Agentische KI-Systeme versprechen Effizienzgewinne, Automatisierung komplexer Ent-scheidungsprozesse und eine neue Qualität klinischer und administrativer Unterstützung. Dennoch scheitern entsprechende Projekte in Krankenhäusern selten an der Technologie selbst. Die eigentlichen Ursachen liegen vielmehr in gewachsenen Unternehmensstruk-turen, fragmentierten Entscheidungsprozessen und unklaren Verantwortlichkeiten.

Agentische KI-Systeme sind KI-Anwendungen, die Ziele weitgehend selbstständig verfolgen, Aufgaben planen, Werkzeuge nutzen und Entscheidungen mit wenig menschlicher Steuerung ausführen. Sie reagieren nicht nur auf Eingaben, sondern handeln aktiv in einem Prozess, etwa beim Suchen, Prüfen, Priorisieren und Auslösen von Aktionen.

Agentische KI-Systeme für Krankenhäuser sind autonome Softwarelösungen, die klinische und administrative Aufgaben selbstständig planen, Daten auswerten und Aktionen auslösen. Sie können etwa Terminplanung, Dokumentation, Triage oder Leitlinienrecherche unterstützen. Entscheidend sind dabei Interoperabilität, Sicherheit, klare Zuständigkeiten und menschliche Kontrolle.

Genehmigungsstrukturen sind Hemmfaktoren

Krankenhäuser sind historisch gewachsene Organisationen mit stark ausgeprägten Silostrukturen zwischen Medizin, Pflege, Verwaltung und IT. Agentische Systeme, die bereichsübergreifend agieren und Entscheidungen vorbereiten oder autonom treffen, durchbrechen diese Grenzen. Genau hier entsteht Widerstand: Zuständigkeiten sind unklar, Verantwortliche fürchten Kontrollverlust, und bestehende Prozesse sind nicht auf adaptive, lernende Systeme ausgelegt. Hinzu kommt, dass klassische Governance-Modelle auf deterministische IT-Systeme ausgerichtet sind, während agentische KI dynamisch und kontextabhängig agiert.

Ein zentraler Hemmfaktor sind unternehmensinterne Genehmigungsstrukturen. Accenture-Experten argumentieren, dass unternehmensweite Governance-Strukturen und nicht die Codequalität dafür verantwortlich sind, dass agentische KI-Projekte nicht in die Produktion gelangen. Ihr Team entwickelte eine agentische Anwendung innerhalb von zwei Wochen, benötigte jedoch 12 Monate für die Bereitstellung, da fünf interne Abteilungen koordiniert werden mussten. GitHub-Commits erreichen im Jahr 2026 im Wochendurchschnitt 275 Millionen mit Kurs für 14 Milliarden pro Jahr, während die unternehmensinternen Genehmigungsstrukturen unverändert bleiben. In vielen Häusern durchlaufen Projekte eine Vielzahl von Gremien: IT-Steuerkreise, Datenschutzbeauftragte, Betriebsrat, klinische Leitung, Einkauf und Geschäftsführung. Diese Strukturen sind sinnvoll für Risikokontrolle, führen jedoch bei KI-Projekten häufig zu Verzögerungen oder Verwässerung der Zielsetzung. Insbesondere fehlt oft eine klare Instanz, die Ende-zu-Ende-Verantwortung für KI-Initiativen übernimmt. Entscheidungen werden sequenziell statt integriert getroffen, was der iterativen Natur von KI-Entwicklung widerspricht.

Die Integration agentischer KI in bestehende Krankenhaus-IT-Systeme gelingt am besten über klar abgegrenzte Use Cases, saubere API- und KIS/PVS-Anbindungen sowie Governance, die Autonomie, Auditierbarkeit und Compliance absichert. Wichtig sind KI-Readiness, ein stufenweises Vorgehen von Pilot bis Betrieb und enge Einbindung von Medizin, IT, Datenschutz und Informationssicherheit. Die Interoperabilität bei Klinik-KI-Systemen scheitert allerdings meist an heterogenen KIS-Landschaften, fehlenden Standards, unzureichender Datenqualität und begrenzter Schnittstellenfähigkeit. Zusätzlich erschweren Legacy-Systeme, Sicherheitsanforderungen und organisatorische Silos den Zugriff auf konsistente, nutzbare Daten für KI-Anwendungen. FHIR als moderner Gesundheitsdatenstandard von HL7 kann den Austausch über webbasierte Schnittstellen wie REST, JSON und XML vereinfachen. Für Krankenhäuser eignet er sich besonders, um Daten aus KIS, PACS und Fachsystemen standardisiert zugänglich zu machen und Interoperabilität schrittweise zu verbessern.

