KI-Highlights — das Gesamtbild — 2026-10-26 (Mo) Tägliche Nachrichten

Während KI die Beschäftigungszahlen bestimmt, treibt dieselbe Technologie auch Wahlinformationen, Beziehungs- und Erziehungsratschläge, Krebsprognosen sowie militärische und pharmazeutische Abläufe an. IT-Konzerne sollen weltweit fast 200.000 Stellen abgebaut haben, doch der Umfang der Kürzungen ist nur ein Teil der stattfindenden Veränderungen. Nur 8 % der erwachsenen Amerikaner beziehen Wahlinformationen von KI-Chatbots, und wenn ein großer KI-Dating-Dienst Insolvenz anmeldet, werden die Partner der Nutzer gelöscht. Unabhängig davon, ob die Zahlen groß oder klein sind, erhalten Menschen zunehmend Antworten von KI und nutzen sie als Grundlage für Entscheidungen und Beziehungen. Was ich den Leserinnen und Lesern aus diesem halben Tag mitgeben möchte, ist die Frage, wie weit wir der KI Dinge überlassen können und wo wir die Grenze ziehen sollten. Die folgenden Abschnitte zeigen, wie die Grenze in verschiedenen Branchen und Situationen unterschiedlich verläuft.

Personalabbau geht voran, System und Wirtschaft folgen

Die indische Wirtschaftszeitung Livemint berichtete, dass große IT-Unternehmen weltweit aufgrund der KI-Transformation fast 200.000 Stellen abgebaut haben. Der Umfang der Kürzungen übersteigt bereits den eines einzelnen Unternehmens oder Landes. Al Jazeera hob hervor, dass Großbritannien bei den KI-bedingten Entlassungen vorangeht, und erörterte die Gründe dafür. Im Finanzsektor wurde bei Barclays sowohl über KI-bedingte Entlassungen als auch über übermäßige Sorgen wegen der Banksteuer berichtet (Seeking Alpha). Ähnliche Entwicklungen zeigen sich in verschiedenen Branchen und Regionen, etwa in der IT, in Großbritannien und im Bankwesen. Daher muss man KI und Beschäftigung nicht als Managemententscheidungen eines einzelnen Unternehmens betrachten, sondern als Phänomene, die mehreren Branchen gemeinsam sind.

Diese Entwicklung greift auch über den Arbeitsmarkt hinaus. Der IWF nannte in seiner Einschätzung der Herausforderungen für die asiatischen Volkswirtschaften sowohl hohe Energiepreise als auch KI als Belastungen (India Today). Die KI-Transformation ist für Unternehmen zwar eine Kostensenkungsmaßnahme, bedeutet aber zugleich eine Anpassungslast für die gesamte Volkswirtschaft. Bei Banken wird das Thema Stellenabbau zudem im selben Zusammenhang wie die institutionelle Frage der Bankensteuern diskutiert (Seeking Alpha). Wer die Abbaupläne eines Unternehmens liest, kann ohne einen gleichzeitigen Blick auf steuerliche und regulatorische Entwicklungen nicht erkennen, ob die Entscheidung unabhängig getroffen wurde oder ob das System sie beeinflusst hat.

Derselbe Trend zeigt sich auch in medizinischen Organisationen. Laut Hospitalogy sagte der CEO von Navvis, dem Leiter des Gesundheitswesens, dass sich die wertbasierte Versorgung (Value-Based Care, VBC) zwar in Richtung Ergebnisse bewegt habe, LEAD jedoch auf Eis gelegt worden sei. Er spricht dann darüber, sich auf Risikomodelle vorzubereiten, die verpflichtend werden könnten. Was hier vor sich geht, ist nicht die KI selbst. Zahlungs- und Bewertungsmechanismen ändern sich, und Organisationen sind gezwungen, sich entsprechend neu zu strukturieren. Auch wenn die Verpflichtung verschoben wird, bleibt die Notwendigkeit der Vorbereitung bestehen. Dieser Punkt überschneidet sich mit dem Beispiel des Vereinigten Königreichs, wo der Personalabbau schneller voranschritt als die institutionellen Verbesserungen.

Bei dieser Gegenüberstellung sind die Zahl der Betroffenen und der Anteil der Stellenstreichungen nicht zwangsläufig das Ergebnis der jeweiligen Entscheidungen der einzelnen Unternehmen. Sie werden von äußeren Bedingungen wie der wirtschaftlichen Bewertung, dem Steuersystem und den Vergütungsmethoden im Gesundheitswesen beeinflusst. Wer sich die Zahlen ansieht, muss prüfen, unter welchem System sie zustande gekommen sind. Die nächste Frage lautet daher weniger, wie groß der Stellenabbau ist, sondern vielmehr, wie viel von der Entscheidungsfindung vor Ort, der kreativen Arbeit und der klinischen Arbeit der KI überlassen werden soll.

