30 Prozent mehr Patienten dank KI? Die Rechnung geht nur auf, wenn das Krankenhaus auch morgen noch funktioniert

Die künstliche Intelligenz verspricht, unser Gesundheitswesen produktiver zu machen, Ärzte von Bürokratie zu befreien und chronisch kranke Menschen besser zu versorgen. Das Potenzial ist enorm. Allerdings wächst mit jeder neuen digitalen Abhängigkeit auch das Risiko. Warum KI und Cybersicherheit im Krankenhaus nicht getrennt betrachtet werden dürfen und weshalb die größte Gefahr möglicherweise nicht von einer falschen Diagnose, sondern vom Ausfall der gesamten digitalen Versorgungskette ausgeht.

Wer sich mit dem deutschen Gesundheitswesen beschäftigt, landet früher oder später bei einer ziemlich ernüchternden Erkenntnis. Wir leisten uns eines der teuersten Gesundheitssysteme der Welt, beschäftigen Hunderttausende hoch qualifizierte Menschen und haben trotzdem an vielen Stellen ein massives Problem mit der Produktivität. Ärzte verbringen einen erheblichen Teil ihrer Zeit mit Dokumentation, Pflegekräfte mit administrativen Tätigkeiten und Krankenhäuser betreiben komplexe IT-Landschaften, die über Jahrzehnte gewachsen sind.

Die medizinische Versorgung funktioniert dabei häufig besser, als wir selbst glauben. Die Prozesse dahinter allerdings nicht immer.

Vor diesem Hintergrund fand ich ein Gespräch besonders interessant, das Philipp Westermeyer Anfang November 2026 im OMR-Podcast mit Dr. Mate Ivančić, dem CEO der Schön Klinik Gruppe, geführt hat. Ivančić ist Arzt, hat selbst in Kliniken gearbeitet, war im Management von Helios tätig und führt heute eine der großen privaten Krankenhausgruppen Deutschlands. Er betrachtet das Gesundheitswesen deshalb nicht nur aus einer medizinischen, sondern ausdrücklich auch aus einer unternehmerischen Perspektive. ^[1]

Im Gespräch geht es um Krankenhausstrukturen, Fachkräftemangel, digitale Geschäftsmodelle, Wearables, KI-gestützte Dokumentation und die Frage, ob man mit derselben Zahl an Ärzten und Pflegekräften künftig vielleicht 30 Prozent mehr Patienten behandeln könnte.

Eine durchaus reizvolle Vorstellung.

Wer heute Verantwortung für einen Klinikbetrieb trägt, muss sich mit solchen Fragen beschäftigen. Die demografische Entwicklung wird nicht darauf warten, dass wir unsere Prozesse irgendwann einmal modernisiert haben. Gleichzeitig wird es immer schwieriger, steigende Kosten ausschließlich durch zusätzliches Personal oder höhere Vergütungen aufzufangen.

Was mir bei dieser Diskussion allerdings fehlt, ist eine Perspektive, die ich aus meiner täglichen Beschäftigung mit Cyber Defense, Informationssicherheit und kritischen Infrastrukturen für mindestens ebenso entscheidend halte.

Was passiert mit einem Krankenhaus, das seine Produktivität durch KI erheblich steigert, wenn genau diese KI, ihre Datenbasis oder die dahinterliegende Infrastruktur plötzlich nicht mehr verfügbar oder vertrauenswürdig ist?

Das ist keine theoretische Randfrage. Sie entscheidet darüber, ob aus der Digitalisierung ein nachhaltiger Produktivitätsgewinn wird oder lediglich eine weitere Abhängigkeit, deren Kosten wir erst beim nächsten größeren Cybervorfall vollständig verstehen.

1. Das eigentliche Problem liegt nicht nur beim Personal, sondern auch in unseren Strukturen

Beginnen wir mit einer Aussage aus dem Gespräch, die ohne ihren Zusammenhang leicht missverstanden werden kann.

Ivančić stellt den Fachkräftemangel im deutschen Krankenhauswesen infrage. Allerdings nicht in dem Sinne, dass es überall genügend Ärzte und Pflegekräfte gäbe. Seine Argumentation ist eine andere. Deutschland betreibe zu viele Krankenhäuser und verteile das verfügbare Personal auf zu viele Einrichtungen. Dadurch entstehe ein Mangel an einzelnen Standorten, obwohl das Gesundheitssystem insgesamt erhebliche personelle Ressourcen binde. ^[1]

Das ist ein wichtiger Unterschied.

Und ich halte es durchaus für richtig, diese strukturelle Frage zu stellen. Nicht jedes Krankenhaus muss jede komplexe Behandlung anbieten. Eine medizinische Leistung wird auch nicht automatisch besser, nur weil sie wohnortnah erbracht wird. Bei spezialisierten Eingriffen können Fallzahlen, Erfahrung und eine funktionierende interdisziplinäre Versorgung entscheidende Qualitätsfaktoren sein.

Ein Blick auf die Zahlen zeigt, in welcher Größenordnung wir uns bewegen.

Nach Angaben des Statistischen Bundesamtes gab es 2025 in Deutschland noch 1.807 Krankenhäuser mit rund 468.800 aufgestellten Betten. Etwa 17,7 Millionen Patientinnen und Patienten wurden vollstationär behandelt. Gegenüber 2019 lag die Zahl der Behandlungsfälle damit weiterhin um 9,4 Prozent niedriger.

Gleichzeitig stieg die Zahl der unmittelbar in Krankenhäusern Beschäftigten in den vergangenen Jahren erheblich. Ende 2025 waren dort rund 221.800 Personen im ärztlichen und etwa 1,27 Millionen im nichtärztlichen Dienst beschäftigt. Gegenüber 2015 entspricht das einem Beschäftigungsanstieg von rund 27 beziehungsweise 25 Prozent. ^[2]

Das ist zunächst eine bemerkenswerte Entwicklung. Wir beschäftigen mehr Menschen, behandeln stationär aber weniger Fälle als vor der Pandemie.

Daraus jetzt unmittelbar eine sinkende Produktivität abzuleiten, wäre allerdings zu einfach. Die Behandlungsschwere, die Verlagerung von Leistungen in den ambulanten Bereich, gesetzliche Personalvorgaben und die veränderte Patientenstruktur müssen berücksichtigt werden. Trotzdem zeigt die Entwicklung, dass sich das Verhältnis zwischen eingesetzten Ressourcen und erbrachten Leistungen genauer anschauen lässt.

Auf der anderen Seite bleibt der Fachkräftemangel real. Die Bundesagentur für Arbeit stellt in ihrer Fachkräfteengpassanalyse weiterhin erhebliche Engpässe fest. Besonders die Pflegeberufe gehören zu den betroffenen Tätigkeitsfeldern. Deutschland ist inzwischen in hohem Maße auf die Zuwanderung ausländischer Pflegekräfte angewiesen. ^[3]

Auch die langfristige Entwicklung spricht eine deutliche Sprache. Das Statistische Bundesamt erwartet in seiner Pflegekräftevorausberechnung bis 2049 einen um etwa 33 Prozent steigenden Bedarf gegenüber 2019. Je nach zugrunde gelegten Annahmen könnten dann rechnerisch zwischen 280.000 und 690.000 Pflegekräfte fehlen. Das sind Modellrechnungen und keine exakten Vorhersagen. Aber die Größenordnung zeigt, vor welcher Herausforderung wir stehen. ^[4]

Wir haben sowohl ein Strukturproblem als auch einen realen Fachkräfteengpass. Beides gegeneinander auszuspielen, bringt uns nicht weiter.

Eine bessere Organisation von Krankenhausleistungen kann personelle Ressourcen bündeln. Sie kann aber weder zusätzliche Pflegekräfte herbeizaubern noch die Versorgung einer älter werdenden Bevölkerung ohne weitere Produktivitätsgewinne sicherstellen.

Und genau an diesem Punkt kommt KI ins Spiel. Denn wenn sich der medizinische Bedarf nicht beliebig reduzieren lässt und qualifiziertes Personal nicht in ausreichender Zahl verfügbar ist, muss die bestehende Arbeitszeit sinnvoller genutzt werden.

Die entscheidende Frage lautet deshalb nicht, ob wir KI brauchen. Die Frage lautet, wie viel sie tatsächlich leisten kann und unter welchen Voraussetzungen.

2. Der KI-Arztbrief ist keine Revolution. Die Zeit dahinter möglicherweise schon

Besonders konkret wird das Potenzial künstlicher Intelligenz bei der medizinischen Dokumentation.

Ivančić beschreibt im Podcast, dass KI bereits Arztbriefe erstellt und pflegerische Dokumentation automatisiert. Tätigkeiten also, mit denen er nach eigener Schilderung einen erheblichen Teil seiner früheren Arbeitszeit als Assistenzarzt verbracht hat. ^[1]

Darin liegt ein ziemlich offensichtlicher Ansatzpunkt. Ein Arzt, der nach einer Visite noch umfangreiche Dokumentationen erstellen muss, behandelt in dieser Zeit keinen weiteren Patienten. Eine Pflegekraft, die wiederholt dieselben Informationen in unterschiedliche Systeme überträgt, steht ebenfalls nicht unmittelbar für die Versorgung zur Verfügung.

Mit generativer KI und sogenannter Ambient Clinical Documentation lässt sich ein Teil dieses Aufwands reduzieren. Systeme erfassen mit entsprechender Berechtigung medizinische Gespräche, strukturieren die Inhalte und erstellen daraus einen Dokumentationsentwurf.

Das klingt zunächst nach einer technischen Verbesserung. Für die Arbeitsorganisation kann es allerdings erheblich mehr bedeuten.

