Phänomen „Deskilling“: Wenn die KI so gut ist wie ich

Was bleibt vom ärztlichen Beruf, wenn KI in der eigenen Domäne 90 % der kognitiven Arbeit übernimmt? Eine Bestandsaufnahme zwischen Studienlage, Berufsethik und der Frage nach den eigenen 10 %.

Es ist ein Satz, der derzeit in vielen ärztlichen Sprechzimmern, Konferenzräumen und Klinikfluren fällt – manchmal halb im Scherz, oft mit echter Beunruhigung: Die KI ist gerade ziemlich gut. Vielleicht zu 90 % so gut wie wir. In genau dem Feld, in dem wir Expert:innen sind.

Sie erfasst Kontexte schneller. Sie reichert sie umfassender an. Sie kommt zu Interpretationen, zu denen es früher mehrere Lektüren brauchte. Sie produziert in 90 Sekunden, woran man 90 Minuten gesessen hätte. Wenn KI also einen erheblichen Teil der kognitiven Arbeit übernimmt, bleiben zwei Fragen, die sich aus der diffusen Stimmung herauslösen lassen:

1. Was sind dann die ärztlichen 10 %?
2. Wie bleiben Ärzt:innen auf der Seite, die durch KI eher gewinnt als verliert?

Mit besonderer Schärfe trifft das die Dermatologie.Nicht zufällig wird die Frage hier früher virulent als in vielen anderen Fächern: Bildklassifikation und Mustererkennung gehören zu den Domänen, in denen KI-Systeme messbar stark sind. Wer dermatoskopisch arbeitet, hat das längst gespürt.

Das zeigt die aktuelle Studienlage

Drei Veröffentlichungen sind in den vergangenen Monaten so dicht aufeinander erschienen, dass sie einen Befund tragen, den man nicht mehr ignorieren kann.

Budzyń et al., Lancet Gastroenterology & Hepatology, Oktober 2025
Eine multizentrische Beobachtungsstudie an vier polnischen Endoskopiezentren maß die Adenom-Detektionsrate erfahrener Endoskopiker bei nicht-KI-assistierten Koloskopien einmal vor und einmal nach Einführung der KI-Assistenz im Klinikalltag. Ergebnis: Die Trefferquote sank von 28,4 % auf 22,4 %. Sechs Prozentpunkte absolut, rund 20 % relativ.  Es ist die erste reale klinische Evidenz für Deskilling durch KI – nicht im Labor, sondern im Alltag.

Dratsch, Chen et al., Radiology, 2023
27 Radiolog:innen, BI-RADS-Befundung an der Mammografie. Bei falschen KI-Vorschlägen sank die diagnostische Genauigkeit auch bei sehr Erfahrenen drastisch: von 82 % auf 45,5 %. Das relativiert das beruhigende „erfahrene Kolleg:innen sind doch immun gegen Automation Bias” auf eindrückliche Weise.

Abdulnour, Gin & Boscardin, NEJM, August 2025

Führt die Taxonomie ein, die die Weiterbildungsdiskussionen der nächsten Jahre prägen wird: Deskilling (erlernte Fertigkeiten verkümmern), Mis-Skilling (Falsches wird gelernt) und – die für die Ausbildung gefährlichste Variante – Never-Skilling: Wer mit KI groß wird, lernt manche Sprossen der Leiter nie. Wer die Sprossen überspringt, steht irgendwann oben – ohne gelernt zu haben, wie man sich festhält.

Diese drei Studien sind keine Skepsis-Anekdoten. Sie sind belastbare Evidenz dafür, dass KI nicht nur Produktivität bringt, sondern Kompetenz kosten kann, wenn man sie unreflektiert ins System lässt.

Die 10 %: Fünf Säulen ärztlicher Substanz

Die saubere Antwort vorweg: Die Aufteilung 90/10 ist eine Wahrnehmung, keine Realität. Was beobachtbar ist, ist eine Verschiebung der kognitiven Arbeit, keine Reduktion. Die MIT-Studie zur EPOCH-Taxonomie (Loaiza & Rigobon, 2025) zeigt, dass menschliche Fähigkeiten in fünf Kategorien gerade wertvoller werden, nicht weniger wert. Übersetzt auf die ärztliche Praxis ergeben sich daraus fünf Säulen.

1. Die Frage stellen: KI antwortet exzellent. Die viel wichtigere Kompetenz ist, die richtige Frage zu stellen – und zu wissen, wann eine Antwort gut genug ist und wann nicht. Eine Verdachtsdiagnose im Vorbeigehen ist eine andere klinische Operation als ein methodisch geführtes Gespräch mit einer Patientin, die seit Monaten eine vermeintlich harmlose Stelle beobachtet.

