Der entscheidende Unterschied zu reinen Cloud-Anbietern lässt sich in einem Satz fassen: Bei Nemotron bekommen Sie nicht nur ein Modell, sondern ein Modell, das für den Betrieb und die Anpassung auf Ihrem eigenen GPU-Stack gedacht ist. Statt allein auf die rohe Allzweck-Leistung zu schauen, adressiert NVIDIA die Fragen, die in IT-Betrieb, Data-Science und Einkauf gestellt werden: Läuft das Modell effizient auf unserer vorhandenen Hardware? Können wir es mit eigenen Daten weiter anpassen? Lässt es sich in unser Rechenzentrum holen, ohne Daten aus der Hand zu geben? Für ein Unternehmen, das bereits in NVIDIA-Infrastruktur investiert hat, sind das keine Randthemen, sondern die Voraussetzung, generative KI überhaupt tragfähig aufzusetzen.
Drei Eigenschaften definieren NVIDIA Nemotron im Jahr 2026:
NVIDIA ist als Hersteller der Grafikprozessoren bekannt geworden, die einen Großteil der heutigen KI-Berechnungen tragen. Die Nemotron-Strategie ist die konsequente Erweiterung dieser Rolle: NVIDIA liefert nicht mehr nur die Hardware und die Software-Bibliotheken, sondern auch offene Modelle, die auf genau dieser Infrastruktur ihr Optimum erreichen. Damit positioniert sich NVIDIA bewusst gegen die Vorstellung, KI sei ausschließlich ein über eine fremde API gemietetes Cloud-Produkt – und für die Idee, dass Unternehmen Modelle auf eigener Infrastruktur kontrollieren und anpassen.
Heute lautet das Wertversprechen nicht „unser Modell schlägt jedes andere im Benchmark“, sondern „unsere Modelle sind offen, lassen sich mit Ihren Daten anpassen und laufen auf dem NVIDIA-Stack besonders effizient, dort wo Ihre Daten ohnehin liegen können“. Für den DACH-Markt mit seiner Mischung aus Datenschutz-Sensibilität und einem investitionsstarken industriellen Mittelstand, der teils bereits GPU-Infrastruktur betreibt, ist diese Positionierung anschlussfähig.
Hinter Nemotron steht mit NVIDIA ein etablierter, börsennotierter US-Technologiekonzern mit langer Präsenz im DACH-Raum, eigenem Forschungsbereich und einem sehr breiten Partner- und Entwicklerökosystem rund um GPU-Computing. Für die Bewertung im Mittelstand ist das relevant: Anders als bei jungen KI-Start-ups steht hinter Nemotron ein Anbieter mit etablierten Support-Strukturen, einem großen Hardware- und Software-Ökosystem und langer Erfahrung im technischen Enterprise-Umfeld. Das adressiert die früh im Auswahlprozess aufkommende Frage nach der Anbieterstabilität.
Für die Einordnung relevant ist weniger eine einzelne Produktankündigung als das strukturelle Muster: NVIDIA verbindet mit Nemotron offene Modelle (offene Gewichte, Self-Hosting) mit der Tiefe eines integrierten Hardware- und Software-Stacks. Das ist Chance und Bindung zugleich – die Effizienz und Integration sind stark, gehen aber mit einer engen Ausrichtung auf NVIDIA-Technologie einher. INAGRO empfiehlt deshalb, bei einer Einführung Eignung, Betriebsmodell und Lizenz gleichermaßen zu prüfen und sich nicht allein vom Namen des Hardware-Marktführers leiten zu lassen.
Die Nemotron-Strategie folgt einer Logik, die im Unternehmenseinsatz oft unterschätzt wird: Nicht jede Aufgabe braucht das größte verfügbare Modell. Ein kompaktes, gut auf die Aufgabe abgestimmtes Modell ist häufig schneller, günstiger im Betrieb und leichter auf vorhandener GPU-Ausstattung zu betreiben als ein Frontier-Modell, das mit Kanonen auf Spatzen schießt. NVIDIA bietet deshalb mehrere Varianten in unterschiedlichen Größen an und überlässt die Auswahl bewusst dem Anwendungsfall und der verfügbaren Hardware.
