Healthcare Leadership in der KI-Transformation: Warum Führung zum limitierenden Faktor wird

Die KI-Technologie ist im Gesundheitswesen angekommen. Der entscheidende Engpass liegt heute in Führung, Prozessdesign und Governance. Dieser Impuls zeigt, wie Leitungsteams KI in messbare Prozess- und Ergebnisverbesserung überführen und Kompetenzerosion wirksam vorbeugen.

Executive Summary

1. Ausgangslage: Die Technologie ist angekommen, die Organisation nicht

Die Adoptionsdebatte im Gesundheitswesen ist weitgehend abgeschlossen. Nach der McKinsey-Erhebung unter 150 US-Healthcare-Organisationen setzen 50 % generative KI produktiv ein. Mehr als 80 % haben erste Anwendungsfälle bis zum Endanwender ausgerollt. 82 % erwarten einen positiven Return on Investment. 45 % können diesen bereits quantifizieren.[1]

Auf der Anwenderseite zeigt sich ein ähnliches Bild. Die AMA-Befragung von rund 1.700 Ärztinnen und Ärzten weist eine berufliche KI-Nutzung von 81 % aus. 76 % sehen einen Nutzen für die Versorgungsqualität. 70 % erwarten Entlastung bei belastungstreibenden Tätigkeiten.[2]

Nutzung allein schafft jedoch noch keinen Wert. Die vierte BCG-Erhebung mit 11.749 Befragten aus 14 Märkten zeigt: Nur 42 % der Organisationen behandeln KI als kollektive Veränderung ganzer End-to-End-Prozesse. Die Mehrheit arbeitet weiterhin mit verteilten Einzelwerkzeugen ohne gemeinsame Prozesslogik. An dieser Stelle entscheidet Führung über Ergebnis oder Enttäuschung.[3]

2. Der eigentliche Engpass ist Führung, nicht Technologie

Die BCG-Daten zeigen, was in der Praxis häufig fehlt: Klarheit, Richtung und Verbindlichkeit. Modelle, Rechenkapazität und Lizenzen lösen diese Führungsaufgabe nicht.[3]

Die zentrale Erkenntnis lautet: Beschäftigte mit klarer Strategie und begrenztem Werkzeugzugang erzielen bessere Ergebnisse als Beschäftigte mit umfangreichem Werkzeugzugang ohne Richtung. Das nächste Lizenzpaket ersetzt keine Entscheidung darüber, welcher Prozess künftig anders laufen soll.[3]

Die Deloitte-Befragung unter 100 US-Technologieführungskräften aus Gesundheitssystemen und Kostenträgern beschreibt zudem eine sich öffnende Schere. 61 % bauen bereits agentische KI auf oder haben Budgets gesichert. 85 % wollen ihre Investitionen in den nächsten zwei bis drei Jahren erhöhen. Unter frühen Anwendern erwarten 59 % Kosteneffekte über 20 %, unter abwartenden Organisationen lediglich 13 %.[5]

3. Was das für Abläufe bedeutet: drei Reifegrade

Der wirksamste Führungsschritt ist die ehrliche Einordnung des eigenen Reifegrads. Die folgende Systematik eignet sich als Diagnoseraster.

Der Schritt von Stufe 1 zu Stufe 2 wird besonders häufig übersprungen. Er erfordert aktives Deprecation-Management. Während der Validierung ist ein Parallelbetrieb des KI-gestützten und des manuellen Wegs richtig. Er erzeugt Zusatzlast, wenn kein Termin, kein Kriterium und keine verantwortliche Rolle für die Beendigung des Altprozesses definiert sind.

Auch die Zeitdividende braucht Führung. KI setzt Zeit in vielen kleinen Einheiten frei. Ohne klare Entscheidung wird sie von bestehenden Aufgaben absorbiert und bleibt nicht nachweisbar. Leitungsteams sollten vorab festlegen, ob die Zeit in zusätzliche Fallzahl, Qualitätsarbeit, Weiterbildung oder Entlastung fließt, und dies messbar machen.[3]

4. Das unterschätzte Risiko: Kompetenzerosion

Die wichtigste Frage lautet nicht nur, ob KI Leistung verbessert. Sie lautet auch, wie sich regelmäßige KI-Nutzung auf die Fähigkeit auswirkt, kritische Aufgaben weiterhin eigenständig auszuführen. Eine multizentrische Beobachtungsstudie an vier polnischen Zentren untersuchte 19 erfahrene Endoskopiker mit jeweils mehr als 2.000 vorangegangenen Koloskopien. Bei 1.443 KI-freien Koloskopien sank die Adenom-Detektionsrate nach der routinemäßigen Einführung eines KI-Detektionssystems von 28,4 % auf 22,4 %. Die absolute Differenz betrug minus 6,0 Prozentpunkte.[4]

