Ein Beinaheunfall, auffällige Lärmwerte oder wiederkehrende Überlastung sind Signale, die in einem Betrieb nicht untergehen sollten. Künstliche Intelligenz kann dabei helfen, Muster in Meldungen, Wartungsdaten oder Gefährdungsbeurteilungen früher zu erkennen. Sie ist jedoch kein Sicherheitsbeauftragter und darf nie zur verdeckten Leistungskontrolle werden. Für österreichische Betriebe lautet die entscheidende Frage daher nicht: „Welche KI kaufen wir?“, sondern: „Welche konkrete Gefahr soll sie verringern – und wer überprüft ihre Empfehlung?“
Dieser Leitfaden zeigt, wie Teams KI im Arbeitsschutz sinnvoll eingrenzen, testen und im Alltag einsetzen. Er richtet sich an Führungskräfte, Sicherheitsfachkräfte, Betriebsrät:innen und Beschäftigte. Im Mittelpunkt stehen nachvollziehbare Vorschläge, freiwillige Rückmeldungen und menschliche Entscheidungen – nicht ein Punktesystem über einzelne Menschen.
Was KI im Arbeitsschutz leisten kann – und was nicht
KI-Systeme können große Mengen strukturierter Informationen ordnen: Wartungsprotokolle, anonymisierte Beinaheunfallmeldungen, Messwerte aus Maschinen oder Rückmeldungen aus Unterweisungen. In einer Tischlerei könnte eine Anwendung etwa wiederkehrende Ausfälle einer Absaugung markieren. In einem Logistikzentrum kann sie Häufungen von Beinaheunfällen an einem Verkehrsweg sichtbar machen. In der Pflege kann sie Hinweise aus Schichtübergaben bündeln, damit eine Führungskraft Ursachen prüft. Der Nutzen entsteht nicht durch eine angeblich „objektive“ Zahl, sondern durch eine bessere Frage an die Fachleute vor Ort.
Das ist etwas anderes als ein System, das Beschäftigte laufend bewertet. EU-OSHA weist darauf hin, dass digitale Systeme Chancen für Prävention bieten, aber auch neue physische, organisatorische und psychische Risiken schaffen können. Gerade wenn Software Arbeitsrhythmus, Aufgaben oder Verhalten auswertet, können Zeitdruck, Verlust von Handlungsspielraum und Stress steigen. Auch die Arbeiterkammer betont für Österreich, dass Arbeitnehmer:innenrechte, Datenschutz und Mitbestimmung neben der KI-Verordnung weiter gelten.
Eine sichere Grundregel lautet: KI darf Hinweise priorisieren, aber keine Schutzmaßnahme ersetzen und keine arbeitsrechtliche Entscheidung über eine Person treffen. Ein rotes Signal ist Anlass für Prüfung vor Ort. Es ist kein Beweis dafür, dass jemand „schuld“ ist.
Der gute Start: eine Gefahr, ein Prozess, ein verantwortliches Team
Viele Projekte scheitern, weil sie zu groß beginnen: ein Dashboard für die ganze Organisation, alle verfügbaren Daten und ein Versprechen von Echtzeit-Prognosen. Arbeitsschutz gewinnt hingegen, wenn der erste Anwendungsfall klein und überprüfbar ist. Formulieren Sie eine konkrete Hypothese: „Wir möchten erkennen, ob sich an der Verpackungslinie bestimmte Beinaheunfälle häufen, damit wir Arbeitsmittel und Wege prüfen.“ Dazu gehören eine verantwortliche Sicherheitsfachkraft, eine fachliche Führungskraft, Beschäftigte aus dem Bereich sowie – sofern vorhanden – der Betriebsrat.
Erst danach wird festgelegt, welche Daten wirklich nötig sind. Für die genannte Hypothese genügen möglicherweise Datum, Bereich, Art der Gefährdung, Schicht und eine freie, von Namen bereinigte Beschreibung. Namen, GPS-Verläufe, biometrische Daten oder minutengenaue Leistungswerte gehören nicht automatisch in den Datensatz. Datenminimierung verbessert nicht nur den Datenschutz: Sie verhindert auch, dass das System einen Warnhinweis mit einer Personenbewertung verwechselt.
Der KI-Arbeitsschutz-Check in acht Fragen
- Welche Gefahr wird reduziert? Beschreiben Sie das Risiko mit Arbeitsablauf, Ort und möglicher Folge. „Mehr Sicherheit“ ist zu ungenau.
