Generative KI ist in kurzer Zeit vom Experimentierfeld in operative Geschäftsprozesse gewandert. Sie analysiert Ausschreibungen, beantwortet Fragen zu ERP-Daten, unterstützt den Kundenservice und bereitet Entscheidungen vor. Damit wird sie zunehmend zu einer Infrastruktur, von deren Verfügbarkeit und Verlässlichkeit ganze Abläufe abhängen.

Viele Unternehmen planen ihre KI-Projekte dennoch nach den Maßstäben der Pilotphase. Sie vergleichen Modellleistung, Kontextfenster oder Antwortgeschwindigkeit, prüfen aber seltener, wer langfristig die Kontrolle über Kosten, Datenflüsse, Prozesslogik und Weiterbetrieb behält. Genau hier entsteht der Vendor-Lock-in: nicht erst beim Modell, sondern durch proprietäre Schnittstellen, anbieterspezifische Agenten und externe Dienste, die sich tief in die eigene Architektur einschreiben.

Eine belastbare KI-Strategie beginnt deshalb nicht mit der Wahl des derzeit leistungsfähigsten Modells, sondern mit der Frage, wie handlungsfähig das Unternehmen unter veränderten Bedingungen bleibt. Dazu gehört, einen möglichen Ausstieg oder Anbieterwechsel von Anfang an mitzudenken. Konkret heißt das: Modelle müssen austauschbar, Anwendungen weiterbetreibbar und Daten in andere Umgebungen überführbar sein. Zugleich sollte die zentrale Prozesslogik unter eigener Kontrolle bleiben. Prof. Dr. Heiko Beier beantwortet nachfolgend acht Fragen zur Überprüfung der eigenen Architektur.

1. Wo liegt die „Intelligenz“ Ihrer Workflows?

Die Abhängigkeit einer KI-Anwendung entsteht häufig nicht durch das Sprachmodell selbst, sondern durch die Logik, die Daten auswählt, Werkzeuge aktiviert und Entscheidungen steuert. Werden diese Funktionen vollständig in einer proprietären Plattform entwickelt, lagert ein Unternehmen Teile seiner Prozesslogik aus. Und ein externer Anbieter bedeutet im KI-Umfeld nicht unbedingt mehr Sicherheit, sondern mehr Abhängigkeit.

Robuster ist eine herstelleragnostische Architektur, in der unterschiedliche Modelle austauschbar bleiben. Regeln, Datenzugriffe und die Steuerung der Abläufe verbleiben dabei im Unternehmen. Relevantes Fachwissen sollte zudem nicht nur in Prompts oder anbieterspezifischen Agenten stecken, sondern in nachvollziehbaren Datenmodellen, Prüfregeln und einem unternehmensweiten Glossar, in dem Fachbegriffe eindeutig und gegebenenfalls für unterschiedliche Kontexte beschrieben sind.

2. Was passiert, wenn Ihr Provider die Preise um 50 % erhöht?

Die Kosten eines KI-Projekts wirken im Pilotbetrieb oft überschaubar. Bei produktiver Nutzung kann sich das schnell ändern: Werden täglich tausende Dokumente verarbeitet oder ERP-Prozesse automatisiert nterstützt, steigen nutzungsabhängige Gebühren deutlich. Ändert der Anbieter Preise oder Abomodelle, haben stark gebundene Unternehmen kaum Ausweichmöglichkeiten.

Deshalb sollten nicht nur aktuelle Nutzungspreise verglichen, sondern auch der Anteil der fremdbestimmten Kosten geprüft werden. Kleinere Modelle, analytische Verfahren und hybride Betriebsmodelle können Standardaufgaben lokal oder in einer privaten Umgebung übernehmen. So werden variable Fremdkosten teilweise durch besser planbare Infrastruktur- und Betriebskosten ersetzt.

3. Wie robust sind Ihre KI-Anwendungen bei der Umstellung auf ein anderes Modell?

Technisch lässt sich ein Modell mitunter schnell ersetzen. Betrieblich ist der Wechsel anspruchsvoller. Modelle interpretieren Anweisungen unterschiedlich, liefern andere Antwortformate und variieren bei Genauigkeit, Quellenbezug und Regelbefolgung. Eine Anwendung kann nach dem Austausch weiterhin plausible Antworten erzeugen und fachlich dennoch an Zuverlässigkeit verlieren.

