Diese Case Study ist ein gutes Beispiel dafür, wie ein Klinikteam nach einer KI-Inhouse-Schulung sichere Regeln für Dokumentation, interne Recherche und den verantwortungsvollen Einsatz generativer KI entwickelte.

In vielen Kliniken ist Künstliche Intelligenz längst kein Zukunftsthema mehr, sondern eine sehr praktische Frage des Arbeitsalltags. Mitarbeitende testen KI-Tools für Formulierungen, interne Zusammenfassungen, Rechercheaufgaben, Kommunikationsentwürfe oder die Strukturierung komplexer Informationen. Gleichzeitig entstehen gerade im Gesundheitswesen besondere Anforderungen: Patientendaten sind sensibel, Dokumentation muss nachvollziehbar bleiben, fachliche Aussagen dürfen nicht ungeprüft übernommen werden und interne Zuständigkeiten müssen klar geregelt sein.

Diese Case Study beschreibt ein Praxisprojekt der Bildungsakademie am Rosental mit einem interdisziplinären Klinikteam. Ziel war nicht, medizinische Entscheidungen an KI auszulagern. Ziel war vielmehr, einen sicheren, verständlichen und alltagstauglichen Rahmen zu schaffen: Was darf KI im Klinikalltag unterstützen? Welche Daten dürfen nicht eingegeben werden? Wie werden KI-Ergebnisse geprüft? Und wie entstehen daraus verbindliche Regeln für Dokumentation, interne Recherche und Teamkommunikation?

Der Projektbericht ergänzt den Themenbereich KI Inhouse Schulungen für Unternehmen und Organisationen und zeigt exemplarisch, warum KI-Kompetenz im Gesundheitswesen nicht nur technisches Wissen, sondern vor allem klare Verantwortlichkeiten, sichere Anwendungsszenarien und realistische Grenzen braucht.

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

 

 

Ausgangslage: KI wurde bereits genutzt, aber ohne gemeinsame Regeln

Das Klinikteam bestand aus Mitarbeitenden verschiedener Funktionsbereiche: ärztlicher Dienst, Pflegekoordination, Verwaltung, Qualitätsmanagement, interne Kommunikation und Teamleitung. Einzelne Personen hatten bereits privat oder beruflich mit KI-Tools experimentiert. Genutzt wurden KI-Anwendungen vor allem für Textentwürfe, Zusammenfassungen, Recherchevorbereitungen, Gliederungen und Formulierungshilfen.

Die Herausforderung lag nicht darin, Interesse an KI zu wecken. Das Interesse war bereits vorhanden. Die eigentliche Herausforderung bestand darin, die Nutzung aus einer informellen Einzelpraxis in einen gemeinsamen, kontrollierten und nachvollziehbaren Rahmen zu überführen. Gerade im Klinikbereich reicht es nicht aus, Mitarbeitenden allgemeine Prompt-Tipps zu geben. Entscheidend ist, ob das Team versteht, welche Informationen besonders geschützt sind, wann KI-Ergebnisse fachlich geprüft werden müssen und welche Aufgaben grundsätzlich nicht an KI delegiert werden dürfen.

Im Vorgespräch mit der Bildungsakademie am Rosental wurden vier zentrale Spannungsfelder sichtbar: erstens der Wunsch nach Entlastung bei wiederkehrenden Text- und Rechercheaufgaben, zweitens die Sorge vor unbewusster Eingabe personenbezogener oder medizinisch sensibler Informationen, drittens fehlende Kriterien zur Bewertung von KI-Ergebnissen und viertens die Frage, wie aus einer Schulung belastbare interne Leitlinien entstehen können.

Als fachlicher Rahmen wurde deshalb kein allgemeiner KI-Vortrag geplant, sondern ein praxisnahes Inhouse-Format mit starkem Bezug zu AI Literacy als Einstieg in das KI-Thema, zu sicheren Nutzungsregeln und zu realistischen Arbeitsprozessen in einer Klinikorganisation.

 

Projektziel: KI-Kompetenz, Dokumentationssicherheit und klare Leitplanken verbinden

Das Klinikteam wollte nach der Schulung nicht nur besser verstehen, was KI leisten kann. Es wollte konkrete Regeln entwickeln, die in Besprechungen, Verwaltung, interner Recherche und dokumentationsnahen Tätigkeiten sofort nutzbar sind. Deshalb wurde das Training auf drei Ergebnisebenen ausgerichtet: Wissen, Anwendung und Regelbildung.

