Agentische KI im Gesundheitswesen: Was passiert, wenn KI-Agenten miteinander streiten?

Ein Multi-Agenten-KI-System hat kürzlich seltene medizinische Fälle in über 80 % der Fälle korrekt diagnostiziert. Das ist viermal besser als erfahrene menschliche Ärzte. Das hat es nicht dadurch erreicht, dass es klüger war als irgendeine einzelne KI. Dies wurde dadurch erreicht, dass mehrere Agenten miteinander diskutierten, bis die Fehler entdeckt wurden.

Vor sechs Monaten spielte künstliche Intelligenz im Gesundheitswesen noch eine passive Rolle. Es nahm an Besprechungen teil, hörte zu und fasste die klinischen Notizen zusammen. Es war nützlich, aber nur in begrenztem Umfang. Mittlerweile rufen agentische KI-Systeme Patientenakten ab, wenden Diagnosemodelle an, koordinieren Behandlungspläne abteilungsübergreifend und hinterfragen gegenseitig ihre Schlussfolgerungen – und das alles, ohne darauf zu warten, dass ein Mensch jeden einzelnen Schritt einleitet.

In einer aktuellen Folge seiner Reihe „Code to Care“ sprach Don Woodlock mit Dr. Peter Lee darüber, wohin sich die agentische KI im Gesundheitswesen entwickeln wird. Sie sprachen über:

1. Ein konkretes Rahmenkonzept dafür, was KI „agentenhaft“ macht
2. Echte Systeme, die bereits im klinischen Umfeld im Einsatz sind
3. Und eine Erkenntnis zur Zusammenarbeit mehrerer Agenten, die in den meisten Berichten über diese Technologie völlig außer Acht gelassen wird

Ganz gleich, ob Sie agentische KI für Ihr Gesundheitssystem evaluieren oder versuchen, Substanz von Hype zu unterscheiden – im Folgenden finden Sie eine praktische Übersicht: Was die Technologie tatsächlich leistet, wo sie echte Ergebnisse erzielt und welche Voraussetzungen Ihre Organisation erfüllen muss, bevor sie eingesetzt werden kann.

Herkömmliche KI reagiert nacheinander auf Eingabeaufforderungen, verfügt über kein Gedächtnis zwischen den Sitzungen, hat keine Berechtigungen, um auf externen Systemen zu agieren, und ist nicht in der Lage, irgendetwas in der realen Welt zu verändern.

Agentebasierte KI unterscheidet sich grundlegend davon. Diese intelligenten Systeme können im Gesundheitswesen oft autonom beobachten, entscheiden und handeln.

Peter Lee unterteilt die agentische KI in vier Komponenten – eine praktische Checkliste, um zu beurteilen, ob ein System tatsächlich agentisch ist oder nur als solches bezeichnet wird.

Die frühen KI-Systeme begannen jede Interaktion bei Null. Agentische Systeme behalten den episodischen Kontext bei. Die KI erinnert sich an die Penicillinallergie dieses Patienten, an die Besprechung im Tumorboard vor drei Wochen und an den vom Radiologen markierten Befund aus der Anamnese. Der Kontext bleibt über mehrere Sitzungen hinweg erhalten, und der Agent macht dort weiter, wo er aufgehört hat.

Was darf die KI tun? Kann das System die elektronische Patientenakte abfragen? Ein radiologisches Modell aufrufen? Auf Laborergebnisse zugreifen? Berechtigungen definieren die Grenzen der Autonomie eines Agenten, und im Gesundheitswesen sind diese Grenzen von enormer Bedeutung.

Damit Agenten systemübergreifend in klinischen und betrieblichen Systemen agieren können, benötigen sie Plattformen, die den Zugriff auf Gesundheitsdaten ermöglichen, ohne dass Dutzende separater Integrationen erforderlich sind.

Plattformen wie InterSystems IRIS, die Datenbank, Integration und Analytik in einer einzigen Ebene vereinen, reduzieren die Anzahl der Übergänge, die ein Mitarbeiter durchlaufen muss, um Patientendaten abzurufen und darauf zu reagieren.

