Welche Arten angewandter KI werden diskutiert?
Die wichtigsten Entwicklungsbereiche moderner angewandter künstlicher Intelligenz (KI) und die damit verbundenen Bedrohungsvektoren lassen sich in vier Hauptgruppen einteilen.
Erstens handelt es sich um zentralisierte cloudbasierte Systeme, die auf sogenannten „Large Language Models“ (LLMs) beruhen und in den USA (OpenAI ChatGPT, Anthropic Claude, Google Gemini, Llama, Grok) sowie in China (DeepSeek, Qwen, Kimi, GLM) entwickelt werden. Ihre vollständigen Fähigkeiten stehen in der Regel nur über Webdienste zur Verfügung, deren Server sich außerhalb Russlands befinden. Nach bestimmten Leistungs-Rankings liegen die in Russland entwickelten Systeme von Sber (GigaChat) und YandexGPT (Alice AI) derzeit hinter ausländischen Diensten zurück. Der Hauptteil dieses Artikels wird sich daher auf die Revolution konzentrieren, die sich in diesem Segment in den vergangenen Jahren vollzogen hat, sowie auf die damit verbundenen Chancen und Risiken.
Zweitens gibt es autonome Robotersysteme, die in der Lage sind, ihnen zugewiesene Aufgaben ohne Bediener auszuführen – beispielsweise unter Bedingungen elektronischer Störungen oder wenn eine Verbindung zu einem Kontrollzentrum grundsätzlich nicht möglich oder in der jeweiligen Situation nicht praktikabel ist. Solche Systeme und die damit verbundenen Anforderungen wurden bereits in einer früheren Analyse erörtert. Die Aktualität dieses Bereichs wird durch jüngste Nachrichten unterstrichen – insbesondere durch die Ankündigung vom September 2026, wonach in Deutschland die Produktion eines neuen Typs autonomer Angriffsdrohnen begonnen habe. Nach den begrenzten verfügbaren Informationen sind solche Systeme noch weit davon entfernt, ausgereift zu sein. Dennoch werden sie aktiv entwickelt und weiterentwickelt, trotz der bislang erfolglosen Bemühungen mehrerer Interessengruppen, ein internationales Verbot für die Entwicklung tödlicher autonomer Waffensysteme (Lethal Autonomous Weapon Systems, LAWS) durchzusetzen. Das größte Hindernis für ihre Entwicklung besteht derzeit im hohen Ressourcenbedarf moderner, auf neuronalen Netzen basierender KI-Architekturen, die erhebliche Speicherkapazitäten benötigen und große Mengen Energie verbrauchen. Sollten diese Einschränkungen durch neue Rechenarchitekturen – etwa neuromorphe Architekturen – überwunden werden, würden die Herausforderungen durch autonome Systeme noch dringlicher.
Drittens gibt es sogenannte „Schwarm“-Systeme, die auf den zuvor genannten autonomen Systemen aufbauen. Solche Systeme ermöglichen es autonomen Agenten – beispielsweise Luft-, Boden-, Überwasser- und Unterwasserdrohnen –, die ihnen übertragenen Aufgaben nicht nur eigenständig, sondern auch in Zusammenarbeit miteinander und ohne Bediener auszuführen. Nach öffentlich verfügbaren Informationen werden sowohl autonome als auch Schwarm-Systeme aktiv entwickelt, insbesondere in China, das bei wahrscheinlichen künftigen Konflikten offenbar eindeutig auf diese Technologien setzt.
Viertens gibt es Hybridsysteme, bei denen die begrenzte Intelligenz der Systeme aus der zweiten und dritten Gruppe durch die Steuerung eines zentralisierten Systems aus der ersten Gruppe ausgeglichen oder ergänzt wird, sofern eine Verbindung zum steuernden Rechenzentrum besteht – mit oder ohne Beteiligung eines Menschen. Die meisten heute eingesetzten Systeme gehören zu dieser Kategorie. Das bekannteste System, das fortschrittliche LLM-Technologie nutzt, ist das US-amerikanische System Palantir.
Welche LLMs kennen wir?
Betrachten wir nun den aktuellen Stand der ersten Systemkategorie, die auf „Transformer“-Architekturen auf Basis tiefer neuronaler Netze zurückgreift. Die leistungsfähigsten ausländischen Modelle können Hunderte Milliarden Parameter enthalten – mehr als die Zahl der Neuronen in der menschlichen Großhirnrinde, die bei etwa 100 Milliarden liegt, aber weniger als die Zahl der synaptischen Verbindungen, die um mehrere Größenordnungen höher ist.
