[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:de":3,"public-menus:all":37,"post:enterprise-ai-architecture-what-changes-when-ai-enters-a-company:de":204,"related:post:enterprise-ai-architecture-what-changes-when-ai-enters-a-company:de:1":3404},{"statusCode":4,"data":5,"message":36},200,{"tenantId":6,"lang":7,"defaultLang":7,"siteUrl":8,"contactEmail":9,"brandName":10,"logoUrl":11,"siteName":10,"siteDescription":12,"ogImage":9,"robotsIndex":13,"socialLinks":9,"reservedSlugs":9,"seoPolicy":14},"stajic","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":15,"relatedContent":16,"crossDomainLinks":17},{"logoUrl":11},{"enabled":13},[18,21,24,27,30,33],{"url":19,"label":20,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":22,"label":23,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":25,"label":26,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.com","bazify.com",{"url":28,"label":29,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.de","bazify.de",{"url":31,"label":32,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.at","bazify.at",{"url":34,"label":35,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[38,44],{"id":39,"name":40,"location":41,"isActive":13,"isDefault":42,"items":43},1,"main-navigation","header",false,[],{"id":45,"name":46,"location":47,"isActive":13,"isDefault":13,"items":48},4,"main-menu","sidebar",[49,65,78,92,102,117,132],{"id":50,"title":51,"url":59,"target":60,"icon":61,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":63,"portfolioId":9,"children":64},"item-18",{"de":52,"en":53,"es":54,"fr":55,"it":53,"ru":56,"sr":57,"zh":58},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":66,"title":67,"url":74,"target":60,"icon":75,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":76,"portfolioId":9,"children":77},"item-22",{"de":68,"en":68,"es":69,"fr":68,"it":70,"ru":71,"sr":72,"zh":73},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":79,"title":80,"url":88,"target":60,"icon":89,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":90,"portfolioId":9,"children":91},"item-19",{"de":81,"en":82,"es":83,"fr":82,"it":84,"ru":85,"sr":86,"zh":87},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":93,"title":94,"url":98,"target":60,"icon":99,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":100,"portfolioId":9,"children":101},"item-23",{"de":95,"en":95,"es":95,"fr":95,"it":95,"ru":96,"sr":96,"zh":97},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":103,"title":104,"url":113,"target":60,"icon":114,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":115,"portfolioId":9,"children":116},"item-32",{"de":105,"en":106,"es":107,"fr":108,"it":109,"ru":110,"sr":111,"zh":112},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":118,"title":119,"url":128,"target":60,"icon":129,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":130,"portfolioId":9,"children":131},"item-20",{"de":120,"en":121,"es":122,"fr":123,"it":124,"ru":125,"sr":126,"zh":127},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":133,"title":134,"url":143,"target":60,"icon":144,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":145,"portfolioId":9,"children":146},"item-21",{"de":135,"en":136,"es":137,"fr":138,"it":139,"ru":140,"sr":141,"zh":142},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[147,160,174,180,192],{"id":148,"title":149,"url":143,"target":60,"icon":158,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":145,"portfolioId":9,"children":159},"item-24",{"de":150,"en":151,"es":152,"fr":153,"it":154,"ru":155,"sr":156,"zh":157},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":161,"title":162,"url":170,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":173},"item-29",{"de":163,"en":164,"es":165,"fr":166,"it":167,"ru":168,"sr":169,"zh":142},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":175,"title":176,"url":178,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":179},"item-28",{"de":177,"en":177,"es":177,"fr":177,"it":177,"ru":177,"sr":177,"zh":177},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":181,"title":182,"url":190,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":191},"item-27",{"de":183,"en":184,"es":185,"fr":186,"it":187,"ru":188,"sr":189,"zh":184},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":193,"title":194,"url":202,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":203},"item-31",{"de":195,"en":196,"es":197,"fr":198,"it":199,"ru":200,"sr":201,"zh":196},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":205,"message":3403},{"id":206,"title":207,"slug":208,"content":209,"contentJson":210,"excerpt":1562,"featuredImage":1563,"featuredImageAlt":1564,"featuredImageCaption":9,"featuredImageTitle":9,"featuredImageCopyright":9,"featuredImageAuthor":9,"featuredImageSourceUrl":9,"featuredImageLicense":9,"featuredImageIsAiGenerated":42,"status":1565,"publishedAt":1566,"createdAt":1567,"updatedAt":1568,"seoLocalePaths":1569,"categories":1578,"author":1594,"translations":1599},"485","Enterprise-KI-Architektur: Was ändert sich, wenn KI in ein Unternehmen eintritt","enterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u003Cp>Enterprise-KI-Architektur ist die unternehmensweite Architektur, die erforderlich ist, wenn KI Teil der realen Systeme, Daten, Entscheidungen und Abläufe eines Unternehmens wird. Das Modell ist nur eine Komponente. Sobald KI mit Unternehmensdaten, Identitäten, Berechtigungen, Geschäftsprozessen, externen Anbietern und Produktionssystemen verbunden ist, muss die Architektur auch Datenhoheit, Zugriffsgrenzen, Risikoverantwortung, Anbieterabhängigkeiten, Auditierbarkeit, Evaluierung, Lebenszyklussteuerung, Compliance und operative Verantwortung definieren. Enterprise-KI unterscheidet sich daher sowohl von einer einzelnen KI-Lösung als auch von einer gemeinsamen KI-Plattform: Sie koordiniert, wie viele KI-fähige Systeme in die breitere Organisation passen.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Direkte Antwort\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Was ändert sich, wenn KI in ein Unternehmen eintritt?\u003C\u002Fstrong> Bestehende Verantwortlichkeiten der Unternehmensarchitektur erweitern sich um probabilistisches Modellverhalten, neue Datenflüsse, Retrieval und Grounding, Modell-\u002FAnbieterabhängigkeiten, KI-spezifische Evaluierung, Agent-\u002FTool-Befugnisse, Modell- und Prompt-Lebenszyklus, KI-Risikomanagement, Transparenzpflichten und neue operative Fehlermodi. Die Architektur muss diese Belange mit den bestehenden Identitäts-, Sicherheits-, Daten-, Beschaffungs-, Liefer- und Governance-Strukturen des Unternehmens verbinden, anstatt ein paralleles „KI-Universum“ zu schaffen.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Enterprise-KI ist kein „größerer Chatbot“\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Ein Chatbot kann eine Benutzeroberfläche sein. Enterprise-KI-Architektur ist das System der Grenzen dahinter: auf welche Daten die KI zugreifen darf, welche Quelle maßgeblich ist, wer welche Fähigkeit nutzen darf, ob externe Anbieter die Daten erhalten dürfen, welche Aktionen ein Agent ausführen darf, wie Ausgaben bewertet werden, was protokolliert werden muss, wer Vorfälle verantwortet und wie Änderungen genehmigt und zurückgerollt werden.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Hinweis zu aktuellen Quellen — 8. Oktober 2026\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Die architektonischen Prinzipien in diesem Artikel sollen stabil sein. Regulierung, Standards und Anbieterfähigkeiten sind versionsabhängig. ISO\u002FIEC 42001:2023 und ISO\u002FIEC 23894:2023 sind aktuell veröffentlichte Standards. NIST gibt an, dass AI RMF 1.0 überarbeitet wird. Nach dem aktuellen konsolidierten Text des EU AI Act gilt die Verordnung allgemein ab dem 2. August 2026, während bestimmte Hochrisiko-Bestimmungen spätere Anwendungsdaten haben. Die rechtliche Einstufung muss stets anhand des aktuellen Rechts und des konkreten Anwendungsfalls geprüft werden.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Inhalt\">\u003Cstrong class=\"editorjs-toc__title\">Inhalt\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-6\" class=\"editorjs-toc__link\">Was Enterprise-KI-Architektur wirklich bedeutet\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-11\" class=\"editorjs-toc__link\">Das einfachste Beispiel\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-16\" class=\"editorjs-toc__link\">Wo das einfache Beispiel endet\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">Was sich in der Architektur ändert, wenn KI ins Unternehmen Einzug hält\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-20\" class=\"editorjs-toc__link\">1. Business Ownership wird Teil der technischen Architektur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-23\" class=\"editorjs-toc__link\">2. Datenzugriff allein reicht nicht — Datenhoheit muss definiert werden\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">3. Identität wird mehrschichtig\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-32\" class=\"editorjs-toc__link\">4. Berechtigungen verschieben sich vom Inhaltszugriff zur Aktionsautorität\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-35\" class=\"editorjs-toc__link\">5. Der KI-Anbieter wird zu einer Unternehmensabhängigkeit\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-39\" class=\"editorjs-toc__link\">6. KI-Risiko wird zu einem Lebenszyklusprozess\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">7. Governance wird zu einem Betriebssystem, nicht zu einem Richtlinien-PDF\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-46\" class=\"editorjs-toc__link\">8. Evaluierung wird zu einer Produktionskontrolle\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-50\" class=\"editorjs-toc__link\">9. Observability muss Verhalten, Daten und Modellkontext umfassen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-53\" class=\"editorjs-toc__link\">10. KI-Komponenten benötigen explizite Lebenszyklus-Verantwortung\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-56\" class=\"editorjs-toc__link\">11. Incident Response muss KI-spezifische Fehlermodi berücksichtigen\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-59\" class=\"editorjs-toc__link\">Unternehmens-KI schafft funktionsübergreifende Verantwortung\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-62\" class=\"editorjs-toc__link\">Ein praktisches Architekturmodell für Unternehmens-KI\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-66\" class=\"editorjs-toc__link\">Unternehmens-KI als Daten- und Berechtigungsflüsse abbilden, nicht als Boxen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-68\" class=\"editorjs-toc__link\">Ein Unternehmen benötigt ein KI-Inventar, bevor es KI governen kann\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-71\" class=\"editorjs-toc__link\">KI-Governance und Unternehmens-KI-Architektur sind verwandt, aber nicht dasselbe\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">Regulierung wird zur Architekturvorgabe\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-78\" class=\"editorjs-toc__link\">Beschaffung und Architektur werden miteinander verbunden\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-81\" class=\"editorjs-toc__link\">Unternehmensarchitektur entscheidet, wie viel KI-Kontrolle die Anforderung tatsächlich benötigt\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-84\" class=\"editorjs-toc__link\">KI macht Change Management zu einem Verhaltensproblem\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-87\" class=\"editorjs-toc__link\">Unternehmens-KI braucht weiterhin NFRs und ADRs\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-91\" class=\"editorjs-toc__link\">Unternehmens-KI-Architektur muss mit der Lieferung verbunden sein\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-94\" class=\"editorjs-toc__link\">Ursprüngliche Projektnachweise: Enterprise Aaasaasa 0.1\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-101\" class=\"editorjs-toc__link\">Unterstützende Implementierungsmuster aus der breiteren Plattformarbeit\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-104\" class=\"editorjs-toc__link\">Wie die wichtigsten Standards zusammenpassen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Häufige Fehlermuster bei Unternehmens-KI\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-109\" class=\"editorjs-toc__link\">Häufige Missverständnisse\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-111\" class=\"editorjs-toc__link\">Eine praktische Entscheidungssequenz für Enterprise-KI-Architektur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Checkliste für Enterprise-KI-Architektur\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-115\" class=\"editorjs-toc__link\">Grenzfälle und Grenzen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-120\" class=\"editorjs-toc__link\">Was würde diese Antwort ändern?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-123\" class=\"editorjs-toc__link\">Verwandtes kanonisches Wissen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-130\" class=\"editorjs-toc__link\">Häufig gestellte Fragen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-132\" class=\"editorjs-toc__link\">Glossar\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-134\" class=\"editorjs-toc__link\">Fazit\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-138\" class=\"editorjs-toc__link\">Primärquellen und aktuelle Leitlinien\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-6\">Was Enterprise-KI-Architektur wirklich bedeutet\u003C\u002Fh2>\n\u003Cp>Enterprise-KI-Architektur beschreibt, wie KI-Fähigkeiten in eine bestehende Organisation integriert werden, ohne die Grenzen zu durchbrechen, die Unternehmenssysteme bereits steuerbar machen: fachliche Verantwortung, Identität, Autorisierung, Datenklassifizierung, Verantwortung für Systeme of Record, Änderungsmanagement, Beschaffung, Audit, Kontinuität und Betrieb.