiger schreiben Gesetze und Regulierung erklärbare KI vor. Erklärbarkeit erfüllt regulatorische Anforderungen wie die EU-Datenschutzgrundverordnung (Recht auf Erklärung bei automatisierten Entscheidungen) oder branchenspezifische Vorschriften im Medizinsektor.
• Schnellere Fehlerbehebung: Nachvollziehbare KI-Systeme erleichtern das Auffinden von Problemen. Wenn ersichtlich ist, welcher Faktor zu einem falschen Output geführt hat, können Entwickler gezielt nachbessern. XAI steigert so die Qualität und Zuverlässigkeit von KI-Lösungen.
• Wissenstransfer: Interessanter Nebeneffekt – gut erklärte KI-Entscheidungen ermöglichen Experten, neue Erkenntnisse zu gewinnen. Aus den Modellerklärungen können Menschen lernen und ihr Domänenwissen erweitern, was wiederum der Verbesserung der KI dient.

Explainable AI soll KI-Systeme transparenter, vertrauenswürdiger und verantwortungsvoller machen. Sie ist der Schlüssel, um die Black-Box-Falle zu vermeiden und KI-Entscheidungen verständlich zu machen.

Methoden und Techniken der erklärbaren KI

Die XAI-Forschung hat zahlreiche Methoden hervorgebracht, um Blick in die „Black Box“ zu gewähren. Je nach Modelltyp und Anwendungsfall kommen verschiedene Ansätze zum Einsatz. Einige wichtige Techniken sind:

Lokale Surrogatmodelle (LIME): Local Interpretable Model-agnostic Explanations (LIME) ist eine beliebte Technik, um individuelle Vorhersagen zu erklären. LIME erzeugt um die jeweilige Vorhersage herum ein einfaches, interpretierbares Modell (z. B. ein kleines Entscheidungsbaum- oder Linearmodell), das das Verhalten der komplexen KI in diesem lokalen Bereich nachahmt. So kann man vereinfacht sehen, warum das große Modell in genau diesem Fall zu seiner Entscheidung kam.

SHAP-Werte: SHapley Additive exPlanations (SHAP) basieren auf spieltheoretischen Konzepten. Für jedes Merkmal wird ein Beitragswert berechnet, der angibt, wie stark dieses Feature die Vorhersage beeinflusst – positiv oder negativ.

Aufmerksamkeits-Maps: In neuronalen Netzen mit Attention-Mechanismen lässt sich visualisieren, auf welche Eingabeteile das Modell seine Aufmerksamkeit fokussiert hat. Bei Texten können so die Worte hervorgehoben werden, die für die Vorhersage maßgeblich waren. Diese Visualisierungen machen die internen Fokus-Punkte der KI greifbar.

Regel- und Entscheidungsbäume: Einige Methoden versuchen, aus komplexen Modellen Wenn-Dann-Regeln oder Entscheidungsbäume abzuleiten. Entscheidungsbäume sind an sich schon gut interpretierbar. Bei unübersichtlichen Modellen kann man mittels Rule Extraction einen Satz nachvollziehbarer Regeln gewinnen, der das Verhalten des Black-Box-Modells näherungsweise beschreibt.

Kontrafaktische Erklärungen: Ein zunehmend populärer Ansatz sind Counterfactual Explanations. Hierbei wird aufgezeigt, wie eine Entscheidung anders ausfallen würde, wenn bestimmte Eingabedaten geändert würden. Eine kontrafaktische Aussage erklärt, was minimal anders sein müsste, um ein anderes Resultat zu erhalten, was sehr intuitiv verständlich ist.

Herausforderungen bei der Umsetzung von XAI

So vielversprechend Explainable AI ist, in der Praxis gibt es auch Hürden und Zielkonflikte. Die wichtigsten Herausforderungen bei der Entwicklung erklärbarer KI sind:

Genauigkeit vs. Interpretierbarkeit: Häufig besteht ein Trade-off zwischen der Leistungsfähigkeit eines KI-Modells und seiner Erklärbarkeit. Die genauesten Modelle (z. B. tiefe neuronale Netze oder riesige Sprachmodelle) sind oft extrem komplex und schwer zu erklären. Umgekehrt sind einfachere, erklärbare Modelle manchmal weniger präzise.

Komplexität der Erklärungen: Eine Erklärung nützt nur, wenn die Adressatengruppe sie versteht. Technische Details, die für Data Scientists sinnvoll sind, können Endanwender überfordern. XAI muss also die Sprachebene anpassen. Von formalen, mathematischen Erklärungen bis hin zu verständlichen Alltagsmetaphern. Dieses Kommunikationsproblem ist anspruchsvoll, denn die gleiche KI-Ausgabe muss je nach Publikum unterschiedlich erläutert werden, ohne falsch oder trivial zu werden.

Rechenaufwand: Viele Erklärungsverfahren bringen zusätzlichen Overhead mit sich. Beispielsweise erfordert LIME das mehrfache Durchlaufen des Modells mit leicht veränderten Eingaben, SHAP berechnet vielfache Kombinationen von Features. Hier müssen XAI-Methoden noch effizienter werden, um das System nicht auszubremsen.

Angriffe auf Erklärsysteme: Ein oft übersehener Aspekt ist die Sicherheit von XAI-Systemen. Ironischerweise können zusätzliche Informationen, die eine Erklärung liefern, von Angreifern genutzt werden, um das KI-Modell anzugreifen oder zu manipulieren. So wäre es möglich, Erklärungen so zu beeinflussen, dass sie gezielt falsche Sicherheit vermitteln oder die KI zu fehlerhaften Schlussfolgerungen leiten. XAI-Methoden müssen daher selbst robust gegen Manipulation und derartige Eingaben sein.

Transparentere KI für die Zukunft

Explainable AI ist ein entscheidender Schritt, um KI-Systeme vertrauenswürdig, sicher und gesellschaftlich akzeptiert zu gestalten. Erklärbare KI verbindet technologische Innovation mit Transparenz und Verantwortlichkeit. Sie ermöglicht es, dass wir die Vorteile leistungsfähiger KI nutzen können, ohne im Unklaren darüber zu bleiben, wie und warum Entscheidungen getroffen wurden. In Zukunft wird XAI vermutlich noch an Bedeutung gewinnen. Regulierungen wie der EU AI Act machen Erklärbarkeit zur Pflicht für viele Anwendungen. Gleichzeitig erwarten Nutzer und die Gesellschaft zu Recht, dass KI fair und nachvollziehbar handelt. Dadurch erhöhen wir das Vertrauen in Künstliche Intelligenz, erfüllen gesetzliche Auflagen und sorgen dafür, dass KI letztlich dem Menschen rechenschaftspflichtig bleibt. Erklärbare KI ist somit der Schlüssel, um KI vollwertig zu nutzen, ohne dabei die Kontrolle aus der Hand zu geben.

