KI & Automatisierung
250 Tage, 30 bis 40 % weniger Aufwand: Wie wir das geschäftskritische Vorsorgeuntersuchungssystem eines europäischen Labordiagnostik-Unternehmens mit KI automatisiert haben
Wie aus einem mehrere hundert Mitarbeiter umfassenden, teilweise noch nur auf dem Papier existierenden Prozess zur Filterprüfung ein strukturiertes, durchsuchbares und auditierbares System wurde – und wo die KI vom Entwurf bis zum Code einen echten Wettbewerbsvorteil gebracht hat.
Arbeitsmedizinische Untersuchungen sind in Ungarn seit Jahrzehnten ein streng geregelter Bereich. Die Verordnung Nr. 33/1998 (VI. 24.) des Ministeriums für Arbeit (NM) legt die Regeln für Eignungsuntersuchungen am Arbeitsplatz fest. Zwar ist die allgemeine obligatorische ärztliche Eignungsuntersuchung seit September 2024 grundsätzlich abgeschafft worden, doch ist die Realität differenzierter: Eine Reihe von Ministerialverordnungen legt die Berufe fest – von Bedienern gefährlicher Maschinen bis hin zu Beschäftigten in der Lebensmittelindustrie –, in denen die Untersuchung weiterhin obligatorisch ist.
In einem Industrieunternehmen mit mehreren hundert Mitarbeitern ist diese Verpflichtung keine einmalige Aufgabe, sondern ein sich ständig wiederholender operativer Zyklus: Terminplanung, Einberufung, Bearbeitung der Laborergebnisse, Eignungsgutachten, Dokumentation. Und das alles jährlich, bei manchen Tätigkeiten sogar noch häufiger.
Der alte Prozess war mit einem enormen Aufwand an manueller Arbeit verbunden, teilweise sogar mit papierbasierten Laborberichten. Es wurden Blut- und Urinproben eingeschickt, woraufhin die Ergebnisse als PDF zurückgeschickt wurden, in denen der Betriebsarzt die mit einem Sternchen gekennzeichneten Zeilen, bei denen die Grenzwerte überschritten wurden, einzeln durchsuchte. Bei ein oder zwei Personen lässt sich das noch manuell bewältigen. Bei mehreren hundert Mitarbeitern jedoch nicht.
Das Hauptziel war klar: Das System sollte genau den Arbeitsablauf abbilden, wie ein Betriebsarzt tatsächlich arbeitet – und ihm dabei einen Großteil der manuellen Arbeit abnehmen.
Bei Gloster führen wir vielfältige Projekte durch, von der Modernisierung von Altsystemen bis hin zu maßgeschneiderten Entwicklungen, und setzen dabei zunehmend agentenbasierte KI-Tools ein. Bei dem Projekt für das europäische Labordiagnostikunternehmen handelte es sich nicht um eine Migration, sondern um eine maßgeschneiderte Greenfield-Entwicklung: Wir haben keine alte Codebasis umgeschrieben, sondern einen Prozess digitalisiert, der bisher mit viel manuellem Aufwand und teilweise papierbasiert ablief.
Das Ziel war ein einheitlicher, durchgängig nachvollziehbarer Ablauf; so sieht der Ablauf einer Gruppenuntersuchung aus:
Ein Grundsatz ist hier von entscheidender Bedeutung: Die Ergebnisse werden genau so und in genau der Maßeinheit angezeigt, wie sie vom Labor übermittelt wurden. Es findet keine Umrechnung statt. Der validierte Laborwert ist die einzige Quelle – dies ist die Grundlage für klinische Zuverlässigkeit und Überprüfbarkeit.
Die Automatisierung der Probenahme spart an sich schon Zeit, doch der wahre Wert liegt in den Rohdaten aus dem Labor. Da wir diese direkt erhalten, machen wir sie auf mehreren Ebenen transparent:
Es geht also nicht nur darum, wie hoch der Wert einer Person gerade ist, sondern auch darum , in welche Richtung er sich entwickelt und auf wie viele Menschen innerhalb eines Betriebs dies zutrifft. Der Betriebsarzt kann dort eingreifen, wo es wirklich nötig ist.
