Hightech trifft Altlasten Über das wahre Nadelöhr der KI im Gesundheitswesen

Künstliche Intelligenz gilt im Gesundheitswesen als Hoffnungsträger. Doch wer KI erfolgreich einsetzen will, muss zuerst Daten, Systeme und Betrieb zukunftsfähig machen.

Weniger Dokumentationsaufwand, schnellere Informationssuche, bessere Entscheidungsunterstützung. Künstliche Intelligenz besitzt das Potential, mehr Zeit für Patientinnen und Patienten zu schaffen. Mehr Qualität in der Arbeit und letztendlich auch im Leben.

Künstliche Intelligenz

KI-Agenten für den Healthcare-Bereich

Doch in der Realität zeigt sich noch ein anderes Bild: Viele KI-Initiativen scheitern nicht an der Technologie selbst, also an den KI-Modellen, sondern an den strukturellen Voraussetzungen. Veraltete Systeme, fragmentierte Datenlandschaften und fehlende Betriebsresilienz bremsen den Fortschritt – oft, bevor er im klinischen Alltag überhaupt ankommt. Zudem frisst das Tagesgeschäft in vielen Bereichen der Gesundheitswirtschaft die Potentiale der Digitalisierung auf. Und extern beauftragte Konzepte bleiben ihren erwarteten Einsparungen und Verbesserungen deren Nachweise schuldig, weil sich diese nicht einfach in die bestehende Umgebung integrieren ließen.

Der Kyndryl Healthcare Readiness Report 2025 (PDF, 1,8 MB) macht diese Lücke deutlich: Fast zwei Drittel der befragten Führungskräfte im Gesundheitswesen (65 Prozent) bezwAeifeln, dass ihre IT ausreichend auf künftige Risiken vorbereitet ist. Das ist kein Randaspekt, sondern ein strukturelles Problem.

Legacy-Systeme als Bremsklotz

Viele Krankenhäuser sind im Prinzip mehr als bereit für Innovationen. Und sie lechzen geradezu danach, mitgenommen zu werden auf ihre digitale agentengestützte Reise. KI-Piloten gibt es bereits zahlreich. Doch sobald es in die Skalierung geht, stoßen Organisationen an Grenzen.

Ein zentraler Grund sind gewachsene IT-Landschaften. Unterschiedliche EHR-Systeme, proprietäre Schnittstellen, Insellösungen und redundante Datenhaltung prägen den Alltag vielerorts. In einigen Häusern laufen zudem kritische Komponenten, deren Herstellersupport bereits ausgelaufen ist. Das erhöht nicht nur die Risiken, das erschwert auch jede Form moderner Weiterentwicklung. Geplante Systemablösungen wie SAP, oder gerade jetzt IS-Health im Speziellen, machen größere KI-Projekte, nachhaltige KI-gestützte Transformationsprojekte schwierig und diese bleiben oft hinter den Plan-Investitionen als optional zurück.

KI benötigt stabile Plattformen, konsistente Datenflüsse und klare Verantwortlichkeiten, und gerade hier unterscheidet sie sich von klassischen BI- oder IT-Initiativen. Wer dagegen mit Medienbrüchen, Dubletten und unklarer Datenhoheit arbeitet, schafft keine verlässliche Grundlage für automatisierte Entscheidungsunterstützung. Kein noch so leistungsfähiges Modell kann diese strukturellen Defizite kompensieren. Es wird wahrscheinlich scheitern.

Fragmentierte Daten hemmen Produktivität

Ein Versprechen von KI ist Effizienz. Doch wenn Daten nicht vollständig oder nicht systemübergreifend verfügbar sind, verpufft der „KI-Effizienz“-Effekt. Internationale Erhebungen zeigen, dass mehr als drei Viertel der Klinikmitarbeiter regelmäßig klinische Zeit verlieren, weil Patientendaten unvollständig oder schwer zugänglich sind; ein Drittel gibt an, über 45 Minuten pro Schicht zu verlieren, was sich auf 23 Tage pro Jahr summiert. Wer sich in klinischen Umgebungen aufhält, nimmt das – durch unabbaubaren Stress, Burn-outs von Mitarbeitern und fehlender digitaler Intelligenz – oft auch selbst wahr. Persönlich behaupte ich sogar, dass dadurch auch weniger Patienten geheilt aus dem System in ihr Leben zurückkehren, als das mit Hilfe von KI möglich wäre.

KI kann hier helfen, etwa durch intelligente Suche, automatisierte Dokumentation oder agentenbasierte Informationsaggregation und daraus generiertes Wissen, zum Beispiel für Empfehlungen oder die „zweite Meinung“. Aber diese Lösungen funktionieren nur dann zuverlässig, wenn Interoperabilität und Datenqualität stimmen.

Das eigentliche Problem ist nicht reine fehlende Datenmenge, sondern mangelnde „Datenfähigkeit“, also die Fähigkeit, die richtigen Daten strukturiert, qualitätsgesichert, interoperabel und sicher nutzbar zu machen. Notwendig hierfür sind einheitliche, zumindest aufeinander abgestimmte Datenmodelle, klare Governance-Strukturen, nachvollziehbare Datenflüsse und messbare Qualitätskriterien. Ohne diese Basis bleibt KI ein punktuelles Werkzeug statt eines strukturellen Hebels.

Regulierung als Architekturfrage

Auch Datenschutz und regulatorische Vorgaben werden häufig als Innovationshemmnis wahrgenommen. Sieht man genauer hin, dann lässt sich auch der Bedarf an Regulatorik durch die richtige Architektur – und künftig auch KI – effizienter abbilden. Und mit Initiativen wie dem European Health Data Space, der GAIA-X konformen Welt, sphin-X und vielen anderen steigen die Anforderungen an Interoperabilität, Nachvollziehbarkeit und sichere Datenräume weiter. Wer hier nicht vorbereitet ist, wird künftig strukturell ins Hintertreffen geraten.

Entscheidend ist daher ein Ansatz, der die Regulierung von Anfang an skalierbar integriert. Dazu gehören klare Rollen und Berechtigungskonzepte, vollständige Auditierbarkeit, Datenschutz by Design und standardisierte Austauschformate. Compliance darf kein nachgelagerter Prüfpunkt sein, sondern muss ein integraler Bestandteil der sich immer schneller verändernden Plattformstrategie werden.

(ID:50835926)