Kianwendungen in der Praxis: Erfolgsbeispiele aus verschiedenen Branchen

KI-gestützte Texterstellung im Journalismus und E-Commerce mit AX Semantics

Im Journalismus und im E-Commerce zeigt sich der Nutzen regelbasierter KI besonders bei Texten mit wiederkehrender Struktur. AX Semantics verarbeitet dafür strukturierte Angaben und erzeugt daraus automatisch formulierte Inhalte. Im Mittelpunkt steht nicht das freie Erfinden, sondern die zuverlässige Umwandlung geprüfter Daten in verständliche Texte.

Ein Onlinehändler kann etwa Produktdaten wie Marke, Maße, Material, Farbe und Preis hinterlegen. Daraus entstehen individuelle Beschreibungen für viele Artikel. Ändert sich ein Wert, lässt sich der Text gezielt aktualisieren. Das ist vor allem bei großen Sortimenten hilfreich, denn redaktionelle Teams müssen nicht jede einzelne Seite von Hand überarbeiten.

Auch journalistische Formate profitieren von diesem Ansatz. Sportberichte, Börsenmeldungen, Wettertexte oder kurze Regionalnachrichten folgen oft festen Mustern. Sobald neue Zahlen vorliegen, kann das System daraus einen Textentwurf erstellen. Die Redaktion gewinnt dadurch Zeit für Recherche, Einordnung und Themen, die mehr als ein Datenblatt brauchen.

Ein wichtiger Praxisvorteil liegt in der Skalierung. AX Semantics nennt eine Verarbeitung in bis zu 110 Sprachen. Für international tätige Unternehmen kann das die Pflege mehrsprachiger Produktseiten erleichtern. Trotzdem braucht jede Sprachversion klare Regeln für Ton, Fachbegriffe, Einheiten und lokale Schreibweisen. Sonst klingt der Text zwar korrekt, aber nicht wirklich passend.

Besonders sinnvoll ist die Anwendung, wenn drei Bedingungen erfüllt sind:

• Die Ausgangsdaten liegen vollständig und in einheitlicher Form vor.
• Der Text folgt einer wiederkehrenden sprachlichen Logik.
• Es gibt feste Regeln für Stil, Länge und verbotene Aussagen.

Im E-Commerce lassen sich so beispielsweise Produktseiten, Kategorietexte und Variantenbeschreibungen erzeugen. Im Journalismus eignen sich kurze Meldungen mit klarer Datenbasis. Weniger geeignet ist das Verfahren für investigative Beiträge, Kommentare oder Texte mit umfangreicher Quellenbewertung. Dort entsteht der Mehrwert gerade durch Recherche, Abwägung und sprachliche Eigenleistung.

Für die Qualität zählt deshalb nicht allein die Textmenge. Entscheidend ist, ob Datenfehler erkannt, Sonderfälle abgefangen und Änderungen nachvollziehbar dokumentiert werden. Ein guter Redaktionsprozess legt außerdem fest, welche Inhalte automatisch erscheinen dürfen und welche vor der Veröffentlichung eine Freigabe benötigen. So bleibt die Automatisierung nützlich, ohne zur Blackbox zu werden.

Die Landesanstalt für Medien NRW führt AX Semantics in ihrer im April 2025 veröffentlichten Übersicht zu KI-Anwendungen für redaktionelle Arbeit auf. Dort wird das System als Beispiel für automatisierte Texterstellung in E-Commerce, Journalismus und personalisierten Produktseiten genannt. Die Übersicht erhebt keinen Anspruch auf Vollständigkeit.

Personalisierte Empfehlungen im Onlinehandel und auf Streaming-Plattformen

Personalisierte Empfehlungen steuern heute oft den nächsten Klick: ein passendes Hemd nach der Produktsuche, eine Serie nach dem Ende eines Films oder ein Zubehörteil beim Blick in den Warenkorb. Dafür verbindet das System mehrere Signale und berechnet, welches Angebot für eine Person gerade relevant sein könnte.

Im Onlinehandel fließen zum Beispiel Suchbegriffe, angesehene Artikel, Warenkorb-Inhalte, Käufe, Preisspannen und die Verfügbarkeit ein. Ein neues Konto erhält zunächst Vorschläge aus ähnlichen Artikeln oder aus dem Verhalten vergleichbarer Kundengruppen. Dieses Verfahren wird häufig als Cold-Start-Lösung bezeichnet. Mit jeder weiteren Interaktion kann das Profil genauer werden.

• Ähnliche Produkte: Artikel mit vergleichbaren Eigenschaften erscheinen neben dem betrachteten Produkt.
• Ergänzende Produkte: Das System schlägt passende Kombinationen vor, etwa eine Hülle zum Smartphone.
• Individuelle Startseite: Kategorien und Angebote werden nach dem bisherigen Interesse angeordnet.
• Kontextbezogene Auswahl: Saison, Standort, Gerät oder Lagerbestand beeinflussen die Anzeige.

Ein besonders wirksamer Ansatz ist die Kombination aus Inhalts- und Verhaltensdaten. Der Inhalt beschreibt, was ein Produkt oder eine Sendung auszeichnet. Das Verhalten zeigt, was Menschen tatsächlich auswählen. Beide Ebenen ergänzen sich. So kann ein Shop einen neuen Laufschuh einordnen, obwohl dazu noch kaum Klickdaten vorliegen.

Streamingdienste arbeiten ähnlich, setzen aber stärker auf Sehminuten, Abbrüche, Suchverläufe, Bewertungen und gemeinsame Nutzungsmuster. Nicht nur der Titel zählt. Auch Genre, Erzähltempo, Besetzung, Sprache und Länge können in die Auswahl einfließen. Deshalb sieht dieselbe Person an einem Abend einen Krimi und am nächsten Morgen eine kurze Dokumentation.