2. Geschmack haben: Im KI-Diskurs ist das alte Wort gerade zurück: Geschmack – die Fähigkeit zu erkennen, ob etwas wirklich gut oder nur okay ist. Eine Studie aus der Organization Science (Leonardi & Leavell, 2026, Cambridge Judge / UC Santa Barbara) zeigt, wie schnell Expert:innen ihre Autorität verlieren, wenn sie KI-Ergebnisse nur verstärken statt sie zu kalibrieren: Wer den Output als unbezweifelbare Realität präsentiert, schreibt seine eigene Rolle aus dem Prozess heraus. Im dermatologischen Alltag heißt das ganz konkret: Welche der vorgeschlagenen Differenzialdiagnosen passt zu diesem Befund, zu dieser Anamnese, zu diesem Hauttyp – und welcher Vorschlag ignoriert systematisch Hauttypen, die im Trainingsmaterial unterrepräsentiert waren?

3. Verantwortung tragen: Die Bundesärztekammer hat es 2025 in ihrer Stellungnahme so klar formuliert, dass es als Leitsatz dieser Dekade gelten kann: „KI kann die ärztliche Tätigkeit unterstützen, aber die Verantwortung für Diagnostik, Indikationsstellung und Therapie ist stets ärztliche Aufgabe und darf nicht an ein KI-System abgetreten werden.” Algorithmen tragen keine Verantwortung. Auch wenn eine Maschine 90 % der kognitiven Arbeit macht – sie trägt 0 % der Konsequenz.

4. Im Raum sein: Es gibt eine Form von Wissen, die nur entsteht, wenn man im Sprechzimmer steht. Welche Patientin tatsächlich Angst hat – und welche nur höflich nickt. Welcher Hautbefund die offizielle Anlassdiagnose ist, und welcher das eigentliche Anliegen, das erst nach zwanzig Minuten benannt wird. Soziologen nennen das tacit knowledge: körpergebundenes, situatives Wissen, das sich nicht digitalisieren lässt, weil es im Moment der Begegnung entsteht.

5. Zukunft gestalten: Die EPOCH-Kategorie Hope – im Original beschrieben als die Fähigkeit, „eine Vision zu planen und umzusetzen” – ist genau das, was KI strukturell nicht leisten kann. KI extrapoliert aus dem, was war. Sie kann gut prognostizieren, schlecht imaginieren. Welches Praxismodell, welche Versorgungsform, welche Ausbildungsstruktur in zehn Jahren existieren soll – das entscheidet nicht der Algorithmus. Das entscheidet, wer Verantwortung dafür übernimmt, etwas zu bauen.

Wie bleibt man auf der Seite, die reüssiert?

Hier wird es unbequem. Denn Frage 1 ist die Identitätsfrage; Frage 2 ist die Zukunftsfrage ‒ sie verlangt zwei Dinge gleichzeitig:

1.  KI souverän in den eigenen Workflow integrieren – ohne sie zu fetischisieren und ohne sich vor ihr zu schützen. Wer KI nicht nutzt, verliert Tempo. Wer KI nur nutzt, verliert die 10 %. Die Kunst ist, sie wie ein Dermatoskop zu behandeln: ein hervorragendes Instrument, das den Arzt nicht ersetzt, aber besser macht – wenn er weiß, wie es zu lesen ist und wann es trügen kann.
2.  Ausbildung neu denken – bevor das Never-Skilling die nächste Generation der jungen Kolleg:innen erfasst. Dass eine Pilot-KI in einer Klinik wieder zurückgezogen wird, weil die Oberärztin sich sorgt, dass die Assistenzärzt:innen nicht mehr selbstständig Befunden lernen, ist keine Einzelanekdote. Es passiert gerade leise an mehreren Häusern. Und es ist eine berechtigte Sorge.

Es braucht Curricula, die KI ab Tag eins einsetzen und gleichzeitig jeden Schritt absichern, an dem Kompetenz zerfasern könnte. Lehrformate, in denen junge Kolleg:innen lernen, der KI zu widersprechen – nicht ihr zuzustimmen. Den Mut, manche Lernschritte explizit ohne KI zu absolvieren, damit das Fundament steht, auf dem die KI nachher überhaupt sinnvoll eingesetzt werden kann. Und einen ehrlichen Diskurs darüber, dass das nicht weniger Aufwand bedeutet, sondern mehr – aber einen anderen.

Was bleibt?

Die Haltung, die durch die nächsten zwei, drei Jahre trägt, lautet nicht: Wie schütze ich mich vor KI? Sie lautet: Was kann ich bauen, das nur ich bauen kann?

Für die Dermatologie heißt das: nicht das nächste Mole-Checker-Tool. Sondern die Sprechstunde, in der die Patientin bzw. der Patient das Gefühl hat, dass jemand wirklich hingesehen hat. Die Triage-Entscheidung, in der drei Anhaltspunkte zusammenfließen, von denen zwei in keinem Foto stehen. Die Indikation, die nicht aus dem Modell folgt, sondern aus der Geschichte des Menschen, der vor dem Schreibtisch sitzt.

„Die 10 % sind nicht das, was bleibt, wenn die KI 90 % kann. Sie sind das, was darüber entscheidet, ob die 90 % etwas wert waren.“

Inga Bergen