Unternehmerisches Selbstmanagement für ärztliche und pflegerische Führungspersonen bei KI-Investitionen im Krankenhaus

1. KI-Entscheidungen und Technologieexpertise

Der digitaltechnologische Transformationsdruck im Krankenhaussektor erzeugt Handlungsdruck für die Entscheidungsverantwortlichen. Neuartige KI-basierte Software für die versorgungsbezo-genen und administrativen Betriebsprozesse der Kliniken versprechen Qualitäts-, Produktivitäts- und Effizienzsteigerungen. Angesichts der wirtschaftlichen Situation in vielen klinischen Versor-gungseinrichtungen könnte ihre erfolgreiche Nutzung dabei helfen, das Krankenhaus als Unter-nehmen zukunftssicher zu machen.

Vor diesem Hintergrund müssen kaufmännische, ärztliche und pflegerische Leitungspersonen gemeinsam weitreichende Investitionsentscheidungen treffen, ohne dabei über ein tieferes persönliches Fachwissen über diese neuen Technologien zu verfügen. Die entscheidende Frage lautet daher für die Entscheidungsverantwortlichen: Wie treffe ich fundierte Entscheidungen und vermeide patientenschädigende, mitarbeitenden-belastende und wirtschaftlich aufwändige Fehler, ohne KI-Technologieexperte zu sein? Was können für diese Leitungspersonen die zentralen Inhalte einer strukturierten Entscheidungsgrundlage sein?

2. KI-Einsatz im Krankenhaus als Veränderungstreiber?

Die öffentliche Debatte rund um KI im Gesundheitswesen ist von einem auffälligen Widerspruch geprägt: Sie ist gleichzeitig von überschwänglichen Versprechungen und wachsender Ernüchterung bestimmt. Eine internationale Befragung von 540 Führungskräften in Gesundheitsorganisationen (MURRAY 2026) zeigt, dass sich die überwiegende Mehrheit der Einrichtungen weltweit noch in einer frühen Adaptionsphase befindet. Lediglich neun Prozent der befragten Organisationen bezeichnen sich als Vorreiter, vierzig Prozent als schnelle Nachfolger, während 41 Prozent eine abwartende Haltung einnehmen.

Parallel dazu zeigen Expert:inneneinschätzungen und wissenschaftliche Studien, dass die betriebswirtschaftlichen Erfolgsnarrative in anderen Wirtschaftssektoren bisher nur teilweise realisiert werden konnten (ACEMOGLU 2026; LANDYMORE 2026). Eine Befragung von mehr als 800 Chief Information Officer (CIO) weltweit durch das Unternehmen Dataiku ergab, dass 74 Prozent der Befragten mindestens eine große Entscheidung über einen KI-Anbieter oder eine Plattform in den vergangenen 18 Monaten bereuten. 29 Prozent wurden wiederholt aufgefordert, KI-Ergebnisse zu rechtfertigen, die sie selbst nicht vollständig erklären konnten (THE DEEP VIEW 2026).

Diese Zahlen betreffen die IT-Branche, beschreiben aber eine strukturelle Herausforderung, die Leitungspersonen in Krankenhäusern des Gesundheitssektors heute genauso betreffen kann.

Künstliche Intelligenz im Krankenhaussektor besitzt enormes Potenzial, hat die Versorgung aber noch nicht grundlegend transformiert (NARAYANAN & KAPOOR 2025; MURRAY 2026). Für die Entscheidungsverantwortlichen bedeutet dies, dass ihre Investitionsentscheidungen der nächsten 12 bis 24 Monate strategisch prägend für ihre Organisation sein werden.

3. Konkrete Verbesserungshoffnungen und diffuse Nutzenchancen

Ein wichtiger Teil des Anforderungsprofils für Führungspersonen ist es, dass diese ein Zielbild oder eine Vorstellung darüber haben, welche betrieblichen Probleme im Krankenhausalltag durch neue Technologien und Anwendungskonzepte gelöst werden könnten. Bessere gesundheitliche Versorgungsergebnisse, höhere Versorgungsqualität und mehr Patientensicherheit sind dann die zentralen Erfolgsfelder, wenn die Patientenversorgung als wichtigste Unternehmensaufgabe des Krankenhauses betrachtet wird.

Um das zu erreichen, ist eine Vielzahl von theoretischen Möglichkeiten für einen KI-Technologieeinsatz denkbar. Im krankenhausbetrieblichen Alltag treffen diese Entwicklungsoptionen auf unterschiedliche Beteiligteninteressen, arbeitsteilige und komplexe Betriebsabläufe, viele als prioritär angesehene Themenschwerpunkte. Hinzu kommen hohe Implementationsanforderungen, wenn die neue Software in die gewohnten Arbeitsroutinen der Mitarbeitenden integriert werden soll.