Der wirtschaftliche Nutzen lässt sich mit klaren Kennzahlen prüfen. Unternehmen vergleichen etwa die Klickrate, die Abschlussquote, den Umsatz je Sitzung und die Zahl abgebrochener Wiedergaben. Wichtig ist der Vergleich mit einer Kontrollgruppe ohne personalisierte Auswahl. Ein höherer Klickwert allein beweist noch keinen Erfolg; manchmal werden nur bereits interessierte Personen schneller zum bekannten Angebot geführt.

Damit Empfehlungen nicht eintönig werden, brauchen Systeme neben der Passgenauigkeit auch Vielfalt. Wer immer nur ähnliche Produkte oder Genres sieht, verpasst Neuheiten. Praktisch bewährt sich daher eine Mischung aus vertrauten Treffern, neuen Vorschlägen und redaktionell gesetzten Inhalten.

Rechtlich und organisatorisch sollten Anbieter erklären, welche Daten die Auswahl prägen. Für personalisierte Werbung gelten zudem eigene Anforderungen aus Datenschutz- und Verbraucherrecht. Ein transparentes Einstellungsmenü, eine einfache Widerspruchsmöglichkeit und kurze Hinweise direkt am Empfehlungselement schaffen Vertrauen. Gerade bei Kindern, sensiblen Interessen oder stark individualisierten Preisen ist besondere Zurückhaltung angebracht.

Ein praxistaugliches Bewertungsschema umfasst daher vier Fragen:

• Erhält die Person tatsächlich passendere Vorschläge?
• Bleibt die Auswahl vielfältig und nachvollziehbar?
• Sind veraltete, ausverkaufte oder ungeeignete Angebote ausgeschlossen?
• Können Nutzende die Personalisierung verstehen und beeinflussen?

So wird aus einer bloßen Verkaufsfunktion ein nützliches Orientierungssystem. Gute Empfehlungen verkürzen die Suche und öffnen zugleich eine kleine Tür zu etwas Neuem.

Praxisbeispiele für KI-Anwendungen in verschiedenen Branchen

Automatisierte Qualitätskontrolle in der Fertigungsindustrie

In der Fertigung prüft KI Bauteile direkt an der Produktionslinie. Kameras erfassen Oberflächen, Kanten, Schweißnähte oder Bohrungen. Ein trainiertes Bildmodell vergleicht diese Aufnahmen mit hinterlegten Qualitätsmerkmalen und markiert auffällige Stellen innerhalb von Millisekunden. So lassen sich auch kleine Kratzer, Risse oder Formabweichungen erkennen, die bei hoher Taktzahl leicht übersehen werden.

Ein typischer Einsatz findet sich bei Metallteilen: Das System prüft Durchmesser, Lage und Oberfläche jedes Werkstücks. Bei Kunststoffgehäusen erkennt es etwa Grate, Farbfehler und fehlende Komponenten. In der Elektronikfertigung kontrolliert es Lötstellen und die Bestückung von Leiterplatten. Die Prüfung erfolgt dabei nicht nur stichprobenartig, sondern kann auf jedes einzelne Teil angewendet werden.

Der entscheidende Fortschritt liegt in der Geschwindigkeit. Eine Kamera erfasst mehrere Merkmale gleichzeitig, während das Werkstück die Station passiert. Das Ergebnis wird sofort an die Steuerung übermittelt. Fehlerhafte Teile können ausgeschleust werden, bevor sie in die nächste Produktionsstufe gelangen. Dadurch sinken Nacharbeit und Ausschuss, und Fehler werden früher im Prozess sichtbar.

Für ein belastbares System braucht der Betrieb mehr als gute Kameras. Nötig sind passende Beleuchtung, stabile Aufnahmebedingungen und ausreichend Bilder von fehlerfreien sowie fehlerhaften Teilen. Ändern sich Material, Werkzeug oder Licht, kann sich auch das Prüfergebnis verschieben. Deshalb sollte das Modell mit neuen Produktionsdaten überwacht und bei Bedarf nachtrainiert werden.

• Fehlerbilder sammeln: Ausschuss und bekannte Abweichungen systematisch fotografieren.
• Prüfmerkmale festlegen: Genau definieren, was als Fehler gilt und welche Toleranz erlaubt ist.
• Testbetrieb starten: Die KI zunächst parallel zur bisherigen Kontrolle laufen lassen.
• Treffer bewerten: Fehlalarme und übersehene Fehler getrennt auswerten.
• Prozess anbinden: Erst danach die automatische Sortierung oder Maschinensteuerung aktivieren.

Besonders wertvoll ist die Auswertung der Prüfdaten. Häufen sich Fehler an einer bestimmten Maschine, Schicht oder Materialcharge, entsteht ein Hinweis auf die Ursache. Die Qualitätskontrolle wird damit vom reinen Aussortieren zur Frühwarnung für die Produktion. Ein Trend, der sonst erst nach vielen Reklamationen auffällt, kann schon nach wenigen Stunden sichtbar werden.

In der Praxis sollten Unternehmen neben der Erkennungsrate auch die Fehlalarmquote, die Prüfzeit pro Teil und die Kosten je Fehler messen. Ein Modell mit sehr hoher Empfindlichkeit findet zwar viele Mängel, kann aber zugleich zu viele gute Teile aussortieren. Die beste Lösung ist daher nicht automatisch die strengste, sondern jene, die zur Risikoklasse des Produkts passt.

Bei sicherheitsrelevanten Teilen gelten besonders hohe Anforderungen an Nachvollziehbarkeit und Freigabe. Prüfbilder, Modellversion, Zeitstempel und Entscheidung sollten gespeichert werden. So kann später geklärt werden, warum ein Teil akzeptiert oder abgelehnt wurde. Für einfache Sichtprüfungen genügt womöglich ein schlanker Aufbau; bei Bremskomponenten, Medizinprodukten oder Luftfahrtteilen ist deutlich mehr Dokumentation nötig.

