KI im Spital ist kein Gadget und kein IT-Projekt, so der Tenor einer Paneldiskussion an der Health Tech Global Summit in Basel. Wer in der Schweiz wirklich KI-bereit werden will, muss an drei Fronten gleichzeitig arbeiten: an standardisierten Prozessen und sauberen Daten, an einer Finanzierung, die Transformationskosten ehrlich einpreist, und an einer Umsetzung, die nicht in Insellösungen zerfällt.
Gleich zu Beginn wurde ein Punkt klar, der im aktuellen KI-Diskurs oft untergeht: Der Einstieg in künstliche Intelligenz im Gesundheitswesen ist keine Technologieentscheidung, sondern eine strategische. Der CEO der Schulthess Klinik, Rodolphe Eurin, plädierte dafür, KI nicht als Daten- oder IT-Projekt zu betrachten. Die Leitfrage müsse vielmehr lauten: Welche Ergebnisse sollen verbessert werden und welche Daten braucht es, um diese verlässlich zu messen und zu optimieren?
In spezialisierten Häusern wie einer orthopädischen Klinik sei der Weg etwas geradliniger: Standardisierte Behandlungspfade lassen sich leichter definieren, Ergebnisse können konsistenter erhoben werden. Doch auch dort bleibt KI vor allem ein Kulturthema. Ergebniserfassung und kontinuierliche Verbesserung seien keineswegs überall gelebte Routine. Ohne die Bereitschaft, Resultate transparent zu machen und daraus zu lernen, bleibt KI eine zusätzliche Schicht Komplexität, statt ein Hebel für bessere Versorgung.
Operative Realität: Silos, Datenchaos und fehlende Governance
Matthias Hermann ist Head of Health Fund Tenity Group AG, bringt Erfahrung mit aus dem Universitätsspital Zürich und ist heute im Digital-Health-Umfeld tätig. Er zeichnete ein nüchternes Bild der Ausgangslage vor allem in öffentlichen Häusern. Vielen Organisationen fehle es an standardisierten, semantisch sauberen Daten. Gleichzeitig sei die KI-Kompetenz in Klinik und IT oft nicht ausreichend ausgeprägt, um von Pilotprojekten in den Betrieb zu kommen. Genau hier scheitern viele Initiativen: Modelle, die im Labor überzeugen, liefern im Alltag nicht dieselbe Qualität, weil Daten in der Praxis unstrukturiert sind und kuratierte Datensätze fehlen.
Noch gravierender: Häufig existiert keine robuste klinische und operative Data-Governance. Eine KI-Strategie, klare Zuständigkeiten, Datenfreigabeprozesse, Monitoring und Verantwortlichkeit sind Hausaufgaben, die vor dem ersten Rollout erledigt werden müssen. In vielen Spitälern liegen diese Themen allerdings in Innovationsabteilungen und nicht im Vorstand. Damit bleibt KI eine Ansammlung von Experimenten statt ein Umbau des Betriebsmodells hin zu einer daten- und KI-gestützten Steuerung.
Pilot Factory statt von oben nach unten: Warum das Ökosystem entscheidend ist
Nicolas Loeillot, zuständig für den Future of Health Grant der CSS, brachte die externe Perspektive der Pioniere ein, wobei Startups, akademische Teams oder innovative Unternehmen in der Schweizer Gesundheitslandschaft oft zu selten systematisch eingebunden würden. Er argumentierte, dass es zunächst eine Präzisierung brauche, wovon überhaupt die Rede ist: KI sei kein monolithischer Block. Radiologie, Prävention, Coaching, administrative Automatisierung oder klassische Machine-Learning-Anwendungen hätten unterschiedliche Reifegrade, Risiken und Implementierungspfade.