- Welche Entscheidung bleibt menschlich? Benennen Sie, wer eine Empfehlung überprüft, wer Maßnahmen freigibt und wie Beschäftigte widersprechen können.
- Welche Daten sind unverzichtbar? Streichen Sie alles, was für die konkrete Gefährdungsbeurteilung nicht erforderlich ist.
- Welche Gruppen könnten benachteiligt werden? Prüfen Sie etwa Teilzeit, neue Kolleg:innen, ältere Beschäftigte, Menschen mit Behinderung und unterschiedliche Arbeitsbereiche.
- Wie erkennt das Team falsche Treffer? Halten Sie fest, wann ein Hinweis ignoriert, korrigiert oder an den Anbieter gemeldet wird.
- Wie bleibt die Erklärung verständlich? Jede Warnung braucht eine nachvollziehbare Begründung: Datenquelle, Zeitraum und Unsicherheit.
- Welche Mitbestimmung und Information sind nötig? Beziehen Sie Betriebsrat und Beschäftigte vor dem Pilot ein, nicht erst nach dem Einkauf.
- Wann wird der Pilot beendet? Legen Sie Erfolgskriterien, eine Evaluierung und einen Abschaltweg vor dem Start fest.
Diese Fragen gehören in ein kurzes Projektblatt, das alle Beteiligten lesen können. Es ersetzt keine individuelle Rechtsberatung, schafft aber einen belastbaren Ausgangspunkt für Sicherheits- und Datenschutzprüfungen.
Praxisfall: Ein Hinweis ist keine Anweisung
Ein österreichischer Metallbetrieb sammelt seit Jahren Beinaheunfallmeldungen. Die Texte sind unterschiedlich detailliert, weshalb Gefährdungen rund um einen innerbetrieblichen Staplerweg nicht immer auffallen. Für einen dreimonatigen Pilotversuch werden Meldungen ohne Namen in Kategorien eingeordnet. Eine KI schlägt Themencluster vor, beispielsweise „Sichtkontakt an Kreuzung“ oder „abgestellte Paletten“. Jede Woche prüft ein kleines Team die Vorschläge mit den Meldungen und einem Rundgang.
Nach vier Wochen markiert das System eine Häufung am Nachmittag. Das Team kontrolliert den Bereich und stellt fest: Nicht die Beschäftigten arbeiten „unvorsichtig“, sondern eine neue Warenbereitstellung verdeckt zeitweise die Sicht. Die Maßnahme ist deshalb eine geänderte Abstellfläche, eine Bodenmarkierung und eine Unterweisung – keine individuelle Verwarnung. Der Pilot ist gelungen, weil die KI eine Beobachtung beschleunigt hat, die Entscheidung aber aus dem Arbeitsablauf und der Ortskenntnis kam.
Ein schlechter Pilot sähe anders aus: Eine Kamera analysiert Bewegungen, vergibt Risikowerte pro Person und löst automatisch Gespräche mit Vorgesetzten aus. Dabei verschwimmen Prävention, Überwachung und Leistungsbeurteilung. Die Vertrauensbasis sinkt; zudem können Schicht, Aufgabe, Assistenzbedarf oder eine fehlerhafte Erkennung zu ungerechten Ergebnissen führen.
Gefährdungsbeurteilung bleibt die Grundlage
KI verändert den Arbeitsprozess selbst. Deshalb muss sie auch Gegenstand der Gefährdungsbeurteilung sein. Fragen Sie nicht nur, ob der Algorithmus einen Schaden erkennt. Prüfen Sie auch neue Risiken: Werden Warnungen übersehen, weil es zu viele gibt? Verlassen sich Menschen zu stark auf eine Ampel? Entsteht zusätzlicher Zeitdruck, weil eine Kennzahl schneller erfüllt werden soll? Können Beschäftigte eine Empfehlung pausieren, wenn die Situation vor Ort anders ist?
EU-OSHA beschreibt bei KI und fortgeschrittener Robotik unter anderem unerwartete Interaktionen, übermäßiges Vertrauen in Technik sowie psychosoziale Folgen als relevante Themen. Das gilt nicht nur für Roboter. Auch eine App, die Arbeitsaufgaben sortiert, kann Pausen indirekt verkürzen oder Arbeitsintensität erhöhen. Eine gute Einführung misst daher nicht allein Durchlaufzeit und Anzahl erledigter Vorgänge. Sie beobachtet Beschwerden, Beinaheunfälle, Fehlalarme, Verständlichkeit und die tatsächliche Handlungsfreiheit im Team.