Das Backend-System wurde in .NET mit Entity Framework entwickelt, das Web-Frontend in Angular. Die Beschriftung der Probenbehälter erfolgt über einen Zebra-Drucker, die Datenbank ist relational – die Wahl fiel letztendlich auf PostgreSQL. Aus Sicherheitsgründen erfolgt keine direkte Integration in das Laborsystem, was im Hinblick auf den Umgang mit Patientendaten eine bewusste architektonische Entscheidung war.
Die KI spielte in dem Projekt in zweierlei Hinsicht eine Rolle, doch besonders interessant war die Planungsphase.
Die Prototypen haben wir mit Figma AI erstellt. So konnten wir schnell Bildschirme erstellen, die dem Abtastprozess entsprachen, und diese bereits vor der Entwicklung bzw. ganz zu Beginn mit den Betriebsärzten validieren. Sie verstehen den Prozess wirklich, sodass wir die Benutzeroberfläche auf der Grundlage ihres Feedbacks an die tatsächlichen Bedürfnisse des Kunden anpassen konnten. Dies war die größte Hilfe beim Verständnis und der Modellierung des Prozesses – nicht bei der Erstellung des Codes.
Den eigentlichen Frontend- und Backend-Code haben wir anschließend mit Claude generiert. Auch hier gilt unser „Human-in-the-Loop“-Ansatz: Selbst bei einem Greenfield-Projekt liegen die Verantwortung und die Validierung weiterhin beim Menschen; der generierte Code wird nicht ohne Überprüfung in das System übernommen.
Die KI hat hier nicht den Entwickler ersetzt, sondern den Zyklus aus Planung und gemeinsamer Ideenfindung verkürzt.
Das Projekt des europäischen Labordiagnostikunternehmens zeigt deutlich, dass agentische KI nicht nur bei der Modernisierung von Altsystemen für eine erhebliche Beschleunigung sorgt. Auch bei der Entwicklung von maßgeschneiderten Lösungen von Grund auf bietet sie einen echten Wettbewerbsvorteil, insbesondere dort, wo ein genaues Verständnis des Prozesses entscheidend ist.
Der Unterschied lässt sich auch in Zahlen ausdrücken: Die Entwicklung umfasste insgesamt etwa 250 Arbeitstage. Ohne KI hätte dies nach unserer Schätzung 330 bis 350 Tage gedauert – also 30 bis 40 % mehr Aufwand für dasselbe Ergebnis.
An die Stelle des papierbasierten Prozesses sind strukturierte, durchsuchbare und überprüfbare Daten getreten. Die nächsten Versionen des Systems gehen bereits über Blut- und Urinproben hinaus: Auf der Roadmap sind auch die Auswertung von Umweltproben sowie Luft- und Bodenuntersuchungen vorgesehen.
Was für den Betriebsarzt wirklich zählt, ist nicht das System an sich – sondern dass er nun erkennt, wo er eingreifen muss. Rechtzeitig, nicht erst im Nachhinein.
How a several-hundred-person occupational health screening process, in places still running on paper, became a structured, searchable, auditable system, and where AI delivered a genuine competitive edge, from design through to code.
Occupational health screening has been a strictly regulated area in Hungary for decades. Decree 33/1998 (VI. 24.) NM sets out the rules for workplace fitness-to-work examinations. Although the general mandatory medical fitness examination was abolished as the default rule from September 2024, the reality is more nuanced: a series of ministerial decrees still specify the roles (from operators of hazardous machinery to food-industry workers) for which the examination remains mandatory. For an industrial organisation with several hundred employees, this obligation isn't a one-off task, it's a continuously recurring operational cycle: scheduling, calling people in, handling lab results, fitness-to-work assessment, documentation. And all of it every year, or even more often depending on the role. The old process involved a great deal of manual work, in places still using paper lab forms. Blood and urine samples sent off, then results coming back as PDFs, in which the occupational health physician had to hunt, one by one, for the starred rows marking values outside the reference range. For one or two people, that's manageable by hand. Not for several hundred. The main goal was clear: the system should exactly mirror how an occupational health physician actually works, while taking most of the manual work off their plate.
At Gloster we run all kinds of projects, from modernising legacy systems to custom builds, and we're bringing more and more agentic AI tools into them. The European lab diagnostics company's project wasn't a migration, it was a greenfield, custom build: instead of rewriting an old codebase, we digitised a process that ran on a great deal of manual work, in places on paper. The goal was a single, traceable process.
Here's what a group screening looks like, step by step:
One principle is essential here: results appear exactly as they came from the lab, in the same unit of measurement. There's no conversion, no recalculation. The validated lab value is the only source: this is the basis of clinical reliability and auditability.
