Viele KI-Initiativen in der GKV überzeugen zunächst in der Pilotphase, kommen aber dann irgendwie nie wirklich spürbar im Alltag der Mitarbeitenden an. Um einen solchen Effekt zu verhindern, lautet die entscheidende Frage, wie aus einem interessanten Anwendungsfall eine wirklich integrierte, steuerbare und auditierbare Lösung wird. Hierzu muss KI als integrierter Bestandteil von Prozessen, Organisation und Betrieb gedacht werden. Die Technologie selbst ist dabei als Werkzeug zu verstehen, nicht als Lösungsansatz selbst.

Warum so viele KI-Piloten nie in die Produktion kommen 

Viele gesetzliche Krankenkassen haben in den vergangenen Jahren erste KI-Anwendungen erprobt. Die Muster sind oft ähnlich: Ein Chatbot beantwortet interne Wissensfragen, ein Modell fasst Dokumente zusammen oder eine Anwendung unterstützt bei der Vorstrukturierung von Vorgängen. Im Pilot wirken solche Lösungen schnell überzeugend, weil sie einzelne Arbeitsschritte beschleunigen und hohe Produktivität versprechen. Im Alltag zeigt sich jedoch häufig ein anderes Bild. Ergebnisse müssen nachkorrigiert werden, Sonderfälle bleiben unberücksichtigt, Schnittstellen fehlen und Verantwortlichkeiten sind ungeklärt. Genau hier entsteht die Lücke zwischen technischer Machbarkeit und produktivem Einsatz. Der Engpass ist meist nicht das Modell selbst, sondern die fehlende Einbettung in reale Prozesse, Regeln und Betriebsabläufe. Die KI bleibt auf diesem Wege also weitestgehend isoliert von der tatsächlichen Realität im Unternehmen. 

Vermeidbare Fallen bei der Einführung von KI 

Genau durch diese Logik entsteht auch der typische Denkfehler: KI wird als abgegrenztes Projekt verstanden und nicht als integraler Prozessbestandteil. So steht am Anfang häufig direkt die Frage, welches Modell oder welches Tool eingeführt werden soll, statt zunächst zu klären, an welcher Stelle im Prozess durch den Einsatz von KI überhaupt ein belastbarer Mehrwert entstehen kann. 

Im GKV-Umfeld führt diese Perspektive besonders schnell in Sackgassen. Prozesse sind arbeitsteilig, stark reguliert und in bestehende Fachverfahren eingebettet. Eine Lösung muss sich deshalb nicht nur fachlich bewähren, sondern auch in Rollenmodelle, Freigabelogiken und Systemlandschaften passen. Ein funktionierender Pilottest ist unter diesen Bedingungen kein Beweis für Produktionsfähigkeit, sondern zunächst nur ein Hinweis darauf, dass ein technischer Ansatz grundsätzlich tragfähig sein könnte. Vermeiden Sie daher folgende Fallen: 

Allein sich dieser Punkte von Anfang an bewusst zu sein, hilft im späteren Verlauf der KI-Einführung enorm und spart mitunter aufwändige Nachjustierungen. 

Was tragfähige Use Cases auszeichnet 

Wie bereits oben erläutert, entstehen tragfähige Use Cases aus einem klar beschriebenen Prozessproblem. Gute Kandidaten liegen typischerweise dort, wo hohe Fallzahlen, wiederkehrende Bearbeitungsschritte, dokumentenlastige Vorgänge oder ein hoher Recherche- und Prüfaufwand zusammenkommen.

Ebenso wichtig ist, was gegen einen guten Use Case spricht: unklare Datenlage, hohe regulatorische Unsicherheit, zu viele Prozessvarianten oder fehlende Anschlussfähigkeit an bestehende Fachverfahren. Es ist daher entscheidend, sich nicht von dem ablenken zu lassen, was vielleicht technisch beeindruckend aussieht. Wichtiger ist, sich im Klaren darüber zu sein, was im Regelbetrieb tatsächlich einen stabilen Nutzen stiften kann.

Vier Schritte, die fast immer übersehen werden 

Wenn ein Use Case tragfähig erscheint, beginnt die eigentliche Arbeit. Der Weg in die Produktion startet mit einem sauberen Verständnis des End-to-End-Prozesses. Das bedeutet: Erst wenn klar ist, wo Informationen entstehen, wie Entscheidungen vorbereitet werden, welche Sonderfälle auftreten und an welchen Stellen heute Medienbrüche bestehen, lässt sich sinnvoll über Automatisierung sprechen.  

Darauf folgt ein Schritt, der häufig übersehen wird: die Stabilisierung der Prozesslogik selbst. Uneinheitliche Bearbeitungswege, informelle Ausnahmen oder uneindeutige Zuständigkeiten lassen sich nicht einfach durch KI kompensieren. Erst, wenn diese Prozesslogik vollends geklärt ist, sollten im nächsten Schritt regelbasierte und deterministische Anteile konsequent – auch ohne den Einsatz von KI – automatisiert werden, um Wiederholbarkeit und Verlässlichkeit zu schaffen. Erst dort, wo danach noch Interpretationsspielräume, unstrukturierte Informationen oder hohe Varianz verbleiben, kommt KI gezielt zum Einsatz. 

Demnach lassen sich die folgenden vier Schritte vereinfacht zusammenfassen: 

KI sollte also niemals als Selbstzweck oder Allheillösung angesehen werden. Eine produktive Umsetzung entsteht vielmehr durch die richtige Reihenfolge aus Prozessklarheit, Standardisierung, Automatisierung und gezieltem KI-Einsatz. 

