Ergänzendes Dokument · KI-Assistenten · Technische Analyse
Analyse der Werkzeuge und Umsetzungsansätze für die zwei KI-Assistenten (Klienten-seitig und Arzt-seitig). Vergleich der realistischen Optionen je Schicht des Systems, offen benannt in Vor- und Nachteilen, mit einer empfohlenen Kombination sowie indikativen Kosten, Aufwand und Zeitplan. Fachlich vollständig, für Nicht-Spezialistinnen und Nicht-Spezialisten lesbar. Ein Planungs- und Entscheidungsdokument, keine juristische oder klinische Beratung.
Die Kurzfassung ohne Fachbegriffe — für Entscheiderinnen und Entscheider. Der Rest des Dokuments liefert die technische Begründung dahinter.
Was wir bauen. Einen KI-Assistenten, der sich je nach Nutzer unterschiedlich verhält: Für Klientinnen gibt er Lifestyle-Tipps (Ernährung, Schlaf, Energie), für die Ärztin hilft er zusätzlich bei medizinischen Fragen.
Die wichtigste Sicherheitsregel. Eine Klientin erhält nie direkt eine medizinische Antwort. Sobald eine Frage medizinisch ist, geht sie zuerst an die Ärztin, die die Antwort prüft und freigibt, bevor die Klientin sie sieht. Jeder Schritt wird lückenlos protokolliert.
Wie und wo. Gebaut auf Googles KI („Gemini”) — mit allen Daten in der Schweiz. Zwei KI-Stufen halten die Kosten tief: eine clevere (teurere) für die wichtigen und medizinischen Antworten und eine günstige, schnelle für den Alltags-Chat.
Kosten und Zeit. Laufende Kosten grob USD 700–1'100 pro Monat bei einigen hundert Klientinnen. Der Klienten-Assistent ist in ~5–8 Wochen nutzbar, der Arzt-Assistent ~4–7 Wochen später; die behördliche Zulassung der medizinischen Funktion läuft mehrere Monate parallel.
Die empfohlene Wahl für jeden Baustein — jeweils mit Begründung und Kosten. Die laufende Monatssumme und der Zeitrahmen stehen unten.
Die KI selbst
Empfohlen: Zwei Google-Gemini-Modelle — ein starkes (3.1 Pro) für medizinische und komplexe Antworten, ein günstiges, schnelles (Flash-Lite) für Alltags-Chat und das Sortieren der Fragen.
Warum: Bestes Preis-Leistungs-Verhältnis — teure Rechenpower nur dort, wo eine Frage sie wirklich braucht.
Kosten: Nutzungsbasiert; das günstige Modell kostet Bruchteile eines Cents pro Nachricht.
Wo es läuft & Datenstandort
Empfohlen: Google Cloud (Vertex AI), Region Zürich.
Warum: Alle sensiblen Gendaten bleiben in der Schweiz; medizinisch abgestimmte Funktionen sind bereits integriert.
Kosten: Nutzungsbasiert — Teil der Monatssumme unten.
Antworten aus echten Akten
Empfohlen: Vertex AI Search for Healthcare (mit Vertex RAG).
Warum: Der Assistent antwortet aus den echten Patientenakten und nennt die Quelle — das senkt Falschauskünfte deutlich.
Kosten: Nutzungsbasiert.
Der ärztliche Freigabe-Ablauf
Empfohlen: Als normale Software bauen (optional gestützt auf Vertex Agent Builder).
Warum: Der Freigabe-Schritt ist klassische Software-Logik, kein KI-Problem — so behalten wir volle Kontrolle und Nachvollziehbarkeit.
Kosten: Einmaliger Entwicklungsaufwand, keine zusätzliche Lizenzgebühr.
Nachvollziehbarkeit & Protokoll
Empfohlen: Googles Bordmittel (Vertex Native Logging) als Standard; Langfuse (selbst gehostet) als späterer Ausbau.
