Wer entscheidet über die Modellauswahl in einer Unternehmensakademie?

Die Modellauswahl ist nicht mehr nur Sache der Technik

Eine KI-Funktion mit nur einem Modell erlaubt dem Anbieter einer Lernplattform, die meisten technischen Entscheidungen im Hintergrund zu treffen. Ein LMS mit mehreren Modellen verändert das. Die Plattform kann Aufgaben nach Fähigkeiten, Latenz, Kosten oder Verfügbarkeit zuordnen. Jede dieser Entscheidungen kann aber auch die Datenverarbeitung, das akzeptable Risiko und die interne KI-Richtlinie der Bank beeinflussen. Die Steuerung von KI-Modellen wird damit zu einem Kontrollinstrument für Kunden, nicht nur zu einem Infrastrukturthema.

Für einen Chief Innovation Officer geht es nicht darum, ein Modell für jeden Anwendungsfall vorzuschreiben. Compliance, Sicherheit, Learning und Fachverantwortliche brauchen einen gemeinsamen Weg, Grenzen zu setzen, ohne den Ausbau von KI-Funktionen auszubremsen. Eine Bank sollte praxisnahe KI-gestützte Lernangebote ermöglichen und zugleich entscheiden können, wo jedes Modell eingesetzt werden darf – und wo nicht.

Notion macht die Steuerungsmöglichkeiten sichtbar

Mit seinem Release vom 9. September 2026 führte Notion arbeitsbereichsweite Modellsteuerungen ein. Verantwortliche können damit getrennt festlegen, welche Modelle für Notion Agent und Custom Agents verfügbar sind, und einen Standard für Custom Agents setzen. Notion begründet die Steuerungen mit planbaren Kosten und Compliance-Anforderungen. (notion.com)

Das entscheidende Signal ist nicht, dass jede Unternehmensakademie Notions Produktdesign kopieren sollte. Entscheidend ist, dass die Modellauswahl jetzt für Kunden sichtbar ist. Sobald eine Plattform mehrere Modelle anbietet, werden KI-Kontrollen für Unternehmen Teil des Betriebsmodells. Die Auswahl zu verstecken, vereinfacht vielleicht die Oberfläche. Käufer können ihre Richtlinien dann aber nicht dort anwenden, wo die KI-Arbeit stattfindet.

Eine Akademie umfasst unterschiedliche KI-Risikoklassen

Lernprozesse bringen nicht alle dasselbe Risiko mit sich. Wenn ein Autor mithilfe von KI aus einem freigegebenen Richtliniendokument einen ersten Kursentwurf erstellt, ist das etwas anderes, als wenn ein Lernender einen Tutor zu einer aktuellen Arbeitsanweisung befragt. Automatisierte Bewertungen schaffen eine weitere Grenze, weil sie Fortschritt, Zertifizierung und Management-Reporting beeinflussen können.

Alle drei Fälle als eine allgemeine „KI-Funktion“ zu behandeln, führt zu groben Entscheidungen. Die Bank akzeptiert dann entweder eine weit gefasste Richtlinie oder schaltet nützliche Funktionen ab. Compliance für KI-Lernplattformen braucht ein genaueres Modell: Kontrollen sollten sich an Aufgabe, Eingabedaten, Zielgruppe und den Folgen einer falschen Antwort orientieren.

Die Richtlinie sollte sich am Lernprozess orientieren

Eine praxistaugliche Akademiekonfiguration trennt die Modellrichtlinien nach Funktion, statt eine Regel für den gesamten Mandanten anzuwenden.

• Für die Inhaltserstellung kann eine definierte Auswahl an Modellen für freigegebenes internes Quellmaterial erlaubt sein, wobei vor der Veröffentlichung eine menschliche Prüfung erforderlich ist.
• Bei der Lernbegleitung können eine engere Freigabeliste für KI-Modelle, begrenzte Recherchequellen und eine klare Eskalation gelten, wenn das System keine freigegebene Antwort hat.
• Für Bewertungen sollten nur Modelle und Prompts eingesetzt werden, die für diese Aufgabe validiert sind – mit strengerer Versionskontrolle und menschlicher Prüfung bei folgenreichen Entscheidungen.
• Experimentelle Lernlabore können in einem getrennten Richtlinienbereich arbeiten, der niemals Zugriff auf produktive Lerninhalte oder sensible Bankdaten übernimmt.