Was bedeutet das konkret für Kliniken?

Für Krankenhäuser ist der Weg zur KI neben einer technischen Entscheidung auch ein strategischer Schritt, der weitreichende Konsequenzen für die gesamte Organisation mit sich bringt. Wer heute KI-Systeme einkauft, muss morgen auch deren Entscheidungen vertreten können. Gegenüber Patienten, Mitarbeitenden und Behörden. Mit dem EU AI Act wird deutlich, dass sich Beschaffungsprozesse nicht allein an Funktionen und Preisen orientieren können. Erklärbarkeit, Transparenz und Dokumentation werden zu zentralen Kriterien. Daher ist wichtig, vor der Einführung von KI genau zu prüfen, ob die jeweilige KI-Lösung diese Kriterien erfüllt.

Die Verantwortung endet auch nicht mit der Einführung des Systems. Schulung und Kommunikation werden unabdingbar in der KI-Nutzung. Mitarbeitende müssen nicht nur die Funktionsweise der Systeme verstehen, sondern auch deren Grenzen in der ärztlichen Versorgung, in der Pflege, im Controlling und in der IT kennen. Dabei erhöht eine frühzeitige Einbindung aller beteiligten Berufsgruppen nicht nur die Akzeptanz, sondern schafft auch ein gemeinsames Verständnis für Chancen und Risiken.

Ebenso wichtig ist ein klares Governance-Modell. Kliniken sollten festlegen, wer für die Auswahl, Prüfung, Integration und laufende Überwachung von KI-Systemen zuständig ist.

Letztendlich ist es nicht einfach, KI im Krankenhaus einzuführen und es muss auf einige Aspekte geachtet werden. Wer dabei aber gezielt und strukturiert vorgeht, kann langfristig von den Vorteilen von KI profitieren und seinem Krankenhaus einen deutlichen Mehrwert und Wettbewerbsvorteil verschaffen.

Die Krankenhausreform 2025 markiert einen der größten Umbrüche im deutschen Kliniksektor seit Einführung der DRGs. Sie soll eine „Entökonomisierung“ bewirken und die Qualität der Versorgung erhöhen. Kern des Reformpakets – verankert im Krankenhausversorgungsverbesserungsgesetz (KHVVG) – ist der Übergang weg vom reinen DRG-Fallpauschalensystem hin zu einem hybriden Vergütungssystem mit Vorhaltefinanzierung und Leistungsgruppen. Laut dem Bundesministerium für Gesundheit erhalten notwendige Krankenhäuser künftig eine Art Existenzgrundlage durch Vorhaltepauschalen, sodass auch Kliniken mit weniger Fällen weiterbestehen können. Gleichzeitig werden rund 60–65 Leistungsgruppen (LGs) eingeführt. Das sind klar definierte Bündel medizinischer Leistungen mit bundesweiten Qualitäts- und Strukturkriterien. Bis Ende 2026 müssen die Bundesländer jedem Krankenhaus bestimmte LGs zuteilen, was die zugelassenen Tätigkeitsfelder der Klinik festlegt. Nur Kliniken, die die anspruchsvollen Mindestanforderungen (z.B. Personal, Fallzahlen, Ausstattung) der jeweiligen Leistungsgruppe erfüllen, dürfen diese Leistungen anbieten. Dieses Qualitätsprinzip soll komplexe Behandlungen an spezialisierten Zentren konzentrieren und die Versorgungssicherheit heben, birgt aber die Gefahr, dass kleinere Häuser Leistungen verlieren und sogar schließen müssen, wenn sie Kriterien nicht erfüllen. Insgesamt sollen Qualität und bedarfsgerechte Struktur klar vor Wachstum um jeden Preis stehen. Der ehemalige Gesundheitsminister Lauterbach warnte, ohne Reform müssten sonst bis 2030 ~25% der Kliniken insolvenzbedingt schließen.

Digitalisierung und IT-Infrastruktur

Die Reform begreift die digitale Transformation als Herzstück und Motor ihrer Ziele und anders als das KHZG (Krankenhauszukunftsgesetz), das befristete Einzelförderungen für z.B. Patientenportale oder digitale Geräte bot, fordert das KHVVG nun ganzheitliche Digitalisierungskonzepte als Voraussetzung für Fördermittel. Krankenhäuser müssen ihre IT-Infrastruktur modernisieren und interoperabel ausrichten, um Effizienzsteigerung, bessere Vernetzung und Entlastung des Personals zu erreichen. Künftig verlangt die sektorenübergreifende Versorgung einen reibungslosen Datenaustausch zwischen Kliniken und Ambulanten z.B. via elektronischer Patientenakte (ePA), Telemedizin-Plattformen und Cloud-Lösungen. Eine leistungsfähige IT-Infrastruktur ist dafür das Fundament und Insellösungen müssen abgebaut werden. Entsprechend sind umfassende Investitionen in Netzwerke, Hardware und Software unumgänglich. Cloud-Services und SaaS gewinnen an Bedeutung, da sie standortübergreifende Kollaboration erleichtern und skalierbar sowie sicher betrieben werden können.

Außerdem steigen mit der Vernetzung die Anforderungen an die Cybersicherheit erheblich, da Vorgaben aus IT-Sicherheitsgesetz, DSGVO und NIS2 eingehalten werden müssen. Ausfälle durch Cyberangriffe können im schlimmsten Fall sogar lebensbedrohlich für Patienten sein, weshalb IT-Security in Kliniken immer wichtiger wird. Kurz: Die Reform zwingt Kliniken, digitale Schwachstellen proaktiv anzugehen. IT-Leitungen sind gefordert, Resilienz-Checks durchzuführen und Strategien zu entwickeln, wie sie Förderprogramme gezielt nutzen, um Lücken zu schließen. Digitalprojekte müssen in ein holistisches Digitalisierungskonzept eingebettet werden. Das betrifft auch die Personalentwicklung, denn Mitarbeiter brauchen Schulungen im Umgang mit neuen Systemen, damit die Akzeptanz steigt und digitale Tools im Alltag wirklich genutzt werden.