Für die ehrliche Einordnung ist wichtig: Diese Familienlogik ist eine Stärke für planbare, abgegrenzte Geschäftsaufgaben und für die Anpassung an eigene Daten – und eine Grenze, wenn man ein einzelnes, universell brillantes Modell für sehr offene, kreative oder hochkomplexe Aufgaben sucht. Wer ein „eierlegendes Wollmilchschwein“ erwartet, sollte das aufgabenbezogen prüfen, statt von der Familienbreite auf Spitzenleistung in jeder Disziplin zu schließen. Konkrete Modellnamen, Parameterzahlen und Kontextfenster verändern sich mit jeder Generation und sind beim Anbieter aktuell zu prüfen.
Nemotron entfaltet seinen vollen Wert im Zusammenspiel mit dem NVIDIA-Stack. Grob gliedert sich dieser in drei Ebenen: die GPU-Hardware als Recheninfrastruktur, NeMo als Framework für Anpassung und Feinabstimmung sowie die NIM-Microservices für ein standardisiertes Deployment. Die Nemotron-Modelle sind in dieser Umgebung die hauseigene, offene Modelloption, die von der engen Abstimmung auf Hardware und Software besonders profitiert.
Diese Einbettung ist für viele Organisationen der eigentliche Hebel: Ein Modell allein löst noch kein Betriebsproblem. Erst die Kombination aus offenem, anpassbarem Modell, einem Framework für die Anpassung und einem standardisierten Deployment macht aus „wir probieren ein LLM“ ein reproduzierbar betriebenes KI-System auf eigener Infrastruktur. Wer Nemotron einsetzt, entscheidet damit zugleich, wie tief er in das NVIDIA-Ökosystem einsteigt – das ist Stärke und Bindung zugleich und sollte bewusst abgewogen werden.
Die Stärke der Nemotron-Modelle liegt in der Verlässlichkeit bei klar umrissenen Geschäftsaufgaben und in ihrer Anpassbarkeit. Dazu gehören das Zusammenfassen langer Dokumente, das Klassifizieren und Sortieren von Texten, das Extrahieren strukturierter Informationen aus unstrukturierten Quellen, das Beantworten von Fragen auf Basis eigener Wissensbestände sowie die Unterstützung in der Sachbearbeitung. Für diese Aufgaben ist nicht maximale kreative Brillanz gefragt, sondern Steuerbarkeit, konsistente Ausgaben und ein vorhersehbares Verhalten – ergänzt um die Möglichkeit, das Modell mit eigenen Daten in die gewünschte Richtung zu justieren.
Im Kern der Textfähigkeiten stehen die Aufgaben, die in Verwaltung, Sachbearbeitung und Wissensarbeit den größten Hebel haben: Inhalte verständlich zusammenfassen, Dokumente nach Kriterien einordnen, relevante Informationen herausziehen und Entwürfe vorbereiten. In Verbindung mit Retrieval-Augmented Generation (RAG) – also der Anbindung eigener Wissensquellen – lassen sich Antworten an interne Dokumente koppeln, idealerweise mit Quellenbezug, damit Ausgaben nachvollziehbar bleiben und nicht blind übernommen werden.
Wichtig für die realistische Erwartung: Nemotron ist auf Geschäftssprache, strukturierte Aufgaben und Anpassbarkeit ausgerichtet. Für hochkreatives Schreiben, sehr langes freies Reasoning oder eng definierte Nischenaufgaben kann ein größeres Frontier-Modell besser passen. Die deutsche Sprachqualität, die Eignung für branchenspezifisches Vokabular und das Verhalten bei den eigenen Dokumenttypen sind nichts, was sich aus einer Modellbeschreibung ablesen lässt – sie gehören in einen Pilottest mit echten Beispielen aus dem eigenen Haus.
Der vielleicht wichtigste Fähigkeitsaspekt von Nemotron ist nicht ein einzelnes Feature, sondern die Anpassbarkeit. Weil die Modelle mit offenen Gewichten bereitstehen und über NeMo weiter angepasst werden können, lässt sich eine offene Basis auf die eigenen Daten, das eigene Vokabular und die eigenen Aufgaben zuschneiden. Für Unternehmen mit spezifischer Fachsprache, mit ungewöhnlichen Dokumenttypen oder mit dem Wunsch nach konsistentem, markenkonformem Verhalten ist das ein praktischer Vorteil gegenüber einem geschlossenen Cloud-Modell, das man nur „so nutzen kann, wie es kommt“.
