Zum Inhalt springen

Geprüfte Ausgabe · qasb-Bericht 10/2026 · Themenbericht · Öffentlicher Sektor

KI im öffentlichen Sektor: Nutzen meist geschätzt statt gemessen

Prüfberichte und amtliche Transparenzeinträge zeigen KI in Justiz, Sozial- und Steuerverwaltung im Vereinigten Königreich und in den USA. Den Nutzen schätzen meist die Behörden selbst, gemessen wird er selten.

Veröffentlicht
27. Oktober 2026 · Stand 26. Oktober
Lesezeit
11 Min.
Herausgeber
qasb Research
Methodik
qasb Methodik v1

Kernbefunde

  1. 266.667 Std.schätzt die Behörde HMPPS als bisherige Ersparnis durch das KI-Protokollwerkzeug Justice Transcribe, ohne Messdaten.1Evidenztyp: modellgeschätzt
  2. 20 %der geprüften endgültigen Fallakten im Pilot enthielten Ungenauigkeiten, vor allem bei Namen, ohne Vergleichswert.1Evidenztyp: beobachtet
  3. 715 Fälleim Monat bewahrten modellgestützte Eingriffe laut DWP-Schätzung zusätzlich vor Unterhaltsrückstand, ohne Kontrollgruppe.2Evidenztyp: modellgeschätzt
  4. 92 %der abgeschlossenen Prüfungen im IRS-Programm mit KI-Auswahl endeten vorläufig ohne Änderung, Anteil der KI-Fälle offen.6Evidenztyp: beobachtet

1.0Zusammenfassung

Am belastbarsten sind die Prüfberichte von NAO, GAO und TIGTA. Randomisiert ist nur eine Studie, ein Netzhaut-Screening in Tansania. Für Deutschland und die EU fehlen im geprüften Material Wirkungsmessungen und datierte Belege zur Marktüberwachung nach der KI-Verordnung.

  • Größte Nutzenschätzung, Methode unveröffentlicht: rund eine Million Stunden im Jahr, wenn alle Polizeien in England und Wales KI-Schwärzung und neue Abläufe nutzen (ältere Quelle).
  • Die britischen Transparenzeinträge zu KI in Justiz, Steuerverwaltung und beim Disclosure and Barring Service sind Selbstbeschreibungen der Behörden ohne Evaluationsergebnisse.
  • Im KI-Büro des US-Verteidigungsministeriums waren im Februar 2026 nur 3 von 10 Stellen für verantwortungsvolle KI besetzt. Dem Schweizer Bund fehlt ein Überblick über KI-Projekte.
  • Im eGovernment MONITOR gaben 23 % der Teilnehmer in Deutschland an, KI-Chatbots bei Verwaltungsleistungen genutzt zu haben. Die Frage trennt nicht nach Art des Chatbots.

2.0Ausgangslage: viele Projekte, Lücken in der Steuerung

Prüfungen und Bestandsaufnahmen aus der Schweiz, den USA und Frankreich beschreiben, wie Verwaltungen ihre KI-Projekte erfassen, beaufsichtigen und bewerten. Sie zeigen Lücken bei Überblick, Personal und ethischer Prüfung. Die französischen Befunde und die GAO-Prüfung zu KI-Beschaffungen stammen aus der Zeit vor dem Berichtszeitraum.

Abbildung 1

KI-Anwendungsfälle bei France Travail

Stand April 2025, laut französischem Rechnungshof (ältere Kontextstudie)

Ältere Kontextstudie aus der Zeit vor dem Berichtszeitraum. Die Mehrheit der Anwendungsfälle fällt laut Rechnungshof in die Hochrisiko-Kategorie der europäischen KI-Verordnung.Evidenztyp: beobachtet · Quellen 19

Der Schweizer Bundesrat hält in seinem Bericht vom 2. Oktober 2026 fest, dass sich das Investitionsvolumen für KI und Prozessautomatisierung in der Bundesverwaltung nicht beziffern lässt, weil eine Gesamtsicht aller KI- und RPA-Projekte fehlt. Aus über 130 gemeldeten Prozessen wurden über 70 Anwendungsfälle abgeleitet, davon 39 mit überwiegend mittlerem bis hohem Automatisierungspotenzial.5A1

Im zentralen KI-Büro (CDAO) des US-Verteidigungsministeriums waren nach Angaben von CDAO-Beamten im GAO-Bericht im Februar 2026 nur drei von zehn genehmigten Stellen für verantwortungsvolle KI besetzt; laut CDAO-Unterlagen waren im April 2026 29 von 64 Maßnahmen des eigenen Umsetzungsplans unerledigt.4A2

Das Investitionsvolumen für KI und Prozessautomatisierung in der Schweizer Bundesverwaltung lässt sich nicht beziffern, da eine Gesamtsicht der Projekte fehlt.

Ältere Kontextstudie: Der französische Rechnungshof zählte bei der Arbeitsverwaltung France Travail bis April 2025 87 KI-Anwendungsfälle, davon 27 breit im Einsatz und 17 aufgegeben; nur bei 18 wurde eine formalisierte ethische Analyse begonnen, und die Mehrheit der Anwendungsfälle fällt nach seiner Einschätzung in die Hochrisiko-Kategorie der europäischen KI-Verordnung.19A3

Weitere Befunde

  • Ältere Kontextstudie: Frankreichs Digitaldirektion DINUM erfasste über 140 KI-Produkte des Zentralstaats, je Ministerium 0 bis 74 Projekte.12A4
  • Ältere Kontextstudie: Bei 13 geprüften KI-Beschaffungen erfassten vier US-Bundesbehörden ihre Erkenntnisse daraus noch nicht systematisch.20A5

3.0Justiz und Inneres: keine gemessene Zeitersparnis berichtet

Britische Justizbehörden und der Disclosure and Barring Service (DBS) nutzen oder erproben KI zum Transkribieren und Zusammenfassen. Das Innenministerium schätzt den Nutzen von KI-Schwärzungswerkzeugen samt effizienteren Abläufen, falls alle Polizeien in England und Wales sie einsetzen (Factsheet vom Juni 2026, im Oktober aktualisiert, ältere Kontextquelle). Gemessene Zeitersparnisse nennt keine dieser Quellen.

Für das KI-Transkriptionswerkzeug Justice Transcribe der Bewährungshilfe in England und Wales schätzt die Behörde HMPPS rund 266.667 eingesparte Arbeitsstunden bei über 1,6 Millionen zusammengefassten Gesprächen; gemessene Zeitdaten gibt es laut NAO nicht.1A6

Im Pilotversuch von Justice Transcribe fand die interne Qualitätssicherung in 20 % der geprüften endgültigen Fallakten Ungenauigkeiten, vor allem falsch geschriebene Namen und Behörden; ein Verfahren zur Prüfung der Transkriptgenauigkeit fehlt laut NAO bisher.1A7

Für Justice Transcribe schätzt die Behörde eingesparte Arbeitsstunden, gemessene Zeitdaten gibt es laut NAO nicht.