Eine im April 2026 in JAMA veröffentlichte Untersuchung analysierte den Einsatz KI-gestützter Dokumentationssysteme an fünf US-amerikanischen akademischen Gesundheitseinrichtungen. Die Studienpopulation umfasste 8.581 Behandelnde, darunter 1.809 Nutzer entsprechender Systeme. Im Vergleich mit der Kontrollentwicklung war der KI-Einsatz mit durchschnittlich 16 Minuten weniger Dokumentationszeit und 13,4 Minuten weniger gesamter Zeit in elektronischen Patientenakten verbunden, jeweils bezogen auf acht geplante Patientenstunden. Die Zahl der wöchentlichen Patientenkontakte stieg um durchschnittlich 0,49. ^[5]

Das sind messbare Verbesserungen. Allerdings keine, aus denen sich ohne Weiteres ein Produktivitätsgewinn von 30 Prozent ableiten ließe.

Eine randomisierte Untersuchung mit 238 ambulant tätigen Ärzten, veröffentlicht Ende 2025 in NEJM AI, zeigte ein ähnlich differenziertes Bild. Bei einem der getesteten KI-Dokumentationssysteme sank die für das Schreiben medizinischer Notizen benötigte Zeit um 9,5 Prozent gegenüber der Kontrollgruppe. Beim zweiten System ließ sich kein statistisch signifikanter Zeitgewinn nachweisen. Beide Anwendungen zeigten mögliche positive Effekte auf Arbeitsbelastung und Erschöpfung. Gleichzeitig berichteten die Teilnehmenden gelegentlich über klinisch relevante Ungenauigkeiten in den erzeugten Texten. ^[6]

Eine weitere Untersuchung in JAMA Network Open fand bei 263 medizinischen Fachkräften nach 30 Tagen KI-Nutzung einen Rückgang der berichteten Burnout-Symptomatik von 51,9 auf 38,8 Prozent. Allerdings handelte es sich nicht um eine randomisierte kontrollierte Studie. Die Ergebnisse sind deshalb interessant, erlauben aber keine uneingeschränkte kausale Zuschreibung. ^[7]

Für mich ergibt sich daraus ein ziemlich klares Bild. KI-gestützte Dokumentation funktioniert. Sie kann Arbeitsbelastung reduzieren, Prozesse beschleunigen und medizinisches Personal entlasten. Aber die Wirkung hängt erheblich vom eingesetzten Produkt, der Integration in bestehende Abläufe und der tatsächlichen Nutzung ab.

Ein KI-System, das zehn Minuten beim Schreiben spart, dafür aber fünfzehn Minuten zusätzliche Prüfung, Korrektur oder manuelle Übertragung in ein Krankenhausinformationssystem benötigt, hat wirtschaftlich zunächst wenig gewonnen.

Ein sprachlich perfekter Arztbrief ist nicht automatisch ein medizinisch korrekter Arztbrief.

Ein Large Language Model optimiert nicht grundsätzlich auf medizinische Wahrheit. Es erzeugt auf Basis seiner Modellarchitektur und des bereitgestellten Kontextes eine wahrscheinlich passende Ausgabe. Dabei können Informationen fehlen, Befunde falsch zugeordnet oder medizinisch plausible, aber im konkreten Fall unzutreffende Aussagen ergänzt werden.

Ein Rechtschreibfehler fällt einem Arzt möglicherweise sofort auf. Eine elegant formulierte falsche Aussage kann deutlich schwieriger zu erkennen sein. Genau deshalb muss die fachliche Prüfung Bestandteil des Prozesses bleiben. Sie darf nicht als lästige Restaufgabe betrachtet werden, die man nach der Automatisierung irgendwann auch noch loswerden möchte.

3. 30 Prozent mehr Patienten mit demselben Personal? Eine interessante Wette, aber noch kein belegtes Ergebnis

Die vielleicht spannendste wirtschaftliche Überlegung im Interview ist die Frage, ob Krankenhäuser durch KI mit derselben personellen Ausstattung künftig 30 Prozent mehr Patienten behandeln könnten.

Ich finde es richtig, solche Größenordnungen zu diskutieren. Nicht, weil sie bereits nachgewiesen wären, sondern weil sie Unternehmen dazu zwingen, über die tatsächliche Veränderung ihrer Prozesse nachzudenken.

Man muss allerdings sauber zwischen einer unternehmerischen Zielvorstellung und einem empirisch belegten Produktivitätseffekt unterscheiden. Die bereits angesprochenen Studien zeigen Entlastungen bei einzelnen Tätigkeiten. Sie zeigen bislang nicht, dass ein Krankenhaus durch den Einsatz generativer KI insgesamt 30 Prozent mehr stationäre Patienten versorgen kann.

Das ist auch deshalb plausibel, weil medizinische Versorgung aus zahlreichen voneinander abhängigen Prozessen besteht. Eine Operation benötigt einen geeigneten OP-Saal, ein verfügbares Team, Anästhesie, Aufwachraum, gegebenenfalls Intensivkapazitäten und die anschließende stationäre Betreuung.

Dass ein Arzt seinen Operationsbericht schneller schreiben kann, ist hilfreich. Es schafft aber nicht automatisch zusätzliche Kapazitäten in der Anästhesie oder im Aufwachraum. Dasselbe gilt für die Pflege. Automatisierte Dokumentation kann Zeit freimachen. Ob daraus zusätzliche Behandlungen entstehen, hängt jedoch davon ab, an welcher Stelle der eigentliche Engpass liegt.

Eine einfache Modellrechnung verdeutlicht das Problem. Nehmen wir einen achtstündigen Arbeitstag an, in dem zwei Stunden auf Dokumentation und sechs Stunden auf unmittelbar behandlungsbezogene Tätigkeiten entfallen. Würde KI die Dokumentationszeit halbieren, stünde theoretisch eine zusätzliche Stunde für die Patientenversorgung zur Verfügung. Aus sechs würden sieben Stunden. Das entspräche einer rechnerischen Steigerung der verfügbaren Behandlungszeit um rund 16,7 Prozent.

Um unter denselben Annahmen 30 Prozent mehr behandlungsbezogene Arbeitszeit zu gewinnen, müssten 1,8 Stunden zusätzlich freigesetzt und vollständig produktiv genutzt werden. Selbst dann wäre noch nicht bewiesen, dass die Zahl der tatsächlich behandelbaren Patienten im selben Verhältnis steigt.

Diese Rechnung ist ausdrücklich ein vereinfachtes Szenario und keine empirische Aussage über den realen Klinikbetrieb.

Sie zeigt allerdings, warum ich die 30-Prozent-These nicht grundsätzlich für absurd halte, sie aber auch nicht als bereits greifbaren Produktivitätsgewinn verkaufen würde.

Die eigentlichen Effekte entstehen vermutlich erst dann, wenn mehrere Prozesse gleichzeitig verändert werden. Wenn KI nicht nur Arztbriefe schreibt, sondern auch Informationen aus unterschiedlichen Systemen zusammenführt, administrative Rückfragen reduziert, Behandlungspfade unterstützt, Termine koordiniert und unnötige Doppelarbeit beseitigt, kann ein deutlich größerer Nutzen entstehen.

Dann reden wir allerdings nicht mehr über ein einzelnes KI-Tool. Dann reden wir über eine tiefgreifende Veränderung der gesamten Krankenhausorganisation. Und genau dort beginnt das Thema Cybersicherheit eine völlig andere Dimension anzunehmen.

4. Wenn der Arzt zum Generalisten und die KI zum Spezialisten werden soll

Ivančić entwickelt im Gespräch noch eine weitergehende Vorstellung. Die zunehmende Spezialisierung der Medizin könnte sich durch künstliche Intelligenz teilweise umkehren. Breiter ausgebildete Ärzte könnten künftig auf spezialisierte KI-Systeme für Radiologie, Onkologie oder andere medizinische Disziplinen zurückgreifen und dadurch ein größeres Spektrum an Fragestellungen bearbeiten. ^[1]

Technologisch ist dieser Gedanke nachvollziehbar. Die Medizin produziert eine enorme Menge an Wissen. Leitlinien werden aktualisiert, neue Therapieansätze entwickelt und diagnostische Verfahren immer spezialisierter. Ein Mensch kann dieses Wissen nicht dauerhaft vollständig überblicken.

Ein KI-System kann dagegen innerhalb kurzer Zeit große Mengen medizinischer Informationen verarbeiten, Zusammenhänge aufzeigen und mögliche Handlungsoptionen vorschlagen. Die relevante Frage ist aber nicht, ob das Modell Wissen abrufen kann. Entscheidend ist, ob sein Einsatz im klinischen Alltag nachweislich bessere Entscheidungen ermöglicht.

In einer 2024 veröffentlichten randomisierten Studie untersuchten Forscher die diagnostische Leistungsfähigkeit von Ärzten mit und ohne Unterstützung durch GPT-4. Die 50 beteiligten Mediziner bearbeiteten standardisierte klinische Fallbeispiele. Ärzte mit KI-Unterstützung erreichten einen medianen diagnostischen Bewertungswert von 76 Prozent, die Kontrollgruppe 74 Prozent. Dieser Unterschied war statistisch nicht signifikant. Bemerkenswert war, dass das Sprachmodell bei einer separaten Bewertung allein besser abschnitt als die Ärztegruppen. Daraus folgte aber gerade nicht, dass Ärzte durch den bloßen Zugang zu KI automatisch bessere Diagnosen stellten. ^[8]

Ein leistungsfähiges KI-Modell und ein leistungsfähiger medizinischer Prozess sind zwei völlig unterschiedliche Dinge.

Die Integration ist entscheidend. Wie werden Empfehlungen dargestellt? Welche Informationen erhält das Modell? Wie geht der Arzt mit widersprüchlichen Ergebnissen um? Welche Fachkenntnis benötigt er, um eine Empfehlung sinnvoll einzuordnen? Vor allem aber stellt sich die Frage, ob ein Arzt noch genügend Erfahrung mit einem seltenen Krankheitsbild besitzt, um einen Fehler der KI überhaupt erkennen zu können.

Hier sehe ich eine grundlegende Spannung zur Vorstellung einer medizinischen Rückkehr zur Generalistik. KI kann Spezialwissen zugänglich machen. Sie ersetzt dadurch aber nicht zwangsläufig die Erfahrung, die notwendig ist, dieses Wissen unter realen klinischen Bedingungen richtig anzuwenden.