Agentenbasierte Systeme verändern den Zustand der Welt. Sie rufen Patientenakten ab, erstellen klinische Notizen, greifen für spezielle Analysen auf andere KI-Modelle zurück, vereinbaren Termine, versenden Erinnerungen und koordinieren Nachsorgeuntersuchungen.

Einfach ausgedrückt: Generative KI beantwortet Fragen. Agentische KI führt Handlungen aus.

Das ist der Faden, der die anderen drei miteinander verbindet. Ein agentisches System führt nicht einfach nur eine Abfolge von Schritten aus. Es arbeitet zielgerichtet und passt seinen Gedankengang an, sobald neue Informationen eintreffen.

Es arbeitet mit Menschen zusammen und speichert dabei mehr Kontextinformationen im Arbeitsgedächtnis als jeder einzelne Kliniker. Mithilfe von Technologien wie der Verarbeitung natürlicher Sprache und maschinellem Lernen können diese intelligenten Agenten aus riesigen Datensätzen Erkenntnisse gewinnen und komplexe Aufgaben automatisieren, die eine einzelne Person überfordern würden.

Peter Lee beschreibt diesen Moment anhand einer Baseball-Analogie: „Wir befinden uns mitten in den Innings dieser technologischen Revolution.“ „Und ich denke, du hast Recht, dass die agentische KI ein zentraler Bestandteil dieser ‚Middle-Innings‘-Ära ist.“

Der Druck zum Einsatz ist real, doch die ‚Late Innings‘ bleiben ungewiss. Einen tieferen Einblick in das Zusammenspiel dieser Komponenten im Systemdesign finden Sie in unserem Leitfaden zur agentenbasierten KI-Architektur.

Wie „diskutieren“ KI-Agenten also, wie in der Einleitung erwähnt?

So sieht das in der Praxis aus. MAI-DxO ist ein Multi-Agenten-Diagnosesystem von Microsoft AI. Anstatt eine einzige KI zu beauftragen, alle Faktoren einer komplexen Diagnose abzuwägen, weist das System einzelnen KI-Agenten jeweils unterschiedliche Rollen zu:

• Ein Hauptansprechpartner, der mit den Patienten in Kontakt steht und auf die Erstellung einer Diagnose hinarbeitet
• Ein konträrer Akteur, dessen einziges Ziel darin besteht, zu widersprechen, indem er die Argumentation des Hauptakteurs ständig hinterfragt, Annahmen in Zweifel zieht und Schlussfolgerungen in Frage stellt
• Ein Kostenbeauftragter, der aus ressourcentechnischer Sicht prüft, ob jede vorgeschlagene Laboruntersuchung oder bildgebende Untersuchung gerechtfertigt ist

Diese Akteure beteiligen sich an einer „Debattenkette“: einer strukturierten Auseinandersetzung, die den Diagnoseprozess durch mehrere Runden der Hinterfragung und Verfeinerung treibt, bevor eine Schlussfolgerung erzielt wird. Das System kann Daten aus klinischen Notizen, Anamnesen und Laborergebnissen gleichzeitig analysieren und dabei Zusammenhänge verarbeiten, die kein einzelner Mediziner im Arbeitsgedächtnis erfassen könnte.

In Zusammenarbeit mit dem New England Journal of Medicine erzielte MAI-DxO bei Tests mit einer Sammlung äußerst seltener diagnostischer Fälle in über 80 % der Fälle eine korrekte Diagnose. Die Konfiguration mit der besten Leistung erreichte 85,5 % – mehr als viermal so gut wie sehr erfahrene menschliche Ärzte, die dieselben Fälle bearbeiteten und dabei im Durchschnitt eine Genauigkeit von etwa 20 % erzielten.

Die Genauigkeit ist entscheidend. Doch das ist noch nicht alles. Die KI-Agenten spornen sich gewissermaßen gegenseitig dazu an, bessere Leistungen zu erbringen.