Automating sample collection saves time on its own, but the real value lies in the raw lab data. Because we receive it directly, we can make it transparent on several levels:
So the question isn't just what someone's value is right now, but where it's heading, and how many people at a given site it applies to. The occupational health physician can then step in exactly where it's actually needed.
The backend was built in .NET with Entity Framework, the web frontend in Angular. Sample containers are labelled using a Zebra printer, and the database is relational; the final choice was PostgreSQL. For security reasons, we don't integrate directly with the lab's own system, a deliberate architectural decision given how patient data is handled.
AI played a role at two points in the project, but the really interesting part was the design stage. We generated the prototypes with Figma AI. This let us quickly produce screens, matching the sampling process, which we validated with the occupational health physicians right at the outset, before development started. They're the ones who really understand the process, so their feedback let us tailor the interface to the client's actual needs. This is where AI helped most, in understanding and modelling the process, not in producing the code. We then generated the actual frontend and backend code with Claude. Our human-in-the-loop approach applies here too: even on a greenfield project, responsibility and validation stay with people, and generated code never enters the system without oversight. AI didn't replace the developer here: it shortened the design and joint-thinking cycle.
The European lab diagnostics company's project shows clearly that agentic AI doesn't just deliver meaningful speed gains in legacy modernisation. It's a genuine competitive advantage in greenfield, custom development too, especially where understanding the process precisely is the critical factor. The difference is measurable in numbers too: development came to roughly 250 working days in total. Without AI, our estimate is that the same result would have taken 330 to 350 days: 30 to 40 per cent more effort for the same outcome. The paper-based process has been replaced by structured, searchable, auditable data. And the system's next versions already go beyond blood and urine samples: the roadmap includes processing environmental samples, and air and soil testing. What actually matters to the occupational health physician isn't the system itself: it's that they can now see where they need to step in. In good time, not after the fact.
Wie aus einem betriebsärztlichen Vorsorgeuntersuchungsprozess mit mehreren hundert Beteiligten, der teils noch auf Papier lief, ein strukturiertes, durchsuchbares und auditierbares System wurde – und wo die KI von der Planung bis zum Code einen echten Wettbewerbsvorteil brachte.
Arbeitsmedizinische Vorsorgeuntersuchungen sind in Ungarn seit Jahrzehnten ein streng reguliertes Feld. Die Verordnung 33/1998 (VI. 24.) NM legt die Regeln für die arbeitsmedizinischen Eignungsuntersuchungen fest. Zwar entfiel die allgemeine verpflichtende ärztliche Eignungsuntersuchung ab September 2024 als Regelfall, doch die Realität ist differenzierter: Eine Reihe von Ministerialverordnungen legt weiterhin fest, für welche Tätigkeiten die Untersuchung verpflichtend bleibt – von Bedienerinnen und Bedienern gefährlicher Maschinen bis hin zu Beschäftigten in der Lebensmittelindustrie. Für ein Industrieunternehmen mit mehreren hundert Mitarbeitenden ist diese Pflicht keine einmalige Aufgabe, sondern ein fortlaufend wiederkehrender operativer Zyklus: Terminplanung, Einbestellung, Verwaltung der Laborergebnisse, arbeitsmedizinisches Gutachten, Dokumentation. Und all das jedes Jahr, je nach Tätigkeit sogar häufiger. Der bisherige Prozess war mit sehr viel manueller Arbeit verbunden, teilweise noch mit papierbasierten Laborbögen: eingesendete Blut- und Urinproben und anschließend als PDF zurückkommende Ergebnisse, in denen die Betriebsärztin oder der Betriebsarzt einzeln nach den mit einem Sternchen markierten Zeilen suchen musste, die den Grenzwert überschritten. Bei ein oder zwei Personen lässt sich das noch von Hand erledigen. Bei mehreren hundert nicht. Das zentrale Ziel war klar: Das System sollte genau den Prozess abbilden, wie eine Betriebsärztin oder ein Betriebsarzt tatsächlich arbeitet – und ihr oder ihm dabei einen Großteil der manuellen Arbeit von den Schultern nehmen.