Ein Beispiel aus der Automobilzulieferung zeigt das Prinzip: Eine Kamera entdeckt feine Risse an lackierten Komponenten, während ein zweites Modell die Vollständigkeit prüft. Werden beide Ergebnisse verbunden, sinkt das Risiko, dass ein äußerlich unauffälliges, aber unvollständiges Teil weiterläuft. Der Nutzen entsteht also nicht durch ein einzelnes Modell, sondern durch die kluge Einbindung in den gesamten Prüfablauf.

Als technische Orientierung gelten industrielle Bildverarbeitungssysteme mit hoher Auflösung, kontrollierter Beleuchtung und einer Anbindung an MES- oder SPS-Systeme. Anbieter wie Cognex, Keyence und Siemens decken unterschiedliche Teile dieses Umfelds ab. Welche Lösung passt, hängt von Taktzeit, Material, Fehlerbild und geforderter Prüfsicherheit ab; ein pauschaler Testsieger wäre hier wenig sinnvoll.

Virtuelle Assistenten und Chatbots im Kundenservice

Virtuelle Assistenten übernehmen im Kundenservice vor allem klar begrenzte Dialoge. Sie beantworten Fragen zum Lieferstatus, erklären Rückgabeschritte, erfassen Störungsmeldungen oder buchen Termine. Der entscheidende Praxisnutzen liegt dabei weniger in spektakulären Antworten als in der direkten Verbindung zu internen Systemen.

Fragt eine Kundin nach ihrer Bestellung, ruft der Assistent die Bestellnummer ab und zeigt den aktuellen Status. Bei einer technischen Störung kann er zunächst Gerät, Fehlerbild und Kaufdatum aufnehmen. Erst danach wird der Fall an die passende Fachabteilung übergeben. Dadurch erhält das Serviceteam bereits einen gefüllten Vorgang statt einer lückenhaften Notiz.

Ein leistungsfähiger Dialogdienst unterscheidet dabei mehrere Ebenen:

• Absicht: Was möchte die Person erledigen?
• Kontext: Auf welchen Vertrag, Artikel oder Vorgang bezieht sich die Frage?
• Dringlichkeit: Handelt es sich um eine einfache Auskunft oder um einen kritischen Fall?
• Nächste Aktion: Welche Information, Buchung oder Weiterleitung ist erforderlich?

Im Versicherungswesen kann ein Assistent Schadenmeldungen vorstrukturieren. Banken nutzen solche Systeme für Kontofragen und Terminwünsche. Energieversorger lassen Kundinnen Zählerstände melden oder Abschläge prüfen. In der Telekommunikation werden Tarifdetails, SIM-Sperren und Netzprobleme häufig zuerst digital aufgenommen. Jeder dieser Fälle braucht eigene Datenfelder und klare Antwortgrenzen.

Besonders wichtig ist ein sauberer Übergang zum Menschen. Der Dialog darf nicht in einer Sackgasse enden, wenn die Anfrage ungewöhnlich wird. Ein gutes System übergibt Gesprächsverlauf, erkannte Absicht und bereits erfasste Angaben an das Serviceteam. Die Kundin muss ihr Anliegen dann nicht noch einmal von vorn erzählen.

Die Qualität lässt sich mit anderen Kennzahlen messen als bei klassischen Webseiten. Neben der Lösungsquote zählen die Zahl der Weiterleitungen, die durchschnittliche Bearbeitungszeit nach der Übergabe und die Abbruchrate. Auch eine kurze Befragung nach dem Gespräch ist hilfreich. Eine hohe Automatisierungsquote kann sonst täuschen, wenn viele Menschen frustriert abbrechen.

Bei sensiblen Anliegen gelten enge Grenzen. Ein Assistent sollte keine eigenständige Kulanzentscheidung treffen, medizinische Notfälle bewerten oder eine Kündigung absichtlich erschweren. Für Identitätsprüfung, Vertragsänderungen und Zahlungen braucht es abgestufte Zugriffsrechte. Gesprächsdaten sollten nur so lange gespeichert werden, wie es für den jeweiligen Zweck nötig ist.

Sprachassistenten erweitern den Einsatz um Telefonie. Sie können Anrufe sortieren, Öffnungszeiten nennen oder Rückrufe organisieren. Schwieriger wird es bei Dialekten, Hintergrundgeräuschen und emotionalen Gesprächen. Deshalb sind kurze Rückfragen, eine deutliche Aussprache und das sofortige Umschalten auf Mitarbeitende Teil des Designs.

Für den Start eignet sich ein begrenzter Bereich mit vielen ähnlichen Anfragen. Ein Versandunternehmen könnte zunächst nur Lieferstatus und Adressänderungen abbilden. Nach der Auswertung realer Gespräche kommen weitere Anliegen hinzu. So wächst der Assistent entlang echter Kundenprobleme und nicht entlang einer langen Wunschliste.

Nach Artikel 50 der EU-Verordnung über künstliche Intelligenz müssen Anbieter in bestimmten Fällen kenntlich machen, dass Menschen mit einem KI-System interagieren. Für Unternehmen bedeutet das: Der digitale Gesprächspartner sollte sich klar als solcher vorstellen und leicht erreichbare Kontaktwege zu Mitarbeitenden anbieten.

Prädiktive Analysen für Lieferketten, Wartung und Produktionsplanung

Prädiktive Analysen greifen in drei operative Bereiche ein: Sie schätzen künftige Nachfrage, erkennen drohende Ausfälle und unterstützen die Reihenfolge von Fertigungsaufträgen. Der praktische Wert entsteht, wenn aus einer Prognose eine konkrete Aktion folgt – etwa eine frühere Bestellung, ein geplanter Serviceeinsatz oder eine angepasste Schichtplanung.

