KI FÜR DEN TATSÄCHLICHEN GESCHÄFTSBETRIEB
Gesteuerte, souveräne Enterprise-KI
Enterprise-KI ist KI, die auf das Unternehmen selbst angesetzt wird — Prozesse, Entscheidungen und Daten. Scrydon liefert sie verankert in Ihrer Ontologie, gesteuert mit Identität und Audit und souverän von air-gapped bis Cloud.
Was ist Enterprise-KI?
Enterprise-KI heißt, mit KI Teile des Unternehmens zu betreiben — nicht nur einer Person beim schnelleren Schreiben zu helfen. Das hebt die Messlatte: Antworten müssen stimmen, Aktionen müssen autorisiert sein, und alles muss sich hinterher erklären lassen. Diese Seite zeigt, was dafür nötig ist, wie die Arbeit Branche für Branche aussieht, was die europäische Regulierung von Ihnen erwartet und wie Sie damit in die Produktion kommen.
Lesenswert, wenn Sie entscheiden, was es bräuchte, damit KI in Ihrer Organisation echte Arbeit leistet — jenseits von Pilotprojekten und persönlichen Assistenten.
Enterprise-KI ist künstliche Intelligenz, angewandt darauf, wie ein Unternehmen tatsächlich arbeitet — Prozesse automatisieren, Entscheidungen unterstützen und auf Geschäftsdaten handeln — mit der Genauigkeit, Governance und Auditierbarkeit, die ein Geschäftskontext verlangt. Scrydon liefert sie als organisationsweite KI: Agenten, Systeme und Menschen, koordiniert vom AI OS, verankert im Cognitive Enterprise und betrieben auf Sovereign Foundations innerhalb Ihres eigenen Perimeters.
Die meiste Enterprise-KI kommt nie über das Pilotprojekt hinaus. Copiloten machen Einzelne schneller, automatisieren aber keinen Prozess; alleinstehende Agenten überzeugen in der Demo, doch echte Arbeit kann man ihnen nicht anvertrauen, weil sie über lose Dokumente schlussfolgern und außerhalb jeder Governance handeln. Was Enterprise-KI, die in Produktion geht, von Enterprise-KI unterscheidet, die ins Stocken gerät, ist nicht das Modell — es ist die Plattform darum herum. Diese Seite beschreibt den Unterschied zwischen persönlicher, Enterprise- und organisationsweiter KI, was Produktionsreife wirklich verlangt, wie die Arbeit Branche für Branche aussieht, was europäische Regeln von Ihnen als Betreiber erwarten — und den Weg vom ersten Workshop zum gesteuerten Prozess in Produktion.
Verankert in Ihrem Unternehmen
Agenten schlussfolgern über das Cognitive Enterprise — Ihre Ontologie, Ihr Wissen und Ihre Daten als ein verbundenes Modell — nicht über lose Dokumente.
Gesteuert von Grund auf
Jeder Agent handelt unter eigener Identität, innerhalb der Richtlinien und mit vollständigem Audit-Trail — damit KI echte Arbeit anvertraut werden kann.
Souverän bis in den Kern
Läuft identisch von air-gapped on-premises bis zur Hyperscale-Cloud, mit Ihren Daten, Modellen und Workloads unter Ihrer Kontrolle.
Enterprise AI in den Produktivbetrieb: die Checkliste
Rund dreißig Fragen an Ihr eigenes Team, gruppiert nach Fundierung, Governance, Orchestrierung und Souveränität. Haken Sie ab, was heute bei Ihnen zutrifft, und sehen Sie eine Bewertung je Dimension. Eine Seite, zum Ausdrucken.
Enterprise-KI in der Scrydon-Plattform
Eine integrierte, souveräne Architektur. Hier fügt sich Enterprise-KI ein — hervorgehoben im Kontext des gesamten Stacks, mit dem es zusammenarbeitet.