Auf der Wissensebene ging es um ein gemeinsames Grundverständnis: Wie funktionieren generative KI-Systeme? Warum können Antworten überzeugend klingen und trotzdem falsch sein? Welche Risiken entstehen durch Halluzinationen, veraltete Informationen, Datenschutzprobleme oder zu großes Vertrauen in maschinelle Vorschläge? Auf der Anwendungsebene wurden typische Aufgaben des Klinikalltags geordnet: interne Textentwürfe, Protokollstrukturen, Recherchefragen, Schulungsunterlagen, E-Mail-Vorlagen, Prozessbeschreibungen und Wissensaufbereitung.

Auf der Regelbildungsebene entwickelte das Team eine erste interne Arbeitslogik. Diese sollte bewusst einfach bleiben, damit sie später nicht als theoretisches Papier verschwindet. Der Leitsatz lautete: KI darf vorbereiten, strukturieren, formulieren und vergleichen – aber sie darf keine medizinische Verantwortung übernehmen, keine vertraulichen Patientendaten verarbeiten und keine fachliche Prüfung ersetzen.

Für regulatorische und sicherheitsbezogene Einordnung wurden ausgewählte externe Quellen herangezogen, darunter die Hinweise der Europäischen Kommission zum EU AI Act, die Erläuterungen zur AI Literacy, das NIST AI Risk Management Framework, die KI-Informationen des Bundesamts für Sicherheit in der Informationstechnik sowie die BfDI-Handreichung „Datenschutz von Anfang an mitdenken“.

 

Vorbereitung: Welche Klinikaufgaben wurden für das Training ausgewählt?

Vor dem Seminartag sammelte das Projektteam typische Aufgaben, bei denen KI theoretisch helfen könnte. Wichtig war dabei, keine echten Patientendaten und keine vertraulichen Originalfälle in das Training einzubringen. Stattdessen wurden anonymisierte, abstrahierte und fiktive Beispielsituationen vorbereitet. Dadurch konnte das Team praxisnah arbeiten, ohne sensible Informationen preiszugeben.

Die Bildungsakademie am Rosental empfahl, die Aufgaben nicht nach Abteilungen, sondern nach Risikoklassen zu sortieren. Denn im Klinikalltag können ähnliche KI-Aufgaben sehr unterschiedliche Schutzbedarfe haben. Eine allgemeine E-Mail an ein internes Team ist anders zu bewerten als eine Zusammenfassung mit personenbezogenen Gesundheitsinformationen. Eine Recherche zu allgemein verfügbaren Fachbegriffen ist anders zu bewerten als eine Einschätzung zu einem konkreten Behandlungsfall.

 

Aufgabentyp	Beispiel aus dem Klinikalltag	KI-Eignung im Training	Regelbedarf
Interne Formulierungshilfe	Entwurf für Teamhinweis, Schulungseinladung oder Ablaufbeschreibung	gut geeignet	Prüfung durch verantwortliche Person
Strukturierung	Gliederung für Besprechungsprotokoll oder interne Checkliste	gut geeignet	keine sensiblen Originaldaten
Recherchevorbereitung	Sammlung allgemeiner Fragen zu einem organisatorischen Thema	bedingt geeignet	Quellenprüfung zwingend
Dokumentationsnahe Texte	Formulierungshilfe für interne Prozessbeschreibung	nur mit Leitplanken	fachliche Freigabe erforderlich
Patientenbezogene Inhalte	konkreter Fall, Befund, Verlauf, Diagnose, personenbezogene Information	nicht geeignet für offene KI-Tools	Nicht-Nutzungsregel
Fachliche Bewertung	medizinische Einordnung oder Entscheidungsvorschlag	nicht Ziel des Trainings	Verantwortung bleibt beim Fachpersonal

Diese Vorstrukturierung half dem Team, KI nicht pauschal abzulehnen und nicht unkritisch zu überschätzen. Genau diese Balance war für den späteren Lernerfolg entscheidend.

 

Durchführung: Wie das Klinikteam im Inhouse-Seminar arbeitete

Das Seminar wurde als eintägiger Inhouse-Workshop mit 14 Teilnehmenden durchgeführt. Die Gruppe war bewusst interdisziplinär zusammengesetzt, weil KI-Regeln im Klinikalltag nur dann funktionieren, wenn Verwaltung, Pflege, ärztlicher Bereich, Qualitätsmanagement und Kommunikation nicht aneinander vorbeiarbeiten.

Der Vormittag diente dem gemeinsamen Verständnis. Es ging um Funktionsweisen generativer KI, typische Fehlerquellen, Grenzen automatisierter Textproduktion, Datenschutzrisiken, Qualitätsprüfung und realistische Einsatzfelder. Dabei wurde immer wieder betont: KI ist kein medizinisches Entscheidungssystem in diesem Trainingskontext, sondern ein Werkzeug zur Unterstützung bestimmter vorbereitender, strukturierender und kommunikativer Aufgaben.