Im September 2026 veröffentlichte das britische Transparenzregister Einträge zu zwei KI-Werkzeugen der Justiz: BenchNotes transkribiert mündlich diktierte Entscheidungen von bis zu 430 Richtern der Kammer für Einwanderung und Asyl des First-tier Tribunal, Beam Notes erstellt für die Staatsanwaltschaft CPS Transkripte und Zusammenfassungen von Videobeweisen in rund 11.000 Fällen pro Jahr. Keiner der Einträge nennt gemessene Zeitersparnisse; für Beam Notes wird nur eine vom Anbieter gemeldete Transkriptionsgenauigkeit von 98 % angegeben.16,17A8

Ältere Kontextstudie: Das britische Innenministerium schätzt in seinem erstmals am 9. Juni 2026 veröffentlichten und am 22. Oktober 2026 aktualisierten Factsheet zur Polizei-KI, dass KI-gestützte Schwärzungswerkzeuge für Ton- und Bildmaterial zusammen mit effizienteren Abläufen rund eine Million Stunden pro Jahr einsparen würden, wenn alle Polizeien in England und Wales sie einsetzen; ein öffentliches Register der eingesetzten KI soll bis Ende 2026 als Pilot starten.8A9

Weitere Befunde

  • Der DBS-Eintrag zu KI-Zusammenfassungen von Meldungen zu Tätigkeitsverboten nennt Vergleichstests ohne Ergebnisse zu Zeit oder Genauigkeit.7A10

4.0Sozial- und Steuerverwaltung: Modelle in der Fallarbeit

Im Vereinigten Königreich und in den USA unterstützen KI-Modelle die Fallarbeit von Sozial- und Steuerbehörden: bei Kindesunterhalt, Steuerschulden und der Auswahl von Prüffällen, dazu Pilotprojekte mit generativer KI. Zur Wirkung gibt es meist nur Behördenschätzungen oder keine Leistungswerte. Vollständige Evaluationen fehlen bisher. Beim IRS ist offen, welcher Anteil der Prüfungen per KI ausgewählt wurde.

Abbildung 2

Einführung und Prüfung in der Sozial- und Steuerverwaltung

Ausgewählte Zeitpunkte beim britischen DWP und bei der US-Steuerbehörde IRS, 2024 bis 2027

  1. 2024Unterhaltsmodell im RegelbetriebSeit März 2024 unterstützt ein Vorhersagemodell für Zahlungsabbrüche die Sachbearbeiter im Child Maintenance Service des DWP.
  2. 2025GAIL wird eingeführtNach einem Proof of Concept im Jahr 2024 führt das DWP sein Werkzeug für Schulungsmaterial ab März 2025 schrittweise ein; eine Langzeitevaluation liegt bisher nicht vor.
  3. Okt. 2026TIGTA-Bericht zum IRSEr zitiert einen Prüfbericht vom März 2026: Im Programm für große Personengesellschaften endeten vorläufig 92 % der abgeschlossenen Prüfungen ohne Änderung. Wie viele davon KI auswählte, ist offen.
  4. 2027Datenerweiterung Ende 2027 geplantDas DWP plant die vollständige Evaluation seines Unterhaltsmodells erst nach einer Datenerweiterung Ende 2027.
Angaben aus Prüfberichten von NAO und TIGTA. Die Zeitachse zeigt Einführungen und den Stand der Prüfungen, keine gemessene Wirkung. Der Termin 2027 ist eine Planung des DWP.Evidenztyp: modellgeschätzt, beobachtet · Quellen 2, 6

Das britische Arbeits- und Sozialministerium (DWP) schätzt, dass Eingriffe auf Basis seines Machine-Learning-Modells monatlich zusätzlich 715 Unterhaltsfälle vor Zahlungsrückständen bewahrten; eine vollständige Evaluation ist erst nach einer Datenerweiterung Ende 2027 geplant.2A11

Die britische Steuerbehörde HMRC berechnet mit dem Machine-Learning-Modell Business Propensity to Pay jeden Monat Werte für rund 4 Millionen Kunden, die vorhersagen sollen, wie Unternehmen bei der Beitreibung von Steuerschulden mitwirken; der Transparenzeintrag nennt Prüfmetriken, aber keine Leistungswerte, und Betroffene können den Wert nicht anfechten, weil er formal keine Entscheidung ist.15A12

Im Large Partnership Compliance Program der US-Steuerbehörde IRS, das laut der Aufsichtsbehörde TIGTA begonnen hat, große Personengesellschaften mit KI für Prüfungen auszuwählen, endeten 92 % der abgeschlossenen Prüfungen ohne Änderung; TIGTA wertet diese vorläufigen Ergebnisse als Hinweis, dass die Auswahlmodelle weiter nachgeschärft werden müssen. Welcher Anteil dieser Prüfungen per KI ausgewählt wurde, nennt TIGTA nicht.6A13

Weitere Befunde

  • Im DWP-Programm Lighthouse kam nur jedes zweite KI-Projekt über den Pilot hinaus, dem Schulungswerkzeug GAIL fehlt eine Langzeitevaluation.2A14

5.0Gesundheit: Prozesseffekte, selten randomisiert

Die Gesundheitsstudien des Monats kommen aus Tansania, aus einem Krankenhaus in China und von britischen Hausärzten. Nur die Studie aus Tansania ist randomisiert; die beiden anderen beruhen auf einem Vorher-nachher-Vergleich und auf Selbstauskünften.

Gesundheitsdienst, keine Verwaltung: In einer randomisierten Studie in Tansania nahmen nach KI-gestütztem Netzhaut-Screening mit sofortigem Befund und persönlicher Beratung 35,9 % der überweisungsbedürftigen Teilnehmer den Termin in der Augenklinik binnen acht Wochen wahr, gegenüber 18,2 % im Standardablauf.3A15

In einem großen chinesischen Krankenhaus sank nach Einführung eines Finanzsystems mit KI und robotergestützter Prozessautomatisierung die tägliche Zeit für die Datenerfassung von 132,5 auf 18,6 Minuten und die Fehlerquote bei der Dateneingabe von 3,5 % auf 0,6 %.10A16

Nach KI-Screening mit Beratung nahmen 35,9 % der überweisungsbedürftigen Teilnehmer binnen acht Wochen den Augenklinik-Termin wahr, im Standardablauf 18,2 %.

Weitere Befunde

  • Laut Befragung GPAI-UK 2026 nutzen 52 % von 1.004 britischen Hausärzten generative KI, 70 % dieser Nutzer berichten weniger Belastung.9A17

6.0Bürger und Beschäftigte: Nutzung, Hürden, Erwartungen

Dieses Kapitel versammelt Befragungen: zu KI-Chatbots bei digitalen Verwaltungsleistungen in Deutschland, Österreich und der Schweiz, zur Akzeptanz staatlicher KI in Deutschland und den Niederlanden, zu Hürden in zwei finnischen öffentlichen Diensten und zur KI-Nutzung im brasilianischen Bundesrechnungshof. Sie zeigen Nutzung, Erwartungen und wahrgenommene Hürden, keine gemessenen Wirkungen.