KI-Compliance in Krankenhäusern

Eng damit verbunden ist die Frage der KI-Compliance. Während Datenschutz und Informationssicherheit in Krankenhäusern etabliert sind, existieren für KI oft nur fragmentierte Zuständigkeiten. Typischerweise sind mehrere Rollen beteiligt: der Datenschutzbeauftragte (DSB) für DSGVO-Konformität, der Informationssicherheitsbeauftragte (ISB) für technische Sicherheit, die IT-Leitung für Betrieb und Integration sowie medizinische Fachverantwortliche für klinische Validierung. Mit dem Aufkommen des EU AI Act entsteht zusätzlich Bedarf für dedizierte KI-Verantwortliche, etwa in Form eines „AI Governance Lead“ oder eines interdisziplinären KI-Gremiums. Ohne klare Zuordnung von Verantwortlichkeiten bleibt Compliance jedoch ein diffuser Prozess, der Projekte ausbremst.

Erfolgreiche agentische KI-Projekte in Krankenhäusern zeichnen sich daher weniger durch technologische Exzellenz als durch organisatorische Reife aus. Entscheidende Erfolgsfaktoren sind eine klare Governance-Struktur mit eindeutiger Endverantwortung, die Integration von Compliance-Anforderungen in den Entwicklungsprozess („compliance by design“) sowie die Etablierung interdisziplinärer Teams, die medizinische, technische und regulatorische Perspektiven vereinen. Ebenso wichtig ist die Anpassung von Genehmigungsprozessen hin zu iterativen, risikobasierten Freigabemodellen, die Innovation ermöglichen, ohne Sicherheitsanforderungen zu unterlaufen.

Organisation und Verantwortung überdenken

Autonome KI im Krankenhausbetrieb braucht vor allem nachweisbare Datenhoheit, strikte Zugriffskontrollen, lückenlose Protokollierung und klare Trennung von Training, Test und Produktivbetrieb. Hinzu kommen DSGVO, NIS2, der EU AI Act für Hochrisiko-Systeme sowie interne Freigabe-, Überwachungs- und Eskalationsprozesse mit klarer Verantwortlichkeit. So entscheidet nicht die Leistungsfähigkeit der KI über den Projekterfolg, sondern die Fähigkeit der Organisation, Verantwortung neu zu denken, Silos zu überwinden und Entscheidungsprozesse an die Logik lernender Systeme anzupassen. Autonome KI-Systeme übernehmen in deutschen Kliniken zunehmend administrative und diagnostische Aufgaben selbstständig.

Diese Systeme übernehmen in deutschen Kliniken noch nicht 90% der Aufgaben. Tatsächlich wird KI bisher meist in Pilotprojekten eingesetzt, etwa bei medizinischer Bildanalyse, Dokumentation oder Entscheidungsunterstützung.

Beispielkliniken und konkrete Anwendungen:

KlinikKI-AnwendungKlinikum Frankfurt (Oder)Sozialer Roboter „Lotta" für Patientengespräche und Wohlbefinden in der Pflege Städtische Kliniken MönchengladbachKI-basiertes Triagierungs-Assistenzsystem KiBATIN für Notaufnahmen Gastroenterologie-Praxis TauberbischofsheimKI zur Polypendetektion in der Endoskopie und automatische Abrechnungsziffern-Übersetzung Die größten Hürden sind fehlende Datenstrategien, unklare Zuständigkeiten, regulatorische Unsicherheit (EU AI Act, DSGVO) und mangelnde Akzeptanz. Autonome Systeme arbeiten derzeit nur als Unterstützung, nicht als Ersatz für medizinisches Personal.

KI-Agenten allgemein: Autonome Healthcare Agents erstellen automatisch Arztbriefe, verwalten Termine und koordinieren Patientenversorgung 24/7, wodurch Pflegekräfte von repetitiven Aufgaben entlastet werden.