Leistungsgruppen und neue Qualitätsvorgaben

Die ~60 Leistungsgruppen (z.B. Allgemeine Innere Medizin, Geburtshilfe, Herzchirurgie etc.) bringen ein völlig neues Planungsinstrument in die Krankenhauslandschaft. Sie ersetzen die bisherigen Fachabteilungsbegriffe durch bundesweit einheitliche Kategorien mit klaren Qualitätskriterien und Mindestmengen. Ein vom BMG eingesetzter Leistungsgruppen-Ausschuss erarbeitet laufend Empfehlungen zu diesen Kriterien. Die Länder müssen jedem Krankenhaus genau definieren, für welche Leistungsgruppen es autorisiert ist. In der Praxis erfordert das von jedem Haus eine kritische Portfolio-Analyse: Wo erfüllen wir die Voraussetzungen (z.B. genügend Fachpersonal, 24/7-Bereitschaften, Mindestfallzahlen) und wo nicht? Viele Krankenhäuser müssen ihr Leistungsspektrum anpassen, ggf. freiwillig auf bestimmte Leistungen verzichten oder Kooperationen eingehen, um Qualitätsvorgaben zu erfüllen. Solche Entscheidungen zwingen Häuser dazu, entsprechende Abteilungen zu schließen oder Patienten in andere Kliniken zu verweisen.

Im Gegenzug sollen spezialisierte Zentren gestärkt werden, indem komplexe Eingriffe dort gebündelt bessere Ergebnisse erzielen. Das erfordert allerdings ein fein abgestimmtes regionales Netzwerk, damit Patienten trotzdem wohnortnah versorgt werden. Die Reform fördert deshalb neue sektorenübergreifende Versorgungszentren (SüV), in denen z.B. ein Grundversorger Krankenhaus zusätzlich ambulante OPs, Kurzzeit- und Übergangspflege anbietet. Solche Umwandlungen entscheiden die Bundesländer. Sie können Kliniken zu Hybridstrukturen weiterentwickeln, um die Basisversorgung vor Ort zu sichern. Dieser Aspekt kommt vor allem ländlichen Regionen zugute, wo viele kleine Häuser existieren.

Datenmeldungen und Transparenzpflichten

Mit der Reform steigt der bürokratische Aufwand in puncto Datenlieferungen deutlich, denn Krankenhäuser müssen künftig noch mehr Daten erfassen und melden, oft ohne erkennbaren Nutzen im Klinikalltag, wie der Geschäftsbereichsleiter Digitalisierung & eHealth der DKG kritisiert. So wurde z.B. entschieden, für den neuen Bundes-Klinik-Atlas quartalsweise zusätzliche Leistungs- und Qualitätsdaten jedes Krankenhauses an das InEK zu übermitteln. Dieser “Krankenhausatlas” (online seit Mai 2024) veröffentlicht für Patienten verständlich, welche Klinik welche Leistungen in welcher Qualität anbietet, inklusive Indikatoren wie personelle Ausstattung. Zwar stärkt das die Transparenz für die Öffentlichkeit, bedeutet für die IT-Abteilungen aber, neue Datenströme aufzusetzen und Datensätze aufzubereiten. Viele Infos (z.B. Zuordnung von Personal zu Fachabteilung je Standort, Zuordnung von Personal zu Leistungsgruppen) müssen außerdem Quartalsweise ans InEK übermittelt werden, was Krankenhäuser zum Teil vor erhebliche Herausforderungen stellt. Die Reform hat somit eine paradoxe Doppelwirkung: Einerseits will sie Bürokratie abbauen, andererseits entstehen neue Bürokratiepflichten im Datenmanagement. Markus Holzbrecher-Morys von der DKG bemängelt, es sei versäumt worden zu schauen, wo Digitalisierung wirklich entlasten könnte, statt immer neue Meldewege aufzubauen. Für die Kliniken bedeutet das, dass IT- und Controlling-Teams noch enger zusammenarbeiten müssen, um die wachsenden Reporting-Anforderungen (Qualitätsberichte, Personalnachweise pro LG etc.) fristgerecht und korrekt zu bedienen.

Finanzierung und Transformationsfonds

Finanziell wird die Reform durch einen Transformationsfonds von beispiellosem Umfang gestützt. Bund und Länder stellen über 10 Jahre insgesamt 50 Mrd. € bereit. Dieser Fonds fördert Reformprojekte in acht Kategorien (sog. Fördertatbestände). Dazu zählen z.B. die Konzentration akutstationärer Versorgungskapazitäten, Umstrukturierung zu sektorenübergreifenden Gesundheitszentren, Aufbau telemedizinischer Netzwerke und Telechirurgie, Einrichtung spezialisierter Zentren an Unikliniken für komplexe Erkrankungen, oder integrierte Notfallversorgungsstrukturen. Sogar förderfähig ist die dauerhafte Schließung von Krankenhäusern, inkl. Rückbau- und Personalmaßnahmen, wenn dies regional sinnvoll ist. Ebenso der Ausbau von Pflegeschulen zur Fachkräftesicherung. Wichtig hier ist, dass Fördergelder nur für nachhaltige Transformationsprojekte fließen, nicht für laufende Betriebskosten. Kliniken müssen belastbar darlegen, wie ein Projekt die Versorgungsstrukturen im Sinne der Reform verbessert.

Gleichzeitig setzt die Reform mit der Vorhaltefinanzierung ab 2026 auf eine neue Vergütungslogik: 40% der Klinikvergütung sollen als Sockelbetrag für vorgehaltene Kapazitäten fließen, unabhängig von Fallzahlen. Innerhalb eines Korridors von ±20% Fallzahländerung bleibt dieser Anteil konstant, was Planbarkeit schaffen soll. Vorteile des Modells sind geringerer ökonomischer Mengendruck und Förderung von Spezialisierung, Nachteile könnten mehr Verwaltungsaufwand und das Risiko einer Leistungsrationierung (falls Fälle die Korridor-Obergrenze überschreiten und unbezahlte Mehrleistungen erbracht werden) sein. Zusätzlich plant die Reform Hybrid-DRGs auszuweiten, um ambulante Fälle zu fördern: Ab 2026 müssen mindestens 1 Mio. Fälle ambulant abgerechnet werden, steigend auf 2 Mio. bis 2030. Dies soll die Ambulantisierung voranbringen, wird aber für Kliniken eine Umstellung bedeuten. Überdies sind ab 2027 weitere 800 Mio. € jährlich für gezielte Förderungen von bestimmten Einrichtungen, bestimmten Fachbereichen, Notfallstufen-Aufstockung und Anpassungen der Landesbasisfallwerte vorgesehen.

