KI-Kompetenz erschöpft sich nicht darin, gute Prompts zu schreiben. Wer KI in der Praxis nutzt, muss Empfehlungen fachlich prüfen und ihren Stellenwert im Patientengespräch erklären können. Genau hier sollte ärztliche Fortbildung ansetzen.
Ein gedachtes Beispiel: Ein Patient bringt eine vom Chatbot erstellte Liste möglicher Untersuchungen mit. Warum will sein Hausarzt nicht alle Tests veranlassen? Die fachliche Bewertung allein reicht als Antwort kaum aus. Der Arzt muss auch herausfinden, welche Sorge hinter der Liste steht, und sein Vorgehen verständlich begründen.
Robert J. McGrath schlägt dafür im Oktober 2026 in JMIR Medical Education ein Modell ärztlicher Beziehungskompetenz unter Beteiligung von KI vor. Seine sechs Bereiche lassen sich mit konkreten Situationen aus der Praxis verbinden. [1]
Empathische Präsenz bedeutet, die Aufmerksamkeit beim Patienten zu halten und auf seine Ängste einzugehen. Vertrauenswürdigkeit verlangt, Unsicherheit offenzulegen, statt eine plausible KI-Antwort als gesicherte Erkenntnis darzustellen. Zur Transparenz gehört die verständliche Erklärung, wofür ein KI-Werkzeug eingesetzt wurde. Das situative Beziehungsurteil betrifft die Frage, wann es das Gespräch unterstützt und wann es stört. Wird ein Patient beispielsweise wegen einer laufenden KI-Dokumentation zurückhaltend, sollte der Arzt diese Sorge ansprechen. Verantwortliche menschliche Entscheidung heißt, eine Empfehlung unabhängig vom KI-Text medizinisch begründen zu können. Vertrauensbildung mit Blick auf Benachteiligung und Verzerrungen bedeutet schließlich, die Frage ernst zu nehmen, ob ein System für den konkreten Patienten geeignet ist. Diese Praxisbeispiele veranschaulichen die Kompetenzbereiche; sie sind keine geprüften Trainingsaufgaben.
Eine ergänzende US-Befragung von 2.039 Erwachsenen zeigt, dass Vertrauen nicht selbstverständlich ist: 65,8 Prozent äußerten geringes Vertrauen darin, dass ihr Gesundheitssystem KI verantwortungsvoll einsetzt. Die 2025 veröffentlichte Untersuchung basiert allerdings auf Daten von 2023 und bildet nicht die heutige Situation in Deutschland ab. [2]
Im Patientengespräch lohnt sich deshalb neben der fachlichen Klärung eine einfache Frage: „Was macht Ihnen an diesem Einsatz Sorgen?“ Wer Angst um sensible Informationen hat, benötigt eine andere Antwort als jemand, der an der medizinischen Qualität zweifelt. Eine allgemeine Erklärung der Technik beantwortet nicht automatisch beides.
Was das für arztCME bedeutet. Für Fortbildungsanbieter ergibt sich daraus ein konkreter Ansatz: KI nicht nur erklären, sondern an Fällen beurteilen lassen. Ein Teilnehmer könnte zunächst selbst entscheiden, anschließend eine KI-Antwort prüfen und schließlich seine Einschätzung für den Patienten formulieren.
Beim eingangs beschriebenen Fall wären dabei drei Fragen wichtig: Welche Angaben fehlen zur Bewertung der vorgeschlagenen Tests? Wie lässt sich das weitere Vorgehen erklären, ohne die Patientensorge abzuwerten? Und welche offenen Fragen müssen Arzt und Patient gemeinsam klären? Auch ein KI-Lernbegleiter könnte solche Begründungen einfordern: „Welche Information würde Ihre Entscheidung ändern?“ Ob dies tatsächlich besseres Lernen fördert, müsste geprüft werden. Eine überzeugend klingende Rückmeldung ist noch kein Beleg für didaktische Qualität.
Quellen
- McGrath RJ. AI-Mediated Relational Competence in Medical Education: Construct Rationale and Curriculum Maturity Framework. JMIR Med Educ. 2026;12:e105459. doi:10.2196/105459
- Nong P, Platt J. Patients’ Trust in Health Systems to Use Artificial Intelligence. JAMA Netw Open. 2025;8(2):e2460628. doi:10.1001/jamanetworkopen.2024.60628
Text: Redaktion arztCME
Bild: Open AI für arztCME