Abbildung 3

Nutzung von KI-Chatbots bei digitalen Verwaltungsleistungen

Anteil der Teilnehmer, die KI-Chatbots bereits als Unterstützung genutzt haben, eGovernment MONITOR 2026

Eine Befragung in drei Ländern: Internetnutzer ab 16 Jahren in Privathaushalten, Selbstauskünfte (Deutschland n = 8.091, Österreich n = 1.002, Schweiz n = 1.005). Die Frage unterscheidet nicht zwischen behördlichen und allgemeinen Chatbots. Keine Unsicherheitsangabe in der Quelle.Evidenztyp: beobachtet · Quellen 11

Im eGovernment MONITOR 2026 gaben 23 % der Teilnehmer in Deutschland an, KI-Chatbots bereits als Unterstützung bei digitalen Verwaltungsleistungen genutzt zu haben (Österreich 32 %, Schweiz 34 %). Von KI in der Verwaltung erwarten in Deutschland 35 % mehr und 18 % weniger Gleichbehandlung, während 38 % befürchten, dass Ausnahmefälle schlechter berücksichtigt werden.11A18

In zwei finnischen Befragungen von Mitarbeitern öffentlicher Dienste ohne bisherige KI-Nutzung nannten im regionalen Wohlfahrtsdienst 84 % fehlendes Wissen über Anwendungen und 83 % unzureichende Schulung als mindestens mäßige Hürde, in den technischen Diensten der Gemeinden 76 % Zweifel an Genauigkeit und Zuverlässigkeit generativer KI.14A19

In einer internen Befragung des brasilianischen Bundesrechnungshofs TCU gaben 88,1 % der Teilnehmer an, KI bei der Arbeit zu nutzen, 45,1 % täglich; 64,5 % nahmen eine Zeitersparnis von mehr als 30 % bei ihren Aufgaben wahr, und 77,8 % prüfen KI-Ergebnisse nach eigener Angabe vor der Verwendung in amtlichen Dokumenten stets vollständig.18A20

Weitere Befunde

  • Befragung in Deutschland und den Niederlanden: Die Akzeptanz staatlicher KI hing damit zusammen, ob Teilnehmer Effizienzmotive vermuteten.13A21

7.0Evidenzlage

Nicht jede Aussage dieses Berichts ist gleich gut belegt. Die Tabelle zeigt die zentralen Aussagen mit Evidenztyp, KI-Bezug und Quellen.

AussageEvidenztypKI-BezugQuellen
Schweizer Bundesverwaltung: Investitionen in KI nicht bezifferbar, Gesamtsicht fehltbeobachtetnicht ausgewiesen5
266.667 Std. schätzt die Behörde HMPPS als bisherige Ersparnis durch das KI-Protokollwerkzeug Justice Transcribe, ohne Messdatenmodellgeschätztnicht ausgewiesen1
20 % der geprüften endgültigen Fallakten im Pilot enthielten Ungenauigkeiten, vor allem bei Namen, ohne Vergleichswertbeobachtetnicht ausgewiesen1
Schätzung: KI-Schwärzung plus effizientere Abläufe, rund eine Million Stunden pro Jahrmodellgeschätztnicht ausgewiesen8
715 Fälle im Monat bewahrten modellgestützte Eingriffe laut DWP-Schätzung zusätzlich vor Unterhaltsrückstand, ohne Kontrollgruppemodellgeschätztnicht ausgewiesen2
92 % der abgeschlossenen Prüfungen im IRS-Programm mit KI-Auswahl endeten vorläufig ohne Änderung, Anteil der KI-Fälle offenbeobachtetnicht ausgewiesen6
KI-Netzhaut-Screening in Tansania: 35,9 % statt 18,2 % nahmen den Kliniktermin wahrbeobachtetnicht ausgewiesen3
23 % in Deutschland nutzten KI-Chatbots bereits bei digitalen Verwaltungsleistungenbeobachtetnicht ausgewiesen11

Die 21 geprüften Aussagen aus 20 Originalquellen verteilen sich auf die Kapitel 2.0 (5), 3.0 (5), 4.0 (4), 5.0 (3) und 6.0 (4); davon 18 beobachtet, 3 modellgeschätzt. „Nicht ausgewiesen“: Die Ausgabe bewertet den KI-Bezug dieser Aussagen nicht gesondert. Geltungsbereich und Grenzen jeder Aussage stehen im Anhang (A1 bis A21).

Originalquellen geprüft am 26. Oktober 2026.

8.0Was Verwaltungen jetzt tun können

  1. Wirkung messen statt annehmen: Zeitersparnis und Qualität mit gemessenen Daten und Vergleichsgruppe erfassen. Die größten Nutzenzahlen dieses Berichts sind Schätzungen, bei Justice Transcribe etwa mit angenommenen 10 Minuten Ersparnis je Gespräch.
  2. Genauigkeit regelmäßig prüfen: Für KI-erstellte Protokolle und Zusammenfassungen Stichprobenprüfungen mit Vergleichswert festlegen. Bei Justice Transcribe fehlt laut NAO bisher ein Verfahren zur Prüfung der Transkriptgenauigkeit.
  3. Überblick schaffen: KI-Projekte mit Kosten und Ergebnis zentral erfassen und Leistungswerte veröffentlichen. In der Schweizer Bundesverwaltung lässt sich das Investitionsvolumen mangels Gesamtsicht nicht beziffern, der HMRC-Eintrag nennt keine Leistungswerte.
  4. Beschäftigte schulen, Prüfung regeln: In Finnland nannten befragte Nichtnutzer Wissenslücken, zu wenig Schulung und Zweifel an der Genauigkeit als Hürden. Beim TCU prüfen laut Umfrage 77,8 % der Teilnehmer KI-Ergebnisse vor amtlicher Nutzung stets vollständig.

9.0Methodik und Grenzen

Berichtszeitraum: 1. Oktober 2026 bis zum Datenstand 26. Oktober 2026 um 13:00 Uhr MEZ (Berliner Zeit). Dieser Themenbericht erscheint vor Monatsende; Quellen, die danach erscheinen, folgen in der nächsten Ausgabe der Reihe. Zusammenstellung: 27. Oktober 2026 um 00:23 Uhr MEZ. Diese Ausgabe ist die erste Bestandsaufnahme. Die Quellen stammen aus unterschiedlichen Jahren; ihr Erscheinungsdatum ist kein Ereignis des Berichtsmonats. Es gibt keinen gemessenen Vergleich zu einer früheren Ausgabe.

Grundlage sind ausschließlich geprüfte öffentliche Originalquellen. Kundenunterhaltungen, private Akten und personenbezogene Kundenbewertungen sind keine Eingaben. Beobachtet, modellgeschätzt, Szenario und offen beschreiben die jeweilige Evidenz. Quellenwerte behalten ihre eigene Einheit und Vergleichsbasis; sie werden nicht zu einem Gesamtwert zusammengezogen.

Redaktionelle Freigabe: qasb-Redaktion · Freigabe: 27. Oktober 2026 um 00:25 Uhr MEZ. Die redaktionelle Darstellung ordnet die geprüften Aussagen und enthält keine Zahl, die nicht in ihnen steht. Freigabe der Darstellung: qasb-Redaktion · 27. Oktober 2026 um 14:27 Uhr MEZ.

Grenzen

  • Dieser Themenbericht umfasst einen Themenbereich: „Öffentliche Systeme“. Er ist keine vollständige Erhebung aller Studien oder Vorfälle.
  • Ein enger Studienbefund ist keine Prognose für einen bestimmten Kunden, Beruf oder Sicherheitssystem.
  • Eine fehlende qualifizierte Aussage belegt keine fehlende Wirkung; Abruflücken werden gesondert ausgewiesen.
  • Dieser Bericht enthält keine illustrative Messreihe und keine erfundene Confidence-Einstufung.

