Wenn KI über das EHR kommt: Wer bestimmt eigentlich das Tempo?
US-Daten zeigen eine schnelle Verbreitung generativer KI in Krankenhäusern. Interessanter als die reine Adoptionszahl ist möglicherweise, wie stark bestehende Infrastruktur, EHR-Anbieter und lokale Prüffähigkeit damit zusammenhängen.
Stand: 28. September 2026
31,5 Prozent klingt zunächst wie die Zahl, die man sich merken soll.
So viele der 2.174 nicht-föderalen US-Akutkrankenhäuser, die 2024 die KI-Fragen des AHA Information Technology Supplement beantworteten, gaben an, generative KI bereits integriert in ihrem Electronic Health Record (EHR) zu nutzen. Weitere 24,7 Prozent planten eine Einführung innerhalb eines Jahres. Die Response Rate lag bei 51,5 Prozent (Everson et al., 2025).
Nach meiner Bestandsaufnahme für Deutschland und dem Blick auf die Nordic AI Health Map wäre daraus leicht der nächste Ländervergleich geworden: Sind die USA weiter?
Die Daten tragen diese einfache Schlussfolgerung nicht. Gemessen wird etwas anderes, in einem anderen Gesundheitssystem, mit einer anderen IT- und Anbieterstruktur. Spannender finde ich deshalb eine zweite Frage:
Was macht es für eine Organisation leichter, KI überhaupt in den Arbeitsablauf zu bekommen?
Was die US-Studie tatsächlich misst
Everson, Nong und Richwine (2025) analysieren den AHA IT Supplement 2024. Für ihre zentrale Variable zählen sie nicht irgendeine Nutzung von ChatGPT oder anderen generativen Modellen durch einzelne Beschäftigte. Erfasst wird, ob das Krankenhaus beziehungsweise Gesundheitssystem ein Large Language Model in das EHR integriert hat.
Early Adopters: GenAI bereits im EHR integriert
Fast Followers: Einführung innerhalb eines Jahres geplant
Delayed Adopters: später, keine Pläne oder unklar
Damit ist „im Einsatz“ enger gefasst als in vielen allgemeinen KI-Befragungen. EHR-Integration ist ein Hinweis auf eine organisationsseitige technische Implementierung und Einbettung in bestehende Workflows.
Was sie nicht zeigt: wie häufig die Funktion tatsächlich genutzt wird, für welche konkreten GenAI-Anwendungsfälle, mit welchem Nutzen und mit welcher Qualität.
21,9 Prozentpunkte – und eine interessante Plattformfrage
Im adjustierten Modell waren Krankenhäuser mit Epic als primärem EHR gegenüber Oracle-Nutzern um 21,9 Prozentpunkte wahrscheinlicher Early Adopter oder Fast Follower statt Delayed Adopter zu sein (95%-KI: 16,3 bis 27,4 Prozentpunkte).
Das ist ein statistischer Zusammenhang. Er beweist nicht, dass Epic die schnellere Einführung verursacht.
Die Studie kontrolliert zwar für mehrere Krankenhausmerkmale. Trotzdem können Anbieterwahl, Organisationsgröße, Systemzugehörigkeit, finanzielle Ressourcen, Lehrstatus, vorhandene IT-Kompetenz und frühere Digitalisierungserfahrung miteinander zusammenhängen.
Genau deshalb finde ich den Befund interessant: Er lenkt den Blick weg von der Vorstellung, KI-Adoption sei vor allem eine Frage von Innovationsbereitschaft. Vielleicht ist sie mindestens ebenso sehr eine Frage vorhandener Infrastruktur.
Wer schon prädiktive KI integriert hat, ist bei GenAI häufiger früh dabei
Krankenhäuser, die bereits ML-basierte prädiktive KI in ihr EHR integriert hatten, waren im adjustierten Modell um 26,2 Prozentpunkte wahrscheinlicher Early Adopter oder Fast Follower generativer KI als Krankenhäuser ohne prädiktive KI (95%-KI: 16,8 bis 35,6 Prozentpunkte).
Auch daraus folgt keine Kausalität. Eine Organisation mit bestehender KI-Erfahrung könnte bereits technische Schnittstellen, Governance, Beschaffungswissen und internes Know-how aufgebaut haben. Ebenso denkbar ist, dass ressourcenstärkere Häuser sowohl prädiktive als auch generative KI schneller einführen. Und ein EHR-Anbieter kann Funktionen so in bestehende Systeme integrieren, dass der technische Aufwand für die einzelne Klinik sinkt.
Die Daten entscheiden zwischen diesen Mechanismen nicht. Sie zeigen aber: Die Vorgeschichte einer Organisation scheint für die nächste Technologiewelle relevant zu sein.
Technische Adoption und lokale Prüffähigkeit entwickeln sich nicht automatisch gemeinsam
Die Forschenden fragten Krankenhäuser, wie sie prädiktive KI lokal evaluieren. Gemeint waren drei Praktiken: Prüfung auf Genauigkeit, Prüfung auf Bias und Monitoring nach der Implementierung.
Weniger als die Hälfte berichtete, alle drei Praktiken für die meisten oder alle eingesetzten prädiktiven Modelle anzuwenden. Fast ein Drittel gab an, keine dieser drei Praktiken anzuwenden (Everson et al., 2025).
Wichtig: Dieser Befund bezieht sich auf prädiktive KI. Er ist keine direkte Messung der Governance generativer KI.