Transparenz heißt: Die Menschen können mitreden
Ein Aushang mit dem Satz „Wir verwenden KI“ reicht nicht. Beschäftigte sollen vor dem Pilot wissen, welchen Zweck das System hat, welche Datenkategorien einfließen, welche Ergebnisse es ausgibt und wer sie sieht. Sie brauchen eine Ansprechperson für Fragen und eine Möglichkeit, einen offensichtlichen Fehler zu melden. Bei sensiblen Anwendungen gehört dazu ein klarer Satz: Die Ausgabe wird nicht zur automatisierten Leistungs- oder Verhaltensbewertung verwendet.
Das verbessert die Qualität. Menschen, die den Arbeitsplatz täglich kennen, erkennen unplausible Muster meist schneller als ein Projektteam. Eine Reinigungskraft kann erklären, warum ein Gang zu einer bestimmten Uhrzeit rutschiger ist. Ein Instandhalter weiß, dass ein Sensor nach einer Wartung neu kalibriert wurde. Diese Informationen sind kein Störfaktor, sondern notwendiger Kontext.
Datenschutz und Mitbestimmung nicht nach hinten schieben
Je näher Daten an einer einzelnen Person liegen, desto höher ist das Risiko. Gesundheitsdaten, biometrische Merkmale, Videoaufnahmen und genaue Verhaltensprotokolle verlangen besondere Zurückhaltung. Die Lösung lautet nicht, alle Daten „vorsorglich“ zu sammeln. Klären Sie stattdessen früh Zweck, Zugriff, Speicherdauer, Berechtigungen und Löschkonzept. Lassen Sie auch prüfen, ob die geplante Verarbeitung eine Datenschutz-Folgenabschätzung oder weitere Vereinbarungen erfordert.
Mitbestimmung ist dabei keine Bremse. Die aktuelle AK-Wien-Publikation „AI Know“ beschreibt gerade für KI-basierte Entscheidungen im Beschäftigungskontext praktische Informations- und Kontrollfragen. Wenn Betriebsrat, Sicherheitsvertrauenspersonen und betroffene Teams früh einbezogen werden, kommen problematische Annahmen ans Licht, bevor ein Vertrag und technische Abhängigkeiten entstehen. Das spart Zeit und schützt Akzeptanz.
So testen Sie vor dem Regelbetrieb
Beginnen Sie mit einem abgegrenzten Bereich und einem festen Zeitraum. Dokumentieren Sie vorab drei bis fünf Erfolgskriterien, etwa: Wird eine bekannte Gefahr zuverlässig erkannt? Wie viele Fehlalarme entstehen? Verstehen die zuständigen Personen, warum eine Warnung erscheint? Hat sich der Arbeitsdruck verändert? Welche Maßnahme wurde nach menschlicher Prüfung wirklich umgesetzt?
Führen Sie einen Gegencheck durch. Nehmen Sie einige reale Fälle aus der Vergangenheit und prüfen Sie gemeinsam, ob die KI sie sinnvoll eingeordnet hätte. Danach testen Sie absichtlich schwierige Situationen: unvollständige Meldungen, ungewöhnliche Schichten, neue Maschinen oder widersprüchliche Angaben. Ein System darf Unsicherheit anzeigen. Gefährlich wird es, wenn es eine sichere Antwort vorspiegelt, obwohl Daten oder Kontext fehlen.
Halten Sie jede Korrektur fest. Ändert der Anbieter Modell, Datenquelle oder Ausgaberegeln, beginnt die Prüfung nicht bei null, aber sie muss erneut stattfinden. Der sichere Betrieb braucht einen Notfallmodus: Bei Ausfall oder zweifelhaften Ergebnissen können Teams auf den bewährten manuellen Prozess zurückgehen.
Typische Fehler – und die bessere Alternative
Fehler eins: Die Kennzahl wird zum Ziel. Wenn ein System möglichst wenige Warnungen oder kurze Durchlaufzeiten belohnt, können Meldungen unterbleiben oder Risiken unsichtbar bleiben. Besser ist ein ausgewogener Blick: Werden Gefährdungen verständlich bearbeitet, erreichen Maßnahmen tatsächlich den Arbeitsplatz und dürfen Beschäftigte ohne Nachteile auf Probleme hinweisen?