Das AI OS für Menschen und KI-Agenten
Ontologie- und Semantikschicht: ein zusammenhängendes Modell für Ihre Daten, Ihr Wissen und Ihre Prozesse
Das Beste aus Data Lakes, Data Warehouses und Suche vereint
Regulierter Zugriff auf jedes Modell sowie die Agenten und Workflows, die über Ihre Systeme hinweg ausgeführt werden
Integrieren Sie über A2A, MCP, Legacy-Systeme und Datenquellen
Sichere Domänenföderation, vertrauenswürdiger Datenaustausch und Intelligenz über Grenzen hinweg
Souveräne Grundlagen
Enterprise-KI im Detail
Mensch + KI-Orchestrierung
Das AI OS für Menschen und KI-Agenten
Der Human+AI Orchestrator ist die operative Runtime im Herzen des AI OS — auch Agentic OS genannt — der jede Aufgabe in Ihrem Unternehmen plant, routet und steuert, ob sie nun von einem KI-Agenten, einem bestehenden System oder einem Menschen ausgeführt wird.
Die meisten Organisationen haben kaputte Prozesse: kodiert in isolierten Systemen oder eingeschlossen in den Köpfen der Mitarbeitenden. Das AI OS macht sie sichtbar und ausführbar. Es erfasst die Absicht, führt den Kontext zusammen, handelt — und speist jedes Ergebnis zurück in die Ontologie, sodass der nächste Durchlauf intelligenter wird. Und das alles innerhalb Ihres Perimeters.
Cognitive Enterprise
Ontologie- und Semantikschicht: ein zusammenhängendes Modell für Ihre Daten, Ihr Wissen und Ihre Prozesse
Die meisten Organisationen haben Daten, die sie nicht nutzen können — nicht weil sie nicht existieren, sondern weil nichts sie verbindet. Die Cognitive Enterprise-Schicht ist die prägende Intelligenz des AI OS: ein lebendiges, abfragbares semantisches Modell der Entitäten, Prozesse und Regeln Ihrer Organisation. Sie ist die Single Source of Truth, die es jedem Agenten, jedem Analysten und jedem Workflow ermöglicht, mit einem konsistenten Verständnis über Ihr Geschäft zu schlussfolgern.
Ohne sie schlussfolgern KI-Agenten auf Rauschen. Mit ihr schlussfolgern sie auf dem Geschäft.
- Entitätsgraph: Modellieren Sie Kunden, Konten, Aufträge, Produkte und jedes beliebige Domänenkonzept — und verbinden Sie sie mit typisierten, traversierbaren Beziehungen.
- Prozessintegration: Verknüpfen Sie reale Workflows mit Ontologie-Entitäten, damit Agenten verstehen, wie Daten durch Ihr Geschäft fließen.
- Kontinuierliche Anreicherung: Agenten reichern Ontologie-Knoten automatisch mit frischen Daten aus dem Lakehouse an und halten das Modell ohne manuellen Aufwand aktuell.
Enterprise-KI vs. persönliche KI vs. organisationsweite KI
Die drei Begriffe werden oft synonym verwendet. Das sind sie nicht — der Unterschied liegt im Geltungsbereich, und der entscheidet auch darüber, wie schwierig die Technik wird.
Persönliche KI ist der Assistent auf dem Schreibtisch einer Person. Er entwirft, fasst zusammen und beantwortet Fragen innerhalb der Anwendungen, die diese Person ohnehin nutzt, und sein Kontext ist alles, was sie selbst erreichen kann. Er braucht wenig Governance, weil er wenig verändert: Das Ergebnis landet in einem Dokument, das weiterhin einem Menschen gehört. Er hat aber auch eine Obergrenze. Ein Copilot verbessert die Person, die ihn nutzt, und sonst nichts — der Prozess bewegt sich weiter im Tempo seiner Übergaben.
Enterprise-KI ist KI, angewandt auf das Unternehmen selbst. Sie liest führende Systeme, trifft oder informiert Entscheidungen und führt zunehmend Aktionen mit Konsequenzen aus: ein bewerteter Schadenfall, eine freigegebene Bestellung, ein zugewiesener Vorgang. In dem Moment entstehen drei Anforderungen, die persönliche KI nie erfüllen musste: Die Antwort muss richtig und nachvollziehbar sein, die Aktion muss autorisiert sein, und beides muss sich Monate später jemandem erklären lassen, der nicht dabei war. Deshalb ist Enterprise-KI ein Plattformproblem und kein Modellproblem.
Organisationsweite KI ist unser Name für Enterprise-KI in vollem Umfang. Statt eines Tools pro Team und eines Pilotprojekts pro Abteilung betreibt organisationsweite KI jeden Agenten, jedes System und jeden Menschen auf einer gesteuerten Laufzeitumgebung — dem AI OS —, verankert in einem verbundenen Modell des Unternehmens, dem Cognitive Enterprise. Der Unterschied zeigt sich in der Praxis: Kontext, der in einem Prozess erarbeitet wurde, steht dem nächsten zur Verfügung, Governance wird einmal angewandt statt pro Projekt neu gebaut, und Kapazität wächst, indem einer Plattform Prozesse hinzugefügt werden statt einem Stack Tools.
