Die wichtigsten Punkte
- Die Sensibilität des Quellenmaterials sollte den KI-Ausführungsmodus bestimmen.
- Lokale Inferenz kann vertrauliche Eingaben schützen, ersetzt aber keine Governance.
- Freigegebene Cloud-Modelle können risikoärmeres Authoring unter klaren Kontrollen unterstützen.
- CMS-Änderungen brauchen eng begrenzte Berechtigungen, Prüfprotokolle und Prüfungen – in jedem Modus.
- Ein strukturiertes Kursmodell funktioniert über mehrere Datenschutzstufen hinweg.
Ein einziger KI-Weg erzwingt den falschen Kompromiss
Banken brauchen schnellere Wege, um Richtlinienupdates, Produktänderungen und Wissen aus Transformationsprojekten in Lerninhalte zu überführen. Ein einziger Weg über gehostete Modelle erzwingt jedoch eine unproduktive Wahl: Entweder sie blockieren KI für sensibles Material oder sie akzeptieren, dass vertrauliche Quellensammlungen, Prompts und Entwürfe über einen Weg laufen, der nicht zu ihrer Klassifizierung passt. Die bessere Lösung behandelt Datenschutz als Auswahlkriterium für den Authoring-Modus – nicht als Grund, KI-gestütztes Authoring aufzugeben.
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
Klassifizieren Sie den gesamten Authoring-Vorgang, nicht nur das Dokument. Ein vertraulicher Auszug aus einer Richtlinie kann in den Prompt eingehen, die erstellte Lektion prägen, in einem Tool-Aufruf erscheinen und in einem Entwurf gespeichert bleiben. Jeder Schritt braucht eine klar definierte Grenze. Das ist die Grundlage für privates KI-Authoring und belastbare Lerninhalte zur Datenresidenz von KI.
- 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.
Die Klassifizierung sollte im Kursbriefing oder in der Quellenakte stehen. So ist der gewählte Modus für Autorinnen und Autoren, Prüferinnen und Prüfer sowie Auditorinnen und Auditoren sichtbar, statt die Datenschutzentscheidung beim Formulieren eines Prompts dem individuellen Ermessen zu überlassen.
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.
Diese Möglichkeit ist wertvoll, aber kein Sicherheitsnachweis. Auch ein lokaler Modus braucht verwaltete Geräte, Festplattenverschlüsselung, Endpunktschutz, Modellfreigaben, Zugriffsmanagement und klare Regeln zur Aufbewahrung. Zudem braucht er eine klare Grenze: Lokale Inferenz kann einen Entwurf erstellen, sollte aber keine weitreichende Berechtigung erhalten, einen Lernkatalog zu ändern oder einen Kurs zu veröffentlichen.
Mandantenisolierte und freigegebene Cloud-Modi bringen die Arbeit voran
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: Stufen Sie einen Cloud-Weg nicht allein deshalb als sicher ein, weil es sich um Enterprise-Software handelt. Und stufen Sie einen lokalen Weg nicht allein deshalb als sicher ein, weil er lokal ist. Bewerten Sie 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?
Nutzen Sie 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.
Prüfstatus machen KI-Ergebnisse zu kontrollierten Lerninhalten
Die menschliche Prüfung ist keine formale letzte Abnahme per Klick. Sie stellt sicher, dass der Entwurf die Bedeutung von Richtlinien wahrt, korrekte Beispiele nutzt, keine eingeschränkten Details offenlegt und zur Rolle der Lernenden passt. Für Bankenprogramme sollte die Prüfung nach Inhaltsrisiko zugeordnet werden: Compliance prüft Verpflichtungen, fachlich Verantwortliche die Prozessrealität, Lernspezialistinnen und Lernspezialisten die didaktische Qualität und Veröffentlichungsverantwortliche die Bereitschaft zur Veröffentlichung.
- 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
Richten Sie datenschutzbewusste Authoring-Modi in App-Learning ein.
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, ohne dass Compliance einer pauschalen Modellentscheidung zustimmen muss. Datenschutz wird zu einer praktischen Regel für die Auswahl des Wegs. Sensibles Material erhält die engste Abgrenzung, risikoärmere Arbeit nutzt freigegebene Kapazitäten, und jeder veröffentlichungsfähige Lerninhalt bleibt zuordenbar, prüfbar und gesteuert.
