KI in der Elektrotechnikplanung

KI in der Elektrotechnikplanung: Unterstützung ja, Freigabe nein

Die Masterarbeit „Vergleich der Ergebnisqualität manueller und KI-gestützter elektrotechnischer Berechnungen in Krankenhausprojekten“ von Katherine-Marielle Krenn wurde im Masterstudiengang Technisches Management an der Hochschule Campus Wien verfasst. Die Arbeit untersucht, welchen Mehrwert generative KI-Systeme für Elektrotechnikplaner im Krankenhaus bieten können und wo ihre Grenzen liegen.

Zusammenfassung

Generative KI-Systeme wie ChatGPT, Gemini oder Copilot können technische Informationen strukturieren, Berechnungswege formulieren und Lösungsansätze erzeugen. In der elektrotechnischen Planung von Krankenhausprojekten reicht eine plausibel klingende Antwort jedoch nicht aus. Ergebnisse müssen rechnerisch korrekt, normkonform, nachvollziehbar dokumentiert und fachlich überprüft sein.

Die Masterarbeit untersucht deshalb, ob generative KI-Systeme elektrotechnische Berechnungs- und Bewertungsaufgaben im Krankenhausumfeld sinnvoll unterstützen können. Als Use Case wurde die elektrische Versorgung einer Vakuumzentrale betrachtet. Die KI-generierten Ergebnisse wurden mit einer manuellen Referenzlösung verglichen und anhand definierter Kriterien bewertet.

Die Ergebnisse zeigen: Generative KI kann bei klar abgegrenzten Teilaufgaben nützlich sein, etwa bei der Strukturierung von Eingangsdaten, der Darstellung von Berechnungswegen oder der sprachlichen Aufbereitung technischer Dokumentation. Für normative Freigaben, sicherheitskritische Auslegungsentscheidungen oder die abschließende Beurteilung bleibt jedoch qualifiziertes Fachpersonal verantwortlich.

Einführung

Künstliche Intelligenz wird zunehmend auch in technischen Berufen diskutiert. Während der Einsatz in Textgenerierung, Recherche oder Dokumentation bereits naheliegt, ist die Anwendung in normgebundenen Engineering-Kontexten deutlich anspruchsvoller. Dort müssen Ergebnisse nicht nur sprachlich überzeugend, sondern technisch belastbar sein.

Gerade im Krankenhausumfeld sind elektrotechnische Planungsaufgaben sicherheitskritisch. Die elektrische Infrastruktur versorgt medizinische Geräte, technische Anlagen, Kommunikationssysteme und sicherheitsrelevante Verbraucher. Fehlerhafte Auslegungen können Auswirkungen auf Betriebssicherheit, Versorgungskontinuität und Patientensicherheit haben.

Die Arbeit stellt daher eine zentrale Frage: Kann generative KI Elektrotechnikplaner im Krankenhaus sinnvoll unterstützen, ohne deren fachliche Verantwortung zu ersetzen?

Hintergrund: Elektrotechnik im Krankenhaus

Krankenhäuser gehören zu den anspruchsvollsten Gebäuden im Bereich der technischen Infrastruktur. Die elektrische Versorgung muss zuverlässig, redundant und normkonform geplant werden. Dabei sind unter anderem Allgemeinstromversorgung, Sicherheitsstromversorgung, Unterverteiler, Schutzorgane, Leitungsquerschnitte, Strombelastbarkeit und Spannungsfall zu berücksichtigen.

Für österreichische Krankenhausprojekte sind insbesondere die OVE E 8101, die ÖVE/ÖNORM E 8007 sowie internationale Anforderungen wie IEC 60364-7-710 relevant. Diese Regelwerke betreffen unter anderem Schutzmaßnahmen, Leitungsdimensionierung, Sicherheitsstromversorgung und Anforderungen an medizinisch genutzte Bereiche.