Die meisten Organisationen stehen irgendwo auf dieser Linie. Persönliche KI ist längst überall, meist ohne dass jemand danach gefragt hätte. Enterprise-KI existiert als eine Handvoll Abteilungsprojekte, die Verankerung und Governance jeweils erneut gelöst haben, in Projektqualität. Der Schritt, der sich auszahlt, ist nicht ein besseres Modell oben auf diesem Stapel — es ist, Verankerung, Identität und Audit unter alles zu legen.
Was Enterprise-KI braucht, um die Produktion zu erreichen — und woran sie stockt
Die Lücke zwischen einer beeindruckenden Demo und KI, auf der Sie das Unternehmen betreiben können, ist Infrastruktur, nicht Intelligenz. Der Stack darunter besteht aus vier Schichten, und jede ist nur so vertrauenswürdig wie die darunter: souveräne Grundlagen, darüber die Ontologie und die Daten, die Ihren Systemen eine gemeinsame fachliche Bedeutung geben, dann die AI-OS-Laufzeitumgebung, die jede KI-Workload passieren muss, und schließlich die Agenten und Menschen, die den Prozess gemeinsam ausführen. Vier Dinge müssen zutreffen, bevor einem Modell eine Bestellung anvertraut werden kann — und an genau diesen vieren stocken Vorhaben, jedes Mal.
Verankerung. Ein Agent ist nur so gut wie das, worüber er schlussfolgert. Zerstückelte Dokumente und rohe Tabellenexporte geben ihm Fragmente, ohne dass er wüsste, welches davon maßgeblich ist oder was „Kunde“ in Ihrem Unternehmen bedeutet — und Antworten, die aus Fragmenten zusammengesetzt sind, kann niemand verifizieren, also zeichnet niemand frei, und das Pilotprojekt endet dort still. Verankerung ersetzt das durch ein verbundenes Modell der Organisation: die ontologiebasierte Datenplattform, die Ihren Daten definierte fachliche Bedeutung gibt, den Wissensgraphen, der festhält, wie die Dinge zusammenhängen, und Enterprise RAG, das gegen beides recherchiert. Antworten tragen dann eine Herkunft bis zu einem definierten Konzept und einem Quelldatensatz — der Unterschied zwischen einer Antwort, die jemand unterschreiben kann, und einer, die jemand nachprüfen muss.
Governance. In Produktion ist „Wer hat das getan, und durfte er das?“ keine Berichtsfrage, sondern eine Voraussetzung: Aktionen ohne Identität, Richtlinien oder Audit-Trail dahinter werden — zu Recht — von Security und Compliance blockiert, üblicherweise am letzten Tor, nachdem das Budget ausgegeben ist. Jeder Agent braucht eine eigene Identität, statt sich die Sitzung eines Menschen zu borgen; Berechtigungen delegiert und eng gefasst; Richtlinien im Ablauf durchgesetzt, im Moment des Aufrufs, statt in einem Prompt zu stehen, von dem sich ein Modell abbringen lässt; und einen Eintrag für jede Entscheidung. Genau das heißt KI-Governance hier — eine Eigenschaft der Laufzeitumgebung, damit sie auch für den Agenten gilt, an dessen Prüfung niemand gedacht hat.
Orchestrierung. Echte Prozesse laufen über Systeme, Teams und Tage. Arbeit muss verteilt, sequenziert, wiederholt, eskaliert und zwischen Agenten und Menschen übergeben werden — mit den Freigabepunkten an den richtigen Stellen. Eine Landschaft unverbundener Copiloten überspringt all das: Einzelne werden schneller, kein Prozess wird durchgängig automatisiert, und der Business Case tritt nie ein. Agenten-Orchestrierung gehört in die Plattform, denn ein Prozess, der aus Tools zusammengesetzt ist, die jeweils die Hälfte davon halten, ist ein Prozess, den niemand verantwortet.
