FAQs Souveräne KI allgemein.

Souveräne KI bezeichnet den Aufbau und Betrieb von KI-Systemen unter der vollständigen Kontrolle einer Organisation hinsichtlich Daten, Modellen, Infrastruktur und Steuerung. Der Begriff gewann an Relevanz durch drei Entwicklungen: erstens die zunehmende Regulierung von KI-Systemen, insbesondere durch den EU AI Act; zweitens die wachsende Sensibilität für Datenabflüsse an außereuropäische Anbieter; drittens den strategischen Wunsch nach technologischer Unabhängigkeit, insbesondere in versorgungskritischen und sicherheitsrelevanten Bereichen. Souveräne KI ist somit weniger ein einzelnes Produkt als ein Architektur- und Steuerungsprinzip, das unterschiedliche Grade der Unabhängigkeit umfassen kann.

Diese Begriffe werden häufig synonym verwendet, bezeichnen jedoch unterschiedliche Schwerpunkte:

• Lokale KI beschreibt den Ort der Ausführung. Modelle laufen auf Hardware innerhalb der eigenen Umgebung, ohne dass Daten an externe Dienste gesendet werden.
• Private KI betont den Zugriffskreis. Nutzung, Steuerung und Datenhaltung sind auf die eigene Organisation beschränkt, unabhängig davon, ob die Infrastruktur vor Ort oder in einem privaten Cloud-Segment betrieben wird.
• Souveräne KI umfasst die breiteste Perspektive. Sie schließt lokale Ausführung und private Nutzung ein, erweitert diese jedoch um die Dimensionen der rechtlichen, wirtschaftlichen und technologischen Unabhängigkeit. Souveräne KI stellt die Frage, ob die Organisation die Systeme, Modelle, Updates und Steuerungsmechanismen eigenständig kontrolliert oder in wesentlichen Aspekten von externen Entscheidungen abhängig ist.

In der Praxis überschneiden sich diese Konzepte. Eine souveräne KI-Lösung ist in der Regel lokal und privat, aber nicht jede lokale oder private Lösung erfüllt die Anforderungen an Souveränität vollständig. Plattformen wie Galene.AI adressieren alle drei Dimensionen in einem integrierten Ansatz.

Drei Entwicklungen machen eine Auseinandersetzung zeitnah ratsam:

1. Regulatorischer Druck: Der EU AI Act verpflichtet Anbieter und Betreiber von KI-Systemen zu Nachweisen über Datennutzung, Modellverhalten und Risikominimierung. Organisationen, die KI über externe Dienste nutzen, müssen prüfen, ob sie diese Nachweise vom Anbieter erhalten und selbst erbringen können.
2. Wirtschaftliche Abhängigkeit: Nutzungsbasierte KI-Dienste (API-Modelle) erzeugen laufende Kosten und Abhängigkeiten von Preisentscheidungen, Nutzungsbedingungen und Verfügbarkeit externer Anbieter. Eine eigene Infrastruktur bietet planbare Kosten und Unabhängigkeit.
3. Wettbewerbsfähigkeit: Organisationen, die KI-Fähigkeiten in ihre Prozesse integrieren und dabei Kontrolle über Daten und Modelle behalten, können schneller und gezielter Anwendungsfälle entwickeln, ohne Datenschutzbedenken oder externe Freigaben abwarten zu müssen.

Die Auseinandersetzung muss nicht sofort in eine Investition münden. Sie sollte jedoch beginnen, um fundierte Entscheidungen über den richtigen Zeitpunkt und Umfang treffen zu können.

Souveräne KI betrifft den Mittelstand in mindestens drei Szenarien:

• Vertrauliche Unternehmensdaten: Mittelständische Unternehmen verfügen häufig über hochspezifisches Wissen, Patente, Kundenbeziehungen oder Prozessdaten, die einen wesentlichen Wettbewerbsvorteil darstellen. Die Verarbeitung solcher Daten über externe KI-Dienste bedeutet eine Weitergabe an Dritte, auch wenn vertraglich untersagt.
• Kunden- und Vertragsverpflichtungen: Viele B2B-Verträge enthalten Klauseln zur Datenverarbeitung, die eine Nutzung externer KI-Dienste ausschließen oder einschränken. Mittelständische Unternehmen, die als Zulieferer für Großunternehmen oder im öffentlichen Auftrag tätig sind, unterliegen häufig denselben Anforderungen wie ihre Auftraggeber.
• Regionale und nationale Förderung: Europäische und nationale Förderprogramme zur KI-Einführung zielen zunehmend auf souveräne Ansätze ab und sind für mittelständische Unternehmen verfügbar.