10.0Quellen

  1. 1Productivity improvement: The Justice Transcribe AI-enabled transcription tool (Case study, HC 615)National Audit Office (UK), Report by the Comptroller and Auditor General14. Oktober 2026www.nao.org.uk/insights/productivity-improvement-the-justice-transcribe-ai-enabled-transcription-tool/
  2. 2DWP’s approach to innovation (HC 616)National Audit Office (UK), Report by the Comptroller and Auditor General21. Oktober 2026www.nao.org.uk/reports/dwps-approach-to-innovation/
  3. 3Artificial intelligence-supported diabetic retinopathy screening in Tanzania: a randomised controlled trialCleland et al., The Lancet Global Health12. Oktober 2026doi.org/10.1016/j.langlo.2026.104062
  4. 4Artificial Intelligence: Actions and Opportunities to Implement Responsible Use in DOD (GAO-27-107837)U.S. Government Accountability Office14. Oktober 2026www.gao.gov/products/gao-27-107837
  5. 5Effizienzsteigerung von Verwaltungsprozessen durch Prozessautomatisierung und künstliche Intelligenz. Bericht des Bundesrates in Erfüllung des Postulates 24.3582 Silberschmidt vom 12. Juni 2024Schweizerischer Bundesrat2. Oktober 2026cms.news.admin.ch/fileservice/sdweb-docs-prod-nsbcch-files/files/2026/10/02/3336b959-b060-41fd-bf86-df4ca8ffd924.pdf
  6. 6Management and Performance Challenges Facing the Internal Revenue Service for Fiscal Year 2027Treasury Inspector General for Tax Administration (TIGTA), USA26. Oktober 2026www.tigta.gov/reports/top-management-challenges/management-performance-challenges-facing-internal-revenue-service-fiscal-year-2027
  7. 7Disclosure and Barring Service Barring Referral AI Summary Tool (Algorithmic Transparency Record)Disclosure and Barring Service / Home Office, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK)14. Oktober 2026www.gov.uk/algorithmic-transparency-records/disclosure-and-barring-service-barring-referral-ai-summary-tool
  8. 8Police use of artificial intelligence (AI): factsheetHome Office (Vereinigtes Königreich)9. Juni 2026www.gov.uk/government/publications/police-use-of-artificial-intelligence-ai-factsheet/police-use-of-artificial-intelligence-ai-factsheet-accessible
  9. 9Generative artificial intelligence adoption and the future of the primary care profession: an online survey of UK general practitioners’ experiences and opinionsBMJ Digital Health & AI (BMJ Publishing Group)1. Oktober 2026doi.org/10.1136/bmjdh-2026-000253
  10. 10Effectiveness of a hospital intelligent financial system based on AI and RPAZhao, Zhang, Pan, Frontiers in Public Health15. Oktober 2026doi.org/10.3389/fpubh.2026.1945091
  11. 11eGovernment MONITOR 2026Initiative D21 e. V. und Technische Universität München (Durchführung: Kantar)29. September 2026initiatived21.de/uploads/03_Studien-Publikationen/eGovernment-MONITOR/2026/D21-eGovMon2026.pdf
  12. 12The roll-out of artificial intelligence in public administrations: comparative analysis, challenges and success factorsInspection générale des affaires sociales (IGAS), Inspection générale des finances (IGF), Inspection générale de l’administration (IGA), Frankreich2. Juli 2026igas.gouv.fr/roll-out-artificial-intelligence-public-administrations-comparative-analysis-challenges-and-success-factors
  13. 13Why Government Turns to AI – What Citizens Believe and How it Matters. Survey Evidence from Germany and the NetherlandsPascal D. König, The American Review of Public Administration (SAGE)2. September 2026doi.org/10.1177/02750740261481775
  14. 14Why generative AI adoption stalls across public service domains: an AMO comparison of Finnish wellbeing and municipal technical servicesPulkkinen, Rantamäki, Laukka, Transforming Government: People, Process and Policy (Emerald)11. September 2026doi.org/10.1108/TG-05-2026-0261
  15. 15HMRC: Business Propensity to Pay (Algorithmic Transparency Record)HM Revenue & Customs, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK)9. September 2026www.gov.uk/algorithmic-transparency-records/hmrc-business-propensity-to-pay
  16. 16HM Courts & Tribunals Service: BenchNotes (Algorithmic Transparency Record)Ministry of Justice / HM Courts & Tribunals Service, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK)9. September 2026www.gov.uk/algorithmic-transparency-records/hm-courts-and-tribunals-service-benchnotes
  17. 17The Crown Prosecution Service: Beam Notes (Algorithmic Transparency Record)Attorney General’s Office / Crown Prosecution Service, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK)9. September 2026www.gov.uk/algorithmic-transparency-records/the-crown-prosecution-service-beam-notes
  18. 18Pesquisa sobre Uso de IA Generativa no TCU (Infográfico)Tribunal de Contas da União (TCU), Brasilien18. September 2026portal.tcu.gov.br/uploads/noticias/pdf/2026/09/18/Infografico_Pesquisa-sobre-Uso-de-IA-Generativa-no-TCU_v1_5_(correcao)(1)_1_1.pdf
  19. 19France Travail et l’intelligence artificielle (Observations définitives)Cour des comptes (Frankreich)8. Januar 2026www.ccomptes.fr/fr/publications/france-travail-et-lintelligence-artificielle
  20. 20Artificial Intelligence Acquisitions: Agencies Should Collect and Apply Lessons Learned to Improve Future Procurements (GAO-26-107859)U.S. Government Accountability Office13. April 2026www.gao.gov/products/gao-26-107859
Autoren, Nutzungsgrundlagen und Rechtebelege
  1. 1National Audit Office (UK), Report by the Comptroller and Auditor General · Nutzungsgrundlage: © National Audit Office 2026; Vervielfältigung nur für nichtkommerzielle Zwecke mit Quellenangabe; nur eigene Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  2. 2National Audit Office (UK), Report by the Comptroller and Auditor General · Nutzungsgrundlage: © National Audit Office 2026; Vervielfältigung nur für nichtkommerzielle Zwecke mit Quellenangabe; nur eigene Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  3. 3Cleland et al., The Lancet Global Health · Nutzungsgrundlage: Lizenzangaben uneinheitlich: Der Crossref-Datensatz des Verlags nennt für die Verlagsfassung CC BY 4.0, der PubMed-Eintrag „All rights reserved“; vorsichtig behandelt: nur eigene Tatsachenparaphrase und Link, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  4. 4U.S. Government Accountability Office · Nutzungsgrundlage: Werk der US-Bundesregierung (in den USA gemeinfrei), kann urheberrechtlich geschütztes Fremdmaterial enthalten; eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  5. 5Schweizerischer Bundesrat · Nutzungsgrundlage: Urheberrecht bei den Schweizer Bundesbehörden; Reproduktion laut Rechtlichen Hinweisen von admin.ch nur mit vorheriger schriftlicher Zustimmung; nur eigene Tatsachenparaphrase und Link, keine Textübernahmen oder Abbildungen · Rechte- und Lizenzbeleg
  6. 6Treasury Inspector General for Tax Administration (TIGTA), USA · Nutzungsgrundlage: Werk der US-Bundesregierung (nach 17 U.S.C. § 105 in den USA nicht urheberrechtlich geschützt); eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  7. 7Disclosure and Barring Service / Home Office, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK) · Nutzungsgrundlage: GOV.UK-Inhalt unter Open Government Licence v3.0, sofern nicht anders angegeben; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  8. 8Home Office (Vereinigtes Königreich) · Nutzungsgrundlage: © Crown copyright; GOV.UK-Inhalt unter Open Government Licence v3.0; eigene Paraphrase mit Quellenangabe und Link (Erstveröffentlichung 9.6.2026, zitierte aktualisierte Fassung vom 22.10.2026) · Rechte- und Lizenzbeleg
  9. 9BMJ Digital Health & AI (BMJ Publishing Group) · Nutzungsgrundlage: CC BY 4.0 (laut Lizenzangabe des Verlags im Crossref-Datensatz); nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  10. 10Zhao, Zhang, Pan, Frontiers in Public Health · Nutzungsgrundlage: CC BY 4.0; nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  11. 11Initiative D21 e. V. und Technische Universität München (Durchführung: Kantar) · Nutzungsgrundlage: Urheberrecht bei den Herausgebern; laut Impressum von initiatived21.de ist die Vervielfältigung oder Verwendung von Texten und Grafiken in anderen Publikationen ohne ausdrückliche Zustimmung nicht gestattet, Links sind nicht eingeschränkt; nur eigene Tatsachenparaphrase und Link, keine Textübernahmen oder Abbildungen · Rechte- und Lizenzbeleg
  12. 12Inspection générale des affaires sociales (IGAS), Inspection générale des finances (IGF), Inspection générale de l’administration (IGA), Frankreich · Nutzungsgrundlage: Licence Ouverte / Etalab 2.0 (laut IGAS-Website, Rechte Dritter ausgenommen); eigene Paraphrase mit Quellenangabe und Link (verlinkt ist die englische Fassung vom 9.9.2026; französisches Original vom 2.7.2026) · Rechte- und Lizenzbeleg
  13. 13Pascal D. König, The American Review of Public Administration (SAGE) · Nutzungsgrundlage: CC BY 4.0 (laut Lizenzangabe des Verlags im Crossref-Datensatz); nur eigene Paraphrase und Link · Rechte- und Lizenzbeleg
  14. 14Pulkkinen, Rantamäki, Laukka, Transforming Government: People, Process and Policy (Emerald) · Nutzungsgrundlage: CC BY 4.0; nur eigene Paraphrase und Link, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  15. 15HM Revenue & Customs, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK) · Nutzungsgrundlage: GOV.UK-Inhalt unter Open Government Licence v3.0, sofern nicht anders angegeben; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  16. 16Ministry of Justice / HM Courts & Tribunals Service, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK) · Nutzungsgrundlage: GOV.UK-Inhalt unter Open Government Licence v3.0, sofern nicht anders angegeben; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  17. 17Attorney General’s Office / Crown Prosecution Service, veröffentlicht im Algorithmic Transparency Recording Standard (GOV.UK) · Nutzungsgrundlage: GOV.UK-Inhalt unter Open Government Licence v3.0, sofern nicht anders angegeben; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  18. 18Tribunal de Contas da União (TCU), Brasilien · Nutzungsgrundlage: Alle Rechte vorbehalten; laut Nutzungsbedingungen des TCU ist die Weiterverbreitung öffentlicher Inhalte mit Angabe von Quelle, Titel und Autor erlaubt, kommerzielle Nutzung nur mit Erlaubnis; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  19. 19Cour des comptes (Frankreich) · Nutzungsgrundlage: Wiedergabe laut Rechtlichen Hinweisen der Cour des comptes mit ausdrücklicher Quellenangabe www.ccomptes.fr und ohne sinnentstellende Veränderung erlaubt; eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  20. 20U.S. Government Accountability Office · Nutzungsgrundlage: Werk der US-Bundesregierung (in den USA gemeinfrei), kann urheberrechtlich geschütztes Fremdmaterial enthalten; eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg

Zitiervorschlag

qasb Research (2026). KI im öffentlichen Sektor: Nutzen meist geschätzt statt gemessen. Themenbericht 10/2026, Datenstand 26. Oktober 2026. https://www.qasb.ai/reports/2026-10-oeffentlicher-sektor

Anhang

Zu jeder Aussage: Evidenztyp, Änderungsstatus, Geltungsbereich und Grenzen, dazu Beobachtungszeitraum, Quellenwert, Vergleich und Unsicherheit, soweit die Quelle sie angibt. Die Texte sind die freigegebenen Angaben der Ausgabe, ebenso ihre Zusammenfassung.

Geltungsbereiche und Grenzen aller 21 Aussagen (A1–A21)

Zusammenfassung der Ausgabe

Im Oktober 2026 stammen die belastbarsten Belege zu KI im öffentlichen Sektor aus Prüf- und Aufsichtsberichten (NAO, GAO, TIGTA) und amtlichen Transparenzeinträgen: Sie zeigen breite Einsätze in Justiz, Sozial- und Steuerverwaltung, deren Nutzen meist geschätzt statt gemessen ist; beim IRS endeten in einem Programm, das KI zur Fallauswahl nutzt, vorläufig 92 % der abgeschlossenen Prüfungen ohne Änderung, ohne dass der Anteil KI-ausgewählter Fälle bekannt ist. Gesundheitsstudien des Monats berichten Prozesseffekte überwiegend aus Selbstauskünften und Vorher-nachher-Vergleichen, randomisiert ist nur das Netzhaut-Screening in Tansania. Für Deutschland und die EU liegen vor allem Befragungen und Bestandsaufnahmen vor (eGovernment MONITOR, Finnland, dazu die Schweiz und als ältere Kontextquelle Frankreich); Wirkungsmessungen, Gerichtsentscheidungen und datierte Belege zur Marktüberwachung nach der KI-Verordnung fehlen im geprüften Material.

  1. A1Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 5

    Geltungsbereich
    Bundesverwaltung der Schweiz; departementsübergreifende Umfrage im vierten Quartal 2025 und zehn Arbeitssitzungen zu Referenzprozessen im ersten Quartal 2026; Bericht in Erfüllung des Postulats 24.3582.
    Grenzen
    Das Automatisierungspotenzial beruht auf Ersteinschätzungen der Teilnehmer der Arbeitssitzungen, vom Projektteam ergänzt; gemessene Effekte gibt es nicht. Die Meldung von KI-Projekten an das Kompetenznetzwerk ist freiwillig. Wegen knapper Mittel sollen nicht alle Anwendungsfälle verfolgt werden, jedes Departement soll sich an mindestens drei beteiligen. Schweiz, nicht EU.
    Beobachtungszeitraum
    Umfrage im vierten Quartal 2025; Arbeitssitzungen im ersten Quartal 2026; Bericht vom 2.10.2026
    Quellenwert
    39 Anwendungsfälle mit überwiegend mittlerem bis hohem Automatisierungspotenzial
    Vergleichsbasis
    über 70 identifizierte Anwendungsfälle aus über 130 gemeldeten Prozessen
    Vergleich
    Potenzialbewertung nach Wertschöpfung, Machbarkeit und Risikokontrolle
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle; Ersteinschätzung durch Teilnehmer der Arbeitssitzungen