Auch hier gilt die ehrliche Einordnung: Anpassung ist kein Selbstläufer. Sie erfordert saubere Daten, das nötige Know-how im Umgang mit dem Framework und einen strukturierten Prozess aus Vorbereitung, Anpassung, Test und Rollout. Der Aufwand lohnt sich dort, wo ein Standardmodell die fachliche Aufgabe erkennbar nicht gut genug löst – nicht als Selbstzweck. Der entscheidende Vergleich ist deshalb nicht „wer ist am flexibelsten“, sondern „rechtfertigt der konkrete Anwendungsfall den Anpassungsaufwand“.
Ein oft unterschätzter Fähigkeitsaspekt liegt nicht im Modell selbst, sondern in seiner Betriebs-Effizienz. Weil Nemotron eng auf NVIDIA-Hardware und -Software abgestimmt ist, lässt sich der Betrieb auf vorhandenem GPU-Stack gut ausnutzen – vom effizienten Inferenzbetrieb bis zum standardisierten Ausrollen über die NIM-Microservices. Für eine Fachabteilung mag das unsichtbar sein; für IT-Betrieb und Data-Science ist es der Unterschied zwischen „wir betreiben irgendwie ein Modell“ und „wir betreiben es reproduzierbar und ressourcenschonend auf unserer Infrastruktur“. Diese Betriebs-Effizienz ist im Self-Hosting-Szenario oft wertvoller als die letzten Prozentpunkte Modellleistung.
Nemotron-Modelle werden mit offenen Gewichten bereitgestellt. Das heißt: Die Modelle lassen sich beziehen, prüfen, anpassen und in eigener oder gemieteter NVIDIA-Infrastruktur betreiben – ein wesentlicher Unterschied zu reinen Cloud-Modellen, die nur über eine API zugänglich sind. Offene Gewichte reduzieren das Anbieter-Lock-in auf der Modellebene, erlauben eine technische und sicherheitsbezogene Prüfung und sind ein gewichtiges Argument für Organisationen, die nicht allein von einem einzelnen Cloud-Dienst abhängig sein wollen.
Es lohnt sich, zwei Bezugswege gedanklich zu trennen. Der erste ist der eigene Betrieb: Nemotron-Gewichte beziehen und das Modell in eigener Infrastruktur oder bei einem Infrastrukturpartner auf NVIDIA-GPUs betreiben. Hier liegt die Verantwortung für Betrieb, Skalierung und Aktualisierung bei der Organisation – mit dem Vorteil maximaler Kontrolle. Der zweite Weg ist die Nutzung über verwaltete Angebote: Nemotron als Modelloption über Cloud- oder Katalog-Angebote nutzen, teils standardisiert über die NIM-Microservices. Hier übernimmt der Anbieter einen Teil der Betriebslast, im Gegenzug entsteht eine engere Bindung an das jeweilige Angebot.
Beide Wege schließen sich nicht aus – viele Organisationen kombinieren sie, etwa Self-Hosting für besonders sensible Bereiche und ein verwaltetes Angebot für allgemeinere oder schwankende Lasten. Die richtige Mischung hängt von Schutzbedarf, vorhandener Infrastruktur und verfügbaren Fachkräften ab. Diese Wahl ist eine der wichtigsten architektonischen Entscheidungen bei einer Nemotron-Einführung und sollte früh getroffen werden.
NVIDIA stellt Nemotron mit offenen Gewichten und dem Anspruch bereit, die Modelle für Anpassung und produktiven Einsatz nutzbar zu machen. Wie bei offenen Modellen üblich, sind die konkreten Lizenz- und Nutzungsbedingungen jedoch modell- und versionsspezifisch und können Bedingungen für die kommerzielle Nutzung, für die Weitergabe angepasster Modelle oder für bestimmte Einsatzarten enthalten. Das ist kein Grund zur Sorge, aber ein Grund zur Sorgfalt.
Entscheidend ist die nüchterne Botschaft: Die genaue Lizenz, ihr Geltungsbereich und die Bedingungen der kommerziellen Nutzung sind verbindlich beim Anbieter zu prüfen. Lizenzbedingungen, abgedeckte Nutzungsarten und etwaige Auflagen können sich je nach Modell und Version unterscheiden und ändern sich über die Zeit. Verlassen Sie sich nicht auf allgemeine Beschreibungen, sondern fordern Sie die aktuellen, verbindlichen Lizenzunterlagen ein und lassen Sie sie durch Ihre Rechts- und Einkaufsabteilung bewerten. Dieser Artikel ersetzt keine rechtliche Prüfung.