Die Relevanz besteht somit nicht nur für regulierte Branchen, sondern für jede Organisation, die Kontrolle über ihre Daten und Prozesse als geschäftskritisch betrachtet. Galene.AI richtet sich mit den Produktlinien Elettra und Arethusa ausdrücklich an beide Zielgruppen, vom kompakten Einstieg bis zur Unternehmensskalierung.

Die Wahl hängt vom Anwendungsfall, der Datenschutzeinstufung und der strategischen Bedeutung der KI-Fähigkeit ab. Beide Ansätze können sinnvoll nebeneinander bestehen. Galene.AI schließt die Cloud-Variante nicht aus, stellt jedoch sicher, dass die Ausführung der KI lokal und unter Kundenkontrolle erfolgt.

Vertragliche Absicherungen sind ein notwendiger Bestandteil, allein jedoch nicht ausreichend. Drei Grenzen sind zu beachten:

1. Technische Kontrollierbarkeit: Eine Vereinbarung, die Datenverwendung verbietet, ist technisch nicht erzwingbar, wenn die Daten die Kontrollebene der Organisation verlassen. Die Einhaltung hängt vom Anbieter ab.
2. Änderungsrisiko: AGB und Nutzungsbedingungen können einseitig geändert werden. Organisationen haben in der Praxis begrenzte Durchsetzungs- und Kontrollmöglichkeiten.
3. Regulatorische Anerkennung: Aufsichtsbehörden und Prüfer fordern zunehmend technische und organisatorische Maßnahmen, nicht nur vertragliche Zusicherungen. Der EU AI Act verlangt Nachweise zur Datenverarbeitung und Modelltransparenz, die bei geschlossenen Cloud-Diensten nur vom Anbieter geliefert werden können.

Eine Kombination aus vertraglicher Absicherung für unkritische Anwendungsfälle und souveräner Infrastruktur für sensible Bereiche ist ein pragmatischer Ansatz. Galene.AI unterstützt dieses Mischmodell, da die Plattform vollständig im Kundenperimeter läuft und keine externe API-Verbindung erfordert.

Open-Weight-Modelle (häufig als Open-Source bezeichnet) veröffentlichen ihre Modellgewichte, sodass sie heruntergeladen, lokal ausgeführt und in begrenztem Umfang angepasst werden können. Kommerzielle Modelle sind in der Regel nur über APIs nutzbar, und die Modellgewichte bleiben beim Anbieter.

Für Souveränität sind Open-Weight-Modelle aus folgenden Gründen relevant:

• Keine Laufzeitabhängigkeit: Das Modell läuft auf eigener Hardware und benötigt keine API-Verbindung zum Anbieter.
• Transparenz: Modellarchitektur und -gewichte sind bekannt, was Nachweise gegenüber Prüfern und Aufsichtsbehörden erleichtern.
• Anpassbarkeit: Modelle können für spezifische Domänen und Sprachen optimiert werden, ohne Daten an den Modellanbieter zu übermitteln.
• Kostenkontrolle: Nach dem Download entstehen keine nutzungsabhängigen Kosten für die Inferenz.

Einschränkungen bestehen in der Qualität für hochspezialisierte Aufgaben, im Wartungsaufwand und in der Verantwortung für Modellaktualisierungen. Galene.AI adressiert dies durch ein kuratiertes Modellportfolio und kontinuierliches Benchmarking, sodass Kunden valide Modellkonfigurationen übernehmen können, ohne eigene Expertise im Modellvergleich aufzubauen.

Der EU AI Act klassifiziert KI-Systeme nach Risikostufen und verpflichtet Betreiber abhängig von der Einstufung zu Maßnahmen, darunter:

• Risikobewertung und Dokumentation: Nachweis der beabsichtigten Verwendung, der Trainingsdatenherkunft und der Modellleistung.
• Transparenz: Kennzeichnung KI-generierter Inhalte und Nachvollziehbarkeit von Entscheidungen.
• Menschliche Aufsicht: Sicherstellung, dass KI-Ausgaben durch autorisierte Personen überprüft werden können.
• Robustheit und Sicherheit: Technische Maßnahmen gegen Manipulation, Fehlfunktionen und Missbrauch.
• Meldepflichten: Meldung schwerer Vorfälle an die zuständigen Behörden.