  2. A2Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 4

    Geltungsbereich
    Chief Digital and AI Office (CDAO) des US-Verteidigungsministeriums und zehn befragte Organisationseinheiten mit je einem ausgewählten KI-Anwendungsfall; GAO-Prüfung September 2024 bis Oktober 2026.
    Grenzen
    Governance-Prüfung: misst Aufsichtskapazität, nicht Wirkung oder Fehlerraten von KI-Anwendungen. Stellen- und Maßnahmenstand beruhen auf CDAO-Dokumenten und Aussagen von Beamten. Verteidigungskontext, nicht ohne Weiteres auf zivile Verwaltung übertragbar.
    Beobachtungszeitraum
    Stand Februar 2026 (Stellen) bzw. April 2026 (Maßnahmen); Prüfung September 2024–Oktober 2026
    Quellenwert
    3 von 10 genehmigten Stellen besetzt
    Vergleichsbasis
    10 Stellen laut Ressourcenmemo 2023
    Vergleich
    Besetzung im Februar 2026
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle; Angabe von CDAO-Beamten

  3. A3Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 19

    Geltungsbereich
    France Travail (öffentliche Arbeitsverwaltung, nach Personal größter staatlicher Betreiber); Prüfung der Cour des comptes zu Einsatz, Wirkungen und Steuerung von KI; Investitionen von rund 93 Mio. € zwischen 2017 und 2024.
    Grenzen
    Stand April 2025, veröffentlicht im Januar 2026, außerhalb des Berichtszeitraums. Die Zählung umfasst auch Varianten desselben Werkzeugs. Wirkungen auf Arbeit und Arbeitsbedingungen werden laut Rechnungshof nicht ausreichend erfasst; der neuere Stand (68 Anwendungsfälle Anfang 2026) stammt aus dem Inspektionsbericht.
    Beobachtungszeitraum
    2017 bis April 2025; Bericht vom 8.1.2026
    Quellenwert
    18 Anwendungsfälle mit begonnener formalisierter ethischer Analyse
    Vergleichsbasis
    87 identifizierte Anwendungsfälle (Stand April 2025)
    Vergleich
    Anwendungsfälle mit ethischer Erstanalyse
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  4. A4Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 12

    Geltungsbereich
    Zentralstaat, Sozialversicherung und Arbeitsverwaltung in Frankreich; gemeinsamer Bericht der drei Generalinspektionen (Deckblatt April 2026, französisches Original veröffentlicht am 2.7.2026, hier verlinkte englische Fassung am 9.9.2026); Angaben aus Erhebungen der Mission und Fragebogenantworten der Behörden.
    Grenzen
    Erstveröffentlichung im Juli 2026, vor dem Berichtszeitraum. Bestandsaufnahme ohne Wirkungsmessung; die Zählweisen unterscheiden sich (Produkte, Projekte, Anwendungsfälle). Nutzenbeispiele im Bericht sind Rückmeldungen ohne Vergleichsgruppe, bei einem Gemeinde-Chatbot weichen Zusammenfassung und Hauptbericht im Ausgangswert voneinander ab. Kosten seien schwer schätzbar und überstiegen oft die Planung.
    Beobachtungszeitraum
    Erhebungen bis Anfang 2026; französisches Original vom 2.7.2026, englische Fassung vom 9.9.2026

  5. A5Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 20

    Geltungsbereich
    Vier US-Bundesbehörden (DOD, DHS, GSA, VA) mit 13 ausgewählten KI-Beschaffungen; zu den Hürden befragte das GAO Beamte aus fünf Behörden (zusätzlich das Handelsministerium); Auswertung von OMB-Vorgaben zur KI-Beschaffung.
    Grenzen
    Veröffentlicht im April 2026, außerhalb des Berichtszeitraums; kleine, ausgewählte Fallzahl; keine Angaben zu Kosten oder Ergebnissen der beschafften Systeme. US-Kontext, keine Rahmenverträge in der EU.
    Beobachtungszeitraum
    Prüfung bis April 2026

  6. A6Zurück zu Kapitel 3.0

    Evidenztyp: modellgeschätzt · Bestandsaufnahme · Quelle 1

    Geltungsbereich
    Rund 11.000 Mitarbeiter im Sentence Management des Probation Service (England und Wales), landesweite Einführung Februar–März 2026; Teilautomatisierung von Gesprächsprotokollen (Transkript und Zusammenfassung, Prüfung durch die Fachkraft). Fallstudie des National Audit Office (NAO).
    Grenzen
    Modellrechnung der Behörde auf Basis von angenommenen 10 Minuten Ersparnis je Gespräch; keine gemessenen Zeitdaten und keine Vergleichsgruppe. Das NAO hat die gemeldeten Ergebnisse nicht unabhängig überprüft. Keine Aussage darüber, wofür frei gewordene Zeit genutzt wird oder wie sich die Aktenqualität entwickelt.
    Beobachtungszeitraum
    7.10.2025–14.9.2026 (Nutzungszahlen); Prognose von rund 450.000 Stunden pro Jahr
    Quellenwert
    266.667 Stunden Arbeitszeit (Behördenschätzung, kumuliert)
    Vergleichsbasis
    Annahme: 10 Minuten Ersparnis je Gespräch gegenüber manueller Protokollierung
    Vergleich
    über 1.600.000 mit dem Werkzeug zusammengefasste Gespräche
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle; keine gemessenen Zeitdaten vorhanden

  7. A7Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 1

    Geltungsbereich
    Pilot mit 40 Bewährungshelfern in Kent, Surrey, Sussex und Wales (Mai–Juli 2025; 30 abschließende Befragungen); Prüfung durch die HMPPS-Gruppe Performance Assurance and Risk; Stand der Qualitätssicherung nach landesweiter Einführung.
    Grenzen
    Zahl der geprüften Akten und Vergleichswert für manuell erstellte Akten nicht angegeben. Die im Pilot berichtete Zeitersparnis von 73 % beim Verschriftlichen ist Selbstauskunft. Angaben vom NAO nicht unabhängig überprüft.
    Beobachtungszeitraum
    Pilot Mai–Juli 2025; Stand der Qualitätssicherung 2026
    Quellenwert
    20 Prozent der geprüften endgültigen Fallakten mit Ungenauigkeiten
    Vergleichsbasis
    Keine Vergleichsquote für Akten ohne KI-Unterstützung angegeben
    Vergleich
    Pilotakten mit KI-erstellter Zusammenfassung nach Prüfung durch die Fachkraft
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle; Stichprobengröße nicht genannt

  8. A8Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quellen 16, 17

    Geltungsbereich
    HM Courts & Tribunals Service (Phase laut Eintrag Produktion) und Crown Prosecution Service (Private Beta in allen 14 CPS-Bereichen in England und Wales); Spracherkennung über Azure beziehungsweise ElevenLabs, Zusammenfassung über OpenAI-Modelle bei Beam Notes; Einträge im ATRS.
    Grenzen
    Selbstbeschreibungen der Behörden ohne Evaluationsergebnisse. Der BenchNotes-Eintrag ist in sich widersprüchlich: Phase Produktion, im Risikoteil aber Pilot, und eine Menschenrechts-Folgenabschätzung wird sowohl als erledigt als auch als offene Maßnahme genannt. Richter und Staatsanwälte müssen alle Ausgaben prüfen.
    Beobachtungszeitraum
    Einträge vom 9.9.2026