\u003C\u002Fp>\n\u003Cp>Der Unternehmensarchitekt ersetzt nicht den KI-Lösungsarchitekten oder den KI-Plattformarchitekten. Der Unternehmensumfang stellt eine andere Frage: Wie fügen sich mehrere KI-Lösungen und gemeinsame KI-Fähigkeiten in die Zielarchitektur, Richtlinien, Datenlandschaft, das Risikomodell und das Betriebsmodell des Unternehmens ein?\u003C\u002Fp>\n\u003Cp>Dadurch wird Enterprise-KI-Architektur zu einer Koordinationsdisziplin über Technologie und Organisation hinweg. Eine technisch gute Modellintegration kann dennoch ein Fehler der Unternehmensarchitektur sein, wenn sie Schatten-Datenflüsse erzeugt, Identitäten dupliziert, die Beschaffung umgeht, nicht auditierbar ist, keinen Verantwortlichen hat oder nicht sicher geändert werden kann.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Lösungs-, Plattform- und Enterprise-KI-Architektur sind unterschiedliche Umfänge\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">KI-Lösungsarchitektur\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">KI-Plattformarchitektur\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Enterprise-KI-Architektur\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Primärer Umfang\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Primäre Frage\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Fokus der Verantwortung\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Erfolgsbedingung\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-11\">Das einfachste Beispiel\u003C\u002Fh2>\n\u003Cp>Ein Unternehmen beginnt mit einem internen Dokumentenassistenten. Die erste Version durchsucht freigegebene Dokumente und sendet den abgerufenen Kontext an ein Sprachmodell. Auf Lösungsebene mag dies einfach erscheinen.\u003C\u002Fp>\n\u003Cp>Dann möchte ein zweites Team KI für den Kundensupport. Ein drittes möchte einen Agenten, der Tickets aktualisieren kann. Die Finanzabteilung möchte Dokumentenanalyse. Die Personalabteilung möchte einen internen Assistenten. Entwickler möchten Coding-Agenten. Plötzlich hat das Unternehmen mehrere Anbieter, mehrere Datenklassen, unterschiedliche Benutzergruppen, überlappende Retrieval-Indizes, unterschiedliche Protokollierungsregeln, neue Tool-Berechtigungen, duplizierte Secrets und unklare Verantwortlichkeiten.\u003C\u002Fp>\n\u003Cp>Zu diesem Zeitpunkt lautet die Frage nicht mehr „Funktioniert der Assistent?“ Die Unternehmensfrage wird: Welche Fähigkeiten sind genehmigt, wer verantwortet sie, welche Daten dürfen welche Grenze überschreiten, wie werden Identitäten und Berechtigungen durchgesetzt, welche Anbieter sind akzeptabel, was muss auditiert werden und wie kann die Organisation Modelle oder Lieferanten ändern, ohne die Kontrolle zu verlieren?\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Von der isolierten KI-Funktion zur Unternehmensarchitektur\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Isolierter Anwendungsfall\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Ein Team verbindet ein Modell mit einem Workflow und validiert den lokalen Nutzen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Gemeinsame Abhängigkeiten entstehen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Mehrere Teams benötigen Anbieter, Modellzugriff, Retrieval, Identität, Secrets, Observability und Evaluierung.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Unternehmensgrenzen werden überschritten\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">KI berührt regulierte Daten, Systeme of Record, externe Anbieter, privilegierte Aktionen und Geschäftsentscheidungen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Verantwortung muss explizit werden\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Fachbereich, Architektur, Daten, Sicherheit, Recht\u002FCompliance, Beschaffung und Betrieb benötigen definierte Verantwortlichkeiten.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Der Lebenszyklus wird organisatorisch\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Modelländerungen, Prompt-Änderungen, Anbieterwechsel und neue Agent-Fähigkeiten werden zu gesteuerten Änderungen statt zu lokalen Entwickleranpassungen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Die Architektur wird wiederholbar\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Die Organisation etabliert wiederverwendbare Muster, Entscheidungsdokumente, Kontrollen, Ausnahmen und Validierungs-Gates für neue KI-Workloads.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-16\">Wo das einfache Beispiel endet\u003C\u002Fh2>\n\u003Cp>Unternehmensarchitektur bedeutet nicht, dass jede KI-Komponente zentralisiert werden muss. Einige Fähigkeiten sollten gemeinsam genutzt werden; andere müssen in der Domäne verbleiben. Finanzen, Personalwesen, Engineering und Kundensupport können legitimerweise unterschiedliche Datengrenzen, Anbieter, Bewertungskriterien und Regeln für menschliche Genehmigung erfordern.\u003C\u002Fp>\n\u003Cp>Das Unternehmensziel ist daher nicht ein Modell, eine Vektordatenbank oder ein universeller Assistent. Das Ziel ist eine kohärente Architektur mit expliziter Variation: gemeinsame Richtlinien und wiederverwendbare Fähigkeiten, wo sie Risiko und Duplikation reduzieren, plus kontrollierte Ausnahmen, wo Geschäfts- oder regulatorische Anforderungen abweichen.\u003C\u002Fp>\n\u003Ch2 id=\"section-19\">Was sich in der Architektur ändert, wenn KI ins Unternehmen Einzug hält\u003C\u002Fh2>\n\u003Ch3 id=\"section-20\">1. Business Ownership wird Teil der technischen Architektur\u003C\u002Fh3>\n\u003Cp>Traditionelle Anwendungen benötigen bereits Business Owner. KI macht diese Anforderung sichtbarer, weil akzeptables Verhalten nicht nur durch Verfügbarkeit und funktionale Korrektheit definiert werden kann. Jemand muss den beabsichtigten Nutzen, unzulässige Nutzung, Ausgabequalität, Eskalationspfad und Konsequenzen falscher oder unangemessener Ergebnisse verantworten.\u003C\u002Fp>\n\u003Cp>Ein Modellteam kann nicht allein entscheiden, ob eine Antwort für HR, Finanzen, Recht oder kundenorientierte Nutzung akzeptabel ist. Enterprise-KI-Architektur verbindet daher technisches Design mit einer expliziten Geschäftsfähigkeit, einem verantwortlichen Owner, einer Nutzergruppe und einem Entscheidungskontext.\u003C\u002Fp>\n\u003Ch3 id=\"section-23\">2. Datenzugriff allein reicht nicht — Datenhoheit muss definiert werden\u003C\u002Fh3>\n\u003Cp>Enterprise-KI kombiniert häufig operative Datenbanken, Dokumente, Suchindizes, Vektorspeicher, Data Warehouses, SaaS-Systeme und externes Wissen. Die Architektur muss unterscheiden, wo Informationen gespeichert sind und welche Quelle für eine bestimmte Aussage oder Aktion maßgeblich ist.\u003C\u002Fp>\n\u003Cp>Ein Vektorindex kann das Retrieval verbessern, sollte aber nicht stillschweigend zum System of Record des Unternehmens werden. Eine Modellantwort kann einen ERP-Datensatz zusammenfassen, sollte aber das ERP nicht als maßgebliche Quelle ersetzen. Gecachter Kontext kann die Latenz verbessern, wird jedoch unsicher, wenn sich Berechtigungen oder der zugrunde liegende Geschäftszustand ändern.\u003C\u002Fp>\n\u003Cp>Enterprise-KI benötigt daher zusätzlich zur gewöhnlichen Datenintegration Provenienz, Aktualität, Quellenklassifizierung, Autorisierungsweitergabe und Invalidierungsregeln.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Enterprise-Datenregel\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Das KI-System darf Unternehmensdaten transformieren, abrufen und über sie schlussfolgern, ohne zur Autorität für diese Daten zu werden.\u003C\u002Fstrong> Die Architektur sollte einen Pfad zurück zur maßgeblichen Quelle bewahren, wann immer der Anwendungsfall Nachweise, Verifikation oder folgenreiche Aktionen erfordert.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-28\">3. Identität wird mehrschichtig\u003C\u002Fh3>\n\u003Cp>Enterprise-KI hat mehr Identitäten als der menschliche Nutzer. Eine Anfrage kann eine Benutzeridentität, Anwendungsidentität, Dienstidentität, Agentenidentität, Anbieter-Anmeldeinformation, Tool-Anmeldeinformation und Mandanten- oder Organisationskontext umfassen.\u003C\u002Fp>\n\u003Cp>Diese Identitäten sollten nicht in einem einzigen gemeinsam genutzten API-Schlüssel zusammengefasst werden. Die Autorisierung muss dem richtigen Prinzipal zuordenbar bleiben, und privilegierte Tools sollten nur die für den aktuellen Vorgang erforderliche Autorität erhalten.\u003C\u002Fp>\n\u003Cp>Für agentische Systeme wird dies besonders wichtig: Ein Modell kann eine Aktion vorschlagen, aber die Laufzeitumgebung muss entscheiden, ob die anfragende Identität berechtigt ist, sie auszuführen. Modellfähigkeit ist keine Autorisierung.\u003C\u002Fp>\n\u003Ch3 id=\"section-32\">4. Berechtigungen verschieben sich vom Inhaltszugriff zur Aktionsautorität\u003C\u002Fh3>\n\u003Cp>Ein schreibgeschützter Assistent benötigt hauptsächlich kontrollierten Zugriff auf Informationen. Ein Enterprise-Agent kann Tickets erstellen, Datensätze ändern, Nachrichten senden, Workflows auslösen oder externe Systeme bedienen. Das führt eine andere Risikoklasse ein, weil das System den Zustand ändern kann, anstatt ihn nur zu beschreiben.\u003C\u002Fp>\n\u003Cp>Die Architektur sollte Lese-, Schreib-, Genehmigungs- und administrative Fähigkeiten trennen; Human-in-the-Loop-Punkte definieren, wo die Konsequenz sie rechtfertigt; und einen Audit-Trail bewahren, der identifiziert, was angefragt, was genehmigt und was tatsächlich geändert wurde.\u003C\u002Fp>\n\u003Ch3 id=\"section-35\">5. Der KI-Anbieter wird zu einer Unternehmensabhängigkeit\u003C\u002Fh3>\n\u003Cp>Eine Modell-API aufzurufen ist auch eine Lieferantenbeziehung. Die Architektur kann von Anbieterverfügbarkeit, Servicebedingungen, Datenverarbeitungsbedingungen, unterstützten Regionen, Modelllebenszyklus, Kontingenten, Preisgestaltung, API-Kompatibilität, Sicherheitskontrollen und Änderungsmitteilungen abhängen.\u003C\u002Fp>\n\u003Cp>Das bedeutet, dass die Anbieterauswahl nicht nur eine Benchmark-Entscheidung ist. Beschaffung, Sicherheit, Datenschutz, rechtliche Prüfung, Kontinuitätsplanung und Exit-Strategie können alle zu Architektureingaben werden.\u003C\u002Fp>\n\u003Cp>Anbieterabstraktion kann die Kopplung reduzieren, aber nur dort, wo die zugrunde liegenden Fähigkeiten wirklich portabel sind. Tool-Nutzung, strukturierte Ausgabe, Kontextgrenzen, Multimodalität, Sicherheitskontrollen, Fine-Tuning und gehostete Agentenfunktionen können sich zwischen Anbietern erheblich unterscheiden.\u003C\u002Fp>\n\u003Ch3 id=\"section-39\">6. KI-Risiko wird zu einem Lebenszyklusprozess\u003C\u002Fh3>\n\u003Cp>KI-Risiko ist nicht mit einer einzigen Genehmigung vor dem Start abgeschlossen. Das Modell, der Prompt, das Retrieval-Korpus, das Tool-Set, der Anbieter, die Nutzerpopulation und der umgebende Geschäftsprozess können sich nach der Bereitstellung alle ändern. Das Risikoprofil ändert sich mit ihnen.\u003C\u002Fp>\n\u003Cp>ISO\u002FIEC 23894:2023 befasst sich ausdrücklich mit der Integration des KI-Risikomanagements in organisatorische Aktivitäten und Funktionen. NIST AI RMF rahmt das Risikomanagement ebenfalls über den gesamten Lebenszyklus. Unternehmensarchitektur sollte daher die Risikoprüfung zu einem Teil von Änderung und Betrieb machen und nicht zu einem isolierten Compliance-Dokument.\u003C\u002Fp>\n\u003Cp>Risiko sollte auch verhältnismäßig sein. Ein Zusammenfassungsassistent und ein autonomes System, das Produktionsdatensätze ändert, sollten nicht allein deshalb identische Kontrollen erhalten, weil beide ein LLM verwenden.\u003C\u002Fp>\n\u003Ch3 id=\"section-43\">7. Governance wird zu einem Betriebssystem, nicht zu einem Richtlinien-PDF\u003C\u002Fh3>\n\u003Cp>ISO\u002FIEC 42001:2023 definiert Anforderungen für die Einrichtung, Umsetzung, Aufrechterhaltung und kontinuierliche Verbesserung eines KI-Managementsystems. Die architektonische Konsequenz ist wichtig: Governance muss Richtlinien mit realen Inventaren, Verantwortlichkeiten, Prozessen, Kontrollen, Nachweisen, Überprüfungen und Verbesserungsschleifen verbinden.\u003C\u002Fp>\n\u003Cp>Eine Unternehmens-KI-Richtlinie, die nicht mit Anbietergenehmigung, Identität, Protokollierung, Änderungsmanagement, Evaluierung und Incident Response verbunden ist, hat begrenzte architektonische Wirkung. Die Organisation benötigt Mechanismen, die Richtlinien durchsetzbar oder zumindest beobachtbar machen.\u003C\u002Fp>\n\u003Ch3 id=\"section-46\">8. Evaluierung wird zu einer Produktionskontrolle\u003C\u002Fh3>\n\u003Cp>Traditionelle Abnahmetests gehen davon aus, dass dieselbe Eingabe normalerweise dasselbe deterministische Ergebnis liefert. Generative KI kann nichtdeterministisch sein, empfindlich auf Kontext reagieren und von sich änderndem externem Wissen abhängen. Produktionsabnahme erfordert daher aufgabenspezifische Evals, Regressions-Suites und beobachtbare Schwellenwerte statt nur Unit-Tests.\u003C\u002Fp>\n\u003Cp>Die Plattform kann wiederverwendbare Evaluierungsinfrastruktur bereitstellen, aber das Unternehmen muss weiterhin die Verantwortung für domänenspezifische Ground Truth und Release-Gates tragen. Ein zentrales KI-Team kann nicht für jede Geschäftsdomäne die richtige Antwort erfinden.