Souveränität. Die Daten, auf die sich KI zu richten lohnt, sind meist genau die Daten, die nicht hinaus dürfen — ein Pilot auf einem reinen Cloud-Stack war deshalb nie das, was in Produktion geht; er war der Nachweis, dass sich das Problem woanders lösen lässt. Die Plattform muss stattdessen zu den Daten kommen: Souveräne Grundlagen betreiben den gesamten Stack als Cluster innerhalb Ihres Perimeters — europäische Cloud, eigenes Rechenzentrum oder vollständig getrennt — jeweils mit derselben Laufzeitumgebung und denselben Nachweisen.
Unter allen vieren liegt derselbe Fehler: Enterprise-KI wird als Werkzeug behandelt, das man kauft, statt als Fähigkeit, die man betreibt. Pro Abteilung eingekauft, werden diese vier jedes Mal erneut gelöst, in Projektqualität. Einmal gebaut, unter allem, erbt sie jeder Prozess nach dem ersten.
Es gibt auch eine ehrliche Grenze, die man benennen sollte. Was die meisten Organisationen zurückhält, sind ihre Menschen, ihre Prozesse und ihre Daten. Wie wir es auf der Startseite sagen: Wir beheben zwei von drei. Ganz bewusst. Prozesse und Daten kann eine Plattform verändern; Ihre Menschen gehören Ihnen, und niemand sollte Ihnen Software verkaufen, die etwas anderes behauptet. Für sie ändert sich, womit sie ihre Zeit verbringen — und genau darum geht es beim Entwurf von Human+AI-Übergaben, statt eine Stellenbeschreibung zu automatisieren.
Enterprise-KI-Anwendungsfälle nach Branche
Enterprise-KI sieht in jeder Branche anders aus, doch die Form der Arbeit wiederholt sich: Bestände lesen, die nie zusammengeführt wurden, etwas mit Konsequenzen entscheiden, innerhalb eines Prozesses handeln und Nachweise hinterlassen. Die folgenden Branchen sind die, in denen die Konsequenz hoch genug ist, dass Verankerung und Governance darüber entscheiden, ob das Vorhaben überhaupt in Produktion geht.
Gesundheitswesen
- Klinische Entscheidungshilfe
- Patientensteuerung
- Föderierte Studien
Klinische und operative Daten liegen in Systemen, die getrennt voneinander entworfen wurden und selten übereinstimmen. Verankerte Assistenten antworten aus der Patientenakte und den dafür geltenden Leitlinien, mit Quellenangaben, die eine Ärztin nachprüfen kann, während Terminplanung, Kodierung und Korrespondenz von den Schreibtischen verschwinden. Patientendaten verlassen den Perimeter des Hauses nicht — meist die Bedingung dafür, überhaupt anzufangen.
Enterprise-KI im GesundheitswesenFinanzsektor
- Kreditvergabe
- KYC und Geldwäsche
- Aufsichtsmeldungen
Die Arbeit besteht aus Dokumenten, Pflichten und Entscheidungen, die noch lange danach verteidigungsfähig sein müssen. Kredit- und Underwriting-Akten werden mit ihren Quellen zusammengestellt und zusammengefasst, Geldwäsche- und Betrugsprüfungen verbinden Systeme, die je einen Teil des Bildes halten, und Kundenfragen werden aus Ihren eigenen Produkten beantwortet statt aus dem Gedächtnis eines Modells. Hinter jeder Zahl bleibt die Spur, die sie einer Aufsicht erklärt.
Enterprise-KI im FinanzsektorVerteidigung
- Gemeinsames Lagebild
- Eingestufte Dokumente
- Netzwerkanalyse
Analysten ertrinken in Quellen und dürfen keine Werkzeuge nutzen, die nach Hause telefonieren. Strukturierte und unstrukturierte Quellen verschmelzen zu einem Lagebild, der gesamte Stack läuft in einem getrennten Netz, und der Nachweis zeigt, was das System gemeldet hat und auf welcher Grundlage. Einstufungen setzt die Plattform durch — nicht eine höfliche Bitte an das Modell.
Enterprise-KI in der VerteidigungÖffentlicher Sektor
- Fallbearbeitung
- Genehmigungen
- Bürgerkorrespondenz
Fallbearbeitung, Vergabe und Bürgerkorrespondenz sind Massenprozesse mit rechtlichen Folgen. Verankerte Agenten entwerfen auf der tatsächlichen Akte und der tatsächlichen Vorschrift, ein Mensch entscheidet, und der Nachweis zeigt beides. Weil Entscheidungen Menschen betreffen, sind menschliche Aufsicht und Erklärbarkeit Anforderungen und keine Zusatzfunktionen.