Verfügbar ist noch nicht geprüft. Geprüft ist noch nicht nützlich. Und nützlich in einem Pilot ist noch nicht dasselbe wie belastbarer Routinebetrieb.
Auch „die USA“ sind kein einheitlicher Adoptionsraum
Hwang et al. (2026) analysierten Daten von 3.560 US-Krankenhäusern aus den AHA-Erhebungen 2023 und 2024 und verbanden sie mit regionalen sozioökonomischen und Qualitätsdaten. Die Autor:innen finden deutliche räumliche Cluster. Regionen mit höherem Versorgungsbedarf hatten seltener Krankenhäuser, die KI-basierte prädiktive Modelle einsetzten. Die Faktoren, die mit Implementierung zusammenhingen, unterschieden sich zudem regional.
Das ist kein Kausalnachweis dafür, dass KI Versorgungsungleichheit verstärkt. Es zeigt aber, dass selbst innerhalb der USA keine einheitliche „KI-Adoption“ existiert. Lokaler Kontext und institutionelle Voraussetzungen gehören zur Erklärung dazu.
Was davon ist für deutsche Krankenhäuser relevant?
US-EHR-Strukturen lassen sich nicht eins zu eins auf deutsche KIS-Landschaften übertragen. Finanzierung, Anbieterstruktur, regulatorischer Kontext und organisatorische Rahmenbedingungen unterscheiden sich.
Die zugrunde liegende Strukturfrage halte ich dennoch für relevant: Was passiert, wenn eine neue KI-Funktion nicht mehr als eigenständiges Projekt auf den Tisch kommt, sondern als Bestandteil eines Systems, das ohnehin im Haus eingesetzt wird?
Bei einem klassischen KI-Projekt ist sichtbar, dass etwas Neues eingeführt werden soll. Bei einer KI-Funktion im bestehenden Kernsystem kann die technische Schwelle niedriger sein. Vielleicht erscheint sie zunächst als neue Option, Modul oder Release.
- Wer erkennt, dass eine neue KI-basierte Funktion hinzugekommen ist?
- Wer entscheidet, ob und wo sie aktiviert wird?
- Für welche Patientengruppen und Prozesse ist sie geeignet?
- Welche lokalen Daten braucht eine belastbare Prüfung?
- Wie werden Genauigkeit, Bias, Fehler und Veränderungen nach Updates überwacht?
- Wer trägt die fachliche und organisatorische Verantwortung?
KI-Adoption könnte zunehmend eine Plattformfrage werden
Die folgende Einordnung ist meine Synthese aus den Studien, kein validiertes Modell.
Wenn zentrale EHR- oder KIS-Anbieter mehr KI-Funktionen direkt in bestehende Workflows integrieren, könnte ein Teil der klassischen Implementierungsarbeit leichter werden. Schnittstellen, Nutzeroberfläche, Zugriff auf Daten und technische Einbettung sind dann möglicherweise bereits vorhanden.
Die organisatorische Arbeit verschwindet dadurch nicht. Sie verlagert sich.
Die Frage lautet dann weniger: Können wir diese KI technisch integrieren? Sie lautet stärker: Können wir beurteilen, ob wir sie an dieser Stelle einsetzen sollten – und können wir ihre Wirkung danach beobachten?
Die Befunde auf einen Blick
Visual: KI-generiert. Datengrundlage: Everson, Nong & Richwine (2025). Die dargestellten Prozentpunkt-Unterschiede sind adjustierte Assoziationen, keine Kausalnachweise.
Was wir aus den Daten nicht wissen
- Die Studie zeigt keine Kausalität zwischen EHR-Anbieter und GenAI-Adoption.
- Die geplante Einführung innerhalb eines Jahres ist eine Absicht aus der Erhebung 2024, kein Nachweis dafür, dass alle diese Häuser 2025 tatsächlich eingeführt haben.
- Die Erhebung sagt nicht, wie intensiv generative KI genutzt wurde.
- Sie differenziert die konkreten GenAI-Use-Cases nicht aus.
- Die Evaluationsbefunde betreffen prädiktive KI und dürfen nicht direkt auf GenAI übertragen werden.
- US-Ergebnisse sind keine direkte Prognose für deutsche Krankenhäuser.
Dazu habe ich in den verwendeten Quellen keine belastbaren Daten gefunden: wie häufig KI-Funktionen in deutschen Krankenhäusern heute über reguläre KIS- oder Plattform-Releases eingeführt werden und wie systematisch Kliniken solche neuen Funktionen lokal evaluieren.
Was passiert, wenn die nächste KI-Funktion nicht als Projekt kommt, sondern als Release Note?
Wenn KI Teil der Infrastruktur wird, kann Einführung leichter werden. Gleichzeitig wird es schwieriger, den Moment zu erkennen, an dem aus einer Softwarefunktion eine organisatorische KI-Entscheidung wird. Vielleicht muss deshalb die Fähigkeit zu prüfen, zu entscheiden und zu überwachen genauso schnell wachsen wie die technische Verfügbarkeit.
Quellen
Everson, J., Nong, P., & Richwine, C. (2025). Uptake of generative AI integrated with electronic health records in US hospitals. JAMA Network Open, 8(12), e2549463. https://doi.org/10.1001/jamanetworkopen.2025.49463
Hwang, Y.-M., Ng, M. Y., Pillai, M., Sahai, M. P., & Hernandez-Boussard, T. (2026). The landscape of AI implementation in US hospitals. Nature Health, 1, 99–112. https://doi.org/10.1038/s44360-025-00016-7