Fehler zwei: Der Pilot übernimmt alte Verzerrungen. Historische Meldungen sind nicht automatisch ein neutrales Abbild der Realität. Vielleicht werden kleine Verletzungen in einer Abteilung konsequent dokumentiert, während sie anderswo kaum erfasst werden. Prüfen Sie daher die Datenherkunft gemeinsam mit den Bereichen und kennzeichnen Sie Lücken. Ein Modell darf aus fehlenden Meldungen nicht schließen, dass dort alles sicher ist.
Fehler drei: Die Erklärung kommt vom Hersteller, aber nicht bei den Nutzenden an. Eine technische Dokumentation ersetzt keine Einweisung. Wer mit Warnungen arbeitet, braucht Beispiele aus dem eigenen Betrieb: Was zeigt die Anwendung? Was kann sie nicht wissen? Wen ruft man an? Wie wird ein Fehlalarm protokolliert? Eine kurze, wiederkehrende Unterweisung ist wirksamer als ein einmaliges Login-Tutorial.
Fehler vier: Aus einem Sicherheitswerkzeug wird schleichend ein Kontrollinstrument. Oft beginnt es mit einer sinnvollen Gefahrenanalyse, später sollen dieselben Daten für Zielvereinbarungen, Krankenstandsgespräche oder Personalentscheidungen dienen. Verhindern Sie diesen Zweckwechsel mit einer schriftlichen Grenze, einem eingeschränkten Berechtigungskonzept und einer regelmäßigen gemeinsamen Kontrolle. Für Sicherheit relevante Daten sollen Sicherheit verbessern – nicht Druck erzeugen.
Diese vier Punkte helfen auch kleineren Betrieben. Es ist nicht nötig, ein eigenes Data-Science-Team aufzubauen. Wichtig sind ein klarer Prozess, fachliche Zuständigkeit und die Bereitschaft, ein ungeeignetes System wieder abzuschalten.
Welche Rolle der AI Act spielt
Die KI-Verordnung der EU verfolgt einen risikobasierten Ansatz. Im Beschäftigungskontext können Systeme für Recruiting, Bewertung, Überwachung oder Entscheidungen über Arbeitsverhältnisse besonders sensibel sein. Für Arbeitsschutzprojekte ist die genaue Einordnung vom konkreten Zweck und Einsatz abhängig. Niemand sollte aus der Bezeichnung „Safety KI“ ableiten, dass keine weiteren Pflichten bestehen. Die Europäische Kommission und die AK Wien verweisen auf Anforderungen rund um Transparenz, Risikomanagement, Dokumentation und menschliche Aufsicht; daneben bleiben österreichische Arbeits- und Datenschutzregeln maßgeblich.
Praktisch bedeutet das: Beschaffen Sie keine Black Box, die nur einen Score liefert. Fragen Sie Anbieter nach Datenquellen, Fehlerraten, Grenzen, Änderungen, Exportmöglichkeiten und Unterstützung bei der Dokumentation. Vereinbaren Sie, dass ein Pilot beendet werden kann und Daten nicht für fremde Zwecke weiterverwendet werden. Bei komplexen Fällen holen Sie Sicherheits-, Datenschutz- und arbeitsrechtliche Fachberatung ein.
Fazit: Prävention gewinnt durch bessere Gespräche
KI kann im Arbeitsschutz wertvoll sein, wenn sie Gefahren früher sichtbar macht und die Erfahrung der Menschen am Arbeitsplatz stärkt. Sie wird problematisch, wenn aus Prävention heimliche Kontrolle wird oder ein Score eine fachliche Entscheidung ersetzt. Der beste erste Schritt ist klein: eine klar beschriebene Gefahr, wenige notwendige Daten, ein befristeter Pilot und eine menschliche Freigabe jeder Maßnahme.
Nutzen Sie den nächsten Sicherheitsjour-fixe, um die acht Fragen gemeinsam durchzugehen. Wer Zweck, Grenzen und Widerspruchsmöglichkeiten vor dem Start klärt, schafft eher sichere Arbeit als ein Betrieb, der erst nach einem Fehlalarm erklären muss, warum das System überhaupt eingeschaltet wurde. Für verwandte Fragen zur Gestaltung algorithmischer Arbeit lesen Sie auch unseren Beitrag zur fairen KI-Schichtplanung in Österreich.
