Übersetzt aus dem englischen Original. Zahlen und Quellen sind unverändert. Englisches Original lesen
University Medicine Magdeburg
Universitätsklinikum Magdeburg betreibt Llama 3.2-Vision auf eigenem Server für 322 Beschäftigte
University Medicine Magdeburg hat eine selbst betriebene KI-Chat-Plattform auf Basis des offenen Modells Llama 3.2-Vision 90B von Meta aufgebaut, die auf einem einzigen eigenen Server läuft. In einer Mitarbeiterbefragung zwei Monate nach dem Start bewerteten 70,3 % der Teilnehmenden Zuverlässigkeit und Geschwindigkeit als hoch.
Kennzahlen
Wortgetreu aus den Quellen übernommen. Kopieren Sie jede Zahl mit ihrer Quellenangabe.
44 %
(40 Personen)
Befragte, die laut Zusammenfassung der Studie mindestens 30 Minuten Arbeitszeit pro Woche sparten (Selbstauskunft)1
70,3 %
(64 von 91)
Befragte, die Zuverlässigkeit und Geschwindigkeit als äußerst oder eher hoch bewerteten1
Was es erforderte
Kosten, Teamgröße und Zeitplan wurden in den Quellen nicht veröffentlicht.
Das Problem
Die Beschäftigten der Klinik nutzten bereits öffentliche KI-Chatbots zum Schreiben und für Informationssuchen. Kliniken verarbeiten sensible personenbezogene Daten, und deren Weitergabe an einen externen Dienst kann mit dem Datenschutz kollidieren. Das Data Integration Center der University Medicine Magdeburg wollte ein Werkzeug, das die Beschäftigten nutzen können, ohne dass Daten das Haus verlassen.
Was sie gebaut haben
Das Zentrum baute eine KI-Chat-Plattform auf Llama 3.2-Vision 90B, einem Open-Weight-Modell von Meta. Open Weight bedeutet, dass die Dateien des Modells veröffentlicht sind, sodass eine Organisation es auf eigener Hardware betreiben kann. Das Modell kann Text und Bilder lesen. Die Plattform ging am 3. März 2025 für Beschäftigte in Verwaltung, medizinischer Versorgung und Forschung an den Start.
Sie läuft auf einem einzelnen Server im Besitz der Klinik mit einer NVIDIA-H100-Grafikkarte (80 GB Speicher). Die Studie nennt 25,3 Ausgabe-Token pro Sekunde. Ein Token ist ein kleiner Wortbaustein.
Wie sie vorgegangen sind
Das Team kündigte die Plattform über den Rundmail-Verteiler der Klinik an, und die Beschäftigten registrierten sich mit ihrer Organisationseinheit. Zwei Monate nach dem Start verschickte es an die registrierten Nutzer eine Online-Umfrage mit zehn Fragen, die 26 Tage offen war und an die zweimal erinnert wurde. Sie fragte nach Nutzungshäufigkeit, Aufgaben, Zufriedenheit und wöchentlicher Zeitersparnis. Die Studie war von der Ethikprüfung befreit, da sie weder einen Eingriff noch sensible Informationen umfasste.
Ergebnisse
Von 322 registrierten Nutzern nahmen 98 an der Umfrage teil, 91 gaben vollständige Antworten. Laut Zusammenfassung der Studie sparten 44 % (40 Personen) mindestens 30 Minuten Arbeit pro Woche. Zuverlässigkeit und Geschwindigkeit bewerteten 70,3 % als hoch, die Antwortqualität 60,4 %. Die meisten Befragten (85,7 %) brauchten weniger als 15 Minuten, um loszulegen.
Die Nutzung unterschied sich nach Tätigkeit. Beschäftigte in der medizinischen Versorgung und in der Forschung nutzten die Plattform häufiger als die Verwaltung, und zwar für Erstellungs- und Analyseaufgaben.