  9. A9Zurück zu Kapitel 3.0

    Evidenztyp: modellgeschätzt · Bestandsaufnahme · Quelle 8

    Geltungsbereich
    Polizeien in England und Wales; Home Office; neues National Centre for AI in Policing (PoliceAI) beim College of Policing; Fördermittel aus dem Police Reform White Paper (115 Mio. £ über drei Jahre). Erstveröffentlichung 9.6.2026; die Fassung vom 22.10.2026 kennzeichnet nicht, welche Angaben neu sind, daher als ältere Kontextquelle eingeordnet.
    Grenzen
    Modellrechnung des Ministeriums ohne veröffentlichte Methode; die Schätzung umfasst Werkzeuge und Prozessänderungen zusammen. Keine Angaben zur Zahl eingesetzter KI-Werkzeuge, zu Fehlerraten oder zu Ergebnissen. Der Änderungsvermerk vom 22.10.2026 lautet nur, das Factsheet sei aktualisiert worden; ob Schätzung und Registerzeitplan schon in der Erstfassung standen, ließ sich nicht prüfen. Politikdokument, keine Evaluation.
    Beobachtungszeitraum
    Erstveröffentlichung 9.6.2026, aktualisierte Fassung vom 22.10.2026; Förderung seit 2025-26
    Quellenwert
    1.000.000 Stunden pro Jahr (Schätzung des Ministeriums bei Einsatz in allen Polizeien)
    Vergleichsbasis
    Schwärzung von Ton- und Bildmaterial ohne KI-Werkzeuge und ohne die geförderten Prozessänderungen
    Vergleich
    Einsatz KI-gestützter Schwärzungswerkzeuge und effizienterer Abläufe in allen Polizeien in England und Wales
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle; Formulierung „rund eine Million“

  10. A10Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 7

    Geltungsbereich
    Barring Referral Service des DBS (Vereinigtes Königreich laut Eintrag); Triage-Team von rund 16 Sachbearbeitern mit etwa 1.200 Fällen pro Monat; Phase Public Beta; Modelle über AWS Bedrock; Eintrag im britischen Algorithmic Transparency Recording Standard (ATRS).
    Grenzen
    Selbstbeschreibung der Behörde ohne unabhängige Prüfung; die Evaluation umfasste im Private Beta rund 140 Produktivfälle, die Kennzahlen werden benannt, aber nicht beziffert. Die Aussage, Zusammenfassungen unterstützten eine schnellere Orientierung im Fall, ist nicht quantifiziert.
    Beobachtungszeitraum
    Tests in Alpha und Private Beta (Zeitraum nicht genannt); Eintrag vom 14.10.2026

  11. A11Zurück zu Kapitel 4.0

    Evidenztyp: modellgeschätzt · Bestandsaufnahme · Quelle 2

    Geltungsbereich
    Child Maintenance Service des DWP; Vorhersagemodell für Zahlungsabbrüche (Trefferquote im Test 70 %) als KI-Unterstützung für Sachbearbeiter, im Regelbetrieb seit März 2024; Fallbeispiel im NAO-Bericht „DWP’s approach to innovation“.
    Grenzen
    Schätzung des Ministeriums aus einem Test-and-learn-Vorgehen und Rückmeldungen der Mitarbeiter, ohne Kontrollgruppe; ebenfalls geschätzt ist ein Zeitgewinn entsprechend 49 Vollzeitkräften. Das NAO stützte sich auf Dokumente, Daten und Interviews des Ministeriums; eine eigene Prüfung der Modellleistung berichtet es nicht.
    Beobachtungszeitraum
    Regelbetrieb seit März 2024; NAO-Evidenz erhoben März–September 2026
    Quellenwert
    715 zusätzliche Fälle pro Monat ohne Abrutschen in Zahlungsrückstand (Schätzung des Ministeriums)
    Vergleichsbasis
    rund 8.000 Fälle pro Monat mit ungeplantem Zahlungsabbruch (DWP-Schätzung)
    Vergleich
    Fälle mit modellgestützter Frühintervention
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  12. A12Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 15

    Geltungsbereich
    HM Revenue & Customs, Debt Management; Gradient-Boosting-Modell für Schulden aus Umsatzsteuer, Lohnsteuer und Körperschaftsteuer; der Wert steuert Häufigkeit und Inhalt von Schreiben; Eintrag im britischen Transparenzregister ATRS vom 9.9.2026.
    Grenzen
    Selbstbeschreibung der Behörde ohne unabhängige Prüfung; keine Angaben zu Auswirkungen auf Zahlungen oder auf einzelne Gruppen. Mitarbeiter sehen den Wert in der Fallbearbeitung, die Überwachung erfolgt monatlich nur auf aggregierter Ebene.
    Beobachtungszeitraum
    Monatlicher Betrieb; Eintrag vom 9.9.2026

  13. A13Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 6

    Geltungsbereich
    US-Steuerbehörde IRS, Large Partnership Compliance Program; TIGTA-Bericht zu den Management-Herausforderungen im Haushaltsjahr 2027. Laut TIGTA meldete der IRS im November 2025 insgesamt 175 Projekte mit KI-Einsatz und nutzt KI auch, um Personalabbau auszugleichen.
    Grenzen
    Vorläufige Ergebnisse; weder der Anteil per KI ausgewählter Fälle an den abgeschlossenen Prüfungen noch eine Vergleichsquote ohne KI-Auswahl werden genannt, ein Zusammenhang zwischen KI-Auswahl und Ergebnis ist daher nicht belegt. Die Zahl stammt aus einem früheren TIGTA-Prüfbericht (März 2026), der hier nicht geöffnet wurde. Keine Aussage über Steuermehreinnahmen.
    Beobachtungszeitraum
    Abgeschlossene Prüfungen bis zum Berichtsstand (Zeitraum nicht genannt); KI-Projektzahl Stand November 2025; Bericht vom 26.10.2026
    Quellenwert
    92 Prozent der abgeschlossenen Prüfungen ohne Änderung
    Vergleichsbasis
    Keine Vergleichsquote für Prüfungen ohne KI-gestützte Auswahl angegeben
    Vergleich
    abgeschlossene Prüfungen im Large Partnership Compliance Program
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle; von TIGTA als vorläufig bezeichnet

  14. A14Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 2

    Geltungsbereich
    Lighthouse-Programm des DWP für generative KI (heute Teil der AI and Innovation Directorate); Fallbeispiel GAIL (Generative AI in Learning): Proof of Concept mit 428.000 £ gefördert, danach weitere 10 Mio. £ für digitale und KI-Vorhaben einschließlich GAIL; NAO-Bericht „DWP’s approach to innovation“.
    Grenzen
    Das NAO nennt weder die Zahl der Lighthouse-Projekte noch die Gründe für das Nichtweiterverfolgen. Die Angabe, Aufgaben von Tagen oder Wochen dauerten mit GAIL nur Minuten, stammt aus frühen Tests des DWP ohne veröffentlichte Methode. Keine Angaben zu Qualität oder Kosten im Regelbetrieb.
    Beobachtungszeitraum
    Proof of Concept Januar–Mai 2024; Einführung ab März 2025, Ausweitung März 2026; NAO-Evidenz März–September 2026