„Diese Konzepte des agentenbasierten Rechnens dienen nicht nur dazu, menschliche Prozesse zu unterstützen, sondern können auch die Intelligenz anderer KIs stärken und darüber hinaus beispielsweise die Halluzinationsrate senken, indem sie sich gegenseitig herausfordern.“ - Dr. Peter Lee

Ja, die Agenten tragen dazu bei, Prozesse zu automatisieren, bei denen es leicht zu menschlichen Fehlern kommen kann. Gleichzeitig verringern sie jedoch auch eines der größten Probleme im Bereich der KI erheblich, nämlich das Phänomen der Halluzination. Der konträre Makler muss nicht unbedingt Recht haben. Es muss den primären Akteur dazu zwingen, seine Argumentation zu verteidigen.

Dieser Prozess deckt Schwachstellen in der Argumentationskette auf, die andernfalls ungeprüft durchgehen würden.

Das rückt das Ganze in ein neues Licht. Die Frage, die sich die meisten Führungskräfte im Gesundheitswesen in Bezug auf agentische KI stellen, lautet: „Welche Aufgaben kann sie automatisieren?“ Die bessere Frage – und die, die MAI-DxO beantwortet – lautet: „Was passiert, wenn intelligente Agenten sich gegenseitig intelligenter machen?“

MAI-DxO beweist, dass Agenten die nachrichtendienstliche Arbeit verbessern können. Der „Stanford Tumor Board Orchestrator“ befasst sich mit einem anderen Problem, das für die tägliche Patientenversorgung möglicherweise von größerer Bedeutung ist: die Koordination zwischen fragmentierten Daten und unterschiedlichen Systemen.

Tumorboards sind multidisziplinäre Besprechungen, bei denen Onkologen, Radiologen, Chirurgen und Pathologen den Fall eines bestimmten Patienten besprechen und über die Behandlung entscheiden. Jede Woche finden weltweit Tausende solcher Fälle in den Gesundheitssystemen statt, und bei jedem einzelnen müssen die Behandlungsteams Informationen zusammenführen, die über mehrere Systeme verstreut sind.

In Zusammenarbeit mit Stanford Medicine, wo jährlich 4.000 Patienten im Rahmen von Tumor-Board-Sitzungen behandelt werden, hat Microsoft einen KI-Agenten entwickelt, der an diesen Sitzungen teilnimmt. Der Agent ruft Patientenakten ab, greift auf spezialisierte KI-Modelle für die radiologische und pathologische Analyse zurück, stellt veröffentlichte Forschungsergebnisse bereit, die auf die Genetik des Patienten abgestimmt sind, und erstellt Notizen zur Überprüfung.

Er kann Gesundheitsdienstleister in Echtzeit unterstützen, indem er komplexe Aufgaben wie die Entschlüsselung komplizierter medizinischer Fälle und die Koordination einheitlicher Versorgungspläne über mehrere Fachabteilungen hinweg übernimmt.

Erinnern Sie sich noch an die oben aufgeführten MEAR-Komponenten? Hier spielen sie alle eine Rolle. Der Makler:

• Behält den Patientenkontext bei (Speicher)
• Zugriff auf elektronische Patientenakten, Bildgebungssysteme und Forschungsdatenbanken (Berechtigungen)
• Ruft Daten ab und generiert Ausgaben (Aktionen)
• sowie die Gründe für eine Behandlungsempfehlung im Austausch mit dem klinischen Team (Begründung).

Die Vernetzung dieser unterschiedlichen Datenquellen ist genau die Herausforderung im Bereich der Interoperabilität, für die Plattformen wie InterSystems HealthShare entwickelt wurden. Onkologische Befunde befinden sich in einem System, radiologische Bilder in einem anderen, pathologische Befunde in einem dritten und veröffentlichte Forschungsergebnisse in externen Datenbanken.

HealthShare fasst klinische Daten aus mehreren Systemen zu einer einheitlichen Patientenakte zusammen und bietet so den beteiligten Systemen (und Klinikern) eine einzige, zusammenhängende Übersicht, unabhängig davon, woher die Daten stammen.

