Künstliche Intelligenz (KI) ersetzt Radiologen nicht – trotz bahnbrechender Fortschritte in der Bildanalyse. Modelle wie CheXNet, ein 2017 vorgestelltes KI-System, können Pneumonie auf Röntgenaufnahmen genauer erkennen als ein Panel aus zertifizierten Radiologen. Seitdem haben Unternehmen wie Annalise.ai, Lunit, Aidoc und Qure.ai zahlreiche Algorithmen entwickelt, die bei der Erkennung von Hunderten von Erkrankungen über mehrere Bildtypen hinweg in Benchmark-Tests menschliche Leistungen übertrafen. Einige dieser Tools unterstützen bei der Priorisierung kritischer Fälle, generieren strukturierte Berichte oder operieren autonom – wie IDx-DR, das erste FDA-zugelassene KI-System, das ohne menschliche Lektüre auskommt. Insgesamt gibt es mittlerweile über 700 FDA-zugelassene radiologische KI-Modelle, was etwa drei Viertel aller medizinischen KI-Geräte ausmacht. Trotz dieser technologischen Leistungen ist die Nachfrage nach Radiologen in den USA und weltweit weiterhin gestiegen. 2025 boten amerikanische Residenzprogramme rekordhoch 1.208 Plätze an – ein Plus von vier Prozent gegenüber 2024 – und die Besetzungsquoten lagen auf historischem Hoch. Der Durchschnittsgehalt betrug 520.000 US-Dollar, knapp 48 Prozent höher als 2015. Dies widerspricht der früheren Prophezeiung von KI-Pionier Geoffrey Hinton, dass Radiologen nicht mehr ausgebildet werden sollten. Drei Faktoren erklären dieses Paradoxon: Erstens funktionieren KI-Modelle in realen Krankenhausbedingungen oft schlechter als in kontrollierten Tests, da sie auf spezifische Trainingsdaten angewiesen sind und bei ungewöhnlichen Bildqualitäten oder seltenen Erkrankungen versagen. Zweitens stehen rechtliche und versicherungstechnische Hürden im Weg: Regulatoren und Versicherer sind zögerlich, voll autonom arbeitende Systeme zu genehmigen oder zu bezahlen. Drittens erledigen Radiologen nur einen kleinen Teil ihrer Arbeit mit der Diagnose – der Großteil ihres Tages geht in Kommunikation mit Patienten und Kollegen, Schulung und Prozessoptimierung. Zudem sind die meisten KI-Modelle auf einzelne Befunde beschränkt, was bedeutet, dass Radiologen oft Dutzende von Algorithmen gleichzeitig nutzen müssen, ohne dass ein integrierter Überblick entsteht. Die meisten Modelle decken nur einen kleinen Teil der realen radiologischen Aufgaben ab – etwa 60 Prozent konzentrieren sich auf Schlaganfall, Brustkrebs und Lungenkrebs, obwohl diese Erkrankungen nur einen Bruchteil der gesamten Bildgebung ausmachen. Datenverfügbarkeit, Bildqualität und Mangel an Vielfalt in Trainingsdaten – besonders bei Kindern, Frauen und ethnischen Minderheiten – verschärfen die Probleme. KI-Modelle neigen zudem dazu, menschliche Kontextkenntnisse zu vermissen, wie etwa bei der Fehlinterpretation von chirurgischen Stiften als Blutungen. Die Leistungsschwankungen zwischen Labor- und Klinikumfeld sind gravierend: Studien zeigen, dass KI-Modelle bei externen Datensätzen bis zu 20 Prozent an Genauigkeit verlieren können. Auch die früheren Erfolge von Computer-Aided Diagnosis bei Mammographien – die ursprünglich als Verbesserung der Krebsfrüherkennung gelobt wurden – entpuppten sich in der Praxis als enttäuschend: mehr Biopsien, aber keine höhere Erkennungsrate. Radiologen neigen dazu, KI-Systeme zu sehr zu vertrauen, was zu Fehlentscheidungen führt – besonders wenn das System nichts meldet, was als „sicher“ interpretiert wird. Regulatorische und versicherungstechnische Barrieren bleiben entscheidend: Autonome KI-Systeme müssen extrem robust sein, was ihre Entwicklung erschwert. Ohne Haftpflichtversicherung sind Krankenhäuser nicht bereit, KI-Entscheidungen zu akzeptieren. Selbst IDx-DR hat nur deshalb eine Lizenz erhalten, weil der Hersteller eine Produkt-Haftpflicht übernimmt. Die Einführung von KI führt nicht zu Entlassungen, sondern oft zu mehr Arbeit – denn wenn die Diagnose schneller geht, wird mehr Bildgebung genutzt. Dies ist ein Beispiel für das Jevons-Paradox: niedrigere Kosten führen zu höherer Nachfrage. Seit der Digitalisierung der Bildgebung stieg die Nutzung um 60 Prozent – ohne dass die Zahl der Radiologen sank. Insgesamt zeigt Radiologie, dass KI nicht automatisch menschliche Arbeit ersetzt, besonders wenn Aufgaben vielfältig, Risiken hoch und Nachfrage elastisch sind. Die Zukunft liegt nicht in der vollständigen Automatisierung, sondern in der Zusammenarbeit: Mensch und Maschine ergänzen sich. Die KI steigert die Produktivität, doch die Institutionen, Anreize und menschliches Verhalten bestimmen, wie sie eingesetzt wird. Die Erkenntnis: Je besser die Maschinen, desto beschäftigter werden die Radiologen – ein Muster, das sich in vielen Wissensberufen wiederholen könnte. Bewertung: Branchenexperten wie Deena Mousa von Open Philanthropy betonen, dass die Erwartungen an KI in der Medizin oft durch Benchmark-Tests überzogen werden. Die Realität erfordert nicht nur bessere Algorithmen, sondern auch Veränderungen in Regulierung, Versicherung und klinischer Praxis. Radiologen bleiben unverzichtbar – nicht weil sie die besten Diagnostiker sind, sondern weil sie den komplexen Kontext, die Verantwortung und die Kommunikation liefern, die KI nicht ersetzen kann. Die Branche steht vor einer Transformation, die nicht durch Automatisierung, sondern durch intelligente Integration von KI erfolgen wird.