  15. A15Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 3

    Geltungsbereich
    2.378 Menschen mit Diabetes in Diabetes- bzw. NCD-Sprechstunden von 24 Krankenhäusern in den Regionen Kilimanjaro und Arusha; 904 mit bestätigter überweisungsbedürftiger Retinopathie; individuell randomisiert; Vergleich: verzögerte menschliche Bildauswertung mit telefonischer Beratung.
    Grenzen
    Studie aus der Gesundheitsversorgung, kein Verwaltungsprozess. Die Intervention bündelt KI-Befund und sofortige persönliche Beratung; der Anteil der KI am Effekt ist nicht isoliert. Gemessen wurde die Terminwahrnehmung, nicht der Behandlungserfolg. Software-Anbieter im Abstract nicht genannt; geprüft wurde nur das Abstract.
    Beobachtungszeitraum
    8.3.2023–31.8.2024; Nachbeobachtung acht Wochen
    Quellenwert
    17,7 Prozentpunkte höhere Terminwahrnehmung binnen acht Wochen
    Vergleichsbasis
    18,2 % (85 von 467) im Standardablauf
    Vergleich
    35,9 % (157 von 437) im KI-gestützten Ablauf
    Unsicherheit
    95-%-Konfidenzintervall 12,0–23,4 Prozentpunkte; Odds Ratio 2,52 (1,86–3,42)

  16. A16Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 10

    Geltungsbereich
    Ein allgemeines Krankenhaus der höchsten Versorgungsstufe (tertiary A) in China; Vergleich der sechs Monate vor und nach dem Start im Juni 2025; Finanz- und Abrechnungsprozesse einschließlich Risikoprognose für Verstöße gegen Krankenversicherungsregeln.
    Grenzen
    Einzelzentrum, nicht randomisiert, ohne Kontrollgruppe (Vorher-nachher-Vergleich); die Autoren berichten keine anderen System-, Personal- oder Regeländerungen zwischen den Zeiträumen, räumen aber ein, dass Trends, saisonale Unterschiede und Lerneffekte nicht ausgeschlossen sind. Die Trägerschaft des Krankenhauses wird nicht ausdrücklich genannt; Personaleffekte, Kosten und Kompetenzverluste wurden nicht untersucht.
    Beobachtungszeitraum
    Januar bis Dezember 2025 (je sechs Monate vor und nach dem Start im Juni 2025)
    Quellenwert
    18,6 Minuten tägliche Datenerfassungszeit nach Einführung
    Vergleichsbasis
    132,5 Minuten vor Einführung
    Vergleich
    sechs Monate nach Einführung des KI-RPA-Finanzsystems
    Unsicherheit
    P < 0,001 laut Abstract; keine Konfidenzintervalle angegeben

  17. A17Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 9

    Geltungsbereich
    Hausärzte im Vereinigten Königreich (Primärversorgung); jährliche Online-Gelegenheitsstichprobe über Doctors.net.uk im Rahmen eines monatlichen Omnibus; meistgenannte Werkzeuge ChatGPT, Heidi Health und Microsoft Copilot.
    Grenzen
    Gelegenheitsstichprobe, nicht repräsentativ; Nutzung und Entlastung sind Selbstauskünfte, keine gemessene Zeitersparnis. Keine Angaben zu Patientensicherheit oder Dokumentationsqualität; der Abstract unterscheidet nicht nach Praxistyp oder Trägerschaft. Geprüft wurde das vom Verlag bei Crossref hinterlegte Abstract (Verlagsseite für automatisierten Abruf gesperrt).
    Beobachtungszeitraum
    Befragungswelle 2026 (genauer Zeitraum im Abstract nicht genannt)
    Quellenwert
    52 Prozent der Hausärzte mit Nutzung generativer KI in der klinischen Praxis (522 von 1.004)
    Vergleichsbasis
    Gesamtstichprobe von 1.004 Hausärzten
    Vergleich
    70 % der Nutzer (363 von 522) berichten geringere Arbeitsbelastung
    Unsicherheit
    Keine Unsicherheitsangabe im Abstract; Gelegenheitsstichprobe

  18. A18Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 11

    Geltungsbereich
    Online-Befragung (CAWI) der Initiative D21 und der TU München, durchgeführt von Kantar; Internetnutzer ab 16 Jahren in Privathaushalten; Deutschland n = 8.091 (rund 500 je Bundesland), Österreich n = 1.002, Schweiz n = 1.005.
    Grenzen
    Nur Internetnutzer; Selbstauskünfte und Erwartungen, keine Messung tatsächlicher KI-Effekte in Verwaltungsverfahren. Die Frage unterscheidet nicht zwischen behördlichen und allgemeinen Chatbots. Die Studie wird von zahlreichen IT-Unternehmen als Partnern unterstützt.
    Beobachtungszeitraum
    April und Mai 2026
    Quellenwert
    23 Prozent der Teilnehmer in Deutschland mit bereits genutzter KI-Chatbot-Unterstützung bei digitalen Verwaltungsleistungen
    Vergleichsbasis
    Österreich 32 %, Schweiz 34 %
    Vergleich
    Deutschland (n = 8.091)
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  19. A19Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 14

    Geltungsbereich
    Finnland; ein regionaler Träger der Wohlfahrtsdienste (4.226 Eingeladene, 437 Antworten) sowie Bauleitplanung und Bauaufsicht der Gemeinden (2.646 Eingeladene, 218 Antworten aus 104 Gemeinden); Auswertung von 321 Nichtnutzern; Webbefragungen im September 2025.
    Grenzen
    Niedrige Rücklaufquoten (rund 10 % und 8 %) und Selbstselektion; nur Nichtnutzer; die Anteile lassen Antworten „weiß nicht“ unberücksichtigt; Wahrnehmungen, keine Messung von Nutzung oder Wirkung. Die Erhebung liegt ein Jahr vor der Veröffentlichung.
    Beobachtungszeitraum
    September 2025

  20. A20Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 18

    Geltungsbereich
    Teilnehmer einer internen Befragung im brasilianischen Bundesrechnungshof (Tribunal de Contas da União) zur Nutzung generativer KI bei der Arbeit; meistgenutztes Werkzeug ist das hauseigene ChatTCU (76,6 %); Infografik des TCU zur Befragung.
    Grenzen
    Selbstauskünfte; die Zeitersparnis ist wahrgenommen, nicht gemessen. Zahl und Zusammensetzung der Teilnehmer, Teilnahmeverfahren und Erhebungszeitraum stehen nicht in der Infografik; eine Verzerrung zugunsten von Nutzern ist möglich.
    Beobachtungszeitraum
    2026 (genauer Erhebungszeitraum nicht angegeben); veröffentlicht am 18.9.2026
    Quellenwert
    88,1 Prozent der Teilnehmer mit KI-Nutzung bei der Arbeit
    Vergleichsbasis
    Keine frühere Erhebung angegeben
    Vergleich
    45,1 % nutzen KI täglich
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  21. A21Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 13

    Geltungsbereich
    Bürger in Deutschland und den Niederlanden; vier Arten staatlicher KI-Nutzung mit unterschiedlichen Beziehungen zwischen Bürger und Staat; Befragungsdaten, Aufsatz in einer begutachteten Fachzeitschrift.
    Grenzen
    Zusammenhänge aus einer Befragung, keine Kausalaussage; ob die vier Anwendungsarten reale oder hypothetische Fälle sind, geht aus dem Abstract nicht hervor. Geprüft wurde nur das vom Verlag bei Crossref hinterlegte Abstract, Verlagsseite und Volltext sind für automatisierten Abruf gesperrt; Erhebungszeitraum, Stichprobenverfahren und Effektgrößen nicht nachgeprüft.
    Beobachtungszeitraum
    Erhebungszeitraum im Abstract nicht genannt; veröffentlicht am 2.9.2026

Und in deinem Fall? Prüf ihn mit Quellen.

Analyse startenFür Organisationen
Alle Berichte