Insight ON Who's running your AI once the delivery team has gone home?
Von Insight UK / 10 Aug 2026 / Themen: Modern workplace
Gebaut für den Launch, nicht für die Ewigkeit: Warum rein projektbezogene Partnerschaften bei KI scheitern
Es gibt einen Moment, den viele Technologieverantwortliche kennen: Das Projekt endet, das neue System geht in Betrieb, und der Partner widmet sich dem nächsten Projekt. Von da an ist das Unternehmen für etwas verantwortlich, das es nicht vollständig für den langfristigen Betrieb konzipiert hat – Governance-Rahmenbedingungen, die ohnehin erst später geklärt werden sollten, Teams, die täglich mit dem System arbeiten, aber nicht an dessen Entwicklung beteiligt waren, und Dokumentationen, die beschreiben, wie das System erstellt wurde, anstatt wie man es am Laufen hält.
Solche auf die Projektabwicklung beschränkten Partnerschaften sind bei Technologieprojekten nach wie vor üblich. Bei manchen Arten von Software lässt sich die dadurch entstehende Lücke noch bewältigen. Bei KI ist dies jedoch meist nicht der Fall: Ein KI-System im Produktivbetrieb bringt eine Reihe zusätzlicher, fortlaufender Anforderungen mit sich, und diese machen sich oft erst bemerkbar, wenn bereits Probleme auftreten.
Die Bereitstellungslücke
Die Lücke zwischen einem in Betrieb genommenen System und einer KI-Fähigkeit, die zuverlässig und vorschriftsmäßig funktioniert. Unternehmen, denen es gelingt, diese Lücke zu schließen, verfolgen in der Regel einen gemeinsamen Ansatz: Sie arbeiten mit Partnern zusammen, die vom ersten Tag an den zwölften Monat im Blick hatten.
Das KI-System live zu schalten, ist nur der erste Schritt. Ein erfolgreicher Proof of Concept garantiert selten die Leistung im realen Einsatz.
Warum es 2026 dringend notwendig ist, diese Lücke zu schließen
Ab dem 2. August 2026 werden die Verpflichtungen des EU AI Acts für Hochrisiko-KI-Systeme für Unternehmen, die in der EU tätig sind, vollständig durchsetzbar — Konformitätsbewertungen, dokumentierte Prozesse, kontinuierliche Überwachung und klare Verantwortlichkeiten für automatisierte Entscheidungen. "Gelauncht" ist nicht länger die Ziellinie, und für Organisationen, deren KI-Partnerschaften auf einen Bereitstellungsendpunkt ausgerichtet waren, entsteht hier eine echte Lücke, die es zu schließen gilt. Eine vorläufige Einigung hat zudem einen umfassenderen Zeitplan mit weiteren darauf folgenden Terminen festgelegt. Klicken Sie sich unten durch die wichtigsten Termine.
Regulatorische KI-Roadmap
Informieren Sie sich über wichtige Fristen zur Einhaltung der Vorschriften und Meilensteine bei der Durchsetzung der Übergangsregelungen.
Wirksame Risikoreiche Verpflichtungen
Für KI-Systeme mit hohem Risiko treten Durchsetzungsmechanismen in Kraft. Organisationen müssen sicherstellen, dass ihre Risikomanagement-Rahmenwerke, Richtlinien zur Datenverwaltung und technische Dokumentationen den regulatorischen Standards entsprechen.
EU-KI-Gesetz: Verpflichtungen im Zusammenhang mit hohem Risiko
Verpflichtungen im Zusammenhang mit hohem Risiko sind für in der EU tätige Unternehmen uneingeschränkt verbindlich. Organisationen müssen Konformitätsbewertungen, dokumentierte Prozesse, kontinuierliche Überwachung und klare Verantwortlichkeiten für automatisierte Entscheidungen etablieren.
Obligatorische Tests vor der Markteinführung, Risikobewertungen und regulatorische Zertifizierungen, um die Systemsicherheit und die Einhaltung von Standards vor dem Einsatz zu überprüfen.