Dies ist das Modell, das skalierbar ist. Tumor-Gremien erfordern die Bündelung von Fachkräften, Daten und Entscheidungen aus dem gesamten Gesundheitssystem. Genau diese Herausforderung der Koordination verbindet fragmentierte Daten miteinander, damit die richtigen Behandlungsteams die richtigen Entscheidungen treffen können, und taucht in praktisch jedem Arbeitsablauf der Gesundheitsversorgung auf.

Das Engagement von Stanford Health Care im Bereich der agentenbasierten KI geht über Tumor-Gremien hinaus. Im Rahmen ihrer AXIOM-Initiative nutzen sie ein FHIR-Repository auf InterSystems IRIS, um einen schnellen Abruf klinischer Daten zu ermöglichen. Dadurch lassen sich die Abfragezeiten in elektronischen Patientenakten für KI-Anwendungen – darunter auch die unterstützte Triage in Notaufnahmen – von Minuten auf Sekunden verkürzen. Das Projekt wurde mit dem InterSystems Impact Award 2025 in der Kategorie „Innovation bei Gesundheitsdienstleistern“ gewonnen.

Nicht jede Einrichtung im Gesundheitswesen benötigt schon morgen ein Diagnose-System mit mehreren Agenten.

Anthropic, die Entwickler von Claude, schrieben in ihrem Leitfaden zur Erstellung von Agenten treffend: „Bei der Entwicklung von Anwendungen mit LLMs empfehlen wir, die einfachste Lösung zu finden und die Komplexität nur bei Bedarf zu erhöhen.“

Glücklicherweise bietet Dr. Lee einen einfacheren Einstieg, den jeder Kliniker noch diese Woche ausprobieren kann.

In seinem Buch „The AI Revolution in Medicine“empfiehlt Lee Ärzten und Pflegekräften, KI als „ein zweites Paar Augen“ zu betrachten.

Die Idee: Erstellen Sie Ihre Differentialdiagnose, legen Sie den Fall dann einem KI-Agenten vor und stellen Sie zwei Fragen. Habe ich irgendetwas übersehen? Gibt es Fehler in meiner Argumentation?

„Ich denke, viele Ärzte und Pflegekräfte wären gut beraten, ihre Arbeit selbst zu erledigen, aber eine KI als einen Helfer zu betrachten, der ihnen sozusagen als zweites Paar Augen dienen kann.“ - Dr. Peter Lee

Don erläutert, warum dies auch dann funktioniert, wenn die KI nicht perfekt ist:

„Es erweitert gewissermaßen den Horizont des Entscheidungsträgers.“ Selbst wenn man ein wenig danebenliegt, schadet das diesem Anwendungsfall nicht, denn du forderst ja nur, dass ich meinen Horizont ein wenig erweitere. „Gibt es noch etwas, das ich berücksichtigen sollte?“ – Don Woodlock

Die KI trifft keine Entscheidungen. Vielmehr erweitert es den Entscheidungsraum. Dieser Ansatz trägt dazu bei, die kognitive Belastung des medizinischen Fachpersonals zu verringern, indem er eine Überprüfung auf blinde Flecken ermöglicht, ohne dass das System autonom arbeiten muss.

Das Anwendungsspektrum reicht von dieser Art der Validierung über die Koordination von Tumor-Boards bis hin zur autonomen Multi-Agenten-Diagnose. Organisationen im Gesundheitswesen können dort ansetzen, wo es ihr Reifegrad im Datenmanagement und ihre Governance zulassen, und der Erfolg hängt davon ab, dass die ehrgeizigen Ziele mit der tatsächlichen Bereitschaft in Einklang stehen.

Das Stanford-Tumorboard automatisiert die klinische Koordination. Das gleiche Muster lässt sich auch im Verwaltungsapparat des Gesundheitswesens beobachten, und die Zahlen sind kaum zu übersehen.

US-amerikanische Gesundheitsorganisationen geben jährlich über 1 Billion US-Dollar für Verwaltungsaufgaben aus. Nicht bei der Patientenversorgung, sondern bei der Koordination.

