Alte Dokumente treffen auf neue Technologie (in der medizinischen Diagnose)

Wer solche Dokumente auswerten will, muss sie einzeln lesen, relevante Stellen markieren, Inhalte einordnen und die Ergebnisse anschließend dokumentieren. Das kostet Zeit. Vor allem kostet es die Zeit von Fachkräften, deren eigentliche Aufgabe nicht im Übertragen und Sortieren von Informationen liegt, sondern in deren Bewertung. Genau an dieser Stelle wird häufig über Automatisierung gesprochen. Dabei stellt sich dann die Frage: Welche Teile kann eine KI vorbereiten, damit der Mensch bessere Entscheidungen treffen kann?

In einem Forschungsprojekt untersuchten wir dieses Zusammenspiel am Beispiel der medizinischen Diagnostik. Das zugrunde liegende Prinzip lässt sich jedoch auf viele wissensintensive Prozesse im Mittelstand übertragen.

Wenn alte Dokumente aktuelle Entscheidungen beeinflussen
Bei der Diagnose von ADHS im Erwachsenenalter können alte Grundschulzeugnisse wichtige Hinweise liefern. Sie enthalten Beobachtungen aus einer Zeit, in der heutige Patientinnen und Patienten noch Kinder waren. Diese Hinweise stehen jedoch nicht in strukturierten Tabellen. Sie verbergen sich in Formulierungen wie „ließ sich leicht ablenken“, „arbeitete häufig übereilt“ oder „musste wiederholt zur Mitarbeit aufgefordert werden“. Damit solche Aussagen diagnostisch eingeordnet werden können, müssen Fachleute die Zeugnisse sorgfältig lesen und bewerten. Je nach Dokument kann das 15 bis 30 Minuten dauern, wobei hier bis zu 8 Zeugnisse in einen Diagnoseprozess fallen können.

Das Problem ist nicht auf die Medizin beschränkt
Auch in Unternehmen verbringen Fachkräfte viel Zeit damit, lange Dokumente nach relevanten Aussagen zu durchsuchen. Qualitätsberichte, Schadensmeldungen, technische Dokumentationen oder Kundenrückmeldungen enthalten oft entscheidende Informationen. Ihre Auswertung bleibt dennoch langsam, weil die Daten weder einheitlich formuliert noch strukturiert erfasst wurden. Die Fachkraft wird so zum Flaschenhals und das nicht, weil sie zu langsam arbeitet, sondern weil jeder Schritt von ihr abhängt.

Ein anderer Weg zur Automatisierung
Unser Forschungsprojekt versucht nicht, die fachliche Bewertung vollständig zu automatisieren. Stattdessen wird der bisherige Ablauf in einzelne Schritte zerlegt. Zunächst wird das analoge Dokument digitalisiert. Eine Texterkennung überträgt den Inhalt in maschinenlesbaren Text. Dabei können Fehler entstehen, etwa bei schlechter Scanqualität oder ungewöhnlicher Handschrift. Deshalb bleibt der erkannte Text sichtbar und kann korrigiert werden.

Anschließend analysiert die KI das Dokument und schlägt mögliche Bewertungen vor. Entscheidend ist dabei, dass sie nicht nur ein Ergebnis präsentiert. Sie verweist zugleich auf die Textstellen, aus denen sie ihre Einschätzung ableitet. Diese Verbindung zwischen Vorschlag und Quelle wird als Evidence Provenance bezeichnet. Vereinfacht gesagt: Die KI zeigt nicht nur, was sie vermutet, sondern auch, worauf diese Vermutung beruht.

Die Fachkraft kann den Vorschlag prüfen, korrigieren oder verwerfen. Erst nach dieser Validierung wird das Ergebnis in die weitere Dokumentation übernommen. Die KI liest, strukturiert und bereitet vor. Der Mensch entscheidet.

