Die wichtigsten Punkte
- Wie sensibel das Quellenmaterial ist, sollte bestimmen, in welcher Umgebung die KI arbeitet.
- Lokale Inferenz kann vertrauliche Eingaben schützen, ersetzt aber keine Governance.
- Freigegebene Cloud-Modelle können bei weniger sensiblen Inhalten unter klaren Vorgaben helfen.
- Änderungen im CMS brauchen in jedem Modus begrenzte Berechtigungen, nachvollziehbare Protokolle und eine Prüfung.
- Ein strukturiertes Kursmodell funktioniert über mehrere Datenschutzstufen hinweg.
Ein einziger KI-Weg erzwingt den falschen Kompromiss
Banken müssen Richtlinienupdates, Produktänderungen und Wissen aus Transformationsprojekten zügig in Lerninhalte überführen. Läuft die gesamte KI-Arbeit über gehostete Modelle, entsteht jedoch ein Zielkonflikt: Entweder bleibt sensibles Material von der KI-Nutzung ausgeschlossen oder vertrauliche Quellen, Prompts und Entwürfe gelangen in eine dafür ungeeignete Umgebung. Sinnvoller ist es, die Arbeitsumgebung anhand der Datenschutzanforderungen auszuwählen.
Das entspricht der Risikologik im Generative-AI-Profil des NIST, das ein Risikomanagement fordert, das auf Systemarchitektur, Datentypen und Einsatzkontext zugeschnitten ist. Bei regulierten Lerninhalten geht es nicht darum, welches Modell allgemein das beste ist. Entscheidend ist, welche Ausführungsumgebung für dieses Quellenmaterial und diesen Arbeitsschritt freigegeben ist.
Die Quellenklassifizierung kommt vor der Modellauswahl
Klassifiziere den gesamten Erstellungsprozess, nicht nur das Quelldokument. Ein vertraulicher Richtlinienauszug kann im Prompt, im Lektionstext, in einem Tool-Aufruf und im gespeicherten Entwurf auftauchen. Für jeden dieser Schritte muss klar sein, wo die Daten verarbeitet werden dürfen. So lassen sich KI-gestützte Kurserstellung und Anforderungen an den Speicher- und Verarbeitungsort der Daten miteinander verbinden.
- Local/Private für vertrauliche Richtlinien, aus Kundendaten abgeleitete Inhalte, Untersuchungen und interne Abläufe mit Zugriffsbeschränkung.
- Approved Cloud für risikoärmeres internes Wissen, freigegebene Referenzinhalte, Übersetzungen und kontrollierte Entwürfe.
- Manual für Material, das nicht in einen KI-Workflow gelangen darf oder direkt von Fachleuten erstellt werden muss.
Halte die Klassifizierung im Kursbriefing oder in der Quellenakte fest. Dann sehen Autoren, Prüfende und Auditoren, welcher Modus zulässig ist. Die Datenschutzentscheidung muss so nicht bei jedem Prompt neu getroffen werden.
Lokale Inferenz schützt besonders sensible Entwurfsarbeit
Lokales LLM-Authoring für Kurse ist sinnvoll, wenn Autorinnen und Autoren Unterstützung brauchen, um Lernziele herauszuarbeiten, einen ersten Entwurf zu erstellen oder dichte Inhalte neu zu strukturieren, ohne das Quellenmaterial an einen externen Modellendpunkt zu senden. Eine Strapi-Implementierung vom 26. September 2026 zeigt einen Admin-Chat mit Ollama auf dem eigenen Rechner – mit dem erklärten Ziel, dass Inhalte und API-Schlüssel den Laptop nicht verlassen.
Ein lokales Modell kann hilfreich sein, ist aber allein noch kein Sicherheitsnachweis. Auch hier braucht es verwaltete Geräte, Festplattenverschlüsselung, Endpunktschutz, freigegebene Modelle, geregelte Zugriffe und Aufbewahrungsfristen. Zudem müssen die Befugnisse begrenzt bleiben: Ein Modell darf Entwürfe erstellen, sollte dadurch aber nicht automatisch einen Lernkatalog verändern oder Kurse veröffentlichen dürfen.

Freigegebene Cloud-Umgebungen ergänzen lokale Modelle
Nicht jede Aufgabe rechtfertigt ein lokales Modell. Teams können für risikoärmere Arbeit ein freigegebenes gehostetes Modell nutzen, wenn Betriebsumgebung, Verträge, Datenverarbeitung und Identitätskontrollen den Anforderungen der Bank entsprechen. Die Copilot-Ankündigung von Microsoft vom 25. September 2026 zeigt die Richtung: mandantenisolierte Agenten-Laufzeitumgebungen, abgeschottete Ausführung und von Administratoren festgelegte Modellverfügbarkeit.
Die Regel für den Betrieb ist einfach: Stufe einen Cloud-Weg nicht allein deshalb als sicher ein, weil es sich um Enterprise-Software handelt. Und stufe einen lokalen Weg nicht allein deshalb als sicher ein, weil er lokal ist. Bewerte jeden Modus anhand der Sensibilität des Quellenmaterials, erlaubter Datenflüsse, Tool-Zugriffe, der Verwendung von Ergebnissen und der operativen Verantwortung.