Die Studie ist beobachtend, auf vier Zentren in einem Land begrenzt und kein Kausalnachweis. Sie zeigt dennoch eine relevante Richtung: Regelmäßige KI-Nutzung kann die Fähigkeit von Fachpersonal beeinflussen, patientenrelevante Aufgaben ohne Unterstützung auszuführen. 88 % der von der AMA befragten Ärztinnen und Ärzte nennen Kompetenzverlust als Sorge. 70 % sorgen sich um Ausbildungslücken bei Studierenden und Weiterbildungsassistenten.[2]

Damit wird Kompetenzerhalt zu einer aktiv gesteuerten Managementgröße. Kritische manuelle Fertigkeiten sollten identifiziert werden. KI-freie Trainings- und Prüfungsintervalle, die Kalibrierung des menschlichen Urteils und Maßnahmen gegen Automation Bias gehören in die Einführung. Diese Vorkehrungen sichern, dass Effizienzgewinne dauerhaft zur Versorgungsqualität beitragen.

5. Change Management konkret: vier Hebel

Der erste Hebel verdient besondere Aufmerksamkeit. 85 % der befragten Ärztinnen und Ärzte wollen bei Entscheidungen über den KI-Einsatz konsultiert werden. Die AMA formuliert als Kernbedingung, dass KI ärztliche Tätigkeit unterstützen und nicht ersetzen soll.[2] Die Deloitte-Erhebung zeigt zugleich ein günstiges Zeitfenster: 38 % der Führungskräfte berichten von geringerem Veränderungswiderstand und 35 % von besserer Unterstützung durch die Leitungsebene.[5]

Der Digital Omnibus on AI, Verordnung (EU) 2026/1744, ist am 27. Juli 2026 in Kraft getreten. Er passt Fristen und einzelne Umsetzungspflichten der KI-Verordnung an. Für Organisationen, die Hochrisiko-KI im klinischen Umfeld einsetzen, bleibt Qualifizierung wesentlich für die sichere Anwendung und die Verteidigungsfähigkeit im Haftungsfall.[6]

6. Was das für die Produktentwicklung bedeutet

Für Hersteller KI-gestützter Software, insbesondere im Bereich Software as a Medical Device, ergeben sich drei Anforderungsebenen.

Die Implementierbarkeit ist auch kommerziell entscheidend. Wenn Organisationen KI nicht als Prozessveränderung führen, hängt der Erfolg eines technisch überzeugenden Produkts von der Einführungsfähigkeit beim Kunden ab. Hersteller, die Implementierungsmethodik, Kennzahlensystem und Qualifizierungsmaterial mitliefern, verbinden Software mit einer nachvollziehbaren Ergebnisveränderung.[3] [5]

Die verschobenen Fristen schaffen Planungsspielraum. Sie ersetzen keine frühe Vorbereitung. Für eigenständige Hochrisiko-Systeme nach Anhang III gilt der 2. Dezember 2027. Für KI als Sicherheitsbauteil in regulierten Produkten nach Anhang I, darunter Anwendungen im Kontext von MDR und IVDR, gilt der 2. August 2028. Transparenzpflichten nach Artikel 50 KI-VO gelten ab dem 2. August 2026. Für bereits zuvor in Verkehr gebrachte Systeme sieht der Digital Omnibus eine Übergangsfrist bis zum 2. Dezember 2026 vor.[6]

7. Eine 90-Tage-Agenda für die Leitungsebene

Fazit

Die KI-Transformation im Gesundheitswesen ist eine Führungsaufgabe. Die Werkzeuge sind verfügbar und die Anwender nutzen sie. Dauerhafter Wert entsteht, wenn Leitungsteams Richtung geben, Abläufe neu schneiden, Altprozesse konsequent beenden und Kompetenzen aktiv erhalten.

Strategische Klarheit schafft mehr Wirkung als ein breites Werkzeugangebot. Prozess-Redesign erzielt mehr als Einzelproduktivität. Gesteuerter Kompetenzerhalt sichert, dass Effizienzgewinne zur Versorgungsqualität beitragen. Hersteller gewinnen zusätzlich, wenn sie Kunden die organisatorische Veränderung mitliefern und damit die Implementierbarkeit zu einem echten Produktmerkmal machen.

Quellen: [1] McKinsey & Company: Generative AI in healthcare: Current trends and future outlook, 16. April 2026. mckinsey.com · [2] American Medical Association: 2026 Physician Survey on Augmented Intelligence, März 2026. ama-assn.org · [3] Boston Consulting Group: AI at Work: Why Strategy Matters More Than Tools, 2. Juni 2026. bcg.com · [4] Budzyń K. et al.: Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy. The Lancet Gastroenterology & Hepatology 2025; 10(10): 896 bis 903. DOI 10.1016/S2468-1253(25)00133-5 · [5] Deloitte: Many health care leaders are leaning into agentic AI as adoption hurdles ease, 11. Februar 2026. deloitte.com · [6] Verordnung (EU) 2026/1744, Digital Omnibus on AI, EUR-Lex.