Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Viele Industrieunternehmen setzen KI ein, ohne eine klare Strategie dahinter zu haben. Das Ergebnis: unkontrollierte Kosten, Abhängigkeit von einzelnen US-Anbietern und Unternehmensdaten auf fremden Servern. Eine Hybrid-KI-Strategie, die spezialisierte lokale Modelle mit Cloud-Diensten kombiniert, kann diese Risiken begrenzen.
Drei Risiken ohne klare KI-Strategie
Das erste Risiko ist die Anbieterabhängigkeit. Wer seine KI-Infrastruktur vollständig auf einen einzigen Anbieter aufbaut, verliert Spielraum. Preisänderungen, Lizenzanpassungen oder politische Entscheidungen können den Betrieb unmittelbar treffen. US-Anbieter wie OpenAI, Google oder Microsoft unterliegen amerikanischem Recht. Für europäische Unternehmen bedeutet das: eingeschränkte Kontrolle über Datenweitergabe und Verfügbarkeit.
Das zweite Risiko sind die Kosten. Token-basierte Abrechnungsmodelle der großen KI-Plattformen sind bei intensiver Nutzung teuer. Wer Fertigungsdaten, Konstruktionspläne oder Kundeninformationen in großem Umfang verarbeitet, zahlt entsprechend. Ohne Controlling auf Prozessebene laufen KI-Budgets schnell aus dem Ruder.
Das dritte Risiko ist der Datenschutz. Viele KI-Anwendungen erfordern die Übergabe sensibler Unternehmensdaten an externe Dienste. Fertigungsparameter, Rezepturen, Konstruktionszeichnungen oder Kundendaten gehören nicht in externe Sprachmodelle. Das Dresdner Start-up Mindspace adressiert genau dieses Problem: Sein System „Helion“ betreibt lokale Sprachmodelle ohne Internetverbindung und schützt so vor Industriespionage.
Was Hybrid-KI bedeutet
Eine Hybrid-KI-Strategie trennt Aufgaben nach Sensitivität und Komplexität. Unkritische, rechenintensive Aufgaben laufen in der Cloud. Alles mit Bezug zu internen Prozessen, Produktionsdaten oder Kundendaten bleibt lokal. Das setzt voraus, dass Unternehmen ihre Datenflüsse kennen und klassifiziert haben.
Spezialisierte kleine Sprachmodelle, sogenannte Small Language Models (SLMs), können für eng definierte Aufgaben trainiert werden. Sie sind effizienter als Allround-Modelle, laufen auf Standard-Hardware und erzeugen keine unnötigen Datentransfers. Für Qualitätsprüfung, Dokumentenauswertung oder interne Wissensdatenbanken reichen sie in vielen Fällen aus.
Lokale Modelle: Voraussetzungen für den Betrieb
Lokale KI-Modelle benötigen entsprechende Hardware. GPUs mit ausreichend Grafikspeicher sind Voraussetzung. Für kleinere Modelle genügt oft ein einziger Serverknoten im eigenen Rechenzentrum oder Serverraum. Größere Modelle mit mehr als 70 Milliarden Parametern erfordern mehrere GPUs und höheren Administrationsaufwand.
Mittelständische Unternehmen ohne eigene IT-Kapazitäten können auf Managed-Services zurückgreifen, bei denen der Anbieter die Hardware betreibt, aber keine Daten einsieht. Wichtig ist die vertragliche Regelung: Wo liegen die Daten, wer hat Zugriff, was passiert bei Vertragsende.
KI-Souveränität als operative Anforderung
KI-Souveränität bedeutet nicht, auf Cloud-Dienste vollständig zu verzichten. Es bedeutet, bewusst zu entscheiden, welche Aufgabe welches System übernimmt. Produktentwicklung und Kundenkommunikation stellen unterschiedliche Anforderungen an die Datensicherheit. Eine einheitliche Lösung für beides ist selten sinnvoll.
Familienunternehmen und Maschinenbauer in Baden-Württemberg und Nordrhein-Westfalen erproben derzeit hybride Ansätze, bei denen KI in der Produktion lokal läuft, während Vertriebsunterstützung über Cloud-Modelle abgewickelt wird. Dieses Modell reduziert das Risiko, ohne auf Funktionalität zu verzichten.
Einkauf und Produktion: Wo KI-Souveränität besonders zählt
Für Einkaufsleiter bedeutet die KI-Strategie: Wer externe Anbieter für Lieferantenanalysen oder Vertragsauswertungen nutzt, gibt möglicherweise Preis- und Lieferantendaten preis. Das kann Verhandlungspositionen schwächen. Produktionsleiter, die Maschinendaten zur KI-gestützten Wartung nutzen, sollten prüfen, ob diese Daten das Werk verlassen dürfen. In vielen Fällen verbieten das schon Geheimhaltungsvereinbarungen mit Kunden.
Personalverantwortliche stehen vor ähnlichen Fragen beim Einsatz von KI in der Personalauswahl oder Mitarbeiterbeurteilung. Hier greifen zusätzlich datenschutzrechtliche Anforderungen nach der Datenschutz-Grundverordnung.
Fazit
Eine unstrukturierte KI-Einführung erzeugt Kosten und Risiken, die erst später sichtbar werden. Wer jetzt eine klare Trennlinie zwischen lokalen und Cloud-basierten Anwendungen zieht, schafft eine belastbare Grundlage. Das erfordert keine umfangreiche IT-Transformation, sondern eine nüchterne Bestandsaufnahme: Welche Daten sind kritisch, welche Prozesse profitieren von KI, und welcher Anbieter darf was sehen. Auf dieser Basis lässt sich eine Strategie aufbauen, die weder technologisch noch politisch abhängig macht.