Souveräne KI unterstützt die Einhaltung, weil die Organisation die vollständige Kontrolle über Datenflüsse, Modellverhalten, Protokollierung und Zugriffsrechte hat. Die Nachweiserbringung erfolgt aus den eigenen Systemen, ohne auf die Kooperation externer Anbieter angewiesen zu sein. Galene.AI integriert mit Generative Shield eine Steuerungsschicht, die Richtlinienprüfung und Audit-Protokollierung zur Laufzeit durchführt (siehe auch FAQ F1).

Datenschutz im Sinne der DSGVO regelt die Verarbeitung personenbezogener Daten nach rechtlichen Grundsätzen: Zweckbindung, Datenminimierung, Transparenz und Löschpflichten. Er gilt unabhängig davon, wo die Verarbeitung stattfindet.

Datenhoheit geht darüber hinaus und beschreibt die tatsächliche technische und organisatorische Kontrolle über den Ort, die Verarbeitung und die Weitergabe von Daten. Eine Organisation kann datenschutzrechtlich korrekt handeln, indem sie eine Cloud-Lösung mit DPA-Vereinbarung nutzt, ohne jedoch Datenhoheit auszuüben, da die Daten physisch außerhalb ihres Perimeters verarbeitet werden.

In der Praxis bedeutet Datenhoheit:

• Daten verlassen den Unternehmensperimeter nicht ohne explizite Freigabe.
• Verarbeitung, Speicherung und Löschung sind technisch kontrollierbar.
• Externe Parteien haben keinen Standardzugriff.
• Metadaten, Prompts und Modellinteraktionen werden nicht an Dritte weitergegeben.

Galene.AI ist so konzipiert, dass Kundendaten innerhalb des Kundenperimeters verbleiben und nicht standardmäßig als Eingabe für externe Verarbeitung verwendet werden (siehe auch FAQ B3).

Die Haftungsfrage hängt von der Rolle der Organisation ab:

• Als Betreiber trägt die Organisation die Verantwortung für die Ergebnisse, die in ihren Prozessen verwendet werden. Dies gilt unabhängig davon, ob die KI selbst betrieben oder extern bezogen wird.
• Als Plattformbetreiber (selbst betriebene Infrastruktur) ist die Organisation zusätzlich für die Systemkonfiguration, Modellauswahl, Sicherheit und Aktualität verantwortlich.
• Als Nutzer einer externen API kann die vertragliche Haftung gegenüber dem Anbieter begrenzt sein, die Verantwortung gegenüber Dritten (Kunden, Behörden) bleibt jedoch bei der nutzenden Organisation.

Souveräne KI verändert die Haftungsfrage nicht grundlegend, verbessert jedoch die Kontrollierbarkeit. Protokollierung, Nachvollziehbarkeit und die Möglichkeit, Modellverhalten und Richtlinien eigenständig zu definieren, erleichtern die Erfüllung von Sorgfaltspflichten und die Verteidigung im Haftungsfall. Galene.AI unterstützt dies durch Conversational Tracing und konfigurierbare Richtlinienfilter (siehe auch FAQ F4).

Die Gesamtkosten einer Souveränen KI setzen sich aus vier Komponenten zusammen:

1. Hardware: GPUs (z.B. NVIDIA H100, H200, GB10), Server, Netzwerk, Speicher. Ein Einstieg mit kompakter Hardware wie einer GB10-Einheit beginnt bei einem Bruchteil der Kosten eines vollständigen Clusters.
2. Lizenzen: Plattformlizenzen (z.B. pro-GPU, unbefristet) und optional Support-Verträge. Bei Galene.AI sind Major-Release-Updates im Lizenzmodell enthalten (siehe FAQ B1).
3. Betrieb: Strom, Kühlung, Wartung, Netzwerkanbindung. Für kleine Installationen besteht ein ausreichender Spielraum; bei Clustern steigt dieser Anteil.
4. Personal: Betrieb und Wartung der Infrastruktur, Modellmanagement, Anwendungsentwicklung. Abhängig von der Organisationsgröße kann dies intern, beim Partner oder im Shared-Modell erfolgen.