\u003C\u002Fp>\n\u003Cp>Änderungen an Modell, Prompt, Retrieval und Tools sollten auf Evaluierungsnachweise zurückführbar sein, wenn die Änderung das Ausgabeverhalten wesentlich beeinflussen kann.\u003C\u002Fp>\n\u003Ch3 id=\"section-50\">9. Observability muss Verhalten, Daten und Modellkontext umfassen\u003C\u002Fh3>\n\u003Cp>CPU-, Speicher- und HTTP-Fehlerraten sind für KI-Workloads nicht ausreichend. Produktions-Observability kann Modell-\u002FAnbieterkennungen, Latenz, Token-Nutzung, Kosten, Retrieval-Ergebnisse, Tool-Aufrufe, Verweigerungsverhalten, Evaluierungsbewertungen, Sicherheitsereignisse und Fehlerklassifizierungen erfordern.\u003C\u002Fp>\n\u003Cp>Gleichzeitig können KI-Telemetriedaten sensible Daten enthalten. Prompt- und Antwortprotokolle können zu einem Schatten-Datenspeicher werden. Unternehmensarchitektur muss daher definieren, was protokolliert werden darf, wie es redigiert wird, wer darauf zugreifen kann, wie lange es aufbewahrt wird und wann detailliertes Tracing deaktiviert werden muss.\u003C\u002Fp>\n\u003Ch3 id=\"section-53\">10. KI-Komponenten benötigen explizite Lebenszyklus-Verantwortung\u003C\u002Fh3>\n\u003Cp>Modelle können von Anbietern umbenannt, ersetzt, außer Betrieb genommen oder geändert werden. Embedding-Modelle können eine Indexstrategie ungültig machen. Prompt-Vorlagen und Systemanweisungen können das Verhalten ändern. Agenten-Laufzeitumgebungen und Protokolle können sich weiterentwickeln. Externe Tools können ihre Schemata und Berechtigungen ändern.\u003C\u002Fp>\n\u003Cp>Die Unternehmensarchitektur muss entscheiden, wer diese Änderungen erkennt, wer sie testet, wer sie genehmigt, wie Verbraucher benachrichtigt werden, wie ein Rollback funktioniert und welche Nachweise erforderlich sind, bevor eine neue Version zum Standard wird.\u003C\u002Fp>\n\u003Ch3 id=\"section-56\">11. Incident Response muss KI-spezifische Fehlermodi berücksichtigen\u003C\u002Fh3>\n\u003Cp>Ein KI-Vorfall kann ein Anbieterausfall, ein Datenleck, ein Prompt-Injection-Pfad, ein Autorisierungsfehler, eine Retrieval-Kontamination, unerwartetes Modellverhalten, eine unsichere Tool-Ausführung, ein Kostenanstieg, veraltetes Wissen, eine Evaluierungsregression oder eine Änderung des externen Modellverhaltens sein.\u003C\u002Fp>\n\u003Cp>Das Unternehmens-Runbook muss daher mehr als nur „den Dienst neu starten“ bieten. Es kann erforderlich sein, eine Modellroute zu deaktivieren, den Tool-Zugriff zu widerrufen, ein Korpus einzufrieren, eine Prompt-Version zu ändern, eine Agent-Fähigkeit zu deaktivieren, den Anbieter zu wechseln, an einen Domänenverantwortlichen zu eskalieren oder Traces für die Untersuchung zu sichern.\u003C\u002Fp>\n\u003Ch2 id=\"section-59\">Unternehmens-KI schafft funktionsübergreifende Verantwortung\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Anliegen\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Typischer Unternehmensverantwortlicher oder Mitwirkender\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Architekturfrage\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Geschäftliche Nutzung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fachbereichsverantwortlicher \u002F Product Owner\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Entscheidung oder welchen Workflow darf KI unterstützen oder automatisieren?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lösungsarchitektur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">KI- \u002F Lösungsarchitekt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie erfüllt die konkrete Arbeitslast ihre funktionalen und qualitativen Anforderungen?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Gemeinsame KI-Fähigkeiten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">KI-Plattform \u002F Plattform-Engineering\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche wiederverwendbaren Modell-, Retrieval-, Agent- und Observability-Dienste werden bereitgestellt?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Unternehmenskohärenz\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Unternehmensarchitektur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie passen KI-Systeme in Zielarchitektur, Standards, Integrationsmuster und organisatorische Verantwortung?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datenhoheit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datenverantwortlicher \u002F Domänenverantwortlicher\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Daten sind autoritativ, aktuell, zulässig und ausreichend governance-konform?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Identität und Sicherheit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">IAM \u002F Sicherheitsarchitektur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Identitäten dürfen auf welche Daten zugreifen und welche Aktionen ausführen?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Risiko und Compliance\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Risiko \u002F Recht \u002F Compliance \u002F Datenschutz\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Pflichten, verbotenen Verwendungen, Kontrollen und Nachweise gelten für diesen Anwendungsfall?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lieferantenabhängigkeit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Beschaffung \u002F Vendor Management \u002F Architektur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche vertraglichen, operativen und Exit-Risiken ergeben sich aus dem Anbieter?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Betrieb\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">SRE \u002F Betrieb \u002F Plattformverantwortlicher\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie wird das System überwacht, unterstützt, degradiert, wiederhergestellt und geändert?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Domänenakzeptanz\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fach- \u002F Domänenspezialisten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was gilt in dieser Domäne als korrektes, sicheres oder nützliches Ergebnis?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Ein RACI-Diagramm ist noch keine Architektur\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Verantwortlichkeitsmatrizen sind nur nützlich, wenn sie mit realen Systemgrenzen, Genehmigungen, Datenverantwortung, Schnittstellen, Runbooks und Änderungsprozessen verbunden sind. Unternehmens-KI benötigt rechenschaftspflichtige Verantwortung, die auf technische Kontrollen und betriebliche Maßnahmen zurückführbar ist.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-62\">Ein praktisches Architekturmodell für Unternehmens-KI\u003C\u002Fh2>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Vorgeschlagenes Schichtenmodell\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Das folgende Modell ist eine praktische Synthese zur Betrachtung von Unternehmens-KI-Architektur. Es wird nicht als ISO- oder NIST-Standard präsentiert. Sein Zweck ist es, organisationsübergreifende Grenzen explizit zu machen.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Schicht\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Primäre Verantwortung\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Geschäft und Richtlinie\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Genehmigte Anwendungsfälle, rechenschaftspflichtige Verantwortliche, Risikobereitschaft, verbotene Verwendungen, menschliche Verantwortung, Geschäftsakzeptanz.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Identität und Berechtigung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Benutzer-\u002FDienst-\u002FAgent-Identitäten, Rollen, Mandanten- oder Organisationsumfang, privilegierte Aktionen, Genehmigungspfade.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Unternehmensdaten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Systeme of Record, Dokumentquellen, Datenprodukte, Herkunft, Klassifizierung, Aufbewahrung, Aktualität und Zugriff.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">KI-Plattform\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anbieter-\u002FModellzugriff, Retrieval-Primitive, Agent-Runtimes, Tool-Broker, Evaluierungsinfrastruktur, Observability, Quoten und Secrets.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">KI-Lösungen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Domänen-Workflows, Prompts\u002FAnweisungen, Domänen-Retrieval, Geschäftslogik, Akzeptanzkriterien und Benutzererfahrung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Integration und Tools\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">APIs, Unternehmensanwendungen, Workflows, Messaging, Dateisysteme, externe Dienste und Aktionsausführung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Risiko und Governance\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Inventar, Bewertung, Compliance-Nachweise, Ausnahmemanagement, Modell-\u002FAnbietergenehmigung, Review und Audit.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Betrieb und Lebenszyklus\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bereitstellung, Überwachung, Vorfälle, Releases, Modell-\u002FAnbieteränderungen, Deprecation, Rollback und Kontinuität.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Die Architektur ist am stärksten, wenn jede Schicht sowohl ihre Verantwortlichkeiten als auch ihre Nicht-Verantwortlichkeiten benennen kann. Beispielsweise kann die KI-Plattform Anbieterrichtlinien durchsetzen und Traces sammeln, ohne zur Quelle der Wahrheit für HR-Daten zu werden. Eine Lösung kann Domänen-Prompts definieren, ohne das Unternehmens-IAM zu besitzen. Ein Fachbereichsverantwortlicher kann einen Anwendungsfall genehmigen, ohne das Inferenz-Gateway betreiben zu müssen.\u003C\u002Fp>\n\u003Ch2 id=\"section-66\">Unternehmens-KI als Daten- und Berechtigungsflüsse abbilden, nicht als Boxen\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Eine folgenreiche Unternehmens-KI-Anfrage\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Geschäftskontext\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Der Benutzer fordert eine Aufgabe im Rahmen eines genehmigten Anwendungsfalls mit einem rechenschaftspflichtigen Fachbereichsverantwortlichen an.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Identität und Autorisierung\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Das System löst Benutzer-, Anwendungs-, Dienst- und Mandanten- oder Organisationsumfang vor privilegiertem Zugriff auf.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Beschaffung autoritativer Daten\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Die Lösung liest oder ruft nur Quellen ab, die für die aktuelle Identität und Aufgabe zulässig sind.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. KI-Verarbeitung\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Ein genehmigtes Modell\u002Fein genehmigter Anbieter verarbeitet den minimal notwendigen Kontext unter definierten Routing- und Datenbehandlungsregeln.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Tool- oder Aktionsgrenze\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Jede zustandsändernde Aktion wird unabhängig autorisiert und kann je nach Konsequenz eine menschliche Genehmigung erfordern.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Validierung\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Das Ergebnis wird gegen lösungsspezifische Akzeptanz-, Nachweis- oder Sicherheitsregeln geprüft.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Audit und Observability\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Zulässige Metadaten, Entscheidungen, Routen, Tool-Aufrufe und Ergebnisse werden aufgezeichnet, ohne unkontrollierte Protokolle mit sensiblen Daten zu erzeugen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Feedback und Lebenszyklus\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Fehler und Evaluierungsergebnisse fließen über kontrolliertes Änderungsmanagement in Modell-, Prompt-, Daten-, Richtlinien- und Prozessänderungen ein.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-68\">Ein Unternehmen benötigt ein KI-Inventar, bevor es KI governen kann\u003C\u002Fh2>\n\u003Cp>Organisationen können KI-Systeme nicht verwalten, die sie nicht identifizieren können. Die Unternehmensarchitektur sollte ein Inventar auf einem für Entscheidungen nützlichen Detaillierungsgrad pflegen, nicht nur eine Liste von Modellnamen.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Inventarfeld\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Warum es wichtig ist\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anwendungsfall und Verantwortlicher\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verbindet Technologie mit rechenschaftspflichtigem Geschäftszweck.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Benutzer und betroffene Parteien\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definiert, wer mit dem System interagiert oder davon betroffen ist.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modell\u002FAnbieter\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Identifiziert externe Abhängigkeit, Fähigkeit und Lebenszyklusrisiko.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datenquellen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Unterstützt Autorität, Datenschutz, Klassifizierung und Herkunftsprüfung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bereitstellungs-\u002FLaufzeitort\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Klärt Verarbeitungsort, Konnektivität und betriebliche Kontrolle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tools\u002FAktionen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zeigt, ob die KI externen Zustand ändern kann und mit welcher Konsequenz.