Am Nachmittag arbeitete das Team mit realitätsnahen, aber anonymisierten Aufgaben. Dazu gehörten unter anderem die Überarbeitung eines internen Aushangs, die Strukturierung eines Besprechungsprotokolls, die Erstellung einer Checkliste für eine interne Prozessbeschreibung, die Vorbereitung einer Recherche zu einem organisatorischen Thema und die Formulierung von sicheren Prompt-Vorlagen. Ergänzend wurden Beispiele aus dem Einführungskurs zu ChatGPT und weiteren KI-Tools eingeordnet.

Besonders wirksam war ein Vergleich von drei Prompt-Versionen. Die erste Version war zu offen, die zweite enthielt zu viele sensible Details und die dritte arbeitete mit Rollenklärung, Ziel, Kontext ohne personenbezogene Daten, Ausgabeformat und Prüfschritt. Dadurch wurde sehr sichtbar, dass gute KI-Nutzung weniger mit spektakulären Tools zu tun hat als mit präziser Aufgabenklärung und bewusstem Risikodenken.

 

Die entwickelten KI-Regeln des Klinikteams

Am Ende der Schulung lag kein endgültiges Klinikhandbuch vor, sondern ein belastbarer erster Regelentwurf. Dieser Entwurf wurde später intern weiter geprüft und angepasst. Für den Transfer in den Arbeitsalltag war wichtig, dass die Regeln kurz, verständlich und erinnerbar blieben.

Das Team entwickelte sieben Grundregeln für den Umgang mit KI:

• Keine Patientendaten in offene KI-Systeme eingeben. Dazu gehören Namen, Alter, Fallverläufe, Diagnosen, Befunde, Fotos, Termine, Versicherungsdaten und indirekt identifizierende Kombinationen.
• KI-Ergebnisse nie ungeprüft übernehmen. Jede Ausgabe muss fachlich, sprachlich und organisatorisch kontrolliert werden.
• KI nur für geeignete Aufgaben einsetzen. Erlaubt sind vor allem Strukturierung, Formulierung, Ideensammlung, Recherchevorbereitung und Variantenbildung.
• Medizinische Verantwortung bleibt beim Menschen. KI darf keine Diagnosen, Therapieentscheidungen oder patientenbezogenen Empfehlungen ersetzen.
• Prompts müssen datensparsam formuliert werden. Kontext ja, vertrauliche Details nein.
• Quellen und Fakten müssen gesondert geprüft werden. KI-Ausgaben sind kein Quellenersatz.
• Neue Anwendungsfälle werden erst intern bewertet. Was nicht eindeutig freigegeben ist, wird nicht eigenmächtig eingeführt.

Diese Regeln wurden mit einer einfachen Drei-Zonen-Logik verbunden: grüne Aufgaben für unkritische Text- und Strukturhilfen, gelbe Aufgaben für prüfpflichtige Recherche- und Dokumentationsnähe sowie rote Aufgaben für patientenbezogene, vertrauliche oder medizinisch entscheidungsrelevante Inhalte.

 

Ergebnisse: Was sich nach der Schulung konkret veränderte

Vier Wochen nach der Schulung berichtete das Projektteam von mehreren konkreten Veränderungen. Die wichtigste Veränderung war nicht, dass plötzlich möglichst viel mit KI erledigt wurde. Die wichtigste Veränderung war, dass Mitarbeitende deutlich genauer unterscheiden konnten, wann KI sinnvoll, wann riskant und wann nicht geeignet ist.

Im Arbeitsalltag entstanden drei besonders sichtbare Ergebnisse. Erstens wurden wiederkehrende interne Texte schneller vorbereitet, zum Beispiel Hinweise, Ablaufentwürfe, Schulungsankündigungen und Besprechungsstrukturen. Zweitens nutzte das Team KI kontrollierter für Recherchevorbereitung, indem Fragen, Suchbegriffe und Vergleichskriterien erstellt wurden, ohne KI-Ergebnisse als abschließende Wahrheit zu behandeln. Drittens entstand eine erste interne Prompt-Sammlung mit sicheren Beispielvorlagen.

Ein Beispiel war eine Vorlage für interne Prozessbeschreibungen. Statt sensible Originalinformationen einzugeben, formulierte das Team neutrale Strukturprompts: Ziel des Prozesses, beteiligte Rollen, gewünschtes Ausgabeformat, Prüffragen und offene Punkte. Diese Vorlage wurde später in mehreren Bereichen getestet und half, Besprechungen effizienter vorzubereiten.

