LabMag 13: Vier Denkfehler über KI

Warum Dentallabore genauer hinschauen sollten

Willkommen zum LabMag 13. In der letzten Ausgabe stand eine Frage im Fokus: Wer kopiert hier künftig eigentlich wen? Nun hat sich eine weitere Frage aufgedrängt: Warum verlaufen viele KI-Diskussionen so ähnlich? Ob Softwareentwicklung, Radiologie, Architektur, Rechtsberatung oder Zahntechnik – viele Debatten folgen denselben Mustern.

Große Veränderungen kündigen sich selten laut an. Sie beginnen meist unscheinbar. Erst verschwindet eine Tätigkeit aus dem Alltag. Dann verändert sich ein Prozess. Irgendwann stellt man fest, dass sich nicht nur die Arbeit verändert hat, sondern die gesamte Logik dahinter. Das beobachten derzeit viele Branchen beim Thema KI. Die spannendste Entwicklung findet dabei nicht bei den Algorithmen statt, sondern in den Köpfen der Menschen, die mit ihnen arbeiten. Gemeinsam mit Technologie-Strategen Mike Kieschnick haben wir vier Denkfehler herausgegriffen, die derzeit in vielen KI-Debatten auftauchen und die auch für Dentallabore relevant werden könnten.

Quick Takes | Was bewegt die Branche?

Aufsprühen, fertig: optiprint iso 3D ist die ideale Lösung für das Isolieren gedruckter Modelle bei der Verarbeitung von Prothesen- und KFO-Kunststoffen – schnell, einfach und materialschonend. mehr

d.connect 2026: Neue Perspektiven, offene Diskussionen und viele Gespräche über KI, Generationenwandel und die Zukunft der Zahntechnik. Die wichtigste Erkenntnis von d.connect 2026: Zukunft entsteht nicht nur durch Technologie, sondern in erster Linie durch Menschen.

Daten statt Bauchgefühl: Immer mehr Branchen beschäftigen sich mit Data Literacy und Wissensmanagement. Auch für Dentallabore werden Datenqualität und Dokumentation zunehmend wichtig. mehr

Deep Dive | Hintergrund und Perspektiven

Wer KI-Debatten in unterschiedlichen Branchen verfolgt, entdeckt einige Parallelen. Viele Annahmen wiederholen sich – unabhängig davon, ob es um Softwareentwicklung, Medizin oder Zahntechnik geht.

Denkfehler 1: KI ist ein weiteres Werkzeug

Die meisten Diskussionen über KI beginnen bei der Software und der Frage, welche Arbeitsschritte sich automatisieren lassen. Nachvollziehbar, doch zeigt der Blick in andere Branchen, dass die eigentliche Veränderung auf einer anderen Ebene stattfindet. Nicht Werkzeuge verändern die Arbeit. Werkzeuge verändern die Bedingungen, unter denen Arbeit entsteht.

• Expertenperspektive: In der Softwareentwicklung hat die generative KI (wie GitHub Copilot) das reine Codieren demokratisiert. Der Wert eines Entwicklers bemisst sich nicht mehr nach geschriebenen Zeilen, sondern nach Systemarchitektur und Logik.
• Dentallabor: Wenn CAD-Software durch KI den Erstvorschlag einer Krone in Sekunden liefert, verschiebt sich die Wertschöpfung des Zahntechnikers von der reinen digitalen Fleißarbeit (Morphologie anpassen) hin zur funktionellen Endkontrolle (Okklusion, Dynamik, Ästhetik).

Denkfehler 2: Automatisierung spart Zeit

Automatisierte Prozesse benötigen weniger Aufwand. Konstruktionen entstehen schneller. Analysen laufen effizienter. Routineaufgaben verschwinden. Die Erfahrung zeigt allerdings: Gewonnene Zeit bleibt selten freie Zeit. Sie wird neu verteilt: mehr Kommunikation, mehr Individualisierung, mehr Dokumentation; vor allem aber: mehr Erwartungen.

• Expertenperspektive: Das ist das sogenannte Jevons-Paradoxon der Technologie: Wenn ein Prozess effizienter und billiger wird, sinkt nicht der Gesamtaufwand, denn die Erwartungshaltung steigt.
• Dentallabor: Wenn Schienen, Modelle oder Standardkonstruktionen weitgehend automatisiert entstehen, führt das selten zu mehr Freizeit. Die gewonnene Zeit fließt in das Bearbeiten komplexer Grenzfälle, Individualisierungen, Fallbesprechungen, Dokumentationen, Qualitätskontrollen etc.

Denkfehler 3: Die beste KI gewinnt

Viele Unternehmen investieren zuerst in neue KI-Systeme. Dabei scheitern die meisten Projekte nicht an der Software, sondern an den eigenen Daten.