Umsetzung und Zeitplan

Die Reform wird schrittweise Realität und einige Elemente sind bereits in Kraft: Das KHVVG trat am 1.1.2025 in Kraft, ebenso das Krankenhaustransparenzgesetz und die KHTFV (Förder-Verordnung für den Transformationsfonds). Der Leistungsgruppen-Ausschuss arbeitet seit Januar 2025. Seit 1.7.2025 können Förderanträge für Strukturprojekte gestellt werden. Die entscheidende Phase wird aber ab 2026/27 beginnen: Dann greift die Vorhaltefinanzierung (40% Budgetumstellung), die Bundesländer müssen bis Ende 2026 die LG-Zuweisungen abschließen, und ab 2027 gelten neue Finanzierungs- und Notfallregeln. Die Notfallversorgung selbst wird durch ein geplantes Notfallzentren-Gesetz NotfallG neu geordnet (Einführung Integrierter Notfallzentren an Kliniken).

Für Kliniken bedeutet die Krankenhausreform strategische Planung, Antragstellung, Umbau und ggf. Zusammenschlüsse müssen parallel zum laufenden Betrieb gestemmt werden. Bereits jetzt zeigt sich, dass weitere Anpassungen nötig sind, um Praxisprobleme zu lösen. Die neue Bundesgesundheitsministerin Nina Warken spricht davon, an der Reform nachzusteuern, wo es nötig ist. Trotz allem Zeitdruck ist eine sorgfältige Umsetzung entscheidend. Übereilte Schließungen oder unkoordinierte Veränderungen könnten sonst die Versorgung gefährden.

Chancen, Risiken und offene Fragen

Für große Maximalversorger und Spezialkliniken bietet die Reform erhebliche Chancen. Sie können ihre Rolle als Zentren ausbauen, von der Konzentration komplexer Fälle profitieren und über den Transformationsfonds großzügige Mittel erhalten. Durch Kooperationen mit umliegenden Häusern können sie zum Anker regionaler Netzwerke werden. Allerdings stehen auch sie vor Herausforderungen: Die neuen Qualitätsvorgaben erfordern mehr Fachpersonal und Investitionen in Prozesse, was in Zeiten des Fachkräftemangels nicht trivial ist. Zudem erhöht die Transparenz (z.B. Vergleichsportale) den Wettbewerb um Patienten und Personal.

Mittelgroße Krankenhäuser müssen strategisch klug navigieren. Viele werden sich spezialisieren oder Leistungsportfolio reduzieren müssen, um die Anforderungen ihrer Kern-LGs zu erfüllen. Sie könnten vermehrt Schwerpunkte bilden (etwa ein Haus fokussiert sich auf Orthopädie, ein anderes Kardiologie in der Region). Kooperationen und Verbünde werden für diese Häuser essenziell – gemeinsam lässt sich etwa ein 24/7-Bereitschaftsdienst eher absichern als allein. Das stellt neue Anforderungen an IT (Verbundsysteme, gemeinsame Telekonsile etc.) und Governance. Ein Risiko ist, dass mittlere Häuser im Übergang Einnahmen verlieren, wenn bestimmte lukrative Leistungen wegfallen.

Kleine Grund- und Regelversorger in ländlichen Gebieten sollen durch die Reform eigentlich geschützt werden (Stichwort flächendeckende Versorgung). Sie erhalten über Vorhaltebudgets eine Grundfinanzierung, auch wenn Fallzahlen sinken. Zudem können sie sich zu Gesundheitszentren wandeln, die etwa Notfallversorgung, interne Medizin und ambulante Angebote bündeln. Doch es bleiben Risiken. Wenn die Vorhaltefinanzierung keine zusätzlichen Gelder bringt, könnten auch kleine Häuser finanziell weiter unter Druck stehen. Müssen sie Leistungen wie Geburtshilfe oder Chirurgie aufgeben, weil sie die Kriterien nicht erfüllen, könnte das Image leiden und Patienten abwandern. Offene Fragen sind, wie die Bevölkerung solche Veränderungen annimmt. Schließt „das kleine Krankenhaus nebenan“, kann das zunächst Widerstand erzeugen. Außerdem muss politisch begleitet werden, dass Notfall- und Grundversorgung überall erreichbar bleiben. Auch steht zur Diskussion, wie Haftung und Verantwortung verteilt werden, wenn mehrere Häuser im Verbund Versorgung leisten. Hier könnten neue Modelle nötig sein.

Was jetzt?

Die Krankenhausreform 2025 bringt für Klinik-Entscheider eine Fülle strategischer Implikationen. Sie erzwingt Modernisierung insbesondere in Digitalisierung und IT, die als Enabler für Vernetzung, Qualitätstransparenz und Effizienz dienen. Sie eröffnet Chancen auf Fördermittel in nie dagewesener Höhe, verlangt aber vorausschauende Planung und Kooperation. Gerade hier muss identifiziert werden, wo aktuelle Schwachstellen liegen und wie der Fonds für das eigene Haus genutzt werden kann. Gleichzeitig erhöht sie den Regulierungsdruck, denn starre Qualitätsvorgaben und Meldepflichten fordern den Einrichtungen organisatorisch viel ab. Große Häuser können gestärkt hervorgehen, während kleinere kreativ ihre Rolle neu definieren müssen, um im neuen System zu bestehen. Erfolgreich wird die Reform aus Sicht der Krankenhäuser nur sein, wenn neben Struktur und Qualität auch die Finanzierung nachhaltig gesichert wird und digitale Innovation tatsächlich Bürokratie abbaut statt erzeugt.

Wenn in Krankenhäusern über Künstliche Intelligenz (KI) gesprochen wird, denken viele zuerst an technische Fragen: Welches System eignet sich? Welche Daten braucht es? Wie funktioniert die Integration in bestehende IT-Systeme? Aber ebenso wichtig ist es, KI im Krankenhaus zu organisieren. Technische Fragen sind zweifellos zentrale Themen, aber sie greifen zu kurz. Denn jedes KI-Projekt ist immer auch ein Organisationsprojekt.

Warum Technik allein nicht reicht

Ein KI-System kann noch so leistungsfähig sein, aber wenn niemand festgelegt hat, wer es betreut, wer die Ergebnisse prüft oder wie es in die täglichen Abläufe eingebunden wird, bleibt der Nutzen gering. Mit einem vielversprechenden Tool zu starten, nur um dann festzustellen, dass es nicht konsequent genutzt wird oder dass Unklarheit darüber herrscht, wie mit den Ergebnissen umzugehen ist, ist ineffizient.
Beispiel: Eine KI, die Rechnungen automatisch prüft, entlastet nur dann, wenn klar geregelt ist, wer bei Abweichungen entscheidet und wie die Ergebnisse dokumentiert werden. Fehlt diese Abstimmung, kommt es schnell zu Doppelarbeit oder die KI bleibt ungenutzt.