Ein weiteres Ergebnis war die klare Verbindung zur Organisationsentwicklung. Das Team erkannte, dass KI-Einführung nicht allein durch Tools gelingt. Entscheidend sind Zuständigkeiten, Freigaben, Schulung, Kommunikation und kontinuierliche Nachschärfung. Diese Perspektive wird auch im Themenhub Künstliche Intelligenz im Unternehmen – Inhouse Schulungen beschrieben.

 

Transfer: Wie aus dem Seminar ein internes KI-Regelwerk wurde

Nach dem Workshop übernahm eine kleine interne Arbeitsgruppe die Ergebnisse. Sie bestand aus fünf Personen aus unterschiedlichen Bereichen. Die Gruppe hatte den Auftrag, die Seminardokumentation zu verdichten, die drei Risikozonen zu prüfen und eine kurze interne Orientierungshilfe zu entwickeln.

Die Bildungsakademie am Rosental empfahl, das Regelwerk nicht als großes Strategiepapier zu starten. Stattdessen sollte ein praxistaugliches Dokument entstehen, das auf zwei Seiten erklärt, welche KI-Nutzung erlaubt, prüfpflichtig oder ausgeschlossen ist. Ergänzt wurde dies durch eine kurze Sammlung freigegebener Prompt-Beispiele.

Für die weitere Qualifizierung wurden zwei mögliche Vertiefungen diskutiert: ein Anschlussmodul zum EU AI Act und aktuellen Unternehmenspflichten sowie ein stärker an konkreten Dokumentationsprozessen orientierter Folgeworkshop. Das Team entschied, zunächst die Basisregeln intern zu testen und danach über ein Vertiefungsformat zu entscheiden.

Zur Erfolgsmessung wurden drei einfache Indikatoren gewählt: Zahl der geprüften KI-Anwendungsfälle, Zahl der intern freigegebenen Prompt-Vorlagen und Zahl der Rückfragen zu Datenschutz oder Fachprüfung. Dadurch entstand ein pragmatisches Transfermodell, das ohne aufwendige Softwareeinführung funktionierte.

 

Grenzen der KI-Nutzung im Klinikalltag

Ein wichtiger Teil der Schulung bestand darin, Grenzen deutlich zu benennen. Gerade im Gesundheitswesen kann eine zu optimistische Darstellung von KI gefährlich sein. Deshalb wurde nicht nur gezeigt, was KI kann, sondern auch, was KI im Klinikteam nicht leisten darf.

Das Team legte fest, dass offene generative KI-Tools nicht für patientenbezogene Einzelfälle, medizinische Empfehlungen, Diagnosen, Therapieentscheidungen, vertrauliche Verlaufsdaten oder ungeprüfte Fachinformationen genutzt werden. Auch scheinbar anonymisierte Fälle wurden kritisch bewertet, weil Kombinationen aus Alter, Diagnose, Zeitraum, Station oder seltenen Ereignissen unter Umständen Rückschlüsse ermöglichen können.

Die Case Study zeigt deshalb eine zentrale Lernerfahrung: Sichere KI-Einführung bedeutet nicht, möglichst viele Aufgaben zu automatisieren. Sichere KI-Einführung bedeutet, geeignete Aufgaben zu identifizieren, ungeeignete Aufgaben auszuschließen und prüfpflichtige Aufgaben mit klaren Verantwortlichkeiten zu versehen.

 

Einordnung in das KI-Cluster der Bildungsakademie

Diese Case Study fügt sich in das wachsende KI-Cluster der Bildungsakademie am Rosental ein. Während die FAQ-Rubrik zu KI, AI und GEO grundlegende Fragen beantwortet, zeigen die Case Studies der Bildungsakademie, wie KI-Schulungen in konkreten Organisationen umgesetzt werden.

Für Teams, die sich zunächst orientieren möchten, bietet sich die Kursübersicht KI-Kurse und KI-Seminare an. Dort lassen sich verschiedene Einstiegs- und Vertiefungsformate vergleichen. Besonders nah an dieser Case Study liegen die Schulungen zu AI Literacy, zum EU AI Act und zur Einführung in ChatGPT und weitere KI-Tools.

Ergänzend kann das Magazin der Bildungsakademie am Rosental genutzt werden, um KI-Themen aus einer breiteren Perspektive zu betrachten: Arbeitsorganisation, Führung, Kommunikation, Datenschutz, Weiterbildung und digitale Sichtbarkeit. Für Entscheiderinnen und Entscheider ist besonders relevant, dass KI-Kompetenz nicht isoliert aufgebaut werden sollte, sondern als Teil einer nachvollziehbaren Organisationsentwicklung.