Enterprise-KI im öffentlichen SektorKritische Infrastruktur
- Vorausschauende Wartung
- Störungsbehebung
- NIS2-Meldungen
Betreiber von Netzen, Wasser, Verkehr und Industrieanlagen führen Anlagen, deren Telemetrie, Wartungshistorie und Einsatzplanung in verschiedenen Welten liegen. Werden sie verbunden, können Agenten zeigen, worauf eine Leitstelle als Nächstes schauen sollte, Wartungs- und Abschaltpläne vorbereiten und die Nachweise zusammenstellen, nach denen eine Resilienzaufsicht fragt — innerhalb eines operativen Netzes, das bewusst isoliert bleibt.
Enterprise-KI in kritischen InfrastrukturenWas die fünf unterscheidet, ist die Randbedingung, nicht die Technik: wo die Daten liegen dürfen, wer die Entscheidung zeichnen muss und was Jahre später noch belegbar sein soll. Genau deshalb muss dieselbe Plattform in einem Krankenhaus, in einer Bank und in einem getrennten Netz laufen können, ohne jedes Mal neu gebaut zu werden. Die Anwendungsfälle arbeiten das Prozess für Prozess durch.
Lesen Sie das für eine spätere Entscheidung?
Die nächste Änderung bei der europäischen KI-Souveränität, und was wir beim Bauen dafür lernen, direkt ins Postfach. Ein paar Mal im Jahr.
Wie Enterprise-KI in die Produktion kommt
Die Fehlschläge sind selten technische Überraschungen. Es sind Reihenfolgefehler: ein Modell gewählt vor einem Prozess, ein Prozess gewählt, bevor jemand geprüft hat, ob die Daten ihn tragen, ein Pilot gebaut an einem Ort, den die Sicherheitsprüfung nie zulassen würde. Die folgende Reihenfolge ist bewusst unspektakulär — und kurz genug, um sie einem Team am Montag in die Hand zu geben.
Schritt eins: die Prozesse finden, die Automatisierung lohnen. Keine Anwendungsfälle, sondern Prozesse — mit Anfang, Ende, verantwortlicher Person und einer Zahl dahinter. Halten Sie fest, wohin die Zeit heute fließt, welche Entscheidungen sich wiederholen, welche davon bei einem Menschen bleiben müssen und wie ein gutes Ergebnis am Ende aussähe. Wenden Sie den regulatorischen Filter früh an: ob der Prozess Entscheidungen über Menschen trifft, welche Aufsicht er braucht und welche Nachweise irgendwann jemand verlangen wird. Eine Woche davon sortiert die Shortlist meist um, denn der Prozess, mit dem alle anfangen wollten, ist selten der, der sich zuerst rechnet.
Schritt zwei: prüfen, ob die Daten das tragen. Nehmen Sie die zwei, drei Quellen hinter dem gewählten Prozess und finden Sie heraus, ob sie die Fakten liefern können, die ein Agent bräuchte: Sind die Datensätze vollständig, sind sich die Systeme einig, was ein Kunde oder eine Anlage ist, und lassen sich die Widersprüche modellieren statt ausdiskutieren? Hier spart ein ehrliches „noch nicht“ ein Jahr. Das Ergebnis ist eine kleine Ontologie rund um eine wiederkehrende Entscheidung — genug, um zu belegen, dass die Antwort verankert werden kann, und kein Datenprogramm.
Schritt drei: einen Prozess innerhalb des Perimeters beweisen. Ein Prozess, Ihre Daten, Ihre Modelle, in Ihrer eigenen Umgebung, mit vorab vereinbarten Abbruchkriterien und einer benannten Person aus der Security ab Woche eins. Bewiesen wird nicht, dass das Modell schreiben kann — sondern dass der Prozess durchgängig läuft, dass die Governance hält und dass die Nachweise, die das Audit verlangen wird, von der Plattform erzeugt wurden statt hinterher zusammengetragen.
Dann über Prozesse skalieren, nicht über Tools. Der zweite Prozess nutzt Ontologie, Laufzeitumgebung und Kontrollen des ersten wieder — genau das macht ihn günstiger.
