Künstliche Intelligenz (KI) ist längst keine Zukunftsvision mehr. Die Sozialwirtschaft hingegen steht gefühlt erst am Anfang ihrer digitalen Reise. Doch was bedeutet KI konkret für Pflegeeinrichtungen, soziale Träger oder Krankenhäuser? Professor Alexander Löser von der Berliner Hochschule für Technik, KI-Forscher seit Mitte der 2000er-Jahre und Berater von DAX-Unternehmen, beschreibt Chancen, Risiken und warum der Einstieg gerade für kleinere Anbieter besonders herausfordernd ist.
Momentaufnahme 2025
Foundation Models wie ChatGPT-O3 oder DeepSeek R1 markieren eine neue Generation KI-basierter Systeme. Sie verstehen und erzeugen nicht nur natürliche Sprache, sondern können auch mit externen Tools und Datenquellen interagieren. Im Gegensatz zur klassischen Websuche sind sie in der Lage, komplexe Verarbeitungsketten, wie das Extrahieren, Kombinieren, Interpretieren und Bewerten von Informationen zunehmend selbstständig durchzuführen. Solche Modelle könnten auch als Open Source/Open Weights hinter der Firewall einer Klinik auf spezifische Patientendaten trainiert werden. Während in China mit „Good Doctor“, einem KI-Tool für Triage, Anamnese, Diagnostik und Diagnose, bereits Hunderttausende Patienten versorgt wurden und in den USA das Unternehmen „Kaiser Permanente“ mit „AI Scribe“ Sprachaufnahmen zur Epikrisenerstellung bei Zehntausenden Ärztinnen und Ärzten nutzt, sind solche Anwendungen in Deutschland derzeit oft nur im Forschungsumfeld erlaubt. Diese Forschung findet auf international höchstem Niveau statt, wie Diagnosemodelle wie GerMedBert oder das Foundation-Modell TabPFN zur prädiktiven Analyse auf strukturierten Daten zeigen. Die Forschungsteams sind aber auf weitere Trainingsdaten angewiesen. Kompakte Modelle können dabei vollständig lokal auf klinischer Infrastruktur ausgeführt werden, sodass auch strengste Datenschutzanforderungen erfüllbar sind.
Sprachmodelle werden 2026 autonomer kleinere Aufgaben lösen
Spannend ist nun eine weitere Entwicklung. Immer mehr Anpassungen für die Sozialwirtschaft und Kliniken könnten in Teams von Softwareentwicklern und Maschinen durchgeführt werden. Das spart Entwicklungskosten für eine neue Lösung. KI-gestützte Systeme wie Cursor schreiben schon heute Teile von Programmen autonom. Das verändert die Arbeitsweise von Entwicklerteams fundamental. Wenn eine Maschine 30 % der Aufgaben eines Entwicklers übernehmen kann und dabei nur einen Bruchteil kostet, ist das ökonomisch attraktiv. Für die Sozialwirtschaft bedeutet das: Digitale Lösungen könnten auch bei knappen Budgets realisierbar werden. Größere Träger können sich überlegen, gemeinsam mit Partnern ein Unternehmen für KI-Lösungen aufzubauen. Immer wieder behaupten Anbieter dieser Tools, ihre Chatbots erreichten „PhD-Niveau”. Das bedeutet jedoch nicht, dass Maschinen kreativ oder visionär handeln. Es geht um verlässliche Autonomie – wie bei einem sehr fleißigen Schüler. Wir haben in der KI dafür noch keine gute Lösung gefunden, aber wir sind aktuell in der Lage, dass die KI effizient „auswendig lernt” und Informationen aus Quellen rekombiniert. Das ist nicht schlecht, aber der Mensch kann ja viel mehr. Kritisches Denken und das Stellen der „richtigen” Fragen bleiben fürs Erste menschliche Domänen.
Was bremst uns aus?