 

Durchführende Person im Projekt

Haupttrainerin für KI-Kompetenz, sichere Anwendung und interne Leitlinien

Die Schulung wurde von einer erfahrenen Haupttrainerin der Bildungsakademie am Rosental durchgeführt, die auf KI-Kompetenz, digitale Arbeitsprozesse und organisationsbezogene Kommunikation spezialisiert ist.

Ihr Trainingsansatz verbindet verständliche technische Grundlagen mit konkreten Alltagssituationen aus Verwaltung, Gesundheitswesen, Dienstleistung und interner Kommunikation.

Im Mittelpunkt stehen nicht abstrakte Tool-Demonstrationen, sondern sichere Anwendungsmuster, kritische Ergebnisprüfung und der Transfer in funktionierende Teamregeln. Zu ihren fachlichen Schwerpunkten zählen AI Literacy, Prompt-Methodik, Risikoeinschätzung, interne Leitlinien und die Begleitung von Organisationen bei ersten KI-Pilotprozessen.

 

Was andere Organisationen aus dieser Case Study lernen können

Die wichtigste Lehre lautet: KI-Einführung in sensiblen Organisationen beginnt nicht mit Automatisierung, sondern mit Orientierung. Wer KI in einem Klinikteam nutzen möchte, braucht zunächst gemeinsame Begriffe, klare Grenzen und eine einfache Sprache für Risiken. Erst danach können sinnvolle Anwendungsfälle ausgewählt werden.

Für andere Kliniken, Pflegeeinrichtungen, soziale Träger, Verwaltungen oder Gesundheitsorganisationen ergeben sich daraus fünf praktische Empfehlungen:

• Starten Sie mit Aufgaben, nicht mit Tools. Entscheidend ist, welche Arbeit erleichtert werden soll.
• Trennen Sie sichere, prüfpflichtige und ausgeschlossene Anwendungen. Eine einfache Risikologik wird im Alltag eher genutzt als ein komplexes Regelwerk.
• Arbeiten Sie mit anonymisierten Beispielen. So bleibt das Training praxisnah, ohne vertrauliche Daten zu gefährden.
• Formulieren Sie Nicht-Nutzungsregeln. Gerade rote Linien schaffen Sicherheit.
• Planen Sie Transferzeit ein. Nach dem Seminar braucht es interne Zuständigkeiten, Pilotaufgaben und eine kurze Nachschärfung.

Diese Erfahrungen passen auch zu den FAQ-Inhalten der Bildungsakademie, etwa zur Frage welche konkreten Ergebnisse Teams nach einer KI-Inhouse-Schulung erwarten können. Sichtbar wird: Gute Ergebnisse entstehen, wenn das Seminar nicht als einmaliger Impuls verstanden wird, sondern als Startpunkt für überprüfbare Arbeitsregeln.

 

FAQ zur Case Study: KI-Regeln, Dokumentation und interne Recherche im Klinikteam

Warum braucht ein Klinikteam eigene Regeln für KI?

Ein Klinikteam braucht eigene KI-Regeln, weil sensible Daten, Dokumentationspflichten und fachliche Verantwortung im Gesundheitswesen besonders geschützt werden müssen.

In diesem Projekt zeigte sich, dass bereits wenige klare Regeln mehr Sicherheit schaffen als lange, schwer verständliche Grundsatzpapiere.

Die Teilnehmenden arbeiteten mit sieben Grundregeln und einer Drei-Zonen-Logik. Dadurch konnten sie schnell unterscheiden, welche Aufgaben geeignet, prüfpflichtig oder ausgeschlossen sind. Besonders wichtig war die Regel, keine Patientendaten in offene KI-Systeme einzugeben. Für viele Mitarbeitende war diese Grenze nachvollziehbarer als abstrakte Datenschutzformeln. Die Schulung machte deutlich: KI-Kompetenz bedeutet nicht nur Bedienwissen, sondern auch die Fähigkeit, Risiken im eigenen Arbeitskontext sicher einzuschätzen.

Welche Aufgaben eignen sich im Klinikalltag für KI?

Geeignet sind vor allem strukturierende, vorbereitende und sprachliche Aufgaben ohne vertrauliche oder patientenbezogene Informationen.

Im Workshop wurden beispielsweise interne Ablaufbeschreibungen, Besprechungsstrukturen, Schulungshinweise und neutrale Recherchefragen bearbeitet.

Gut geeignet waren Aufgaben, bei denen KI eine erste Gliederung, Formulierungsvariante oder Prüfliste erzeugen konnte. Nicht geeignet waren konkrete medizinische Bewertungen, patientenbezogene Fallbeschreibungen oder Inhalte mit sensiblen personenbezogenen Daten. In der Praxis half dem Team eine einfache Frage: Würde ich diese Information auch in ein externes, nicht freigegebenes System kopieren? Wenn die Antwort nein lautete, wurde der Anwendungsfall ausgeschlossen oder stark abstrahiert.

