Warum der Weg zu einer AI-fokussierten Organisation mit Daten, Governance und einem Betriebsmodell beginnt – und nicht damit, der Erste zu sein
von Ramiz Bozai, Sailesh Kadam, Kriti Sen Sharma, Andrew Wallace-Jackson und Grace Crisp
Die Herausforderung für Führungskräfte im Gesundheitswesen bei der Einführung von AI ist der enorme Lärm, der entsteht, wenn man versucht, eine Initiative voranzutreiben. Zwischen einem Posteingang voller Angebote von Drittanbietern, Ankündigungen von Wettbewerbern und strategischen Fristen ist es schon eine Hürde für sich, überhaupt herauszufinden, wo man anfangen soll.
Bei der erfolgreichen Umsetzung einer AI-Strategie ging es noch nie darum, der Erste zu sein. Viele Early Adopter müssen sich heute mit technischen Schulden und unkontrollierten Pilotprojekten herumschlagen, die durch einen bewussten, planvollen Start hätten vermieden werden können. Die Lehre daraus ist nicht, dass AI nicht funktioniert, sondern dass eine AI-Strategie ohne Fundament nicht nachhaltig ist. AI-fokussiert zu werden bedeutet, die richtige Grundlage aus Daten, Governance und einem geschäftlichen Betriebsmodell aufzubauen. Dieses Fundament ist greifbarer, als die meisten Führungskräfte glauben.
Eine AI-fokussierte Organisation im Gesundheitswesen ist so konzipiert, dass AI entwickelt, ihr vertraut und sie skaliert werden kann. AI-fokussiert zu sein bedeutet nicht, mehr Tools zu kaufen oder weitere langwierige Proof-of-Concepts zu starten. Im Wesentlichen geht es darum, ein starkes Fundament aus Daten und Governance aufzubauen und gleichzeitig ein geschäftliches Betriebsmodell zu entwerfen, das das maximale Potenzial der Unternehmensdaten freisetzt. Das Ziel ist nicht die Anzahl der Tools, sondern eine Organisation, in der die richtigen Personen ihre eigenen Fragen formulieren und beantworten können.
Ein praktisches Beispiel: Eine Pflegedienstleitung kann fragen: „Warum sind die Wiederaufnahmeraten im letzten Quartal in einer Region sprunghaft angestiegen?“ und erhält eine verlässliche Antwort auf der Grundlage interner Daten. Von diesem Punkt aus kann sie innerhalb von Minuten Maßnahmen ergreifen. In diesem Szenario kann ein Endanwender klinische, Patienten- und Standortdaten ad hoc analysieren, ohne ein Ticket erstellen oder tagelang auf die Antwort eines Analysten warten zu müssen. Die Organisationen, die diesen Punkt am erfolgreichsten erreichen, haben ein Fundament auf einer Datenplattform aufgebaut, die Anwender mit Patientenkontakt in Datenanalysten statt in „Datendetektive“ verwandelt.
Die meisten Anbieter scheitern nicht an mangelndem Ehrgeiz. Gesundheitssysteme haben mehr AI-Ideen, als sie finanzieren können, und es mangelt nicht an AI-Anbietern, die diese umsetzen wollen. In einer HFMA-Umfrage aus dem Jahr 2025 unter 233 Gesundheitssystemen gaben 88 % an, bereits AI zu nutzen. Nur 18 % verfügten über eine ausgereifte Governance-Struktur und eine vollständig ausgearbeitete AI-Strategie. Was den Fortschritt bremst, ist eines von drei strukturellen Hindernissen.
Das erste ist die Fragmentierung der Daten. Klinische Daten liegen in der elektronischen Patientenakte (EHR), Betriebsdaten in einem anderen System, Finanzdaten in einem dritten, während Terminplanung, Lieferkette und Patientenerfahrung noch weiter verstreut sind. Das tiefere Problem ist nicht, dass die Daten verteilt sind, sondern dass sie von nichts zuverlässig zusammengeführt werden. Derselbe Patient kann in jedem Quellsystem eine andere Kennung haben. Bevor also jemand eine Wiederaufnahme analysieren kann, muss ein manueller Abgleich-Workflow stattfinden. Dies führt dazu, dass für neue Anwendungsfälle doppelt gezahlt wird: einmal für den Aufbau der Verbindungen und ein weiteres Mal für deren Pflege, wenn sich ein Quellsystem ändert. Was letztendlich bereitgestellt wird, deckt nur einen winzigen Ausschnitt des Patienten, des Workflows oder des Betriebs ab.
Das zweite ist eine unpassende Governance. In einigen Organisationen ist sie so locker, dass niemand den Ergebnissen vertraut. Ein Modell liefert eine Antwort, und ein Arzt fragt berechtigterweise: „Auf welchen Daten basiert das?“ In anderen ist die Governance so starr, dass nichts die Sandbox verlässt und jede neue Anfrage zu einer Verhandlung wird (ein langer Genehmigungszyklus für ein Modell, das Fragen in Sekundenschnelle beantwortet). Beide Ansätze scheitern auf die gleiche Weise, denn was in beiden Fällen fehlt, ist Vertrauen: die richtigen Personen mit den richtigen Daten innerhalb von Leitplanken, die für alle sichtbar sind.