Bei Gloster betreuen wir vielfältige Projekte – von der Modernisierung von Legacy-Systemen bis hin zu Individualentwicklungen – und setzen zunehmend agentische KI-Tools ein. Das Projekt des europäischen Labordiagnostik-Unternehmens war keine Migration, sondern eine Greenfield-Individualentwicklung: Statt eine alte Codebasis umzuschreiben, haben wir einen Prozess digitalisiert, der mit sehr viel manueller Arbeit verbunden war und teils auf Papier lief. Das Ziel war ein einziger, durchgängig nachvollziehbarer Prozess.
So sieht der Weg einer Gruppenuntersuchung aus:
Ein Prinzip ist hier entscheidend: Die Ergebnisse erscheinen genau so und in der Maßeinheit, in der sie vom Labor kommen. Es gibt keine Umrechnung, keine Konvertierung. Der validierte Laborwert ist die einzige Quelle – und damit die Grundlage für klinische Zuverlässigkeit und Auditierbarkeit.
Die Automatisierung der Probenentnahme spart für sich genommen bereits Zeit, der eigentliche Wert liegt jedoch in den rohen Labordaten. Da wir diese direkt erhalten, können wir sie auf mehreren Ebenen transparent machen:
Die entscheidende Frage ist also nicht nur, wie hoch ein Wert gerade ist, sondern wohin er sich entwickelt und für wie viele Personen innerhalb eines Betriebs dasselbe gilt. So kann die Betriebsärztin oder der Betriebsarzt genau dort eingreifen, wo es tatsächlich nötig ist.
Das Backend wurde in .NET mit Entity Framework entwickelt, das Web-Frontend in Angular. Die Probenbehälter werden mit einem Zebra-Drucker beschriftet; die Datenbank ist relational – die Wahl fiel auf PostgreSQL. Aus Sicherheitsgründen erfolgt keine direkte Integration in das System des Labors – eine bewusste architektonische Entscheidung im Hinblick auf den Umgang mit Patientendaten.
Die KI kam im Projekt an zwei Stellen zum Einsatz, der wirklich interessante Teil war jedoch die Designphase. Die Prototypen haben wir mit Figma AI erstellt. So ließen sich schnell die zum Probenentnahmeprozess passenden Bildschirme erzeugen, die noch vor Entwicklungsbeginn beziehungsweise ganz zu Anfang mit den Betriebsärztinnen und Betriebsärzten validiert wurden. Sie verstehen den Prozess wirklich, sodass sich die Oberfläche anhand ihres Feedbacks auf die tatsächlichen Bedürfnisse des Kunden zuschneiden ließ. Den größten Nutzen brachte das beim Verstehen und Modellieren des Prozesses – nicht bei der Erstellung des Codes. Den eigentlichen Frontend- und Backend-Code haben wir anschließend mit Claude generiert. Auch hier gilt unser Human-in-the-Loop-Ansatz: Selbst bei einem Greenfield-Projekt bleiben Verantwortung und Validierung beim Menschen; generierter Code gelangt nicht ohne Aufsicht in das System. Die KI hat hier nicht die Entwicklerin oder den Entwickler ersetzt, sondern den Zyklus aus Design und gemeinsamem Durchdenken verkürzt.
Das Projekt des europäischen Labordiagnostik-Unternehmens zeigt deutlich, dass agentische KI nicht nur bei der Legacy-Modernisierung einen echten Geschwindigkeitsgewinn bringt. Sie ist auch bei Greenfield-Individualentwicklungen ein echter Wettbewerbsvorteil – besonders dort, wo das genaue Verständnis des Prozesses der entscheidende Faktor ist. Der Unterschied lässt sich auch in Zahlen messen: Die Entwicklung umfasste insgesamt rund 250 Arbeitstage. Ohne KI wären es unserer Schätzung nach 330 bis 350 Tage gewesen – 30 bis 40 % mehr Aufwand für dasselbe Ergebnis. An die Stelle des papierbasierten Prozesses sind strukturierte, durchsuchbare und auditierbare Daten getreten. Und die nächsten Versionen des Systems gehen bereits über Blut- und Urinproben hinaus: Die Roadmap umfasst auch die Verarbeitung von Umweltproben sowie Luft- und Bodenuntersuchungen. Was für die Betriebsärztin oder den Betriebsarzt tatsächlich zählt, ist nicht das System selbst – sondern die Tatsache, dass jetzt sichtbar ist, wo eingegriffen werden muss. Rechtzeitig, nicht im Nachhinein.
%202.webp)
.webp)