Wesentliche regulatorische Anforderungen
Die vorläufige Einigung führt die Verpflichtung für Anbieter wieder ein, KI-Systeme in der EU-Datenbank für Systeme mit hohem Risiko zu registrieren, auch wenn sie der Ansicht sind, dass ihre Systeme von der Einstufung als Systeme mit hohem Risiko ausgenommen sind.
Sie führt den Standard der strikten Notwendigkeit für die Verarbeitung besonderer Kategorien personenbezogener Daten zum Zweck der Erkennung und Korrektur von Verzerrungen (Bias) wieder ein.
Es werden die Zuständigkeiten des KI-Amtes für die Aufsicht über KI-Systeme auf der Grundlage von Allzweck-KI-Modellen klargestellt, bei denen Modell und System vom selben Anbieter entwickelt wurden, wobei Ausnahmen aufgeführt werden, in denen nationale Behörden weiterhin zuständig sind – darunter Strafverfolgungsbehörden, Grenzschutzbehörden, Justizbehörden und Finanzinstitute.
Strategie, Entwicklung, Betrieb: Warum KI-Partner alle Bereiche abdecken müssen
Die Bereitstellungslücke tritt so regelmäßig auf, weil sich die meisten KI-Partnerschaften auf eine Phase eines dreistufigen Prozesses beschränken. Diese unvollständigen Aufgabenbereiche führen zu drei unterschiedlichen Ursachen für das Scheitern des langfristigen Erfolgs von KI-Projekten.
Wo KI-Projekte ins Straucheln geraten
Das Beratungsunternehmen erstellt einen schlüssigen Fahrplan, einen fundierten Business Case und eine wirklich überzeugende Vision davon, was das Produkt leisten könnte. Doch dann wird die technische Umsetzung zum Problem eines anderen. Die Fragen, die darüber entscheiden, ob ein KI-System in der Produktion tatsächlich funktioniert – wie sich das Modell bei realen Daten statt bei bereinigten Testdatensätzen verhält, wie hoch die Inferenzkosten im großen Maßstab sind, wie es sich in die bereits im Unternehmen genutzten Systeme einbinden lässt –, erfordern jemanden, der diese Themen von Anfang an versteht. Lücken zwischen Strategie und technischer Realität können in jedem Technologieprojekt zu Problemen führen, doch im Bereich der KI treten sie oft erst später zutage und ihre Behebung ist kostspieliger.
Gerade bei der Integration von Altsystemen bleiben bei Lieferpartnerschaften meist noch offene Aufgaben zurück. Die schwierigsten Anbindungen – zwischen modernen KI-Funktionen und den älteren Systemen, die andere Funktionen ausführen – werden in der Regel gerade so weit gelöst, dass die Inbetriebnahme möglich ist, während die tiefergehenden Arbeiten aufgeschoben werden. Sobald das Projekt abgeschlossen ist, muss sich das Unternehmen selbst um diese aufgeschobenen Arbeiten kümmern.
„End-to-End-Kompetenz“ bedeutet, dass ein und derselbe Partner alle diese Phasen abdeckt: eine auf den technischen Gegebenheiten basierende Strategie, eine Technik, die vom ersten Tag an einsatzbereit ist, sowie eine von Anfang an integrierte Betriebsstrategie, die dafür sorgt, dass die Systeme laufen, die Vorschriften einhalten und im Laufe der Zeit weiter verbessert werden – und, was entscheidend ist, ein Partner, der dabei hilft, Anwendungsfälle zu identifizieren, die echten geschäftlichen Mehrwert schaffen, und nicht nur solche, die technisch machbar sind.