Die Auswirkungen des KI-Einsatzes auf die betrieblichen Erfolgsmetriken des Krankenhauses kann mehrdimensional sein. So lässt sich der betriebswirtschaftliche Nutzen des KI-Einsatzes im Krankenhaus mindestens in die Kategorien des direkt monetär bewertbaren Nutzens (z.B. steigende Produktivität und geringerer Ressourceneinsatz durch die verbesserte innerbetriebliche Steuerung des patientenbezogenen Versorgungsprozesses) und des indirekt monetär bewertbaren Nutzens (z.B. Reputationssteigerung des Krankenhauses aufgrund positiver Statements von Patient:innen zum Behandlungsergebnis und zum Versorgungserleben aus ihrer Sicht) aufteilen.

Vor der Managemententscheidung über eine KI-Investition sollten deshalb die angestrebten Ziele in einem KI-Erfolgskatalog zusammengestellt werden. In dieser Zielesammlung können die Erwartungen der Beteiligten zu den Auswirkungen und zum Nutzen der KI-Investition gesammelt und eingeordnet werden. Damit wird eine erste Evaluation der Soll-Vorgaben des KI-Erfolgskatalogs möglich, weil es vor allem gesunden Menschen- und Sachverstand braucht, um herauszufinden, ob die geplanten Investitionsziele auch als realistisch erreichbar einzuschätzen sind.

Die Anwendungsbereiche mit den größten erwarteten positiven Auswirkungen für das investierende Krankenhaus, hier am Beispiel ärztlich-klinischer Anwendungsfelder, könnten innerhalb von drei Jahren u.a. sein:

Diese Messgrößen sind über die Bewertung der eingesparten Ressourcenmengen (Personal, Sachmittel, Infrastrukturnutzungszeiten) monetär ökonomisch gut kalkulierbar. Branchenübliche Wirtschaftlichkeitsberechnungen können hierfür vom Unternehmenscontrolling eingesetzt werden. Zumindest wird damit ein betriebswirtschaftlicher return on investment (ROI) in einer ersten Näherung quantifizierbar.

Für nicht-monetäre Nutzenerwartungen ist eine Berechnung komplexer, weil sie auf den unterschiedlichen Nutzenprioritäten (Versorgungsqualität, klinische Forschung, Krankenhausmarketing usw.) der Investitionsentscheider:innen aufbaut. Nichtsdestotrotz sollten auch diese Nutzenerwartungen zumindest benannt und für spätere qualitative Evaluationen erfasst werden.

Der erwartete Nutzen ergibt sich aus der jeweiligen Perspektive der beteiligten Berufsgruppen. Es zeigt sich in der Praxis häufig, dass die Erarbeitung konkreter Zielvorstellungen durch die Entscheidungsverantwortlichen, am besten gemeinsam mit den fachlichen Beteiligten aus den betroffenen Leistungsbereichen, sehr hilfreich sein kann, die Nutzenerwartungen des investierenden Krankenhauses den zugesicherten Produkteigenschaften und vorhandenen Software-Funktionalitäten der Anbieterunternehmen gegenüberzustellen (PARSA et al. 2026).

4. Adaptions- und Implementationsplanung als Risikominimierung

Die rechtlichen und regulatorischen Risiken des routinemäßigen KI-Einsatzes im Krankenhaus sind umfassend (BAILO et al. 2026; REITER 2026), und zu ihrer Eingrenzung ist vor dem Hintergrund des sich parallel entwickelnden Rechtsrahmens eine einschlägige Rechtsberatung empfehlenswert. Dieser Beratungsaufwand ist nach dem Total cost of ownership-Ansatz ebenfalls in die ROI-Berechnung der KI-Investition einzurechnen.

Wenn das investierende Krankenhaus diese fachliche Hürde als überwindbar ansieht, gilt es vor allem solche Investitionsrisiken einzugrenzen, die mit der Adaption (u.a. Anpassung der KI-Software an menschliches Verhalten und Arbeitsroutinen) und der Implementation (Umsetzung im Klinikalltag) verbunden sind.

Hier ist insbesondere das Risiko der nicht gemachten Hausaufgaben zu berücksichtigen. Das Konzept des „Health AI Target Product Profile“ (PARSA et al. 2026) weist darauf hin, dass kein Algorithmus besser sein kann als der Prozess, in den er eingebettet ist. Es zeigt sich beispielsweise bei der KI-gestützten Erkennung hypertrophischer Kardiomyopathie, dass selbst ein Algorithmus mit exzellenten diagnostischen Werten keinen klinischen Nutzen erzeugt, wenn die nachgelagerten klinischen Kapazitäten die Ergebnisse nicht verarbeiten können. Ein System, das zu viele Verdachtsdiagnosen produziert, überlastet Abklärungskapazitäten, ohne die Sterblichkeit zu senken. Erst eine deutlich höhere Spezifität beziehungsweise eine gleichzeitige Kapazitätserweiterung machten einen messbaren Unterschied.