Was schiefgelaufen ist
Die häufigste Kritik, geäußert von 37,4 % der Befragten, betraf die Qualität der Antworten. Etwa ein Drittel dieser Kommentare (12 von 34) nannte falsche Antworten, etwa erfundene Quellenangaben. Die Befragten wünschten sich außerdem Datei-Upload, Exportmöglichkeiten, Dokumentation und Schulungen sowie die Anbindung an das Krankenhausinformationssystem.
Was Sie übernehmen können
Führen Sie kurz nach dem Start eine kurze Umfrage durch und entscheiden Sie anhand der Ergebnisse über Schulungen, Funktionen und die Beschäftigtengruppen, die Sie als Nächstes ansprechen.
Alle berichteten Zahlen
| Messgröße | Wert | Quellenangabe |
|---|---|---|
| Registrierte Nutzer der Plattform | 322 (21,7 % der 1.484 Beschäftigten der Zielgruppe)1 | |
| Befragte mit vollständigen Antworten | 91 von 98 Teilnehmenden1 | |
| Befragte, die laut Zusammenfassung der Studie mindestens 30 Minuten Arbeitszeit pro Woche sparten (Selbstauskunft) | 44 % (40 Personen)1 | |
| Befragte, die Zuverlässigkeit und Geschwindigkeit als äußerst oder eher hoch bewerteten | 70,3 % (64 von 91)1 | |
| Befragte, die die Antwortqualität als äußerst oder eher hoch bewerteten | 60,4 % (55 von 91)1 | |
| Befragte, die weniger als 15 Minuten brauchten, um sich mit der Plattform vertraut zu machen | 85,7 % (78 von 91)1 | |
| Kritik an der Antwortqualität in Freitextantworten | 37,4 % (34 von 91)1 |
Erkenntnisse für Ihr Projekt
Ein einzelner mittelgroßer Server kann ein Klinikpilotprojekt tragen. Dieser nutzte eine NVIDIA-H100-Karte und erzeugte 25,3 Ausgabe-Token (Wortbausteine) pro Sekunde.
Rechnen Sie mit ungleicher Nutzung je nach Berufsgruppe. Beschäftigte in der medizinischen Versorgung und in der Forschung nutzten die Plattform stärker als die Verwaltung, richten Sie Schulungen daher auf die Gruppen aus, die sie brauchen.
Messen Sie den wahrgenommenen Nutzen früh. Eine kurze Umfrage zwei Monate nach dem Start zeigte, wo Nutzer Zeitersparnis sahen und was sie sich als Nächstes wünschten.
Planen Sie Halluzinationen ein. Die häufigste Beschwerde waren falsche Antworten, darunter erfundene Quellenangaben. Weisen Sie die Nutzer an, Quellen zu prüfen.
Einschränkungen
- Die Autoren sind das Datenteam der Klinik selbst, und die Zeitersparnis beruht auf Selbstauskünften freiwilliger Umfrageteilnehmer (91 von 322 registrierten Nutzern).
- Nur 30,4 % der registrierten Nutzer beantworteten die Umfrage, die Ergebnisse spiegeln also Teilnehmende wider, die sich selbst ausgewählt haben. Die Autoren führten keine statistischen Tests durch, weil die Gruppen klein waren.
- Die Studie nennt weder ein Projektbudget noch eine Teamgröße.
- Die Zahl von 44 % Zeitersparnis steht nur in der Zusammenfassung. Der Ergebnisteil nennt sie nicht für die gesamte Stichprobe, und dieselben Zahlen 40 von 91 erscheinen dort für das Verwaltungspersonal. Sie ist daher mit Vorsicht zu behandeln.
- Die Studie nennt den Anteil wöchentlicher Nutzer mit 62,6 % (57) in der Zusammenfassung und mit 61,5 % (56) im Text, weshalb dieser Bericht ihn weglässt.
Quellen
- Implementation and User Evaluation of an On-Premise Large Language Model in a German University Hospital Setting: Cross-Sectional Survey
JMIR AI · 2026-04-15 · Forschungsarbeit · ai.jmir.org
In eigenen Worten aus den oben genannten Quellen zusammengefasst. Einen Fehler entdeckt? Siehe Korrekturen.