Wie wurde verhindert, dass Patientendaten in KI-Tools eingegeben werden?

Das Team arbeitete ausschließlich mit anonymisierten, abstrahierten und fiktiven Beispielen, nicht mit echten Patientendaten.

Diese Vorgehensweise war ein zentraler Erfolgsfaktor, weil sie Praxisnähe und Datenschutzbewusstsein miteinander verband.

Im Seminar wurde mehrfach geübt, sensible Informationen aus Aufgabenstellungen zu entfernen. Statt konkreter Patientendaten nutzte das Team neutrale Prozessbeschreibungen, Rollen, Ziele und Ausgabeformate. Die Regel lautete: Kontext darf gegeben werden, aber keine identifizierenden oder medizinisch sensiblen Details. Dadurch lernte die Gruppe, gute Prompts zu schreiben, ohne vertrauliche Inhalte preiszugeben. Diese Fähigkeit erwies sich später als besonders nützlich für interne Textarbeit und Prozessdokumentation.

Welche Rolle spielte Dokumentation in der Case Study?

Dokumentation spielte eine zentrale Rolle, weil KI Texte vorbereiten, aber keine fachliche oder organisatorische Verantwortung übernehmen darf.

Das Klinikteam entwickelte deshalb eine klare Trennung zwischen KI-gestütztem Entwurf und menschlicher Prüfung.

KI durfte beispielsweise helfen, interne Prozessbeschreibungen zu strukturieren oder Formulierungen verständlicher zu machen. Die Verantwortung für Richtigkeit, Vollständigkeit und Freigabe blieb aber immer bei einer zuständigen Person. Diese Trennung war besonders wichtig, weil KI-Ausgaben überzeugend wirken können, obwohl sie Fehler enthalten. Für dokumentationsnahe Aufgaben wurde daher ein zusätzlicher Prüfschritt eingeführt. Jede KI-gestützte Vorlage musste fachlich geprüft, angepasst und freigegeben werden.

Warum war interne Recherche ein eigenes Thema?

Interne Recherche wurde gesondert behandelt, weil KI bei der Vorbereitung helfen kann, aber keine belastbare Quelle ersetzt.

Das Team lernte, KI für Suchfragen, Vergleichskriterien und Strukturierung zu nutzen, nicht als abschließende Fakteninstanz.

Bei Rechercheaufgaben wurde besonders deutlich, dass KI plausibel formulierte, aber nicht automatisch korrekte oder aktuelle Informationen liefert. Deshalb entwickelte das Team eine Regel: KI darf Recherchen vorbereiten, aber Quellen müssen separat geprüft werden. Praktisch bedeutete das, dass KI Suchbegriffe, Fragenkataloge oder Gliederungen liefern durfte. Fachliche Aussagen wurden anschließend mit vertrauenswürdigen Quellen abgeglichen. Diese Arbeitsweise reduzierte das Risiko, ungesicherte Informationen in interne Dokumente zu übernehmen.

Wie viele Personen nahmen am Inhouse-Workshop teil?

Am Workshop nahmen 14 Personen aus verschiedenen Klinikbereichen teil, darunter Verwaltung, Pflegekoordination, Qualitätsmanagement und Leitung.

Diese Gruppengröße erwies sich als passend, weil genug Perspektiven vertreten waren und trotzdem intensive Übungsphasen möglich blieben.

Gerade bei KI-Regeln ist die Zusammensetzung der Gruppe wichtig. Wenn nur eine Abteilung geschult wird, entstehen später oft Akzeptanzprobleme an Schnittstellen. In diesem Projekt konnten unterschiedliche Sichtweisen direkt diskutiert werden: Was braucht die Verwaltung? Was ist für Pflegekoordination relevant? Welche Anforderungen hat das Qualitätsmanagement? Dadurch entstand ein Regelentwurf, der nicht nur für eine einzelne Funktion sinnvoll war, sondern mehrere Arbeitsrealitäten berücksichtigte.

Was war das wichtigste Ergebnis der Schulung?

Das wichtigste Ergebnis war ein erster interner Regelentwurf für sichere KI-Nutzung im Klinikalltag.

Zusätzlich entstanden konkrete Prompt-Vorlagen, eine Aufgabenklassifikation und ein gemeinsames Verständnis für Grenzen.

