AI Highlights — das Gesamtbild — 2026-10-17 (Sa) Morgennachrichten

Während die Bank 3.000 Stellen abbaut, erklärt sie, der Zweck der KI sei es, die Effizienz zu steigern, nicht Menschen zu ersetzen. In der Unternehmenssoftware heißt es, selbst wenn KI-Agenten sich dem Autopiloten annäherten, bleibe die Beteiligung des Menschen bestehen. In der Wirkstoffforschung entstehen Partnerschaften im Wert von bis zu 1,5 Milliarden US-Dollar, und in der Diagnostik fließen Vorhersagemodelle in Entscheidungen über einzelne Tumoren ein. Die Kraft, Tempo zu erzeugen, erreicht Arbeitsplatz, Labor und Klinik gleichzeitig. Was ich den Leserinnen und Lesern hier mitgeben möchte, ist die Einschätzung, dass über Erfolg oder Misserfolg der Einführung nicht hohe Leistungsfähigkeit entscheidet, sondern die Grenzziehung: Welche Prozesse sollen der KI überlassen werden, und welche Entscheidungen den Menschen? Die Erklärung eines Unternehmens und die Höhe seiner Mittel sind keine Grundlage für diese Grenzziehung. Im Haupttext schauen wir uns an, wo die Grenzen in den einzelnen Bereichen verlaufen.

Äußerungen zu Personalabbau und veränderten Rollen vor Ort

In Artikeln über Entlassungen bei Banken erscheinen neben der Zahl der Stellenstreichungen auch erklärende Worte. Die Axis Bank wird im Geschäftsjahr 2026 3.000 Stellen abbauen. Laut einem Bericht (Goodreturns) will die Bank mit KI die betriebliche Effizienz steigern und nicht Personal ersetzen. In der Tech-Branche fragen sich auch lokale Medien, wo KI und Entlassungen Arbeitsplätze kosten werden (KTVU). In solchen Mitteilungen stehen jedoch die Zahl „3.000 Personen“ und die Erklärung „kein Ersatz“ auf derselben Seite. Erklärende Worte sind keine Grundlage, auf die Leserinnen und Leser ihr Urteil stützen könnten.

Im Bereich der Unternehmenssoftware wird ein Design, das den Menschen im Prozess hält, als Spezifikation behandelt. Eine Analyse zu Workday Rising 2026 (iTWire) berichtete, dass die KI-Agenten von Workday dem Autopiloten näher kommen werden, während die Beteiligung des Menschen erhalten bleibt. Mit fortschreitender Automatisierung gewinnen Produktdesign-Entscheidungen an Bedeutung, wenn es darum geht, in welchen Prozessen Menschen eingesetzt werden. Wer die Einführung erwägt, sollte nicht darauf schauen, wie viele Stellen abgebaut werden. Entscheidend ist, welcher Teil der Freigabe und der Ausnahmebehandlung in den Händen von Menschen bleibt.

Die Veränderungen in der Art der Arbeit sind in den Bereichen Pflege, Bildung und Wohnunterstützung besser sichtbar. Ein Artikel (McKnight's Senior Living) über einen Bericht zu Pflegeheimen berichtete, dass der Einsatz von KI Pflegekräfte unterstützt. Die Präfektur Shizuoka hat KI-Chat in Wohnanlagen der Präfektur eingeführt, um zu verhindern, dass Einpersonenhaushalte vereinsamen (Mainichi Shimbun). Im Bildungsbereich haben SBCCD und das BBOP Center eine Partnerschaft für KI-Kompetenz am College Corps gestartet (Precinct Reporter News). Alle drei Fälle lassen sich als Beispiele dafür lesen, dass KI den Umfang der von Menschen verrichteten Arbeit und die dafür erforderlichen Fähigkeiten verändert, statt Menschen zu ersetzen. Pflegekräfte können einen Teil der Dokumentation und Kontrolle an die KI übergeben, und Bewohnerinnen und Bewohner der Wohnanlage können sich zunächst per Chat beraten lassen. Wer lernt, erwirbt die Fähigkeit, KI voll auszuschöpfen.

Daher lassen sich die Auswirkungen auf die Beschäftigung nicht allein an der Zahl der Kürzungen messen. Auch wenn derselbe Begriff „Effizienzsteigerung“ verwendet wird, ist es für die Beschäftigten etwas anderes, ob die Zahl der Personen insgesamt reduziert wird oder die Zahl der Personen, die an Dialog und Entscheidungen beteiligt sind. Über Erfolg oder Misserfolg der Einführung entscheidet die Grenze zwischen dem, was KI anvertraut werden soll, und dem, was Menschen überlassen bleiben soll. Als Nächstes betrachten wir, wie diese Grenze in Bereichen wie Wirkstoffforschung und Diagnostik gezogen wird, wo die Kosten eines Fehlers hoch sind.