In der Lieferkette kombinieren Modelle historische Bestellungen mit Lieferzeiten, saisonalen Schwankungen, Feiertagen, Preisänderungen und aktuellen Auftragsbeständen. Ein Händler kann dadurch Sicherheitsbestände differenzierter festlegen. Für langsam drehende Artikel gelten andere Regeln als für Produkte mit starkem Wochenendgeschäft. Das verhindert sowohl leere Regale als auch unnötig gebundenes Kapital.

Besonders hilfreich ist die Ermittlung eines Lieferverzögerungsrisikos. Weichen Transitzeiten, Zollstatus oder Lieferantenqualität vom üblichen Muster ab, erhält der Einkauf einen Hinweis. Dabei sollte die Prognose nicht als Gewissheit erscheinen. Ein Risiko von 70 Prozent bedeutet keine sichere Verspätung, sondern eine Priorität für die Prüfung.

Bei der Instandhaltung analysieren Systeme Sensordaten wie Temperatur, Schwingung, Druck und Stromaufnahme. Verändert sich das Muster langsam, kann ein Defekt bevorstehen. Der Betrieb plant den Austausch dann in ein Wartungsfenster, statt auf einen ungeplanten Stillstand zu warten. In der Luftfahrt und bei Windkraftanlagen ist dieser Ansatz besonders wertvoll, weil Ersatzteile und Techniker oft lange Vorläufe haben.

Für belastbare Wartungsprognosen müssen Maschinendaten mit echten Reparaturereignissen verbunden werden. Ein Alarm ohne dokumentierte Ursache hilft kaum. Sinnvoll sind deshalb Kennzahlen wie:

• Vorlaufzeit zwischen Warnung und tatsächlichem Ausfall
• Anteil vermiedener Stillstände
• Fehlalarme je Maschine und Monat
• Reparaturkosten im Vergleich zur bisherigen Wartungsplanung
• Verfügbarkeit kritischer Anlagen

In der Produktionsplanung berechnet ein Modell, welche Aufträge unter den vorhandenen Kapazitäten sinnvoll auf Maschinen und Schichten verteilt werden. Es kann Rüstzeiten, Materialverfügbarkeit, Personalqualifikationen und Liefertermine gemeinsam berücksichtigen. Ändert sich ein Auftrag kurzfristig, lassen sich mehrere Varianten durchspielen. Die Disposition sieht dann nicht nur eine Reihenfolge, sondern auch deren Folgen.

Ein Beispiel: Für eine Maschine liegen drei Aufträge vor. Der erste bringt eine knappe Lieferfrist, der zweite erfordert einen Werkzeugwechsel, der dritte nutzt dasselbe Material wie ein bereits laufender Auftrag. Eine gute Planung berücksichtigt alle drei Faktoren. Die schnellste Einzelentscheidung ist nicht immer die beste Lösung für den gesamten Tag.

Bei der Einführung scheitern Projekte häufig nicht am Modell, sondern an ungeeigneten Daten. Fehlende Zeitstempel, geänderte Artikelnummern oder unvollständige Wartungsprotokolle verfälschen das Ergebnis. Vor dem produktiven Einsatz lohnt sich daher ein Datenprofil: Welche Quellen sind vorhanden, wie oft werden sie aktualisiert und welche Werte fehlen systematisch?

Für die Bewertung empfiehlt sich ein Vergleich mit der bisherigen Planung über mehrere Zyklen. Dabei sollten auch außergewöhnliche Wochen enthalten sein, etwa Ferien, Streiks oder starke Nachfragesprünge. Ein Modell, das nur in ruhigen Zeiten funktioniert, ist im Ernstfall ein hübscher Taschenrechner ohne großen Nutzen.

Technisch kommen dafür Zeitreihenmodelle, Gradient-Boosting-Verfahren oder neuronale Netze infrage. Die Methode richtet sich nach Datenmenge, Prognosehorizont und Fehlerkosten. Für einen stabilen Ersatzteilverbrauch genügt oft ein einfaches Modell. Bei vielen Einflussgrößen und kurzen Reaktionszeiten kann ein komplexerer Ansatz sinnvoll sein.

Unternehmen sollten außerdem festlegen, wann eine Prognose eine Handlung auslöst. Ein Schwellenwert kann etwa eine Bestellung vorschlagen, ein anderer eine zusätzliche Prüfung verlangen. Diese Regeln gehören in den Prozess, nicht nur in die Software. Erst dann wird aus Statistik ein verlässliches Arbeitsinstrument.

KI-gestützte Dokumentation und Datenverwaltung im Gesundheitswesen

In Kliniken entsteht ein großer Teil der Arbeitszeit durch Dokumentation: Aufnahmeberichte, Befunde, Pflegeeinträge, Entlassbriefe und Abrechnungsdaten. KI kann diese Informationen aus vorhandenen Akten herausfiltern, nach Themen ordnen und in vorgegebenen Feldern ablegen. Das erleichtert den Zugriff, besonders wenn Angaben über mehrere Dokumente und Aufenthalte verteilt sind.

Ein praktisches Beispiel ist die automatische Gesprächsdokumentation. Eine Sprachanwendung wandelt das Behandlungsgespräch in Text um und ordnet daraus Symptome, Medikamente, Diagnosen und nächste Schritte. Das Ergebnis landet zunächst als Entwurf in der elektronischen Patientenakte. Ärztliche Fachkräfte können fehlende Angaben ergänzen und unpassende Formulierungen korrigieren, bevor der Eintrag Teil der Akte wird.