Sein Ansatz setzt auf einen Von-unten-nach-oben-Mechanismus: eine Pilot Factory, die Startups vorbereitet und strukturiert und nicht als PR-Demo, sondern als messbaren Proof of Value in Spitäler bringt. Entscheidend seien dabei drei Achsen: der wirtschaftliche Effekt (spart die Lösung Kosten im System?), der klinisch-operative Effekt (wird sie von Fachpersonen und Patientinnen tatsächlich angenommen?) und die Skalierbarkeit (ist der Erfolg reproduzierbar oder nur ein Einzelfall?). Gerade diese Messlogik soll es Spitalleitungen erleichtern, Innovation nicht aus Prinzip zu finanzieren, sondern anhand nachvollziehbarer Ergebnisse.
Finanzierungsdilemma: Der Preis der Transformation wird unterschätzt
Spätestens beim Thema Finanzierung wurde das Spannungsfeld deutlich, in dem Schweizer Spitäler aktuell stehen. Prof. Dr. med. Katrin Hoffmann, CEO Hoffmann Global Health Advisory, verwies auf den Druck im rückerstattungs-getriebenen Alltag: Tarife stehen unter Druck, während kantonale Politik Investitionen in Gebäude mitunter stärker forciert als Investitionen in digitale Infrastruktur. Hinzu kommt ein klassischer Governance-Konflikt: Wer Technologie versteht, entscheidet nicht zwingend über Budgets und wer Budgets steuert, begegnet neuen Technologien oft mit Skepsis.
Zentral war ihr Hinweis auf versteckte Kosten. Wer KI seriös einführen will, muss mit mehr als Lizenzkosten rechnen: Mitarbeiterschulung, Neugestaltung des Arbeitsablaufs, Datenbereinigung, Monitoring der Modellperformance, Hardware- und Infrastrukturbedarf, IT-Fähigkeiten sowie Wertschöpfungsmechanismen gehören in den Business Case. Viele Verwaltungsräte kalkulieren jedoch Kosten pro Feature, statt Kosten pro Ergebnis. Genau dieser Perspektivenwechsel entscheidet darüber, ob KI als Dauerbaustelle oder als strategische Investition verstanden wird.
Private Logik: Effizienz, Ertrag und Wettbewerb über Qualität
Eurin formulierte es pragmatisch: Jede Innovation muss entweder Kosten senken oder Ertrag steigern. KI kann Effizienzpotenziale im administrativen Bereich heben, aber auch im medizinischen Kern. Für ihn ist der Wettbewerb über Ergebnisse besonders wichtig: Wer nachweislich bessere Resultate erzielt, gewinnt Marktanteile und kann damit Investitionen refinanzieren.
Spannend wurde es dort, wo die Diskussion über das einzelne Spital hinausging. Ergebnisbasierte Vergütungsmodelle könnten einen Mechanismus schaffen, der Qualitätsverbesserung belohnt. Gerade in Bereichen, in denen höhere Qualität tendenziell Kosten senkt (weniger Komplikationen, weniger Revisionen, weniger Wiederaufnahmen), wäre eine engere Verzahnung zwischen Leistungserbringern und Kostenträgern ein möglicher Weg, vorausgesetzt, die Resultate werden konsistent erhoben und als Steuerungsgrösse akzeptiert.
Kreative Kapitalquellen: Wenn Tech-Anbieter zu Forschungspartnern werden
Herrmann brachte eine Perspektive ein, die in der Schweizer Debatte noch zu wenig sichtbar ist: Grosse Tech-Anbieter haben ein eigenes Interesse an der Skalierung von KI in Spitälern, zum Beispiel durch steigenden Cloud- oder Rechenzentrumsverbrauch. Daraus könnten neue Co-Finanzierungsmodelle entstehen, in denen Technologieanbieter Pilotprojekte (mit-)finanzieren, weil sie langfristig von höherer Nutzung profitieren. Er zog den Vergleich zur Forschung, wo Industriepartner Infrastruktur, Instrumente oder Technologie-Kapazitäten seit Jahren bereitstellen, um Studien überhaupt möglich zu machen.