Finanzierung und klinische Umsetzung von KI schreiten durch Wirkstoffforschung und Diagnostik voran

Gelder fließen bereits in KI-gestützte Unternehmen. AstraZeneca hat mit dem KI-Wirkstoffforschungsunternehmen Incitro eine Partnerschaft im Wert von bis zu 1,5 Milliarden $ geschlossen (BigGo Finance). Google.org unterstützt ein Team der University of Toronto mit 2,3 Millionen $ beim Aufbau von OpenPep, einer KI-Engine für die Wirkstoffforschung bei Peptiden (Bioengineer.org). Im Finanzbereich hat das schwedische Unternehmen Matters 5 Millionen $ eingesammelt, um eine KI-native Bank zu starten (The Next Web). In Japan werden KI, Schiffbau und Wirkstoffforschung unter den 17 strategischen Feldern mit einem Budget von 370 Billionen Yen nebeneinander diskutiert (Nikkei Business Online Edition). Wichtig ist: Die Formulierung „bis zu“ 1,5 Milliarden $ bei der Partnerschaft bedeutet nicht, dass der volle Betrag zugesagt ist. Statt auf die Höhe des Betrags sollten Leserinnen und Leser darauf achten, ob die Mittel unter der Annahme strukturiert sind, dass der Prozess der KI anvertraut wird.

Auf der klinischen Seite holen die Diskussionen über die Umsetzung die Finanzierungsbewegungen ein. Führungskräfte der diagnostischen Bildgebung diskutierten in einem Webinar, inwieweit sich die KI-Automatisierung auf klinische Settings ausweiten lässt (Radiology Business). Die Forschung bildet hier die Grundlage. Im Journal of Imaging findet sich eine Arbeit, die in einem systematischen Review mit Metaanalyse von Studien zur Detektionsgenauigkeit untersucht, wie sich KI-Unterstützung auf die Leistung von Radiologen bei der Erkennung von Lungenknoten mittels CT auswirkt. Wichtig ist, dass dabei die Leistung der Ärzte mit KI gemessen wird, nicht die Genauigkeit der KI. Eine Studie im Journal of Neuro-Oncology entwickelte anhand multizentrischer Daten ein Deep-Learning-, ein Radiomics-, ein klinisches und ein integriertes Modell für die präoperative WHO-Grad-Vorhersage von Meningeomen mittels MRT und verglich sie. Da das Design eigenständige Modelle und integrierte Modelle nebeneinander vergleicht, lässt sich sagen, dass diese Forschung fragt, welche Kombinationen eingesetzt werden können.

この二つの流れを並べると、判断の置き場所が見えてくる。創薬や新しい銀行では、資金が先に出て、成果は後から検証される。診断では、検証の問いが「AIが正しいか」から「AIを使った人の成績がどう変わるか」へ移っている。 For those considering introduction, it would be better to check that there is evidence that measures the performance of the person, rather than the amount of partnership or procurement, in order to decide the scope of entrustment.

Die Geschwindigkeit, mit der Mittel eingeworben werden, entspricht nicht der Geschwindigkeit, mit der sich Verifizierungen ansammeln. Die Frage, wer diese Lücke füllen wird, führt zum nächsten Abschnitt.

Prognosemodelle fließen in die Beurteilung einzelner Tumoren ein

Bei der Brustkrebsforschung wurde mit einer per maschinellem Lernen erstellten „Pathomics-Signatur“ ein neuer digitaler Marker zur Bewertung der CXCL9-Expression und der Prognose gezeigt (CytoJournal). Beim Lungenadenokarzinom wurde ATP2A2 anhand KI-abgeleiteter Signaturen inflammatorischer und metabolischer Ökosysteme als Faktor identifiziert, der den Umbau der Mikroumgebung und die Immunevasion fördert (Frontiers in Cell and Developmental Biology). Beide Studien extrahieren prognoserelevante Indikatoren aus pathologischen Bildern und Genexpressionsdaten. Gemeinsam ist ihnen, dass sie nicht nur die von den Modellen erzeugten Zahlen zeigen wollen, sondern auch, mit welchen biologischen Faktoren diese Zahlen verknüpft sind.