Aufbau nachhaltiger KI-Kompetenzen bei einem weltweit führenden Bildungsanbieter
Wir wurden von einem weltweit führenden Bildungsanbieter kontaktiert, der in fast 200 Ländern tätig ist und digitale Inhalte, Bewertungen (Assessments) und technologiegestützte Lernlösungen auf globaler Ebene anbietet. Die Entwicklungsabteilung dieser Organisation stellte eine Frage, über die die meisten Unternehmen nicht früh genug nachdenken: nicht nur, ob KI funktionieren würde, sondern ob ihre eigenen Teams in der Lage wären, sie sicher zu betreiben, ordnungsgemäß zu steuern und selbstständig weiterzuentwickeln.
Eine erste Umfrage unter Ingenieuren brachte etwas zutage, was die Schlagzeilen zu den KI-Einführungszahlen oft verschleiern. Der Großteil des Teams nutzte KI-Tools bereits regelmäßig, sodass die Zahlen vielversprechend aussahen – doch regelmäßige Nutzung bedeutet nicht zwangsläufig eine effektive oder sichere Nutzung, ein Muster, das sich in vielen Unternehmen beobachten lässt.
Eine genauere Untersuchung der tatsächlichen Nutzung der Tools ergab, dass die strukturierte Auswertung der KI-Ergebnisse uneinheitlich war und dass die ausgefeilteren Techniken, die in der Regel die größten Vorteile bringen, zu wenig genutzt wurden.
Noch aussagekräftiger war jedoch, was die Menschen zurückhielt: Bedenken hinsichtlich Sicherheit und Compliance waren das am häufigsten genannte Hindernis, das von Ingenieuren aller Rollen und Funktionen genannt wurde. Wer sich unsicher war, welche Daten sicher an die KI weitergegeben werden konnten, vermied bestimmte Tools entweder gänzlich oder traf eigene Entscheidungen, ohne über einen einheitlichen Rahmen zu verfügen, der als Orientierung diente. Das Problem war nicht Nachlässigkeit – es war das Fehlen von Standards, Anleitungen zum Umgang mit den Tools und Vertrauen. Der Einsatz von mehr Technologie würde das Problem nicht lösen.
Das Programm zielte darauf ab, das aufzubauen, was den Teams gefehlt hatte: die Infrastruktur für eine sichere, effektive KI-Nutzung. Dies geschah durch eine Kombination aus:
- Workshops, die auf praktischer Ingenieursarbeit und Qualitätssicherung basierten
- Integriertes Coaching in Live-Codebasen und Testsuiten
- Governance-Artefakte – Anwendungsleitfäden, Entscheidungsrahmen, Prompt-Bibliotheken, Best-Practice-Leitfäden –, die ausdrücklich darauf ausgelegt waren, über die Laufzeit des Programms hinaus Bestand zu haben
Anstatt zuzulassen, dass diese Standards nach Ende der Zusammenarbeit wieder verblassen, wurde ein internes Champion-Netzwerk aufgebaut, bei dem die erfahrensten Praktiker sichtbar die Verantwortung für die neu entstehenden Standards sowie eine lehrende Rolle in der Coaching-Phase übernahmen.
Die Ergebnisse gingen weit über das hinaus, was zu Beginn anvisiert worden war:
Die Governance-Zahl ist diejenige, die im Hinblick auf die Frist vom 2. August am wichtigsten ist. Am Ende des Programms konnten leitende Mitarbeiter spezifische Kontrollmechanismen benennen: bestätigte Enterprise-Lizenzkonfigurationen, anonymisierte Snippets für sensiblen Code, Offenlegung in PRs (Pull Requests) als Standardpraxis. Ein Team ertappte ein schreibfähiges Tool dabei, wie es Ticket-Inhalte überschrieb, bevor es zu einem echten Vorfall (Live Incident) wurde – genau die Art von praktischem Risikobewusstsein, das nicht aus einem Richtliniendokument stammt und dessen Aufbau Monate dauert.
“Lies jede Zeile. KI generiert plausibel aussehenden Code, der etwas völlig Falsches testen kann. Wenn du den Test mit einer fehlerhaften Eingabe nicht zum Fehlschlagen bringen kannst, testet er gar nichts.”
