EnaGuard
Ihr Bereitstellungsmodell bestimmt, welche Kontrollen zuerst kommen
Eine Behörde und ein SaaS-Unternehmen teilen nicht dieselben Prioritäten. EnaGuard ordnet Ihr Unternehmen zunächst nach Bereitstellungsmodell (isolierter Betrieb, Hybrid, Cloud-priorisiert), dann nach Branche.
isolierter Betrieb / Vollständig isoliert
Umgebungen ohne oder mit minimierter externer Netzwerkverbindung.
- Verteidigung & Luft- und Raumfahrt
- Nachrichtendienste
- Kritische Infrastruktur
- Öffentlicher Sektor
Hybrid / Eingeschränkte Cloud
Kritische Daten bleiben im eigenen Rechenzentrums; der Rest kann in die Cloud verlagert werden.
- Banken & Versicherungen
- Gesundheitswesen
- Telekommunikation & Energie
- Fertigung & Logistik
Cloud-priorisiert / Uneingeschränkte Cloud
Skalierung und Geschwindigkeit haben Vorrang; der Datenstandort ist flexibel.
- SaaS
- Einzelhandel & E-Commerce
- Digitale Plattformen
Wie sich die drei Segmente unterscheiden
| isolierter Betrieb | Hybrid | Cloud-priorisiert | |
|---|---|---|---|
| Datenstandort | Vollständig im eigenen Rechenzentrums / isoliert | Kritische Daten im eigenen Rechenzentrums, Rest in der Cloud | Typischerweise Cloud-basiert |
| Toleranz für Echtzeit-Latenz | Sehr gering: sofortige Entscheidungen sind kritisch | Moderat | Hoch: Flexibilität hat Priorität |
| Freigabe durch Human-in-the-Loop | Für nahezu jede Aktion erforderlich | Für risikoreiche Aktionen erforderlich | Optional bei risikoarmen Abläufen |
| Erklärbarkeitsanspruch | Sehr hoch: Prüfbarkeit ist zentral | Hoch: regulatorisch getrieben | Moderat: UX-getrieben |
Banken, Versicherungen, Fintech/Zahlungsverkehr
Architekturbestimmende Faktoren: Regulierungsdichte, Echtzeit-Transaktionsvolumen, Sensibilität der Betrugserkennung.
Szenario: Das Kreditscoring-Modell einer Bank läuft korrekt in den Produktivbetrieb, aber der Prüfer erhält innerhalb von 48 Stunden keine Antwort auf „warum diese Entscheidung?"
- Können wir Modellentscheidungen so erklären, dass sie einer Regulierungsprüfung standhalten?
- Fallen KI-Komponenten in Zahlungs-/Kreditprozessen bei einem Fehlerfall auf eine menschliche Freigabe zurück?
- Würde unser Compliance-Nachweis mitwandern, wenn sich der Drittanbieter des Modells änderte?
Telekommunikation, Energie, kritische Infrastruktur
Architekturbestimmende Faktoren: Verfügbarkeitsanforderungen, OT/SCADA-Integration, sicherheitspolitische Sensibilität.
Szenario: Das Bedarfsprognosemodell eines Energieversorgers markiert eine Anomalie als „normal". Niemand bemerkt es, bis es zu einem Ausfall kommt.
- Trifft das KI-System autonom Entscheidungen für kritische Infrastruktur, oder läuft es immer über eine menschliche Freigabe?
- Erfüllen KI-Komponenten an der OT/IT-Grenze die Anforderungen der Netzwerkisolierung?
- Wie viele Ebenen fangen einen Modellfehler ab, bevor er zu einem physischen Ausfall wird?
Fertigung, Logistik
Architekturbestimmende Faktoren: Transparenz der Lieferkette, vorausschauende Wartung, standortübergreifender Betrieb.
Szenario: Die Routenoptimierung eines Logistikunternehmens liefert bei einem regionalen Ausfall unbemerkt weiter Entscheidungen auf Basis veralteter Daten.
- Erkennt und markiert die KI eine verschlechterte Datenqualität, oder erzeugt sie unbemerkt schlechte Entscheidungen?
- Fließen Betriebsdaten verschiedener Standorte in eine konsistente Architektur zusammen?
- Wird die Abweichung zwischen Modellempfehlung und menschlicher Entscheidung erfasst?
Gesundheitswesen, Pharma
Architekturbestimmende Faktoren: Schutz von Patientendaten, rechtliche Haftung klinischer Entscheidungsunterstützung, Zulassungsverfahren.
Szenario: Das Diagnoseunterstützungsmodell eines Krankenhauses ist zu 95 % genau, aber niemand hat analysiert, um welche Patientenprofile sich die falschen 5 % häufen.
- Trifft bei klinischen KI-Empfehlungen immer ein Arzt die letzte Entscheidung, oder handelt das System in manchen Abläufen autonom?
- Wissen wir, um welche Patientengruppen sich Modellfehler häufen?
- Verlassen Patientendaten das Unternehmen jemals während Training oder Inferenz?
Öffentlicher Sektor, Verteidigung & Luft- und Raumfahrt
Architekturbestimmende Faktoren: Vollständige Isolationsanforderungen, Sicherheit der Lieferkette, höchster Prüfbarkeitsanspruch.
Szenario: Der interne KI-Assistent einer Behörde läuft in einem geschlossenen Netz, bezieht seine Updates aber weiterhin von einem externen Cloud-Dienst.
- Ist das System wirklich air-gapped, oder nur durch Netzwerksegmentierung „isoliert"?
- Tragen Modell-/Daten-Updates eine externe Abhängigkeit, die die Isolation durchbricht?
- Ist der vollständige Prüfpfad jeder KI-Entscheidung für eine externe Prüfung bereit?
Einzelhandel, E-Commerce, digitale Plattformen
Architekturbestimmende Faktoren: Skalierungsgeschwindigkeit, Personalisierung, zahlreiche Drittanbieter-Integrationen.
Szenario: Eine E-Commerce-Plattform skaliert ihre Empfehlungsmaschine für eine Kampagne um das Zehnfache. Sie hält, aber die Kostentransparenz nicht, und die Rechnung schockiert später alle.
- Ist die Skalierung vorab getestete Kapazität, oder „wir hoffen, dass es hält"?
- Wie wirkt sich ein Ausfall bei einem Drittanbieter von Modell/API auf das Kundenerlebnis aus?
- Bleiben die Kosten vorhersehbar, wenn die Nutzung wächst?
Holdings & Unternehmensgruppen
Architekturbestimmende Faktoren: Mehrere Geschäftsbereiche, unterschiedliche Reifegrade, Bedarf an einer einheitlichen Governance-Sicht.
Szenario: Ein Geschäftsbereich einer Holding steht bei KI auf „Nachgewiesen", ein anderer noch bei „Erklärt", aber die Führung sieht beide auf derselben Folie als „bei KI vorn".
- Haben wir eine einheitliche Sicht auf die KI-Reife über alle Geschäftsbereiche hinweg?
- Wird eine in einer Einheit nachgewiesene Fähigkeit mit demselben Nachweisniveau auf andere übertragen?
- Spiegelt die Risikoberichterstattung auf Gruppenebene das schwächste Glied wider, oder das beste Beispiel?