Im Lager der offenen Modelle ist Nemotron nicht allein. Llama, Granite und Mistral sind ebenfalls offen verfügbar, lassen sich self-hosten und anpassen und haben teils sehr breite, aktive Communities. Alle diese Modelle laufen grundsätzlich auch auf NVIDIA-Hardware, denn GPUs sind heute die verbreitete Recheninfrastruktur für KI. In allgemeiner Modellleistung liegen je nach Aufgabe und Generation unterschiedliche Familien vorn – eine pauschale Rangliste gibt es nicht.
Der Unterschied liegt im Schwerpunkt. Nemotrons Differenzierer ist nicht die Offenheit allein – die teilen die anderen –, sondern die besonders enge Abstimmung auf den NVIDIA-Stack: Modelle, Anpassungs-Framework (NeMo) und Deployment (NIM) sind aus einer Hand und aufeinander optimiert. Andere Familien setzen andere Akzente: Granite betont Governance und Trainingsdaten-Sorgfalt für regulierte Branchen, Mistral wird oft als europäische Alternative wahrgenommen, Llama punktet mit einer sehr breiten, lebendigen Community und Werkzeugvielfalt. Für ein Unternehmen, das bereits stark auf NVIDIA-Infrastruktur setzt und Wert auf einen durchgängigen, effizienten Weg von der Anpassung bis in den Betrieb legt, ist genau das der relevante Punkt.
Gegen die großen reinen Cloud-Anbieter verschiebt sich der Vergleich deutlicher. Reine Cloud-Dienste bieten oft führende rohe Leistung, sind im Self-Service sofort nutzbar und bringen sehr breite Ökosysteme mit. Wer maximale Allzweck-Leistung zu minimalem Einstiegsaufwand sucht und kein hartes Erfordernis für Self-Hosting, Anpassung oder offene Gewichte hat, ist dort häufig schneller am Ziel.
Nemotron gewinnt diesen Vergleich nicht primär auf der Leistungsachse, sondern dann, wenn die Anforderung lautet „das Modell muss auf unserer Infrastruktur laufen“, „wir wollen es mit unseren Daten anpassen“ oder „wir haben bereits einen NVIDIA-Stack, den wir ausnutzen wollen“. Sobald Self-Hosting, Anpassbarkeit oder die Nutzung vorhandener GPU-Investitionen harte Kriterien sind, ist ein reiner Cloud-Dienst, der nur über eine API zugänglich ist, schlicht keine vollständig passende Option – und der Vergleich verschiebt sich von „wer ist klüger“ zu „wer passt zu unserer Infrastruktur und unseren Vorgaben“.
Nemotron passt, wenn bereits NVIDIA-Infrastruktur vorhanden ist oder aufgebaut wird und Anpassung sowie Self-Hosting harte Anforderungen sind: bei dem Wunsch, offene Modelle mit eigenen Daten zu justieren, bei Bedarf an einem durchgängigen Weg von der Anpassung (NeMo) bis zum standardisierten Deployment (NIM), bei sensiblen Daten, die im eigenen Haus verarbeitet werden sollen, oder bei einem Team mit dem Know-how, GPU-Betrieb effizient zu fahren. Es passt besonders dort, wo Organisationen ihre GPU-Investition maximal ausnutzen wollen.
Nemotron passt weniger, wenn keine NVIDIA-Infrastruktur vorhanden ist und keine aufgebaut werden soll, wenn Hardware-Unabhängigkeit ein wichtiges Kriterium ist, wenn das Ziel maximale rohe Allzweck-Leistung zu minimalem Aufwand ist, oder wenn schneller Self-Service ohne jede Betriebsverantwortung erwartet wird. In diesen Fällen lohnt der herstellerneutrale Vergleich mit anderen offenen Modellfamilien wie Llama, Granite oder Mistral und mit verwalteten Cloud-Angeboten – und das offen zu sagen, gehört zu einer ehrlichen Beratung.
Weil Nemotron mit offenen Gewichten bereitsteht und für den Betrieb auf NVIDIA-GPUs gedacht ist, ist Self-Hosting kein theoretisches Versprechen, sondern eine reale Option. Das Modell lässt sich im eigenen Rechenzentrum oder bei einem Infrastrukturpartner betreiben, sodass Daten und Modell vollständig unter eigener Kontrolle bleiben. Für Unternehmen mit strengen Datenschutz- oder IP-Vorgaben ist das oft der Punkt, an dem aus „KI ist heikel“ ein „KI ist machbar“ wird.