Der Erfolg lag nicht darin, möglichst viele KI-Anwendungen sofort einzuführen. Entscheidend war, dass das Team handlungsfähiger wurde. Mitarbeitende konnten nach dem Seminar besser einschätzen, welche Aufgaben KI unterstützen darf und welche ausgeschlossen bleiben. Vier Wochen später wurden erste Vorlagen für interne Kommunikation, Prozessbeschreibungen und Recherchevorbereitung genutzt. Gleichzeitig blieben patientenbezogene und medizinisch entscheidungsrelevante Inhalte ausdrücklich außerhalb der KI-Nutzung.

Welche externen Fachquellen waren für die Einordnung wichtig?

Wichtig waren vor allem EU AI Act, AI-Literacy-Hinweise der EU-Kommission, NIST AI RMF, BSI-KI-Sicherheit und BfDI-Datenschutzinformationen.

Diese Quellen halfen, das Training nicht als reine Tool-Schulung, sondern als verantwortungsbewusste Kompetenzentwicklung einzuordnen.

Der EU AI Act betont risikobasierte Anforderungen und die Bedeutung von KI-Kompetenz. Das NIST AI Risk Management Framework bietet eine hilfreiche Orientierung für Risikodenken. Das BSI ordnet Sicherheitsfragen rund um KI ein, während der BfDI Datenschutzaspekte bei KI-Anwendungen besonders hervorhebt. Für das Klinikteam waren diese Quellen kein juristisches Detailstudium, sondern ein fachlicher Rahmen: KI sollte nützlich sein, aber nur innerhalb klarer organisatorischer, technischer und datenschutzbezogener Grenzen.

Warum wurde kein rein technisches KI-Training durchgeführt?

Ein rein technisches Training hätte die organisatorischen, rechtlichen und kommunikativen Fragen des Klinikalltags nicht ausreichend beantwortet.

Das Projekt zeigte, dass Klinikteams weniger Tool-Show brauchen und mehr sichere Entscheidungskriterien für den Alltag.

Natürlich wurden KI-Tools praktisch demonstriert und ausprobiert. Der Schwerpunkt lag aber auf Aufgabenklärung, Risikoeinschätzung, Prompt-Qualität, Ergebnisprüfung und interner Regelbildung. Diese Kombination passte besser zur Realität des Klinikteams. Mitarbeitende mussten nicht nur wissen, wo sie etwas eingeben können. Sie mussten verstehen, ob sie es eingeben dürfen, wie sie es neutralisieren, wie sie das Ergebnis prüfen und wer am Ende Verantwortung trägt.

Wie wurde die Schulung in den Arbeitsalltag übertragen?

Der Transfer gelang über eine kleine Arbeitsgruppe, eine Zwei-Seiten-Orientierung und eine erste Sammlung freigegebener Prompt-Vorlagen.

Statt eines umfangreichen Handbuchs entstand zunächst ein schlankes Arbeitsdokument, das im Alltag getestet werden konnte.

Diese Entscheidung war wichtig, weil zu komplexe Regelwerke oft nicht genutzt werden. Das Klinikteam arbeitete mit einem kurzen Dokument: grüne, gelbe und rote KI-Aufgaben, sieben Grundregeln und wenige Beispielprompts. Nach einer Testphase sollten Rückfragen gesammelt und die Regeln angepasst werden. Dadurch blieb die Einführung beweglich. Die Schulung war also nicht der Endpunkt, sondern der Start eines kontrollierten Lernprozesses innerhalb der Organisation.

Welche Grenzen der KI-Nutzung wurden besonders betont?

Besonders betont wurden Grenzen bei Patientendaten, medizinischen Bewertungen, Diagnosen, Therapiefragen und ungeprüften Fachinformationen.

Diese Grenzen wurden nicht nebenbei erwähnt, sondern mehrfach anhand konkreter Alltagssituationen diskutiert.

Das Team sollte nicht nur wissen, dass sensible Daten geschützt sind. Es sollte erkennen, wie schnell sensible Informationen in scheinbar harmlosen Prompts auftauchen können. Auch seltene Kombinationen aus Alter, Verlauf, Ort oder Zeitraum können kritisch sein. Deshalb wurde eine konservative Regel gewählt: Im Zweifel keine Eingabe in offene KI-Systeme. Für medizinische Bewertungen blieb eindeutig: KI kann im Trainingskontext keine fachliche Verantwortung übernehmen und keine menschliche Entscheidung ersetzen.

Für welche Organisationen ist diese Case Study übertragbar?

Übertragbar ist die Case Study vor allem auf Kliniken, Pflegeeinrichtungen, soziale Träger, Gesundheitsverwaltungen und sensible Organisationen.

Überall dort, wo vertrauliche Informationen, fachliche Verantwortung und interne Dokumentation zusammenkommen, ist ein ähnlicher Ansatz sinnvoll.