Diese drei Schritte bieten wir als Engagements mit festem Umfang an: den Tag „Organisatorische KI“, dann vom Lakehouse zur Ontologie an einem Tag, dann einen sechswöchigen Piloten innerhalb Ihres Perimeters. Sie können sie genauso gut selbst durchlaufen — auf die Reihenfolge kommt es an.
- 1
Die Prozesse finden, die Automatisierung lohnen
Wählen Sie die wenigen Prozesse, bei denen der Nutzen real und die Entscheidung wiederholbar ist — und halten Sie fest, was gut heißt, bevor ein Werkzeug gewählt wird.
- 2
Prüfen, ob die Daten das tragen
Testen Sie, ob die Systeme hinter diesen Prozessen die Fakten liefern können, die ein Agent bräuchte, und modellieren Sie die Konzepte, über die sie uneins sind.
- 3
Einen Prozess im Perimeter beweisen
Lassen Sie einen Prozess durchgängig in Ihrer eigenen Umgebung laufen, unter Governance, mit den Nachweisen, nach denen eine Sicherheitsprüfung fragen wird.
- 4
Über Prozesse skalieren, nicht über Tools
Jeder neue Prozess nutzt dieselbe Ontologie, dieselbe Laufzeitumgebung und dieselben Kontrollen wieder — genau das macht den zweiten billiger als den ersten.
Enterprise-KI in Europa
Europäische Organisationen betreiben Enterprise-KI nicht mit einem angeflanschten Compliance-Schritt. Sie tun es innerhalb eines Rahmens, der die Architektur bestimmt — und das ist ein Vorteil, denn diese Vorgaben sind im Voraus bekannt und lassen sich einplanen.
Die EU-KI-Verordnung erreicht Betreiber, nicht nur Anbieter. Die meisten Organisationen begegnen ihr als Nutzer von KI-Systemen und nicht als deren Anbieter, und die Pflichten richten sich nach dem Risiko der Nutzung, nicht nach der Ausgereiftheit des Modells: wissen, welche KI-Systeme Sie betreiben und wofür; sie so einsetzen, wie der Anbieter es vorgesehen hat; wirksame menschliche Aufsicht über Entscheidungen behalten, die Menschen betreffen; die Protokolle aufbewahren, die zeigen, was geschehen ist; Betroffene informieren, wenn eine KI-gestützte Entscheidung sie betrifft; und dafür sorgen, dass das bedienende Personal das System versteht. Ein kleiner Satz von Praktiken ist unabhängig von der Rolle verboten. Jede dieser Pflichten wird leichter, wenn die Plattform Inventar, Aufsichtspunkt und Nachweis selbst erzeugt — siehe EU-KI-Verordnung.
DORA und NIS2 sind Architekturvorgaben, kein Papierkram. Als Finanzunternehmen stellt DORA Ihre KI-Systeme in Ihr IKT-Risikomanagement: Sie sind Dienste, die Sie testen, wiederherstellen, melden und verlassen können müssen — was eine Abhängigkeit von einem einzigen externen Anbieter zu einem Architekturrisiko macht und nicht zu einer Beschaffungspräferenz. Wer wesentliche oder wichtige Dienste betreibt, dem schreibt NIS2 gesteuerte Risikomaßnahmen, Sorgfalt in der Lieferkette und eine erste Meldung binnen 24 Stunden nach Kenntnis eines erheblichen Vorfalls vor. Beides ist weit günstiger zu erfüllen, wenn die KI innerhalb der Umgebung läuft, die Sie ohnehin kontrollieren und überwachen.
Datenstandort ist keine Souveränität. Daten in einer europäischen Region zu speichern sagt Ihnen, wo die Bytes liegen. Es sagt nicht, wer zur Herausgabe gezwungen werden kann, wer die operativen Schlüssel hält oder ob der Dienst weiterläuft, wenn sich eine geschäftliche oder politische Beziehung ändert. Bei Souveränität geht es um Kontrolle und Fortführung: Ihre Daten, Ihre Modelle, Ihr Betriebspersonal und keine Abhängigkeit, die Sie nicht ersetzen können. Um genau diese Unterscheidung ist souveräne KI gebaut.
Wann air-gapped die Antwort ist. Für eingestufte Arbeit, sicherheitskritische Betriebsnetze und Verträge, die externe Konnektivität ausschließen, ist die einzig akzeptable Antwort eine Plattform, die ohne Route ins Internet läuft und trotzdem dieselbe Plattform ist — Modelle, Agenten, Ontologie und Governance lokal, Aktualisierungen über einen kontrollierten Prozess. Siehe Air-Gap-Bereitstellung.