Die Kehrseite ist Aufwand – und die Voraussetzung passender Hardware. Self-Hosting bedeutet, dass jemand die nötige GPU-Infrastruktur bereitstellen, betreiben und warten muss – mit allem, was dazugehört: Bereitstellung, Skalierung, Updates, Monitoring und Sicherheit. Kompakte Nemotron-Modelle senken diese Hürde spürbar, weil sie auf moderaterer GPU-Ausstattung laufen als ein großes Frontier-Modell. Trotzdem ist es kein „Konto anlegen und loslegen“, sondern ein Infrastruktur- und Betriebsthema, das wir im Kapitel zu den Kosten realistisch einordnen.
Der eigentliche Mehrwert des NVIDIA-Stacks liegt in der Durchgängigkeit. Mit NeMo lässt sich ein Nemotron-Modell auf die eigenen Daten anpassen, mit den NIM-Microservices anschließend standardisiert ausrollen. Diese Kette von der Anpassung bis in den produktiven Betrieb ist der praktische Vorteil gegenüber einem Ansatz, bei dem jedes Glied selbst zusammengesucht werden muss. Für Teams, die effizient von der Idee in den Betrieb kommen wollen und auf NVIDIA-Technologie setzen, ist das ein realer Beschleuniger.
In der Praxis entscheiden sich viele Organisationen weder für rein selbst betrieben noch für rein gemietet, sondern für eine Mischung. Besonders sensible Anwendungen – etwa solche mit personenbezogenen Daten oder mit proprietären Inhalten – laufen on-premise auf eigenen GPUs, während allgemeinere oder stark schwankende Lasten über gemietete Kapazität abgewickelt werden. Diese Hybrid-Strategie kombiniert Datenhoheit dort, wo sie nötig ist, mit Betriebskomfort und Elastizität dort, wo sie ausreichen. Voraussetzung ist eine klare Architektur und ein durchgängiges Betriebskonzept, damit die Vorteile nicht durch eine unübersichtliche Landschaft wieder verloren gehen.
Im Mittelstand entscheidet über die Eignung von Nemotron oft eine schlichte Frage: Ist bereits NVIDIA-Infrastruktur vorhanden oder geplant? Unternehmen, die etwa für Simulation, Bildverarbeitung oder Data-Science schon GPUs betreiben, haben eine natürliche Ausgangsbasis. Für sie ist Nemotron weniger ein Sprung ins Kalte als eine naheliegende Erweiterung des bestehenden Stacks – mit dem Vorteil, dass Modelle, Anpassung und Deployment auf derselben Technologie aufsetzen. Wo diese Basis fehlt und auch nicht aufgebaut werden soll, verschiebt sich die Rechnung, und andere offene Modellfamilien oder Cloud-Angebote sollten ehrlich mit geprüft werden.
Der zweite große Hebel im Mittelstand ist die Anpassbarkeit. Gerade Unternehmen mit spezifischer Fachsprache oder ungewöhnlichen Dokumenttypen profitieren davon, ein offenes Modell auf ihre Daten zu justieren, statt sich mit dem Verhalten eines geschlossenen Standardmodells abzufinden. Dass Nemotron mit offenen Gewichten und NeMo anpassbar ist, macht das machbar. Wichtig ist das Augenmaß: Anpassung lohnt dort, wo ein Standardmodell erkennbar nicht ausreicht – nicht als Selbstzweck. Ein sauber gewähltes Standardmodell mit guter RAG-Anbindung ist oft der schnellere und günstigere erste Schritt.
Allen Szenarien gemeinsam ist ein Muster: Der Wert entsteht nicht aus dem Modell allein, sondern aus der Kombination von passender Infrastruktur, sauberer Anbindung interner Wissensquellen, gezielter Anpassung und einem klar umrissenen Anwendungsfall. Nemotron ist deshalb keine Lösung, die man „einschaltet“ – sondern eine Basis, die man entlang eines konkreten Prozesses und auf passender Hardware einführt.