Wie wichtig solche Praxistests sind, zeigt der DELEGATE-52-Benchmark [1]: Bei langen, delegierten Dokumenten-Workflows beschädigten selbst führende Modelle im Durchschnitt Teile der Inhalte; je nach Modell fiel die Fehleranfälligkeit unterschiedlich aus. Unternehmen sollten deshalb vorab festlegen, welche Qualität eine Anwendung erreichen muss, und neue Modelle mit typischen Praxisfällen testen. Erst wenn der Wechsel ohne längeren Ausfall und ohne spürbare Verschlechterung der Ergebnisse möglich ist, ist die KI-Anwendung wirklich robust.

4. Haben Sie Zugriff auf den Quellcode Ihrer KI-Architektur?

Viele Unternehmen besitzen zwar den Code einzelner Anwendungen, nicht aber die zentralen Bestandteile ihrer KI-Lösung. Liegen Datenverarbeitung, Steuerungslogik und Prüfmechanismen vollständig beim Anbieter, bleibt das System eine Blackbox. Anpassungen, Wartung und Fehleranalysen hängen dann dauerhaft von diesem Dienstleister ab. Im Extremfall lässt sich die Anwendung weder eigenständig weiterentwickeln noch unabhängig weiterbetreiben.

Quellcodezugriff bedeutet nicht, dass Unternehmen ihre Systeme selbst warten müssen. Entscheidend ist, dass sie die Architektur prüfen, anpassen und im Notfall übernehmen können. Offene oder einsehbare Systeme, dokumentierte Schnittstellen, klare Nutzungsrechte und Escrow-Vereinbarungen schaffen dafür die Grundlage. Bei geschäftskritischer KI sollte die Kontrolle über zentrale Komponenten möglichst beim Unternehmen liegen.

5. Wie hoch ist der Anteil von Large Language Models im Vergleich zu anderen KI-Modellen?

Der öffentliche KI-Diskurs erweckt häufig den Eindruck, jede Aufgabe verlange das größte verfügbare Sprachmodell. In der betrieblichen Praxis ist das weder wirtschaftlich noch fachlich sinnvoll. Large Language Models eignen sich besonders für flexible sprachliche Aufgaben und die Verdichtung komplexer Informationen. Klassifikation, Datenextraktion, Dublettenerkennung oder regelbasierte Prüfungen lassen sich dagegen oft mit kleineren Sprachmodellen oder analytischer KI effizienter und verlässlicher erledigen.

Eine belastbare Architektur kombiniert deshalb unterschiedliche Methoden. Ein analytisches Verfahren erkennt Abweichungen, ein kleineres Modell klassifiziert Dokumente und ein großes Sprachmodell formuliert die Ergebnisse verständlich. Der Wettbewerbsvorteil entsteht nicht durch maximale Modellgröße, sondern durch das passende Verfahren für die jeweilige Aufgabe.

6. Was passiert bei einer Insolvenz oder Einstellung des Dienstes Ihres KI-Providers?

Würden Ihre KI-gestützten Geschäftsprozesse weiterlaufen, wenn der Anbieter morgen ausfällt oder einen zentralen Dienst einstellt? Ein Anbieter muss dafür nicht einmal insolvent werden. Auch geänderte Schnittstellen, abgeschaltete Modelle oder neue Nutzungsbedingungen können den Betrieb unmittelbar beeinträchtigen. Unternehmen brauchen deshalb einen klaren Notfallplan: alternative Modelle, gesicherte Daten und dokumentierte Prozesslogik. Lokale Instanzen, private Betriebsumgebungen, Weiterbetriebsrechte und Escrow-Regelungen können verhindern, dass ein externer Ausfall zum internen Stillstand führt.

7. Wo werden Ihre Daten für die Inferenz verarbeitet?

Bei sensiblen Informationen reicht es nicht zu wissen, wo sie gespeichert werden. Ebenso wichtig ist, wo sie während einer Anfrage verarbeitet werden, welche Systeme darauf zugreifen und ob Daten dafür die kontrollierte Unternehmensumgebung verlassen. In der Public Cloud oder in gemieteten Instanzen bleibt die technische und organisatorische Handlungshoheit häufig begrenzt.

Hybride Inferenz schafft mehr Kontrolle: Sensible Daten können On-Premises oder in einer eigenen Virtual Private Cloud verarbeitet werden, während externe Modelle nur dort zum Einsatz kommen, wo ihre Fähigkeiten benötigt werden und der Schutzbedarf dies zulässt. So wird der Verarbeitungsort passend zum jeweiligen Anwendungsfall gewählt, ohne Datenschutz und Leistungsfähigkeit pauschal gegeneinander auszuspielen.