Für die effiziente Verarbeitung von Anfragen und die Generierung von Antworten durch neuronale Netze – insbesondere während des Trainings – sind leistungsstarke Cluster spezialisierter Grafikprozessoren (GPUs) erforderlich, die hochgradig parallele Berechnungen durchführen können. Prozessoren mit den dafür notwendigen technischen Spezifikationen werden derzeit nur von US-Unternehmen wie Nvidia, AMD und Intel hergestellt. Chinesische Unternehmen wie Huawei bemühen sich um die Entwicklung von Alternativen, liegen in diesem Wettbewerb jedoch weiterhin zurück. Nahezu alle bekannten und weit verbreiteten KI-Systeme von heute, einschließlich chinesischer Systeme, stützen sich auf GPUs eines einzigen US-Unternehmens: Nvidia.
Die Führungsposition im Wettlauf um die leistungsfähigste KI – gemessen an möglichst hoher Antwortgenauigkeit und möglichst wenigen fehlerhaften Ausgaben – wechselt ständig. Nach Einschätzung des Autors teilen sich OpenAIs ChatGPT und Anthropics Claude derzeit bei den meisten praktischen Anwendungsfällen den ersten Platz. Chinesische Modelle versuchen aufzuholen, und nach den dem Autor vorliegenden Informationen greifen selbst chinesische Softwareentwickler häufig auf US-amerikanische Lösungen zurück. Russische Systeme befinden sich in einer noch schwächeren Position.
Dieser Rückstand ist in erster Linie auf die technologische Lücke und den stärkeren Wettbewerb in den Vereinigten Staaten zurückzuführen, während chinesische und russische Unternehmen häufig den US-Unternehmen folgen und deren Ansätze aus öffentlich zugänglichen wissenschaftlichen Publikationen und Open-Source-Projekten übernehmen. Hinzu kommt, dass US-Exportkontrollen und Sanktionen den Zugang konkurrierender Staaten zu den leistungsfähigsten Prozessoren einschränken und ihren Rückstand dadurch weiter vergrößern.
Der hohe Energiebedarf neuronaler Netzwerkmodelle wirkt sich auch auf die Kosten für Endnutzer aus: Die Nutzung cloudbasierter Modelle kann – je nach Nutzungsintensität – pro Projekt von einigen Dutzend bis zu mehreren Zehntausend US-Dollar kosten. Entsprechende Schätzungen für eine intensive Modellnutzung wurden etwa beim AGI-Russia-Seminar vorgestellt.
Russische Entwickler sehen sich zudem mit US-amerikanischen Zugangsbeschränkungen für fortgeschrittene Modelle konfrontiert: OpenAI und Anthropic sperren systematisch russische Nutzerkonten. Im September 2026 wurden darüber hinaus auch Fälle von Zugangsbeschränkungen aus Russland selbst dokumentiert. Um diese Beschränkungen zu umgehen, sind russische Nutzer US-amerikanischer Dienste in großem Umfang gezwungen, nicht autorisierte Softwarewerkzeuge einzusetzen.
Einerseits erschwert dies Produktionsprozesse und birgt das Risiko, dass Projektfristen nicht eingehalten werden können, falls die restriktiven Maßnahmen weiter verschärft werden. Andererseits kommt die weitverbreitete Nutzung ausländischer Modelle faktisch einer massenhaften, nicht autorisierten und illegitimen grenzüberschreitenden Übermittlung interner Informationen und geistigen Eigentums russischer Organisationen an Unternehmen gleich, die mit US-Regierungsstellen und militärischen Einrichtungen verbunden sind.
Der hohe Energie- und Ressourcenbedarf fortgeschrittener cloudbasierter Modelle sowie das Risiko von Informations- und Datenlecks lassen sich teilweise durch einen Wechsel zu inländischen Cloud-Alternativen, verfügbaren „leichtgewichtigen“ Versionen von „Open-Weight“-Modellen und spezialisierten „Open-Source“-Lösungen reduzieren. Im letztgenannten Fall kann das Risiko eines Datenabflusses minimiert werden, indem die Modelle in einer isolierten Umgebung unter strikter Einhaltung von Cybersicherheitsprotokollen betrieben werden.