Informations- und Bildungsbereiche, in denen Voreingenommenheit und Vertrauen auf dem Prüfstand stehen

Nur 8 % der Erwachsenen in den USA nutzen KI-Chatbots, um Informationen zur Wahl 2026 zu sammeln (Pew Research Center). Die Zahl der Nutzer ist noch klein. Wenn die Antworten, die diese kleine Gruppe erhält, jedoch verzerrt sind, ist die geringe Zahl kein Grund zur Beruhigung. In der Auswertung von TechCrunch entschied sich Grok bei einer Wahlmöglichkeit für die Republikanische Partei, während OpenAI sich für die Demokratische Partei entschied. Beide Modelle werden in der Regel unter der Annahme von Neutralität genutzt. Dennoch legen sie ihre Position offen, wenn man sie dazu zwingt. Was Leserinnen und Leser prüfen sollten, ist nicht, ob der Chatbot antwortet. Bei einer stark parteipolitisch aufgeladenen Frage wie einer Wahl lautet die Frage, ob die Antwort als Grundlage für Entscheidungen taugt.

Im Bildungsbereich zeigen die Zahlen, dass es an Vorbereitung mangelt. Die KI-Richtlinien der Schulen im Bundesstaat Washington stammen weiterhin aus den 2010er-Jahren und sind nicht auf die Zukunft vorbereitet (The Seattle Times). Obwohl Schülerinnen und Schüler bereits Zugang zu generativer KI haben, stützen sich die Schulordnungen noch immer auf Formulierungen aus einer Zeit, in der KI nicht alltäglich war. Wenn die Richtlinie veraltet ist, bleibt den Lehrkräften nichts anderes übrig, als individuell zu entscheiden, und was sie den Schülern erlauben und von ihnen verlangen, ändert sich von Klassenzimmer zu Klassenzimmer. Vertrauen bedeutet hier nicht Vertrauen in die KI-Ausgabe selbst. Es ist das Vertrauen darauf, ob die Organisation, die über den Umgang damit entscheidet, mit der tatsächlichen Lage Schritt hält.

Auch im Sicherheitsbereich beginnen sich als Reaktion auf Angriffe Entwicklungen abzuzeichnen. Nach dem Angriff auf Hugging Face gab es eine Reihe von Entwicklungen rund um KI-Sicherheit. Tech Xplore ordnet ihren Verlauf in chronologischer Reihenfolge. Da die gemeinsame Infrastruktur öffentlich verfügbarer Modelle und Werkzeuge ins Visier gerät, ist Sicherheit nicht länger nur ein internes Thema von Entwicklungsunternehmen. Die Frage ist, wo die Grenze zwischen dem, was Nutzer selbst prüfen sollten, und dem, was dem Infrastrukturbetreiber überlassen werden sollte, zu ziehen ist.

Im kreativen Bereich gibt es Beispiele, in denen die Verantwortung klar benannt wird. Creative Assembly bestreitet KI-Kunst in der Vollversion von Total War: Shogun 2 und übernimmt die Verantwortung (Simulation Daily). Wichtig ist hier, dass das Unternehmen eingeräumt hat, etwas verwendet zu haben, das von einer KI erstellt wurde, und anschließend die Bereitschaft zeigte, sich der Aufgabe zu stellen. Der gemeinsame Nenner von voreingenommenen Modellen, veralteten Schulrichtlinien, Sicherheitsmaßnahmen nach einem Angriff und Produktionsfirmen, die Verantwortung übernommen haben, ist: Vertrauen entsteht nicht durch Leistung, sondern durch Klarheit darüber, wer wofür verantwortlich ist. Um den Umfang der zu übertragenden Aufgaben festzulegen, muss sichtbar sein, wer die Arbeit übernimmt. Im nächsten Abschnitt sehen wir, wie diese Grenze in persönlicheren, emotionalen und klinischen Situationen gezogen wird.