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Menschliche Aufsicht\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dokumentiert, wo Review, Genehmigung oder Eskalation erforderlich sind.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Risiko\u002FKlassifizierung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verbindet das System mit organisatorischen und regulatorischen Kontrollen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Evaluierungsnachweise\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zeigt, was getestet wurde und unter welchen Gültigkeitsbedingungen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktuelle Version\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ermöglicht die Rückverfolgung von Vorfällen und Regressionen auf den tatsächlich bereitgestellten Zustand.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lebenszyklusstatus\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vorgeschlagen, experimentell, genehmigt, Produktion, eingeschränkt, veraltet oder außer Betrieb.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-71\">KI-Governance und Unternehmens-KI-Architektur sind verwandt, aber nicht dasselbe\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Governance versus Architektur\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">KI-Governance\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Unternehmens-KI-Architektur\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Zweck\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Beispiel\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Versagen bei Isolation\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-73\">Regulierung wird zur Architekturvorgabe\u003C\u002Fh2>\n\u003Cp>Für Organisationen, die in der Europäischen Union tätig sind, kann der AI Act Anforderungen schaffen, die Systemdesign, Dokumentation, Transparenz, Governance und Betriebsprozesse beeinflussen. Die architektonischen Auswirkungen hängen von der Rolle der Organisation in der KI-Wertschöpfungskette und der konkreten Systemklassifizierung ab; nicht jedes KI-System hat dieselben Pflichten.\u003C\u002Fp>\n\u003Cp>Ab dem 8. Oktober 2026 gilt nach dem aktuellen konsolidierten Text, dass die Verordnung im Allgemeinen ab dem 2. August 2026 Anwendung findet. Governance-Regeln und Pflichten für Allzweck-KI-Modelle galten bereits früher, während bestimmte Vorschriften für Hochrisikosysteme spätere Termine haben. Die Kommission begann außerdem ab dem 2. August 2026 mit der Durchsetzung neuer Transparenzanforderungen für relevante interaktive und synthetische Inhalte erzeugende Systeme.\u003C\u002Fp>\n\u003Cp>Die Lehre für die Unternehmensarchitektur lautet nicht „Compliance ins Modell packen“. Sie besteht darin, Klassifizierung, Anbieter-\u002FBetreiberrolle, Dokumentation, Transparenz, Aufsicht, Protokollierung und Änderungsnachweise auf das System zurückführbar zu machen, das den Anwendungsfall tatsächlich umsetzt.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Der rechtliche Geltungsbereich ist anwendungsfallspezifisch\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Dieser Artikel beschreibt architektonische Implikationen, keine Rechtsberatung. Unternehmens-KI-Architektur sollte die Informationen bewahren, die Rechts- und Compliance-Spezialisten benötigen, um das tatsächliche System zu klassifizieren und Pflichten konkreten Kontrollen zuzuordnen. Architektur sollte nicht eine regulatorische Interpretation fest verdrahten, als hätte jede KI-Workload denselben Status.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-78\">Beschaffung und Architektur werden miteinander verbunden\u003C\u002Fh2>\n\u003Cp>Ein externes Modell oder eine verwaltete KI-Plattform kann zu einer tiefen Abhängigkeit werden, selbst wenn die Integration nur wenige API-Aufrufe erfordert. Unternehmensarchitektur sollte daher Beschaffungsfragen technisch konkret machen.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Beschaffungsfrage\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Architektonische Konsequenz\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wo werden Daten verarbeitet?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Region, Netzwerkpfad, Datenresidenz und Transferkontrollen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Werden Kundendaten aufbewahrt oder zur Verbesserung des Anbieters verwendet?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datenminimierung, vertragliche Kontrollen und Anbieter-Eignung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie werden Modelle versioniert oder außer Betrieb genommen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Regressionstests, Kompatibilität, Fallback und Lebenszyklusplanung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was sind Quoten und Servicelimits?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kapazitätsarchitektur, Zugangskontrolle und Fehlerbehandlung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie portabel ist die Integration?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anbieterabstraktion, Ausstiegskosten und Migrationsaufwand.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Incident-Informationen sind verfügbar?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Observability, Forensikfähigkeit und Support-Eskalation.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Unterauftragsverarbeiter oder externen Dienste sind beteiligt?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Abhängigkeitskartierung und Risikobewertung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was ändert sich ohne ausdrückliche Kundenfreigabe?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Änderungserkennung, Release-Gates und Abnahmestrategie.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-81\">Unternehmensarchitektur entscheidet, wie viel KI-Kontrolle die Anforderung tatsächlich benötigt\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Anforderung\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Mögliche architektonische Antwort\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Schneller Zugriff auf verwaltete Modelle\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verwalteter Anbieter mit Unternehmensidentität, Gateway-Kontrollen und vertraglicher Prüfung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Private Daten mit verwalteter Orchestrierung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verwaltete Steuerungsebene plus kundengesteuerte Ausführung oder private Datenebene, wo unterstützt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Strikte Lokalität oder Souveränität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Regionsbeschränkte, souveräne, private oder selbst gehostete Architektur entsprechend der tatsächlichen Anforderung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Air-Gapped-Umgebung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lokal gehostete Modelle, lokales Retrieval, lokale Tooling, Offline-Update\u002F-Verteilung und isolierte Observability.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anbieterportabilität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anwendungseigener Domänenzustand plus Adapter und Verträge, die anbieterspezifisches Verhalten praktisch isolieren.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Höchste Kontrolle über Agenten-Semantik\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Selbstverwaltete oder tief kontrollierte Laufzeitumgebung mit explizitem Eigentum an Tools, Kontext, Zustand und Lebenszyklus.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Die am stärksten kontrollierte Architektur ist nicht automatisch die beste Unternehmensarchitektur. Mehr Eigenverantwortung erhöht die Verantwortung für Patches, Kapazität, Sicherheit, Tests, Modellbetrieb und Incident Response. Unternehmensarchitektur sollte die Kontrolle nur dort erhöhen, wo die Anforderung die zusätzliche betriebliche Belastung rechtfertigt.\u003C\u002Fp>\n\u003Ch2 id=\"section-84\">KI macht Change Management zu einem Verhaltensproblem\u003C\u002Fh2>\n\u003Cp>Ein normales Abhängigkeitsupdate kann Leistung oder Kompatibilität verändern. Eine KI-Änderung kann auch das Verhalten verändern. Der Austausch eines Modells, die Änderung eines System-Prompts, die Änderung des Retrievals, das Hinzufügen eines Tools oder die Änderung der Kontextrichtlinie kann die Art und Weise verändern, wie das System interpretiert und antwortet, selbst wenn sich der umgebende Anwendungscode kaum ändert.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Ein Produktions-KI-Änderungspfad\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Änderung identifiziert\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Modell-, Anbieter-, Prompt-, Retrieval-Quellen-, Tool-, Richtlinien- oder Laufzeitänderung wird vorgeschlagen oder erkannt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Auswirkungen kartiert\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Betroffene Lösungen, Datenklassen, Benutzer, Risikokontrollen, Kosten, Verträge und betriebliche Abhängigkeiten werden identifiziert.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Architekturentscheidung aktualisiert\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Wesentliche Entscheidungen und Abwägungen werden festgehalten; überholte Entscheidungen bleiben historisch nachvollziehbar.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Evaluierung durchgeführt\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Relevante Regressions-, Sicherheits-, Retrieval-, Latenz-, Kosten- und Domänentests werden ausgeführt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Genehmigung angewendet\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Die Genehmigungsstufe richtet sich nach Konsequenz, Risiko und Organisationsrichtlinie.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Kontrollierte Einführung\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Versionierte Freigabe, Canary- oder gestufte Bereitstellung wird verwendet, wo angemessen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Produktionsnachweise gesammelt\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Telemetrie, Vorfälle, Feedback und Domänenergebnisse werden überwacht.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Rollback oder Abnahme\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Die Änderung wird basierend auf Nachweisen akzeptiert, eingeschränkt, zurückgerollt oder ersetzt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-87\">Unternehmens-KI braucht weiterhin NFRs und ADRs\u003C\u002Fh2>\n\u003Cp>KI ersetzt nicht die gewöhnliche Architekturdisziplin. Nicht-funktionale Anforderungen bleiben die Zielbedingungen: Verfügbarkeit, Latenz, Datenschutz, Isolation, Auditierbarkeit, Wiederherstellbarkeit, Kostengrenzen, Erklärbarkeit oder andere Qualitätsanforderungen. Architecture Decision Records bewahren die gewählte Antwort und ihre Abwägungen.\u003C\u002Fp>\n\u003Cp>Der KI-spezifische Unterschied besteht darin, dass einige Qualitätsattribute probabilistisch oder empirisch bewertet werden müssen. „Antworten müssen nützlich sein“ ist zu vage. Eine Produktionsanforderung sollte die Aufgabe, die Daten, die Benutzerpopulation, akzeptable Fehlerbedingungen, die Messmethode und den Schwellenwert identifizieren, wo praktikabel.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Unternehmens-Nachvollziehbarkeitskette\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Geschäftsbedarf → Anforderung \u002F NFR → Architekturentscheidung → Implementierung → Evaluierung \u002F Validierung → Produktionsbeobachtung → Änderungsentscheidung.\u003C\u002Fstrong> KI fügt dieser Kette neue Variablen hinzu; sie macht die Kette nicht überflüssig.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-91\">Unternehmens-KI-Architektur muss mit der Lieferung verbunden sein\u003C\u002Fh2>\n\u003Cp>Architektur, die niemals Backlog, Implementierung, Abnahme und Betrieb erreicht, bleibt konzeptionell. Unternehmens-KI benötigt daher Rückverfolgbarkeit von Architekturentscheidungen in die Lieferarbeit und zurück von Implementierungsnachweisen in die Architektur.\u003C\u002Fp>\n\u003Cp>Jira und Confluence sind Beispiele für Tools, die diese Trennung unterstützen können, wenn sie bewusst eingesetzt werden: Confluence kann Anforderungen, Architektur, Entscheidungen, Risiken und Begründungen bewahren; Jira kann umsetzbare Lieferarbeit und Status verwalten. Das wichtige Prinzip ist die Rückverfolgbarkeit, nicht die Marke des Tools.\u003C\u002Fp>\n\u003Ch2 id=\"section-94\">Ursprüngliche Projektnachweise: Enterprise Aaasaasa 0.1\u003C\u002Fh2>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Projektnachweis, keine marktbelegende Behauptung\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Enterprise Aaasaasa 0.1 wird hier als ursprünglicher Projektnachweis für strukturiertes Unternehmensarchitektur- und Lieferdenken verwendet. Es ist ein PoC-\u002FUnternehmensprojektkontext, kein Nachweis für massenhafte Kundenakzeptanz, unternehmensweite Produktionsnutzung oder kommerzielle Traktion.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cp>Enterprise Aaasaasa 0.1 kombiniert Plattformarchitektur, SaaS-\u002FAPI-Konzepte, Internationalisierung, KI-Integration und strukturierte Projektgovernance. Das Projekt wurde bewusst so organisiert, dass Anforderungen, Architektur, Prototypenlieferung, Validierung und Abschluss separate Meilensteine waren und nicht eine undifferenzierte Implementierungsphase.