Von der reinen Nutzung zur Handlungsfähigkeit
Der stärkste Beweis dafür, dass diese Fähigkeit wirklich übertragen wurde, war das, was nach Ende des Programms geschah. Das QA-Team – die Gruppe, die sich zu Beginn selbst am konservativsten eingeschätzt hatte – entwickelte im Anschluss zwei Agenten, die auf spezifische Probleme in ihrem eigenen Bereitstellungsprozess abzielten. Keiner der beiden wurde von Insight AI gebaut. Sie wurden von den eigenen Entwicklern des Teams gebaut, unter Nutzung von Fähigkeiten, die nun dieser Organisation gehören.
Aufwand für Barrierefreiheit, pro Seite
Design-Überprüfungszeit, pro Komponente
Entwicklung mit dem Ziel vor Augen
Dieses Programm zeigt, wie es aussieht, dauerhafte Fähigkeiten auf Organisationsebene aufzubauen – indem man die Menschen, die ein KI-System betreiben, dazu befähigt, es sicher zu nutzen und ordnungsgemäß zu steuern. Dieselbe Frage stellt sich auf der technischen Ebene (Engineering-Ebene): Wurde das System selbst so gebaut, dass es im Laufe der Zeit betrieben, angepasst und gesteuert werden kann, oder wurde es einfach nur für den Launch gebaut?
Wir haben diese Prinzipien selbst in die Praxis umgesetzt, als wir AURA entwickelt haben, eine KI-gestützte Wissensplattform zur Lösung eines echten internen Problems: Die Umwandlung abgeschlossener Projektarbeiten in kundenorientierte Case Studies war langsam, manuell und führte oft dazu, dass die Inhalte nicht bereitstanden, wenn eine Verkaufschance sie erforderte. Mit AURA haben unsere Vertriebsteams bei der Arbeit an einem Deal Zugriff auf relevante Belege (Proof Points) und können Narrative in mehreren Sprachen erstellen, die den Kunden unsere Expertise demonstrieren – was zu direkten kommerziellen Gewinnen führt. Die Entwicklung der Plattform gab uns zudem die Möglichkeit, dieselben Engineering-Prinzipien auf unsere eigenen Systeme anzuwenden, die wir auch bei einem Kundenprojekt anwenden würden.
AURA Kernarchitektur & Governance
Wählen Sie eine Option aus, um das strukturelle Fundament zu erkunden
Die Entscheidungen, die bestimmen, ob man einem System langfristig vertrauen kann, sind in einer Demo selten sichtbar. Sie zeigen sich erst Monate später – wenn die verarbeiteten Daten sensibler werden, die Nutzung steigt oder die gesetzlichen Vorschriften strenger werden. Anstatt also Governance und Compliance als Dinge zu betrachten, die erst nach dem Live-Gang hinzugefügt werden, haben wir sie von Anfang an integriert.
- Daten werden standardmäßig anonymisiert und der Zugriff ist rollenbasiert geregelt.
- Änderungen an der Infrastruktur sind überprüfbar und reproduzierbar, anstatt manuell durchgeführt und schwer nachvollziehbar zu sein.
- Die Betriebsüberwachung ist fest integriert und nicht nur nachträglich aufgesetzt.
Keine dieser Entscheidungen ändert, was das System am ersten Tag tut. Aber sie bestimmen, ob AURA im großen Maßstab verantwortungsvoll betrieben, an neue Anforderungen angepasst und unter immer anspruchsvolleren Bedingungen verwaltet werden kann – einschließlich der Verpflichtungen des EU AI Acts, die nun fortlaufend und nicht nur einmalig sind.
AURA läuft weiterhin, hat sich stetig weiterentwickelt und wird von denselben Grundlagen gesteuert, die wir zu Beginn geschaffen haben. Die Plattform hat sich nun so weiterentwickelt, dass sie aus Gruppen relevanter Fallstudien breitere thematische oder branchenspezifische Erzählungen erstellen kann – etwas, das nicht möglich gewesen wäre, wenn das System nicht von vornherein auf Wachstum ausgelegt gewesen wäre.