Rollen, Verantwortung und Entscheidungswege

Eine weitere zentrale Frage lautet: Wer trägt Verantwortung? In Krankenhäusern sind oft verschiedene Akteure beteiligt, von der IT, Verwaltung, Datenschutz, bis zu Fachabteilungen. Ohne klare Zuweisung von Zuständigkeiten entstehen Reibungsverluste, deshalb ist Transparenz hier entscheidend. Ein möglicher Ansatz sind KI-Gremien oder Steuerkreise, die regelmäßig über Projekte beraten, Entscheidungen bündeln und für Verbindlichkeit sorgen.
Das macht nicht nur Abläufe klarer, sondern gibt auch den Mitarbeitenden Sicherheit. Denn wenn nachvollziehbar ist, wer entscheidet und welche Prozesse gelten, steigt die Akzeptanz und gerade in sensiblen Bereichen schafft das Vertrauen.

Veränderung von Abläufen – Chancen und Widerstände

Die Einführung einer KI-Lösung bedeutet: Routinen werden automatisiert, Aufgaben verschieben sich, Rollen werden neu verteilt. Das sorgt zwar für Effizienz, kann aber auch Unsicherheiten auslösen, da sich der Arbeitsalltag verändert. „Macht die KI meinen Job überflüssig?“ oder „Verändert sich meine tägliche Arbeit?“ sind Fragen, die immer wieder auftauchen.
Hier ist Changemanagement gefragt. Mitarbeitende müssen verstehen, warum KI eingeführt wird, welchen Nutzen sie bringt und wie sich ihre Arbeit dadurch verändert. Dabei können Schulungen, Workshops und offene Kommunikation unterstützen. Denn nur wenn Akzeptanz entsteht, lässt sich die Technologie nachhaltig nutzen.

Standardisierung und Projektstrukturen

KI-Projekte sind komplex, aber sie lassen sich vereinfachen, wenn einheitliche Vorgehensweisen etabliert werden. Das beginnt bei Vorlagen für Projektpläne, reicht über klare Dokumentationspflichten bis hin zu standardisierten Prüfprozessen für Ergebnisse.
Gerade in großen Häusern laufen oft mehrere Digitalisierungsprojekte parallel. Wenn jedes Team eigene Wege geht, entstehen Ineffizienzen und Doppelarbeit. Standardisierte Strukturen dagegen ermöglichen Synergien, machen Erfolge vergleichbar und sichern Qualität.

Prozessanpassungen und Schnittstellen

Neben der Organisation müssen auch Abläufe im Veränderungsprozess berücksichtigt werden. Bestehende Prozesse müssen analysiert und, wenn nötig, verändert werden. Ein klassisches Beispiel: Eine KI-Lösung zur Dienstplanerstellung bringt wenig, wenn die dafür notwendigen Daten zu Personalverfügbarkeiten oder Qualifikationen gar nicht digital vorliegen oder an verschiedenen Stellen erfasst werden.
Das bedeutet: Schnittstellen zu Systemen und Daten sind ebenso wichtig wie klare Regeln für die Zusammenarbeit. Fehlen sie, entstehen Insellösungen und die Wirkung von KI bleibt begrenzt.

Organisatorische Hürden erkennen

Unter organisatorische Hürden fallen beispielsweise Ressourcenknappheit, unklare Verantwortlichkeiten oder Unsicherheit bei der Bewertung von Ergebnissen. Sensibilisierung und transparente Kommunikation helfen, potenzielle Stolpersteine zu erkennen, bevor sie zum Problem werden.
Hier könnte eine frühzeitige Analyse unterstützen, die nicht nur technische Voraussetzungen, sondern auch organisatorische Rahmenbedingungen prüft. Dabei wird klar: Wo stehen wir? Welche Rollen sind schon definiert? Wo braucht es zusätzliche Abstimmungen?

Organisation ist der Schlüssel

KI im Krankenhaus einzuführen, ist kein Thema, das nur die IT betrifft. Es ist ein Organisationsprojekt, das klare Strukturen, Verantwortlichkeiten und Kommunikation erfordert. Technik liefert zwar die Basis, aber erst die organisatorische Verankerung entscheidet über den Erfolg und den langfristigen Nutzen.
Oder anders gesagt: Wer KI einführt, ohne die Organisation und Veränderung von Beginn an zu berücksichtigen, riskiert Fehlinvestitionen und die Vorteile, die KI mit sich bringen soll, bleiben aus. Wer dagegen Strukturen schafft und Mitarbeitende einbindet, legt die Grundlage dafür, dass KI nicht nur Pilot bleibt, sondern fester Bestandteil des Klinikalltags wird.

KI im Krankenhaus erfolgreich einzuführen, bedeutet mehr als nur zu kaufen und zu installieren. Vielmehr entscheidend ist ein strukturierter Prozess, der sicherstellt, dass die Technologie echten Mehrwert schafft. Die Einführung von KI lässt sich in fünf zentrale Schritte gliedern, die wie eine Roadmap funktionieren und Orientierung geben.

1. IST-Analyse: Ausgangslage verstehen

Am Anfang steht eine Bestandsaufnahme. Dabei gilt es zu definieren: Welche Prozesse gibt es bereits, wie laufen sie ab, welche Systeme und Daten werden genutzt? Eine solche Analyse schafft Transparenz darüber, wo die größten Herausforderungen liegen. Ohne dieses Verständnis ist es kaum möglich, passende Lösungen zu entwickeln oder im Krankenhaus zu implementieren. Typische Fragen sind: Wo entstehen Engpässe? Welche Tätigkeiten sind zeitaufwändig oder fehleranfällig? Und welche Daten liegen überhaupt vor, in welcher Qualität und in welchem Format?
Gerade im Krankenhaus ist diese Phase besonders wichtig, weil IT-Systeme häufig historisch gewachsen und entsprechend komplex sind. Wer hier gleich zu Anfang sauber analysiert, schafft die Basis für fundierte Entscheidungen im weiteren Projektverlauf.