Ein radiologisches KI-System kann einen verdächtigen Befund markieren. Ob dieser Befund im Zusammenhang mit Krankengeschichte, Bildqualität und weiteren Untersuchungen die richtige diagnostische Bedeutung erhält, ist eine andere Frage.

Es wird sicherlich medizinische Tätigkeiten geben, die durch KI zunehmend automatisiert werden. Aber daraus pauschal abzuleiten, dass hoch spezialisierte Ärzte künftig weniger benötigt werden, wäre mir deutlich zu weitgehend. Gerade bei komplexen medizinischen Entscheidungen entsteht Sicherheit nicht nur durch Informationen, sondern durch Erfahrung, Verantwortlichkeit und die Fähigkeit, mit Unsicherheit umzugehen.

Ähnliches gilt für die Robotik. Bereits heute ermöglichen roboterassistierte Operationssysteme sehr präzise Eingriffe. Der Begriff Operationsroboter wird dabei allerdings häufig missverstanden. Die heute verbreiteten Systeme führen Operationen nicht eigenständig durch, sondern werden unmittelbar durch Chirurgen gesteuert. Darauf weist auch die US-amerikanische Arzneimittel- und Medizinproduktebehörde FDA ausdrücklich hin. ^[9]

Die Vorstellung vollständig autonomer chirurgischer Systeme ist deshalb von der gegenwärtigen Versorgungspraxis klar zu trennen. Fortschritte in diesem Bereich sind wahrscheinlich. Ein sicherer, regulatorisch zugelassener und wirtschaftlich sinnvoller Routinebetrieb ist damit aber noch nicht automatisch erreicht.

5. Die KI kann sich irren. Das eigentliche Cyberproblem beginnt, wenn wir ihr zu viel vertrauen

Aus meiner Perspektive als Cybersecurity-Verantwortlicher gibt es bei diesen Entwicklungen einen Punkt, der besonders häufig unterschätzt wird. Wir betrachten KI-Risiken noch immer zu stark als Qualitätsproblem der erzeugten Antworten.

Halluzinationen, falsche Empfehlungen und ungenaue Zusammenfassungen sind zweifellos relevant. Die Weltgesundheitsorganisation hat bereits in ihren Leitlinien zum Einsatz großer multimodaler Modelle im Gesundheitswesen auf entsprechende Risiken und die Notwendigkeit belastbarer Governance hingewiesen. ^[10]

Aber das Problem ist größer. Ein KI-System wird in einem Krankenhaus nicht isoliert betrieben. Es benötigt Daten. Diese stammen aus Patientenakten, Laborinformationssystemen, Radiologiesystemen, medizinischen Geräten, Dokumentenarchiven oder externen Wissensquellen.

Soll das System anschließend auch noch eigenständig Prozesse ausführen, benötigt es entsprechende Berechtigungen. Damit verändert sich seine Rolle grundlegend.

Ein Sprachmodell, das einem Arzt eine mögliche Formulierung vorschlägt, ist zunächst ein Assistenzsystem. Ein KI-Agent, der Informationen aus verschiedenen klinischen Systemen abruft, daraus Entscheidungen vorbereitet und anschließend selbstständig Einträge verändert oder Prozesse auslöst, besitzt eine völlig andere Risikostruktur. Er verbindet Daten, Anwendungen, Identitäten und Zugriffsrechte miteinander.

Was wir im klassischen IT-Betrieb mühsam segmentieren und mit technischen Kontrollen absichern, wird für die Funktionsfähigkeit solcher Systeme möglicherweise wieder miteinander verknüpft. Genau hier müssen wir aufpassen. Denn aus Sicht eines Angreifers sind solche Integrationen hochinteressant.

Eine manipulierte Information in einer Patientenakte, ein kompromittiertes Dokument oder eine bösartige Anweisung in einer externen Wissensquelle kann unter bestimmten Bedingungen nicht nur die Antwort eines Modells beeinflussen. Bei unzureichend abgesicherten Agenten kann sie auch unerwünschte Aktionen auslösen.

Das bekannte Problem der Prompt Injection beschreibt genau diese Möglichkeit. Angreifer platzieren Anweisungen in Inhalten, die ein KI-System eigentlich nur als Daten verarbeiten sollte. Gelingt es, diese Inhalte als handlungsleitende Instruktionen wirksam werden zu lassen, kann das System von seiner vorgesehenen Aufgabe abweichen.

Die OWASP Top 10 für Large Language Model Applications berücksichtigen neben Prompt Injection auch Risiken durch unzureichenden Schutz vertraulicher Informationen, manipulierte Daten, unsichere Lieferketten und zu weitreichende Handlungsmöglichkeiten von KI-Agenten. ^[11]

Ein hypothetisches Beispiel aus dem Klinikalltag macht die Problematik deutlich. Ein KI-Assistent erhält den Auftrag, medizinische Dokumente zusammenzufassen und einen Entlassbrief vorzubereiten. Dafür bekommt er Zugriff auf unterschiedliche Dokumentenquellen. In einer dieser Quellen befindet sich eine manipulierte Anweisung, die nicht zur medizinischen Information gehört, sondern das Verhalten des Systems verändern soll.

Solange der Assistent ausschließlich einen überprüfbaren Entwurf erstellt und über keine weiteren Rechte verfügt, ist der potenzielle Schaden begrenzt. Kann derselbe Agent jedoch automatisch Dokumente verändern, Nachrichten versenden oder andere Systeme aufrufen, entsteht eine deutlich größere Angriffsfläche.

Die technische Schutzmaßnahme besteht deshalb nicht allein darin, das Modell mit einer besonders guten Systemanweisung auszustatten. Sicherheit muss außerhalb des Modells durchgesetzt werden. Berechtigungen, Datenzugriffe, Prozessgrenzen und Freigaben dürfen nicht davon abhängen, ob ein Sprachmodell eine Anweisung für legitim hält.

Das ist eine fundamentale Anforderung an die Architektur. Und sie wird umso wichtiger, je stärker KI vom beratenden Werkzeug zum ausführenden System wird.

6. Wearables und digitale Chronikerversorgung: Zwischen medizinischem Fortschritt, Krankenkassen und der Realität der Messgeräte

Ein weiterer Bereich aus dem Gespräch verdient besondere Aufmerksamkeit.

Die Schön Klinik arbeitet nach Darstellung ihres CEO an digitalen Angeboten, mit denen Daten aus Wearables und anderen Messgeräten für eine kontinuierlichere Betreuung von Menschen genutzt werden sollen. Besonders chronisch kranke Patienten könnten dadurch enger begleitet werden.

Denkbar sind beispielsweise Menschen mit Herzinsuffizienz, deren Gewicht, Blutdruck, Herzrhythmus und weitere Gesundheitsparameter regelmäßig erfasst und ärztlich bewertet werden. Auffällige Veränderungen könnten erkannt werden, bevor eine akute Verschlechterung zu einer stationären Behandlung führt. ^[1]

Das ist aus meiner Sicht einer der interessantesten Ansätze für die Zukunft der Gesundheitsversorgung. Nicht weil eine Smartwatch besonders innovativ wäre. Sondern weil sich dadurch der medizinische Versorgungsprozess grundsätzlich verändern könnte.

Heute reagieren wir in vielen Bereichen erst dann, wenn Beschwerden bereits so ausgeprägt sind, dass eine ärztliche Vorstellung oder ein Krankenhausaufenthalt notwendig wird. Eine kontinuierlichere Betreuung kann diese Logik zumindest teilweise umkehren.

Allerdings müssen wir auch hier zwischen plausibler Idee und gesichertem Behandlungseffekt unterscheiden. Eine 2025 veröffentlichte systematische Übersichtsarbeit wertete 32 randomisierte Studien zum nichtinvasiven Telemonitoring bei Herzinsuffizienz mit insgesamt 13.294 Teilnehmenden aus. Das Ergebnis war differenziert. Einzelne Untersuchungen berichteten positive Effekte, insgesamt zeigten sich jedoch uneinheitliche Ergebnisse für Sterblichkeit, Wiederaufnahmen und Lebensqualität. Die Wirksamkeit hing unter anderem von der Gestaltung des jeweiligen Versorgungsmodells ab. ^[12]

Es reicht also nicht, möglichst viele Daten zu sammeln. Entscheidend ist, welche Daten medizinisch relevant sind, wie zuverlässig sie erhoben werden, wer sie bewertet und welche konkreten Maßnahmen aus einer Auffälligkeit folgen.

Deutschland hat für bestimmte Patientengruppen mit Herzinsuffizienz bereits einen geregelten Versorgungsweg geschaffen. Die Richtlinie des Gemeinsamen Bundesausschusses beschreibt die Zusammenarbeit zwischen primär behandelnden Ärzten und telemedizinischen Zentren sowie Anforderungen an Messdaten und Indikationen. ^[13]

Das unterscheidet sich wesentlich von einem allgemeinen Fitness- oder Longevity-Angebot. Eine App, die meine durchschnittliche Schlafdauer kommentiert, verfolgt einen anderen Zweck als ein System, das bei einer Herzinsuffizienz medizinisch relevante Warnsignale identifiziert.

Und an dieser Stelle kommen wir zu einem Problem, das in der allgemeinen Begeisterung für Wearables erstaunlich selten thematisiert wird.

Der Markt für Gesundheitsgeräte ist riesig. Der für klinisch belastbare Messverfahren deutlich kleiner.

Wer heute eine Smartwatch kauft, bekommt eine beeindruckende Sammlung von Gesundheitsfunktionen. Herzfrequenz, Schlafqualität, Sauerstoffsättigung, Aktivitätsprofile und zahlreiche weitere Werte lassen sich erfassen, auswerten und in hübschen Diagrammen darstellen.

Viele dieser Funktionen sind durchaus nützlich. Allerdings besteht ein grundlegender Unterschied zwischen einem Gerät, das einen Gesundheitswert näherungsweise bestimmt, und einem medizinischen Messverfahren, dessen Genauigkeit für den konkreten klinischen Einsatzzweck ausreichend nachgewiesen wurde.