Ein zentrales Auslegungskriterium ist die Schutzbedingung: IB ≤ IN ≤ IZ

Dabei steht IB für den Betriebsstrom, IN für den Bemessungsstrom des Schutzorgans und IZ für die zulässige Strombelastbarkeit der Leitung. Diese Beziehung zeigt, dass eine Leitung nicht nur rechnerisch passend erscheinen darf. Sie muss im konkreten technischen Kontext unter Berücksichtigung von Verlegeart, Temperatur, Häufung und weiteren Randbedingungen bewertet werden.

Warum KI hier besonders kritisch zu betrachten ist

Large Language Models arbeiten nicht wie klassische Berechnungsprogramme. Sie erzeugen Antworten auf Basis statistischer Muster aus Trainingsdaten. Dadurch können sie sehr überzeugend formulieren, aber dennoch fehlerhafte, unvollständige oder nicht normkonforme Ergebnisse liefern.

Für technische Planungsaufgaben ist das besonders relevant. Ein KI-System kann einen Rechenweg darstellen, ohne alle Randbedingungen korrekt zu berücksichtigen. Es kann eine Norm nennen, ohne sie vollständig oder richtig anzuwenden. Es kann Ergebnisse plausibel erklären, ohne dass die technische Nachweisführung vollständig ist.

Die Masterarbeit betrachtet deshalb nicht nur, ob eine KI ein Ergebnis liefert, sondern ob dieses Ergebnis in einem elektrotechnischen Krankenhausprojekt praktisch verwendbar wäre.

Fragestellung der Arbeit

Welchen Mehrwert bietet der Einsatz generativer KI-Systeme für Elektrotechnikplaner im Krankenhaus, untersucht am Beispiel eines österreichischen Use Cases?

Zusätzlich wurden zwei Unterfragen betrachtet:

• Wie beeinflussen Eingabeform, Norminformationen und Prompting-Strategien die Qualität der KI-generierten Ergebnisse?
• Welche Arbeitsschritte einer elektrotechnischen Auslegungsaufgabe können durch KI-Systeme unterstützt werden, ohne die Verantwortung qualifizierter Planer für die abschließende Beurteilung zu ersetzen?

Methodisches Vorgehen

Als praxisnaher Use Case wurde die elektrische Versorgung einer Vakuumzentrale in einem österreichischen Krankenhausprojekt gewählt. Dieser Anwendungsfall eignet sich besonders, weil er klar abgrenzbare Berechnungsschritte mit normativen Bewertungsanforderungen verbindet.

Zunächst wurde eine manuelle Referenzlösung erstellt. Diese diente als fachliche Vergleichsgrundlage. Danach wurden die generativen KI-Systeme ChatGPT, Gemini und Copilot mit unterschiedlichen Eingabeformen und Prompting-Strategien getestet.

Untersucht wurden unter anderem:

• tabellenbasierte Eingaben,
• textbasierte Eingaben,
• Eingaben mit zusätzlichen Norminformationen,
• Zero-Shot-Prompting,
• Few-Shot-Prompting,
• Chain-of-Thought-Prompting.

Die Ergebnisse wurden anhand definierter Bewertungskriterien beurteilt. Dazu gehörten Rechenrichtigkeit, Normkonformität, Normanwendung, Plausibilität, Nachvollziehbarkeit, Fehleranfälligkeit und Konsistenz.

Ergebnisse

Im aggregierten Vergleich erzielte ChatGPT die höchsten Bewertungswerte. Der Mittelwert lag bei 3,9, während Gemini und Copilot jeweils bei 3,1 lagen. Gleichzeitig zeigte ChatGPT auch die höchste Streuung. Das bedeutet: Einzelne Ergebnisse waren vergleichsweise stark, die Verlässlichkeit war jedoch nicht durchgehend stabil.

Die Gesamtübersicht der Variantenbewertung zeigte deutliche Unterschiede zwischen Eingabeformen, Prompting-Strategien und bereitgestellten Norminformationen. Der höchste Wert wurde bei ChatGPT mit Chain-of-Thought-Prompting, textbasierter Eingabe und ergänzenden Norminformationen erreicht. Der niedrigste Wert trat bei Gemini mit Few-Shot-Prompting, tabellenbasierter Eingabe und Norminformationen auf.