2. Konzept: Nutzen klar beschreiben

Auf die Analyse folgt die konzeptionelle Arbeit, wobei eine Problemstellung oder ein Verbesserungspotenzial beschrieben und eine erste Nutzenhypothese formuliert wird. Es reicht nicht zu sagen „Wir wollen KI nutzen“. Es braucht eine klare Hypothese: Welches konkrete Problem soll im Krankenhaus durch KI gelöst werden und welchen Mehrwert bringt das? Das macht ein gutes Konzept aus.
Beispiel: Statt allgemein „Wir wollen den Dokumentationsaufwand reduzieren“ zu sagen, könnte die Hypothese lauten: „Durch eine KI-gestützte Spracherkennung lässt sich die Zeit für Arztbriefe um 30 % verkürzen.“ Solche Hypothesen machen das Projekt greifbar und ermöglichen es, später den tatsächlichen Nutzen zu überprüfen.

3. Ausarbeitung: Lösungen konkretisieren

Im nächsten Schritt werden erste Lösungsansätze geprüft und konkretisiert. Das heißt: Welche Technologien gibt es am Markt? Welche Anbieter kommen infrage? Wie ließe sich die Lösung technisch und organisatorisch umsetzen?
Wichtig ist hier auch die Abstimmung mit IT, Datenschutz und Rechtsabteilung. Gerade bei KI spielen Fragen des Datenschutzes, der Datenqualität und der Anschlussfähigkeit an bestehende Systeme eine zentrale Rolle. Je früher diese Themen berücksichtigt werden, desto reibungsloser lässt sich das Projekt später umsetzen.

4. Changemanagement: Beteiligte einbinden

Kein KI-Projekt funktioniert langfristig, wenn es nur „von oben“ beschlossen wird. Mitarbeitende müssen verstehen, warum Veränderungen notwendig sind, welchen Beitrag KI leisten soll und wie sich ihre Arbeit dadurch verändert. Deshalb ist es wichtig, schon frühzeitig Beteiligte einzubinden, zu schulen und eine offene Kommunikation zu führen.
Changemanagement bedeutet dabei auch, Widerstände gegen die Veränderung ernst zu nehmen und aktiv mit Unsicherheiten umzugehen. Nur so lassen sich Akzeptanz schaffen und die Chancen nutzen, die in der Technologie stecken.

5. Ziel & Umsetzung: vom Plan zur Realität

Am Ende steht die konkrete Umsetzung: der Start eines Piloten oder die Einführung einer Lösung im Alltag. Hier ist wichtig, mit klar umrissenen Projekten zu beginnen, die schnell sichtbaren Nutzen bringen. Pilotprojekte reduzieren Risiken, sammeln Erfahrungen und schaffen Vertrauen. Erst wenn hier positive Ergebnisse erzielt werden, lohnt es sich, die Lösung auszurollen und auf weitere Bereiche auszuweiten.

Warum sich der strukturierte Weg lohnt

KI-Projekte sollten einer klaren Struktur folgen, denn jeder Schritt baut auf dem vorherigen auf – von der Analyse über das Konzept bis hin zur Umsetzung. Für Krankenhäuser bedeutet das: Wer diesen Weg strukturiert geht, verringert die Gefahr von Fehlinvestitionen und erhöht die Chance, dass KI nicht nur Pilotprojekt bleibt, sondern dauerhaft in den Alltag integriert wird.
Am Ende geht es neben der Technologie an sich auch darum, Vertrauen bei den Mitarbeitenden, bei den Verantwortlichen und letztlich auch bei den Patienten zu schaffen. Damit KI wirklich helfen kann, braucht es eine solide Grundlage, klare Strukturen und den Mut, den Weg Schritt für Schritt zu gehen.

Künstliche Intelligenz wird im Krankenhaus häufig mit Diagnostik und Therapie verbunden und mit Bildanalyse, Entscheidungsunterstützung oder personalisierter Medizin verknüpft. Doch ein mindestens ebenso relevantes Feld liegt in administrativen und organisatorischen Prozessen. Hier entstehen täglich immense Aufwände für Dokumentation, Planung, Abrechnung und Logistik. Wer die Realität in deutschen Krankenhäusern kennt, weiß: Ärzte und Pflegekräfte verbringen mehrere Stunden am Tag mit administrativen Tätigkeiten und füllen beispielsweise Formulare aus statt Zeit am Patienten zu haben. Gleichzeitig stehen Krankenhäuser unter steigendem Kostendruck bei gleichzeitig knappen Ressourcen. Genau hier kann KI einen entscheidenden Unterschied machen. 

Warum gerade betriebliche Prozesse ein ideales Feld für KI sind

Betriebliche Prozesse sind geprägt von Routinen, sich wiederholenden Entscheidungen und der Verarbeitung großer Datenmengen. Dienstpläne müssen erstellt, Material bestellt, Abrechnungen geprüft und Dokumentationen verfasst werden. All das sind Aufgaben, die sich hervorragend für intelligente Automatisierung eignen, denn KI kann hier Daten analysieren, Muster erkennen und Abläufe so steuern, dass Personal entlastet und Fehler reduziert werden. Das ist ein Bereich, in dem Krankenhäuser vergleichsweise schnell starten können. Denn während KI in der Diagnostik oder Therapie strengeren regulatorischen Anforderungen wie der Medizinprodukteverordnung (MDR) unterliegen, gilt das für Verwaltungsanwendungen in der Regel nicht. Systeme für Abrechnung, Personalplanung oder Logistik sind normalerweise keine Medizinprodukte. Das macht sie einfacher, schneller und mit weniger Risiko einsetzbar. Für Krankenhäuser bietet sich hier die Chance, mit KI für Entlastung und Effizienzsteigerung im Alltag zu sorgen.

Anwendungsfelder mit hohem Nutzen

Die Potenziale und Einsatzfelder von KI für nicht-medizinische Prozesse im Krankenhaus sind ebenso vielfältig wie die betrieblichen Prozesse im Krankenhaus.

In der Personalplanung können KI-Systeme Schichtpläne automatisch erstellen und dabei Verfügbarkeiten, Qualifikationen und gesetzliche Vorgaben berücksichtigen. Damit werden nicht nur Führungskräfte entlastet, sondern auch Konflikte im Team reduziert, weil die Planung transparenter und fairer abläuft. Im Einkauf analysieren Algorithmen Verbrauchsdaten, prognostizieren Bedarfe und schlagen automatisch Alternativen vor. So lassen sich Lieferketten stabilisieren, Kosten senken und Engpässe vermeiden. In der Finanzbuchhaltung wiederum reduzieren KI-Systeme Fehler, beschleunigen Prozesse und liefern Entscheidungsgrundlagen für die Geschäftsführung.