Diese Struktur erhält die Geschwindigkeit. Ein Learning-Team kann Programme zu KI-Kompetenz, Automatisierung oder digitalen Vermögenswerten starten, ohne darauf zu warten, dass jeder künftige Anwendungsfall denselben Freigabeweg durchläuft. Gleichzeitig verhindert sie, dass eine experimentelle Funktion zur Inhaltserstellung stillschweigend zur Modellrichtlinie für Lernberatung oder bewertete Prüfungen wird.

Die Modellliste des Mandanten braucht klare Regeln

Eine gute Konfiguration beginnt mit einer Modellliste auf Mandantenebene. Administratoren müssen freigegebene Modellfamilien und Versionen auswählen, je Funktion einen Standard setzen und Modelle ausschließen können, die die vertraglichen Anforderungen oder Risikovorgaben der Bank nicht erfüllen. Außerdem brauchen sie klare Regeln dazu, welche Datenklassifizierungen jede Funktion an einen KI-Dienst senden darf.

Die Plattform sollte Anfragen anschließend eindeutig nach festen Regeln bearbeiten. Ist das bevorzugte Modell nicht verfügbar, durch Nutzungslimits eingeschränkt oder für eine Anfrage nicht erlaubt, sollte sie ein vorab freigegebenes zweites Modell nutzen oder auf einen definierten Weg ohne KI wechseln. Eine Interaktion mit Lernenden darf niemals stillschweigend an ein Modell außerhalb der Bankrichtlinie weitergeleitet werden. Hier wird die Steuerung mehrerer Modelle zu einer echten Kontrollmöglichkeit für Unternehmen.

Prüfprotokolle machen aus Richtlinien gelebte Praxis

Eine Richtlinie, die sich nicht prüfen lässt, ist ein Versprechen statt einer Kontrolle. Die Akademie sollte die genutzte Funktion, die geprüfte Richtlinienversion, das ausgewählte Modell samt Version, ein Ausweichereignis, den Ergebnisstatus und relevante administrative Ausnahmen erfassen. Die Protokollierung von Inhalten sollte angemessen und datenschutzbewusst bleiben: Teams brauchen oft nachvollziehbare Metadaten, keine dauerhaften Kopien jedes Lernenden-Prompts.

Retools Framework für die Steuerung mehrerer Agenten liefert einen nützlichen verwandten Hinweis: Datengrenzen, Freigabestufen und ein nutzbarer Prüfpfad müssen von Anfang an im System angelegt sein, statt nach einem Vorfall rekonstruiert zu werden. (retool.com) Dasselbe Prinzip gilt, wenn mehrere Modelle hinter einer Unternehmensakademie stehen.

Steuerung wird Teil der Kaufentscheidung

Bei der Beschaffung sollten Banken mehr fragen, als welche Basismodelle eine Plattform unterstützt. Sie sollten klären, wer ein Modell erlauben oder verbieten kann, ob sich die Kontrollen für Inhaltserstellung, Lernbegleitung und Bewertung unterscheiden, wie Versionsänderungen behandelt werden, was bei Ausfällen passiert und ob ein Auditor die Routing-Entscheidung nachvollziehen kann.

Bei App-Learning gehören Modellrichtlinien neben Akademierollen, Lernzielgruppen, Inhaltsberechtigungen und Reporting-Regeln. So kann eine Bank KI dort aktiviert lassen, wo sie Lernwert schafft, sie dort begrenzen, wo das Risiko höher ist, und zeigen, dass die Kontrolle funktioniert. Die entscheidende Frage ist nicht mehr, welches Modell eine Plattform ansprechen kann. Es geht darum, ob die Bank diesen Einsatz mit derselben Sorgfalt steuern kann wie den Rest ihrer Lernlandschaft.