Auch Forschung auf Basis von Bilddaten zeigt dieselbe Richtung. Beim metastasierten kastrationssensitiven Prostatakarzinom wird erklärbares maschinelles Lernen eingesetzt, um Faktoren zu untersuchen, die vorhersagen, ob Patienten eine leitlinienkonforme Therapieintensivierung erhalten (Frontiers in Oncology). Beim Leberkrebs kombinierten wir intratumorale Habitat- und peritumorale Radiomics, um die Genauigkeit der Vorhersage der Wirksamkeit der initialen TACE zu verbessern. Dies war eine multizentrische retrospektive Studie (Frontiers in Oncology). Beim Nierenkrebs werden aus kontrastmittelverstärkter CT abgeleitete extrazelluläre Volumenfraktionen verwendet, um mithilfe interpretierbaren maschinellen Lernens den WHO/ISUP-Grad des klarzelligen Nierenzellkarzinoms präoperativ vorherzusagen (Frontiers in Oncology). Der Umfang der Vorhersage, einschließlich Prognose, Therapiewahl, Therapieeffekt und Grad, weitet sich auf jede Stufe der individuellen Beurteilung bei jedem Tumor aus.

Entscheidend für den Ertrag dieser Studien ist, ob sie die Gründe für die Vorhersagen zeigen können und nicht nur die Vorhersagen selbst. Bei der Anwendung des Modells auf einzelne Patienten dient ein Modell, das keine Belege liefern kann, Ärztinnen und Ärzten nicht als Entscheidungsgrundlage, während ein Modell, das Belege liefern kann, ihnen als Grundlage dient, um entweder zuzustimmen oder Fehler zu bemerken. Wer eine Implementierung erwägt, sollte nicht allein Genauigkeitswerte vergleichen. Es ist zu fragen, ob sich die Vorhersage samt ihrer Grundlage in einer Form darstellen lässt, die vom klinischen Personal überprüft werden kann. Zudem ist die Forschung zum Leberkrebs retrospektiv. Leser sollten auch beachten, dass die Ergebnisse nicht in der tatsächlichen medizinischen Versorgung überprüft wurden.

Dieser Trend beschränkt sich nicht auf Tumore. Eine Studie, die mithilfe von KI 101.000 Menschen analysierte, zeigte, dass braunes Fett mit der Herz- und der psychischen Gesundheit zusammenhängt (News-Medical). Mit dem Umfang der Analyse wächst die Geschwindigkeit, mit der Zusammenhänge gefunden werden. Wie diese Zusammenhänge zu interpretieren sind und wie weit sie in Entscheidungen einfließen, müssen jedoch Menschen entscheiden. Dass erklärbare Vorhersagen das Bewertungskriterium sind, bedeutet auch, dass die Verantwortung für die Annahme von Vorhersagen bei der Person bleibt, die sie nutzt. Im nächsten Abschnitt betrachten wir, wie sich diese Verantwortung innerhalb der Organisation aufteilen lässt.

KI, die weiterhin bestätigt wird, sowie Druck durch Regulierung und Wettbewerb

Eine KI, die Menschen ständig bestätigt, birgt das Risiko, zwischenmenschliche Beziehungen zu beschädigen. Forbes JAPAN berichtet über Bedenken hinsichtlich Schuldverschiebung und mangelnder Empathie. Die Überlegung ist: Wenn Nutzer nur Antworten erhalten, die für sie bequem sind, gibt es weniger Gelegenheiten, das eigene Verhalten zu überdenken. Andererseits wächst das Angebot an Dialogdiensten weiter. Zu den Angeboten der Universidad de Córdoba (UCO) gehören ein ungefilterter Sex-Chatbot für Personen über 18 Jahren sowie ein „AI-Girlfriend-Liebessimulator“-Dienst mit Datenschutzkontrollen (AI Girl Generator Online With Customizable Characters And Privacy Controls). Datenschutzeinstellungen sind zu einem Verkaufsargument geworden, und der Umgang mit den Daten der Nutzer ist Teil des Produkts. Wer eine Einführung erwägt, sollte zunächst prüfen, ob die KI so gestaltet ist, dass sie alles gutheißt und wer die Gesprächsprotokolle verwaltet, statt auf die Zahl der Funktionen zu achten.

Die Diskussionen über die „Denkfähigkeit“ von KI halten an. Deccan Herald griff auf die Ideen von Purusha und Prakriti aus der indischen Philosophie zurück, um die Grenzen des KI-Bewusstseins und die Frage zu behandeln, ob Maschinen denken können. Psychology Today erörtert, warum echte Gemälde wie von KI erzeugt aussehen. Beide Punkte zeigen, dass das Gespür der Menschen dafür, wie sich „KI-Haftigkeit“ erkennen lässt, ins Wanken gerät. Die Annahme, dass Menschen beurteilen, ob eine Ausgabe echt oder ein Produkt ist, muss neu überdacht werden.