Warum die Quelle sichtbar bleiben muss
Viele KI-Systeme liefern Antworten, ohne nachvollziehbar zu machen, wie sie entstanden sind. Bei einer einfachen Textidee mag das akzeptabel sein. Bei fachlichen Bewertungen ist es problematisch. Wer eine Entscheidung verantworten muss, braucht mehr als ein plausibel klingendes Ergebnis. Die zugrunde liegenden Informationen müssen überprüfbar bleiben. Für mittelständische Unternehmen ist das besonders bei qualitätskritischen Prozessen relevant. Wenn eine technische Abnahme, eine Vertragsprüfung oder eine Sicherheitsbewertung durch KI unterstützt wird, darf die Originalquelle nicht hinter dem Ergebnis verschwinden. Eine gute Assistenzoberfläche sollte deshalb eine direkte Verbindung herstellen: von der KI-Empfehlung zur betreffenden Passage im Dokument. Fachkräfte können dann gezielt prüfen, statt das gesamte Material erneut durchsuchen zu müssen. Transparenz entsteht hier nicht durch eine lange technische Erklärung des KI-Modells.

Der Mensch als letzte Instanz
Das stellt eine klare Rollenverteilung dar. Die KI übernimmt Aufgaben, die sich häufig wiederholen: Dokumente durchsuchen, Textstellen markieren, Informationen strukturieren und erste Entwürfe erstellen. Die Fachkraft übernimmt die Aufgaben, für die Kontext, Erfahrung und Verantwortung erforderlich sind. Das klingt selbstverständlich. In der Praxis wird diese Grenze jedoch leicht verwischt. Sobald ein System schnell und überzeugend arbeitet, entsteht die Versuchung, seine Vorschläge ungeprüft zu übernehmen. Deshalb reicht ein Hinweis wie „Bitte überprüfen Sie das Ergebnis“ nicht aus. Das System selbst muss die Überprüfung erleichtern. Die Entscheidungshoheit des Menschen ist dann nicht nur eine organisatorische Regel. Sie wird durch das Design des Arbeitsablaufs unterstützt.

Eine Blaupause für den Mittelstand
Das Prinzip lässt sich auf viele Prozesse übertragen. Ein Maschinenbauunternehmen könnte alte Wartungsberichte analysieren, um wiederkehrende Fehlerbilder zu erkennen. Ein Dienstleister könnte Kundenfeedback vorsortieren und mit konkreten Aussagen aus den Rückmeldungen verknüpfen. Eine Personalabteilung könnte große Mengen offener Befragungsdaten strukturieren, ohne die Interpretation vollständig an ein System abzugeben.

Der Ablauf bleibt ähnlich: Dokumente werden digitalisiert, Inhalte vorstrukturiert, Vorschläge mit Quellen verbunden und anschließend von Fachkräften validiert.

Dabei muss nicht jeder Schritt sofort automatisiert werden. Unternehmen können mit einem klar abgegrenzten Anwendungsfall beginnen: einer wiederkehrenden Dokumentenart, einem überschaubaren Fachgebiet und einer definierten Gruppe von Mitarbeitenden. Erst wenn dort ein verlässlicher Arbeitsablauf entstanden ist, sollte die Lösung ausgeweitet werden.

Effizienz ist nicht der einzige Maßstab
Ein KI-gestützter Prozess ist nicht automatisch besser, nur weil er schneller ist. Er muss auch verständlich, kontrollierbar und in die bestehende Arbeit integrierbar sein. Fachkräfte müssen erkennen können, wann das System zuverlässig arbeitet und wann zusätzliche Aufmerksamkeit erforderlich ist. Unternehmen sollten daher nicht nur messen, wie viel Zeit eingespart wird. Ebenso wichtig sind die Fragen: Werden Entscheidungen nachvollziehbarer? Sinkt die Belastung der Fachkräfte? Werden Fehler früher erkannt? Bleibt die Verantwortung klar?

Dieser Beitrag basiert auf der Forschung von Kuhlmeier, Wegener, Schulmeister, Waltereit, Waltereit und Maedche (2026) mit dem Titel „A Human-AI Collaboration System for ADHD Assessment from Primary School Reports“. Der wissenschaftliche Artikel dazu ist zu finden als Open-Access-Dokument.