Für KI-Investitionsentscheidungen ist es deshalb wichtig, die betrieblichen und insbesondere klinischen Kapazitäten und Prozessvoraussetzungen der jeweiligen KI-Software zu kennen, was aus Anbietersicht und Nutzersicht notwendig ist, damit sie tatsächlich Nutzen (ROI, Patientenwohl) stiften kann. Es geht also darum, die in der KI-Software enthaltenen Algorithmen als einen Baustein in das klinisch-prozessbezogene  bzw. organisationskulturelle Gesamtsystem des Krankenhauses einzupassen.

Betriebliches Risikomanagement in Bezug auf KI-Investitionen ist letztlich die Vermeidung von KI-getriggerten Fehlentwicklungen durch Bias-Reduzierung (BAILO et al. 2026; AMA 2025) schon im Vorfeld der Software-Implementation.

Damit Hoffnung nicht Entscheidungssicherheit ersetzen muss, geht es bei KI-Investitionen im Krankenhaus für die Entscheidungsverantwortlichen vor allem um drei strategische Prüffragen. Erstens: Löst diese Technologie tatsächlich ein Problem, das wir haben, oder schafft sie ein neues? Zweitens: Haben wir die organisatorischen Kapazitäten, diese Lösung zu integrieren, zu überwachen und zu verantworten? Drittens: Was passiert, wenn das KI-Tool unzuverlässig ist, und wer trägt dann die Verantwortung? (AMA 2025; BAILO et al. 2026)

Diese Fragen mögen einfach klingen, aber sie treffen den Kern dessen, was laut der internationalen Forschungslage am häufigsten fehlt: eine nüchterne Analyse der eigenen Voraussetzungen, bevor die Investitionsentscheidung fällt.

5. Vorausschauendes Selbstmanagement wird Führungskompetenz

Die alleinige Digitalisierung und KI-Automatisierung bestehender, aber ineffizienter Prozesse, und die Generierung nicht notwendiger synthetischer KI-Ergebnisse erzeugt keinen echten Vorteil aus digitaler Transformation. Sie ist ökonomisch mindestens unvorteilhaft wenn nicht sogar schädlich, versorgungsqualitativ ethisch bedenklich und für das Krankenhauspersonal demotivierend (LANDYMORE 2026).

Vorausschauendes Selbstmanagement für Führungspersonen bedeutet deshalb zunächst, den persönlichen Reflexionsraum zu schützen (CLARK 2026). Die Fähigkeit zur kritischen Distanz gegenüber technologischen Versprechungen ist eine strategische Führungsressource.

Die Führungspersonen der unterschiedlichen Berufsgruppen müssen keine Technologieexpert:innen sein, um für ihre Leistungsbereiche sinnvolle, weil nutzenstiftende KI-Projekte zu identifizieren und erfolgreich in ihre Arbeitsprozesse zu integrieren. Bei Investitionen in KI-Software geht es darum, die richtigen Fragen zu stellen, anstatt alle Antworten zu kennen (STACKPOLE 2025). Entscheidungen unter Unsicherheit sind eine normale Führungsaufgabe. Die Führungspersonen sind Expert:innen, wenn sie ihre Stärken als „Nicht-Digital-Nerds“ gezielt zu nutzen verstehen. Ihre typischen Vorteile sind ein strukturiertes Denken und gesunder Fachverstand, tiefgehende Kenntnis der eigenen Organisation, Erfahrungen im Stakeholdermanagement und das Gespür für das, was im Krankenhausalltag funktionieren könnte.

Trotz vielfacher Mediendarstellungen über die optimistischen Visionen der neuen KI-Arbeitswelt steht der betriebliche Einsatz von KI-basierter Software in den meisten Krankenhäusern noch am Anfang. Die Evaluationen zum wirtschaftlichen Erfolg und zum nicht-monetären Nutzen von KI-Investitionen sind bisher eher ernüchternd (LANDYMORE 2026; NARAYANAN & KAPOOR 2025), obwohl diese algorithmenbasierte industrielle Revolution der Arbeitswelt auch im Gesundheitssektor und in der klinischen Patientenversorgung unausweichlich erscheint. Managemententscheidungen zu KI-Investitionen sind weit mehr als nur ökonomisch wirksame Entwicklungsimpulse für Krankenhausbetriebe. Der Software-Kauf selbst ist der einfachste Prozess, verglichen mit den Herausforderungen, welche die erfolgreiche Adaption durch die KI-Nutzenden und die sorgfältige Implementation der neuen Arbeitsinstrumente in den Klinikalltag mit sich bringen.