Dieser Ansatz hätte allerdings einen erheblichen Rückgang bei Qualität und Leistungsfähigkeit der betreffenden Prozesse zur Folge.
Was bieten diese LLMs?
In einer früheren Analyse, die vor zwei Jahren veröffentlicht wurde, wurde auf einen analytischen Bericht des ehemaligen OpenAI-Mitarbeiters Leopold Aschenbrenner verwiesen. Darin sagte er voraus, dass KI-Technologien innerhalb von drei Jahren die Schwelle zur Selbstverbesserung erreichen würden – also ein Stadium, in dem KI in der Lage wäre, ihren eigenen Code ohne menschliche Unterstützung weiterzuentwickeln, und dies effizienter und mit unvergleichlich höherer Geschwindigkeit (siehe die ausführliche Diskussion des Berichts). Sobald KI dieses Entwicklungsstadium erreicht, werden Länder – oder nationale Konzerne –, die über die entsprechenden Technologien verfügen, einen unbestreitbaren geostrategischen Vorteil erlangen. Eine ähnliche Prognose hatten bereits zuvor der ehemalige US-Außenminister Henry Kissinger und der Google-Gründer Eric Schmidt formuliert, der heute zu den führenden Akteuren bei der Entwicklung militärischer KI in den Vereinigten Staaten zählt, und zwar in ihrem Buch.
Bemerkenswert ist, dass sich Aschenbrenners Bericht seinem Stil nach offenbar an Entscheidungsträger im US-Außenministerium und im US-Kriegsministerium richtet. Darin wird nicht nur vorgeschlagen, die offene Veröffentlichung von Forschungsergebnissen im Bereich der künstlichen Intelligenz vollständig einzustellen – ein Schritt, den führende US-Unternehmen bereits teilweise vollzogen haben –, sondern auch Auslandsreisen von Fachkräften auf diesem Gebiet einzuschränken, was China im Jahr 2026 umgesetzt hat. Darüber hinaus schlägt der Bericht vor, zur Sicherung eines strategischen Vorsprungs der Vereinigten Staaten im KI-Bereich Beschränkungen für die heimische Ölförderung aufzuheben – eine Maßnahme, die bereits umgesetzt wird – und zugleich der Entwicklung der Kernenergie Vorrang einzuräumen, um Rechenzentren mit Energie zu versorgen.
Einige Experten und Kommentatoren stehen solchen Prognosen skeptisch gegenüber. Sie verweisen auf die sogenannte „KI-Blase“ und sagen voraus, dass diese ähnlich wie die „Dotcom-Blase“ im Jahr 2001 „platzen“ werde. Andere betonen die geringe Energieeffizienz heutiger Lösungen und bezeichnen sie als „zum Aussterben verurteilte Dinosaurier“, die durch sparsamere und technologisch fortschrittlichere Lösungen ersetzt würden.
Dennoch ist bereits heute klar, dass fortgeschrittene KI-Modelle in zahlreichen wissenschaftlichen Disziplinen und bei der Entwicklung neuer Technologien – darunter Hardware und Software – zu einem unverzichtbaren Instrument zur Steigerung der Produktivität geworden sind. Sie können den Zeitaufwand für intellektuelle Arbeit pro Einheit wissenschaftlichen Outputs um ein Mehrfaches reduzieren – vorausgesetzt natürlich, dass die Nutzer weiterhin in der Lage sind, die mithilfe von KI erzielten Ergebnisse kritisch zu bewerten (siehe die Diskussion über die Fähigkeiten moderner KI zur Automatisierung wissenschaftlicher Arbeit). Diese Möglichkeiten nehmen weiter zu: Im August 2026 stellte Anthropic eine Forschungsvorschau des Model Hardware Standard (MHS) vor. Dieser soll LLM-basierte Agenten mit einer Vielzahl von Labor- und Produktionsgeräten verbinden und es ihnen ermöglichen, den gesamten Forschungszyklus in der physischen Welt autonom durchzuführen.
Auch angewandte Bereiche wie die Softwareentwicklung werden durch KI grundlegend verändert. Die wichtigste Schlussfolgerung aus den Diskussionen auf Branchenkonferenzen in diesem Jahr lautet, dass Code künftig ausschließlich von KI-Agenten geschrieben werden wird, während Menschen die Aufgaben definieren, die Agenten überwachen und den erzeugten Code überprüfen. Entsprechend wird die Softwareentwicklungsbranche künftig Manager und Analysten benötigen, die Aufgaben formulieren, sowie erfahrene Programmierer, die den Code kontrollieren und bewerten.