Im Vergleich zu Cloud-KI-Diensten ist die Kostenstruktur kapitalintensiver in der Anschaffung, aber laufende Nutzungskosten sind niedriger und besser planbar. Bei hoher Nutzung und mehreren Teams entsteht ein Kostenvorteil, bei geringer Nutzung oder sporadischer Anwendung ist eine Cloud-Lösung wirtschaftlich vorteilhafter.

Ein allgemeingültiger Break-even-Punkt lässt sich nicht nennen, da er von Nutzungsvolumen, Komplexität der Anwendungsfälle, Anzahl der Benutzer und erforderlicher Modellgröße abhängt. Folgende Faktoren deuten darauf hin, dass eine eigene Infrastruktur wirtschaftlich vorteilhaft wird:

• Hohes und kontinuierliches Nutzungsvolumen: Wenn API-Kosten pro Monat in den Bereich der Amortisation einer GPU-Lizenz und eines Teils der Hardware gelangen.
• Mehrere Teams oder Abteilungen: Eine interne Plattform verteilt die Fixkosten über mehrere Nutzergruppen.
• Datenschutzbedingte Einschränkungen bei Cloud-Diensten: Wenn sensible Anwendungsfälle nur mit lokaler Infrastruktur realisierbar sind, entfällt die Cloud-Alternative.
• Langfristige Planung: Eine Investition in Hardware mit 3- bis 5-jähriger Nutzungsdauer amortisiert sich bei konstanter Nutzung.

Eine grobe Orientierung: Wenn die monatlichen API-Kosten für eine Organisation vierstellige Euro-Beträge erreichen, ist eine wirtschaftliche Prüfung einer eigenen Infrastruktur ratsam. Das pro-GPU-Lizenzmodell von Galene.AI ohne Pro-Sitzplatz-Beschränkung unterstützt diesen Übergang, da Benutzer frei skaliert werden können, während die GPU-Kapazität gezielt wächst (siehe FAQ B2).

• Preisänderungen: Anbieter können Preise einseitig anpassen. Organisationen mit hohem Nutzungsvolumen haben begrenzte Verhandlungsmacht.
• Nutzungsbedingte Abhängigkeit: Wenn Anwendungen stark in eine bestimmte API integriert sind, ist eine Migration aufwändig und teuer.
• Datenabfluss als Trainingsgrundlage: Einige Anbieter nutzen Kundendaten zur Verbesserung eigener Modelle, auch wenn dies vertraglich ausgeschlossen ist. Die technische Nachprüfbarkeit ist begrenzt.
• Leistungsänderungen: Anbieter können Modellversionen ändern oder einstellen. Anwendungen, die auf ein bestimmtes Modellverhalten optimiert sind, müssen angepasst werden.
• Compliance-Nachfolgelast: Bei Prüfungen oder Audits muss der Anbieter die erforderlichen Nachweise liefern. Fehlt die Kooperation, entsteht ein Risiko für die Organisation.
• Regionale Verfügbarkeit: Dienste können in bestimmten Regionen eingeschränkt oder nicht verfügbar sein, etwa durch regulatorische Entwicklungen oder geopolitische Maßnahmen.

Die Förderlandschaft ändert sich regelmäßig. Folgende Programme sind in Deutschland und Europa relevant:

• GAIA-X und European Data Spaces: Initiativen zur Förderung europäischer Dateninfrastruktur, an die souveräne KI-Lösungen anknüpfen können.
• KI-Förderung des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK): Programme zur Förderung KI-basierter Anwendungen in mittelständischen Unternehmen.
• Digital-now-Programm: Förderung der Digitalisierung mittelständischer Unternehmen, unter bestimmten Bedingungen auch für KI-Infrastruktur anwendbar.
• Horizon Europe: EU-Förderprogramm für Forschung und Innovation, inklusive KI-relevanter Themen.
• Regionale Förderprogramme: Bundesländer und Regionen bieten eigene Programme, etwa für Digitalisierung und KI-Anwendung.

Die Verfügbarkeit und Eignung hängen von Branche, Unternehmensgröße und Anwendungsfall ab. Eine Prüfung sollte vor der Investitionsentscheidung erfolgen. Zertifizierte Galene.AI-Partner können bei der Einordnung unterstützen.