Warum: Bereits in der Google-Rechnung enthalten und bleibt in der Schweizer Vertrauensgrenze — kein zusätzlicher Anbieter nötig.
Kosten: Im Standard enthalten; späterer Ausbau ~$150/Monat.
Nur zum Vergleichen (Prototyp)
Empfohlen: OpenRouter, um Modelle vor der Produktion schnell zu vergleichen.
Warum: Ein Schlüssel, viele Modelle — praktisch zum Testen, aber nicht für echte Gendaten.
Kosten: Tokens + kleine Aufschlagsgebühr.
grob USD 700–1'100 / Monat — bei einigen hundert aktiven Klientinnen (~60'000 Interaktionen / Monat), vor Optimierung. Die reine KI-Nutzung ist dabei klein; den Grossteil machen Hosting und unterstützende Dienste aus.
~$0.15–0.20 / Monat für eine typische aktive Klientin; selbst eine intensive, sehr gesprächige Nutzung bleibt unter ~$1.60. Dazu einmalig ~$0.15 für das Erstellen des DNA-Profils.
~5–8 Wochen für den Klienten-Assistenten, ~4–7 Wochen später der Arzt-Assistent mit Freigabe-Ablauf; die medizinische Zulassung läuft mehrere Monate parallel.
Zwei Assistenten, ein Motor. Ein einziger intelligenter Assistent liefert zwei Erlebnisse — für Klientinnen (Lifestyle, nicht-medizinisch) und für die behandelnde Ärztin bzw. den Arzt (Lifestyle, nicht-medizinisch und medizinisch). Alles Medizinische durchläuft einen verpflichtenden ärztlichen Freigabe-Schritt: die medizinische Frage der Klientin wird nicht direkt beantwortet, sondern eskaliert; die Ärztin prüft und gibt eine vorgeschlagene Antwort frei, bevor sie die Klientin erreicht. Jeder Schritt wird auditierbar protokolliert.
Empfohlener Stack. Zwei-Stufen-Gemini (3.1 Pro für Synthese und den medizinischen Pfad, Flash-Lite für Lifestyle-Chat und Intent-Routing), gehostet auf Vertex AI in der Google-Cloud-Region Zürich, geerdet über Vertex RAG und Vertex AI Search for Healthcare für den klinischen Pfad, orchestriert per Anwendungscode (optional gestützt auf Agent Builder), beobachtet über Vertex Native Logging.
Grössenordnung. Bei ~60'000 Interaktionen pro Monat bewegen sich die laufenden Kosten (Inferenz, Observability, Cloud-Grundlast) grob in der Grössenordnung USD 700–1'100 pro Monat — vor Optimierung. Phase 1 (Klienten-Assistent) ~5–8 Wochen, Phase 2 (Arzt-Assistent + Freigabe-Workflow) weitere ~4–7 Wochen; die medizingerätliche Compliance läuft mehrere Monate parallel.
Dieses Dokument fasst die Ergebnisse einer Analyse der Werkzeuge und Umsetzungsansätze zusammen, mit denen die beiden KI-Assistenten (Klienten- und Arzt-seitig) gebaut werden können. Es vergleicht die realistischen Optionen auf jeder Schicht der Lösung, benennt Vor- und Nachteile offen und schlägt eine empfohlene Kombination vor — mit indikativen Kosten, Aufwand und Zeitplan. Fachlich vollständig, aber auch für Nicht-Spezialistinnen und Nicht-Spezialisten lesbar. Es handelt sich um ein Planungs- und Entscheidungsdokument, nicht um rechtliche oder klinische Beratung.
Zwei Assistenten-Erlebnisse, integriert in die Web-Anwendung:
Klienten-Assistent
Lifestyle- und nicht-medizinische Orientierung auf Basis von DNA-Profil, Laborwerten, Lifestyle-Fragebogen und weiteren verfügbaren Daten — z.B. „Was kann ich heute für mehr Energie tun?" oder das Hochladen eines Foto einer Speisekarte mit der Frage „Was kann ich hier essen?".