Zu ähnlichen Schlussfolgerungen gelangen auch die Autoren des kürzlich veröffentlichten Berichts „The Hidden Cost of AI: The Software Development Process in the Age of Artificial Intelligence“. Wie es ein Teilnehmer einer jüngsten Konferenz formulierte: „In der Softwareentwicklung hat gerade eine Revolution stattgefunden. Wir haben sie nicht erwartet, und wir wissen nicht, was wir als Nächstes tun sollen.“
Welche Probleme entstehen dadurch?
Betrachten wir nun die potenziellen Risiken und Gefahren in der Softwareentwicklung und übertragen wir sie auf die Entwicklung elektronischer Produkte, analytische und wissenschaftliche Arbeit sowie auf Entscheidungsprozesse in Unternehmen, der öffentlichen Verwaltung und anderen Bereichen. Nehmen wir an, KI steigert die Produktivität um ein Mehrfaches und macht dadurch Ingenieure und technische Fachkräfte mit niedriger oder mittlerer Qualifikation in Produktionsprozessen weitgehend überflüssig, während nur noch hochqualifizierte Spezialisten benötigt werden, die KI-Agenten Aufgaben zuweisen und deren fertige Arbeit abnehmen können. Doch wie sollen Ingenieure und technische Fachkräfte – etwa Programmierer – unter solchen Bedingungen künftig ein hohes Kompetenzniveau entwickeln, wenn sie sich nicht mehr von Einstiegspositionen aus hocharbeiten und dabei die entsprechende praktische Erfahrung sammeln können?
Ein bekanntes Problem in Softwareunternehmen besteht darin, dass es an Mitarbeitern mangelt, die dauerhaft bereit sind, den Code anderer zu prüfen, zu korrigieren und weiterzuentwickeln – die meisten Fachkräfte würden lieber „ihren eigenen Code schreiben“. Wenn LLM-basierte Agenten damit beginnen, enorme Mengen an Code mit sehr hoher Geschwindigkeit zu erzeugen und dessen Qualität diejenige durchschnittlicher Programmierer übersteigt, die das Unternehmen daraufhin entlässt, sehen sich die verbleibenden hochqualifizierten Mitarbeiter mit einem wachsenden Rückstau bei Projektprüfungen, Abnahmekontrollen und Überarbeitungen konfrontiert. Der Mangel an hochqualifiziertem Personal wird damit zu einem „Flaschenhals“ in der Projektarbeit. In fünf, zehn oder zwanzig Jahren, wenn die verbliebenen Spezialisten das Unternehmen aus unterschiedlichen Gründen verlassen, wird es niemanden geben, der sie ersetzen kann, weil diejenigen, die sich früher aus Junior-Positionen bis auf dieses Niveau hätten entwickeln können, ihre Fähigkeiten bereits verloren haben werden.
Verschärft wird die Situation durch das fortbestehende Problem sogenannter „Halluzinationen“, also fehlerhafter Lösungen, die von LLM-basierten Agenten vorgeschlagen werden – selbst wenn diese auf fortgeschrittenen Modellen beruhen. Eine praktische Möglichkeit, dieses Problem zu bewältigen, ist die iterative Entwicklung, bei der ein „Agent“ nacheinander verschiedene Versionen des Codes erzeugt, während ein „Senior-Programmierer“ den Prozess bis hin zu einer fehlerfreien Version kontrolliert. Doch selbst bei diesem Ansatz führen Geschwindigkeit und Umfang der vom „Agenten“ generierten Codevarianten dazu, dass der „Senior-Programmierer“ – also der Prüfer – zum „schwächsten Glied“ wird.
Ein grundlegenderes Problem bei der Nutzung bestehender neuronaler Netzwerkmodelle besteht in ihrer Intransparenz und mangelnden Interpretierbarkeit. Einerseits wird KI so praktisch und komfortabel, dass sie beginnt, Menschen in Produktionsprozessen zu ersetzen. Andererseits bleibt in der Praxis unklar, wo die Grenzen dessen liegen, was neuronale Netzwerkmodelle wissen und nicht wissen, und ihre „Halluzinationen“ kosten Unternehmen jährlich mehrere zehn Milliarden US-Dollar. Ein Ansatz zur Lösung dieses Problems ist die formale Verifikation neuronaler Netzwerkmodelle oder des von ihnen erzeugten Codes, ein Forschungsfeld, das im Westen aktiv weiterentwickelt wird. Insbesondere in der Softwareentwicklung könnten Methoden der formalen Codeverifikation dazu beitragen, Halluzinationen zu beherrschen – ein Ansatz, der unter anderem von Amazon verfolgt wird.
