Auf dieser Seite
"Sovereign AI" ist vom technischen Konzept zum Marketingbegriff geworden. Nahezu jeder Anbieter bewirbt seine Lösung als souverän. Das verwischt eine Entscheidung, die strukturell wichtig ist: Wann muss eine Organisation ihre KI-Infrastruktur tatsächlich vollständig kontrollieren — und wann ist das teures Over-Engineering?
Die Antwort hängt nicht von Technologiepräferenzen ab. Sie hängt von der Art der Daten ab, die verarbeitet werden.
Was souveräne KI technisch bedeutet
Souveräne KI beschreibt KI-Systeme, bei denen weder der Modellanbieter noch der Infrastrukturanbieter technisch in der Lage ist, auf verarbeitete Daten zuzugreifen. Das schließt drei Architekturen ein:
- On-premise: Modell und Infrastruktur laufen vollständig im eigenen Rechenzentrum
- Private Cloud mit Zero-Access-Verschlüsselung: Daten werden clientseitig verschlüsselt, bevor sie die eigene Umgebung verlassen — der Anbieter empfängt nur Chiffrat
- Dedizierte Infrastruktur beim Anbieter: Logisch und physisch isoliert vom Multi-Tenant-Betrieb, ohne Trainingszugang
Was souveräne KI nicht ist: eine DSGVO-konforme Auftragsverarbeitungsvereinbarung allein, ein europäischer Cloud-Anbieter, oder ein opt-out aus dem Modelltraining. Diese Maßnahmen reduzieren Risiken, garantieren aber keinen technischen Ausschluss des Anbieterzugriffs.
Das Tiering-Modell: drei Datenkategorien
Die entscheidende Frage ist nicht "Wollen wir souveräne KI?", sondern "Welche Datenkategorien verarbeiten wir, und welche Isolationsstufe erfordern sie rechtlich oder strategisch?"
Tier 1: Regulatorischer Zwang
Für diese Daten ist souveräne KI keine Wahl, sondern Pflicht. Der technische Ausschluss jedes Drittanbieterzugriffs ist durch Gesetz oder Berufsrecht vorgeschrieben.
Berufsgeheimnisträger — Mandats- und Patientendaten unter § 203 StGB, § 43e BRAO, § 62a StBerG. Öffentliche Sprachmodelle sind strukturell ungeeignet, unabhängig von Datenschutzverträgen. Das gilt für Rechtsanwälte, Steuerberater, Wirtschaftsprüfer, Ärzte, Notare und Apotheker gleichermaßen. Detaillierte Anforderungen nach Berufsgruppe.
Kritische Infrastrukturen (KRITIS) — Energie, Wasser, Gesundheitsversorgung und Finanzmarktinfrastruktur unterliegen BSI-Anforderungen, die externe Datenverarbeitung für sicherheitsrelevante Systeme einschränken.
Gesundheitsdaten — Art. 9 DSGVO stuft sie als besondere Kategorie ein und verlangt erhöhte technische Schutzmaßnahmen über die Standardanforderungen hinaus.
Verschlusssachen — VS-NfD und höher schließen kommerzielle Cloud-KI grundsätzlich aus.
Tier 2: Strategische Sensitivität
Hier schreibt kein Gesetz souveräne KI vor. Aber der Schaden bei einem Datenzugriff durch Dritte — oder durch das Modelltraining — wäre wettbewerbsrelevant.
- M&A-Prozesse: Zieldaten, Bewertungsmodelle, Verhandlungsstrategien
- Forschung und Entwicklung: Patentanmeldungen, Prüfberichte, Entwicklungspipelines
- Preisstrategie und Margenstruktur: Daten, deren Kenntnis Wettbewerbern Vorteile verschaffen würde
- Personalentscheidungen auf C-Level: Nachfolgeplanung, Restrukturierungsszenarien
Für Tier-2-Daten ist die Entscheidung eine Risikoabwägung: Wie hoch ist der realistische Schadenswert bei unautorisiertem Zugriff, und rechtfertigt er die Mehrkosten souveräner Infrastruktur?