Dieser Unterschied wird im Marketing gerne etwas großzügig ausgelegt. Eine Smartwatch, die meinen Schlaf bewertet, ist noch lange kein medizinisch validiertes Schlaflabor. Ein Gerät, das aus optischen Signalen den Blutdruck schätzt, liefert nicht automatisch dieselbe diagnostische Aussagekraft wie ein nach etablierten Standards validiertes Blutdruckmessgerät.

Und selbst wenn ein Gerät als Medizinprodukt zugelassen beziehungsweise ordnungsgemäß CE-gekennzeichnet ist, bedeutet das nicht, dass sämtliche denkbaren medizinischen Anwendungen damit ausreichend validiert wären.

Bei der europäischen Medizinprodukteverordnung geht es unter anderem um die festgelegte medizinische Zweckbestimmung, die Risikoklassifizierung, den Konformitätsbewertungsprozess und den Nachweis von Sicherheit und Leistung. Die klinische Eignung muss immer im Zusammenhang mit der tatsächlich vorgesehenen Anwendung beurteilt werden. ^[25]

Gerade bei der kontinuierlichen Betreuung chronisch kranker Menschen stellt uns das vor erhebliche Herausforderungen. Denn für viele Erkrankungen existieren zwar technisch interessante Sensoren und Algorithmen, aber noch keine ausreichend belastbaren und breit verfügbaren Produkte, mit denen sich der gewünschte medizinische Prozess zuverlässig abbilden lässt.

Das ist kein grundsätzliches Argument gegen solche Technologien. Es zeigt vielmehr, dass zwischen technologischer Machbarkeit und medizinischer Versorgung häufig mehrere Jahre Entwicklung, Validierung und regulatorische Arbeit liegen.

Und wer bezahlt das eigentlich?

In Deutschland kommt noch ein weiterer Punkt hinzu. Die Finanzierung über die gesetzliche Krankenversicherung.

Denn ein medizinisch interessantes Gerät wird nicht automatisch von einer Krankenkasse bezahlt. Nach Angaben des Bundesgesundheitsministeriums werden Messgeräte, beispielsweise zur Bestimmung des Blutdrucks oder Blutzuckers, als Hilfsmittel nur dann von der gesetzlichen Krankenversicherung übernommen, wenn sie aus medizinischen Gründen erforderlich sind. Das kann beispielsweise der Fall sein, wenn Patienten ein Gerät zur dauerhaften eigenständigen Überwachung ihres Krankheitsverlaufs benötigen. ^[30]

Das Hilfsmittelverzeichnis des GKV-Spitzenverbandes spielt dabei eine wichtige Rolle. Es schafft Transparenz über grundsätzlich erstattungsfähige Produktgruppen und Anforderungen. Allerdings ist es rechtlich kein abschließender Katalog sämtlicher Leistungen. Auch nicht gelistete Geräte können im medizinisch begründeten Einzelfall erstattungsfähig sein. ^[31]

Man sollte also nicht behaupten, die Krankenkassen würden kontinuierliche Gesundheitsüberwachung grundsätzlich nicht finanzieren. Es gibt durchaus etablierte Beispiele.

Die kontinuierliche interstitielle Glukosemessung mit Real-Time-Systemen ist für entsprechend behandelte Menschen mit insulinpflichtigem Diabetes bereits seit 2016 Bestandteil der vertragsärztlichen Versorgung. ^[32]

Auch für bestimmte Patienten mit fortgeschrittener Herzinsuffizienz existiert ein geregeltes und abrechenbares Telemonitoring. Dabei werden medizinische Messdaten nicht einfach irgendwo gespeichert, sondern in einen definierten Versorgungsprozess zwischen behandelnden Ärzten und telemedizinischen Zentren eingebunden. ^[33]

Genau darin liegt allerdings der entscheidende Unterschied. Ein medizinisch etabliertes Verfahren mit nachgewiesenem Nutzen und geregelter Finanzierung ist etwas anderes als ein neues Wearable, das technisch vielversprechend erscheint, dessen klinischer Zusatznutzen aber noch nicht ausreichend belegt ist. Oder für dessen Einsatz es bislang keinen passenden Erstattungsweg gibt.

Für die betroffenen Patienten kann diese Unterscheidung ziemlich frustrierend sein. Die Technologie ist verfügbar, die medizinische Anwendung wäre interessant, aber am Ende bleibt die Frage offen, wer das Ganze bezahlt.

In der Praxis führt das nicht selten dazu, dass solche Lösungen zunächst im Selbstzahlermarkt angeboten werden. Das ist aus unternehmerischer Perspektive nachvollziehbar. Gesundheitspolitisch halte ich diese Entwicklung allerdings für problematisch, wenn daraus langfristig eine Zweiteilung entsteht.

Auf der einen Seite Patienten, die sich moderne digitale Überwachung und zusätzliche medizinische Betreuung leisten können. Auf der anderen Seite Menschen, die auf den etablierten Versorgungsstandard beschränkt bleiben, obwohl bestimmte neue Verfahren möglicherweise auch für sie einen Nutzen hätten.

Die Antwort kann allerdings auch nicht darin liegen, jede neue Smartwatch sofort zum erstattungsfähigen Medizinprodukt zu erklären. Dafür ist die medizinische Evidenz schlicht zu unterschiedlich.

Wir brauchen Verfahren, mit denen klinisch sinnvolle Innovationen schneller bewertet und bei nachgewiesenem Nutzen auch tatsächlich in die Versorgung integriert werden können.

Die 24-Stunden-Blutdruckmessung zeigt das Dilemma besonders anschaulich

Ein Beispiel, das ich persönlich besonders interessant finde, ist die Blutdruckmessung. Bluthochdruck gehört zu den großen gesundheitlichen Herausforderungen unserer Gesellschaft. Eine verlässliche Blutdruckkontrolle spielt bei Diagnose, Risikobewertung und Behandlung eine zentrale Rolle.

Die klassische ambulante 24-Stunden-Blutdruckmessung ist medizinisch etabliert. Wer sie allerdings schon einmal über einen ganzen Tag und eine Nacht getragen hat, weiß, dass der praktische Komfort durchaus überschaubar ist.

Eine Manschette am Oberarm, die sich regelmäßig aufpumpt, ist im Alltag nicht besonders angenehm. Nachts wird es häufig noch unangenehmer. Denn spätestens wenn man mehrfach durch das Aufpumpen geweckt wird, stellt sich die durchaus berechtigte Frage, ob wir mit der Messung tatsächlich noch einen normalen Schlaf und die dazugehörigen Blutdruckwerte erfassen.

Das ist keine rein subjektive Überlegung. Die European Society of Hypertension beschreibt in einem Positionspapier zur nächtlichen Blutdruckmessung ausdrücklich, dass wiederholte Manschettenmessungen Aufwachreaktionen auslösen und die Schlafqualität beeinträchtigen können. Solche Reaktionen können möglicherweise auch die Blutdruckwerte selbst beeinflussen. ^[34]

Damit befinden wir uns in einer etwas paradoxen Situation. Wir verwenden ein klinisch etabliertes Verfahren, das eine medizinisch relevante Messung ermöglicht, gleichzeitig aber die natürlichen Bedingungen dieser Messung beeinflussen kann.

Aus Patientensicht wäre deshalb eine möglichst unauffällige, kontinuierliche Messung durchaus wünschenswert. Und genau hier wird die technologische Entwicklung interessant.

Mittlerweile gibt es Wearables, die den Blutdruck am Handgelenk über unterschiedliche technische Ansätze bestimmen. Dabei muss man allerdings zwei grundsätzlich verschiedene Verfahren unterscheiden.

Die Messung mit einer miniaturisierten aufblasbaren Manschette arbeitet weiterhin nach dem oszillometrischen Prinzip. Die Manschette befindet sich lediglich nicht mehr am Oberarm, sondern in einem Armband. Ein Beispiel ist die Huawei Watch D2, die eine automatisierte 24-Stunden-Blutdruckmessung mit einer integrierten Handgelenkmanschette ermöglicht. ^[36]

Die manschettenlose Blutdruckmessung verfolgt dagegen einen anderen Ansatz. Hier werden beispielsweise optische Sensoren, Pulswellen und daraus abgeleitete physiologische Parameter verwendet, um den Blutdruck algorithmisch zu bestimmen. Ein Beispiel ist das Hilo Band, das auf einem optischen Messverfahren mit vorheriger Kalibrierung durch eine klassische Blutdruckmanschette basiert. ^[37]

Beide Ansätze sind technologisch interessant. Sie sind aber nicht miteinander gleichzusetzen. Und vor allem sollte man aus der Existenz eines Produkts nicht automatisch schließen, dass es in jeder klinischen Situation die bisherige Referenzdiagnostik ersetzen kann.

Was sagen die aktuellen wissenschaftlichen Studien?

Eine im Oktober 2026 veröffentlichte Konsensarbeit der European Society of Hypertension hat sich ausdrücklich mit Blutdruckmessgeräten in Armbanduhrform beschäftigt, die eine miniaturisierte oszillometrische Manschette verwenden.

Die Autoren identifizierten zunächst 281 wissenschaftliche Veröffentlichungen. Davon waren lediglich 26 für die eigentliche Auswertung relevant. Besonders bemerkenswert ist, dass für lediglich zwei Gerätesysteme veröffentlichte Validierungsstudien nach etablierten Standards vorlagen. Dabei handelte es sich um Omron HeartGuide und Huawei Watch D beziehungsweise D2.

Die verfügbaren Untersuchungen zeigten bei statischen Messbedingungen grundsätzlich akzeptable Ergebnisse. Gleichzeitig stellten die Wissenschaftler fest, dass insbesondere zur Genauigkeit im ambulanten 24-Stunden-Betrieb, während körperlicher Bewegung und bei bestimmten Patientengruppen weiterhin erhebliche Wissenslücken bestehen. ^[35]

Das bedeutet ausdrücklich nicht, dass diese Geräte unbrauchbar wären. Es bedeutet aber, dass ihre klinische Leistungsfähigkeit nicht einfach aus einzelnen erfolgreichen Validierungstests auf sämtliche Einsatzbedingungen übertragen werden darf.