Trotz dieser Fortschritte bleibt der Einstieg in KI für viele Organisationen in der Sozialwirtschaft schwierig. Gerade kleinere Träger kämpfen mit typischen Einstiegshürden: Datenschutzfragen, fehlende Interoperabilität, kaum vorhandene Standards und große Investitionen in Vorleistung. Die BMBF-Studie „Konzept zur Einbettung von KI-Systemen in der Pflege“, geleitet von Daniel Fürstenau und Felix Biessmann, benennt zentrale Voraussetzungen für einen erfolgreichen Einsatz:
- Regulatorische und ethische Voraussetzungen
Organisationen müssen ihren Datenbestand analysieren und rechtskonforme Modelle für das Teilen sensibler Daten entwickeln. Der Umgang mit personenbezogenen Patientendaten erfordert klare Rahmenbedingungen. In der Medizin unterliegen KI-Anwendungen komplexen Vorgaben. Viele davon werden in Deutschland besonders streng ausgelegt und treiben so die Projektkosten in die Höhe. - Prozessuale Voraussetzungen
Ein KI-Projekt erfordert Ressourcen – personell wie zeitlich. Oft beginnt es mit einer grundlegenden Digitalisierung, die Investitionen bedeutet. In Deutschland sind aber viele Prozesse noch nicht vollständig digitalisiert. Ebenso wichtig: eine transparente Kommunikation über den Mehrwert und der Aufbau von Vertrauen durch menschlich vermittelnde Instanzen. Diese Überzeugungsarbeit ist on-top zum oft stressigen Tagesgeschäft von Pionieren im Personal zu leisten. - Technische Voraussetzungen
Erforderlich ist die Integration von KI-Systemen in bestehende IT-Landschaften wie elektronische Patientenakten (ePA), Krankenhausinformationssysteme (KIS) oder Pflegesoftware. Das bedeutet, dass ein KIS-System diese Schnittstellen zur Auswertung der Daten für eine KI und zum Training bereit[1]stellen muss. Nicht jeder Hersteller bietet das aktuell an, manche versuchen eher, eigene Produkte in den Markt zu drücken
Kulturwandel
Ein erfolgreicher KI-Einsatz erfordert einen tiefgreifenden Kulturwandel. Führungskräfte müssen KI als strategisches Thema vorleben – über alle Ebenen hinweg. Eine offene Fehlerkultur, bereichsübergreifende Zusammenarbeit und freier Datenzugang sind dabei essenziell. In medizinischen Organisationen braucht es mindestens 5–10% engagierte Pioniere – von der Chefetage bis zur Hilfskraft –, um 30-50% Follower mitzuziehen. Der verbleibende Teil der Organisation lässt sich meist nur mit großem Aufwand und zeitlicher Verzögerung für KI gewinnen.
Szenarien für 2026: Eine Branche im Wandel
Wie könnte die Sozialwirtschaft im Jahr 2026 aussehen? Die BMAS-Studie „Generative KI – Technologieszenarien und Auswirkungen auf Arbeit bis 2030“ gibt einen möglichen Ausblick: In der Pflege übernehmen KI-basierte Assistenzsysteme zunehmend Routineaufgaben wie die Medikamentenvergabe, die Überwachung von Vitalzeichen sowie die Dokumentation. Durch automatisierte Prozesse werden Mitarbeitende entlastet und gewinnen mehr Zeit für die zwischenmenschliche Betreuung. Etwa zehn Prozent des Personals eignen sich aus eigenem Antrieb Kompetenzen im Umgang mit KI an – diese Pioniere treiben den digitalen Wandel maßgeblich voran. Gleichzeitig entstehen neue Arbeitsabläufe, die durch kreative Lösungen bei der Integration veralteter Systemlandschaften begleitet werden. In der stationären Versorgung werden Behandlungsabläufe durch KI intelligent gesteuert und ergänzt. Tumorboards und Krebsregister erhalten automatisch relevante Informationen, was die Entscheidungsfindung beschleunigt. Übergaben zwischen medizinischen Teams profitieren von kontextsensitiven Zusammenfassungen, die wichtige Inhalte auf den Punkt bringen. Darüber hinaus treffen KI-Systeme präzise Vorhersagen zu medizinischen Risiken, potenziellen Komplikationen und den nächsten sinnvollen Behandlungsschritten. Behandler behalten auch bei komplexen Patientenhistorien den Überblick – wichtige Informationen gehen nicht mehr verloren. Patient*innen wiederum können direkt mit ihren Gesundheitsdaten interagieren und erhalten Antworten, die individuell auf ihre Behandlung abgestimmt sind. Klinikpersonal kann direkt mit elektronischen Patientenakten „chatten“ – zum Beispiel um schnell Zusammenfassungen zu erhalten, spezifische Fragen zur Krankengeschichte zu stellen oder automatisierte Bewertungen wie Verlegungs oder Hospiz-Eignung durchzuführen. Dies beschleunigt Chart-Reviews und entlastet medizinisches Personal, während menschliche Entscheidungen im Zentrum bleiben.
