Diese Fallstudie untersucht eine Strategie, um einen personalintensiven Qualitätsvalidierungsprozess in einem medizinischen Analyselabor durch KI-gestützte Validierung zu ersetzen. Wir verfolgen konkrete Implementierungsschritte und zeigen, wie die KI-Implementierung auf strategischer Ebene gehandhabt wurde – durch die Einführung notwendiger Kontrollen und die Ausrichtung an den Bedürfnissen der Stakeholder.
Diese Fallstudie zur Strategie der KI-Implementierung wurde auf der OOP 2026-Konferenz in München präsentiert. Kontaktieren Sie unser Team, um zu erfahren, wie die BSC Designer-Plattform Organisationen dabei unterstützt, KI-Strategien zu steuern und sie mit den übergeordneten Unternehmenszielen in Einklang zu bringen.
Unternehmensprofil
Diese Fallstudie untersucht ein privates Labor, das auf medizinische Analyse spezialisiert ist und über ein nationales Netzwerk angeschlossener Labore verfügt.
- Das Labor verarbeitet in seinem Netzwerk täglich etwa 80.000 Tests.
- Es betreibt ein eigenes IT-System, das verschiedene Laborgeräte miteinander verbindet, einschließlich derjenigen, die für Diagnostik und klinische Tests verwendet werden.
Erste Analyse
Die erste Analyse umfasste die Identifizierung von Stakeholdern, die Kostenkartierung, die Definition von Qualitätsbenchmarks und die Bewertung von Fähigkeitslücken.
Stakeholder-Analyse
Der Ausgangspunkt bestand darin, die Stakeholder und ihre Bedürfnisse zu identifizieren:
- Die Herausforderung der Qualitätsvalidierung betraf in erster Linie interne Qualitätsspezialisten. Ihre Bedürfnisse wurden in Bezug auf die durchschnittlichen monatlichen Stunden quantifiziert, die für die manuelle Qualitätsanalyse aufgewendet wurden.
- Weitere Stakeholder wurden aufgrund von gesetzlichen Verpflichtungen identifiziert. Ihre Interessen umfassten die fortgesetzte Existenz eines dokumentierten und nachvollziehbaren Validierungsprozesses. In Bezug auf die KI-Verarbeitung verlangten Vorschriften, dass medizinische Daten im Land des Betriebs verarbeitet werden.
- Höhere Stakeholder erwarteten eine erhöhte Geschwindigkeit, reduzierte Kosten und Fehlerquoten, die den aktuellen Niveaus entsprechen oder diese verbessern.
Kostenabbildung
Nach der Stakeholder-Analyse wurden direkte und indirekte Kosten abgebildet. Dazu gehörten die Gehälter der Qualitätsspezialisten (basierend auf der für die Validierung aufgewendeten Zeit) und die damit verbundenen Management-Overheads.
Umfang der Implementierung
Der Umfang der Implementierung wurde definiert, um Bereiche klar zu unterscheiden, in denen KI-Implementierung machbar war, und wo im Gegensatz dazu traditionelle Softwareautomatisierung die bevorzugte Wahl war.
Qualitätsbenchmarks
Um Verbesserungen zu verfolgen, wurden Qualitätsbenchmarks definiert. Die Ausgangsbasis war die aktuelle Fehlerrate der menschlich geführten Validierung, die mit der zukünftigen KI-gestützten Leistung verglichen werden sollte.
Fähigkeiten und Infrastruktur-Lücken
Fähigkeitslücken wurden sowohl im Entwicklungsteam als auch unter den menschlichen Qualitätskontrolleuren identifiziert.
Die bestehende IT-Infrastruktur wurde überprüft und auf ihre Eignung zur Unterstützung von KI-gesteuerten Automatisierungsaufgaben validiert.
Implementierungsstrategie
Die identifizierten Herausforderungen, Erfolgskriterien und Handlungsrichtungen wurden mithilfe einer Balanced Scorecard-Strategie-Karte abgebildet.
Implementierung
Plattform für Strategische Aufsicht
Angesichts der Unsicherheiten der neuen Technologie folgte die KI-Implementierung einem strategischen, experimentellen Ansatz anstelle eines festen Plans. Die BSC Designer Plattform, die bereits für die allgemeine Strategieimplementierung verwendet wird, wurde als Hauptwerkzeug zur Verfolgung des Erfolgs der KI-Implementierung übernommen.
Definition Der Sicherheitsregeln
Eine grundlegende Anforderung des KI-Validierungssystems war die Aufnahme von Sicherheitsregeln, die die KI daran hinderten, Themen anzusprechen, die eine menschliche Bestätigung erforderten.
Um die grundlegende KI-Funktionalität zu validieren, wurden Selbsttests mit bekannten Fällen eingeführt.
Phasen der Implementierung
Um eine kontrollierte Wertschöpfung für die Stakeholder sicherzustellen, wurde die Implementierung in diese Schritte unterteilt.
Testphase
- Vorbereiten und Anonymisieren von Daten; dazu gehörte die Umwandlung bestehender Schwellenwerte und Maßeinheiten in ein strukturiertes JSON-Format.
- Einführung eines initialen Lernzyklus, bei dem Entwickler die KI-Validierung (für Benutzer nicht sichtbar) mit der menschlichen Validierung verglichen.
- Entwerfen von Steuerungen, die es menschlichen Bedienern ermöglichen, KI-Anweisungen zu aktualisieren.
- Erstellen eines zweiten Lernzyklus, der direkte Anpassungen der Eingabeaufforderungen durch menschliche Bediener ermöglicht.
Skalierungsphase
- Erweiterung des Datenumfangs, um der KI zu ermöglichen, ein breiteres Spektrum an Anomalien zu erkennen.
- Optimierung der KI-Geschwindigkeit, indem zuerst die Aufgabe identifiziert und nur aufgabenrelevantes Wissen geladen wird.
- Neustrukturierung von Prozessen mit einer KI-zentrierten Denkweise, wobei der Übergang von der aktuellen Datenanalyse zur Einbeziehung historischer Daten erfolgt.
KI-Governance und strategische Ausrichtung
Um eine ordnungsgemäße KI-Governance sicherzustellen, wurden mehrere zusätzliche Kontrollen eingeführt:
- Quantifizierte Ergebnisse aus menschlicher Aufsicht und automatisierten Tests wurden automatisch an das KI-Dashboard weitergeleitet.
- Monatliche Überprüfungen und Refactoring von KI-Prompts, die von menschlichen Bedienern geändert wurden.
- Vierteljährliche Überprüfungen typischer Fehlermuster und Missverständnisse zur Verbesserung des Lernprozesses der KI.
Ergebnisse
Das KI-System reduzierte die Gesamtfehlerrate im Vergleich zur menschlichen Validierung um den Faktor 10.
Operative Ergebnisse
- In 90 % der Fälle erfolgte die Validierung nahezu sofort, wodurch eine durchschnittliche Wartezeit von 5 Stunden, die mit menschlicher Validierung verbunden ist, entfiel.
- Ungefähr 5 Vollzeitäquivalente (FTE) Ärzte wurden von der Routineanalyse im Hauptlabor entlastet, und 2 FTE in jeder Zweigstelle.
Innovationen
- Das Erweitern des KI-Kontextes mit analytischen und klinischen Verlaufsdaten ermöglichte die Erkennung zuvor nicht identifizierbarer Fälle, von denen einige später in der wissenschaftlichen Literatur referenziert wurden.
- Die kontinuierlichen Lernbemühungen der Organisation wurden durch strukturierte Lernschleifen mit messbaren KPIs unterstützt.
Angst vor Arbeitsplatzverlust
Zwar war eine gewisse negative Wahrnehmung aufgrund der Angst vor Arbeitsplatzverlust zu erwarten, jedoch traten keine tatsächlichen Fälle auf. Dies könnte auf den routinemäßigen Charakter der Validierungsaufgabe zurückzuführen sein. Kreative Urteile und endgültige Entscheidungen blieben in menschlicher Hand, da unklare Fälle weiterhin menschliche Aufsicht erforderten.
KI-Governance
- Etablierte Kontrollen halfen, Risiken zu quantifizieren und eine effektive Minderung zu gewährleisten.
- Die Leistungsberichterstattung wurde durch geplante Berichte automatisiert.
- Interessensvertreter hatten klare Einblicke in die KI-Implementierung und -Betrieb.
Strategische Ausrichtung
Ausgaben von spezifischen Zielen wurden als Frühindikatoren in anderen Scorecards verwendet. Zum Beispiel wurden Fehlerquotendaten in Qualitätssicherungs-Scorecards integriert, während die Leistung der Lernschleife in HR-Scorecards einfloss.
Markenwirkung
Die erfolgreiche Implementierung, strategische Ausrichtung und KI-gesteuerte Anomalieerkennung positionierten das Management des Labors als führend in Innovation in ihrem Bereich.
Schlussfolgerungen
Die Implementierung von KI ist ein Beispiel für digitale Transformation durch die Einführung disruptiver Technologie. Ihr Erfolg hängt davon ab, die Bedürfnisse der Interessensvertreter genau zu verstehen und geeignete Kontrollen einzurichten, um eine kontinuierliche Überwachung von Qualität und Lernen sicherzustellen.
- Das BSC-Designer-Team schuf Mehrwert durch strategische Beratung – indem es technische Implementierungsanforderungen mit Best Practices in der KI-Governance und der übergreifenden strategischen Ausrichtung in Einklang brachte.
- Spezifische Aufsichtskontrollen wurden über die BSC-Designer-Plattform automatisiert und unterstützen die kontinuierliche Überwachung und das Lernen.
Mehr erfahren über unseren strategieorientierten Ansatz zur KI-Implementierung.
Alexis Savkin ist Strategiearchitekt und Gründer von BSC Designer, einer Softwareplattform zur Strategieumsetzung, deren Kern die Balanced Scorecard bildet. Er unterstützt Organisationen dabei, Strategien in messbare Ziele, KPIs und Initiativen zu übersetzen. Alexis ist der Entwickler des Strategy Execution Canvas, Autor von über 100 Artikeln zu Strategie und Leistungsmessung sowie regelmäßiger Redner.