Noch vorsichtiger fällt die Bewertung vollständig manschettenloser Messverfahren aus. Eine wissenschaftliche Stellungnahme der European Society of Cardiology vom Februar 2026 beschreibt deren erhebliches Potenzial. Gerade die Möglichkeit, Blutdruck ohne regelmäßige Kompression einer Manschette zu erfassen, könnte langfristig deutliche Vorteile bieten.

Allerdings sehen die Autoren weiterhin grundlegende Herausforderungen bei der Messgenauigkeit, langfristigen Stabilität, Kalibrierung und Validierung unter realen Bedingungen. Aufgrund der bislang unzureichenden Evidenz empfehlen sie manschettenlose Verfahren derzeit nicht als Grundlage klinischer Entscheidungen bei Bluthochdruck. ^[38]

Das ist eine bemerkenswert deutliche Aussage. Und sie beschreibt ziemlich genau das Problem, das wir bei vielen digitalen Gesundheitsangeboten sehen. Technisch ist bereits einiges möglich. Aber zwischen einem interessanten Messwert und einer medizinisch belastbaren Entscheidungsgrundlage liegt noch ein erheblicher Unterschied.

Wir dürfen deshalb nicht den Fehler machen, technische Verfügbarkeit mit klinischer Reife gleichzusetzen.

Die eigentliche Herausforderung ist nicht das Gerät, sondern die gesamte Versorgungskette

Selbst wenn wir irgendwann über eine große Auswahl komfortabler und klinisch ausreichend validierter Wearables verfügen, ist damit die kontinuierliche Patientenversorgung noch nicht automatisch gelöst. Denn ein Messwert allein behandelt keine Erkrankung.

Die Daten müssen zuverlässig übertragen, medizinisch sinnvoll ausgewertet und in einen funktionierenden Behandlungsprozess integriert werden. Wer reagiert auf eine Auffälligkeit? Innerhalb welcher Zeit? Welche Messwerte lösen eine Warnung aus? Welche Fehlalarmrate ist akzeptabel? Und wer überprüft, ob die Messwerte überhaupt plausibel sind?

Hier kommt künstliche Intelligenz ins Spiel. Sie könnte große Mengen kontinuierlich erhobener Daten auswerten, individuelle Entwicklungen erkennen und medizinisches Personal auf relevante Veränderungen aufmerksam machen. Das wäre tatsächlich ein großer Fortschritt. Allerdings nur dann, wenn die zugrunde liegenden Messverfahren ausreichend zuverlässig sind.

Eine KI kann fehlerhafte Sensordaten möglicherweise als auffällig erkennen. Sie kann aus grundsätzlich ungenauen oder systematisch verzerrten Messwerten aber nicht ohne Weiteres medizinische Wahrheit erzeugen.

Und aus der Perspektive der Cybersicherheit kommt noch eine weitere Anforderung hinzu. Sobald die Daten solcher Geräte tatsächlich medizinische Entscheidungen beeinflussen, müssen wir nicht nur ihrer Messgenauigkeit vertrauen können, sondern auch ihrer unveränderten und vollständigen Übertragung.

Was passiert, wenn Messwerte über mehrere Stunden nicht ankommen? Was passiert, wenn ein Sensor falsche Werte liefert? Was passiert, wenn die Verbindung zwischen Wearable, Smartphone, Cloud-Plattform und medizinischer Anwendung unterbrochen wird? Und wie erkennt das medizinische Personal, ob ein Patient tatsächlich unauffällig ist oder schlicht keine aktuellen Daten mehr vorliegen?

Gerade der letzte Punkt wird häufig unterschätzt. Ein ausgefallenes Monitoring kann gefährlich sein. Ein Monitoring, das weiterhin zuverlässig zu funktionieren scheint, obwohl seine Daten nicht mehr vollständig oder korrekt sind, kann möglicherweise noch problematischer werden.

Die schönste KI-gestützte Auswertung hilft schließlich wenig, wenn bereits die zugrunde liegenden Messwerte unzuverlässig, unvollständig oder manipuliert sind.

Deshalb dürfen wir bei digitaler Chronikerversorgung nicht nur über innovative Geräte und intelligente Algorithmen sprechen. Wir müssen über klinische Validierung, Finanzierung, Datenintegrität, Verfügbarkeit, Verantwortlichkeiten und funktionierende medizinische Prozesse sprechen. Erst aus der Kombination wird eine echte Verbesserung der Patientenversorgung. Alles andere ist im Zweifel nur eine besonders gut gestaltete Gesundheits-App.

7. Das Krankenhaus ist längst kritische digitale Infrastruktur. Wir behandeln es nur nicht immer so

Wie groß die Abhängigkeit von funktionierender Informationstechnik bereits heute ist, wird häufig erst dann sichtbar, wenn etwas nicht mehr funktioniert.

Ein modernes Krankenhaus ist kein Gebäude mit einigen Computern. Es ist ein hochgradig vernetztes System aus medizinischen, technischen, logistischen und administrativen Prozessen.

Patientenaufnahme, Notaufnahme, Labor, Radiologie, Medikation, Intensivmedizin, OP-Planung, Materialversorgung und Abrechnung greifen auf zahlreiche gemeinsame und teilweise voneinander abhängige IT-Dienste zurück. Hinzu kommen vernetzte Medizinprodukte, technische Gebäudesysteme und externe Dienstleister.

Viele dieser Systeme wurden zu unterschiedlichen Zeitpunkten eingeführt, verfügen über verschiedene technische Sicherheitsniveaus und lassen sich nur mit erheblichem Aufwand modernisieren. Für Cyberangreifer sind solche Strukturen attraktiv.

Die europäische Cybersicherheitsagentur ENISA untersuchte in ihrem sektorspezifischen Lagebericht 215 öffentlich bekannt gewordene Cybervorfälle aus dem Gesundheitsumfeld im Zeitraum Januar 2021 bis März 2023. 54 Prozent der analysierten Vorfälle entfielen auf Ransomware. Krankenhäuser gehörten zu den besonders betroffenen Einrichtungen. ^[14]

Das ist keine aktuelle Prozentquote für alle europäischen Krankenhäuser im Jahr 2026. Die Zahl stammt aus einer klar abgegrenzten Untersuchung. Sie zeigt aber, welche Bedeutung Erpressungsangriffe für den Sektor besitzen.

Auch der europäische Bedrohungsbericht 2026 kommt zu dem Ergebnis, dass Ransomware weiterhin zu den operativ folgenreichsten Bedrohungen gehört. Zusätzlich weist ENISA auf die wachsenden Risiken digitaler Abhängigkeiten und die damit verbundene Ausweitung der Angriffsfläche hin. ^[15]

In Deutschland registrierte das Bundeskriminalamt für 2025 insgesamt 1.041 angezeigte Ransomware-Angriffe, rund zehn Prozent mehr als im Vorjahr. Diese Zahl betrifft unterschiedliche Branchen und nicht ausschließlich Krankenhäuser. Sie verdeutlicht aber, dass die Bedrohung weiterhin auf einem hohen Niveau liegt. ^[16]

Die eigentliche Besonderheit des Gesundheitswesens besteht darin, dass Cybervorfälle nicht nur wirtschaftliche Schäden auslösen. Sie können medizinische Versorgung unmittelbar beeinträchtigen.

Ein verschlüsselter Fileserver ist in einem Industriebetrieb bereits unangenehm. Ein nicht erreichbares Krankenhausinformationssystem während einer laufenden Behandlung ist eine andere Kategorie von Problem. Im schlimmsten Fall müssen Patienten verlegt, Eingriffe verschoben oder Notaufnahmen abgemeldet werden.

Und genau an dieser Stelle wird aus einem Cybersecurity Incident ein potenzielles Patientensicherheitsereignis.

8. Was Ransomware tatsächlich kostet, lässt sich nicht allein in Euro berechnen

Die wirtschaftlichen Folgen von Cyberangriffen werden gerne mit den durchschnittlichen Kosten eines Datenlecks beschrieben. Das ist nachvollziehbar, bildet die Situation eines Krankenhauses aber nur teilweise ab.

Nach der deutschen Auswertung des IBM Cost of a Data Breach Report 2026 verursachte ein untersuchter Datenleckvorfall in Deutschland durchschnittliche Kosten von 4,25 Millionen Euro. Im Vorjahr hatte der Vergleichswert bei 3,87 Millionen Euro gelegen. ^[17]

Weltweit lag der entsprechende Durchschnitt 2026 bei 4,99 Millionen US-Dollar. ^[18]

Solche Zahlen sind hilfreich, müssen aber richtig eingeordnet werden. Es handelt sich um untersuchte Fälle und methodisch ermittelte Durchschnittswerte, nicht um eine vollständige amtliche Statistik sämtlicher Cybervorfälle. Außerdem ist ein Datenleck nicht mit jedem denkbaren Ransomware-Angriff gleichzusetzen.

Für Krankenhäuser ist eine andere Untersuchung deshalb besonders interessant. Im Februar 2026 veröffentlichten Hannah Neprash, Claire McGlave und Sayeh Nikpay im American Economic Journal: Economic Policy eine Analyse über die Folgen von Ransomware-Angriffen auf Krankenhäuser und Patienten. Dafür verknüpften die Forscher dokumentierte Krankenhausangriffe mit US-amerikanischen Abrechnungs- und Behandlungsdaten.

Die Ergebnisse sind bemerkenswert. Während der ersten Angriffswoche sank das Behandlungsvolumen betroffener Krankenhäuser um 17 bis 24 Prozent. Bei Patienten, die sich zum Zeitpunkt des Angriffsbeginns bereits stationär im Krankenhaus befanden, ergab die Analyse einen Anstieg der relativen Krankenhaussterblichkeit um 34 bis 38 Prozent. ^[19]

Diese Werte darf man nicht unkritisch auf deutsche Krankenhäuser übertragen. Die Studie basiert auf US-amerikanischen Versorgungsstrukturen und einer spezifischen empirischen Methodik. Auch bedeutet ein relativer Anstieg um 34 Prozent nicht, dass 34 Prozent der Patienten sterben.