• Expertenperspektive: „Garbage in, garbage out“ ist das Grundgesetz der IT. Eine KI kann ohne standardisierte Daten (Taxonomie) und klare Dateibenennungen (Naming Conventions) keine Muster erkennen.
• Dentallabor: WhatsApp-Nachrichten, E-Mails und verschiedene Laufwerke parallel zu nutzen, ist in vielen Laboren Realität. Doch eine KI kann nur schwer Muster erkennen, wo Daten fragmentiert sind. Ohne eine zentralisierte, saubere Struktur läuft die Software ins Leere – sie benötigt Standards, um überhaupt einen messbaren Wert zu schöpfen.

Experten-Tipp: Die meisten Unternehmen besitzen sehr viel mehr Daten, als sie nutzen. Der Engpass ist selten die Menge, sondern die Struktur.

Denkfehler 4: Erfahrung schützt vor Veränderung

Die vielleicht überraschenste Erkenntnis: Erfahrung verliert nicht an Wert, sie verändert ihren Platz im Prozess. Zahntechnik war lange ein Beruf, in dem Erfahrung, Auge und handwerkliches Können über das Ergebnis entschieden haben. Deshalb wird die Entwicklung so intensiv diskutiert.

• Expertenperspektive: Expertise wird nicht entwertet, sie wird kuratiert. Der Erfahrene wird vom Ausführenden zum Kontrollierenden („Human in the Loop“).
• Dentallabor: Ein Jungtechniker kann mit KI-Unterstützung zwar schneller eine anatomisch funktionelle Krone designen, aber nur der erfahrene Techniker sieht sofort, ob die statische und dynamische Okklusion im Patientendetail wirklich funktioniert.

Experten-Tipp: KI liebt Standards; einheitliche Benennungen, klare Ablagestrukturen, nachvollziehbare Versionierung. Die Einführung solcher Standards ist oft aufwendiger als die Auswahl einer KI-Lösung.

Vier Fragen für das eigene Labor

Die größten Hürden liegen selten bei der Technologie. Vier konkrete Fragen an das Laborteam:

Wie abhängig sind unsere Abläufe von einzelnen Personen?

Viele Prozesse funktionieren hervorragend. Aber funktionieren sie auch, wenn der erfahrenste Mitarbeiter im Urlaub ist? Wo wird Wissen gespeichert – im Team, im Kopf einzelner Mitarbeiter oder der Chefin?

Können wir aus unseren eigenen Daten lernen?

Scans, CAD-Daten, Fotos, Korrekturen, Maschinenparameter etc. sind vorhanden. Aber entsteht daraus Wissen oder nur ein wachsendes Archiv? Sind unsere Daten strukturiert organisiert?

Wo entstehen bei uns Datensilos?

Unterschiedliche Ablagen und Benennungen funktionieren erstaunlich lange, bis Informationen gesucht, verglichen oder automatisiert verarbeitet werden sollen.

Lernen wir – oder beobachten wir noch?

Nicht jede Technologie wird relevant sein. Aber die Fähigkeit, Entwicklungen einzuordnen und eigene Erfahrungen aufzubauen, wird zunehmend zum Wettbewerbsvorteil.

Experten-Tipp: Wer früh beginnt, sammelt Wissen. Wer wartet, sammelt Beobachtungen. Beides ist nicht dasselbe. Wer auf die perfekte Lösung wartet, verpasst die Lernphase. Nicht jedes Experiment zahlt sich aus, aber ohne eigene Erfahrung fehlt die Grundlage für spätere Entscheidungen.

To do´s für die Datenhygiene

KI kann nicht nur auf Daten zugreifen, sondern dabei helfen, die Struktur überhaupt erst aufzubauen:

• Prozesse per Diktat dokumentieren: Aus Audio-Transkripten Arbeitsanweisungen, SOPs und Prozessbeschreibungen erzeugen lassen.
• Altdaten automatisiert sortieren: Dateien analysieren, klassifizieren, umbenennen und bestehenden Ablagestrukturen zuordnen.
• Standards im Alltag absichern: Eingehende Dateien automatisiert prüfen, verschlagworten und einsortieren lassen, bevor sie den Workflow blockieren.

Experten-Tipp: Bei Patientendaten gelten die Anforderungen der DSGVO. Für sensible Daten kommen häufig lokale Lösungen oder Systeme mit entsprechenden Datenschutzvereinbarungen infrage.

Die Diskussion über künstliche Intelligenz wird oft als Technologiethema geführt. Vielleicht ist sie in Wirklichkeit ebenso ein Organisations-, Wissens- und Führungsthema. Und vielleicht ist das die Antwort auf die Frage aus der letzten Ausgabe „Wer kopiert hier künftig wen?“. Entscheidend wird sein, wer lernt, menschliche Erfahrung und künstliche Intelligenz sinnvoll miteinander zu verbinden.

Meet & Learn | Termine & Training

Digitale Teleskoptechnik 2.0: 30. September und 11. November 2026, Dortmund

Digital gedacht, digital gemacht: Primär- und Sekundär-Teleskopkronen in einem Arbeitsgang. mehr