\u003C\u002Fp>\n\u003Cp>Die Architekturrichtung umfasst Multi-Instanz-\u002FMulti-Datenbank-Konzepte zusammen mit API-, CRUD-, i18n- und KI-Fähigkeiten. Das ist für Unternehmens-KI wichtig, weil Mandanten- oder Instanzgrenzen, Datenbankeigentum und Anwendungsdienste explizit bleiben müssen, wenn KI-Funktionen hinzugefügt werden.\u003C\u002Fp>\n\u003Cp>Die Projektstruktur behandelte auch Architekturverzögerungen, Scope Creep und KI-\u002FDatenschutzbedenken als Projektrisiken, anstatt sie erst während der Implementierung zu entdecken. Zu den Stakeholdern gehörten technische, Sicherheits-, Sponsor-\u002FLenkungs- und externe Service-Perspektiven, was der realen funktionsübergreifenden Natur von Unternehmens-KI näher kommt als ein reiner Modellprototyp.\u003C\u002Fp>\n\u003Cp>Der nützliche Nachweis ist daher die Integration von Architektur und Lieferung: Geschäfts- und Projektstruktur, Meilensteine, Risiken, Architektur, Backend\u002FAPI, Frontend-\u002FKI-Arbeit, Validierung und Abschluss werden als verbundene Verantwortlichkeiten behandelt. Dieses Muster ist wiederverwendbar, auch wenn das Projekt selbst nicht als Beweis für externe Unternehmensakzeptanz präsentiert werden sollte.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Projektelement\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Lektion für Unternehmens-KI-Architektur\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anforderungsmeilenstein\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">KI-Fähigkeit muss mit definiertem Bedarf, Umfang, Abnahmekriterien und Qualitätsbeschränkungen beginnen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Architekturmeilenstein\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Daten-, API-, Instanz-\u002FDatenbankgrenzen und KI-Integration sind explizite Designarbeit.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Prototypenmeilenstein\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Architektur muss ausführbar genug werden, um Integrationsrisiken offenzulegen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Validierungsmeilenstein\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein funktionierender Prototyp ist nicht dasselbe wie validierte Abnahme.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Risikoregister\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Umfang, Architekturverzögerung und KI-\u002FDatenschutzbedenken werden als Lieferrisiken gemanagt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Stakeholder-Struktur\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Unternehmens-KI umfasst Sponsor\u002FBusiness, Architektur, Sicherheit, externe Anbieter und Lieferung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Projektabschluss\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Entscheidungen, verbleibende Risiken und Validierungsnachweise müssen über den Implementierungssprint hinaus bestehen bleiben.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-101\">Unterstützende Implementierungsmuster aus der breiteren Plattformarbeit\u003C\u002Fh2>\n\u003Cp>Separate Implementierungsarbeit in der breiteren Aaasaasa-Plattform liefert konkrete Beispiele für Grenzen, die Unternehmens-KI-Architektur bewahren muss: mandantenbezogenes RBAC im CMS, explizite Trennung von Anbieter\u002FModell\u002FLaufzeitumgebung\u002FBerechtigung im Aaasaasa AI Client und Provenienz-first-Retrieval in der Source of Truth Research Engine.\u003C\u002Fp>\n\u003Cp>Diese Projekte sollten nicht zu einer einzigen beanspruchten Produktionsplattform zusammengefasst werden. Ihr Wert ist hier enger: Sie demonstrieren implementierte Muster für Identitätsumfang, Anbietergrenzen, kontrollierte Laufzeitberechtigungen, Retrieval-Provenienz und Nachweis-Rückverfolgbarkeit, die direkt für Unternehmens-KI relevant sind.\u003C\u002Fp>\n\u003Ch2 id=\"section-104\">Wie die wichtigsten Standards zusammenpassen\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Quelle\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Was sie zur Unternehmens-KI-Architektur beiträgt\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">ISO\u002FIEC 42001:2023\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">KI-Managementsystem auf Organisationsebene: Richtlinien, Ziele, Prozesse, Verantwortlichkeiten, Überwachung und kontinuierliche Verbesserung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">ISO\u002FIEC 23894:2023\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Leitfaden zur Integration von KI-spezifischem Risikomanagement in organisatorische Aktivitäten und Funktionen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">NIST AI RMF 1.0\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Freiwilliges, lebenszyklusorientiertes Rahmenwerk zum Management von KI-Risiken; organisiert um Govern, Map, Measure und Manage.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">NIST AI 600-1\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Generative-KI-Profil, das das AI RMF um generative-KI-spezifische Risiken und Maßnahmen erweitert.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">EU AI Act\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verbindliche regulatorische Pflichten in der EU, deren Anwendbarkeit von Rolle, Systemtyp und Klassifizierung abhängt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">ISO\u002FIEC\u002FIEEE 42010:2022\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Allgemeine Konzepte der Architekturbeschreibung zum Ausdruck von Anliegen, Sichtweisen, Entscheidungen und Beziehungen.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Diese Quellen lösen unterschiedliche Probleme. ISO\u002FIEC 42001 ist kein Ersatz für technische Architektur. ISO\u002FIEC 23894 und NIST AI RMF definieren keinen einzigen verbindlichen Software-Stack. Der EU AI Act ist Gesetz, kein Plattform-Designmuster. Architektur muss die anwendbaren organisatorischen, Risiko- und rechtlichen Anforderungen in implementierbare Systemgrenzen und Nachweise übersetzen.\u003C\u002Fp>\n\u003Ch2 id=\"section-107\">Häufige Fehlermuster bei Unternehmens-KI\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Fehlermuster\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Warum es fehlschlägt\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Jedes Team kauft KI unabhängig ein\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Erzeugt Schattenanbieter, duplizierte Secrets, inkonsistente Datenverarbeitung und schwache Hebelwirkung gegenüber Lieferantenrisiken.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein zentrales KI-Team besitzt jede Domänenentscheidung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zentralisiert technische Kontrolle, verliert aber Domänenverantwortung und schafft einen Engpass.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vektordatenbank wird zur Quelle der Wahrheit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Retrieval-Infrastruktur ersetzt stillschweigend autoritative Systeme und Aktualitätsregeln.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein gemeinsamer API-Schlüssel für alle Benutzer und Agenten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zerstört Zuordnung, geringste Berechtigung und aussagekräftige Auditierbarkeit.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelländerung wird wie ein kleiner Bibliotheks-Patch ausgerollt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verhaltensregressionen können die Produktion ohne Domänenbewertung erreichen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Alle Prompts und Ausgaben werden für immer protokolliert\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Observability schafft ein unkontrolliertes Repository sensibler Daten.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Governance ist nur Dokumentation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Richtlinien existieren ohne Durchsetzungspunkte, Nachweise oder operative Verantwortung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Compliance wird an den Anbieter delegiert\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die eigene Rolle, der Use Case, die Daten und die operativen Pflichten der Organisation bleiben ungeklärt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Agent kann Tools aufrufen, weil das Modell Tool-Nutzung unterstützt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fähigkeit wird mit Autorisierung verwechselt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Plattformgesundheit gleich Geschäftskorrektheit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Endpoint-Verfügbarkeit und Modellverfügbarkeit beweisen weder Domänenantwortqualität noch akzeptable Ergebnisse.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Keine Exit-Strategie für Modell-\u002FAnbieterabhängigkeit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine Änderung bei Preis, Richtlinie, Fähigkeit oder Verfügbarkeit wird zur Notfallmigration.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-109\">Häufige Missverständnisse\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Missverständnis\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Besseres Modell\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Enterprise-KI bedeutet einen unternehmensweiten Chatbot.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Der Chatbot ist eine Schnittstelle; die Enterprise-KI-Architektur steuert die zugrunde liegenden Daten, Identitäten, Anbieter, Laufzeitumgebung, Risiken und Betriebsabläufe.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Wenn wir einen renommierten Modellanbieter nutzen, ist Governance gelöst.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anbieterkontrollen definieren nicht Ihren Anwendungsfall, Ihre Datenhoheit, Benutzerberechtigungen, geschäftliche Abnahme oder rechtliche Rolle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Private KI bedeutet, dass alles selbst gehostet werden muss.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datenschutzanforderungen können zu verschiedenen Architekturen führen; die erforderliche Kontrollgrenze muss präzise benannt werden.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„KI-Governance gehört zur Rechtsabteilung, Architektur zur IT.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die beiden Disziplinen müssen verbunden werden, weil politische Verpflichtungen umsetzbare Kontrollen und Nachweise erfordern.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Ein einheitliches Unternehmensmodell ist einfacher.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Standardisierung kann helfen, aber Arbeitslasten können unterschiedliche Modalitäten, Regionen, Kosten, Qualitätsstufen oder Kontrollmodelle erfordern.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„KI-Risiko ist Modellrisiko.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Risiken können aus Daten, Prompts, Retrieval, Identität, Tools, Schnittstellen, Betrieb, Benutzern und organisatorischen Prozessen entstehen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Human-in-the-Loop macht einen Agenten sicher.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Menschliche Genehmigung hilft nur, wenn der Prüfer über nützlichen Kontext, Autorität, Zeit und einen klaren Entscheidungspunkt verfügt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Ein erfolgreicher Pilot beweist Enterprise-Bereitschaft.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein Pilot beweist begrenzte Fähigkeiten; Enterprise-Bereitschaft erfordert auch Integration, Governance, Lebenszyklus, Betrieb und wiederholbare Kontrollen.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-111\">Eine praktische Entscheidungssequenz für Enterprise-KI-Architektur\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Von der Chance zur gesteuerten Enterprise-Fähigkeit\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Geschäftsfähigkeit definieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Benennen Sie Benutzer, Entscheidung oder Workflow, erwarteten Wert und verantwortlichen Eigentümer.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Daten und Autorität klassifizieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identifizieren Sie Systeme of Record, personenbezogene\u002Fvertrauliche Daten, Aufbewahrung, Aktualität und Herkunftsanforderungen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Identitäts- und Aktionsgrenzen definieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Bestimmen Sie, wer lesen, generieren, entscheiden, genehmigen und externe Systeme ändern darf.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Verantwortlichkeiten für Lösung und Plattform auswählen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Entscheiden Sie, was zur Arbeitslast gehört, was geteilt werden kann und was unternehmenseigen bleibt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Anbieter- und Laufzeitabhängigkeit bewerten\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Bewerten Sie verwaltete, selbst gehostete, private, souveräne oder hybride Optionen anhand realer Anforderungen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Risiko- und regulatorische Verpflichtungen abbilden\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Bestimmen Sie Risikostufe, organisatorische Kontrollen und geltende rechtliche Verantwortlichkeiten für das konkrete System.