Auch bei der Aufnahme helfen sprachverarbeitende Systeme. Sie erkennen etwa Allergien, Vorerkrankungen oder frühere Eingriffe in freien Texten. Anschließend werden diese Angaben passenden Kategorien zugeordnet. Das verkürzt die Suche in langen Dokumenten und macht Informationen für nachfolgende Stationen schneller auffindbar.

Für die Datenverwaltung sind standardisierte Begriffe entscheidend. Ein System muss beispielsweise erkennen, dass „Zuckerkrankheit“, „Diabetes mellitus Typ 2“ und eine entsprechende ICD-Kodierung zusammengehören können. Solche Zuordnungen dürfen nicht nur sprachlich plausibel wirken. Sie brauchen definierte Fachvokabulare, Versionsstände und klare Regeln für unklare Angaben.

• Dokumente erfassen: Befunde, Briefe und Formulare werden digital ausgelesen.
• Informationen markieren: Relevante Angaben erhalten Merkmale wie Diagnose, Medikament oder Zeitpunkt.
• Inhalte verknüpfen: Zusammengehörige Daten werden Patientinnen, Fällen oder Aufenthalten zugeordnet.
• Unklarheiten kennzeichnen: Unsichere Treffer erscheinen zur gezielten Nachbearbeitung.
• Änderungen protokollieren: Jede Korrektur bleibt im System nachvollziehbar.

Ein weiterer Nutzen liegt in der Abrechnung. KI kann prüfen, ob aus der Dokumentation alle relevanten Leistungen hervorgehen und ob Angaben widersprüchlich sind. Sie ersetzt keine medizinische Kodierfachkraft. Sie findet aber fehlende Stellen schneller, etwa wenn eine Behandlung erwähnt, im passenden Abrechnungsfeld jedoch nicht erfasst wurde.

Bei der Einführung sollte ein Krankenhaus zunächst einen genau abgegrenzten Dokumenttyp wählen. Entlassbriefe, Befundzusammenfassungen oder OP-Berichte unterscheiden sich stark in Aufbau und Risiko. Ein Pilot mit wenigen Stationen zeigt, welche Felder häufig fehlen, wie viele Nachkorrekturen nötig sind und ob sich die Bearbeitungszeit tatsächlich verringert.

Besondere Aufmerksamkeit verdient die Datenqualität. Abkürzungen, handschriftliche Notizen, Mischformen aus Deutsch und Latein sowie unterschiedliche Schreibweisen erschweren die automatische Verarbeitung. Ein klinisches Informationssystem sollte deshalb nicht nur Text erzeugen, sondern auch die ursprüngliche Fundstelle anzeigen. So lässt sich eine extrahierte Angabe rasch prüfen.

Für sensible Gesundheitsdaten gelten die Datenschutz-Grundverordnung, das jeweilige Landesrecht und die Vorgaben für medizinische Einrichtungen. Zugriffe müssen nach Rolle und Zweck begrenzt sein. Ebenso wichtig sind verschlüsselte Übertragung, getrennte Testdaten und ein Löschkonzept. Werden KI-Systeme als Medizinprodukte eingesetzt, können zusätzlich Anforderungen der europäischen Medizinprodukteverordnung greifen.

Der Erfolg zeigt sich schließlich nicht an der Zahl automatisch gefüllter Felder. Aussagekräftiger sind weniger Suchzeit, vollständigere Akten, geringere Nacharbeit und eine bessere Übergabe zwischen Berufsgruppen. Wenn diese Werte über mehrere Monate stabil bleiben, wird aus einem digitalen Helfer ein tragfähiger Baustein der klinischen Verwaltung.

Personalisierte Behandlungspläne durch die Analyse von Patientendaten

Personalisierte Behandlungspläne nutzen viele einzelne Hinweise zugleich. Dazu gehören Laborwerte, Vorerkrankungen, Medikamente, Allergien, genetische Merkmale, Bildbefunde und der bisherige Therapieverlauf. Ein KI-System kann diese Angaben zusammenführen und prüfen, welche Behandlung zu einem bestimmten Risikoprofil passen könnte.

In der Onkologie vergleichen Modelle etwa Tumormerkmale mit früheren Therapieverläufen und medizinischen Leitlinien. Daraus kann eine Liste möglicher Optionen entstehen, geordnet nach erwartbarem Nutzen und bekannten Risiken. Bei chronischen Erkrankungen lassen sich zudem Verlaufsmuster erkennen: Verschlechtert sich ein Wert trotz Therapie, kann das einen früheren Termin oder eine Anpassung der Behandlung anstoßen.

Auch die Dosierung kann von einer individuellen Analyse profitieren. Alter, Körpergewicht, Nierenfunktion und weitere Medikamente beeinflussen, wie ein Wirkstoff vertragen wird. Ein System kann kritische Kombinationen markieren oder auf eine ungewöhnliche Dosierung hinweisen. Es gibt damit einen Prüfimpuls, aber keine automatische Freigabe für die Verordnung.

Besonders nützlich ist die zeitliche Betrachtung. Ein einzelner Messwert sagt oft wenig aus. Mehrere Werte über Wochen oder Monate zeigen dagegen, ob eine Therapie wirkt, stagniert oder unerwünschte Folgen hat. Eine übersichtliche Verlaufskurve kann im Arztgespräch mehr bringen als viele verstreute Einzelangaben.

• Ausgangslage erfassen: Diagnose, Beschwerden, Ziele und bisherige Therapien werden zusammengeführt.
• Optionen vergleichen: Leitlinien, Kontraindikationen und relevante Patientendaten fließen in die Bewertung ein.
• Risiken markieren: Wechselwirkungen oder auffällige Werte erscheinen als gezielte Hinweise.
• Plan dokumentieren: Begründung, Zielwerte und Kontrolltermine werden nachvollziehbar festgehalten.
• Verlauf auswerten: Neue Befunde zeigen, ob der Plan angepasst werden muss.