Eine souveräne KI-Plattform erfordert Kompetenzen in drei Bereichen:

1. Infrastruktur und Betrieb: Administration von Servern, GPUs, Netzwerk und Speicher. Erfahrung mit Linux und Container-Orchestrierung (Kubernetes oder Docker Compose) ist Voraussetzung. Diese Rolle kann intern oder durch einen Managed-Service-Partner besetzt werden.
2. KI-Anwendung und Modellmanagement: Auswahl, Evaluierung und Bereitstellung von Modellen, Erstellung von Agenten und Workflows, Integration in bestehende Systeme. Diese Rolle erfordert technisches Verständnis, nicht zwingend Data-Science-Expertise, wenn die Plattform No-Code-Werkzeuge bietet.
3. Steuerung und Compliance: Definition von Zugriffsrechten, Richtlinien und Freigabeprozessen. Diese Rolle ist organisatorisch und erfordert Kenntnis der internen Prozesse und regulatorischen Anforderungen.

In kleinen Organisationen können diese Rollen von einer Person mit Unterstützung durch Partner ausgefüllt werden. In größeren Organisationen ist eine Verteilung auf mehrere Personen üblich.

Ja, unter folgenden Voraussetzungen:

• Partnergestützter Betrieb: Ein zertifizierter Partner übernimmt Installation, Wartung und Updates. Die interne Verantwortung beschränkt sich auf Anwendung und Steuerung.
• Kompakte Installation: Produkte wie Galene.AI Elettra sind für schnelle Inbetriebnahme ohne umfangreiche KI-Infrastruktur konzipiert (siehe FAQ A4).
• No-Code-Plattform: Die Erstellung von Agenten und Workflows erfolgt über eine Web-Oberfläche, ohne Programmierkenntnisse (siehe FAQ C1).
• Externe Modellbetreuung: Modellauswahl und -pflege werden durch die Plattform und Partner unterstützt.

Eine eigene KI-Abteilung ist nicht erforderlich. Ein interner Verantwortlicher für die Plattformsteuerung und ein Ansprechpartner für den Partner sollte jedoch benannt werden.

Partner übernehmen typischerweise die Aufgaben der Installation, Wartung, Modellberatung und Anwendungsentwicklung. Ein qualifizierter Partner ist an folgenden Kriterien erkennbar:

• Zertifizierung durch den Plattformanbieter: Bestätigt Schulung und Erfahrung mit der spezifischen Plattform.
• Referenzen in der eigenen Branche: Erfahrung mit vergleichbaren regulatorischen und organisatorischen Anforderungen.
• Vollständiges Leistungsangebot: Von der Discovery über Proof of Concept bis zum produktiven Betrieb und Support.
• Transparenz in der Kommunikation: Klare Aussagen zu Kosten, Laufzeiten, Verantwortlichkeiten und Risiken.
• Unabhängigkeit in der Beratung: Empfehlungen, die nicht ausschließlich an ein Hardware- oder Modellangebot gebunden sind.

• Freigabeprozesse für KI-Anwendungen: Definition, wer welche Arten von Agenten und Workflows erstellen und freigeben darf.
• Datenklassifikation: Festlegung, welche Datenkategorien über die KI-Plattform verarbeitet werden dürfen und welche nicht.
• Zugriffsverwaltung: Rollen und Berechtigungen für Benutzer, Agenten und Connectors. Galene.AI unterstützt rollenbasierte Zugriffskontrolle und Berechtigungssegmentierung (siehe FAQ F3).
• Incident-Management: Vorgehen bei Fehlern, sicherheitsrelevanten Ereignissen oder unerwünschten KI-Ausgaben. Das integrierte Ticketing-System von Galene.AI kann hierbei unterstützen (siehe FAQ G3).
• Dokumentation und Audit: Protokollierung der Modellnutzung, Richtlinienänderungen und Vorfälle für interne und externe Prüfungen.
• Schulung und Sensibilisierung: Einführung der Nutzer in Funktionsweise, Möglichkeiten und Grenzen der KI-Plattform.

Ein bewährter Ablauf umfasst vier Stufen:

1. Discovery (2 bis 4 Wochen): Identifikation geeigneter Anwendungsfälle, Prüfung der Datenverfügbarkeit, Definition von Erfolgskriterien, Auswahl von Hardware und Plattform.
2. Proof of Concept (4 bis 8 Wochen): Aufbau der Infrastruktur, Erstellung eines ersten Agenten oder Workflows für einen ausgewählten Anwendungsfall, Evaluierung der Ergebnisse gegen die Erfolgskriterien.
3. Pilot (2 bis 3 Monate): Erweiterung auf einen begrenzten Nutzerkreis, Test im operativen Betrieb, Sammlung von Feedback, Anpassung von Modellen und Richtlinien.
4. Skalierung: Rollout auf weitere Teams und Anwendungsfälle, Übergang in den regulären Betrieb, Etablierung der Steuerungsprozesse.