Von MVP zu Regelbetrieb: Was sich wirklich ändert

Spätestens an dieser Stelle wird sichtbar, dass zwischen einem grundsätzlich funktionsfähigen, aber nicht ausgereiften Minimum Viable Product (MVP) und dem Regelbetrieb ein echter Reifegradwechsel liegt. Ein MVP beantwortet, ob ein Ansatz im Grundsatz tragfähig ist. Der Regelbetrieb muss zusätzlich zeigen, dass er unter Last stabil bleibt, nachvollziehbar reagiert und organisatorisch getragen wird. Dazu gehören belastbare Schnittstellen, definierte Übergaben, dokumentierte Verantwortlichkeiten, Logging, Monitoring und klare Qualitätskriterien. Auch die Frage, wer bei fehlerhaften Ergebnissen eingreift, wie mit Änderungen umgegangen wird und wann menschliche Prüfung verpflichtend ist, darf nicht erst nach dem Go-live beantwortet werden. 

Governance als Enabler – nicht als Bremse

Sobald es um diesen nächsten Reifegrad geht, wird Governance zum Enabler. In regulierten Umfeldern wie der GKV entscheidet sie darüber, ob eine Lösung skalierbar und auditierbar wird oder ein isolierter Sonderfall bleibt. Gemeint ist damit ein handhabbares Set an Strukturen: klare fachliche und technische Verantwortlichkeiten, definierte Freigabepunkte, ein einheitlicher Umgang mit Datenschutz- und Risikofragen sowie Vorgaben für Dokumentation, Nachvollziehbarkeit und Eskalation. Auch Anforderungen aus dem europäischen und nationalen Regulierungsumfeld machen deutlich, dass menschliche Aufsicht, Transparenz, Dokumentation und laufende Kontrolle feste Bestandteile belastbarer KI-Nutzung sind. Ein praktischer Unterschied ist schnell sichtbar: Wo Governance fehlt, wird jede Einführung neu diskutiert; wo sie vorhanden ist, entstehen wiederholbare Entscheidungen und Standards. 

Daten, Integration, Architektur: Die unsichtbaren Erfolgsfaktoren 

Damit eine Lösung im Alltag trägt, reichen Governance und ein guter Use Case allein nicht aus. Entscheidend sind ebenso die oft unsichtbaren Voraussetzungen in Daten, Integration und Architektur. Gerade generative und agentische Anwendungen sind nur so belastbar wie die Informationsbasis, auf die sie zugreifen. Typische Schwachstellen sind veraltete Dokumente, uneinheitliche Datenstände, fehlende Rechtekonzepte oder unklare Abgrenzungen zwischen produktiven Daten, Testdaten und sensiblen Informationen. Hinzu kommt die technische Einbettung: Wenn Mitarbeitende zwischen mehreren Oberflächen wechseln, Ergebnisse manuell übertragen oder den Kontext ständig neu herstellen müssen, verpufft ein großer Teil des Nutzens. Genau an diesem Punkt entscheidet sich oft, ob aus einer überzeugenden Demo ein tragfähiges Produkt wird. 

Akzeptanz entscheidet: Warum Change und Enablement Teil der Lösung sind

Selbst wenn diese technische Basis steht, ist der Schritt in die Produktion noch nicht gewonnen. Eine Lösung wird erst dann wirksam, wenn sie im Arbeitsalltag akzeptiert und routiniert genutzt wird. Deshalb gehört Change von Beginn an in die Umsetzung. Fachbereiche sollten nicht erst zur Abnahme eingebunden werden, sondern bereits bei Auswahl, Test und Ausgestaltung des Anwendungsfalls. Hilfreich sind dabei konkrete Maßnahmen: frühe Tests mit echten Fallkonstellationen, klare Regeln für menschliche Prüfung, kurze Rückkopplungsschleifen und verständliche Leitplanken für die Nutzung. Gerade bei KI-Anwendungen steigt die Akzeptanz dort, wo die Grenzen des Systems offen benannt werden und Beschäftigte erkennen, wann sie sich auf Ergebnisse verlassen können und wann nicht.

Betrieb, Monitoring und Qualität: Was Skalierung wirklich bedeutet

Genau deshalb markiert der Go-live erst den Beginn des eigentlichen Produktionsbetriebs. Produktive KI-Lösungen brauchen ein klares Betriebsmodell mit Support, Zuständigkeiten, Eskalationswegen, geregelten Änderungen und einem Monitoring, das mehr misst als reine Verfügbarkeit. Relevant sind zum Beispiel Antwortqualität, Bearbeitungszeiten, Eingriffsquoten durch Mitarbeitende, Fehlermuster und Nutzungshäufigkeit. Hinzu kommen Protokollierung und Nachvollziehbarkeit, damit sich Entscheidungen, Datenzugriffe und kritische Systemreaktionen auch im Nachgang einordnen lassen. Für den Regelbetrieb heißt das konkret: Qualität muss fortlaufend beobachtet und nicht nur einmalig vorausgesetzt werden. Erst wenn Leistung, Risiken und Nutzung laufend gesteuert werden können, wird aus einer eingeführten Anwendung ein belastbarer Service. 

Fazit: Produktion ist kein Ziel, sondern ein Operating Model

Erfolgreiche GKVen betrachten KI nicht als isoliertes Innovationsprojekt, sondern als Bestandteil von Prozessen, Organisation und Betrieb. Genau darin liegt auch der Unterschied zwischen interessanten Experimenten und Lösungen mit nachhaltiger Wirkung: Sie setzen an realen Prozessproblemen an, werden entlang belastbarer Governance- und Betriebsstrukturen aufgebaut und fügen sich in den Arbeitsalltag ein. Für agentische Lösungen gilt das in besonderem Maß. Ihr Potenzial entsteht durch die kontrollierte Einbindung, klare Verantwortlichkeiten und sichtbaren Nutzen im konkreten Ablauf. 

Autor & Ansprechpartner

Kontakt