Arzt-Assistent
Lifestyle-, nicht-medizinische und — vor allem — medizinische Orientierung für jede Patientin, die dieser Ärztin bzw. diesem Arzt zugewiesen ist.
Freigabe-Prinzip. Beide Erlebnisse laufen auf einem einzigen intelligenten Assistenten, der Informationen und Rechte per Rolle filtert. Jede medizinische Anfrage folgt einem verpflichtenden Freigabeschritt: die medizinische Frage der Klientin wird nicht direkt beantwortet — der Assistent eskaliert an die Ärztin, die eine vorgeschlagene Antwort prüft und freigibt, bevor sie die Klientin erreicht. Jeder Schritt wird auditierbar protokolliert.
Eine funktionierende Lösung ist kein einzelnes Produkt, sondern ein Stapel aus Schichten. Auf jeder Schicht wird eine Entscheidung getroffen; die Schichten sind weitgehend unabhängig und können separat gewählt (und später ausgetauscht) werden. Die folgenden Vergleiche folgen diesen fünf Schichten:
Schicht 1 — Modell
Die KI-Engine, die schlussfolgert und Antworten generiert.
Schicht 2 — Hosting & Datenzugriff
Wo das Modell läuft und — entscheidend — wo die Daten liegen.
Schicht 3 — Orchestrierung
Routing der Fragen, Abruf von Patientendaten, Freigabe-Workflow.
Schicht 4 — Observability & Audit
Tracing, Evaluation, Prompt-Management, revisionssicherer Trail.
Schicht 5 — Healthcare-Bausteine
Medizinisch abgestimmte Komponenten, die statt eines Eigenbaus wiederverwendet werden können.
Die wichtigsten Begriffe dieses Dokuments in je einem Satz.
Modell
Das „Gehirn” der KI, das Fragen versteht und die Antworten formuliert.
Hosting & Datenstandort
Auf wessen Computern die KI läuft und — wichtig — in welchem Land die Daten gespeichert sind (hier: Schweiz).
Orchestrierung
Die Steuerungslogik im Hintergrund: Sie entscheidet, was mit jeder Frage passiert, und holt die richtigen Patientendaten dazu.
Grounding (RAG)
Die KI antwortet aus den echten Akten der Person und nennt die Quelle — statt frei zu raten.
Observability & Audit
Eine vollständige, fälschungssichere Aufzeichnung: Was hat die KI gesagt, was hat die Ärztin freigegeben?
Multimodal
Die KI versteht Text und Bilder — z.B. das Foto einer Speisekarte.
Token / Inferenz
Die Abrechnungseinheit für KI-Nutzung. „Inferenz” heisst, die KI erzeugt eine Antwort — mehr Text bedeutet mehr Tokens und damit mehr Kosten.
Vendor-Lock-in
Die Abhängigkeit von einem einzigen Anbieter — ein späterer Wechsel wird dadurch aufwändiger.
Das Modell ist die Denk-Engine. Es muss multimodal sein — Text und Bilder gleichermassen verarbeiten. Das kosteneffizienteste Design nutzt zwei Stufen: ein starkes Modell für Synthese und medizinische Reasoning, und ein günstigeres Modell für einfachen Lifestyle-Chat und die Klassifikation, welche Fragen eskaliert werden müssen. Preise sind indikativ (USD pro 1M Tokens, Input/Output) und ändern sich häufig.