Thomas Kapitza¹⁾, Thomas Drews²⁾

1) Dr. sc. med. Dipl.-Kfm. (Univ.) Thomas Kapitza, Sachverständigenbüro Dr. Kapitza, Germering. Er arbeitet als Berater, Wirtschaftsmediator (DE, CH), Medizinethiker und Sachverständiger im Gesundheitssektor. www.thomaskapitza.de

2) Thomas Drews, MPH MBA, Zürich: ehem. Geschäftsführer bei H+ Bildung (Aarau) c/o H+ Nationaler Spitzenverband der Spitäler, Kliniken und Pflegeinstitutionen. Er ist als Unternehmensentwickler und Veränderungsberater im Gesundheitssektor tätig.

Literaturverzeichnis

Acemoglu, D. (2026). Is AI a productivity tool? MIT Sloan Management Review Podcast. Massachusetts Institute of Technology. Verfügbar unter: https://sloanreview.mit.edu [Stand: März 2026].

American Medical Association (AMA), Duke Institute for Health Innovation and Health AI Partnership (2025). Ethical AI Use in Medicine – A Clinical Practice Toolkit. AMA: published online 19 December 2025. Download: https://edhub.ama-assn.org/code-of-medical-ethics/module/2843218

Bailo, P., Nittari, G., Pesel, G., Basello, E., Spasari, T. and Ricci, G. (2026). 'Governing Healthcare AI in the Real World: How Fairness, Transparency, and Human Oversight Can Coexist: A Narrative Review'. Sci, 8(2), p. 36. DOI: 10.3390/sci8020036

Church, Z. (2025). EPOCH Study: Human competencies in the age of AI. MIT Sloan Management Review. Verfügbar unter: https://sloanreview.mit.edu [Stand: März 2026]. [Loaiza, V. & Rigobon, R., MIT]

Clark, D.A. (2026). 'How to Cope with Disruptive Change'. Psyche [online], 15 January 2026. Verfügbar unter: https://psyche.co/guides/how-to-accept ... isruptive-changes-in-life [Stand: Januar 2026].

Landes, E. (2025). 'Learning from AI's Bullshit'. Blog of the APA [online], 13 March 2025. American Philosophical Association. Verfügbar unter: https://blog.apaonline.org/2025/03/13/learning-from-ais-bullshit/ [Stand: Januar 2026].

Landymore, F. (2026). 'AI Completely Failing to Boost Productivity, Says Top Analyst'. Futurism [online], 18 January 2026. Mit Bezug auf: Gownder, J.P. (Forrester Research). Verfügbar unter: https://futurism.com/artificial-intell ... ailing-boost-productivity [Stand: Januar 2026].

Murray, S. (2026). AI in Care Delivery: Enormous Potential but Little True Transformation. NEJM Catalyst Innovations in Care Delivery, 7 (3). DOI: 10.1056/CAT.26.0055.

Narayanan, A. and Kapoor, S. (2025). AI as Normal Technology' [online], 9 September 2025. Princeton University. Verfügbar unter: https://knightcolumbia.org/content/ai-as-normal-technology [Stand: Januar 2026].

Parsa, S., Keyes, T., Dash, D., Char, D., Mello, M.M., Callahan, A., Smith, M.A. and Jain, S.S. (2026). 'Designing Clinically Useful AI: A Blueprint for Impact'. NEJM AI, 3(2). DOI: 10.1056/AIp2500808.

Reiter, M. (2026). 'Auf dem Weg zum KI-Reallabor für die Gesundheitsversorgung'. HCM – Das Gesundheitswirtschaftsmagazin [online], 20 January 2026. Verfügbar unter: https://hcm-magazin.de/aktuelles/2026/ ... esundheitsversorgung.html [Stand: Januar 2026].

Stackpole, B. (2025). 'How Organizations Can Achieve Big Value with Smaller AI Efforts'. MIT Sloan Management Review [online], 17 December 2025. Verfügbar unter: https://mitsloan.mit.edu/ideas-made-to ... -value-smaller-ai-efforts [Stand: Februar 2026].

The Deep View (2026). CIO Survey on AI investments: Regrets, accountability and ROI pressure. Harris Poll / Dataiku. Verfügbar unter: https://www.thedeepview.co [Stand: März 2026]. (Berichtet über: Gartner CFO Survey, n > 300; Dataiku/Harris Poll, n > 800 CIOs weltweit).

Quelle: KAPITZA KONFLIKTMANAGEMENT

Symbolbild: ImageFlow/AdobeStock