Die Dauer jeder Stufe hängt von Komplexität, Datenverfügbarkeit und organisatorischer Unterstützung ab. Eine voreilige Überspringung von Stufen führt häufig zu unbrauchbaren Ergebnissen oder Akzeptanzproblemen. Der von Galene.AI verfolgte Test-before-Scale-Ansatz unterstützt diesen schrittweisen Weg (siehe FAQ A5).

Geeignete Einstiegsanwendungsfälle zeichnen sich durch folgende Merkmale aus:

• Klar abgegrenzter Datenbereich: Ein definierter Dokumentenbestand oder eine Datenbank, nicht die gesamte Unternehmenswissensbasis.
• Überprüfbare Ergebnisse: Ausgaben, die von Fachnutzern bewertet werden können, beispielsweise Zusammenfassungen, Klassifikationen oder Extraktionen.
• Internnutzung: Anwendung im internen Bereich ohne direkte Kunden- oder Rechtsfolgen, um Raum für Optimierung zu schaffen.
• Wiederkehrender Bedarf: Ein Vorgang, der regelmäßig manuell durchgeführt wird und bei dem KI spürbaren Aufwand erspart.

Beispiele: Dokumentensuche und -zusammenfassung in einer Fachabteilung, Klassifikation von Support-Anfragen, Extraktion strukturierter Daten aus Formularen, Vorbereitung von Ausschreibungsunterlagen. Galene.AI unterstützt diese Anwendungsfälle durch RAG-Workflows und No-Code-Agenten (siehe FAQ D1, C1).

Vermieden werden sollten zu Beginn:

• Anwendungsfälle mit direkten Auswirkungen auf Kunden oder externe Empfänger ohne menschliche Prüfung.
• Komplexe, mehrstufige Prozesse mit vielen Abhängigkeiten.
• Anwendungsfälle, bei denen die Datenqualität ungeklärt ist.
• Anwendungsfälle, die hohe rechtliche oder regulatorische Risiken tragen.

• Frühe Einbindung der Fachnutzer: Die späteren Anwender sollten ab der Proof-of-Concept-Phase einbezogen werden, nicht erst nach Abschluss.
• Definition messbarer Erfolgskriterien: Zeitersparnis, Fehlerreduktion, Durchsatzsteigerung oder qualitative Verbesserung, definiert vor Projektbeginn.
• Sichtbarkeit der Ergebnisse: Präsentation der Ergebnisse gegenüber Entscheidungsträgern und potenziellen weiteren Nutzern.
• Planung der Skalierung von Anfang an: Die Pilotumgebung sollte so aufgebaut sein, dass eine Erweiterung auf weitere Anwendungsfälle möglich ist, ohne neu zu beginnen. Der Migrationspfad von Galene.AI Elettra zu Arethusa ist hierfür ein Beispiel (siehe FAQ A11).
• Betriebliche Einbindung: Übergabe in einen regulären Betrieb mit verantwortlicher Person und Support-Prozess, nicht als Projekt mit Lieferung abgeschlossen.

• Nutzungsgrad: Anzahl aktiver Nutzer, Agenten, Workflows und Aufrufe pro Woche. Misst die tatsächliche Akzeptanz.
• Zeitersparnis: Vergleich der Bearbeitungszeit für definierte Vorgänge vor und nach Einführung der KI.
• Durchsatzsteigerung: Anzahl bearbeiteter Fälle oder Dokumente pro Zeiteinheit.
• Fehlerreduktion: Verringerung von Nachbearbeitungen, Beschwerden oder Korrekturen durch bessere Erstbearbeitung.
• Kostenersparnis: Vergleich der Kosten pro Vorgang oder pro Team vor und nach Einführung.
• Unabhängigkeitsgrad: Anteil der KI-Anwendungen, die ohne externe API-Abhängigkeit betrieben werden. Misst die erreichte Souveränität.
• Time-to-Value: Zeitspanne von der Definition eines neuen Anwendungsfalls bis zum produktiven Einsatz. Misst die Flexibilität der Plattform.

Die Auswahl der Kennzahlen sollte vor der Einführung festgelegt und regelmäßig überprüft werden, um den Nutzen nachweisbar zu machen.