| Modell | Kosten (In / Out) | Aufwand | Vorteile | Grenzen |
|---|---|---|---|---|
| Gemini 3.1 Pro Empfohlen |
$2$12/ 1M Tok
> 200K Tok: $4 / $18
|
Gering | Günstigstes starkes multimodales Modell; grosser Kontext. | Kosten steigen bei sehr langen Prompts. |
| Gemini 3 Flash / Flash-Lite Empfohlen |
$0.50$3Flash
$0.10$0.40Flash-Lite
/ 1M Tok
|
Gering | Sehr niedrige Kosten; ideal für Lifestyle-Chat und Routing. | Schwächer bei komplexem Reasoning. |
| Claude Opus 4.8 / Sonnet 5 |
$5$25Opus 4.8
~$2Sonnet 5 · In
/ 1M Tok
|
Gering–Mittel | Exzellentes Reasoning & Instruktions-Befolgung. | Höhere Kosten; ausserhalb eines All-Google-Setups. |
| GPT-5.5 / 5.4 |
$5$30GPT-5.5
$2.50$15GPT-5.4
/ 1M Tok
|
Mittel | Reifes Ökosystem. | Nicht nativ auf Google Cloud. |
| Open-Weight (Llama 4 / DeepSeek / Qwen) |
Modell gratis
+ GPU $0.5–5 / Std.
|
Hoch | Volle Kontrolle über die Daten. | Hoher Betriebs-Aufwand. |
Empfehlung
Ein zwei-stufiges Gemini-Setup — 3.1 Pro für Synthese und den medizinischen Pfad, Flash-Lite für Lifestyle-Fragen und Intent-Routing.
Unabhängige Forschung stützt die Modellwahl. Aktuelle Studien sehen Gemini bei medizinischen Fragen ganz vorne — und zeigen, dass ein allgemeines Modell spezialisierte Medizin-Tools schlägt.
NOHARM-Studie — Stanford / Harvard, 2026
31 KI-Systeme an 100 echten Facharzt-Überweisungen, bewertet von 29 Fachärztinnen. Gemini 2.5 Pro erreichte Platz 2 (59,9 %) und führte bei der Sicherheit. Die besten Modelle übertrafen approbierte Ärztinnen bei zentralen Sicherheitsmetriken. Bericht (Forbes)
Nature Medicine — Juni 2026
Frontier-LLMs vs. spezialisierte Klinik-Tools (OpenEvidence, UpToDate). Gemini 3.1 Pro erzielte die höchste MedQA-Genauigkeit — 97,4 % (GPT 94,2 %, Claude 90,2 %; OpenEvidence 89,6 %, UpToDate 88,4 %). Allgemeine Modelle schlugen die spezialisierten Tools in allen drei Tests. Studie · PubMed
Med-Gemini — Google Research
91,1 % Genauigkeit auf MedQA (USMLE), neue Bestwerte in 10 von 14 medizinischen Benchmarks, übertraf die GPT-4-Familie in jedem direkten Vergleich. Google Research
Ergebnis
Was das für uns heisst. Die Evidenz stützt die Wahl doppelt: Gemini gehört bei medizinischen Fragen durchgehend zur Spitzengruppe und ist bei der Sicherheit führend, und ein allgemeines Modell (Gemini) schlägt spezialisierte Medizin-Tools — deshalb bauen wir auf Gemini plus eigener Orchestrierung. Und weil selbst die besten Modelle nicht immer richtig liegen, bleibt der verpflichtende ärztliche Freigabe-Schritt zentral.
Dies ist die entscheidende Schicht für eine Genetik-Plattform, weil sie bestimmt, wo die Daten physisch liegen (Residency) und unter welchem vertraglichen und Compliance-Regime.