8. Was passiert, wenn eine frühere KI-Entscheidung Monate später hinterfragt wird?

Ein Anbieterwechsel löst nicht nur technische Fragen aus. Unternehmen müssen auch Entscheidungen erklären können, die ein früheres Modell bereits getroffen oder vorbereitet hat. Was passiert, wenn ein Kunde, Wirtschaftsprüfer oder eine Behörde sechs Monate später wissen möchte, warum eine bestimmte Empfehlung zustande kam, dass ursprünglich eingesetzte Modell inzwischen aber ersetzt wurde?

Ein bloßes Protokoll von Ein- und Ausgabe reicht dafür nicht aus. Unternehmen benötigen eine dokumentierte Herleitung: Welche Datenquellen wurden verwendet? Welche Regeln und fachlichen Zusammenhänge waren relevant? Welche Schlussfolgerungen führten zum Ergebnis? Nur wenn diese Evidenz unabhängig vom jeweiligen Modell erhalten bleibt, werden KI-Entscheidungen langfristig verstehbar und auditierbar. Zugleich bleibt nachvollziehbar, wo die Verantwortung des Menschen lag und an welcher Stelle er eine Entscheidung geprüft, bestätigt oder korrigiert hat.

KI-Souveränität ist keine Aufgabe der IT allein

Die acht Fragen betreffen Architektur, Kosten, Datenschutz und Betrieb. Gerade deshalb ist KI kein reines IT-Thema, sondern eine unternehmensweite Steuerungsaufgabe. Beantworten kann sie die IT jedoch nicht allein. Die Geschäftsführung muss wirtschaftliche und operative Abhängigkeiten bewerten; die Fachbereiche definieren Qualitätsanforderungen und Freigaben; Datenschutz und Compliance prüfen Datenflüsse; der Einkauf sichert Wechsel- und Weiterbetriebsrechte.

Damit erweitert sich auch der Begriff der Souveränität. Technologische Souveränität schafft Unabhängigkeit bei Infrastruktur, Modellen und Daten. Kognitive Souveränität sorgt dafür, dass Ergebnisse verstehbar, überprüfbar und verantwortbar bleiben. Erst beide zusammen schaffen die Grundlage dafür, KI effizient, umsichtig und im Sinne eines nachhaltigen Risikomanagements einzusetzen.

Vom Exit-Plan zur belastbaren KI-Architektur

Unternehmen müssen eine souveräne KI-Architektur nicht vollständig aus eigener Kraft aufbauen. Gerade im Mittelstand können spezialisierte Partner Architektur, Datenintegration und Governance beschleunigen. Entscheidend ist jedoch das Umsetzungsmodell: Ein Dienstleister sollte keine neue Blackbox schaffen, sondern Systeme transparent dokumentieren und so aufbauen, dass zentrale Datenpfade, Prozesslogiken und Weiterbetriebsrechte langfristig beim Unternehmen bleiben.

Diesen Ansatz verfolgt moresophy mit dem Prinzip der Souveränität im doppelten Sinne: unabhängig und umsichtig. Herstelleragnostische und hybride Architekturen sollen technologische Abhängigkeiten reduzieren; zugleich werden Daten, fachlicher Kontext und Entscheidungswege so strukturiert, dass Ergebnisse nachvollziehbar und prüfbar bleiben. Damit verschiebt sich die eigentliche Investition weg vom jeweils neuesten Sprachmodell hin zu den eigenen Daten, dem betrieblichen Wissen und einer Architektur, die beides dauerhaft nutzbar macht.

Eine Exit-Strategie ist deshalb kein Plan für das Schei-tern einer KI-Initiative. Sie sorgt dafür, dass Unternehmen auch nach einem Anbieter- oder Modellwechsel nicht nur technisch handlungsfähig bleiben, sondern weiterhin verstehen und belegen können, wie ihre KI zu geschäftskritischen Ergebnissen gelangt ist.

Wie hoch ist Ihr Lock-in-Risiko?

Der KI-Souveränitäts-Check von moresophy überführt die acht Fragen in eine kompakte Zustandsanalyse. Eine Lock-in-Skala zeigt, an welchen Stellen Abhängigkeiten bei Modellen, Kosten, Datenverarbeitung, Quellcode oder Weiterbetrieb bestehen.
https://ki-souveränität-check.de/