KI-System	Beste Variante	Bewertungswert
ChatGPT	Chain-of-Thought, Text + Norm	6,7
Gemini	Few-Shot, Text + Norm	5,0
Copilot	Chain-of-Thought, Text + Norm	4,3

Besonders relevant ist: Zusätzliche Norminformationen verbesserten einzelne Antworten, führten aber nicht automatisch zu einer zuverlässigen Normanwendung. Auch eine ausführliche Darstellung des Rechenwegs bedeutete nicht zwingend, dass alle technischen Randbedingungen korrekt berücksichtigt wurden.

Damit zeigt die Arbeit, dass Prompting und Kontextinformationen die Ergebnisqualität beeinflussen können. Sie ersetzen aber keine fachliche Verifikation.

Was KI sinnvoll unterstützen kann

Die Arbeit zeigt einen begrenzten, aber praxisrelevanten Nutzen generativer KI-Systeme. Besonders geeignet sind klar abgegrenzte und überprüfbare Tätigkeiten. Dazu zählen:

• Strukturierung technischer Eingangsdaten,
• Vorbereitung einfacher Berechnungsschritte,
• Darstellung von Rechenwegen,
• Erstellung von Prüflisten,
• sprachliche Aufbereitung technischer Dokumentation,
• Plausibilisierung bereits vorhandener Ergebnisse.

Der Mehrwert liegt damit weniger in der eigenständigen technischen Entscheidung, sondern in der Unterstützung des Planungsprozesses. KI kann helfen, Aufgaben vorzubereiten, Ergebnisse zu strukturieren oder Dokumentationen verständlicher zu formulieren.

Was KI nicht übernehmen sollte

Nicht geeignet ist generative KI für Aufgaben, bei denen eine fachliche Freigabe oder sicherheitskritische Auslegungsentscheidung erforderlich ist. Dazu gehören insbesondere:

• Auswahl und Freigabe von Leiterquerschnitten,
• Festlegung von Schutzorganen,
• normative Bewertung der Strombelastbarkeit,
• vollständige Prüfung der Schutzbedingung IB ≤ IN ≤ IZ,
• Bewertung sicherheitskritischer Grenzfälle,
• finale Entscheidung über die Verwendbarkeit im Krankenhausumfeld.

Diese Aufgaben erfordern eine eindeutige Nachweisführung und eine fachliche Gesamtbewertung. Eine sprachlich plausible KI-Antwort kann diese Verantwortung nicht ersetzen.

Kernbotschaft der Arbeit

Generative KI kann Elektrotechnikplaner im Krankenhaus unterstützen, aber nicht ersetzen.

Geeignet ist KI vor allem für vorbereitende, strukturierende und dokumentierende Tätigkeiten. Nicht geeignet ist sie für eigenständige normative Freigaben oder sicherheitskritische Entscheidungen.

Für die Praxis bedeutet das: KI-generierte Ergebnisse sollten als Arbeitsentwurf verstanden werden. Die technische Verantwortung bleibt beim qualifizierten Fachpersonal.

Bedeutung für Digitalisierung im Gesundheitswesen

Die Arbeit zeigt eine wichtige Perspektive auf Digitalisierung im Gesundheitswesen. Künstliche Intelligenz wird häufig mit klinischer Entscheidungsunterstützung, Diagnostik oder administrativer Entlastung verbunden. Diese Masterarbeit betrachtet dagegen einen technischen Bereich, der für den sicheren Krankenhausbetrieb zentral ist: die elektrotechnische Planung.

Gerade dort wird deutlich, dass Digitalisierung nicht nur Effizienz verspricht, sondern auch neue Anforderungen an Kontrolle, Verantwortung und Qualitätssicherung erzeugt. Wenn KI in sicherheitskritischen technischen Kontexten eingesetzt wird, müssen Ergebnisse systematisch geprüft und Verantwortlichkeiten klar geregelt sein.