Der wichtigste Punkt zur Kostenwahrheit: Dass die Modellgewichte offen verfügbar sind, heißt nicht, dass der Betrieb „kostenlos“ ist. Beim Self-Hosting tragen Sie die Infrastruktur- und Betriebskosten selbst – GPU-Hardware, Strom, Wartung, Personal. Kompakte Nemotron-Modelle senken diese Hürde spürbar, weil sie auf moderaterer GPU-Ausstattung laufen als ein großes Frontier-Modell; das ist einer der praktischen Vorteile der Familienlogik. Trotzdem bleibt der GPU-Betrieb ein eigener Kostenblock, der eingeplant werden muss – und GPU-Kapazität ist ein spürbarer Posten.
Wir nennen hier bewusst keine erfundenen exakten Zahlen, weil sie von zu vielen Faktoren abhängen – gewähltes Modell, Auslastung, eigenes Rechenzentrum versus gemietete GPU-Kapazität, Hardware-Generation. Entscheidend für die Planung ist das Prinzip: Bei Self-Hosting verschiebt sich der Kostenschwerpunkt von „pro Anfrage“ zu „GPU-Infrastruktur und Betrieb“. Das kann bei hoher, kontinuierlicher Last wirtschaftlich sein – bei kleiner oder schwankender Last ist es oft teurer als ein verbrauchsbasiertes Cloud-Modell.
Wer Nemotron self-hostet, tauscht den bequemen API-Verbrauch gegen GPU- und Betriebskosten. Deren genaue Höhe hängt von Hardware, Auslastung und gewähltem Betriebsmodell ab und ist im Einzelfall zu kalkulieren. Daneben gibt es Posten, die in naiven Kalkulationen fast immer fehlen:
Die ehrliche Botschaft lautet: Nemotron rechnet sich selten über den reinen Preisvergleich „pro Token“, sondern über die Auslastung vorhandener oder geplanter GPU-Infrastruktur und über den Wert von Anpassung und Kontrolle. Für eine Organisation, die ohnehin GPUs betreibt oder ausbaut und ihre Modelle self-hosten und anpassen will, kann Nemotron eine sehr sinnvolle Wahl sein, weil die vorhandene Investition mitgenutzt wird.
Für eine Organisation ohne NVIDIA-Infrastruktur und ohne harte Anpassungs- oder Datenhoheits-Anforderung fällt die Rechnung oft anders aus: Hier konkurriert Nemotron gegen verwaltete Cloud-Angebote mit geringem Einstiegsaufwand, ohne dass man erst einen GPU-Stack aufbauen müsste. Die Wirtschaftlichkeit hängt also weniger am Modell als an der Frage, wie stark Self-Hosting, Anpassung und die Nutzung vorhandener GPU-Investitionen tatsächlich gefordert sind. Genau diese Vorab-Klärung ist der wertvollste Teil der Beratung – und alle konkreten Preis- und Lizenzkonditionen sind beim Anbieter zu prüfen.
Der zentrale Datenschutz-Vorteil ist die Wahl des Verarbeitungsorts. Läuft Nemotron self-gehostet im eigenen Rechenzentrum auf eigenen GPUs, liegt die Verarbeitung vollständig in der Hand der Organisation – die Frage des Drittlandtransfers stellt sich in ihrer schärfsten Form gar nicht. Wird gemietete oder US-basierte Cloud-Kapazität genutzt, verschiebt sich die Frage auf das Betreibermodell und die gewählte Region: Wer betreibt die Infrastruktur, unter welchem Recht, mit welchem Auftragsverarbeitungsvertrag, und liegt ein Drittlandtransfer vor? Weil NVIDIA ein US-Anbieter ist, ist dieser Punkt bei Cloud-Nutzung bewusst zu prüfen. Die Konstellation ist sauber regelbar, ergibt sich aber nicht von selbst.
Nemotron bringt mit der Self-Hosting-Option und der Anpassbarkeit Bausteine mit, die bei DSGVO-Fragen helfen können – etwa, indem Verarbeitung und Modell im eigenen Haus bleiben. Aber wie bei jedem KI-System gilt: Die größte verbleibende Schwachstelle ist oft die eigene Organisation. Wer ein Modell mit personenbezogenen Daten anpasst, braucht dafür eine tragfähige Rechtsgrundlage und einen klaren Zweck. Und eine RAG-Wissensbasis ist nur so sicher wie die Berechtigungen dahinter: Greift ein Assistent auf interne Quellen zu, auf die einzelne Mitarbeitende eigentlich keinen Zugriff haben sollten, entsteht ein Datenschutz-Problem – nicht durch den Anbieter, sondern durch das eigene Berechtigungskonzept.