Was der August 2026 tatsächlich erfordert
Die Verpflichtungen des EU-KI-Gesetzes in Bezug auf hohe Risiken lassen sich nicht durch eine einmalige Freigabe erfüllen. Sie erfordern eine fortlaufende Konformität: kontinuierliche Dokumentation, Überwachung, menschliche Kontrolle automatisierter Entscheidungen sowie klare Verantwortungsstrukturen, die nicht nur beschrieben, sondern auch nachgewiesen werden können. Für Organisationen, deren KI-Partnerschaften mit der Lieferung enden, stellt die Erfüllung dieses Standards eine operative Herausforderung dar, auf die sie nicht vorbereitet sind.
Das KI-Kompetenzprogramm des Bildungsanbieters veranschaulicht, wie regulatorische Bereitschaft in der Praxis aussieht: Führungskräfte, die spezifische Kontrollmechanismen benennen und im Kontext anwenden können; das Team, das ein Governance-Risiko abfing, bevor es zu einem Vorfall im Produktivbetrieb wurde; sowie die Standards, Governance-Materialien und das Champion-Netzwerk, die den KI-Einsatz der Organisation weiterhin steuern, während sich die Technologie stetig weiterentwickelt.
Eine solche operative Basis ist zunehmend auch ein Wettbewerbsvorteil. Wo die meisten Organisationen sich mit regulatorischer Komplexität schwertun, verschaffen sich diejenigen, die sie gut meistern, einen Wettbewerbsvorteil:
der Organisationen nennen regulatorische Komplexität — DSGVO, DORA, den AI Act — als eine ihrer größten strategischen Herausforderungen
der Kunden fordern mittlerweile einen Compliance-Nachweis als Teil der Beschaffung
der Organisationen haben Souveränitätsnachweise genutzt, um Aufträge zu gewinnen oder zu halten — Das digitale Souveränitäts-Trilemma
Die Organisationen, die eine fortlaufende Compliance nachweisen können und nicht nur auf eine einmalige Abnahme verweisen, sind diejenigen, die im Vorteil sein werden, wenn die Verpflichtungen weiter zunehmen.
Die volle Distanz
Das KI-Kompetenzprogramm unseres Bildungsanbieters und unser AURA-Projekt zeigen beide, wie es in der Praxis aussieht, auf Langfristigkeit zu setzen – auch wenn sie sich dem Thema aus unterschiedlichen Richtungen nähern. Das KI-Kompetenzprogramm baute interne Fähigkeiten auf – die Standards, die Governance und das Vertrauen, sich stetig zu verbessern –, sodass die Organisation diese nach dem Abschluss durch Insight AI eigenständig weiterführen konnte. AURA wurde von Anfang an so konzipiert, dass es Bestand hat. Die Entscheidungen, die die langfristige Betriebsfähigkeit bestimmen, wurden bereits während der Entwicklung getroffen und nicht auf später verschoben. Bei beiden ging es letztlich um dieselbe Frage: Wer denkt schon über die reine Auslieferung hinaus, bevor diese überhaupt beginnt?
Für die meisten Organisationen wird diese Frage lange vor dem Live-Gang des Systems beantwortet. Es hängt davon ab, ob der Partner, der es entwickelt hat, von Anfang an an den Betrieb gedacht hat: ob die Strategie die technische Realität berücksichtigt hat, ob die Technik für das ausgelegt wurde, was später betrieben werden muss, und ob die fortlaufende Verantwortung Teil der Vereinbarung war, anstatt ein Thema für später zu sein.
Diese durchgehende Verantwortung – über die Strategie, die Entwicklung und die fortlaufende Arbeit, ein System am Laufen zu halten hinweg – ist das, was End-to-End eigentlich bedeutet.