Das dritte ist das fehlende Betriebsmodell: Es gibt keinen gemeinsamen Weg, um Prioritäten zu setzen, Teams auszustatten oder ein Pilotprojekt in die Produktion zu überführen. Jede Anstrengung wird zu einer Einzellösung, und kein Erfolg lässt sich replizieren. Ein Modell, das bei der Personalplanung oder der Aufnahme in der Notaufnahme (ED) in einer Abteilung hilft, funktioniert zwar, kann dann aber nicht skaliert werden, weil sich niemand für die Skalierung des Pilotprojekts verantwortlich fühlt und es keinen klaren Weg in die Produktion gibt. Dieses Muster zieht sich durch die gesamte Branche: 83 % der Führungskräfte im Gesundheitswesen führen Pilotprojekte mit generativer AI durch, aber weniger als 10 % investieren in die Infrastruktur, um diese unternehmensweit bereitzustellen. Branchenübergreifend erreichen rund 88 % der AI-Pilotprojekte nie die Produktion. In derselben HFMA-Umfrage gab mehr als ein Drittel der Leiter von Gesundheitssystemen an, dass es ihnen an einem Prozess fehlt, um AI zu priorisieren und effektiv zu skalieren.
Wenn Ihnen diese Hindernisse bekannt vorkommen, liegt das daran, dass jedes auf einem anderen Schreibtisch landet: fragmentierte Daten beim Chief Data Officer, Vertrauen beim Chief Medical Officer und das Betriebsmodell beim CIO. Keines davon ist ein AI-Problem. Die meisten Anbieter haben ein Problem mit dem Fundament – und ein Fundament lässt sich aufbauen, ohne gleich das Unmögliche zu versuchen.
Eine späte Einführung von AI schadet nur dann, wenn Sie die Fehler derjenigen wiederholen, die vor Ihnen da waren. Wenn Sie diese Fehler vermeiden, wird der späte Einstieg sogar zum Vorteil, da Sie auf einem soliden Fundament aufbauen können, anstatt das Chaos jahrelang angesammelter Altlasten zu beseitigen. Der pragmatische Schritt besteht darin, die Organisationen zu beobachten, die den Anfang gemacht haben, aus ihren Fehlern zu lernen und loszulegen.
Auch die Tools haben aufgeholt. Moderne Werkzeuge ermöglichen heute die Governance über mehrere Datenquellen hinweg und zentralisieren das Authentifizierungs- und Berechtigungsmanagement durch Integrationen mit bestehenden Identitätsanbietern. Darüber hinaus beschränkt sich das Governance-Modell nicht auf Datenmodelle. Die Governance gilt auch für AI und stellt sicher, dass Fragen in natürlicher Sprache und agentenbasierte Interaktionen sicher und zuverlässig sind. Mit diesem Fundament kann dieselbe Pflegedienstleitung, die nach den Spitzen bei den Wiederaufnahmen gefragt hat, ihre Frage in einfachem Deutsch eingeben und erhält in Sekundenschnelle eine Antwort, der sie vertrauen kann, anstatt ein Ticket zu erstellen und tagelang zu warten. Gleichzeitig können der CISO und die IT-Sicherheitsabteilung darauf vertrauen, dass menschliche und agentenbasierte Nutzer keinen Zugriff auf Daten haben, die sie nicht sehen dürfen.
Das ist ein echter Wendepunkt. Vor zwei Jahren war die Erstellung einer kontrollierten Sicht auf klinische und operative Daten noch ein Projekt, das ein ganzes Quartal in Anspruch nahm. Wenn heute der Umfang klar definiert ist und die richtigen Daten vorliegen, kann ein kleines Team einen ersten kontrollierten Anwendungsfall in Tagen statt in Quartalen in die Produktion bringen. Premier hat beispielsweise Databricks Genie in drei Tagen für die Produktion konfiguriert. Dadurch erhalten Teams im Gesundheitswesen Self-Service-Zugriff auf kontrollierte Analysen, um die Versorgung zu vergleichen und vermeidbare Wiederaufnahmen zu identifizieren. Der Moment für den Start ist nicht erst dann gekommen, wenn alles perfekt ist. Er ist da, wenn die Tools ausgereift genug sind, um ohne massive Vorabinvestitionen etwas Reales aufzubauen. Dieser Moment ist jetzt.
Anbieter werden nicht durch Zufall AI-fokussiert, und sie erreichen dieses Ziel auch nicht dadurch, dass sie am frühesten angefangen haben. Sie erreichen es, indem sie das richtige Fundament aus vereinheitlichten Daten, einer Governance, der die Menschen vertrauen, und einem wiederholbaren Betriebsmodell aufbauen. Das ist einfacher zu erreichen, als die meisten Führungskräfte denken.
Der nächste Beitrag in dieser Serie ist ein Drei-Säulen-Konzept, das ein Gesundheitssystem auf der Reifegradkurve nach oben bringt, gepaart mit einer Reifegradkarte und einer Selbsteinschätzung, die Sie in Ihre nächste Führungssitzung mitbringen können.
Sie sind sich nicht sicher, wo Ihre Organisation auf der Reifegradkarte steht? Kontaktieren Sie uns.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.