Regulatorischer und wettbewerblicher Druck beginnt, der Nutzung äußere Grenzen zu setzen. Laut Aju Press hat die US-Handelsbehörde Federal Trade Commission (FTC) nach einem Sicherheitsvorfall eine Untersuchung gegen OpenAI und Anthropic eingeleitet. The Mighty 790 KFGO berichtete, dass China vorgeschlagen hat, 40 Technologien aus den Bereichen KI, Biotechnologie und Solarenergie in die Exportkontrollliste aufzunehmen. StateTech Magazine berichtet, dass KI in US-Behörden vom Demonstrationsstadium in den Vollbetrieb übergeht. Sobald öffentliche Einrichtungen dies in ihren Alltagsbetrieb integrieren, werden die Standards für Beschaffung und Rechenschaftspflicht strenger. Wie in Chinas Präzisionslandwirtschaft zu sehen, über die CGTN berichtete, verändert KI weiterhin industrielle Einsatzfelder. Untersuchungen von Lieferantenvorfällen und Exportkontrollen für Technologien machen die Fragilität von Konzepten deutlich, die von bestimmten Unternehmen oder Modellen abhängen.

Auch das makroökonomische Umfeld ist nicht unerheblich. Investing.com erörtert das Paradoxon von US-Dollar und Inflation und berichtet, dass KI-bezogene Kreditrisiken und steigende Energiepreise die Aussichten für das globale Wachstum neu gestalten. Investitionen in KI werden sowohl durch Finanzierung als auch durch Strom getragen; verschlechtern sich diese Bedingungen, wirkt sich dies auf die Rentabilität der Einführungspläne aus.

Positiver Dialog, Untersuchungen, Exportkontrollen und Kreditrisiko legen von außen die Bedingungen fest, wie sehr man KI vertrauen kann. Die nächste Frage ist, wer unter diesen Bedingungen den Umfang der Verantwortung bestimmt und wie.

Die Erklärung von Stellenstreichungen, die Finanzierung der Wirkstoffforschung, Vorhersagemodelle zur Unterstützung der Diagnose und Dialogdienste, die ständig positive Antworten liefern, scheinen Themen aus unterschiedlichen Bereichen zu sein. Sie laufen jedoch alle auf denselben Punkt hinaus. Was die KI in welchem Umfang verantworten wird, wird nicht allein durch technische Fähigkeiten bestimmt. Ob die Gestaltungsseite festlegt, wer die Ausgabe prüft und wer für die Ergebnisse verantwortlich ist, bestimmt das Vertrauen von Nutzern, Patienten und Beschäftigten. Erklärende Worte und Geldbeträge sind kein Ersatz für diese Gestaltung. Wenn über die Einführung eines Systems entschieden wird, sollten Sie neben Geschwindigkeit und Kosteneffizienz zuerst prüfen, welche Prozesse bei den Menschen verbleiben und wo die Verantwortung liegen soll. Je klarer der Verantwortungsbereich ist, desto leichter lässt er sich später überprüfen und erklären.

Q1: Wie unterscheiden Sie in Ihrem Verantwortungsbereich zwischen Arbeitsteilen, in denen Sie das KI-Ergebnis unverändert verwenden können, und Teilen, die Sie vor der Verwendung mit eigenen Augen prüfen sollten? Q2: Wenn die von der KI erzeugten Ergebnisse Fehler oder Verzerrungen enthalten, wer findet sie in welcher Phase, und wie werden sie gestoppt? Q3: Wenn es um die Ergebnisse von Effizienzsteigerungen durch KI geht: In welchem Umfang können Sie Personen innerhalb und außerhalb des Unternehmens konkret erklären, welcher Bereich von Beurteilung und Verantwortung bei Menschen verbleibt?

Zum Schluss drei Fragen

- Welche Teile der Arbeit, für die Sie zuständig sind, können Sie das KI-Ergebnis unverändert verwenden, und welche Teile sollten Sie vor der Verwendung mit eigenen Augen prüfen – und wo ziehen Sie diese Grenze? Q2: Wenn die von der KI erzeugten Ergebnisse Fehler oder Verzerrungen enthalten, wer erkennt sie in welcher Phase, und wie werden sie gestoppt? Q3: Wenn Sie über die Ergebnisse von Effizienzsteigerungen durch KI sprechen: Inwieweit können Sie Personen innerhalb und außerhalb des Unternehmens konkret erklären, welcher Bereich von Entscheidungen und Verantwortung bei den Menschen verbleibt? - Wenn die von der KI erzeugten Ergebnisse Fehler oder Verzerrungen enthalten, wer erkennt sie in welcher Phase, und wie werden sie gestoppt? Q3: Wenn Sie über die Ergebnisse von Effizienzsteigerungen durch KI sprechen: Inwieweit können Sie Personen innerhalb und außerhalb des Unternehmens konkret erklären, welcher Bereich von Entscheidungen und Verantwortung bei den Menschen verbleibt? - Wenn Sie über die Ergebnisse von Effizienzsteigerungen durch KI sprechen: Inwieweit können Sie Personen innerhalb und außerhalb des Unternehmens konkret erklären, welcher Bereich von Entscheidungen und Verantwortung bei den Menschen verbleibt?