Der Preis, den man zahlt, wenn man Gefühle und Beziehungen der KI anvertraut

Die Frage, ob Maschinen Gefühle haben, löst eine Debatte über KI aus, berichtet MarketWatch. Obwohl diese Debatte nicht entschieden ist, entstehen auf Seiten der Nutzer bereits Beziehungen, ohne dass auf ein Ergebnis gewartet wird. Laut der New York Post geht ein großer Anbieter von KI-Liebespartnern in die Insolvenz, und die KI-Partner der Nutzer sollen gelöscht werden. Die Person, mit der der Nutzer täglich Worte gewechselt hat, verschwindet aufgrund der Geschäftslage des Betreibers. Unabhängig davon, ob die Gefühle echt sind oder nicht, liegt es in der Verantwortung des Unternehmens, den Partner zu erhalten, und wenn das Unternehmen zusammenbricht, endet die Beziehung. The Malaysian Reserve berichtete, dass KI die Mutterschaft zum Schlechteren verändere. Je mehr Situationen es gibt, in denen Beratung und Entscheidungen zur Kindererziehung der KI überlassen werden, desto wirkungsloser könnten die Interaktionen zwischen Eltern und Kindern werden, die sich normalerweise konzentrieren sollten. Dieser Artikel behandelt solche Veränderungen als Problem.

Auch bei der Fähigkeit von Maschinen, Emotionen zu erkennen, gibt es Fortschritte. Laut The Decoder hat Block eine neue KI namens Dessa angekündigt, die ausschließlich aus Audiodaten lernt. Es heißt, dass die Stimme selbst Emotionen erfasst, die sich durch eine Transkription nicht erfassen lassen. Möglich wäre ein Einsatz in Situationen wie Callcentern und Vorstellungsgesprächen, in denen sich allein anhand des Inhalts der Worte kein Urteil fällen lässt. Aus diesem Bericht geht jedoch nicht hervor, wer die aus der Stimme gelesenen Emotionen nutzt und zu welchem Zweck. Je genauer die Auswertung wird, desto größer ist das Risiko, dass die Empfänger der Ergebnisse sie als Grundlage für Urteile über Menschen verwenden.

Andererseits kann KI auch Beziehungen zwischen Menschen unterstützen. Oncology Nursing News nennt ein Beispiel dafür, wie KI-Modelle zur Brustkrebsrisikoeinschätzung für die Triage und die pflegegeleitete Patientenberatung eingesetzt werden können. Hier dient die KI nur dazu, das Risiko abzuschätzen, und die Pflegekraft ist dafür verantwortlich, der Patientin bzw. dem Patienten die Lage zu erklären und auf deren Sorgen einzugehen. Während AI Lover und Dessa darauf angewiesen sind, dass die KI ihre Beziehungen und Emotionen deutet, bereitet die KI in diesem Fall die Unterlagen für den Dialog zwischen Menschen vor.

Nebeneinander betrachtet, hängt es nicht allein von der Leistung der KI ab, ob man ihr seine Arbeit anvertrauen kann. Bevor man das Gerät nutzt, muss geprüft werden, ob die Instanz, der man es anvertraut, nicht durch die Insolvenz des Betreiberunternehmens verschwindet, wer die aus Stimmen und Worten gewonnenen Informationen erhält und ob am Ende noch ein Mensch zurückbleibt. Diese Prüfung dient als Grundlage dafür, den Umfang der Entscheidungs- und Kreativarbeit festzulegen, die der KI anvertraut wird.

Vorhersagegenauigkeit der Krebsbehandlung durch Bilder und Daten verbessert

Bei Brustkrebs wurde versucht, das Vorliegen oder Fehlen von Metastasen schon vor der Operation abzuschätzen. Berichtet wurde über eine Studie, in der KI auf Grundlage der Auswertung von Ultraschallbildern Brustkrebsmetastasen vor der Operation vorhersagt (Bioengineer.org). Eine weitere Studie stellt ein kalibriertes statisches Stacking-Ensemble-Framework zur Vorhersage der Brustkrebssterblichkeit vor (Archives of Breast Cancer). Kalibrierung ist der Vorgang, bei dem geprüft wird, ob die vom Modell erzeugten Wahrscheinlichkeiten mit der tatsächlichen Häufigkeit des Auftretens übereinstimmen. Da sie damit zusammenhängt, ob sich Vorhersagewerte als Wahrscheinlichkeiten lesen lassen, ist sie bei der Aufklärung von Patientinnen und Patienten oder der Beratung zu Behandlungsplänen ebenso wichtig wie die Genauigkeit. Im Bereich der pathologischen Bilder wurde SCLC-SBT, ein spektraler bilinearer Transformer zur Klassifizierung von Gewebebildern des kleinzelligen Lungenkarzinoms, in Scientific Reports veröffentlicht. Auch wenn sich die Art der Bilder ändert, sind nicht nur die Genauigkeitswerte wichtig, sondern auch, wie die Ausgabe zu lesen ist.