Good to know
Was gehört in den Modus Local/Private?
Nutze ihn für Quellenmaterial, dessen Vertraulichkeit, Kundensensibilität oder interne Einschränkung einen externen Modellweg ausschließt. Die genaue Abgrenzung sollte sich aus der Klassifizierungsrichtlinie der Bank und den freigegebenen KI-Kontrollen ergeben.
Kann Approved Cloud regulierte Lerninhalte unterstützen?
Ja, wenn die Inhalte für diesen Weg klassifiziert sind und die freigegebene Umgebung die Anforderungen der Bank an Datenverarbeitung, Identität, Zugriff, Aufbewahrung und Anbietersteuerung erfüllt. Die Freigabe sollte für den konkreten Anwendungsfall gelten und nicht allein aus dem Modellnamen abgeleitet werden.
Wer darf KI-unterstützte Lerninhalte veröffentlichen?
Die Veröffentlichungsbefugnis sollte klar benannten menschlichen Rollen vorbehalten bleiben. KI kann Entwürfe vorbereiten oder überarbeiten, die endgültige Veröffentlichung sollte jedoch denselben Freigabeprozess, Berechtigungen und Nachweisanforderungen durchlaufen wie von Menschen erstellte Lerninhalte.
Der Standort des Modells bestimmt nicht die CMS-Berechtigungen
Ort der Inferenz und Verantwortung für Inhalte sind getrennte Kontrollbereiche. Unabhängig davon, ob ein Entwurf von einem lokalen Modell, einem freigegebenen Cloud-Modell oder einem Menschen stammt, sollten Änderungen im CMS durch eng begrenzte Berechtigungen laufen. Ein Sicherheitsleitfaden für Strapi MCP beschreibt auf Tokens beschränkte Zugriffe, Feldfilterung, Laufzeitprüfungen und Prüfprotokollierung als eigenständige Durchsetzungsebenen für Aktionen von Agenten.
Für eine Akademie bedeutet das, Lese-, Entwurfs-, Überarbeitungs-, Freigabe- und Veröffentlichungsrechte zu trennen. Ein Authoring-Assistent darf einen Lektionenentwurf in einem festgelegten Arbeitsbereich erstellen. Er sollte keinen Lernpfad ändern, kein verpflichtendes Compliance-Modul ersetzen und nicht in die Produktivumgebung veröffentlichen, sofern ein expliziter Workflow dies nicht erlaubt. Das Strapi-Update vom September 2026 zeigt außerdem, dass über MCP ausgelöste Aktionen in Prüfprotokollen erscheinen. Das unterstreicht, wie wichtig es ist, Aktivitäten von Agenten neben menschlichen Aktivitäten zu dokumentieren.
Prüfschritte machen aus KI-Entwürfen verlässliche Lerninhalte
Die menschliche Prüfung geht über einen abschließenden Freigabeklick hinaus. Sie stellt sicher, dass der Entwurf Richtlinien korrekt wiedergibt, passende Beispiele nutzt, keine geschützten Details offenlegt und zur Rolle der Lernenden passt. In Bankprogrammen sollten sich die Zuständigkeiten nach dem Inhaltsrisiko richten: Compliance prüft Verpflichtungen, Fachverantwortliche die tatsächlichen Abläufe, Lernexperten die didaktische Qualität und Veröffentlichungsverantwortliche die Freigabereife.
- Entwurf wird in der gewählten Datenschutzstufe erstellt
- Fachprüfung mit Rückverfolgbarkeit zu Quellen
- Prüfung des Lerndesigns auf Verständlichkeit, Lernkontrollen und Rollenbezug
- Freigabe und kontrollierte Veröffentlichung mit Versionshistorie
Richte mit App-Learning passende Wege für die datenschutzbewusste Kurserstellung ein.
Umsetzung planenEine dreistufige Architektur erhält ein einheitliches Kursmodell
App-Learning kann Local/Private, Approved Cloud und Manual als klare Modi in einem Authoring-Workflow abbilden. Autorinnen und Autoren arbeiten weiterhin mit demselben strukturierten Kursmodell, modularen Inhaltsblöcken, Prüfstatus und Veröffentlichungskontrollen. Nur der zulässige KI-Weg ändert sich. Das verhindert einen häufigen Fehler in regulierten Akademien: für jede Sicherheitsausnahme separate Tools und voneinander getrennte Prozesse zu schaffen.
So können Innovationsteams schneller arbeiten, während Compliance jeden Einsatz anhand der passenden Anforderungen bewertet. Die Sensibilität der Daten bestimmt den zulässigen Verarbeitungsweg. Vertrauliches Material bleibt eng abgeschirmt, weniger sensible Arbeit nutzt freigegebene Kapazitäten. Für alle Lerninhalte gelten weiterhin klare Zuständigkeiten, Prüfungen und Veröffentlichungskontrollen.