Ein konkreter Vorteil entsteht bei seltenen Erkrankungen. Das System kann große Mengen medizinischer Literatur durchsuchen und passende Fallmerkmale hervorheben. Dadurch findet ein Behandlungsteam womöglich einen Hinweis, der bei einer rein manuellen Suche verborgen bleibt. Die Qualität hängt jedoch davon ab, ob die verwendeten Daten vielfältig genug sind. Fehlen bestimmte Altersgruppen, Ethnien oder Krankheitsverläufe, kann die Empfehlung ungleich ausfallen.

Für die Praxis sollte jede Empfehlung mit ihrer Begründung und den verwendeten Datenmerkmalen angezeigt werden. Ein bloßer Risikowert reicht nicht. Ärztinnen und Ärzte müssen erkennen können, welche Information den Ausschlag gab und wie sicher die Aussage ist. Bei widersprüchlichen Befunden braucht es außerdem eine klare Kennzeichnung statt einer scheinbar präzisen Antwort.

Die Einbindung in klinische Abläufe entscheidet über den Erfolg. Empfehlungen müssen dort erscheinen, wo die Behandlung geplant wird, und dürfen nicht in einem getrennten Programm verschwinden. Ebenso sollte festgehalten werden, ob ein Vorschlag übernommen, verändert oder verworfen wurde. Diese Rückmeldung verbessert den Ablauf und schafft eine belastbare Dokumentation.

Für Hochrisiko-KI im Gesundheitsbereich sieht die EU-KI-Verordnung strenge Anforderungen vor. Dazu zählen unter anderem Risikomanagement, Datenqualität, technische Dokumentation, Protokollierung und menschliche Aufsicht. Wird ein System als Medizinprodukt eingesetzt, kommen je nach Zweck weitere Prüfungen hinzu.

Der Nutzen eines personalisierten Plans zeigt sich nicht daran, wie technisch das System wirkt. Entscheidend sind bessere Therapieentscheidungen, weniger vermeidbare Wechselwirkungen und eine klarere Abstimmung zwischen den beteiligten Fachbereichen. KI kann dafür wertvolle Hinweise liefern – die Verantwortung für Diagnose und Behandlung bleibt im klinischen Prozess.

KI bei der Entwicklung von Antibiotika gegen resistente Bakterien

Die Entwicklung neuer Antibiotika beginnt heute oft mit der Suche nach geeigneten Wirkstoffkandidaten. KI-Modelle durchsuchen dafür große Sammlungen chemischer Verbindungen und schätzen, welche Moleküle das Wachstum resistenter Bakterien hemmen könnten. Im Labor werden anschließend nur ausgewählte Treffer geprüft. Das verkürzt die Vorauswahl deutlich.

Ein bekanntes Beispiel ist halicin. Forschende nutzten ein maschinelles Lernmodell, um vorhandene Wirkstoffe nach antibakteriellen Eigenschaften zu durchsuchen. Das Modell identifizierte einen Kandidaten, der in präklinischen Untersuchungen unter anderem gegen Acinetobacter baumannii wirksam war. Die Studie erschien 2020 in Cell und gilt als frühes Signal für den Einsatz von KI bei der Wirkstoffsuche.

Auch gegen MRSA, also methicillinresistente Staphylococcus-aureus-Bakterien, kann die Methode helfen. Modelle vergleichen Molekülstrukturen, Zellziele und bekannte Resistenzmechanismen. Sie suchen dabei nicht nur nach Stoffen, die Bakterien abtöten, sondern auch nach Wirkstoffen, die deren Vermehrung oder bestimmte Schutzmechanismen bremsen.

Der Ablauf besteht meist aus mehreren Stufen:

• Datenaufbau: Wirksamkeit, Toxizität und chemische Struktur bekannter Stoffe werden zusammengeführt.
• Modelltraining: Das System lernt Beziehungen zwischen Molekülmerkmalen und Laborergebnissen.
• Kandidatensuche: Neue oder bereits bekannte Substanzen werden nach Erfolgschancen geordnet.
• Laborprüfung: Die besten Treffer werden mit Bakterienkulturen und weiteren Tests untersucht.
• Weiterentwicklung: Die Ergebnisse fließen zurück und verbessern die nächste Auswahlrunde.

Ein zweiter Ansatz betrifft die Kombination verschiedener Wirkstoffe. KI kann vorhersagen, welche Paare oder Kombinationen sich ergänzen könnten. Das ist interessant, weil Bakterien gegen eine einzelne Substanz oft leichter Resistenzen entwickeln. Eine Kombination muss jedoch im Labor zeigen, dass sie wirklich stärker wirkt und keine zusätzlichen Risiken erzeugt.

Die größten Hürden liegen in der Übertragbarkeit. Ein gutes Modell liefert zunächst nur eine Hypothese. Ein Molekül kann im Reagenzglas wirksam sein, aber im Körper schlecht aufgenommen werden, zu schnell abgebaut werden oder gesunde Zellen schädigen. Erst Zelltests, Tierstudien und klinische Prüfungen zeigen, ob daraus ein zugelassenes Arzneimittel entstehen kann.

Für die Forschung ist außerdem die Qualität der Datensätze entscheidend. Ergebnisse aus verschiedenen Laboren sind nicht immer direkt vergleichbar. Unterschiedliche Bakterienstämme, Messverfahren und Konzentrationen können das Modell in die falsche Richtung lenken. Deshalb sollten Datensätze Herkunft, Testbedingungen und Unsicherheiten klar ausweisen.

Der Bedarf ist groß: Die Weltgesundheitsorganisation führt antimikrobielle Resistenzen als erhebliche globale Gesundheitsgefahr. KI ersetzt dabei weder Mikrobiologie noch klinische Forschung. Sie verschiebt aber den Engpass. Statt Millionen Moleküle blind zu testen, können Forschungsteams ihre Laborarbeit auf begründete Kandidaten konzentrieren.