Ein weiteres Problem ist der grenzüberschreitende Abfluss von Informationen. Für die akademische Forschung ist dies vermutlich weniger kritisch, da „durchgesickerte“ Ideen, Dokumente und Codes letztlich ohnehin Teil des öffentlichen wissenschaftlichen Wissensbestands werden. Aber selbst in der Wissenschaft besteht das potenzielle Risiko, dass die „andere Seite“ bei einer öffentlich sichtbaren wissenschaftlichen oder technologischen Entwicklung den Anspruch auf Priorität erhebt.
Beim Umgang mit sensiblen Unternehmens- oder Regierungsinformationen steht ein russischer Mitarbeiter oder Beamter vor einer Wahl: Entweder a) verringert er bewusst seine Produktivität, indem er auf neue Technologien verzichtet oder sein Instrumentarium auf inländische Modelle beziehungsweise „leichtgewichtige“ Versionen US-amerikanischer oder chinesischer Modelle beschränkt, oder b) er nutzt aus Sicherheitsperspektive „fragwürdige“ Hilfsmittel, um Zugangsbeschränkungen zu umgehen und „an der technologischen Spitze“ zu arbeiten, während dabei gleichzeitig Arbeitsdokumente und Code an Server in den USA oder in China „abfließen“.
Eine ähnliche Situation entstand bereits vor zwei Jahrzehnten mit sozialen Medien, als Aggregatoren personenbezogener Daten – vor allem in den Vereinigten Staaten – damit begannen, persönliche Daten und von Nutzern weltweit erzeugte Inhalte zu monetarisieren, indem sie Profile des Nutzerverhaltens verkauften. Es dauerte zwei Jahrzehnte, bis die Bedeutung dieses Problems international erkannt wurde und einzelne Staaten damit begannen, Maßnahmen zum Schutz von Nutzerdaten zu ergreifen. Ziel war es, die eigenen Bürger sowohl vor der Kommerzialisierung ihrer Daten durch transnationale Konzerne als auch vor der möglichen Manipulation ihres Verhaltens über solche Online-Dienste zu schützen. Heute könnte praktisch jede berufliche Tätigkeit zu einer Datenquelle für US-amerikanische oder chinesische Konzerne werden – einschließlich der Arbeit von Beschäftigten in Unternehmen und staatlichen Institutionen, die an ihrem Arbeitsplatz interne Dokumente und technische Informationen verwenden.
Bemerkenswert ist, dass Unternehmenslizenzen für cloudbasierte KI-Dienste in den Vereinigten Staaten Verpflichtungen der Anbieter enthalten, Nutzerdaten und Eingaben nicht zum Training späterer Modellversionen zu verwenden. Die derzeit in Russland übliche Praxis, auf solche Dienste individuell zuzugreifen, schließt jedoch Vertraulichkeitsgarantien bereits theoretisch aus – von ihrer praktischen Durchsetzbarkeit ganz zu schweigen.
Was sollte getan werden?
Bereits 2017 erklärte Wladimir Putin, Russland müsse im Bereich der künstlichen Intelligenz eine führende Position einnehmen. Heute erfordert bereits das bloße Mithalten im „KI-Wettlauf“ und die Vermeidung technologischer Abhängigkeit von anderen Akteuren eine Importsubstitution bei KI-Technologien als kritischer Infrastruktur – einschließlich Hardware, Software und der Modelle selbst. Diese Aufgabe ist bereits seit Langem notwendig.
Eine Reihe von Forschern, darunter die russischen Wissenschaftler E. Vityaev, S. Shumsky und A. Kolonin, weist auf die Möglichkeit hin, KI-Architekturen zu entwickeln, die ressourceneffizienter als LLMs sind und zugleich Interpretierbarkeit bieten – im Gegensatz zu Architekturen, die auf tiefen neuronalen Netzen und Transformern beruhen. Interpretierbarkeit könnte insbesondere für den Aufbau „transparenter“ oder „vertrauenswürdiger“ KI-Systeme für kritische Infrastrukturen und entsprechende Aufgaben von großer Bedeutung sein. Dafür ist angewandte Forschung erforderlich, um solche heimischen Architekturen zu entwickeln und zu erproben, darunter auch hybride „neuro-symbolische“ Architekturen, die potenziell kostengünstige und interpretierbare Alternativen zu bestehenden ausländischen LLMs darstellen könnten.