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Messbare Abnahme definieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Erstellen Sie Bewertungskriterien für Qualität, Zuverlässigkeit, Sicherheit, Retrieval, Kosten und Betriebsverhalten.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Architekturentscheidungen dokumentieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Bewahren Sie Begründung, Alternativen, Abwägungen, Abhängigkeiten und Bedingungen auf, die eine Neubewertung auslösen würden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">9\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">9. Architektur mit Lieferung verbinden\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Übersetzen Sie das Design in Backlog, Meilensteine, Abnahmekriterien, technische Arbeit und Verantwortlichkeiten.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">10\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">10. Unter produktionsnahen Bedingungen validieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Testen Sie realistische Identitäts-, Daten-, Fehler-, Latenz-, Anbieter-, Tool- und Wiederherstellungsszenarien statt nur sauberer Demos.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">11\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">11. Betrieb und Änderungskontrolle einrichten\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Definieren Sie Monitoring, Incident Response, Modell-\u002FAnbieter-Updates, Regressionstests, Rollback und Außerbetriebnahme.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">12\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">12. Nachweise zurück in die Architektur einspeisen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Nutzen Sie Produktionsbeobachtungen, Audits, Vorfälle und Bewertungen, um Entscheidungen und Kontrollen zu überarbeiten.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-113\">Checkliste für Enterprise-KI-Architektur\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Frage\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Erwarteter Nachweis\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Geschäftsfähigkeit unterstützt diese KI?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Benannter Eigentümer, Benutzergruppe, beabsichtigte Entscheidung\u002FWorkflow und Abnahmeziel.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Quelle ist für jede wichtige Tatsache maßgeblich?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Systeme of Record, Dokumentenautorität, Herkunft und Aktualitätsregeln.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Identitäten existieren?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Menschliche, Anwendungs-, Dienst-, Agenten-, Mandanten-\u002FOrganisations- und Anbieteridentitäten sind unterscheidbar.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was darf die KI lesen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorisierungsbezogene Datenquellen und explizite Regeln für sensible Daten.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was darf die KI ändern?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tool-\u002FAktionsinventar, Berechtigungsmodell, Genehmigungs- und Rollback-Pfad.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welcher Anbieter\u002Fwelches Modell wird verwendet und warum?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Architekturentscheidung einschließlich Qualität, Sicherheit, Kosten, Region, Lebenszyklus und Exit-Überlegungen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was passiert, wenn der Anbieter nicht verfügbar ist?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Degradierter Modus, Fallback, Ablehnung oder Kontinuitätsplan.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie wird Qualität bewertet?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aufgabenspezifische Datensätze, Bewerter, Schwellenwerte, Regressionskriterien und Gültigkeitsbedingungen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was wird protokolliert?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Telemetrieschema, Redaktion, Zugriff, Aufbewahrung und Audit-Zweck.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wer verantwortet KI-Risiko?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Benannte organisatorische Verantwortlichkeit, verbunden mit dem konkreten System.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche rechtliche Klassifizierung gilt?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dokumentierte Bewertung auf Grundlage des aktuellen Rechts und des tatsächlichen Anwendungsfalls.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie werden Modell-\u002FPrompt-\u002FRetrieval-Änderungen genehmigt?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Versionierung, Bewertung, Architektur-\u002FÄnderungsdatensatz und Rollout-Gate.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wer reagiert auf einen KI-Vorfall?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Runbook, technischer Eigentümer, geschäftliche\u002Ffachliche Eskalation und Anbieter-Eskalation.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie wird das System außer Betrieb genommen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Datenbereinigung, Zugriffswiderruf, Anbieter-Exit, Nachweisaufbewahrung und Abhängigkeitsentfernung.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-115\">Grenzfälle und Grenzen\u003C\u002Fh2>\n\u003Cp>Ein kleines Unternehmen mit einem risikoarmen KI-Anwendungsfall benötigt möglicherweise keine formale Enterprise-KI-Architekturfunktion. Dieselben Prinzipien können leicht angewendet werden: klarer Eigentümer, genehmigte Daten, expliziter Anbieter, grundlegende Bewertung, Zugriffskontrolle und betriebliche Verantwortung.\u003C\u002Fp>\n\u003Cp>Eine stark regulierte Organisation kann eine stärkere Trennung, unabhängige Validierung, formale Konformitätsprozesse, lokales Hosting oder Air-Gapped-Betrieb erfordern. Diese Kontrollen werden durch den Anwendungsfall und das regulatorische Umfeld bestimmt, nicht durch das Wort „Enterprise“.\u003C\u002Fp>\n\u003Cp>Eine Organisation kann auch überwiegend SaaS-KI-Produkte nutzen, anstatt KI-Systeme zu bauen. Enterprise-Architektur bleibt dennoch wichtig, weil Identität, Datenzugriff, Vertragsbedingungen, Shadow-KI, Aufbewahrung, Audit und Lieferantenkonzentration organisatorische Anliegen bleiben.\u003C\u002Fp>\n\u003Cp>Eine zentrale Plattform ist nicht zwingend erforderlich. Föderierte Plattformverantwortung kann gültig sein, wenn Domänen wesentlich unterschiedliche Anforderungen haben, sofern unternehmensweite Identitäts-, Risiko-, Inventar- und Interoperabilitätsverantwortlichkeiten kohärent bleiben.\u003C\u002Fp>\n\u003Ch2 id=\"section-120\">Was würde diese Antwort ändern?\u003C\u002Fh2>\n\u003Cp>Die Architektur ändert sich, wenn sich Risikotoleranz, regulatorische Klassifizierung, Datensensibilität, geografischer Umfang, Anbieterstrategie, interne Fähigkeiten oder Geschäftskritikalität der Organisation ändern. Ein öffentlicher Marketing-Assistent und ein System, das an Entscheidungen zu Beschäftigung, Finanzen, Gesundheitswesen oder kritischer Infrastruktur beteiligt ist, sollten nicht identische Kontrollmodelle erben.\u003C\u002Fp>\n\u003Cp>Die Umsetzung ändert sich auch, wenn sich Standards, Regulierung und KI-Plattformen weiterentwickeln. NIST AI RMF 1.0 wird derzeit überarbeitet, der EU AI Act hat gestaffelte Anwendungsdaten, und Modell-\u002FAnbieterfähigkeiten ändern sich weiterhin schnell. Enterprise-Architektur sollte daher stabile Verantwortungsgrenzen bewahren, während Anbietermechanismen und regulatorische Details als versionierte Eingaben behandelt werden.\u003C\u002Fp>\n\u003Ch2 id=\"section-123\">Verwandtes kanonisches Wissen\u003C\u002Fh2>\n\u003Cp>Enterprise-KI-Architektur baut auf Lösungs- und Plattformarchitektur auf. Die Lösungsebene erklärt eine Arbeitslast. Die Plattformebene erklärt wiederverwendbare KI-Fähigkeiten. Die Enterprise-Ebene verbindet beides mit unternehmensweiten Daten, Identität, Governance, Risiko, Beschaffung und Betrieb.\u003C\u002Fp>\n\u003Cp>Retrieval-Augmented Generation ist nur ein Mechanismus innerhalb dieser Architektur. RAG kann den Zugriff auf Unternehmenswissen verbessern, löst aber nicht von sich aus Datenhoheit, Berechtigungen, Governance oder Antwortgültigkeit.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Was ist RAG? Die einfachste Erklärung, wie es funktioniert\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Eine allgemein verständliche Erklärung, wie externe Wissensabfrage mit dem Sprachmodell verbunden wird, ohne dass Retrieval zur Quelle der Wahrheit wird.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Die RAG-Grundlage lesen →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Cp>Für evidenzintensive Unternehmensanwendungsfälle benötigt die Gültigkeit von Antworten ebenfalls eine explizite Grenze: Eine Ausgabe wird nur unter den Evidenzen, der Version, dem Umfang und den Annahmen gestützt, die sie hervorgebracht haben.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Die Antwortgültigkeitsgrenze: Die fehlende Schicht zwischen Relevanz und zuverlässigen KI-Antworten\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Ein Rahmenwerk, um explizit zu machen, unter welchen Bedingungen eine KI-Aussage weiterhin gestützt wird und welche Änderungen eine Einschränkung oder Neuberechnung erfordern.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Die Antwortgültigkeitsgrenze lesen →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Cp>Nachgelagerte Unternehmensthemen umfassen KI-Governance, Private KI, Souveräne KI, Air-Gapped KI, Multi-Tenant-KI-Architektur, RBAC versus Mandantenisolierung, Anbieterabstraktion, Modell-Routing und Produktions-KI-Architektur.\u003C\u002Fp>\n\u003Ch2 id=\"section-130\">Häufig gestellte Fragen\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">FAQ zur Unternehmens-KI-Architektur\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Was ist Unternehmens-KI-Architektur?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Unternehmens-KI-Architektur ist die unternehmensweite Architektur, die definiert, wie KI-Lösungen und gemeinsame KI-Fähigkeiten mit Geschäftsverantwortung, Unternehmensdaten, Identität, Sicherheit, Anbietern, Governance, Risiko, Compliance, Lebenszyklus und Betrieb integriert werden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Ist Unternehmens-KI-Architektur dasselbe wie eine KI-Plattform?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. Eine KI-Plattform bietet wiederverwendbare technische Fähigkeiten wie Modellzugriff, Retrieval, Agenten-Laufzeitumgebungen und Observability. Unternehmens-KI-Architektur definiert, wie diese Plattform und einzelne KI-Lösungen in die übergreifende Architektur und das Betriebsmodell des Unternehmens passen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Erfordert Unternehmens-KI ein zentrales Modell?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. Standardisierung kann Komplexität reduzieren, aber unterschiedliche Workloads können unterschiedliche Anbieter, Modelle, Regionen, Kontrollstufen oder Modalitäten erfordern. Die wichtige Anforderung ist eine explizite Richtlinien- und Lebenszyklusverantwortung.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Warum ist Datenautorität für Unternehmens-KI wichtig?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Weil abgerufene oder generierte Informationen nicht automatisch autoritativ sind. Unternehmenssysteme müssen bewahren, welche Quelle das System of Record ist, ob Daten aktuell sind, wer darauf zugreifen darf und wie eine generierte Aussage auf Evidenz zurückverfolgt werden kann.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Was ist der Unterschied zwischen KI-Governance und Unternehmens-KI-Architektur?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">KI-Governance definiert Richtlinien, Verantwortlichkeiten und Entscheidungsrechte. Unternehmens-KI-Architektur definiert die Systemgrenzen, Schnittstellen, Datenflüsse und technischen Mechanismen, durch die diese Richtlinien umgesetzt und nachgewiesen werden können.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Gilt der EU AI Act für jedes Unternehmens-KI-System auf die gleiche Weise?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. Pflichten hängen von Faktoren wie der Rolle der Organisation, dem Anwendungsfall und der Klassifizierung des Systems sowie den geltenden relevanten Bestimmungen ab. Die rechtliche Klassifizierung muss für das konkrete System nach aktuellem Recht durchgeführt werden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Reicht ein erfolgreicher KI-Pilot für den Unternehmenseinsatz aus?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. Ein Pilot demonstriert begrenzte Fähigkeiten. Der Unternehmenseinsatz benötigt außerdem Identität, Datenautorität, Sicherheit, Anbieter-Governance, Evaluierung, Lebenszyklus, Incident Response, Monitoring, Compliance und verantwortliche operative Verantwortung.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq8\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Sollten Unternehmen KI selbst hosten?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nur wenn die Anforderung die zusätzliche Kontrolle und operative Verantwortung rechtfertigt. Managed-, Private-, Sovereign-, Self-Hosted- und Hybrid-Ansätze sind Architekturoptionen, deren Eignung von Daten-, regulatorischen, Verfügbarkeits-, Kosten-, Fähigkeits- und Betriebsanforderungen abhängt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-132\">Glossar\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Wichtige Begriffe der Unternehmens-KI-Architektur\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"enterprise-ai-architecture\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Unternehmens-KI-Architektur\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Unternehmensweite Architektur, die regelt, wie KI-Systeme, Plattformen, Daten, Identitäten, Anbieter, Risikokontrollen und Betrieb zusammenpassen.