Zum Beispiel:

• Informationen aus einem System abrufen und mit denen eines anderen Systems abgleichen
• Zusammenstellung der Dokumentation
• Einreichung über Portale
• Und die Ergebnisse nachverfolgen

Es kostet das medizinische Personal Zeit und führt bei jeder Übergabe zu Fehlern. Medizinische Fachkräfte haben diesen Beruf ergriffen, um Patienten mitfühlend zu betreuen – und nicht, um Daten über verschiedene Portale hinweg abzugleichen.

Betrachten wir einmal einen typischen Arbeitsablauf bei der Vorabgenehmigung. Heute ein Koordinator:

1. Ruft klinische Notizen aus der elektronischen Patientenakte ab
2. Prüft zahlerspezifische Anforderungen in einem separaten Portal
3. Stellt das Dokumentationspaket zusammen
4. Wird über ein weiteres System übermittelt
5. und überwacht den Genehmigungsstatus, wobei oft Dutzende von Fällen gleichzeitig bearbeitet werden

Bei einem agentenbasierten System übernimmt der Agent das Abrufen, das Zusammenstellen, die Konformitätsprüfungen und die Einreichung. Der Koordinator prüft die vollständigen Unterlagen und kümmert sich um Ausnahmeregelungen. Eine Arbeit, die früher 45 Minuten dauerte, dauert jetzt nur noch 10.

Das ist kein hypothetisches Beispiel. MUSC Health wickelt mittlerweile 40 % der Vorabgenehmigungen eigenständig mithilfe agentischer KI ab, ohne dass menschliches Eingreifen erforderlich ist.

InterSystems HealthShare unterstützt diese Arbeitsabläufe durch seine „Payer Services“-Suite, die Funktionen zur Unterstützung bei Vorabgenehmigungen, zur Ermittlung von Erstattungsvoraussetzungen sowie Dokumentationsvorlagen umfasst. Damit erhalten Organisationen eine standardbasierte Grundlage, um agentische Automatisierung in bestehende Integrationen zwischen Kostenträgern und Leistungserbringern einzubinden.

Eine Umfrage des Deloitte Center for Health Solutions unter 100 Führungskräften im US-amerikanischen Gesundheitswesen ergab, dass 85 % planen, ihre Investitionen in agentische KI in den nächsten zwei bis drei Jahren zu erhöhen, wobei 98 % Kosteneinsparungen von mindestens 10 % durch reduzierten Verwaltungsaufwand und eine verbesserte Ressourcennutzung erwarten.

Führungskräfte im Gesundheitswesen erwarten, dass agentische Technologien in Krankenhäusern und Gesundheitssystemen zu erheblichen Effizienzsteigerungen führen werden.

Die grundlegende Herausforderung bei diesen Arbeitsabläufen im Gesundheitswesen ist die Datenfragmentierung. Vorabgenehmigungen, Leistungsabrechnungen und Terminplanung hängen allesamt von Informationen ab, die über elektronische Patientenakten, Abrechnungssysteme und Portale der Kostenträger verstreut sind.

InterSystems IRIS for Health bietet die Integrations- und Interoperabilitätsschicht, die es agentenbasierten Systemen ermöglicht, in Echtzeit auf diese Daten zuzugreifen und sie abzugleichen, ohne dass Gesundheitssysteme ihre bestehende Infrastruktur komplett austauschen müssen.

Über administrative Aufgaben hinaus beginnen agentenbasierte Systeme, die Art und Weise zu verändern, wie Gesundheitsorganisationen die Patientenversorgung nach der Entlassung handhaben. KI-Agenten können Patienten auf Symptome überwachen, die Einhaltung der Medikamenteneinnahme überprüfen, Termine für Nachuntersuchungen vereinbaren und Bedenken an die Betreuungsteams melden. So ermöglichen sie eine Echtzeitüberwachung, durch die Probleme erkannt werden, bevor sie eskalieren.

