Wenn ein AI-Modell fälschlicherweise eine negative Klasse für eine Instanz vorhersagt, die tatsächlich positiv ist (Typ-II-Fehler).
Tritt auf, wenn das Modell tatsächliche Fälle übersieht – besonders kritisch bei Betrug, Sicherheit oder medizinischen Diagnosen. Falsch-negative Ergebnisse können zu unentdeckten Bedrohungen oder versäumten Interventionen führen. Die Governance muss Rückrufraten überwachen, akzeptable Risikoniveaus festlegen und sekundäre Prüfungen oder Monitoring (z. B. Anomalieerkennung) implementieren, um übersehene Ereignisse zu erfassen.
Bei einer KI zur Krebsfrüherkennung bedeutet eine Falsch-Negativ-Rate von 2 %, dass 2 von 100 Tumoren unentdeckt bleiben. Ein Krankenhaus richtet für Scans mit geringer Konfidenz einen manuellen Doppelbefundungsprozess ein und senkt den Entscheidungsgrenzwert des Modells, wodurch die Falsch-Negativ-Rate auf 1 % reduziert wird – bei leicht erhöhten Falsch-Positiv-Raten. Anschließend werden die Behandlungsergebnisse der Patientinnen und Patienten nachverfolgt, um die Wirksamkeit dieser Anpassung zu validieren.