Redaktionelle Medienproduktion mit Bildern, Audio und Videos aus Eingabedaten

Redaktionen können aus vorhandenem Material schnell unterschiedliche Medienformate entwickeln. Ein Textbriefing liefert etwa ein Titelbild, kurze Social-Media-Motive oder eine animierte Erklärsequenz. Ein Interview kann als Untertitel, Audiogramm und Kurzvideo erscheinen. Der Vorteil liegt im Formatwechsel innerhalb eines bestehenden Produktionsablaufs, nicht in der bloßen Menge automatisch erzeugter Dateien.

Bei Bildern arbeitet die Redaktion mit präzisen Vorgaben zu Motiv, Perspektive, Licht, Seitenverhältnis und Bildsprache. Besonders geeignet sind Illustrationen für Themen, zu denen kein eigenes Bildmaterial vorliegt. Für Nachrichten, Dokumentationen und Personenporträts bleibt echtes Ausgangsmaterial meist unverzichtbar. Eine künstlich erzeugte Szene darf nicht den Eindruck erwecken, sie zeige ein reales Ereignis.

Audioanwendungen erzeugen aus Skripten Sprachfassungen, kürzen O-Töne oder passen Lautstärke und Pausen an. So kann ein Beitrag zusätzlich als Podcast, Audiobeitrag oder barriereärmere Version erscheinen. Bei synthetischen Stimmen muss die redaktionelle Nutzung transparent bleiben. Die Stimme einer realen Person darf nicht ohne deren Einwilligung nachgebildet werden.

Aus einem längeren Beitrag entstehen zudem kurze Videovarianten für verschiedene Kanäle. Systeme können passende Bildausschnitte wählen, Untertitel einfügen und das Format für Hoch- oder Querformat anpassen. Für Nachrichtenclips ist eine feste Zuordnung hilfreich:

• Originalquelle und Bearbeitung getrennt speichern
• Bildrechte und Nutzungsumfang dokumentieren
• Untertitel auf Namen, Zahlen und Fachbegriffe prüfen
• Generierte Szenen klar von dokumentarischen Aufnahmen trennen
• Versionen für Website, App und soziale Netzwerke kennzeichnen

Ein effizienter Workflow beginnt mit einem geprüften Ausgangstext und einer eindeutigen Medienliste. Danach erzeugt das System Varianten, nicht aber automatisch die veröffentlichungsfertige Endfassung. Schnitt, Timing und Bildauswahl brauchen redaktionelle Entscheidungen. Gerade bei kontroversen Themen kann eine kleine Veränderung im Bild oder in der Musik die Aussage stark verschieben.

Für die Rechteklärung gilt: Ein frei zugängliches Bild ist nicht automatisch frei nutzbar. Das betrifft auch Trainingsdaten, Stimmen, Musik und Marken. Redaktionen sollten Herkunft, Lizenz, Bearbeitung und Veröffentlichungsort in einem Medienprotokoll festhalten. Das schafft Ordnung, wenn später eine Quelle nachgewiesen oder eine Datei entfernt werden muss.

Der EU AI Act sieht für bestimmte künstlich erzeugte oder manipulierte Inhalte Transparenzpflichten vor. Besonders relevant sind realistisch wirkende Bild-, Ton- und Videoinhalte. Eine kurze Kennzeichnung wie „synthetisch erzeugt“ oder „mit KI bearbeitet“ kann Missverständnisse vermeiden. Bei journalistischen Inhalten sollte sie gut sichtbar und verständlich sein.

Den Erfolg messen Medienhäuser nicht allein an eingesparten Produktionsstunden. Wichtiger sind auch Korrekturaufwand, Publikumsvertrauen, Abrufzahlen je Format und die Zahl rechtlicher Rückfragen. Ein etwas langsamerer, sauber dokumentierter Prozess ist langfristig oft die bessere Wahl.

Datenanalyse für übersichtliche Berichte und bessere redaktionelle Entscheidungen

Redaktionen gewinnen durch Datenanalyse vor allem dann Zeit, wenn viele Einzelinformationen in kurzer Frist einzuordnen sind. KI kann Tabellen bereinigen, Spalten zusammenführen, auffällige Werte markieren und aus umfangreichen Datensätzen eine verständliche Arbeitsgrundlage erstellen. Das ist besonders nützlich bei Haushaltszahlen, Wahlergebnissen, Umfragen, Unternehmensdaten oder Reichweitenberichten.

Ein typischer Ablauf beginnt mit der strukturellen Prüfung. Das System erkennt etwa unterschiedliche Schreibweisen, fehlende Werte oder uneinheitliche Datumsformate. Danach lassen sich Kennzahlen berechnen und Entwicklungen sichtbar machen. Aus einer langen Tabelle entsteht so beispielsweise eine Übersicht mit den stärksten Veränderungen nach Region, Zeitraum oder Bevölkerungsgruppe.

Für investigative Recherchen kann KI große Dokumentbestände vorsortieren. Rechnungen, Protokolle oder Anträge lassen sich nach Namen, Beträgen, Orten und Zeiträumen durchsuchen. Verbindungen zwischen Dokumenten werden dadurch schneller sichtbar. Die eigentliche Recherchefrage bleibt jedoch eine redaktionelle Aufgabe: Eine statistische Auffälligkeit ist noch kein Beleg für Fehlverhalten.

Besonders hilfreich sind verständliche Ausgaben für unterschiedliche Ressorts. Ein Datensatz kann als Kurzbriefing für die Chefredaktion, als Diagramm für die Online-Redaktion oder als Fragenliste für ein Interview dienen. Dabei sollte jede Zahl mit Zeitraum, Einheit und Datenquelle erscheinen. Ohne diesen Kontext wirkt selbst ein korrekter Wert schnell irreführend.