Auch im Medizincontrolling unterstützen KI-Lösungen die automatisierte Codierung und Abrechnung. Sie erkennen Fehler frühzeitig, reduzieren Erlösausfälle und beschleunigen den gesamten Prozess. Das entlastet Fachkräfte, die sich bislang mühsam durch komplexe Kodierregeln arbeiten mussten. Projekte wie die „Eingabefreie Station“ des Fraunhofer IML zeigen zudem, wie Pflegetätigkeiten mithilfe von Sensorik und KI automatisch erfasst und dokumentiert werden können. Das ist ein Ansatz, der Pflegepersonal massiv entlastet und die Qualität der Dokumentation verbessert.

Auch die Logistik ist ein Paradebeispiel für den Einsatz von KI. In vielen Kliniken verbringen Pflegekräfte immer noch Zeit damit, Materialbestände zu kontrollieren oder Transporte zu organisieren. Intelligente Systeme wie KI-gestützte Materialschränke oder Transportroboter nehmen diese Aufgaben ab. Dabei überwachen sie Bestände, lösen automatisch Bestellungen aus oder übernehmen interne Fahrten zwischen Stationen und Funktionsbereichen. Fraunhofer IML zeigt eindrücklich, wie groß hier das Potenzial ist.

Auch im Bereich der Dokumentation eröffnen sich spürbare Chancen. Sprach- und Texterkennung können Arzt-Patienten-Gespräche mitschneiden, strukturieren und direkt in die elektronische Patientenakte übertragen. Generative KI liefert Formulierungsvorschläge für Entlassungsberichte oder Pflegeprotokolle. Das spart Zeit, erhöht die Konsistenz und sorgt dafür, dass Dokumentationen vollständiger werden. Ergänzend können Chatbots in der Patientenaufnahme oder im Service einfache Anfragen übernehmen, Termine koordinieren und Informationen bereitstellen.

Bestehende Hürden

Natürlich bringt auch die Einführung von KI für nicht-medizinische Prozesse im Krankenhaus Herausforderungen mit sich, auch wenn sie nicht als Medizinprodukte gelten. Datenschutz und IT-Sicherheit muss gewährleistet sein und Systeme müssen so konzipiert sein, dass sensible Daten geschützt bleiben und nur autorisierte Zugriffe möglich sind. Ebenso entscheidend ist die Akzeptanz des Personals. Empfehlenswert ist hier, auf transparente Kommunikation, frühe Einbindung und gezielte Schulungen zu setzen. Schließlich ist auch die technische Integration eine Hürde, da viele Kliniken mit heterogenen IT-Landschaften arbeiten, in denen Schnittstellen und Interoperabilität fehlen. Ob eine KI-Lösung funktioniert, entscheidet sich daher oft weniger an ihrer Leistungsfähigkeit als an ihrer Anschlussfähigkeit an bestehende Systeme.

Und natürlich macht die Vielfalt an Einsatzmöglichkeiten in nicht-medizinischen Prozessen es nicht gerade leicht, sich für einige wenige KI-Anwendungen zu entscheiden. Klar ist, dass nicht gleich in allen betrieblichen Prozessen KI eingesetzt werden kann. Die Einführung von KI muss Sinn machen und ist individuell. Hier ist wichtig, nicht nur nach Interesse an einer bestimmten Anwendung zu agieren, sondern im Vorfeld sinnvolle Use Cases zu identifizieren, die wirklichen Mehrwert haben. Eine übergeordnete KI-Strategie eines Krankenhauses hilft dabei, Orientierung zu geben und Prioritäten zu setzen.

Mehr Zeit für das Wesentliche durch KI

Grundsätzlich sind diese Herausforderungen machbar und die Chancen überwiegen. KI in administrativen und organisatorischen Abläufen entlastet Fachkräfte von Routinen, senkt Kosten, beschleunigt Abläufe und schafft neue Freiräume für die Versorgung. Vor allem aber ist sie schneller und unkomplizierter einzuführen als klinische KI-Systeme, weil sie nicht den regulatorischen Hürden eines Medizinprodukts unterliegt. Gerade dieser Unterschied macht sie zu einem idealen Einstiegsfeld, denn sie ermöglicht schnell sichtbare Erfolge, ist vergleichsweise risikoarm und schafft Vertrauen in die Technologie.

Wer jetzt in „Verwaltungs-KI“ investiert, gewinnt doppelt. Denn einerseits reduziert sich die tägliche Belastung durch Bürokratie und ineffiziente Prozesse. Andererseits schaffen Krankenhäuser eine Basis, auf der sie später auch komplexere KI-Anwendungen im medizinischen Bereich erfolgreich einführen können.

Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie für die Zukunft der Gesundheitsversorgung, denn sie unterstützt Diagnostik, Prognosen und Patientenmanagement. Und sie hat das Potenzial, die Effizienz von Arbeitsprozessen zu erhöhen. Mittlerweile gibt es eine Vielzahl an KI-Modellen, aber im Vergleich dazu sind bisher nur wenige KI-Anwendungen in Krankenhäusern im Einsatz. Das ist mitunter dem fehlenden Vertrauen in diese „neue“ Technologie geschuldet. Bias in den Daten, intransparente Algorithmen, offene Datenschutz-Fragen und unklare Verantwortlichkeiten sind Gründe dafür, wieso der Großteil noch nicht auf KI-Einsatz vertraut. Und das mit Recht, denn eine fehlerhafte Empfehlung einer KI oder ein Datenleck könnte ernsthafte Konsequenzen nach sich ziehen und das Vertrauen von Klinikpersonal und Patienten dauerhaft beeinträchtigen. Hier kommt das Thema Governance ins Spiel. Denn durch die richtige Governance wird KI im Krankenhaus nachhaltig und sicher.

Warum KI-Governance?

Künstliche Intelligenz kann für Krankenhäuser enorme Chancen eröffnen, gleichzeitig aber auch erhebliche Gefahren mit sich bringen, wenn sie ohne klare Regeln eingesetzt wird.  Selbst Systeme, die in Studien beeindruckende Ergebnisse zeigen, können sich im klinischen Alltag anders auswirken. Daten verändern sich, Modelle verlieren an Genauigkeit, und wenn sie niemand systematisch überprüft, können Fehler unbemerkt bleiben und sich in die Routine einschleichen. Die Folge können falsche Diagnosen oder Behandlungsempfehlungen sein, die zu einem Risiko werden.