Tier 3: Standarddaten
Für den Großteil operativer Daten — interne Dokumentation, Marktanalysen, Kundenkommunikation ohne Sondervertraulichkeit, öffentlich zugängliche Informationen — ist souveräne KI überdimensioniert. Öffentliche Cloud-KI mit DSGVO-konformer AVV ist ausreichend.
Over-Engineering vs. Compliance-Risiko
Beide Fehler haben reale Konsequenzen — in entgegengesetzte Richtungen.
Fehler 1: Zu viel Isolation. Wer souveräne KI pauschal für alle Datenkategorien ausrollt, weil es "sicherer" erscheint, zahlt dafür einen Preis: deutlich höhere Infrastruktur- und Betriebskosten, eingeschränkter Zugang zu frontier-Modellen, die on-premise schlicht nicht verfügbar sind, langsamere Iterationszyklen bei der KI-Entwicklung und organisatorische Komplexität, die Akzeptanz und tatsächliche Nutzung hemmt. Das Ergebnis ist eine KI-Strategie, die formal souverän ist, aber in der Praxis kaum genutzt wird — während Wettbewerber mit geeigneteren Architekturen schneller werden.
Fehler 2: Zu wenig Isolation. Wer cloud-basierte KI für Tier-1-Daten einsetzt, riskiert den Verlust des Berufsgeheimnisses mit unmittelbaren Folgen für laufende Mandate oder Behandlungsverhältnisse, persönliche Haftung der verantwortlichen Führungskraft, Vertragsstrafen und den Entzug der Berufszulassung. In KRITIS-Sektoren kommen aufsichtsrechtliche Maßnahmen hinzu. Das ist kein IT-Risiko. Es ist ein Führungsrisiko.
Die Entscheidung über die richtige Isolationsstufe gehört deshalb auf die Führungsebene — nicht in die IT-Beschaffung.
Technische Entscheidungsparameter
Für Organisationen, die souveräne KI für Tier-1- oder ausgewählte Tier-2-Daten einführen, sind drei Architekturentscheidungen zentral.
Modellwahl — Open-Weight-Modelle lassen sich vollständig on-premise betreiben. Proprietäre Frontier-Modelle bieten keine vollständige technische Isolation — selbst Enterprise-Versionen setzen Vertrauen in den Anbieter voraus.
Infrastruktur — Private Cloud in einem deutschen oder europäischen Rechenzentrum mit BSI C5-Zertifizierung bietet den sinnvollen Mittelweg zwischen on-premise-Komplexität und öffentlicher Cloud. Entscheidend ist die physische und logische Mandantentrennung, nicht der Standort allein.
Betrieb — Souveräne KI erfordert interne Kompetenz oder einen Implementierungspartner, der den Betrieb im eigenen Perimeter übernimmt. Ein SaaS-Produkt, das als "souverän" vermarktet wird, aber extern gewartet wird, ist keins.
Entscheidungsfragen für Führungskräfte
Vor der Wahl einer KI-Infrastruktur sind vier Fragen zu beantworten:
- Welche Datenkategorien sollen verarbeitet werden? Tier-1-Daten schließen öffentliche Cloud-KI aus.
- Welche Rechtsgrundlage gilt? Berufsrecht, KRITIS, DSGVO Art. 9 oder Standard-AVV?
- Was ist der realistische Schadenswert bei unautorisiertem Zugriff? Dieser Wert rechtfertigt oder widerlegt die Mehrkosten souveräner Infrastruktur.
- Wer betreibt das System? Interne IT, externer Implementierungspartner oder hybrider Betrieb?
Die Antworten auf diese Fragen — nicht die Marketingkategorie eines Anbieters — bestimmen, welche Architektur angemessen ist.
Für die rechtliche Umsetzung bietet der AI GDPR Compliance Guide einen strukturierten Ausgangspunkt. Technische Sicherheitsmaßnahmen für cloudbasierte Systeme behandeln die Best Practices für Cloud-Datenbanksicherheit konkret. Die europäische Perspektive auf Datenkontrolle im geopolitischen Kontext behandelt Datensouveränität.