Wie wir AI-Triage für eine Arztpraxis gebaut haben

Vor sieben Monaten kam eine Hausarztpraxis aus Nordrhein-Westfalen auf uns zu. Symptome: 42 Anrufe in der ersten Stunde jeden Tag, vier MFAs am Limit, Patienten frustriert. Sieben Wochen später lief die App. Hier ist, was wir gebaut haben — und was wir falsch entschieden haben.

Die Ausgangslage

1.842 Patienten pro Monat. Ein bestehendes PVS (Praxisverwaltungssystem) der Marke X. Vier MFAs, die im Morgenrhythmus zwischen Anrufentgegennahme, Triage am Telefon, Akten-Pflege und Wartezimmer-Management springen. Kein digitaler Kanal außer einem statischen Webformular.

Was wir gebaut haben

• Patient-App (iOS + Android, eine Codebase). Login per E-Mail oder GesundheitsID. Termin selbst buchen, Folge-Termine setzen, Rezept-Nachbestellungen.
• AI-Triage-Chat. Eine LLM-basierte Triage, die per Klartext fragt — „Was tut weh? Seit wann? Fieber?" — und drei Outcomes liefert: Routine-Termin, dringend (heute), Notfall (jetzt 112 anrufen).
• PVS-Sync. Termine landen direkt im PVS, MFAs müssen nichts abtippen.
• IGeL-Buchung mit Anzahlung. Bestimmte Selbstzahler-Leistungen direkt in der App buchbar, mit Stripe-Anzahlung — reduziert No-Shows massiv.

Die drei wichtigen Architektur-Entscheidungen

1. AI-Triage NICHT als Diagnose framen

Das war die größte Diskussion mit dem Praxis-Team. Eine LLM darf in Deutschland nicht diagnostizieren — und das ist auch richtig. Wir haben die Triage strikt als „Wie dringend"-Klassifizierer gebaut, nie als „Was hast du". Die Frage ist immer: „Welche Slot-Kategorie wird gebraucht?" Nicht: „Was ist die Diagnose?"

Das hat zwei Vorteile: rechtlich sauber, und die LLM-Performance ist auf dieser Aufgabe deutlich stabiler.

2. Eskalation immer für Menschen sichtbar

Wenn die AI „Notfall" sagt, geht das parallel als Push-Notification an die MFA-Sammeltablet. Niemand verlässt sich darauf, dass der Patient die 112-Empfehlung wirklich befolgt.

3. Daten nie in fremden LLM-Provider

Wir nutzen Vercel AI Gateway mit Zero Data Retention. Patient-Eingaben gehen verschlüsselt durch, werden nirgends gespeichert, kein Training. EU-Hosting (Frankfurt). Das war Voraussetzung für die DSGVO-Freigabe der Praxis und ihres Datenschutzbeauftragten.

Was wir falsch entschieden haben

Wir haben den AI-Triage-Wortlaut zu früh fixiert

In Woche 4 hatten wir die Triage-Fragen final. In Woche 6 stellten wir fest: viele ältere Patienten verstehen Formulierungen wie „Skala 1-10" gar nicht. Wir mussten nochmal ran. Lesson: Triage-Wording mit echten 65+ Test-Usern, nicht mit dem Praxis-Team.

Wir haben die Push-Notifications zu aggressiv gesetzt

Erinnerungen 24h und 2h vor Termin → eine Patientin beschwerte sich, sie fühle sich „überwacht". Wir haben auf opt-in pro Erinnerungs-Typ reduziert.

Die Zahlen nach 4 Monaten Live

• −42% Anrufvolumen (von ~150/Tag auf ~87/Tag in der Spitze).
• ~80h / Monat Personal-Zeit gespart (entspricht einer halben MFA-Stelle).
• 1.247 aktive App-Nutzer:innen nach 4 Monaten (~68% Conversion der Patientenliste).
• −31% No-Shows dank Anzahlung bei IGeL und Push-Erinnerungen.

Was du daraus mitnimmst

AI in der Gesundheit funktioniert, wenn du sie auf eine sehr eng definierte Aufgabe reduzierst und Eskalation immer Menschen sichtbar machst. Diagnose ist nicht die Aufgabe — Triage ist es. Und Triage ist schwierig genug, dass es richtig viel Wert erzeugt, ohne rechtliches Risiko.

Die richtige Frage bei jedem AI-Feature: „Was darf die KI nicht?“ — vor der Frage, was sie können soll.