| Ansatz | Kosten | Aufwand / Zeit | Vorteile | Grenzen |
|---|---|---|---|---|
| Google Cloud (Vertex AI) Empfohlen |
Nutzungs-basiert
|
Gering / Tage | Datenstandort Schweiz (Zürich); medizinisch abgestimmtes Grounding; integrierter Datenstack. | Gewisse Ein-Anbieter-Abhängigkeit. |
| AWS Bedrock | Nutzungs-basiert |
Mittel / 1–2 Wo. | Claude first-class; EU-/CH-Residency. | Separates Ökosystem. |
| Azure AI Foundry | Nutzungs-basiert |
Mittel / 1–2 Wo. | Passt in Microsoft-zentrische Landschaften. | Nicht das gewählte Ökosystem. |
| Direkte Provider-APIs |
Nutzungs-basiert
Ohne Plattform-Gebühr
|
Gering / Tage | Schnellste Prototyping-Route. | Residency/DPA pro Anbieter zu prüfen; weniger Governance. |
| OpenRouter.ai |
Tokens + 5.5 % Kredit-Gebühr
$0.80 min. · BYOK 5 % über 1M Req./Monat
|
Gering / Tage | 300+ Modelle über einen Schlüssel; automatischer Fallback; ideal für Prototyping. | Daten laufen durch Drittanbieter — ungeeignet für genetische Daten in Produktion. |
| Selbst gehostet (Open-Weight) |
GPU + Betrieb
Kostenstruktur individuell
|
Hoch / Wochen | Daten verlassen die eigene Infrastruktur nie. | Erheblicher Betriebs-Aufwand. |
Empfehlung
Vertex AI auf Google Cloud, Zürich-Region (europe-west6). OpenRouter nur zum Prototyping und Modellvergleich einsetzen; wenn Produktions-Portabilität gewünscht ist, ist ein selbst gehosteter Proxy (z.B. LiteLLM) vorzuziehen, statt sensible Daten durch einen Aggregator zu leiten.
Die Orchestrierungs-Schicht routet jede Frage (einfach vs. komplex vs. „medizinisch → eskalieren"), ruft die relevanten Patientendaten ab und führt den ärztlichen Freigabe-Workflow aus. Der Freigabe-Workflow selbst ist ein Zustandsautomat (pending → freigegeben / editiert / abgelehnt) mit Benachrichtigungen und Audit-Trail — kein KI-Problem, sondern Anwendungslogik.
| Ansatz | Kosten | Aufwand / Zeit | Vorteile | Grenzen |
|---|---|---|---|---|
| Vertex Agent Builder / Agent Engine Schnellste |
Nutzung + Runtime
Free-Tier verfügbar
|
Gering–Mittel / 1–3 Wo. | Nativ zu Google Cloud; managed RAG, Sessions & Memory. | Vendor-Lock-in; komponentenbasierte Abrechnung. |
| Open-Source-Frameworks (LangChain, LlamaIndex, Pydantic AI) |
Kostenfrei
Open-Source-Code
|
Mittel / 2–4 Wo. | Volle Kontrolle über Logik und Freigabe-Workflow. | Selbst bauen und warten. |
| Eigener Anwendungscode |
Kostenfrei
Eigenentwicklung
|
Hoch / 3–6 Wo. | Keine Abhängigkeiten; passt exakt. | Höchster Engineering-Aufwand. |
Empfehlung
Den ärztlichen Freigabe-Workflow als Anwendungscode implementieren (managed State + Benachrichtigungen); optional Vertex Agent Builder für die Retrieval-/Agent-Teile nutzen, um den Bau-Aufwand zu reduzieren.
Für ein Gesundheits-Produkt ist diese Schicht eine Pflicht, keine Option: Man muss nachvollziehen können, was das Modell gesagt hat, was die Ärztin freigegeben hat, welche Latenz und welche Kosten angefallen sind — und einen Audit-Trail vorhalten.
| Option | Kosten | Aufwand | Vorteile | Grenzen |
|---|---|---|---|---|
| Langfuse (selbst gehostet) |
Kostenfrei
Open-Source + ~$150 / Mon. Infra
|
Mittel | Daten bleiben in der eigenen Infrastruktur; Tracing, Evals & Prompt-Management. | Betrieb des Datenspeichers ist echter Aufwand. |
| Langfuse Cloud |
50k Free
Core $29 Pro $199
Enterprise $2'499 / Mon.
|
Gering | Schnell einsetzbar; Pro bietet SOC2/ISO27001 & HIPAA. | Daten laufen durch deren Cloud. |
| LangSmith |
~$2'500/ Mon.
