von Salar Abaspur und Richard Guse

Die Arbeitswelt der Wissensarbeit steht vor einer tiefgreifenden Transformation. Künstliche Intelligenz (KI) verändert nicht mehr nur einzelne Aufgaben, sondern greift in die Art und Weise ein, wie Expert:innen in ihrem Berufsalltag arbeiten, entscheiden und zusammenarbeiten. Besonders sichtbar wird dieser Umbruch in der Radiologie. Bildbasierte Diagnostik gehört zu den ersten Bereichen, in denen KI-Werkzeuge den Sprung aus der Forschung in die Klinik geschafft haben. In Deutschland kommen entsprechende Tools mittlerweile in immer mehr Instituten zum Einsatz, um Organe zu vermessen, markierte auffällige Areale zu kennzeichnen oder Befundklassifikationen vorzuschlagen. Damit sind sie nicht mehr nur technische Hilfsmittel im Hintergrund, sondern werden zunehmend zu Akteuren in diagnostischen Routinen, in denen Radiolog:innen täglich Entscheidungen treffen, die für Patient:innen weitreichende Konsequenzen haben.

Diese Transformation läuft allerdings selten reibungslos ab. KI bringt neue Outputs in eingespielte Arbeitsabläufe, verschiebt Verantwortlichkeiten zwischen Assistenz- und Oberärzten und verändert, was Radiolog:innen prüfen, übersehen oder hinterfragen müssen. Im Rahmen des von der DFG geförderten Forschungsprojekts haben Wissenschaftler aus dem Projekt DiAct eine Case Study mit dem radiologischen Centrum für Integrierte Onkologie (radCIO) an der Uniklinik Köln unter Leitung von Prof. Thorsten Persigehl durchgeführt. Über ein Jahr hinweg haben sie diese Abteilung begleitet, um den Transformationsprozess aus der Nähe zu beobachten und zu verstehen, wie er die Arbeitsroutinen der Radiolog:innen verändert.

Zwei KI-Werkzeuge in derselben Routine

Die untersuchte Abteilung hat im April 2025 zwei KI-basierte Tools in die Routine zur Diagnostik von Prostata-MRT-Untersuchungen eingeführt. Das eine Werkzeug, die onkologische Befundungs-Plattform "mint Lesion (MINT Medical)“, automatisiert die Vermessung der Prostata durch eine KI, hier Volume AI genannt. Es übernimmt damit einen Arbeitsschritt, der zuvor manuell von den Radiolog:innen durchgeführt wurde. Das andere Werkzeug, Lesion AI, fungiert als zweiter Leser. Es markiert suspekte Läsionen in den MRT-Bildern und schlägt Bewertungen auf einer standardisierten klinischen Skala vor.

Beide Werkzeuge sind in dieselbe MRT-Befund-Routine eingebettet. Trotzdem entfalten sie ihre Wirkung sehr unterschiedlich. Diese Konstellation war für das Forschungsteam ein Glücksfall, weil sie es erlaubt, organisationale Rahmenbedingungen weitgehend konstant zu halten und sich auf das zu konzentrieren, was die Transformation in der täglichen Arbeit konkret bedeutet.

Wenn KI die Arbeit verändert, verändert sich die Routine

Bei den Beobachtungen vor Ort, in den Befundräumen und im Austausch mit Assistenz- und Oberärzt:innen wurde schnell deutlich, dass die Frage, ob ein KI-Tool eine Aufgabe automatisiert oder augmentiert, noch nicht ausreicht, um zu erklären, was im Arbeitsalltag passiert. Volume AI lieferte ein Messergebnis, das die Radiolog:innen in der Regel mit einem kurzen Blick auf die Segmentierung und die Volumenzahl plausibilisieren konnten. Die Routine wurde an dieser Stelle kürzer, klarer und stabiler. Lesion AI hingegen liefert einen Vorschlag für die Befundung, der zunächst mit dem eigenen Lesen der Bildsequenzen abgeglichen werden musste. Hier wurde die Routine nicht kompakter, sondern länger, verzweigter und von zusätzlichen Abstimmungen geprägt.

Damit zeigt sich ein wesentliches Ergebnis der Case Study. Die Transformation durch KI ist nicht uniform, selbst wenn sie im selben Team, am selben Tag, in derselben Routine stattfindet. Wie sich die Arbeit verändert, hängt entscheidend davon ab, was das KI-Werkzeug in den Arbeitsablauf einbringt und welche Prüfarbeit durch Radiolog:innen es erfordert.

Verbund von Mensch und Maschine im klinischen Alltag

Auch in der Radiologie wurden während der Case Study immer wieder arbeits- und qualifikationspolitische Fragen sichtbar, die KI in der Wissensarbeit aufwirft. Gleichzeitig betonten viele Beteiligte, dass die Tools an manchen Stellen tatsächlich Zeit sparen und Routinearbeit erleichtern, was im chronisch unter Druck stehenden klinischen Alltag spürbar entlastet. Hervorgehoben wurde dabei, wie wichtig es ist, KI-Werkzeuge nicht nur technisch zu beurteilen, sondern auch zu prüfen, wie sie sich in bestehende Arbeitsabläufe einpassen und welche neuen Anforderungen an die Beschäftigten daraus entstehen.

Der über mehrere Monate hinweg verstetigte Zugang in die Abteilung war für das Forschungsprojekt äußerst wertvoll. Er liefert eine empirische Grundlage, um die Transformation der Wissensarbeit durch KI genauer zu verstehen und um die Bedingungen herauszuarbeiten, unter denen sie für Beschäftigte, Organisationen und Patient:innen gleichermaßen gelingen kann.