Es gibt auch Studien, die eine Verifizierung über mehrere Einrichtungen hinweg fordern. Die prognostische Risikostratifizierung von Gliomen mithilfe eines pathologiebasierten Modells identifizierte außerdem Schlüsselgene und biologische Signalwege, die für die Prognose relevant sind, und wurde als multizentrische Studie in Acta Neuropathologica Communications veröffentlicht. Beim Magenkrebs soll eine CT-basierte Deep-Learning-Radiomics-Analyse mit zwei Feldern, die viszerales Fettgewebe einbezieht, die präoperative Vorhersage von Lymphknotenmetastasen verbessert haben. Auch dies ist eine multizentrische Studie (European journal of radiology). Beim hepatozellulären Karzinom gibt es Studien, die MRT-Radiomics einsetzen, um die FAP-Expression und das immunsuppressive Tumormikromilieu vorherzusagen. Diese Studiendesigns wollen prüfen, ob die Daten anderer Krankenhäuser ebenfalls zutreffen, statt Ergebnisse eines einzelnen Krankenhauses zu betrachten. Leser sollten nicht auf die Höhe des Spitzenwerts achten, sondern darauf, wie stark sich die Ergebnisse ändern, wenn die Einrichtung wechselt.

Die Analyseeinheit ist auf die Zelle geschrumpft. Beim Harnblasenkrebs wurden Einzelzell-/räumliche Transkriptomik und maschinelles Lernen integriert, um die molekularen Signaturen und zentralen Risikogene maligner Epithelzellen mit hoher Stammzelleigenschaft (Stemness) aufzuzeigen (Discover Oncology). scGlycoAI ist ein Framework, das mit maschinellem Lernen Glykan- und RNA-Sequenzdaten einzelner Zellen analysiert, den Zelltyp bestimmt und nach mit Malignität assoziierten Glykanen sucht (Glycobiology). Von Bildern bis zu Zellen: Die Ziele der Vorhersage weiten sich mit jeder Datenart aus. Was diese Arbeiten jedoch zeigen, ist die Möglichkeit, dass die Vorhersagen zutreffen; ob sie ein Niveau erreichen, das in der klinischen Praxis genutzt werden kann, muss gesondert bestätigt werden. Gemessen wird jetzt nicht die Leistung selbst, sondern die Distanz, bis zu der man sich auf Vorhersagen verlassen kann. Die Frage, wer diese Grenze zieht und wie, stellt sich auch außerhalb der Medizin auf dieselbe Weise.

Die Einführung in den Bereich erfolgt branchenweise auf Grundlage von Evidenz

Die US Air Force plant, KI zur Unterstützung der Luftbetankung einzusetzen, berichtete die Military Times. Die Luftbetankung ist eine Mission mit detaillierten Einsatzverfahren und Sicherheitsstandards. Sie als Unterstützung zu nutzen ist etwas anderes, als die gesamte Mission der KI anzuvertrauen. Das andere Thema ist die Wirkstoffforschung. Laut einem Einführungsartikel, den Unisba Media am 14. April um 16:00 Uhr veröffentlichte, sind Novo Nordisk und OpenAI eine Partnerschaft für KI-gestützte Wirkstoffforschung eingegangen. Derselbe Artikel erwähnt auch den offiziellen Abschied von Apples KI-Chef Gianandrea. Militär und Pharmaindustrie haben unterschiedliche Standards, die sie einhalten müssen, und unterschiedliche Kosten eines Scheiterns. Dennoch beschränken sich die Einsatzbereiche von KI auf Prozesse, die sich innerhalb des bestehenden Geschäftsablaufs unterstützen lassen.

In der chirurgischen Medizin beginnt man, die Gründe für die Einführung in Zahlen darzustellen. Ein in Cureus veröffentlichter systematischer Review fasst die prospektive klinische Evidenz zur robotergestützten digitalen intraoperativen Navigation bei der Prostatakrebs- und der Nierenkrebschirurgie zusammen. Ein prospektives Design ist eines, bei dem die Bedingungen festgelegt und die Patienten begleitet werden, bevor die Ergebnisse bekannt sind. Als Entscheidungsgrundlage haben sie ein anderes Gewicht als Werbeslogans oder im Nachhinein betrachtete Fälle. Derzeit wird daran gearbeitet, die Wirksamkeit der intraoperativen Navigation für jedes Organ, Prostata und Niere, zu bestätigen.