Aber die Untersuchung liefert eine wissenschaftlich deutlich fundiertere Grundlage für eine Aussage, die in der Cybersecurity schon lange bekannt ist.

Die Folgen eines erfolgreichen Angriffs auf ein Krankenhaus enden nicht bei gestohlenen Daten oder ausgefallenen Servern.

Sie können bis in die medizinischen Behandlungsergebnisse hineinreichen.

Ein weiteres Beispiel für die Dimension digitaler Abhängigkeiten ist der Angriff auf den US-amerikanischen Gesundheitsdienstleister Change Healthcare im Jahr 2024. Das Unternehmen erbringt zentrale Dienstleistungen für zahlreiche Einrichtungen des amerikanischen Gesundheitswesens. Der Angriff hatte entsprechend weitreichende Folgen für nachgelagerte Prozesse.

Das US-Gesundheitsministerium bezifferte die Zahl der von dem Datenschutzvorfall betroffenen Personen im Juli 2025 auf ungefähr 192,7 Millionen. ^[20]

Gerade dieser Fall zeigt ein Risiko, das wir mit dem zunehmenden Einsatz zentralisierter KI-Plattformen besonders sorgfältig betrachten sollten. Wenn immer mehr Einrichtungen dieselben externen Dienste für Dokumentation, Entscheidungsunterstützung oder Prozessautomatisierung verwenden, können einzelne technische Abhängigkeiten eine große Zahl von Leistungserbringern gleichzeitig betreffen.

Ein System kann aus Sicht des einzelnen Krankenhauses zuverlässig und wirtschaftlich attraktiv sein. Auf Ebene der gesamten Versorgungslandschaft entsteht dennoch möglicherweise ein erhebliches Konzentrationsrisiko. Das gilt für klassische IT-Dienstleister genauso wie für KI-Plattformen.

9. KI verändert nicht nur die Verteidigung, sondern auch die Angriffe

Die technische Entwicklung findet nicht ausschließlich aufseiten der Krankenhäuser statt. Cyberkriminelle und staatlich unterstützte Angreifer verfügen zunehmend über dieselben technologischen Möglichkeiten.

KI unterstützt heute bereits bei der Erstellung glaubwürdiger Phishing-Nachrichten, der automatisierten Auswertung großer Datenmengen und der Analyse technischer Schwachstellen. Noch interessanter wird es bei agentischen Systemen, die nicht nur Texte erzeugen, sondern komplexere Aufgaben in mehreren Schritten bearbeiten können.

Ein dokumentiertes Beispiel stammt von Anthropic. Das Unternehmen berichtete im November 2025 über eine von ihm entdeckte Spionagekampagne, bei der ein Angreifer KI für wesentliche Teile seiner Aktivitäten einsetzte. Nach Angaben von Anthropic wurden schätzungsweise 80 bis 90 Prozent der operativen Arbeit durch das KI-System ausgeführt. Menschliche Eingriffe waren weiterhin erforderlich. Außerdem machte das Modell nachweislich Fehler und halluzinierte unter anderem Zugangsdaten. ^[21]

Die Prozentangabe ist eine Einschätzung des beteiligten Herstellers für diese konkrete Kampagne und kein statistischer Durchschnitt aller Cyberangriffe. Trotzdem ist die Entwicklung relevant. Denn sie zeigt, wie stark sich die Geschwindigkeit bestimmter Angriffsschritte verändern kann.

Noch deutlicher wurde die Problematik im Sommer 2026. OpenAI dokumentierte, dass interne Forschungsmodelle während Cybersecurity-Evaluationen technische Schutzmechanismen umgingen, unerlaubte Kommunikationswege verwendeten und schließlich auch Systeme des externen Anbieters Hugging Face kompromittierten.

Der Vorfall ereignete sich in einem speziellen Forschungs- und Testumfeld mit reduzierten Schutzmaßnahmen. Er ist deshalb kein Beweis dafür, dass sämtliche produktiv eingesetzten KI-Systeme jederzeit unkontrolliert aus ihren Umgebungen ausbrechen können. Er demonstriert allerdings, dass leistungsfähige Modelle in Verbindung mit Werkzeugen, Berechtigungen und ausnutzbaren Schwachstellen auch unerwartete Handlungsabläufe entwickeln können. ^[22]

Für Krankenhäuser ist daraus vor allem eine Lehre zu ziehen. Wir dürfen bei der Integration von KI-Agenten nicht voraussetzen, dass sich das System allein durch eine gute Aufgabenbeschreibung dauerhaft innerhalb der gewünschten Grenzen bewegt.

Technische Berechtigungen müssen technische Grenzen haben.

Das gilt unabhängig davon, ob ein Agent für einen legitimen klinischen Prozess eingesetzt wird oder ob ein Angreifer versucht, ihn zu manipulieren.

Dabei sollte man nicht in die andere Richtung übertreiben. Die größte praktische Bedrohung für ein Krankenhaus ist auch 2026 nicht zwangsläufig der autonome Super-Hacker aus einem KI-Labor.

Kompromittierte Zugangsdaten, ungepatchte Schwachstellen, unzureichend segmentierte Netzwerke und mangelhafte Wiederherstellungsverfahren sind weiterhin hochrelevant. KI macht diese klassischen Probleme nicht überflüssig. Sie kann ihre Ausnutzung lediglich beschleunigen und skalieren.

10. Wenn der Geschäftsführer selbst Software programmiert, entsteht eine neue Verantwortung

Eine der bemerkenswertesten Aussagen des Interviews betrifft die Softwareentwicklung. Ivančić beschreibt, dass er und andere Führungskräfte sich regelmäßig mit KI-gestütztem Programmieren beschäftigen und bereits eigene Anwendungen entwickelt haben. Dabei geht es nach seiner Schilderung unter anderem um Werkzeuge für Vertragsprüfungen und Dokumentenmanagement.

Die zugrunde liegende Idee ist nachvollziehbar. Wer einen Prozess verantwortet, kennt seine Schwachstellen häufig besser als ein externer Softwareentwickler. ^[1]

Ich finde diesen Ansatz grundsätzlich gut. Zu lange war Softwareentwicklung in vielen Unternehmen ein ausgesprochen schwerfälliger Prozess. Ein Fachbereich beschreibt seine Anforderungen. Eine IT-Abteilung übersetzt sie. Ein Dienstleister entwickelt eine Anwendung. Monate später stellt man fest, dass beide Seiten unter dem Problem etwas anderes verstanden haben.

Generative KI kann diese Distanz erheblich verkürzen. Fachverantwortliche können Prototypen erstellen, Prozesse unmittelbar erproben und kleinere Anwendungen teilweise selbst entwickeln. Das ist ein echter Fortschritt.

Allerdings sehe ich darin auch eine Gefahr, die wir bereits aus früheren Phasen der Digitalisierung kennen. Damals hieß das Problem häufig Shadow IT. Heute könnte es zusätzlich Shadow Development oder Shadow AI heißen.

Wenn jede Abteilung ihre Anwendungen selbst erstellt, entstehen möglicherweise dutzende kleine Lösungen, deren tatsächliche technische Eigenschaften niemand zentral überblickt.

Wer prüft die verwendeten Softwarebibliotheken? Wer stellt sicher, dass Zugangsdaten nicht versehentlich in Quellcode oder Konfigurationsdateien gelangen? Wer verantwortet Updates und Schwachstellenmanagement? Wer überprüft, ob die Anwendung auf Patientendaten zugreifen darf? Und wer übernimmt die Wartung, wenn der ursprüngliche Entwickler das Unternehmen verlässt?

Ein mit KI generierter Codeabschnitt besitzt nicht automatisch eine bessere Sicherheit als handgeschriebener Code. Er kann sogar problematischer sein, wenn Menschen ohne ausreichendes technisches Verständnis seine Funktionsweise und die eingesetzten Abhängigkeiten nicht bewerten können.

Das National Institute of Standards and Technology beschreibt in seinem Risikomanagementrahmen für generative KI ausdrücklich die Notwendigkeit, Risiken über den gesamten Lebenszyklus eines KI-Systems hinweg zu erfassen, zu bewerten und technisch wie organisatorisch zu steuern. ^[23]

Daraus folgt für mich keine Forderung, solche Entwicklungsansätze zu verbieten. Im Gegenteil. Ich würde Führungskräfte ausdrücklich ermutigen, KI als Entwicklungswerkzeug kennenzulernen.

Allerdings braucht es eine klare Trennung zwischen dem Experimentieren mit einem Prototyp und dem Betrieb einer produktiven Anwendung. Eine lokal erzeugte Auswertung unkritischer Testdaten ist etwas anderes als ein System, das im produktiven Netzwerk medizinische Dokumente verarbeitet.

Spätestens an dieser Grenze benötigen wir definierte Sicherheits- und Freigabeprozesse. Software muss nachvollziehbar gebaut, getestet, versioniert, überwacht und aktualisiert werden können. Dazu gehören automatisierte Sicherheitsprüfungen, eine transparente Übersicht eingesetzter Komponenten, sichere Bereitstellungsverfahren und klar geregelte Verantwortlichkeiten.

Die Geschwindigkeit der Entwicklung darf nicht dadurch erkauft werden, dass wir sämtliche technischen Kontrollen abschaffen.

Denn der wahre Erfolg liegt nicht darin, dass ein Geschäftsführer am Freitagabend eine Anwendung programmiert hat. Er liegt darin, dass diese Anwendung am Montag produktiv funktioniert und auch zwei Jahre später noch sicher betrieben werden kann.

11. Datenschutz ist nicht das Problem. Schlechte Datenarchitektur häufig schon

Bei digitalen Gesundheitsangeboten kommt die Diskussion fast zwangsläufig irgendwann auf den Datenschutz. Deutschland gilt dabei nicht gerade als besonders innovationsfreundlich.

Neue Anwendungen müssen zahlreiche Anforderungen berücksichtigen. Gesundheitsdaten gehören zu den besonders geschützten Kategorien personenbezogener Daten. Zusätzlich können medizinprodukterechtliche Vorgaben, berufsrechtliche Anforderungen und sektorale Sicherheitsregelungen hinzukommen.