Dank dieser proaktiven Funktionen können Gesundheitsdienstleister ihren Patienten klarere Zeitpläne und eine zuverlässigere Kommunikation bieten, wodurch die Backend-Abläufe stabilisiert und gleichzeitig die Versorgungsqualität sowie das gesamte Patientenerlebnis verbessert werden. (Eine ausführliche Fallstudie zur KI-gestützten Neugestaltung von Arbeitsabläufen im klinischen Umfeld finden Sie in unserem Artikel zur Automatisierung im Gesundheitswesen.)

Jede Minute, die für den Abgleich von Daten zwischen verschiedenen Portalen aufgewendet wird, ist eine Minute, die nicht für die Patienten zur Verfügung steht. Agentische Systeme übernehmen die Koordination, sodass sich die Pflegeteams ganz auf die fürsorgliche Pflege konzentrieren können.

Alles, was oben beschrieben wurde, hängt von einer Sache ab: Daten. Das MEAR-Framework macht die Abhängigkeit explizit. Das Gedächtnis benötigt klinische Daten, um sich daran zu erinnern. Für Berechtigungen sind Systeme erforderlich, die Zugriff gewähren. Aktionen erfordern APIs, die darauf reagieren. Für die Entscheidungsfindung sind saubere, strukturierte Eingabedaten erforderlich.

In den meisten Gesundheitssystemen sind Patientendaten in verschiedenen Formaten über elektronische Patientenakten, Abrechnungsplattformen, Portale der Kostenträger, Faxe und digitale Abteilungswerkzeuge verteilt, wobei sie sich hinsichtlich ihrer Vollständigkeit und ihrer Aktualisierungszyklen unterscheiden. Der überwiegende Teil der Gesundheitsdaten bleibt ungenutzt, da er in Formaten vorliegt, die von bestehenden Systemen nicht in dem Umfang verarbeitet werden können, den agentische KI-Anwendungen erfordern. Das Gesundheitswesen steht aufgrund dieser Fragmentierung und der daraus resultierenden Interoperabilitätsprobleme vor erheblichen Herausforderungen.

Für Organisationen im Gesundheitswesen, die agentenbasierte Systeme einsetzen möchten, sind drei Grundlagen von Bedeutung.

Interoperabilitätsstandards im Gesundheitswesen wie FHIR und HL7 bilden die Grundlage, auf der agentenbasierte Systeme laufen. InterSystems HealthShare Health Connect, das als Cloud-basierter Service verfügbar ist, übernimmt die Protokollübersetzung und die Nachrichtenweiterleitung, wodurch intelligente Agenten über klinische Systeme hinweg kommunizieren können. Dabei werden HL7, FHIR, X12, DICOM und andere Standards im Gesundheitswesen unterstützt, ohne dass maßgeschneiderte Punkt-zu-Punkt-Integrationen erforderlich sind. Dank dieser modularen Architektur können Gesundheitssysteme verschiedene Systeme schrittweise miteinander vernetzen, anstatt eine vollständige Umstellung anzustreben.

Anstatt Daten in einem Data Warehouse zu zentralisieren (ein mehrjähriges Projekt, das sich die meisten Gesundheitssysteme nicht leisten können), harmonisiert ein „Smart Data Fabric“-Ansatz die Daten direkt an Ort und Stelle und bietet den Akteuren so eine einheitliche Sicht, ohne dass Daten verschoben werden müssen.

Dies ist der Ansatz, den InterSystems in die IRIS-Plattform integriert hat: Er verbindet und harmonisiert fragmentierte Daten aus unterschiedlichen Quellen in Echtzeit, sodass agentenbasierte Systeme aus dem Gesamtbild Erkenntnisse gewinnen können.

Dies sind klare Regeln dafür, was Agenten eigenständig tun dürfen, wann sie eine Eskalation vornehmen müssen und wie jede Aktion protokolliert wird.

Agentenbasierte Systeme werden Fehler machen. Das versteht sich von selbst.