Das ist kein Selbstläufer: Solche Modelle verlangen Transparenz, klare Regeln zu Interessenkonflikten und eine Governance, die klinische Prioritäten schützt. Aber als Ansatz, um Investitionshürden zu senken, könnte diese «out-of-the-box»-Finanzierung in den kommenden Jahren zunehmen.
Wo KI zuerst wirkt: Backoffice, Steuerung und Prävention als Frontier
Bei den konkreten Einsatzfeldern zeigten sich drei Prioritäten. Erstens: administrative und operative Prozesse im Backoffice. Hier gilt KI als leicht zu erreichendes Ziel, weil regulatorische Hürden geringer sind und Business Cases einfacher. Themen wie OP-Planung, Ressourcensteuerung, MR-Auslastung oder automatisierte Abgleiche in Abrechnungs- und Verwaltungsprozessen binden heute hochqualifizierte Arbeitszeit oft in Excel-Listen und manuellen Klickstrecken. KI-Agenten könnten hier rasch messbare Effekte erzielen.
Zweitens: Qualität, Patientensicherheit und kognitive Entlastung. Prof. Hoffmann betonte, KI dürfe nicht ein weiterer Bildschirm und noch mehr Klicks bedeuten. Ihr Wert liege darin, die kognitive Last in hochbelasteten Teams zu senken, Redundanzen zu vermeiden, Durchlaufzeiten zu verbessern und die Vorhersagbarkeit des Spitalbetriebs, stets an klinische Ziele gekoppelt, zu erhöhen.
Drittens: Prävention als strategische Zone jenseits des Spitals. Loeillot formulierte hier die ambitionierteste Vision aus Sicht eines Versicherers: Die Monetarisierung von Prävention und ein neues Versprechen an Versicherte, nämlich möglichst gar nicht erst Patient zu werden. Präventive KI, Coaching, Lifestyle-Daten und frühe Interventionen könnten ein Feld sein, das heute zwischen Mandaten liegt und gerade deshalb als Grenze gilt.
Der Elefant im Raum: Systemdaten und die Schweizer Langsamkeit
Ein Diskussionspunkt blieb als Grundrauschen präsent: die systemische Datenlage. Wenn Patientendaten in Teilen noch papierbasiert bei Hausärzten liegen, wenn nationale elektronische Patientendossiers schleppend vorankommen und Datenschutzdebatten die Skalierung bremsen, dann verschiebt sich der KI-Horizont. Der Vergleich mit Ländern wie Dänemark, die über landesweite EHR-Strukturen (Elektronische Gesundheitsakten) verfügen, zeigte die Konsequenz: Wer Daten auf Populationsebene nutzen kann, wird KI schneller in reale Gesundheitsgewinne übersetzen.
Gleichzeitig wurde auch die technische Realität benannt: Der Zustand von Daten in Spitälern, Versicherungen und Versorgungsstrukturen sei oft ein echtes Chaos. In Data-Science-Projekten fliesst der Grossteil der Zeit in Datenbereinigung und -aufbereitung. Ohne diese Basis bleibt KI-bereit ein Schlagwort.
KI-bereit ist ein Umbau, kein Zusatz
Die Paneldiskussion machte deutlich: Schweizweit entscheidet sich KI-Bereitschaft nicht an einzelnen Tools, sondern an Infrastruktur im weitesten Sinn, wie Prozessstandardisierung, Data-Governance, Ergebnis-Orientierung, Finanzierung inklusive Transformationskosten und eine Umsetzungslogik, die Insellösungen verhindert. Wer KI wirklich nutzen will, muss sie im Betriebsmodell verankern und im Verwaltungsrats-Etage verantworten.
Und vielleicht ist das die wichtigste Botschaft aus Basel: Die Lautstärke der Debatte hilft wenig. Entscheidend ist die leise, oft unsichtbare Arbeit am Fundament.
Binci Heeb
Lesen Sie auch: Was uns die Raumfahrt über Gesundheit, Risiko und Leistung lehrt
Suche:
Sponsoren:
