KI-Ethik im Multi-Stakeholder-Umfeld in der Radiologie

KI-Anwendungen in der klinischen Radiologie

Die klinische Medizin ist hochgradig arbeitsteilig organisiert, sowohl im Sinne einer sequenziellen, als auch einer parallelen Aufgabenstaffelung zwischen und innerhalb von Facharztgruppen, die jeweils klar definierte Verantwortungsbereiche besitzen. Die Anforderungen, die an den Einsatz von KI-Unterstützungssystemen in diesem Kontext gestellt werden, beziehen sich einerseits auf die technische Fähigkeit der Systeme, eine Vielzahl von Informationen zu erfassen, bewerten, hieraus Schlüsse zu ziehen und diese zu kommunizieren. Angesichts nichtlinearer Verläufe von Erkrankungen müssten sie zulassen, dass neue Informationen zu Neugewichtungen alter Informationen führen.

Derart universelle KI-Systeme gibt es aktuell nicht. Lediglich für Teilaspekte medizinischer Entscheidungsprozesse, etwa die radiologische Anomalie-Detektionen, sind KI-Lösungen im Einsatz [1, 2, 3]. Andererseits unterliegt der Einsatz von KI-Systemen in der Medizin in besonderem Maße ethischen Ansprüchen hinsichtlich der Transparenz, der Erklärbarkeit und der Nachvollziehbarkeit ihres Outputs, die alle für die Interaktion zwischen Medizinern und der KI sowie für das Vertrauensverhältnis zwischen Mediziner und Patient unabdingbar sind [4, 5, 6].

Die Beachtung von ethischen Kriterien bei der KI-Entwicklung führt jedoch nicht automatisch zu Verbesserungen in der medizinischen Versorgung. Zudem werden bei ethischen Abwägungen nicht immer Patienten und medizinisches Personal gleichermaßen berücksichtigt. Das erzeugt ein Spannungsfeld zwischen überwiegend positiv konnotierter Arzt-Assistenz und negativ besetzter Arzt-Konkurrenz. Schon 2018 formulieren Radiologen Befürchtungen bezüglich einer zukünftigen Entscheidungshoheit der KI [7].

Im Rahmen des arbeitswissenschaftlichen Verbundprojekts HUMAINE haben wir den Mehrwert eines integrativen KI-Entwicklungsansatzes für die Anwender- und Patienten-, d. h. für eine human-zentrierte und somit ethische Einführung von KI an radiologischen Arbeitsplätzen untersucht. Als exemplarischer Anwendungsfall bot sich die KI-assistierte Detektion epilepsieverursachender struktureller Anomalien (Läsionen) und damit assoziierter Therapieoptionen in der Magnetresonanz-Tomographie (MRT) von Epilepsiepatienten an (kurz: KI-assistierte Epi-MRT). Er ist an der Schnittstelle von Neuroradiologie und Neurologie/Epileptologie angesiedelt und berührt zahlreiche ethische Aspekte der medizinischen KI/Mensch Co-Kreation.

Rahmenbedingungen ethischer KI in der Radiologie – aktueller Stand und Defizite

Die Detektion epilepsieverursachender Läsionen birgt zahlreiche ethische Abwägungen, die sich anhand der einflussreichen vier ethischen Prinzipien nach Beauchamp und Childress [8] (Fürsorge/Wohltun, Nicht-Schädlichkeit, Autonomie und Gerechtigkeit) veranschaulichen lassen. Das Prinzip Fürsorge/Wohltun steht im Zentrum der Läsionsdetektion, da diese eine hohe therapeutische Relevanz für Patienten hat [9, 10]. Die Detektionsraten durch nicht spezialisierte Radiologen sind bislang jedoch suboptimal, was an fehlender Kenntnis [11] und an einer interdisziplinären Schnittstellenproblematik (fehlende neurologische Fokushypothese) [12] liegt.

Das Prinzip der Nicht-Schädlichkeit ist herausfordernd, insbesondere für Radiologen mit wenig Erfahrung, da die fachlichen Anforderungen an Radiologen hoch sind. Das Spektrum der zu (er-)kennenden Läsionen ist groß, und die Läsionen sind mitunter sehr subtil. Es sind Kenntnisse zu Pathophysiologie und zu interdisziplinären klinischen Konsequenzen der Befunde erforderlich [13, 14].

Das Prinzip der Autonomie wird dann relevant, wenn KI in den etablierten intra-radiologischen und interdisziplinären Workflow eingegliedert werden muss [15–18] und prinzipiell die Gefahr einer Arzt-Konkurrenz durch KI-Anwendungen besteht [7]. Die Unmittelbarkeit und breite Verfügbarkeit KI-generierter Befunde gegenüber deutlich langsamerer ärztlicher Befundung und Kommunikation tragen zu dieser Herausforderung für die Autonomie bei. Das Prinzip der Gerechtigkeit ist u. a. berührt, weil der Zeitaufwand für eine gründliche Auswertung kaum mit der klinischen Arbeitsbelastung vereinbar ist [19] und somit eine KI-Unterstützung mehr Kapazitäten für einen gerechten Zugang zu einer fundierten Diagnostik bieten kann.

Die Integration von KI-Anwendungen in dieses Anwendungsfeld bringt aber noch weitere ethische Anforderungen mit sich, da KI-Systeme selbst bestimmten ethischen Standards genügen müssen und darüber hinaus ethische Aspekte bei der Integration in Arbeitsprozesse und der Patientenversorgung als übergeordnetes Ziel zu berücksichtigen sind. Die Konsensuskriterien FUTURE-AI [6] (Bild 1) wurden von Wissenschaftlern, Medizinern, Ethikern, Sozialwissenschaftlern und Rechtsexperten aus zahlreichen Ländern entwickelt und zeigen Anforderungsprofile für sechs Kernprinzipien auf (Bild 1).

Auf Grundlage dieser ethischen Kernprinzipien der FUTURE-AI-Konsensuskriterien lassen sich zentrale Herausforderungen für die klinische Radiologie feststellen:

• Fairness: Die KI-unterstützte Läsionsdetektion erfordert eine Datengrundlage von hoher Quantität und Qualität. Diese ist im anwendungsfallspezifischen Kontext oft nur schwer zu erreichen, da hohe Standards an Anonymisierung und Datenschutz gestellt werden.
• Universalität: Bislang ist kein Algorithmus in der Lage, alle Läsionsarten gleichermaßen zu erkennen.
• Rückverfolgbarkeit: Die Qualitätskontrolle von KI-Anwendungen fokussiert sich bislang auf die technische Seite [20, 21]. Der Einfluss menschlicher Entscheidungen auf die Qualität der KI-humanen Co-Kreation muss, gemessen an der Groundtruth, aber ebenfalls erfasst werden [22]. Hierfür gibt es erste methodische Vorarbeiten [23], aber noch keine umfassenden Qualitätsmaße.
• Benutzerfreundlichkeit: Die mit der Einführung von KI an radiologischen Arbeitsplätzen seitens der Radiologen einhergehenden Hoffnungen (KI als Assistenz) und Befürchtungen (KI als Konkurrenz) [7, 24, 25] sind für den konkreten Anwendungsfall noch nicht untersucht.
• Robustheit: KI-Anwendungen in der Radiologie müssen eine Toleranz gegenüber schlechten oder fluktuierenden Rahmenbedingungen aufweisen, zu denen technische Bildartefakte, anatomische Varianten und altersabhängige Veränderungen sowie mangelnde oder falsche ärztliche Vorinformationen gehören können. Die Befundungsqualität, z. B. die Anomaliedetektion und abgeleitete klinische Empfehlungen, dürfen hierunter nicht leiden [16].
• Erklärbarkeit: Die Befundung erfolgt durch die klinischen Anwender. Eine KI kann dann unterstützen, wenn sie nachvollziehbare Ausgaben bereitstellt, die den Radiologen in die Lage versetzen, fundierte Befunde und Therapieempfehlungen zu erarbeiten.

Forschungsansatz

Wir haben aus den dargestellten Herausforderungen Entwicklungsmodule abgeleitet, die zur Realisierung eines holistischen, prototypischen Modells einer humanzentrierten KI-assistierten Radiologie inklusive Workflow-Design beitragen sollen und die FUTURE-AI-Kernprinzipien bedienen. Es ist nicht Ziel dieser Arbeit, eine umfassende Lösung für alle Herausforderungen im konkreten Anwendungsfall zu erarbeiten. Der integrierte Ansatz soll jedoch Anregung für zukünftige Entwicklungen sein. Bild 2 zeigt die fünf von einem multiprofessionellen Board, zu dem Arbeitswissenschaftler, Arbeitssoziologen, Ärzte, Computerwissenschaftler, Statistiker und Anbieter radiologischer Kommunikationssysteme (siehe Autorenliste) gehörten, koordinierten Module.

Modul 1: Optimierung der mathematischen Grundlagen der Anomaliedetektion in 3D-MRTs

FUTURE-AI-Kernprinzipien im Fokus: Fairness, Universalität

Wir haben mit dem Spatially Context Aware Transformer (SpyCAT) einen Ansatz zur Detektion kleiner, lokaler Anomalien entwickelt [26], der explizit aus formulierten Modellierungsannahmen abgeleitet ist und die Normalität von MRTs explizit charakterisieren und Anomalien als Abweichung davon identifizieren kann. SpyCAT wurde mittels öffentlich zugänglicher 3D-Daten und anhand von 900 MRTs der Interdisziplinären Epileptologisch-Neuroradiologischen Ambulanz der Ruhr-Epileptologie trainiert. Um Maßgaben der DSGVO zu berücksichtigen, wurde eine neue Defacing-Methode entwickelt und validiert [27].

Die Vorgehensweise führt nicht nur zu einer besseren prädiktiven Genauigkeit gegenüber Vergleichsmethoden, sondern erhöht auch die Universalität im Sinne der Future-AI-Prinzipien. Die Erweiterung des annotierten Trainings um die internationale MELD-Datenbank [28] steht an. Dieses erhöht die Fairness. SpyCAT folgt auch weiteren Future-AI-Prinzipien. Die geringe Bearbeitungsdauer eines MRTs von unter 30 Sekunden pro MRT-Sequenz stärkt beispielsweise die Benutzerfreundlichkeit.

Modul 2: Erweiterung der KI-Annotation um diagnostische und therapeutische Empfehlungen

FUTURE-AI-Kernprinzipien im Fokus: Universalität, Robustheit

Die Ausgabe von befundassoziierten klinischen Empfehlungen setzt voraus, dass diese bereits zum Zeitpunkt des Trainings des KI-Algorithmus eingegeben wurden. In unserem Anwendungsfall haben wir bspw. die Kategorien Ätiologie der Läsion gemäß SNOMED-Klassifikation mit ihrer potentiellen Epileptogenizität verknüpft. Eine Herausforderung ist aber, dass gleiche Läsions-Ätiologien unterschiedliche klinische Konsequenzen haben können, bspw. entscheiden auch die Größe und die Lage einer konkreten Läsion über ihre Operabilität.

Derart erweiterte Annotationen valide in den praktischen Einsatz zu überführen erfordert, aufbauend auf den Ansatz in Modul 1, eine zusätzliche Ebene von maschinellem Lernen inklusive zusätzlichen Daten. Um diese Daten zukünftig zu erhalten, sollten derzeitige Entwicklungen im Bereich multizentrischer konsortialer Strukturen weiterverfolgt werden. Dieses Modul betrifft insbesondere die Prinzipien Universalität, da therapeutische Empfehlungen die Anwendbarkeit erhöhen, und Robustheit, da gerade bei abgeleiteten klinischen Empfehlungen jeglicher Einfluss ungünstiger externer Umstände ausgeschlossen werden muss.

Modul 3: Entwicklung einer Metrik zur Evaluation der Qualität der KI-humanen Befund-Co-Creation

FUTURE-AI-Kernprinzipien im Fokus: Rückverfolgbarkeit, Erklärbarkeit

Eine von uns entwickelte Qualitätskontrolle der KI/humanen Befund-Co-Kreation [29] erweitert die einfache Accuracy-Grundformel Qualität Q = (Groundtruth – Fehler) / Groundtruth um mehrere, optional anzuwendende Komponenten. Die Groundtruth lässt sich variabel definieren (ganze Untersuchungen, einzelne Läsionenarten etc.), zudem können differenziert gewichtete Befundungsachsen inklusive aus Anomalien abgeleiteter klinischer Empfehlungen in das Gesamtergebnis einfließen. Falsch negative und falsch positive Befunde können anwendungsfallgerecht qualitätsmindernd gewertet werden.

Die Metrik lässt die Messung des Effekts von MRT-Fortbildungen und die Evaluation kritischer oder unkritischer Einstellungen von KI-Nutzern gegenüber falsch positiven und negativen KI-Ergebnissen zu. Eine Pilotstudie ergab signifikant bessere Ergebnisse bei KI/humaner Co-Befundung als unter alleiniger menschlicher Befundung. Das entwickelte Vorgehen zur Qualitätskontrolle trägt durch die überprüfbare Metrik dem Prinzip Rückverfolgbarkeit Rechnung. Erklärbarkeit ist über die anwendungsfallspezifische Gewichtung und die transparente Metrik verwirklicht.

Modul 4: Arbeitswissenschaftliche Analyse positiver und negativer Einstellungen von Radiologen zu KI-Assistenz 

FUTURE-AI-Kernprinzipien im Fokus: Benutzerfreundlichkeit, Universalität, Robustheit  

Über einen standardisierten Fragebogen (Wahrnehmung der Mensch-KI-Interaktion sowie kognitive, affektive und behaviorale Akzeptanz) in Verbindung mit Experteninterviews (Interpretation über Grounded Theory [30]) ließen sich die Einstellungen von Radiologinnen und Radiologen zur KI-Assistenz sowie zum eigenen Rollenbild erfassen. Ein (objektiv gegebener) diagnostischer Nutzen und eine Zeitersparnis werden durch KI-Anwendung von Radiologen als positiv erkannt, die unklare Verlässlichkeit von KI-Lösungen und mögliche eigene Verunsicherungen bei der Befundung durch die KI werden hingegen kritisch beurteilt. Der eigene Beitrag zur Befundung wird durch den KI-Einsatz nicht verringert, sofern beide, KI und Radiologen, interaktiv befunden müssen (obligate Befund Co-Kreation).

Ein „Befunddiktat durch die KI“ wird aber mehrheitlich kritisch betrachtet. Positiv wurde vermerkt, dass durch die KI die Zeit für die individuelle Auseinandersetzung mit Patienten zunimmt. Negative Erwartungen waren, dass die Anwendung von KI zu einer weiteren Verdichtung der Arbeit und damit letztlich zu einer verstärkten Belastung führen kann. Wichtig für Radiologen sind ein Gewinn an Freiheit bei der eigenen Arbeitsgestaltung und eine Entlastung bei komplexen diagnostischen Entscheidungen. Insgesamt sehen Radiologen ihr Rollenbild durch KI-Assistenz nicht grundsätzlich infrage gestellt.

Diese Erkenntnisse sind eng mit den FUTURE-AI Prinzipien Benutzerfreundlichkeit (insbesondere die Anforderungen menschzentrierte KI, Nutzerinteraktion, Effizienz), Universalität (vor allem die Anforderungen Anpassbarkeit und Anwendbarkeit) sowie Robustheit (Reduzierung der Angst vor Unzuverlässigkeit der KI-Assistenz) verknüpft.

Modul 5: Radiologische Erwartungen an die KI-Einbettung in den Arbeitsplatz-typischen Workflow

FUTURE-AI-Kernprinzipien im Fokus: Erklärbarkeit, Benutzerfreundlichkeit  

Gemäß den Ergebnissen aus der Interviewstudie (s.o.) hängen Erwartungen von Radiologen bezüglich der Einbettung der KI in den eigenen Workflow von ihrem eigenen Arbeitsplatz, ihrer Funktion bzw. der hierarchischen Position in ihrem Institut/ihrer Klinik sowie weiteren persönlichen Kriterien ab. Daher sind grundsätzlich individuelle Arbeitsplatzbetrachtungen anzustellen.

Daneben gibt es jedoch allgemeingültige Kriterien für Nutzerakzeptanz im radiologischen Anwendungsfall. Sie umfassen z. B. eine begleitete und interaktive KI-Einführung am Arbeitsplatz, Erwartungen an die KI-Analysegeschwindigkeit, die Möglichkeit der Eingabe klinischer Informationen in die KI, die Bereitstellung abgeleiteter Empfehlungen seitens der KI, die Angabe der KI bzgl. der Korrektheits-Wahrscheinlichkeit von Ergebnissen und die Präsentation alternativer Befunde und die Hilfe der KI bei der Befundformulierung.

Das FUTURE-AI-Prinzip Erklärbarkeit steht hier im Zentrum, da sowohl die Bereitstellung von Empfehlungen als auch der Wunsch nach Eingabe klinischer Informationen eine transparente Mensch-KI-Schnittstelle erforderlich machen. Zudem wird das Prinzip Benutzerfreundlichkeit in Form von interaktiven Elementen sowie einer effizienten Bedienbarkeit adressiert.

Prototypisches HUMAINE-Modell einer humanzentrierten, KI-assistierten Radiologie

Die Erkenntnisse aller Module fließen als integrierte Technologie- und Arbeitsgestaltung in ein HUMAINE-Modell zur humanzentrierten, KI-assistierten Radiologie ein (Bild 2). Die Grunderwartung ist, dass das resultierende Modell der humanzentrierten radiologischen KI allen Erwartungen entspricht, wenn es in der Modul-Phase gelingt, die Interessen der Stakeholder und alle relevanten ethischen Kriterien zu berücksichtigen und positiv zu evaluieren. Eine Evaluation des Erreichens anwendungsspezifischer, konsentierter Ziele inklusive einer globalen ethischen Verbesserung steht noch aus.

Ausblick auf das Transferpotenzial für andere Anwendungsfälle und Kontexte

Der von uns bearbeitete Anwendungsfall „KI-assistierte Epi-MRT“ präsentiert zahlreiche Anforderungen, die auch in anderen Indikationsgebieten an die moderne Radiologie und an die in ihr arbeitenden Menschen gestellt werden. Daher gehen wir davon aus, dass sich ein Großteil der hier gewonnenen Erkenntnisse auf andere radiologische Anwendungsfälle übertragen lässt. 

Die Erwartung, dass KI-Anwendungen sowohl qualitativ als auch quantitativ nutzbringend sein können, ist indikationsübergreifend groß [31]. Wir gehen davon aus, dass der von uns vorgeschlagene modulare Ansatz zur Entwicklung arbeitsplatz-spezifischer, humanzentrierter KI-Anwendungen in allen Bereichen der Medizin die KI-Akzeptanz erhöhen und zum Erzielen besserer Ergebnisse beitragen kann. In diesem Zusammenhang eignen sich die FUTURE-AI-Konsensus-Kriterien zur Überprüfung zahlreicher ethischer Erwartungen an eine humanzentrierte klinische KI, sowohl aus der Sicht der KI-Anwender als auch der von ihr „betroffenen“ Patienten. Die Erwartung eines Mehrwerts sollte für alle KI-Beteiligten gelten.

Erweitert man den Kreis potenzieller Profiteure auch auf das Gesundheitssystem oder auf Stakeholder, die in der aktuellen Betrachtung nicht im Zentrum standen (wie z. B. die Hersteller und Betreiber von radiologischer Hard- und Software und Kommunikationsinfrastruktur), müssen ggf. andere oder weitere Module definiert werden als die hier exemplarisch angewendeten Module. Mit dem Verweis auf Hersteller und Betreiber ist eine Brücke zur KI-Anwendung in der Industrie und der Verwaltung geschlagen. Dortige Arbeitsabläufe können ähnlich komplex wie in der Medizin sein.

Auch dort gibt es unterschiedliche, mitunter widersprüchliche Stakeholder-Interessen. Wir regen an, das hier vorgestellte Prinzip der in Module untergliederten, humanzentrierten KI-Entwicklung und -Anwendung inkl. der an den jeweiligen Anwendungsfall angepassten qualitativen und ethischen Validierung auch dort zu erproben. Es ist jedoch gut möglich, dass dort andere ethische Kataloge besser anwendbar sind [4, 32] als im aktuellen klinischen Anwendungsfall.

Das arbeitswissenschaftliche Verbundprojekt HUMAINE wird durch das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) FKZ 02L19C200 gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.

Das könnte Sie auch interessieren

Manuelle Abläufe in der Automobilproduktion optimieren Bausteinbasierter Ansatz zur effizienten Erstellung von Arbeitssystemsimulationen Barbara Brockmann, Tobias Jurk, Beate Stoffels, Jochen Deuse

Im produzierenden Gewerbe gewinnt die Integration digitaler Menschmodelle im Produktentstehungs- und Herstellungsprozess zunehmend an Bedeutung. Besonders in der Montage, die durch einen hohen Anteil manueller Tätigkeiten geprägt ist, ermöglichen Bewegungssimulationen eine realitätsnahe Abbildung menschlicher Arbeit und leisten damit einen wesentlichen Beitrag zur bewegungsökonomischen Bewertung, Prozessabsicherung und Effizienzsteigerung. Der breiten Anwendung in der Produktionsplanung stehen jedoch verschiedene Herausforderungen wie der hohe Initialaufwand zur Erstellung der Humansimulation als auch volatile Planungsbedingungen gegenüber. Dieser Beitrag stellt einen praxisorientierten Lösungsansatz aus der Automobilmontage vor, der eine aufwandsreduzierte Erstellung von Simulationen sowie deren frühzeitige und durchgängige Nutzung im Planungsprozess ermöglicht.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 48-55

KI-gestützte Beölungsstrategien beim Gewindeformen Adaptive Sprühstrahlsteuerung zur Erhöhung von Prozesssicherheit und Werkzeugstandzeit Reinhard Schmied, Marco Susic, Christian Donhauser

Das Gewindeformen erfordert eine präzise Schmierstoffapplikation, da hohe Flächenpressungen und lokale Temperaturspitzen die Werkzeugbelastung erheblich beeinflussen. Aktuelle Sprüh- und Minimalmengenschmierungssysteme (MMS) weisen trotz etablierter Technik häufig Streuverluste, unzureichende Benetzung und instabile Tropfendynamik auf. Diese wissenschaftliche Betrachtung beinhaltet und untersucht einen integrativen Ansatz zur adaptiven Präzisionsbeölung beim Gewindeformen, der auf Computational Fluid Dynamics (CFD)-basierter Strömungsanalyse, experimenteller Validierung und Künstliche Intelligenz (KI)-gestützten Optimierungsverfahren basiert. Im Fokus stehen Tropfengröße, Strahlgeometrie, Düsenposition und Umgebungsströmung sowie deren Einfluss auf die Benetzungsintensität. Erste simulationsgestützteVoruntersuchungen zeigen das Potenzial einer datenbasierten Optimierung zur Reduktion von Benetzungsdefiziten und zur Auslegung künftiger Regelstrategien für eine ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 76-83

SmartBending: Inline-Messtechnik zur Prozesskorrektur Inline-Prozessoptimierung zur Fehlerkorrektur beim Schwenkbiegen Christian Donhauser , Reinhard Schmied, Marco Susic

Schwenkbiegen ist ein etabliertes Umformverfahren, bei dem Materialverlust vermieden und Ressourcen effizient genutzt werden. Der Prozess erfordert jedoch aufwändige Optimierungen, die bisher stark vom Fachwissen der Bediener abhängen. Dies führt zu hohem Zeit- und Materialaufwand, da Optimierungsschritte iterativ erfolgen. Angesichts des Fachkräftemangels ist eine technologische Aufrüstung der Anlagen im Sinne von Industrie 4.0 notwendig. Im Rahmen eines Projekts wurden mittels intelligenter Sensorik kritische Einflussfaktoren erfasst, die Korrelationen zwischen Produktfehlern und Anlagenverformungen aufzeigen. Darauf basierend wurde eine Methodik entwickelt, die die Grundlage für eine Inline-Kompensation schafft, bei der die Anlage eigenständig Prozessparameter anpasst, um Produktfehler zu korrigieren und perspektivisch eine fehlerfreie Fertigung ab dem ersten Bauteil zu ermöglichen.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 134-141

Kompetenzentwicklung für die Zukunft Trendiation als strategischer Ansatz für die Qualifizierung und Weiterbildung Jürgen Fritz, Sebastian Busse, Ingo Dieckmann, Torsten Laub

Da Industrie 4.0 und Künstliche Intelligenz die Fähigkeiten von Organisationen neu gestalten, müssen traditionelle Schulungssysteme an die sich wandelnden Qualifikationsanforderungen angepasst werden. In diesem Beitrag wird Trendiation vorgestellt – eine strukturierte Methodik zur Umsetzung neuer Trends in umsetzbare Strategien – als systematischer Ansatz für diese Herausforderung. Anhand einer workshopbasierten Anwendung, die sich mit Edutainment, Human-Centered Design und Workforce Transformation befasst, zeigen wir, wie Organisationen von der abstrakten Trendidentifizierung zu konkreten Qualifikationsanforderungen und priorisierten Schulungsinitiativen gelangen können. Die Methode erzeugt eine nachvollziehbare Ergebniskette, die Trenddefinition, Bewertung von Kompetenzlücken und Implementierungspläne umfasst. Aus Sicht der Teilnehmer zeichnet sich der Ansatz durch hohe Klarheit und praktischen Nutzen aus. Durch die Verbindung von prospektivischer Trendanalyse und ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 22-29 | DOI 10.30844/I4SD.26.2.22

Operationalisierung ethischer KI mit tachAId Validierung eines interaktiven Beratungstools in zwei Anwendungsfällen aus der Fertigungsindustrie Pavlos Rath-Manakidis, Henry Huick, Björn Krämer , Laurenz Wiskott

Die Integration künstlicher Intelligenz (KI) in Arbeitsprozesse verspricht erhebliche Effizienzsteigerungen, doch Unternehmen stehen dabei vor zahlreichen ethischen Herausforderungen, die den Beteiligten zunächst oft nicht bewusst sind – von Intransparenz in der Entscheidungsfindung über algorithmische Verzerrungen bis hin zu Risiken einer verfrühten Automatisierung. Dieser Beitrag stellt das Design und die Validierung von tachAId vor, einem interaktiven Beratungstool, das darauf abzielt, menschenzentrierte ethische Überlegungen in die Entwicklung von KI-Lösungen einzubetten. Es wird eine Validierungsstudie vorgestellt, die für zwei unterschiedliche industrielle KI-Anwendungen mit variierendem KI-Reifegrad durchgeführt wurde. tachAId lenkt die Aufmerksamkeit gezielt auf kritische ethische Überlegungen im gesamten Lebenszyklus von KI-Lösungen, die bei einer technisch orientierten Entwicklung möglicherweise übersehen werden. Die Ergebnisse zeigen jedoch auch eine zentrale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 50-59 | DOI 10.30844/I4SD.26.1.50

Digital Competence Lab (DCL) für die Logopädie Konzeption einer Lernplattform zur Förderung digitaler Handlungskompetenzen Anika Thurmann , Antonia Weirich , Kerstin Bilda, Fiona Dörr , Lars Tönges

Die digitale Transformation des Gesundheitswesens verändert die logopädische Versorgung nachhaltig. Smarte Technologien und Künstliche Intelligenz (KI) eröffnen neue Möglichkeiten, um die Qualität der Therapie zu sichern, Versorgungsengpässe zu adressieren und Patienten stärker in Übungsprozesse einzubinden. Gleichzeitig erweitern diese Entwicklungen das Rollenverständnis von Logopäden, die neben ihrer therapeutischen Kernaufgabe zunehmend digitale Systeme als unterstützende Werkzeuge einsetzen. Aufbauend auf einer Machbarkeitsstudie zur KI-gestützten Anwendung ISi-Speech-Sprechen im Realsetting der Parkinson-Komplextherapie (PKT) werden in diesem Beitrag zentrale Herausforderungen der Implementierung smarter Technologien skizziert.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 110-118 | DOI 10.30844/I4SD.26.1.110