Aufgrund der gesetzlichen Vorschriften kommt der Architektur eine doppelt wichtige Rolle zu: Sie muss diese Fehler abfangen, bevor sie die Patienten erreichen. Debatten zwischen mehreren Agenten, „Human-in-the-Loop“-Kontrollpunkte, Transparenz gegenüber den Patienten hinsichtlich der Rolle der KI bei ihrer Versorgung sowie Prüfpfade sind keine optionalen Funktionen. Sie sind der Grund, warum die Technologie funktioniert.

Die Hürden für die Einführung werden geringer. Die Deloitte-Umfrage ergab, dass 40 % der Führungskräfte im Gesundheitswesen angeben, der Mangel an Fachkräften sei früher ein großes Hindernis gewesen, werde nun aber nicht mehr als wesentliche Herausforderung angesehen. Auch der Widerstand gegen Veränderungen und Bedenken hinsichtlich der Datenqualität verlieren als Hindernisse an Bedeutung: 38 % bzw. 32 % der Führungskräfte berichten von Verbesserungen in diesen Bereichen.

Führungskräfte im Gesundheitswesen müssen sich zwar weiterhin auf den Aufbau solider Datengrundlagen und Governance-Strukturen konzentrieren, doch ist der Weg dorthin heute klarer als noch vor einem Jahr.

Wissenswert ist dabei: Automatisierte Systeme decken Probleme bei der Datenqualität früher und unverblümter auf als manuelle Arbeitsabläufe. Wenn ein Sachbearbeiter eine Aufgabe nicht erledigen kann, weil die Datensätze widersprüchliche Informationen enthalten, ist das ein Hinweis auf ein Problem und kein technischer Fehler. Das System zeigt Ihnen an, an welchen Stellen am Fundament Nachbesserungen erforderlich sind.

Da die agentische KI im Gesundheitswesen immer ausgereifter wird, ist Peter Lees Ehrlichkeit in Bezug auf die Zukunft an sich schon ein Grund, aufmerksam zu sein:

„Das bedeutet nicht, dass die agentische KI in der Endphase eine große Rolle spielen wird.“ Das könnte sein. Das lässt sich schwer vorhersagen. „Aber ganz sicher wird es heute einen enormen Schub geben, agentenbasierte Systeme in der Praxis einzusetzen.“ - Dr. Peter Lee

Eine solch besonnene Einschätzung seitens des Präsidenten von Microsoft Research ist mehr wert als ein Dutzend Hype-Zyklen. Der Druck, das System in Betrieb zu nehmen, ist groß. Wohin das führen wird, ist wirklich unklar.

Für Führungskräfte im Gesundheitswesen, die sich derzeit mit agentischer KI befassen, sind hier drei Ansatzpunkte:

Wo verbringen Ihre Pflegeteams die meiste Zeit damit, Informationen aus verschiedenen Systemen abzurufen, abzugleichen und zu ordnen? Gerade bei diesen umfangreichen und koordinationsintensiven Arbeitsabläufen im Gesundheitswesen liefert agentische KI die schnellsten Ergebnisse.

Intelligente Agenten benötigen interoperable, strukturierte Gesundheitsdaten, um autonom arbeiten zu können. ( Die Vorbereitung der Daten für den Einsatz von KI ist ein praktischer Ausgangspunkt.) Die Organisationen im Gesundheitswesen, die diese Grundlage jetzt schaffen, werden in der Lage sein, autonome Systeme einzusetzen, sobald die Technologie ausgereift ist.

Beginnen Sie mit agentenbasierten Systemen, die Ärzte und Mitarbeiter unterstützen, und erweitern Sie dann die Autonomie, sobald sich die Führungsstrukturen etabliert haben und das Vertrauen wächst. Die erfolgreiche Integration agentischer KI erfordert eine solide Grundlage in den Bereichen Datenbereitschaft, Governance und Veränderungsmanagement.

Die Organisationen im Gesundheitswesen, die am meisten davon profitieren, werden nicht diejenigen sein, die die meisten Agenten einsetzen. Das sind die Fälle, in denen sich KI-Systeme und Ärzte gegenseitig ergänzen und so das Gesundheitswesen von einer reaktiven Koordination hin zu einer proaktiven, intelligenten Gesundheitsversorgung wandeln.