Die EU-KI-Verordnung trifft auch Betreiber — Wer ein KI-System in einem regulierten Kontext einsetzt, hat eigene Pflichten — Aufsicht, Information, Protokollierung und überhaupt zu wissen, welche Systeme laufen.
DORA und NIS2 sind Architekturvorgaben — Betriebliche Resilienz und Meldepflichten entscheiden darüber, wo die KI läuft und was sie aufzeichnen muss — lange bevor ein Modell gewählt wird.
Datenstandort ist keine Souveränität — Daten in einer europäischen Region unter der Kontrolle eines fremden Betreibers sind ein Ort, keine Garantie; bei Souveränität geht es darum, wer Zugriff erzwingen kann.
Wann air-gapped die Antwort ist — Für eingestufte, sicherheitskritische oder vertraglich isolierte Arbeit muss die Plattform ohne jede Route ins Internet laufen — und trotzdem dieselbe Plattform sein.
Persönliche KI vs. Enterprise-KI vs. organisationsweite KI
Drei Geltungsbereiche für dieselbe Technologie, mit unterschiedlichen Anforderungen auf jeder Stufe. Die Scrydon-Spalte steht für organisationsweite KI — Enterprise-KI, betrieben auf der Ebene der gesamten Organisation. Das ist die Form, für die wir bauen.
| Funktion | Scrydon | Persönliche KI | Enterprise-KI, wie üblich eingekauft |
|---|---|---|---|
| Werteinheit | Ein Prozess, durchgängig über Systeme und Teams hinweg ausgeführt | Eine Aufgabe, die eine Person schneller erledigt | Ein Anwendungsfall im Besitz einer Abteilung |
| Worüber sie schlussfolgert | Eine Ontologie, geteilt von Analysten, Agenten und Anwendungen | Die Dokumente und Mails in Reichweite dieser Person | Der Korpus, den dieses eine Projekt indexiert hat |
| Als wer die KI handelt | Jeder Agent hat eine eigene Identität und delegierte Berechtigungen | Als die Person, über deren eigene Sitzung | Ein Dienstkonto, oft geteilt |
| Governance | Richtlinien und Audit von der Laufzeitumgebung durchgesetzt — einmal, für alles | Tenant-Einstellungen, pro Werkzeug | Pro Projekt neu gebaut, in Projektqualität |
| Wie sie skaliert | Prozesse zu einer Plattform hinzufügen; Kontext und Kontrollen wirken weiter | Lizenzen hinzufügen — die Obergrenze bleibt, wo sie ist | Tools hinzufügen — und ein Integrationsproblem dazu |
| Betriebsmodell | Air-gapped, on-premises oder europäische Cloud — dieselbe Plattform | Die Cloud des Anbieters | Meist die Cloud des Anbieters, manchmal eine Region darin |
| Nachweise für die Aufsicht | Von der Laufzeitumgebung erzeugt, in Ihrer Umgebung, standardmäßig | Nutzungsprotokolle, keine Entscheidungsnachweise | Im Nachhinein zusammengetragen, pro System |
Ein Vergleich von Geltungsbereichen, nicht von Produkten: Gute persönliche KI-Werkzeuge tun, wofür sie gemacht sind, und viel abteilungsbezogene Enterprise-KI stiftet echten Nutzen. Unterschieden wird hier nach Umfang — und danach, was jeder Umfang verlangt.
Häufig gestellte Fragen
Was ist Enterprise-KI?+
Worin unterscheidet sich Enterprise-KI von persönlichen KI-Werkzeugen wie Copiloten?+
Was sind Beispiele für Enterprise-KI?+
Was ist der Unterschied zwischen Enterprise-KI und generativer KI?+
Warum erreichen Enterprise-KI-Projekte nicht die Produktion?+
Was ist der Unterschied zwischen Enterprise-KI und organisationsweiter KI?+
Kann Enterprise-KI on-premises oder air-gapped laufen?+
Was bedeutet die EU-KI-Verordnung für Enterprise-KI?+
Die Plattform entdecken
Verwandte Themen
Lieber schreiben? Senden Sie eine E-Mail an hello [at] scrydon.com und wir melden uns bei Ihnen.