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"ai-management-system\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">KI-Managementsystem\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Ein organisatorisches Managementsystem zur Festlegung KI-bezogener Richtlinien, Ziele und Prozesse; ISO\u002FIEC 42001 spezifiziert Anforderungen an ein solches System.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"data-authority\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Datenautorität\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Die Regel, die bestimmt, welche Quelle oder welches System für einen bestimmten Fakt, Datensatz, Zustand oder Entscheidungskontext autoritativ ist.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"system-of-record\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">System of Record\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Das autoritative System, das für den offiziellen aktuellen Zustand eines Geschäftsdatenbestands oder einer Domänenentität verantwortlich ist.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"ai-inventory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">KI-Inventar\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Eine strukturierte Aufzeichnung von KI-Anwendungsfällen, Verantwortlichen, Modellen\u002FAnbietern, Daten, Tools, Risiken, Evaluierungsnachweisen, Lebenszyklusstatus und zugehörigen Kontrollen.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"provider-dependency\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Anbieterabhängigkeit\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Die technische, vertragliche und operative Abhängigkeit, die entsteht, wenn ein KI-Workload von einem externen Modell oder einer verwalteten Plattform abhängt.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"human-oversight\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Menschliche Aufsicht\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Definierte menschliche Überprüfung, Genehmigung, Intervention oder Eskalation, die dort angewendet wird, wo Systemfolgen, Unsicherheit oder Regulierung dies erfordern.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"genaiops\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">GenAIOps\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Betriebspraktiken für generative KI-Workloads, die Modellauswahl, Prompts, Grounding-Daten, Evaluierung, Bereitstellung, Monitoring und Lebenszyklusmanagement abdecken.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"ai-risk-management\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">KI-Risikomanagement\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Der organisatorische Prozess zur Identifizierung, Bewertung, Behandlung, Überwachung und Überarbeitung von Risiken im Zusammenhang mit KI-Systemen über deren Lebenszyklus.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"architecture-decision\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Architekturentscheidung\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Eine wesentliche Designentscheidung zusammen mit ihrem Kontext, ihrer Begründung, Alternativen, Abwägungen und ihrem Lebenszyklusstatus.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-134\">Fazit\u003C\u002Fh2>\n\u003Cp>Wenn KI in ein Unternehmen Einzug hält, gewinnt das Unternehmen nicht nur eine neue Softwarekomponente. Es gewinnt eine neue Klasse von Verhalten und Abhängigkeit, die Daten, Identität, Lieferanten, Geschäftsentscheidungen, Sicherheit, Betrieb, Governance und Change Management durchdringt.\u003C\u002Fp>\n\u003Cp>Die architektonische Antwort besteht nicht darin, alles zu zentralisieren. Sie besteht darin, Verantwortlichkeiten explizit zu machen: welche Daten autoritativ sind, welche Identitäten handeln dürfen, welche Anbieter zugelassen sind, welche Kontrollen geteilt werden, welche Entscheidungen in der Domäne verbleiben, wie Verhalten evaluiert wird, wie Vorfälle behandelt werden und wie sich das System im Laufe der Zeit ändert.\u003C\u002Fp>\n\u003Cp>Das ist die Kernunterscheidung der Unternehmens-KI-Architektur: Sie verwandelt isolierte KI-Fähigkeiten in ein organisatorisch steuerbares System, ohne vorzugeben, dass Modelle, Plattformen, Geschäftsdomänen und Unternehmenskontrollen dasselbe sind.\u003C\u002Fp>\n\u003Ch2 id=\"section-138\">Primärquellen und aktuelle Leitlinien\u003C\u002Fh2>\n\u003Cp>Externe Standards, Regulierung und aktuelle Anbieterarchitektur-Leitlinien unten wurden am 8. Oktober 2026 überprüft. Projektspezifische Abschnitte sind ausdrücklich als ursprüngliche Projektnachweise gekennzeichnet und sollten nicht als Behauptungen allgemeiner Branchenfakten gelesen werden.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F42001\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">ISO\u002FIEC 42001:2023 — Managementsystem für künstliche Intelligenz\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Internationale Norm, die Anforderungen für die Einrichtung, Umsetzung, Aufrechterhaltung und kontinuierliche Verbesserung eines KI-Managementsystems in Organisationen spezifiziert.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F77304.html\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">ISO\u002FIEC 23894:2023 — Leitfaden zum KI-Risikomanagement\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Internationale Leitlinie zur Integration KI-spezifischen Risikomanagements in organisatorische Aktivitäten und Funktionen.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nist.gov\u002Fitl\u002Fai-risk-management-framework\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST AI Risk Management Framework\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">NISTs freiwilliges, lebenszyklusorientiertes Rahmenwerk zum Management von KI-Risiken. NIST gibt an, dass AI RMF 1.0 derzeit überarbeitet wird.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.nist.gov\u002Fpublications\u002Fartificial-intelligence-risk-management-framework-generative-artificial-intelligence\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST AI 600-1 — Generative AI Profile\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">NIST-Begleitprofil, das generative-KI-spezifische Risiken und Risikomanagementmaßnahmen in Ausrichtung am AI RMF beschreibt.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Feur-lex.europa.eu\u002Feli\u002Freg\u002F2024\u002F1689\u002F2026-07-27\u002Feng\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">EUR-Lex — Verordnung (EU) 2024\u002F1689, konsolidierte Fassung\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktueller konsolidierter AI-Act-Text, der für Anwendungsdaten und regulatorische Struktur verwendet wurde, geprüft am 8. Oktober 2026.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdigital-strategy.ec.europa.eu\u002Fen\u002Fpolicies\u002Fregulatory-framework-ai\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Europäische Kommission — KI-Verordnung Rechtsrahmen\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktueller Überblick der Kommission über die Anwendungsphasen der KI-Verordnung, einschließlich der Anwendbarkeit ab 2026 und späterer Termine für bestimmte Hochrisiko-Bestimmungen.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fget-started\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Azure Well-Architected — KI-Workloads\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktuelle Architekturanleitung zu KI-Workloads, einschließlich nichtdeterministischem Verhalten, Daten, Anwendungsdesign und Betrieb.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fmlops-genaiops\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft — MLOps und GenAIOps für KI-Workloads\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktuelle Anleitung zum operativen Lebenszyklus, Daten, Modellwartung, Bereitstellung, Überwachung und kontinuierlichen Weiterentwicklung.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fresponsible-ai\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft — Verantwortungsvolle KI in Azure-Workloads\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktuelle Anleitung, die KI-Richtlinien mit Datenkontrolle, Identität, Agenten-Auditierbarkeit, rollenbasierter Zugriffskontrolle und operativen Schutzmaßnahmen verbindet.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F74393.html\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">ISO\u002FIEC\u002FIEEE 42010:2022 — Architekturbeschreibung\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktueller Standard für Architekturbeschreibung, der explizite Belange, Sichtweisen und Beziehungen über die Systemarchitektur hinweg unterstützt.\u003C\u002Fp>\u003C\u002Fa>",{"time":211,"blocks":212,"version":1561},1791478266077,[213,219,227,234,241,249,254,259,264,269,304,309,314,319,324,350,355,360,365,370,375,380,385,390,395,400,405,411,416,421,426,431,436,441,446,451,456,461,466,471,476,481,486,491,496,501,506,511,516,521,526,531,536,541,546,551,556,561,566,571,620,626,631,637,669,674,679,709,714,719,760,765,790,795,800,805,810,816,821,826,858,863,889,894,899,904,934,939,944,949,955,960,965,970,975,981,986,991,996,1001,1030,1035,1040,1045,1050,1076,1081,1086,1127,1132,1164,1169,1211,1216,1266,1271,1276,1281,1286,1291,1296,1301,1306,1311,1316,1321,1330,1335,1343,1348,1353,1391,1396,1440,1445,1450,1455,1460,1465,1470,1480,1489,1498,1507,1516,1525,1534,1543,1552],{"id":214,"data":215,"type":217,"tunes":218},"intro",{"text":216},"Enterprise-KI-Architektur ist die unternehmensweite Architektur, die erforderlich ist, wenn KI Teil der realen Systeme, Daten, Entscheidungen und Abläufe eines Unternehmens wird. Das Modell ist nur eine Komponente. Sobald KI mit Unternehmensdaten, Identitäten, Berechtigungen, Geschäftsprozessen, externen Anbietern und Produktionssystemen verbunden ist, muss die Architektur auch Datenhoheit, Zugriffsgrenzen, Risikoverantwortung, Anbieterabhängigkeiten, Auditierbarkeit, Evaluierung, Lebenszyklussteuerung, Compliance und operative Verantwortung definieren. Enterprise-KI unterscheidet sich daher sowohl von einer einzelnen KI-Lösung als auch von einer gemeinsamen KI-Plattform: Sie koordiniert, wie viele KI-fähige Systeme in die breitere Organisation passen.","paragraph",{},{"id":220,"data":221,"type":225,"tunes":226},"direct-answer",{"body":222,"title":223,"variant":224},"\u003Cstrong>Was ändert sich, wenn KI in ein Unternehmen eintritt?\u003C\u002Fstrong> Bestehende Verantwortlichkeiten der Unternehmensarchitektur erweitern sich um probabilistisches Modellverhalten, neue Datenflüsse, Retrieval und Grounding, Modell-\u002FAnbieterabhängigkeiten, KI-spezifische Evaluierung, Agent-\u002FTool-Befugnisse, Modell- und Prompt-Lebenszyklus, KI-Risikomanagement, Transparenzpflichten und neue operative Fehlermodi. Die Architektur muss diese Belange mit den bestehenden Identitäts-, Sicherheits-, Daten-, Beschaffungs-, Liefer- und Governance-Strukturen des Unternehmens verbinden, anstatt ein paralleles „KI-Universum“ zu schaffen.","Direkte Antwort","info","callout",{},{"id":228,"data":229,"type":225,"tunes":233},"not-bigger-chatbot",{"body":230,"title":231,"variant":232},"Ein Chatbot kann eine Benutzeroberfläche sein. Enterprise-KI-Architektur ist das System der Grenzen dahinter: auf welche Daten die KI zugreifen darf, welche Quelle maßgeblich ist, wer welche Fähigkeit nutzen darf, ob externe Anbieter die Daten erhalten dürfen, welche Aktionen ein Agent ausführen darf, wie Ausgaben bewertet werden, was protokolliert werden muss, wer Vorfälle verantwortet und wie Änderungen genehmigt und zurückgerollt werden.","Enterprise-KI ist kein „größerer Chatbot“","warning",{},{"id":235,"data":236,"type":225,"tunes":240},"current-date",{"body":237,"title":238,"variant":239},"Die architektonischen Prinzipien in diesem Artikel sollen stabil sein. Regulierung, Standards und Anbieterfähigkeiten sind versionsabhängig. ISO\u002FIEC 42001:2023 und ISO\u002FIEC 23894:2023 sind aktuell veröffentlichte Standards. NIST gibt an, dass AI RMF 1.0 überarbeitet wird. Nach dem aktuellen konsolidierten Text des EU AI Act gilt die Verordnung allgemein ab dem 2. August 2026, während bestimmte Hochrisiko-Bestimmungen spätere Anwendungsdaten haben. Die rechtliche Einstufung muss stets anhand des aktuellen Rechts und des konkreten Anwendungsfalls geprüft werden.","Hinweis zu aktuellen Quellen — 8. Oktober 2026","note",{},{"id":242,"data":243,"type":247,"tunes":248},"toc",{"title":244,"maxLevel":245,"minLevel":246},"Inhalt",3,2,"tableOfContents",{},{"id":250,"data":251,"type":41,"tunes":253},"h-meaning",{"text":252,"level":246},"Was Enterprise-KI-Architektur wirklich bedeutet",{},{"id":255,"data":256,"type":217,"tunes":258},"p-meaning-1",{"text":257},"Enterprise-KI-Architektur beschreibt, wie KI-Fähigkeiten in eine bestehende Organisation integriert werden, ohne die Grenzen zu durchbrechen, die Unternehmenssysteme bereits steuerbar machen: fachliche Verantwortung, Identität, Autorisierung, Datenklassifizierung, Verantwortung für Systeme of Record, Änderungsmanagement, Beschaffung, Audit, Kontinuität und Betrieb.",{},{"id":260,"data":261,"type":217,"tunes":263},"p-meaning-2",{"text":262},"Der