Damit leistet die Arbeit einen Beitrag zur realistischen Einordnung von KI im Engineering-Kontext. Sie zeigt weder eine pauschale Ablehnung noch eine unkritische Euphorie. Stattdessen beschreibt sie, wo generative KI nützlich sein kann und wo ihre Grenzen im normgebundenen Krankenhausumfeld liegen.

Einordnung der Ergebnisse

Die Ergebnisse sind besonders relevant, weil sie ein Spannungsfeld sichtbar machen: Generative KI kann schnell Ergebnisse liefern, aber nicht garantieren, dass diese normativ vollständig und technisch freigabefähig sind. Genau diese Unterscheidung ist im Krankenhaus wesentlich.

Die höhere Qualität einzelner Varianten zeigt, dass KI-Systeme durch bessere Eingaben, klarere Aufgabenstellung und bereitgestellte Norminformationen unterstützt werden können. Gleichzeitig bleibt das Problem bestehen, dass Large Language Models keine deterministischen Normprüfprogramme sind.

Für die Planungspraxis ergibt sich daraus ein kontrollierter Einsatz: KI kann Arbeitsschritte vorbereiten, aber jeder relevante technische Nachweis muss durch Fachpersonal überprüft werden. Besonders bei Schutzbedingungen, Strombelastbarkeit, Spannungsfall und normativen Grenzfällen ist eine unabhängige Kontrolle erforderlich.

Handlungsempfehlungen für die Praxis

Aus der Arbeit lassen sich mehrere praktische Empfehlungen ableiten. Zunächst sollten KI-Systeme nur für klar abgegrenzte Aufgaben eingesetzt werden. Die Eingabedaten müssen vollständig, eindeutig und nachvollziehbar sein. Außerdem sollte immer dokumentiert werden, welche Annahmen, Norminformationen und Randbedingungen verwendet wurden.

KI-generierte Ergebnisse sollten anschließend systematisch geprüft werden. Dazu gehören insbesondere:

• Prüfung der Eingangsdaten,
• Abgleich mit der tatsächlichen Leitungsausführung,
• Kontrolle der Berechnungsschritte,
• Überprüfung der verwendeten Normwerte,
• Bewertung von Schutzbedingung und Spannungsfall,
• fachliche Freigabe durch qualifizierte Elektrofachplaner.

Damit wird KI zu einem unterstützenden Werkzeug innerhalb eines strukturierten Planungsprozesses. Sie wird nicht zur autonomen Entscheidungseinheit.

Ausblick

Für die Zukunft erscheinen hybride Systeme besonders interessant. Dabei könnte generative KI mit strukturierten Datenquellen, Normdatenbanken, Regelwerken oder spezialisierten Berechnungstools kombiniert werden. Solche Systeme könnten sprachliche Unterstützung mit formaler technischer Prüfung verbinden.

Auch für die Praxis wäre eine solche Kombination sinnvoll. Elektrotechnikplaner könnten von der schnellen Strukturierung und Dokumentation durch KI profitieren, während normative Nachweise durch deterministische Software oder geprüfte Datenbanken abgesichert werden.

Bis dahin bleibt die zentrale Schlussfolgerung klar: Generative KI kann im elektrotechnischen Krankenhauskontext unterstützen, aber sicherheitskritische Auslegungsentscheidungen nicht eigenständig übernehmen.

Quelle der Arbeit

Krenn, K.-M. (2026). Vergleich der Ergebnisqualität manueller und KI-gestützter elektrotechnischer Berechnungen in Krankenhausprojekten. Masterarbeit, Masterstudiengang Technisches Management, Hochschule Campus Wien.

Referenzen

OVE E 8101. Elektrische Niederspannungsanlagen.

ÖVE/ÖNORM E 8007. Starkstromanlagen in Krankenhäusern und medizinisch genutzten Räumen außerhalb von Krankenhäusern.

IEC 60364-7-710. Low-voltage electrical installations – Requirements for special installations or locations – Medical locations.

Vaswani, A. et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.

NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0).

European Commission. (2019). Ethics Guidelines for Trustworthy AI.

Bildquellen

Titelbild ChatGPT generiert