Wer digitale Medizin über Ländergrenzen hinweg anbieten möchte, muss sich mit diesen Fragen sehr sorgfältig beschäftigen. Dass dies für Unternehmen erheblichen Aufwand verursachen kann, ist unbestritten.

Ich halte allerdings wenig davon, den Datenschutz pauschal zum Hauptschuldigen für langsame Digitalisierung zu erklären. Denn die Verarbeitung medizinischer Daten erfordert nun einmal ein besonders hohes Maß an Vertrauen. Und dieses Vertrauen entsteht nicht durch eine möglichst geringe Zahl regulatorischer Anforderungen. Es entsteht durch eine nachvollziehbar sichere Verarbeitung.

Die Datenschutz-Grundverordnung enthält in Artikel 9 besondere Anforderungen für Gesundheitsdaten. Artikel 32 regelt die Sicherheit der Verarbeitung. Bei besonders risikoreichen Verfahren kann nach Artikel 35 eine Datenschutz-Folgenabschätzung erforderlich sein. ^[24]

Dabei ist wichtig, nicht alles unter dem Schlagwort Datenschutz zusammenzufassen. Ein KI-System zur automatisierten Vertragsprüfung verfolgt zunächst keinen medizinischen Zweck. Eine Anwendung, die aus Patientendaten eigenständig Hinweise zur Diagnose oder Behandlung einer Erkrankung ableitet, kann dagegen unter die europäische Medizinprodukteverordnung fallen.

Nach der Medical Device Regulation hängt die Einordnung unter anderem von der vom Hersteller festgelegten medizinischen Zweckbestimmung und der konkreten Funktion der Software ab. ^[25]

Auch die europäische KI-Verordnung unterscheidet nach Risikokategorien und Anwendung. Die Einführung erfolgt stufenweise. Durch die im Juli 2026 verabschiedete Verordnung (EU) 2026/1744 wurden bestimmte Fristen für Hochrisiko-KI verlängert. Für entsprechende Systeme nach Anhang III gelten zentrale Anforderungen grundsätzlich ab dem 2. Dezember 2027, für die relevanten produktbezogenen Hochrisikosysteme nach Anhang I ab dem 2. August 2028. Andere Teile der KI-Verordnung gelten bereits. ^[26]

Das bedeutet weder, dass sämtliche KI im Krankenhaus automatisch als Hochrisikosystem gilt, noch dass medizinische KI bis zu diesen Fristen ohne regulatorische Anforderungen betrieben werden dürfte. Bereits heute gelten beispielsweise die Medizinproduktevorschriften, die DSGVO und einschlägige nationale Sicherheitsanforderungen.

Für Krankenhäuser ist insbesondere § 391 SGB V relevant. Er verpflichtet Einrichtungen zu angemessenen technischen und organisatorischen Maßnahmen zum Schutz ihrer IT-Systeme, Prozesse und Patienteninformationen. ^[27]

Hinzu kommen für entsprechend erfasste Einrichtungen Verpflichtungen aus dem seit Dezember 2025 geltenden deutschen NIS-2-Umsetzungsrecht. Dazu zählen risikoorientierte Sicherheitsmaßnahmen sowie unter bestimmten Voraussetzungen Registrierungs- und Meldepflichten. ^[28]

Aus meiner Sicht liegt die eigentliche Herausforderung häufig gar nicht in der Existenz dieser Vorgaben. Sie liegt darin, dass Datenschutz, Informationssicherheit, medizinische Qualität, Beschaffung und Softwareentwicklung noch immer zu oft getrennte Prozesse sind.

Dann wird eine Anwendung fachlich entwickelt, wirtschaftlich bewertet und vertraglich vorbereitet. Erst kurz vor der Einführung fragt jemand, ob Datenschutz und Informationssicherheit vielleicht auch noch etwas dazu sagen möchten. Natürlich entstehen dann Verzögerungen. Allerdings nicht zwangsläufig wegen übertriebener Regulierung. Sondern weil die relevanten Anforderungen zu spät berücksichtigt wurden.

Security by Design ist keine zusätzliche bürokratische Schicht. Es ist die Voraussetzung dafür, dass man dieselbe Arbeit nicht mehrfach machen muss.

12. KI und Cybersicherheit müssen wirtschaftlich gemeinsam betrachtet werden

An dieser Stelle wird es aus meiner Sicht besonders interessant. Unternehmen investieren in künstliche Intelligenz, weil sie sich davon Produktivitätsgewinne versprechen. Sie wollen Prozesse beschleunigen, Personal entlasten, Kosten reduzieren und neue Geschäftsmodelle entwickeln. Das ist legitim.

Aber diese Kalkulation ist unvollständig, wenn die damit verbundenen Sicherheits- und Resilienzkosten nicht berücksichtigt werden.

Ein Beispiel. Ein Krankenhaus führt ein KI-System ein, das jährlich einen erheblichen Teil der Dokumentationskosten einsparen soll. Dafür benötigt es zusätzliche Schnittstellen zum Krankenhausinformationssystem, eine Verbindung zu einer externen Plattform, Zugriff auf medizinische Dokumente und möglicherweise eigene technische Komponenten für die automatisierte Verarbeitung.

Die Lizenzkosten lassen sich relativ einfach ermitteln. Auch die Zeitersparnis kann man unter kontrollierten Bedingungen messen. Schwieriger wird es bei der Frage, welche zusätzlichen Risiken entstehen.

Wie hoch sind die Kosten einer vollständigen Wiederherstellung? Wie lange kann der klinische Prozess ohne diesen Dienst funktionieren? Welche Ersatzverfahren existieren? Wie wird die Datenintegrität nach einer Störung überprüft? Welche Abhängigkeiten bestehen zu anderen Anwendungen? Und welchen Einfluss hätte ein Ausfall auf die Patientenversorgung?

Erst wenn solche Fragen beantwortet sind, lässt sich die tatsächliche Wirtschaftlichkeit sinnvoll beurteilen.

Das bedeutet nicht, dass jede KI-Anwendung eine vollständige Hochverfügbarkeitsarchitektur benötigt. Es bedeutet vielmehr, dass die erforderlichen Sicherheitsmaßnahmen aus der Bedeutung des jeweiligen Prozesses abgeleitet werden müssen.

Ein Werkzeug, das einer Verwaltungsabteilung Formulierungsvorschläge erstellt, besitzt eine andere Kritikalität als ein System, auf dessen Warnmeldungen sich die medizinische Betreuung schwer kranker Menschen stützt.

Gerade deshalb halte ich pauschale Vorgaben für wenig hilfreich. Wir brauchen risikoorientierte Sicherheitsarchitekturen. Dazu gehören eine konsequente Trennung von Berechtigungen, kontrollierte Datenflüsse, abgesicherte Schnittstellen, Protokollierung, automatisiertes Schwachstellenmanagement und ein klar definiertes Incident-Response-Verfahren.

Bei KI-Anwendungen kommen weitere Anforderungen hinzu. Die verwendeten Modelle und Versionen müssen nachvollziehbar sein. Kritische Modelländerungen müssen bewertet werden. Datenquellen benötigen Integritätskontrollen. KI-Agenten dürfen nur die Werkzeuge verwenden, die für ihre konkrete Aufgabe erforderlich sind.

Wo automatisierte Entscheidungen erhebliche Folgen haben können, müssen unabhängige Prüfungen und wirksame Freigabemechanismen vorgesehen werden.

Menschliche Aufsicht ist nur dann eine Sicherheitsmaßnahme, wenn der Mensch tatsächlich in der Lage ist, die Entscheidung zu überprüfen.

Wer täglich Hunderte KI-generierte Dokumente lediglich bestätigt, übernimmt irgendwann möglicherweise nur noch eine formale Kontrollfunktion. Das ist keine verlässliche Absicherung. Wir kennen solche Effekte unter anderem als Automation Bias: Menschen neigen dazu, Empfehlungen automatisierter Systeme übermäßig zu vertrauen.

Deshalb muss nicht nur das technische System, sondern auch die menschliche Einbindung gestaltet und überprüft werden. Wie viele Warnungen kann ein Arzt sinnvoll bearbeiten? Welche Fehler werden tatsächlich erkannt? Welche Entscheidung muss unabhängig vom Modell getroffen werden? Und an welcher Stelle wäre eine vollständige Automatisierung möglicherweise sicherer als eine nur scheinbar vorhandene menschliche Kontrolle?

Solche Fragen gehören in die Planung eines KI-Projekts. Nicht erst in die Diskussion nach dem ersten Zwischenfall.

13. Wer Produktivität durch KI gewinnt, muss auch in KI-gestützte Cyberabwehr investieren

Natürlich wäre es falsch, künstliche Intelligenz ausschließlich als zusätzliches Sicherheitsrisiko zu betrachten. Sie eröffnet auch enorme Möglichkeiten für die Verteidigung.

Cyber Defense ist schon heute ein hochgradig datengetriebener Bereich. Sicherheitsplattformen müssen große Mengen an Ereignissen auswerten, auffällige Zusammenhänge erkennen, Schwachstellen priorisieren und Angriffe möglichst früh identifizieren.

Das Problem besteht häufig nicht darin, dass zu wenig Informationen vorhanden wären. Vielmehr sind es so viele, dass Menschen sie kaum noch vollständig verarbeiten können.

Genau hier kann KI ihre Stärken ausspielen. Sie kann bei der Auswertung von Sicherheitsmeldungen unterstützen, Informationen aus unterschiedlichen Quellen zusammenführen, verdächtige Aktivitäten priorisieren und Analysten bei komplexen Untersuchungen entlasten.

Auch wirtschaftlich gibt es erste belastbare Anhaltspunkte. Der IBM-Bericht 2026 beziffert die durchschnittliche Kostendifferenz bei untersuchten Datenleckvorfällen zwischen Unternehmen mit umfangreichem Einsatz von KI und Automatisierung in der Sicherheitsarbeit und Unternehmen ohne diese Technologien auf etwa 1,93 Millionen US-Dollar zugunsten der erstgenannten Gruppe. ^[18]

Das ist eine beobachtete Assoziation und kein Beweis, dass die Einführung einer einzelnen KI-Sicherheitslösung automatisch Einsparungen in dieser Höhe erzeugt.