bei 1M Events · $39 / Seat
|
Gering | Gut bei starker LangChain-Bindung. | Bei Skalierung teuer; an LangChain gebunden. |
| Helicone / Arize Phoenix |
Variabel
Open-Source verfügbar
|
Gering | Einfacher Proxy / stark bei grosser Skalierung. | Weniger Prompt- & Eval-Funktionen. |
| Vertex native Logging Empfohlen |
Enthalten
Teil der Vertex-Rechnung
|
Gering | Keine zusätzliche Integration. | Kein dediziertes LLM-Eval-/Prompt-Tooling. |
Empfehlung
Langfuse selbst gehostet im privaten Netz des Projekts — sensible Daten bleiben im Haus, Tracing, Evaluation und Prompt-Management kommen aus einer Hand.
Ein wichtiges Ergebnis: Es gibt keinen fertigen „medizinischen Chatbot", den man einstecken könnte. Was existiert, sind Bausteine — meist rund um Bildgebung und Aktenverständnis — plus eine Komponente, die hier tatsächlich hilfreich ist, um Antworten zu erden (Grounding).
| Komponente | Status | Was es ist / wie es hilft |
|---|---|---|
| MedLM | Deprecated (Zugang endete Sept 2025) | Ehemaliges medizinisches Q&A-/Zusammenfassungs-Modell — nicht mehr verfügbar. |
| Med-Gemini | Forschung | Nächste Generation multimodaler medizinischer Modelle; kein allgemein verfügbares Produkt. |
| MedGemma 1.5 | Open-Weight, kostenfrei kommerziell (Jan 2026) | CT/MRT, Histopathologie, EHR-Verständnis — ein Baustein, kein konversationeller Assistent. |
| Vertex AI Search for Healthcare Nutzen | Generally available | Erdet Antworten in den eigenen Patientenakten und zitiert die Quelle — die nützliche Grounding-Schicht für den Arzt-Assistenten. |
Ergebnis
Die konversationelle Engine und der Freigabe-Workflow müssen mit einem allgemeinen Modell (Gemini) plus eigener Orchestrierung gebaut werden. Vertex AI Search for Healthcare ist das Stück, das sich für medizinisches Grounding lohnt wiederzuverwenden.
Modell: Gemini 3.1 Pro (Synthese / medizinisch) + Flash-Lite (Lifestyle / Routing).
Hosting: Vertex AI auf Google Cloud, Zürich-Region für SwissDnaCode-Daten.
Grounding / Retrieval: Vertex RAG plus Vertex AI Search for Healthcare für den klinischen Pfad.
Orchestrierung & Freigabe: Anwendungscode, optional gestützt auf Agent Builder.
Observability & Audit: Vertex Native Logging (Standard); Langfuse (selbst gehostet) als späterer Ausbau, wenn dediziertes Prompt-/Eval-Tooling gebraucht wird.
Nur Prototyping: OpenRouter, um Modelle vor der Produktion schnell zu vergleichen.
Warum Google Cloud
Aus den Plattform-Anforderungen selbst begründet: Datenstandort Schweiz für sensible genetische Daten; eine medizinisch abgestimmte Grounding-Fähigkeit, die Quellen zitiert und falsche Antworten reduziert; starke und kosteneffiziente multimodale Unterstützung; Enterprise-Security und relevante Zertifizierungen für Gesundheitsdaten; und eine Technologie, die bereits von führenden Gesundheitsorganisationen genutzt wird.
Modell-Inferenz ist klein und gut vorhersehbar. Mit Prompt-Caching und Zwei-Stufen-Routing liegen die kombinierten Betriebskosten (Inferenz, selbst gehostete Observability und unterstützende Cloud-Dienste) bei einer frühen Grössenordnung von einigen hundert aktiven Klientinnen (~60'000 Interaktionen pro Monat) grob bei USD 700–1'100 pro Monat, vor Optimierung. Einmalige Entwicklungs- und Compliance-Arbeit ist darin nicht enthalten.
Phase 1 — Klienten-Assistent
Lifestyle mit Retrieval, Bild-Input und Observability. ~5–8 Wochen.