Die Importsubstitution in der Software- und Hardwareentwicklung erfordert heimische Frameworks auf Grundlage von LLM-Agenten, die zertifiziert und in das russische Software-Register aufgenommen sind und den gesamten Softwareentwicklungszyklus unterstützen – einschließlich der Erstellung und Validierung von Spezifikationen, der Generierung von Code und Tests sowie der Verifikation und Überprüfung von Code. Diese Frameworks müssen sowohl Cloud-Dienste nutzen können, sofern dies im Hinblick auf das Verhältnis zwischen Effizienz und Sicherheit vertretbar ist, als auch lokale Modelle, die in einer isolierten Umgebung betrieben werden, um grenzüberschreitende Informationslecks zu verhindern. Ein solches Framework wurde 2025 auf dem Microelectronics Forum speziell für den Entwurf hochintegrierter Schaltungen (Very-Large-Scale Integration, VLSI) vorgeschlagen.
Um die Sicherheit und Zuverlässigkeit sowohl neuronaler Netzwerkmodelle als auch der mit ihrer Hilfe entwickelten Software zu gewährleisten, müssen Methoden zur formalen Verifikation von Software und der KI-Modelle selbst weiterentwickelt werden, aufbauend auf russischen Arbeiten in diesem Bereich. Fortschritte bei dieser Technologie könnten die Belastung des bereits erwähnten „Flaschenhalses“ deutlich verringern – also jener hochqualifizierten Spezialisten, die benötigt werden, um von KI-Agenten geschriebenen Code zu prüfen und zu validieren. Darüber hinaus könnten Verifikationswerkzeuge dazu beitragen, die KI-Modelle selbst „transparenter“ und „vertrauenswürdiger“ zu machen, indem ihre Kompetenzbereiche und Anwendungsgrenzen identifiziert werden.
Um die Effizienz der Zusammenarbeit zwischen KI-Agenten und Fachanalysten innerhalb des zuvor beschriebenen Rahmens zu verbessern, bedarf es einer weiteren praktischen Entwicklung und breiteren Anwendung von Softwareentwicklungsmethoden, die auf formalen Spezifikationen – also semantischen Modellen von Anwendungen – beruhen, ebenso wie von Technologien, die eine direkte Ausführung solcher Spezifikationen ermöglichen. Dieser Ansatz wird in autonomen Prozessleitsystemen (APCS) bereits breit eingesetzt. Spezifikationen auf Grundlage der Standards IEC 61131 und IEC 61499 können sowohl zur Codegenerierung als auch zur direkten Ausführung durch einen Interpreter verwendet werden; dieser Ansatz lässt sich auch auf andere Bereiche übertragen. Russland verfügt über Fachkräfte mit Erfahrung bei der Entwicklung solcher Standards und Systeme für autonome Prozessleitsysteme (APCS), Geschäftsanwendungen und andere Anwendungsbereiche.
Um Datenlecks in Produktion und Wirtschaft zu verhindern, sollte die nicht autorisierte Nutzung ausländischer cloudbasierter KI-Dienste – einschließlich über Werkzeuge zur Umgehung von Zugangsbeschränkungen – als Cybersicherheitsrisiko behandelt werden. Zur Bewältigung dieser Bedrohung sind zwei Maßnahmen gleichzeitig erforderlich: Zum einen müssen wettbewerbsfähige heimische und lokal betriebene Alternativen bereitgestellt werden, soweit diese verfügbar sind. Zum anderen sollte für Datenverkehr, der formal nicht autorisiert, für Produktions- und Betriebsaufgaben unter Nutzung ausländischer Dienste jedoch erforderlich ist, eine spezielle Weiterleitung und Filterung eingerichtet werden, sofern dies zulässig ist.
Solange das erste in dieser Liste genannte Problem – die Importsubstitution bei LLM-Agenten – nicht gelöst ist, erscheint es ratsam, von zusätzlichen landesweiten Beschränkungen für die Nutzung ausländischer KI-Dienste abzusehen. Fragen der KI-Sicherheit sollten stattdessen durch gezielte Maßnahmen und im jeweiligen Einzelfall auf Ebene einzelner Unternehmen und Institutionen behandelt werden.
