Krankenhausleitungen stehen vor einer Investitionsentscheidung, die über klassische ROI-Kalküle hinausreicht: Wer KI nur zur Prozessoptimierung finanziert, verpasst ihr transfor-matives Potential   und riskiert, dass Marktinstitutionen medizinisches Wissen neu defin-ieren. Es geht um die Fähigkeit autonomer KI-Systeme, medizinische Muster, Biomarker-Kombinationen und Therapiepfade zu identifizieren außerhalb menschlicher kognitiver Suchräume  zu nutzen. Entdeckungspotenzial und Innovationskraft gehen Hand in Hand.

Vor dem Hintergrund von Fachkräftemangel, steigendem Kostendruck und wachsenden Qualitäts- und Dokumentationsanforderungen suchen Krankenhäuser nach wirksamen Ansätzen zur Effizienzsteigerung und Prozessoptimierung. KI wird dabei häufig als vielversprechende technologische Lösung betrachtet. Doch die Praxis zeigt: Isolierte Pilotprojekte bleiben in ihrem nachhaltigen Nutzen oft begrenzt.

Das Investitionsdilemma

Transformative Entdeckungsmacht bezeichnet die Fähigkeit autonomer KI-Systeme, medizinische Muster, Biomarker-Kombinationen und Therapiepfade zu identifizieren, die außerhalb menschlicher kognitiver Suchräume liegen und damit etabliertes klinisches Wissen infrage stellen oder erweitern, die menschliche Expert:innen aufgrund kognitiver Limitationen, etablierter Denkmuster oder begrenzter Datenverarbeitungskapazität systematisch übersehen. Entdeckungspotenzial und Innovationskraft gehen Hand in Hand.

Derzeit investieren deutsche Krankenhäuser primär in „low-hanging fruits": KI-gestützte DRG-Codierung, Transportroboter und automatisierte Dokumentation dominieren die Budgets. Diese Use Cases liefern messbaren ROI durch Kosteneinsparungen im Millionenbereich und unterliegen geringeren regulatorischen Hürden als klinische Anwendungen. Doch diese Strategie birgt ein erhebliches Risiko: Sie reduziert KI zum Effizienzwerkzeug und ignoriert ihr Potenzial, medizinische Muster zu entdecken, die menschliche Experten übersehen.

Die Deutsche Krankenhausgesellschaft (DKG) fordert zwar „flexible und skalierbare Infrastrukturen" als Rückgrat für KI-Nutzung, konkrete Investitionsleitplanken für entdeckungsorientierte KI-Systeme fehlen. Der Krankenhauszukunftsfonds (KHZF) stellt 4,3 Milliarden Euro bereit, allerdings fließen diese Mittel überwiegend in Basisdigitalisierung, nicht in KI-Forschungsinfrastrukturen.

•         Investitionspfade für Krankenhausleitungen

Pfad 1: Basisinfrastruktur als Fundament. Investitionen in Cloud-Architekturen, Datenqualität und Interoperabilität sind keine KI-spezifischen Kosten, sondern Basisinvestitionen, die sich unabhängig von KI-Anwendungen auszahlen. Eine Cloud-first-Strategie ermöglicht skalierbare Rechenkapazitäten, die für trainingsintensive KI-Modelle essenziell sind. Ohne diese Grundlage scheitern auch entdeckungsorientierte KI-Projekte an fragmentierten Datenbeständen und inflexiblen On-Premise-Systemen.

Pfad 2: Operativer ROI als Brückentechnologie. Nicht-klinische Steuerungsprozesse mit hohem Transaktionsvolumen – Bettenmanagement, OP-Planung, Lieferkettenoptimierung – liefern den schnellsten finanziellen Return. Studien belegen Kostensenkungen im Millionenbereich pro Klinik durch optimierte Ressourcenallokation. Diese Einsparungen sollten explizit als Quersubventionierung für entdeckungsorientierte KI-Forschungsbudgets eingeplant werden, ein Modell, das US-Gesundheitssysteme wie ChristianaCare und Johns Hopkins praktizieren.

Pfad 3: Entdeckungskapazitäten als strategische Wette. Hier liegt die eigentliche Investitionsentscheidung: Sollen Budgets in KI-Systeme fließen, die medizinische Muster entdecken, deren klinische Relevanz initial unklar ist? Das Max-Delbrück-Centrum demonstrierte mit „maui", dass solche Systeme Darmkrebs-Subtypen identifizieren können, die konventionelle Onkologie übersah. Für Krankenhausleitungen bedeutet dies: Budgets für experimentelle KI-Forschungskooperationen, Zugang zu multimodalen Forschungsdatenbanken und Rechenzeit für Deep-Learning-Modelle müssen eingeplant werden, ohne garantierten kurzfristigen ROI.

•         ROI-Paradoxon auflösen

Das zentrale Problem: Der ROI von KI im Gesundheitswesen wird von verschiedenen Stakeholdern unterschiedlich gemessen. Ein CEO bewertet Kostensenkung, Ärzt:innen messen diagnostische Präzision, Pflegekräfte priorisieren Arbeitsentlastung. Ein multidimensionales ROI-Framework integriert daher klinischen ROI (bessere Patienten-Outcomes), operativen ROI (Effizienzgewinne) und finanziellen ROI (Kosteneinsparungen), mit der Faustregel, dass jede KI-Implementierung positive Returns in mindestens zwei der drei Kategorien liefern sollte.

Zusätzlich müssen Krankenhausleitungen die „Kosten des Nicht-Handelns" einpreisen: Wer heute nicht in entdeckungsorientierte KI investiert, verliert langfristig epistemologische Autorität;  andere Institutionen definieren medizinische Leitlinien, während man selbst administrative Effizienz optimiert. 

•         Konkrete Investitionsempfehlungen

30–40% des KI-Budgets in Basisinfrastruktur (Cloud, Datenqualität, Interoperabilität)

40–50% in operativen ROI (Codierung, Ressourcenplanung, Dokumentationsautomatisierung)

10–20% in entdeckungsorientierte Forschungskooperationen (KI-Entdeckung klinischer Muster, Biomarker-Identifikation)

Explizites Budget für KI-Governance, Ethik-Ratings und Haftungsabsicherung, mindestens 5% des Gesamtbudgets  

•         Kulturelle Investition

Technologische Investitionen greifen zu kurz. Sie allein reichen nicht. Krankenhausleitungen müssen partizipative Führungsmodelle etablieren, die digitale Bereitschaft priorisieren und KI als Enabler positionieren nicht als Ersatz menschlicher Expertise. Ohne kulturelle Akzeptanz scheitern auch technisch überlegene KI-Systeme an klinischer Resistenz. Die Investitionsentscheidung lautet somit nicht „KI oder keine KI", sondern: „Welche Art von KI-Organisation wollen wir sein – Effizienzoptimierer oder medizinische Entdecker?"

Autor: Wolf-Dietrich Lorenz

Bild: Adobe Stock / NongEngEng