Phase 2 — Arzt-Assistent
Freigabe-Workflow und rollenbasierte Zugriffe. ~4–7 zusätzliche Wochen.
Phase 3 — Compliance
Medizinprodukte-Pfad für die medizinische Fähigkeit. Mehrere Monate, parallel; weitgehend regulatorisch, nicht technisch.
Modellierung aus dem Zwei-Stufen-Ansatz: eine günstige Stufe für Alltags-Chat, die teure Stufe nur für medizinische und komplexe Antworten. Reine KI-Nutzung — Teil der Gesamtsumme oben.
| Nutzungsprofil | Typische Nutzung pro Monat | Pro Klientin / Monat |
|---|---|---|
| Gelegentlich | Ein paar Chats, 1 medizinische Frage | ~$0.04 |
| Typisch | Fast täglicher Chat, ~4 medizinische Fragen | ~$0.18 |
| Intensiv | Viel Chat, ~20 medizinische Fragen | ~$1.37 |
| Sehr gesprächig & höflich Worst Case | Power-Nutzung plus viel Small Talk und Höflichkeiten | ~$1.60 |
Einmalig ~$0.15 pro Klientin für das Erstellen des DNA-Profils. 10 Klientinnen (typisch): ~$1.80 / Monat plus ~$1.50 einmalig. Höflichkeit ist praktisch gratis — selbst 250 zusätzliche Höflichkeits- und Small-Talk-Nachrichten kosten nur rund 7 Cent im Monat, weil die günstige Stufe sie übernimmt.
Für eine schweizerische, DNA-basierte, ärztlich begleitete Plattform sind diese Punkte zentral:
Sensible Daten
Genetische Daten gehören zu den sensibelsten Personendaten überhaupt. Sowohl das schweizerische Rahmenwerk (GUMG/GUMV) als auch das europäische (DSGVO Art. 9) sind einschlägig. Datenstandort Schweiz ist mit dem empfohlenen Ansatz erreichbar.
Medizinprodukt-Klassifikation
Software, die therapeutische Entscheidungen unterstützt, fällt nach Rule 11 der EU MDR in der Regel in Klasse IIa oder höher — also reguliertes Medizinprodukt — und wird dann unter dem EU AI Act als Hochrisiko-KI klassifiziert. Die medizinische Empfehlungs-Funktion des Arzt-Assistenten fällt voraussichtlich in diese Kategorie.
Ärztliche Aufsicht
Das verpflichtende ärztliche Freigabe-Design ist genau die menschliche Aufsicht, die diese Regeln fordern (Decision-Support-Modus, mit ärztlicher Autorität zur Überstimmung).
Klienten-Assistent bleibt nicht-medizinisch
Wenn eine Klientin ohne Freigabe eine medizinische Empfehlung erhält, betritt das Produkt die regulierte Zone. Der Klienten-Assistent muss strikt nicht-medizinisch bleiben.
Transparenz-Pflicht. Die Nutzerinnen müssen klar informiert werden, dass sie mit einer KI interagieren (nahe-liegender rechtlicher Anspruch). Die vollen Hochrisiko-Pflichten für in Medizinprodukte eingebettete KI haben längere Übergangsfristen. Dies ist eine Planungs-Zusammenfassung, keine juristische Beratung; vor dem Live-Gang der medizinischen Fähigkeit ist eine formale regulatorische Bewertung empfohlen.
Der empfohlene Ansatz ist ein einziger intelligenter Assistent mit rollenbasierten Klienten- und Arzt-Erlebnissen, einem strikten ärztlichen Freigabe-Schritt für alles Medizinische, gebaut auf Vertex AI (Gemini) mit Daten in der Schweiz, geerdete Antworten über Vertex AI Search for Healthcare und selbst gehostete Observability. Lifestyle-Wert kann früh geliefert werden, während die medizinische Fähigkeit parallel zum notwendigen Compliance-Prozess entwickelt wird. Diese Kombination ist technisch solide, kosteneffizient und — vor allem — sicher.