Noch gravierender sind die Risiken, die aus verzerrten Daten entstehen. Wenn eine KI auf einer nicht repräsentativen Basis trainiert wird, spiegelt sie bestehende Ungleichheiten wider und verstärkt diese sogar. Für ein Krankenhaus bedeutet das, dass bestimmte Patientengruppen schlechtere Chancen auf eine richtige Diagnose oder eine passende Behandlung haben. Solche systematischen Verzerrungen sind nicht nur ein ethisches Problem, sie bedrohen auch unmittelbar die Qualität und Fairness der Versorgung.

Ein weiteres Feld, in dem fehlende Governance gefährlich wird, ist der Umgang mit Patientendaten. Denn gesundheitliche Informationen gehören zu den sensibelsten Daten überhaupt, und wenn unklar bleibt, wie sie erhoben, verarbeitet und weitergegeben werden, geht das Vertrauen der Patienten schnell verloren. Schon einzelne Vorfälle reichen aus, um das Arzt-Patienten-Verhältnis dauerhaft zu beschädigen.

Und schließlich stellt sich die Frage der Nachvollziehbarkeit, denn wie KI-Systeme zu ihren Ergebnissen kommen, ist manchmal selbst für Fachleute schwer zu durchschauen. Wenn Ärzte nicht erklären können, wie eine Empfehlung zustande kommt, wird das Arzt-Patienten-Verhältnis wiederum geschwächt. Zugleich bleibt unklar, ob im Schadensfall die Klinik, die IT-Abteilung, der Hersteller oder die Behandelnden selbst dafür haften. Diese Unklarheit ist gefährlich, weil sie Sicherheit und Verlässlichkeit der gesamten Organisation untergräbt.

Fehlt eine solide Governance, drohen Krankenhäusern also nicht nur Fehler und Datenschutzprobleme, sondern auch Vertrauensverluste und Reputationsschäden. Governance ist daher nicht optional, sondern Voraussetzung.

Was gehört zur KI-Governance im Krankenhaus?

Wenn Krankenhäuser Künstliche Intelligenz einführen, reicht es nicht aus, ein neues System technisch zu installieren und auf das Personal zu übertragen. Damit KI nicht zum Risiko wird, sind klare Regeln nötig, die auf mehreren Ebenen greifen. Governance beschreibt dieses Zusammenspiel aus Verantwortung, Kontrolle und Transparenz und macht den Unterschied zwischen einem Pilotprojekt und einem nachhaltig funktionierenden Einsatz. Eine erfolgreiche KI-Governance umfasst verschiedene zentrale Elemente:

Fairness

Ein erster Kernbereich ist die Frage der Fairness. Dabei müssen Kliniken sicherstellen, dass die Daten, mit denen Algorithmen arbeiten, die Vielfalt ihrer Patienten widerspiegelt. Wird ein System beispielsweise mit Daten entwickelt, die bestimmte Gruppen unterrepräsentieren, dann spiegelt es diese Verzerrungen in seinen Empfehlungen wider. Governance verlangt deshalb, dass Krankenhäuser bereits bei der Einführung klären, wie Daten geprüft, ergänzt und überwacht werden. Hier kann helfen, Gremien einzurichten, in denen nicht nur IT und Medizin vertreten sind, sondern auch Ethik, Recht und im Idealfall Patientenvertretungen. Auf diese Weise wird Fairness aktiv überprüft und abgesichert.

Transparenz für Fachpersonal und Patienten

Ärzte können KI nur dann sinnvoll in ihre Entscheidungen einbeziehen, wenn sie verstehen, wie Ergebnisse zustande kommen. Governance bedeutet daher, dass Hersteller verpflichtet werden, Erklärbarkeit bereitzustellen, und dass Krankenhäuser diese Informationen so in ihre Prozesse einbetten, dass sie für das Personal nutzbar sind. Transparenz richtet sich aber nicht nur nach innen, denn auch Patienten haben das Recht zu erfahren, wann und wie eine KI in ihrer Behandlung eingesetzt wird. Governance bedeutet in diesem Zusammenhang eine Kommunikationsaufgabe: Kliniken müssen verständlich erklären, was KI leistet, wo ihre Grenzen liegen und dass die Verantwortung am Ende bei Menschen bleibt.

Vertrauenswürdigkeit durch klinische Integration

Vertrauenswürdigkeit entsteht, wenn KI-Anwendungen nicht isoliert laufen, sondern Teil von klinischen Qualitäts- und Sicherheitsstandards sind. Governance sorgt dafür, dass es Audits, Reviews und Fortbildungen gibt, die regelmäßig prüfen, ob Systeme so arbeiten wie vorgesehen. Das bedeutet, dass KI-Anwendungen nicht nur zu Beginn freigegeben, sondern über ihren gesamten Lebenszyklus hinweg überwacht werden. Für Kliniken ist es entscheidend, diese Aufsicht in bestehende Qualitätsmanagementsysteme zu integrieren.

Rechenschaftspflicht

In Krankenhäusern darf nie unklar bleiben, wer für den Einsatz einer KI verantwortlich ist. Auch wenn Algorithmen Empfehlungen geben, liegt die letzte Entscheidung bei den behandelnden Ärzten. Governance sorgt dafür, dass diese Rollen klar dokumentiert sind und dass zugleich Hersteller, IT-Abteilungen und Klinikleitungen ihre jeweilige Verantwortung für die technische Sicherheit, die rechtliche Konformität oder die klinische Anwendung tragen. So ist im Schadensfall die Verantwortungsfrage und Zuständigkeit geklärt.

Kontinuierliches Monitoring

Schließlich gehört zu einer soliden Governance auch die kontinuierliche Überwachung über den gesamten Lebenszyklus einer Anwendung hinweg. KI verändert ihre Leistung mit den Daten, die ihr zur Verfügung stehen. Daher muss es feste Prozesse geben, um Systeme regelmäßig zu überprüfen und Abweichungen frühzeitig zu erkennen. So können im Zweifel Anpassungen gemacht oder ein Modell außer Betrieb genommen werden. Externe Audits und Benchmarks können diese Aufsicht ergänzen und zusätzliche Sicherheit schaffen.

Ohne Governance bleibt KI ein Risiko

Governance ist ein fortlaufender Prozess und verbindet die Perspektiven von Medizin, IT, Pflege, Ethik, Recht und Patienten. Sie schafft Strukturen, die Innovation ermöglichen, ohne Sicherheit und Vertrauen aufs Spiel zu setzen. Letztendlich schafft sie klare Regeln, Verantwortung und Transparenz und verhindert, dass Fehler oder Vertrauensverluste den erfolgreichen Einsatz von KI im Krankenhaus gefährden. Für Krankenhäuser bedeutet das: keine KI ohne Governance.