Stellt man diese drei nebeneinander, zeigen sich Gemeinsamkeiten im Verlauf der Einführung. Die Luftwaffe beginnt mit der Unterstützung bei der Luftbetankung, Novo Nordisk mit einer Partnerschaft in der Wirkstoffforschung, und in der Chirurgie beginnt man mit der intraoperativen Führung bei roboterassistierten Operationen. In allen Fällen werden die Ziele in Teilbereiche des Geschäfts unterteilt, und die Ergebnisse werden innerhalb dieses Rahmens überprüft. Wenn man den Einsatz von KI in der Praxis betrachtet, ist es für die Leserinnen und Leser hilfreicher, danach zu urteilen, in welchen Prozessen sie eingesetzt wird und welche Art von Überprüfung durchgeführt wurde, als danach, ob der Einsatz von KI angekündigt wurde. Umfassend überprüfte Prozesse liefern Gründe für eine Ausweitung des Verantwortungsbereichs, während Prozesse mit wenig Überprüfung vorsichtig behandelt bleiben. Die nächste Frage ist, wo die Grenze gezogen wird, ab der Menschen ihr endgültiges Urteil auch nach der Überprüfung nicht aus der Hand geben.

Allen Abschnitten war gemeinsam, dass die Ergebnisse nicht von der Einführung der KI an sich bestimmt wurden, sondern davon, wo man den Umfang der Übertragung abgrenzt. Das Ausmaß des Stellenabbaus erregte Aufmerksamkeit, doch dieselben Entwicklungen breiteten sich über mehrere Branchen und Regionen aus und belasteten die Volkswirtschaft insgesamt mit Anpassungskosten. Im Informations- und Bildungsbereich wurden Fragen zu Verzerrungen in Antworten und zu Verzögerungen bei der Organisation innerhalb der Schulen aufgeworfen, auch wenn die Zahl der Nutzer gering war. Im Bereich von Emotionen und Beziehungen beeinflusste der Verwaltungsstatus des betreibenden Unternehmens die Beziehungen zwischen den Nutzern. In der Krebsbehandlung wurden Bedingungen für das Lesen der Ausgaben, etwa Kalibrierung und multizentrische Verifizierung, gleichrangig mit der Genauigkeit behandelt. Im Militär, in der Pharmazie und in der Chirurgie konzentrierte sich die Einführung auf Prozesse, die sich im Rahmen bestehender Verfahren unterstützen ließen, und es sammelten sich Belege an. Statt zu entscheiden, ob KI genutzt wird oder nicht, müssen wir nun in jeder Situation entscheiden, was wir der KI anvertrauen und was wir in der eigenen Hand behalten.

F1: Bei welchen Prozessen in Ihrer Arbeit nutzen Sie KI-Ausgaben als Entscheidungsgrundlage, und wer hat ein System, um zu bemerken, wenn die Ausgabe falsch ist? F2: Welche Standards und Verfahren werden verwendet, um Verzerrungen und Fehler in KI-Ausgaben vor und nach der Einführung zu prüfen, und werden Aufzeichnungen geführt? F3: Worauf beruhte die Entscheidung über den Umfang, der der KI anvertraut wird? Gab es Bedingungen, und wer ist dafür verantwortlich, den Umfang zu überprüfen, wenn sich die Geschäfts- oder Kundensituation ändert?

Zum Schluss drei Fragen

- Welche Prozesse in Ihrer Arbeit stützen sich direkt auf die Ergebnisse von KI bei Entscheidungen, und wer hat ein System eingerichtet, um zu bemerken, wenn die Ergebnisse falsch sind? Q2: Welche Standards und Verfahren werden angewendet, um Verzerrungen (Bias) und Fehler in KI-Ergebnissen vor und nach der Einführung zu prüfen, und werden Aufzeichnungen geführt? Q3: Auf welcher Grundlage wurde der Umfang festgelegt, der der KI anvertraut wird? Gab es Bedingungen, und wer ist dafür verantwortlich, den Umfang zu überprüfen, wenn sich die Geschäfts- oder Kundensituation ändert? - Welche Standards und Verfahren werden angewendet, um Verzerrungen (Bias) und Fehler in KI-Ergebnissen vor und nach der Implementierung zu prüfen, und werden Aufzeichnungen geführt? Q3: Auf welcher Grundlage wurde der Umfang festgelegt, der der KI anvertraut wird? Gab es Bedingungen, und wer ist dafür verantwortlich, den Umfang zu überprüfen, wenn sich die Geschäfts- oder Kundensituation ändert? - Auf welcher Grundlage wurde der Umfang festgelegt, der der KI anvertraut wird, und wurden die Bedingungen sowie die Verantwortung für die Überprüfung des Umfangs festgelegt, wenn sich die Geschäfts- oder Kundensituation ändert?