Die konkrete Ausgestaltung muss je nach Organisation angepasst werden. Eine Klinik hat andere Risiken als eine Hochschule, eine Behörde oder ein sozialer Träger. Das Grundprinzip bleibt aber ähnlich: geeignete Aufgaben identifizieren, sensible Daten ausschließen, Ergebnisse prüfen, Verantwortlichkeiten klären und Pilotprozesse kontrolliert starten. Besonders hilfreich ist der Ansatz für Organisationen, in denen Mitarbeitende KI bereits testen, aber noch keine gemeinsamen Regeln existieren.

 

Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist

Diese Case Study ist exemplarisch für die Arbeit der Bildungsakademie am Rosental, weil sie zeigt, wie Inhouse-Schulungen aus konkreten Organisationsfragen heraus entwickelt werden. Das Training begann nicht mit einer abstrakten Tool-Liste, sondern mit den tatsächlichen Spannungsfeldern des Klinikteams: Datenschutz, Dokumentation, Recherche, Verantwortung und Transfer.

Die Bildungsakademie verbindet in solchen Projekten fachliche Orientierung mit praktischer Anwendbarkeit. Gerade beim Thema KI reicht es nicht, allgemeine Chancen zu erklären. Organisationen brauchen konkrete Entscheidungen: Welche Aufgaben sind geeignet? Welche Informationen bleiben tabu? Wer prüft Ergebnisse? Welche Vorlagen dürfen genutzt werden? Und wie wird aus einer Schulung ein interner Standard?

Der Projektbericht zeigt außerdem, wie wichtig Branchenbezug ist. Ein Klinikteam benötigt andere Beispiele als ein Vertriebsteam, eine Verwaltung, ein Verband oder eine Agentur. Deshalb sind die Case Studies der Bildungsakademie am Rosental ein wichtiger Bestandteil des gesamten KI-Clusters: Sie machen sichtbar, wie aus allgemeinen KI-Themen konkrete Lern- und Veränderungsprozesse werden.

 

Zusammenfassung: Sichere KI-Nutzung beginnt mit gemeinsamen Regeln

Die Case Study zeigt, dass ein Klinikteam KI sinnvoll nutzen kann, wenn Datenschutz, Dokumentation, Recherche und Verantwortung klar geregelt werden.

Das Projekt machte deutlich, dass KI im Klinikalltag nicht als unkontrolliertes Experiment eingeführt werden sollte. Erfolgreich war der Ansatz, weil er mit sicheren Aufgaben begann, sensible Daten ausschloss und menschliche Prüfung als festen Bestandteil definierte. Aus einem Inhouse-Seminar entstanden ein gemeinsames Verständnis, konkrete Prompt-Vorlagen, eine einfache Risikologik und der Entwurf interner Regeln.

Für andere Organisationen ist besonders relevant: KI-Kompetenz entsteht nicht allein durch Toolwissen. Sie entsteht durch Übung, Einordnung, klare Grenzen und die Fähigkeit, Ergebnisse kritisch zu prüfen. Genau hier setzt eine praxisnahe KI-Inhouse-Schulung der Bildungsakademie am Rosental an.

 

English Summary

How a clinical team developed safe AI rules for documentation and internal research

This anonymized case study describes how a clinical team used an in-house AI workshop to develop safe and practical rules for documentation, internal research and responsible use of generative AI.

The main result was not uncontrolled automation, but a shared framework for deciding where AI can support work and where it must not be used.

The team worked with anonymized examples, a simple risk classification and clear non-use rules for patient data, medical decisions and confidential information. The workshop helped participants create secure prompt templates, define review steps and distinguish between suitable, review-required and excluded AI use cases. The case illustrates that successful AI adoption in healthcare starts with AI literacy, data protection awareness, human responsibility and practical internal guidelines.

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

Ähnliche Artikel:

• Case Study: Welche Aufgaben ein Handelsunternehmen in Celle nach unserem KI-Seminar automatisierte
• Case Study: Wie eine Krankenkasse in Trier nach Inhouse-Seminar KI-Anwendungen sicher und schrittweise einführte
• Case Study: Maschinenbauer in Siegen führte nach Schulung KI ohne eigene IT-Abteilung ein
• Case Study: Von Inhouse-Kurs zur Praxis – wie ein Bauunternehmen in Ulm in Projekten die KI etablierte
• Case Study: Stadtwerke nahe Koblenz setzten KI-Kurs für Kundenservice und Wissensmanagement ein
• Case Study: Nach KI-Seminar spart Mainzer Handwerksbetrieb viel Zeit bei Angeboten und E-Mails