KI-Discovery, Governance-Design & Retainer

Steuern können Sie nur die KI, die Sie auch gefunden haben.

Einiges davon haben Sie selbst gebaut. Das meiste ist einfach angekommen — mit einem SaaS-Update, das niemand geprüft hat. Der Einstieg ist deshalb klein: zwei Tage zu einem Produkt oder einer Abteilung, und Sie bekommen die Liste der eingesetzten KI-Systeme, die Datenflüsse dahinter und die Lücken. Die Erhebung liest Systeme, nicht Personen. Und wo ein Kanal Beschäftigtendaten berührt, sitzt der Betriebsrat vorher mit am Tisch — nicht hinterher. Danach entscheiden Sie, wie weit Sie die Leiter hochgehen.

Finden

KI-Discovery & Readiness-Assessment

Wissen, welche KI bei Ihnen läuft, welche Daten sie erreichen und wo die Lücken sind — gemessen an EU AI Act und ISO/IEC 42001.

Erhebung über acht Kanäle — Code, Konfiguration, Netzwerk-Egress, OAuth-Freigaben, SaaS-Ausgaben, Browser und IDE, Proxy-Logs, Agenten-Verbindungen · dazu eine Umfrage ohne Schuldzuweisung · konsolidiertes Inventar mit Verantwortlichen und Dateneingaben · Befunde zugeordnet zu EU AI Act und ISO/IEC 42001 · priorisierte Roadmap zur Behebung · und wenn bei Ihnen schon ein Termin im Kalender steht — ein Zertifizierungstermin, ein Security-Fragebogen eines Kunden — das Nachweispaket und ein Probelauf davor.

★ Kernangebot

Gestalten

Kontext-Architektur & Governance-Design

Keine Liste der Mängel, sondern ein Entwurf: wie Kontext gesteuert wird und wer entscheidet.

Register freigegebener Quellen · welche Daten welche Systemklasse erreichen dürfen · Filter- und Klassifizierungsgrenzen · Aufbewahrung · wo Nachweise anfallen · Verantwortliche, Entscheidungsrechte, Review-Takt, Eskalation · anschließend dort verankert, wo die Arbeit ohnehin passiert — Intake-Gates in der Pipeline oder Einkauf, Tenant-Bereitstellung und Freigabewege, damit ein neues KI-System im Inventar landet, ohne dass jemand daran denken muss.

Halten

Governance-Retainer

Das Inventar bleibt aktuell, die Nachweiskette bleibt nachvollziehbar — beides veraltet sonst von selbst.

wiederkehrende Neuerhebung · Intake für neue Systeme · vierteljährlicher Review · eine offene Leitung für die Frage, die nicht bis dahin warten kann.

Nicht alles davon ist Engineering. Wenn Richtlinien, Einkauf, Tenant-Einstellungen und Schulung die Antwort sind, dann besteht das Projekt genau daraus — dieselbe Arbeit, nur vom anderen Ende her.

Ein Spezialgebiet: Wenn Ihr Team schon mit Agenten liefert, ist das Governance-Problem Code, den niemand getippt hat. Standards, Review-Workflow und eine Spur, was ein Agent tatsächlich angefasst hat.

Ihr Kontext, Ihre Logs, Ihre Jurisdiktion. Für regulierte Kunden zählt nicht nur, was der Nachweis sagt — sondern wo er liegt.

Technische Tiefe, Governance-Urteilsvermögen.

Seit über acht Jahren baue ich Produktivsoftware, vieles davon in regulierten Umfeldern, in denen Verlässlichkeit und Compliance keine Kür sind.

In den letzten Jahren hat sich mein Fokus auf angewandte KI verschoben: LLMs in echte Produkte integrieren, Assistenten und Agenten bauen und — der Teil, den die meisten unterschätzen — steuern, welche Daten hineinfließen, und das später belegen können. Ich habe ein Entwicklungsteam auf AI-Assisted Development umgestellt und die Kontext-Standards und den Review-Workflow etabliert, die die Qualität sicherten.

Regulierte Teams bekommen zwei Antworten zu ihrer eigenen KI: Was läuft bei uns, und welche Daten gehen hinein? Ich arbeite den ganzen Weg — Discovery, Inventar, Datenfluss-Kontrollen, Nachweiskette — und setze es anschließend im echten Stack um. Ich baue die Kontrollen und bereite die Nachweiskette vor; das Zertifikat stellt eine Stelle aus, zu der ich nicht gehöre.