05501 Warum KI in Deutschlands Kliniken ins Stocken gerät

Es ist früher Vormittag. Die Stationsärztin balanciert einen Stapel Papierbefunde über den Flur, sucht nach unterschriebenen Aufklärungsbögen, telefoniert mit dem Labor und wartet auf nachgereichte Bilddaten, die nicht im System liegen. Auf dem Kongress eine Woche zuvor wurde noch darüber gesprochen, dass KI in der Lage sei, Sepsisrisiken zu erkennen, bevor der Mensch klinische Veränderungen bemerkt. Doch zwischen Kongress und Klinikalltag liegt ein Graben, der in Deutschland tiefer scheint als in vielen anderen Ländern Europas. Weltweit gewinnt KI an Einfluss: Zwischen 1990 und 2021 stieg die Zahl der medizinischen KI-Publikationen massiv an, besonders seit 2018 ist ein deutlicher Sprung sichtbar. Auch der globale Datenstrom wächst rasant, insbesondere im Gesundheitswesen, das jährlich rund 36 % mehr Daten generiert als im Vorjahr [1]. Doch obwohl Deutschland wissenschaftlich sichtbar bleibt und Strategiepapiere im Jahrestakt veröffentlicht, zeigen internationale Vergleiche ein anderes Bild.

Im Digital Economy and Society Index (DESI) rangiert Deutschland seit Jahren im europäischen Mittelfeld. Der Global Innovation Index führt Deutschland zwar auf Platz 8 – allerdings hauptsächlich aufgrund starker Forschung, nicht wegen der praktischen Umsetzung digitaler Versorgung [2]. Und die Nutzung der Telemedizin blieb mit 23 % weit hinter dem europäischen Durchschnitt zurück [3].

Rückstand im stationären Bereich
Besonders deutlich ist der Rückstand im stationären Bereich. Laut EMRAM-Score lag der Digitalisierungsgrad deutscher Krankenhäuser 2019 auf einer Skala von 0 bis 7 bei lediglich 2,3 – ein klarer Hinweis auf fehlende Echtzeit-Dokumentation, unzureichende Interoperabilität und geringe Automatisierung [4]. Während in anderen Ländern elektronische Patientenakten, integrierte Bilddaten und durchgängig digitale Workflows Standard werden, kämpfen deutsche Kliniken oft noch mit Medienbrüchen.

Diese strukturellen Defizite wirken direkt auf den Einsatz von KI. Denn ohne Daten, Standards und stabile Prozesse bleibt jede technische Innovation ein isolierter Versuch.

Die Einführung von KI ist kein Softwareprojekt, sondern ein Organisationsprojekt. Viele Einrichtungen verfügen nicht über die personellen und strukturellen Voraussetzungen, um datengetriebene Technologien sinnvoll zu implementieren. In Studien werden wiederholt erhebliche Qualifikationslücken genannt, insbesondere im Bereich Datenkompetenz, IT-Sicherheit und Prozessgestaltung.

Einbindung der Anwender
Medizinisches Personal arbeitet unter hohem Zeitdruck, Schulungen finden oft „nebenbei” statt und geraten im klinischen Alltag ins Hintertreffen. Für KI ist das problematisch. Modelle müssen nicht nur bedient, sondern verstanden werden, um sicher und verantwortungsvoll eingesetzt zu werden. Ohne ausreichende Einbindung der Anwender entstehen Informationslücken, Unsicherheiten und letztlich Ablehnung.

Häufig fehlt zudem eine klare Governance-Struktur. Wer entscheidet über Updates? Wer prüft Modellvalidität? Wer trägt Verantwortung, wenn ein System inkorrekte Vorschläge macht? Diese Fragen werden vielerorts nicht ausreichend beantwortet, obwohl sie über den Erfolg oder Misserfolg von KI-Projekten entscheiden. In einem Umfeld, in dem Zuweisungen, Verantwortlichkeiten und Datenwege unklar bleiben, wächst die Sorge, dass neue Technologien mehr Risiken als Lösungen bringen.

Kernproblem Fragmentierung
Ein Kernproblem deutscher Kliniken ist die Fragmentierung ihrer IT-Landschaften. Über Jahrzehnte gewachsene Systeme verwenden unterschiedliche Datenstrukturen, proprietäre Formate und inkompatible Schnittstellen. Radiologie, Labor, Verwaltung und Pflege arbeiten oft mit getrennten Plattformen, die nur unzureichend miteinander kommunizieren.

Studien betonen, dass genau diese fehlende Interoperabilität einer der größten Bremsfaktoren für KI-Anwendungen ist – nicht die Modelle selbst [5]. Ohne standardisierte Daten, semantische Klarheit und einheitliche Schnittstellen geraten KI-Projekte häufig zum Experiment, das nicht skalierbar ist. Während Länder wie Estland, Dänemark oder die Niederlande früh in interoperable Datenräume investiert haben, hängt Deutschland hinterher. Die Digitalisierung lief über Jahre dezentral, unkoordiniert und ohne gemeinsame technische Grundlage.

KI-Systeme müssen jedoch Daten aus unterschiedlichen Quellen integrieren, bewerten und über Zeiträume vergleichen können. Wo dieses Fundament fehlt, bleibt Künstliche Intelligenz ein isoliertes Leuchtturmprojekt. Erschwerend kommt ein wachsender Energiebedarf hinzu: Rechenzentren zählen zu den schnell wachsenden Stromverbrauchern weltweit. Nach Projektionen wird der Energiebedarf von Datencentern in Europa bis 2030 um das Dreifache steigen. Für Deutschland wird ein zusätzlicher Verbrauch von 35 TWh erwartet – etwa ein Viertel des Strombedarfs aller deutschen Privathaushalte –, was angesichts hoher Stromkosten sowohl ökologisch als auch ökonomisch zur Herausforderung wird [6].

Die Einführung von KI-Systemen ist mit hohen Kosten verbunden. Dazu gehören nicht nur Software-Lizenzen und Hardware, sondern auch Anpassung der Infrastruktur, Integration bestehender Systeme, Schulungen und laufende Betriebsaufwände. Zahlreiche Einrichtungen kämpfen bereits heute mit knappen Budgets für IT-Modernisierung.

Individuell angepasste Lösungen sind besonders teuer. Sie erfordern meist dedizierte Entwicklungsressourcen, Schnittstellenprogrammierung und umfangreiche Testverfahren. Hinzu kommt, dass die Integration in bestehende Systeme häufig über komplexe Middleware, APIs und Übergangsarchitekturen erfolgen muss.

Auch der Betrieb verursacht dauerhaft Kosten: Cloud-Services, Updates, Sicherheitspatches, Ausfallschutz, Überwachung und die Beschäftigung spezialisierter Teams sind keine einmaligen Ausgaben. Regelmäßige Fortbildungen erhöhen die Dauerlast zusätzlich.