Die Elektrokardiographie ist eine der wichtigsten Methoden in der Herzdiagnostik. Doch so klar die Linien auf dem Papier scheinen, so unterschiedlich können die Befunde ausfallen: Zwei erfahrene Ärzt:innen sehen nicht immer dasselbe im EKG. Genau diese Unterschiede stellen eine große Herausforderung dar, wenn man Künstliche Intelligenz für die Auswertung von EKGs nutzen möchte – denn ein Modell kann nur so gut sein wie die Daten, mit denen es trainiert wurde. In diesem Vortrag zeigen wir, wie wir uns dieser Aufgabe genähert haben: Wie lässt sich die Qualität von EKG-Annotationen untersuchen? Welche Methoden helfen, trotz begrenzter und nicht immer eindeutiger Daten robuste Modelle zu trainieren? Und wie können die Ergebnisse so aufbereitet werden, dass sie für Menschen nachvollziehbar und vertrauenswürdig bleiben? Der Anwendungsfall macht deutlich: Erst wenn Datenqualität, Modelltraining und Erklärbarkeit zusammenspielen, kann KI in der Medizin ihr volles Potenzial entfalten – nicht als Black Box, sondern als verlässliche Unterstützung im klinischen Alltag.