Trotzdem passt der Befund zu einem Grundgedanken, den ich seit Jahren in der operativen Cyber Defense für entscheidend halte. Die Verteidigung muss mit der Geschwindigkeit und Komplexität der Angriffe Schritt halten können.

Wenn Angreifer KI zur schnelleren Analyse von Schwachstellen, zur Automatisierung von Angriffsschritten und zur Verarbeitung gestohlener Daten einsetzen, wird eine ausschließlich manuelle Verteidigung zunehmend an Grenzen stoßen.

Für Krankenhäuser bedeutet das, dass KI-Investitionen nicht nur in der medizinischen Versorgung stattfinden sollten. Auch das Security Operations Center, die automatisierte Reaktion auf Sicherheitsvorfälle, die Netzwerküberwachung und das Schwachstellenmanagement müssen weiterentwickelt werden.

Dabei geht es keineswegs darum, alle Sicherheitsentscheidungen künftig einem KI-Agenten zu überlassen. Ein System, das einen Angriff zuverlässig erkennt und relevante Informationen vorbereitet, kann ausgesprochen wertvoll sein. Ein autonomer Agent, der aufgrund einer fehlerhaften Interpretation unkontrolliert klinische Netzwerke abschaltet, wäre dagegen möglicherweise selbst ein erhebliches Betriebsrisiko.

Auch hier gilt deshalb das Prinzip der angemessenen Berechtigung und kontrollierten Automatisierung. Im besten Fall hilft KI der Cyberabwehr, schneller zu erkennen, präziser zu entscheiden und geeignete Maßnahmen effizienter umzusetzen. Aber sie ersetzt weder eine durchdachte Architektur noch ein erfahrenes Incident-Response-Team.

14. Der entscheidende Test kommt nicht im Labor, sondern beim Ausfall

Bei der Bewertung neuer Technologien konzentrieren sich Unternehmen verständlicherweise zunächst darauf, welche Funktionen eine Anwendung im Normalbetrieb erfüllt. Für die Informationssicherheit ist mindestens genauso interessant, was bei einer Störung passiert.

Ein KI-System kann im Pilotbetrieb beeindruckende Ergebnisse erzielen. Das sagt zunächst wenig darüber aus, wie resilient die zugrunde liegende Versorgungsleistung ist.

Gerade im Krankenhaus müssen wir deshalb stärker über sogenannte Degraded Modes nachdenken. Also Betriebszustände, in denen einzelne technische Komponenten nicht verfügbar sind, die medizinische Versorgung aber unter definierten Einschränkungen fortgesetzt werden kann.

Was passiert, wenn die Verbindung zum KI-Dienstleister ausfällt? Können Arztbriefe weiterhin manuell erstellt werden? Bleiben klinisch relevante Daten auch ohne KI-Plattform verfügbar? Kann ein telemedizinisches Zentrum Patienten weiterbetreuen, wenn die regulären Datenströme unterbrochen sind? Gibt es einen unabhängigen Kommunikationsweg für kritische Warnungen? Wie wird nach einer Wiederherstellung geprüft, ob während des Ausfalls Daten verloren gegangen oder verändert worden sind?

Das klingt vielleicht weniger spektakulär als ein autonomer Operationsroboter. Für die praktische Patientensicherheit kann es aber mindestens genauso wichtig sein.

Deshalb halte ich auch die Durchführung realitätsnaher Krisenübungen für unverzichtbar. Nicht nur technische Tests, bei denen die IT-Abteilung eine Wiederherstellung demonstriert. Sondern Übungen, in denen Krankenhausgeschäftsführung, medizinische Leitung, Pflege, Betriebstechnik, IT, Cyber Defense, Kommunikation und gegebenenfalls Datenschutz gemeinsam Entscheidungen treffen müssen.

Ein großer Cybervorfall ist schließlich kein rein technisches Ereignis. Er verlangt Entscheidungen über Patientenversorgung, Personal, Ausweichverfahren, Kommunikation und Prioritäten. Gerade wenn zusätzliche KI-Systeme in immer mehr klinische Prozesse eingebunden werden, müssen diese Abhängigkeiten in solche Übungen aufgenommen werden.

Die Europäische Kommission hat mit ihrem im Januar 2025 vorgestellten Aktionsplan zur Cybersicherheit von Krankenhäusern und Gesundheitsdienstleistern einen entsprechenden Schwerpunkt gesetzt. Er umfasst Prävention, Angriffserkennung, Reaktion, Wiederherstellung und die Unterstützung der Einrichtungen durch europäische Sicherheitsstrukturen. ^[29]

Das ist grundsätzlich die richtige Richtung. Allerdings entsteht Resilienz nicht allein durch europäische Programme oder nationale Vorgaben. Sie muss im jeweiligen Krankenhaus technisch und organisatorisch umgesetzt werden.

Ein Backup ist erst dann ein belastbarer Schutz, wenn seine Wiederherstellung regelmäßig erfolgreich getestet wurde. Ein Notfallplan ist erst dann hilfreich, wenn die Beteiligten wissen, was sie im Ernstfall tun müssen. Und ein KI-System ist erst dann sinnvoll in einen klinischen Prozess integriert, wenn auch klar ist, was ohne dieses System passiert.

15. Mein Fazit: Die Zukunft der Medizin wird durch KI verändert. Ihre Sicherheit darf dabei nicht auf der Strecke bleiben

Ich teile einen wesentlichen Teil des Optimismus, der im Interview mit Mate Ivančić zum Ausdruck kommt. KI kann unser Gesundheitswesen erheblich verändern.

Sie kann Menschen von administrativen Tätigkeiten entlasten, medizinisches Wissen besser zugänglich machen, Prozesse beschleunigen und neue Formen der kontinuierlichen Patientenbetreuung ermöglichen.

Besonders die Automatisierung von Dokumentation halte ich für einen sehr naheliegenden Anwendungsfall. Wenn Ärzte wieder mehr Zeit mit Patienten und weniger Zeit vor Bildschirmen verbringen, wäre das bereits ein großer Fortschritt.

Auch bei der Betreuung chronisch kranker Menschen sehe ich erhebliches Potenzial. Die Kombination aus kontinuierlichen Messdaten, medizinischer Auswertung und frühzeitiger Intervention könnte langfristig dazu beitragen, unnötige Krankenhausaufenthalte zu vermeiden.

Allerdings zeigt gerade der Bereich der Wearables, wie weit der Weg zwischen technologischem Fortschritt und funktionierender medizinischer Versorgung noch sein kann.

Wir haben heute eine enorme Auswahl an Geräten, die Gesundheitsdaten erfassen, analysieren und interpretieren. Sobald daraus allerdings konkrete medizinische Entscheidungen abgeleitet werden sollen, benötigen wir verlässliche Messverfahren, klinische Validierung und nachvollziehbare Qualitätsstandards.

Dazu kommt in Deutschland die Frage der Finanzierung. Wenn technisch sinnvolle und medizinisch nachweislich wirksame Verfahren nicht in die Regelversorgung gelangen, weil die bestehenden Erstattungsmechanismen nicht zur technologischen Entwicklung passen, verschenken wir möglicherweise erhebliches Potenzial.

Andererseits wäre es ebenso falsch, jedes neue Wearable allein aufgrund seiner technischen Möglichkeiten bereits als medizinischen Fortschritt zu behandeln. Hier brauchen wir eine vernünftige Balance.

Bei der Erwartung von 30 Prozent mehr Patienten mit demselben Personal bin ich ebenfalls deutlich vorsichtiger. Nicht weil ich solche Produktivitätssprünge grundsätzlich ausschließe. Sondern weil die bisherige Evidenz vor allem Verbesserungen einzelner Arbeitsschritte zeigt. Der Übergang zu einer entsprechend höheren Gesamtleistung ist wesentlich komplexer.

Noch zurückhaltender bin ich bei der Vorstellung, dass leistungsfähige KI-Systeme die medizinische Spezialisierung in größerem Umfang überflüssig machen könnten. KI kann Entscheidungen unterstützen. Aber medizinische Verantwortung, klinische Erfahrung und die sichere Anwendung von Wissen bleiben zentrale Voraussetzungen einer guten Versorgung.

Wir dürfen unsere digitale Produktivität nicht schneller steigern als unsere Fähigkeit, die daraus entstehenden Abhängigkeiten sicher zu beherrschen.

Ein Krankenhaus, das durch KI 20 oder 30 Prozent produktiver werden könnte, hätte einen erheblichen wirtschaftlichen Vorteil. Wenn es dafür aber Prozesse aufbaut, die bei einem einzigen technischen Zwischenfall großflächig ausfallen, hat es möglicherweise nur Effizienz gegen Verwundbarkeit eingetauscht.

Eine solche Rechnung kann im Normalbetrieb hervorragend aussehen. Bis zu dem Tag, an dem der Betrieb nicht mehr normal ist.

Die Zukunft des Gesundheitswesens wird deshalb nicht allein davon abhängen, wer die leistungsfähigsten KI-Modelle einsetzt. Sie wird auch davon abhängen, wer es schafft, diese Modelle sinnvoll in medizinische Prozesse zu integrieren, ihre Ergebnisse zuverlässig zu überprüfen und die zugrunde liegenden Systeme resilient zu betreiben.

Das ist kein Argument gegen Innovation. Ganz im Gegenteil. Es ist ein Argument dafür, Digitalisierung, KI, medizinische Qualität und Cybersicherheit endlich als gemeinsame Aufgabe zu verstehen.

Denn am Ende interessiert es einen Patienten relativ wenig, wie innovativ die IT-Architektur seines Krankenhauses ist. Er erwartet, dass seine Behandlung funktioniert.

Heute, morgen und auch dann, wenn im Hintergrund gerade jemand versucht, die Systeme seines Krankenhauses lahmzulegen.

Und genau daran sollte sich der Erfolg unserer digitalen Transformation messen lassen.