Empfehlungen für Entscheider*innen
Langfristig denken
Der renommierte MIT-Professor Erik Brynjolfsson prägt die Idee der J-Kurve der Produktivität: Wird eine neue Technologie wie KI eingeführt, sinkt die Produktivität zunächst angesichts hoher Investitionen. Erst später, wenn diese Investitionen Früchte tragen und die unsichtbaren Ressourcen wirken, steigen Effizienz und Wirkung überdurchschnittlich an. Kurz gesagt: Wer heute in KI investiert, verliert kurz an Produktivität – aber morgen gewinnt er deutlich an Effizienz und Wirkung. Die Wahl der Partner, Prozesse etc. entscheidet, wie kurz die Lernphase andauert und wie stark die Vorteile später skalieren.
Kooperation statt Einzelkämpfertum
Arbeiten Sie Peer-to-Peer. Suchen Sie gezielt den Austausch mit wenigen weiteren Organisationen, die vor ähnlichen Herausforderungen stehen. Legen Sie gemeinsam ein KI-Projekt fest, das auch das notwendige AHA-Erlebnis für den Kulturwandel in der Belegschaft erzeugt. Klären Sie die rechtlichen Bedingungen für einen sicheren Datenaustausch. Auch eine gemeinsame Finanzierung zur Beauftragung eines Dienstleisters ist denkbar. Lernen Sie gemeinsam, Fehler bei der Zertifizierung und Einführung der Lösung zu vermeiden.
Einfach anfangen
Warten Sie nicht auf perfekte Bedingungen. Starten Sie – auch wenn es holprig läuft. Der größte Gewinn liegt im Lernen und im Aufbau eigener Kompetenzen. Open-Source-KI ermöglicht passgenaue Softwarelösungen – etwa für Abrechnung, Einkauf oder Ressourcenmanagement – zu geringen Kosten. Kleine Beratungshäuser mit Praxisnähe können schneller und flexibler helfen.
Fazit
Nutzen Sie KI und Sprachmodelle in der Sozialwirtschaft – mit Neugier, Offenheit und Spaß. So wie Internet, Cloud oder mobile Endgeräte ist KI kein kurzfristiger Hype, sondern ein grundlegender Strukturwandel. Wir können ihn nicht aussitzen. Wer in der Sozialwirtschaft aktiv gestalten will, sollte jetzt beginnen – gemeinsam mit anderen.
„Schließen Sie sich Peer-to-Peer zusammen. Bauen Sie Partnerschaften auf Augenhöhe. Teilen Sie Risiko, Daten und Know-how, und finanzieren Sie gemeinsam. So sparen Sie Kosten in der Investition und im Betrieb.“
Prof. Dr. Alexander Löser
Sie wollen mehr von Prof. Dr. Löser zum Thema KI erfahren?
Kommen Sie zum Kongress der Sozialwirtschaft!
Prof. Dr. Löser wird hier einen Vortrag halten zum Thema:
KI-Note: Sozial trifft Künstliche Intelligenz – Was könnte uns in 2026 erwarten?
Alexander Löser ist seit 2013 Professor für Data Science an der Berliner Hochschule für Technik und gründete dort die Gruppe Data Science and Text-based Information Systems (DATEXIS) und das Forschungszentrum Data Science+X. Er ist Mitbegründer (2017) des Masterstudiengangs Data Science, Mitglied (2023) des DFG-Forschungsimpulses „Berliner Initiative für Forschung im Bereich Foundation Models“ und seit 2018 Experte in der BMBF-Plattform Lernende Systeme für Sprachmodelle. Seine Schwerpunkte sind Deep Learning, Sprachmodelle und deren Erklärbarkeit. Seit 2012 berät er u.a. DAX- und NASDAQ-Unternehmen beim Aufbau von KI-Organisationen, Geschäftsmodellen und hat über 50 Datenprodukte und sechs Plattformen mitgestaltet