• Datenherkunft: Quelle, Erhebungsmethode und Veröffentlichungsdatum festhalten.
• Bereinigung: Fehlende, doppelte oder widersprüchliche Einträge sichtbar markieren.
• Berechnung: Formeln und Filter so dokumentieren, dass sie nachvollziehbar bleiben.
• Darstellung: Diagramme nicht überladen und Achsen klar beschriften.
• Prüfung: Stichproben mit dem Originaldatensatz vergleichen.

Ein häufiger Fehler ist die Verwechslung von Korrelation und Ursache. Steigen etwa sowohl Mietpreise als auch Pendlerzahlen, erklärt das allein noch keinen Zusammenhang. Die Analyse kann eine spannende Spur liefern. Für die Veröffentlichung braucht es zusätzliche Quellen, Fachstimmen und eine Prüfung der Erhebungsgrenzen.

Auch sprachliche Zusammenfassungen müssen eng an den Daten bleiben. Ein System sollte nicht aus einem kleinen Anstieg einen „dramatischen Trend“ machen. Besser sind konkrete Angaben: „Der Anteil stieg von 18 auf 21 Prozent zwischen 2022 und 2025.“ So bleibt die Aussage überprüfbar.

Für die redaktionelle Planung lassen sich Datenanalysen mit Themenlisten verbinden. Welche Regionen wurden bisher selten berücksichtigt? Welche Entwicklung weicht vom nationalen Muster ab? Wo fehlen aktuelle Werte? Solche Fragen führen oft zu neuen Recherchen, statt nur bekannte Meldungen schneller aufzubereiten.

Als Arbeitsumgebung eignen sich je nach Aufgabe Tabellenprogramme, Datenbanken oder Analyseplattformen. Ein verbreiteter Ansatz ist die Kombination aus Python für reproduzierbare Berechnungen und Datawrapper für publikumsnahe Grafiken. Entscheidend bleibt, dass Rohdaten, Bearbeitungsschritte und finale Grafik getrennt archiviert werden.

Der Nutzen lässt sich an konkreten Ergebnissen prüfen: kürzere Analysezeiten, weniger Rechenfehler, mehr geprüfte Datensätze und zusätzliche Geschichten aus bereits vorhandenen Quellen. Gute Datenanalyse ersetzt den Journalismus nicht. Sie macht verborgene Muster sichtbar und gibt der Redaktion bessere Fragen an die Hand.

Fazit: Geeignete Anwendungsfälle auswählen und Fachwissen einbinden

Erfolgreiche KI-Projekte beginnen nicht mit dem modernsten Modell, sondern mit einer klar umrissenen Aufgabe. Der passende Anwendungsfall liefert einen messbaren Nutzen, hat verfügbare Daten und lässt sich in den bestehenden Arbeitsablauf einfügen. Ein kleiner, gut abgegrenzter Prozess ist dafür meist ergiebiger als ein großes Vorhaben mit unklarer Zielsetzung.

Die Praxisbeispiele zeigen unterschiedliche Stärken: strukturierte Inhalte lassen sich skalieren, Bilder können geprüft, Dialoge vorsortiert und komplexe Datensätze schneller erschlossen werden. Daraus folgt keine Einheitslösung. Entscheidend ist die Passung zwischen Aufgabe, Fehlerrisiko, Datenqualität und Fachbereich.

• Nutzen festlegen: Vor dem Start definieren, welche Zeit, Kosten oder Qualitätskennzahl sich verändern soll.
• Risiko einordnen: Je näher eine Anwendung an Gesundheit, Sicherheit oder finanziellen Entscheidungen liegt, desto strenger müssen Prüfung und Freigabe sein.
• Verantwortung klären: Zuständigkeiten für Daten, Ergebnisse, Rechte und Beschwerden schriftlich festhalten.
• Ergebnis belegen: Vorher-nachher-Werte, Fehlerraten und Rückmeldungen über einen festen Zeitraum vergleichen.
• Grenzen benennen: Mitarbeitende brauchen klare Regeln dafür, wann ein Ergebnis nicht verwendet werden darf.

Fachwissen bleibt dabei kein Zusatz, sondern der wichtigste Filter. Eine Ärztin beurteilt klinische Hinweise, ein Ingenieur kennt kritische Bauteiltoleranzen und eine Redaktion erkennt fehlende Einordnung. Diese Perspektiven verhindern, dass ein technisch plausibles Ergebnis vorschnell als richtig gilt.

Auch die Auswahl des Systems sollte sachlich erfolgen. Neben Genauigkeit zählen Schnittstellen, Protokollierung, Kosten, Sprachqualität, Datenstandort und Kündigungsbedingungen. Ein Modell, das im Versuch glänzt, kann im Alltag dennoch scheitern, wenn es sich nicht in die vorhandene Software einfügt oder wichtige Datenformate nicht unterstützt.

Für redaktionelle Anwendungen sind außerdem Urheberrecht, Persönlichkeitsrechte und Transparenz zu berücksichtigen. Bei realistisch wirkenden synthetischen Inhalten können Kennzeichnungen nach dem EU AI Act erforderlich sein. Wer KI einsetzt, sollte deshalb nachvollziehbar dokumentieren, wo sie beteiligt war und welche redaktionellen Schritte danach erfolgten.

Mein Fazit fällt nüchtern aus: KI ist besonders stark bei wiederholbaren Aufgaben, großen Informationsmengen und klaren Entscheidungshilfen. Sie ist schwächer, wenn Kontext fehlt, Verantwortung schwer wiegt oder eine originäre Bewertung gefragt ist. Wer diesen Unterschied ernst nimmt, verbindet technische Möglichkeiten mit beruflicher Erfahrung und macht aus einem kurzen Trend ein belastbares Werkzeug.