Unternehmensarchitekt ersetzt nicht den KI-Lösungsarchitekten oder den KI-Plattformarchitekten. Der Unternehmensumfang stellt eine andere Frage: Wie fügen sich mehrere KI-Lösungen und gemeinsame KI-Fähigkeiten in die Zielarchitektur, Richtlinien, Datenlandschaft, das Risikomodell und das Betriebsmodell des Unternehmens ein?",{},{"id":265,"data":266,"type":217,"tunes":268},"p-meaning-3",{"text":267},"Dadurch wird Enterprise-KI-Architektur zu einer Koordinationsdisziplin über Technologie und Organisation hinweg. Eine technisch gute Modellintegration kann dennoch ein Fehler der Unternehmensarchitektur sein, wenn sie Schatten-Datenflüsse erzeugt, Identitäten dupliziert, die Beschaffung umgeht, nicht auditierbar ist, keinen Verantwortlichen hat oder nicht sicher geändert werden kann.",{},{"id":270,"data":271,"type":302,"tunes":303},"scope-comparison",{"rows":272,"title":290,"layout":291,"columns":292},[273,278,282,286],{"id":274,"label":275,"values":276},"scope","Primärer Umfang",[277,277,277],"",{"id":279,"label":280,"values":281},"question","Primäre Frage",[277,277,277],{"id":283,"label":284,"values":285},"ownership","Fokus der Verantwortung",[277,277,277],{"id":287,"label":288,"values":289},"success","Erfolgsbedingung",[277,277,277],"Lösungs-, Plattform- und Enterprise-KI-Architektur sind unterschiedliche Umfänge","table",[293,296,299],{"id":294,"label":295},"solution","KI-Lösungsarchitektur",{"id":297,"label":298},"platform","KI-Plattformarchitektur",{"id":300,"label":301},"enterprise","Enterprise-KI-Architektur","comparison",{},{"id":305,"data":306,"type":41,"tunes":308},"h-simple",{"text":307,"level":246},"Das einfachste Beispiel",{},{"id":310,"data":311,"type":217,"tunes":313},"p-simple-1",{"text":312},"Ein Unternehmen beginnt mit einem internen Dokumentenassistenten. Die erste Version durchsucht freigegebene Dokumente und sendet den abgerufenen Kontext an ein Sprachmodell. Auf Lösungsebene mag dies einfach erscheinen.",{},{"id":315,"data":316,"type":217,"tunes":318},"p-simple-2",{"text":317},"Dann möchte ein zweites Team KI für den Kundensupport. Ein drittes möchte einen Agenten, der Tickets aktualisieren kann. Die Finanzabteilung möchte Dokumentenanalyse. Die Personalabteilung möchte einen internen Assistenten. Entwickler möchten Coding-Agenten. Plötzlich hat das Unternehmen mehrere Anbieter, mehrere Datenklassen, unterschiedliche Benutzergruppen, überlappende Retrieval-Indizes, unterschiedliche Protokollierungsregeln, neue Tool-Berechtigungen, duplizierte Secrets und unklare Verantwortlichkeiten.",{},{"id":320,"data":321,"type":217,"tunes":323},"p-simple-3",{"text":322},"Zu diesem Zeitpunkt lautet die Frage nicht mehr „Funktioniert der Assistent?“ Die Unternehmensfrage wird: Welche Fähigkeiten sind genehmigt, wer verantwortet sie, welche Daten dürfen welche Grenze überschreiten, wie werden Identitäten und Berechtigungen durchgesetzt, welche Anbieter sind akzeptabel, was muss auditiert werden und wie kann die Organisation Modelle oder Lieferanten ändern, ohne die Kontrolle zu verlieren?",{},{"id":325,"data":326,"type":348,"tunes":349},"simple-flow",{"steps":327,"title":346,"orientation":347},[328,331,334,337,340,343],{"label":329,"description":330},"1. Isolierter Anwendungsfall","Ein Team verbindet ein Modell mit einem Workflow und validiert den lokalen Nutzen.",{"label":332,"description":333},"2. Gemeinsame Abhängigkeiten entstehen","Mehrere Teams benötigen Anbieter, Modellzugriff, Retrieval, Identität, Secrets, Observability und Evaluierung.",{"label":335,"description":336},"3. Unternehmensgrenzen werden überschritten","KI berührt regulierte Daten, Systeme of Record, externe Anbieter, privilegierte Aktionen und Geschäftsentscheidungen.",{"label":338,"description":339},"4. Verantwortung muss explizit werden","Fachbereich, Architektur, Daten, Sicherheit, Recht\u002FCompliance, Beschaffung und Betrieb benötigen definierte Verantwortlichkeiten.",{"label":341,"description":342},"5. Der Lebenszyklus wird organisatorisch","Modelländerungen, Prompt-Änderungen, Anbieterwechsel und neue Agent-Fähigkeiten werden zu gesteuerten Änderungen statt zu lokalen Entwickleranpassungen.",{"label":344,"description":345},"6. Die Architektur wird wiederholbar","Die Organisation etabliert wiederverwendbare Muster, Entscheidungsdokumente, Kontrollen, Ausnahmen und Validierungs-Gates für neue KI-Workloads.","Von der isolierten KI-Funktion zur Unternehmensarchitektur","auto","processFlow",{},{"id":351,"data":352,"type":41,"tunes":354},"h-stop",{"text":353,"level":246},"Wo das einfache Beispiel endet",{},{"id":356,"data":357,"type":217,"tunes":359},"p-stop-1",{"text":358},"Unternehmensarchitektur bedeutet nicht, dass jede KI-Komponente zentralisiert werden muss. Einige Fähigkeiten sollten gemeinsam genutzt werden; andere müssen in der Domäne verbleiben. Finanzen, Personalwesen, Engineering und Kundensupport können legitimerweise unterschiedliche Datengrenzen, Anbieter, Bewertungskriterien und Regeln für menschliche Genehmigung erfordern.",{},{"id":361,"data":362,"type":217,"tunes":364},"p-stop-2",{"text":363},"Das Unternehmensziel ist daher nicht ein Modell, eine Vektordatenbank oder ein universeller Assistent. Das Ziel ist eine kohärente Architektur mit expliziter Variation: gemeinsame Richtlinien und wiederverwendbare Fähigkeiten, wo sie Risiko und Duplikation reduzieren, plus kontrollierte Ausnahmen, wo Geschäfts- oder regulatorische Anforderungen abweichen.",{},{"id":366,"data":367,"type":41,"tunes":369},"h-layers",{"text":368,"level":246},"Was sich in der Architektur ändert, wenn KI ins Unternehmen Einzug hält",{},{"id":371,"data":372,"type":41,"tunes":374},"h-business",{"text":373,"level":245},"1. Business Ownership wird Teil der technischen Architektur",{},{"id":376,"data":377,"type":217,"tunes":379},"p-business-1",{"text":378},"Traditionelle Anwendungen benötigen bereits Business Owner. KI macht diese Anforderung sichtbarer, weil akzeptables Verhalten nicht nur durch Verfügbarkeit und funktionale Korrektheit definiert werden kann. Jemand muss den beabsichtigten Nutzen, unzulässige Nutzung, Ausgabequalität, Eskalationspfad und Konsequenzen falscher oder unangemessener Ergebnisse verantworten.",{},{"id":381,"data":382,"type":217,"tunes":384},"p-business-2",{"text":383},"Ein Modellteam kann nicht allein entscheiden, ob eine Antwort für HR, Finanzen, Recht oder kundenorientierte Nutzung akzeptabel ist. Enterprise-KI-Architektur verbindet daher technisches Design mit einer expliziten Geschäftsfähigkeit, einem verantwortlichen Owner, einer Nutzergruppe und einem Entscheidungskontext.",{},{"id":386,"data":387,"type":41,"tunes":389},"h-data-authority",{"text":388,"level":245},"2. Datenzugriff allein reicht nicht — Datenhoheit muss definiert werden",{},{"id":391,"data":392,"type":217,"tunes":394},"p-data-authority-1",{"text":393},"Enterprise-KI kombiniert häufig operative Datenbanken, Dokumente, Suchindizes, Vektorspeicher, Data Warehouses, SaaS-Systeme und externes Wissen. Die Architektur muss unterscheiden, wo Informationen gespeichert sind und welche Quelle für eine bestimmte Aussage oder Aktion maßgeblich ist.",{},{"id":396,"data":397,"type":217,"tunes":399},"p-data-authority-2",{"text":398},"Ein Vektorindex kann das Retrieval verbessern, sollte aber nicht stillschweigend zum System of Record des Unternehmens werden. Eine Modellantwort kann einen ERP-Datensatz zusammenfassen, sollte aber das ERP nicht als maßgebliche Quelle ersetzen. Gecachter Kontext kann die Latenz verbessern, wird jedoch unsicher, wenn sich Berechtigungen oder der zugrunde liegende Geschäftszustand ändern.",{},{"id":401,"data":402,"type":217,"tunes":404},"p-data-authority-3",{"text":403},"Enterprise-KI benötigt daher zusätzlich zur gewöhnlichen Datenintegration Provenienz, Aktualität, Quellenklassifizierung, Autorisierungsweitergabe und Invalidierungsregeln.",{},{"id":406,"data":407,"type":225,"tunes":410},"authority-rule",{"body":408,"title":409,"variant":287},"\u003Cstrong>Das KI-System darf Unternehmensdaten transformieren, abrufen und über sie schlussfolgern, ohne zur Autorität für diese Daten zu werden.\u003C\u002Fstrong> Die Architektur sollte einen Pfad zurück zur maßgeblichen Quelle bewahren, wann immer der Anwendungsfall Nachweise, Verifikation oder folgenreiche Aktionen erfordert.","Enterprise-Datenregel",{},{"id":412,"data":413,"type":41,"tunes":415},"h-identity",{"text":414,"level":245},"3. Identität wird mehrschichtig",{},{"id":417,"data":418,"type":217,"tunes":420},"p-identity-1",{"text":419},"Enterprise-KI hat mehr Identitäten als der menschliche Nutzer. Eine Anfrage kann eine Benutzeridentität, Anwendungsidentität, Dienstidentität, Agentenidentität, Anbieter-Anmeldeinformation, Tool-Anmeldeinformation und Mandanten- oder Organisationskontext umfassen.",{},{"id":422,"data":423,"type":217,"tunes":425},"p-identity-2",{"text":424},"Diese Identitäten sollten nicht in einem einzigen gemeinsam genutzten API-Schlüssel zusammengefasst werden. Die Autorisierung muss dem richtigen Prinzipal zuordenbar bleiben, und privilegierte Tools sollten nur die für den aktuellen Vorgang erforderliche Autorität erhalten.",{},{"id":427,"data":428,"type":217,"tunes":430},"p-identity-3",{"text":429},"Für agentische Systeme wird dies besonders wichtig: Ein Modell kann eine Aktion vorschlagen, aber die Laufzeitumgebung muss entscheiden, ob die anfragende Identität berechtigt ist, sie auszuführen. Modellfähigkeit ist keine Autorisierung.",{},{"id":432,"data":433,"type":41,"tunes":435},"h-permissions",{"text":434,"level":245},"4. Berechtigungen verschieben sich vom Inhaltszugriff zur Aktionsautorität",{},{"id":437,"data":438,"type":217,"tunes":440},"p-permissions-1",{"text":439},"Ein schreibgeschützter Assistent benötigt hauptsächlich kontrollierten Zugriff auf Informationen. Ein Enterprise-Agent kann Tickets erstellen, Datensätze ändern, Nachrichten senden, Workflows auslösen oder externe Systeme bedienen. Das führt eine andere Risikoklasse ein, weil das System den Zustand ändern kann, anstatt ihn nur zu beschreiben.",{},{"id":442,"data":443,"type":217,"tunes":445},"p-permissions-2",{"text":444},"Die Architektur sollte Lese-, Schreib-, Genehmigungs- und administrative Fähigkeiten trennen; Human-in-the-Loop-Punkte definieren, wo die Konsequenz sie rechtfertigt; und einen Audit-Trail bewahren, der identifiziert, was angefragt, was genehmigt und was tatsächlich geändert wurde.",{},{"id":447,"data":448,"type":41,"tunes":450},"h-provider",{"text":449,"level":245},"5. Der KI-Anbieter wird zu einer Unternehmensabhängigkeit",{},{"id":452,"data":453,"type":217,"tunes":455},"p-provider-1",{"text":454},"Eine Modell-API aufzurufen ist auch eine Lieferantenbeziehung. Die Architektur kann von Anbieterverfügbarkeit, Servicebedingungen, Datenverarbeitungsbedingungen, unterstützten Regionen, Modelllebenszyklus, Kontingenten, Preisgestaltung, API-Kompatibilität, Sicherheitskontrollen und Änderungsmitteilungen abhängen.",{},{"id":457,"data":458,"type":217,"tunes":460},"p-provider-2",{"text":459},"Das bedeutet, dass die Anbieterauswahl nicht nur eine Benchmark-Entscheidung ist. Beschaffung, Sicherheit, Datenschutz, rechtliche Prüfung, Kontinuitätsplanung und Exit-Strategie können alle zu Architektureingaben werden.",{},{"id":462,"data":463,"type":217,"tunes":465},"p-provider-3",{"text":464},"Anbieterabstraktion kann die Kopplung reduzieren, aber nur dort, wo die zugrunde liegenden Fähigkeiten wirklich portabel sind. Tool-Nutzung, strukturierte Ausgabe, Kontextgrenzen, Multimodalität, Sicherheitskontrollen, Fine-Tuning und gehostete Agentenfunktionen können sich zwischen Anbietern erheblich unterscheiden.",{},{"id":467,"data":468,"type":41,"tunes":470},"h-risk",{"text":469,"level":245},"6. KI-Risiko wird zu einem Lebenszyklusprozess",{},{"id":472,"data":473,"type":217,"tunes":475},"p-risk-1",{"text":474},"KI-Risiko ist nicht mit einer einzigen Genehmigung vor dem Start abgeschlossen. Das Modell, der Prompt, das Retrieval-Korpus, das Tool-Set, der Anbieter, die Nutzerpopulation und der umgebende Geschäftsprozess können sich nach der Bereitstellung alle ändern. Das Risikoprofil ändert sich mit ihnen.",{},{"id":477,"data":478,"type":217,"tunes":480},"p-risk-2",{"text":479},"ISO\u002FIEC 23894:2023 befasst sich ausdrücklich mit der Integration des KI-Risikomanagements in organisatorische Aktivitäten und Funktionen. NIST AI RMF rahmt das Risikomanagement ebenfalls über den gesamten Lebenszyklus. Unternehmensarchitektur sollte daher die Risikoprüfung zu einem Teil von Änderung und Betrieb machen und nicht zu einem isolierten Compliance-Dokument.",{},{"id":482,"data":483,"type":217,"tunes":485},"p-risk-3",{"text":484},"Risiko sollte auch verhältnismäßig sein. Ein Zusammenfassungsassistent und ein autonomes System, das Produktionsdatensätze ändert, sollten nicht allein deshalb identische Kontrollen erhalten, weil beide ein LLM verwenden.",{},{"id":487,"data":488,"type":41,"tunes":490},"h-management-system",{"text":489,"level":245},"7. Governance wird zu einem Betriebssystem, nicht zu einem Richtlinien-PDF",{},{"id":492,"data":493,"type":217,"tunes":495},"p-management-system-1",{"text":494},"ISO\u002FIEC 42001:2023 definiert Anforderungen für die Einrichtung, Umsetzung, Aufrechterhaltung und kontinuierliche Verbesserung eines KI-Managementsystems. Die architektonische Konsequenz ist wichtig: Governance muss Richtlinien mit realen Inventaren, Verantwortlichkeiten, Prozessen, Kontrollen, Nachweisen, Überprüfungen und Verbesserungsschleifen verbinden.",{},{"id":497,"data":498,"type":217,"tunes":500},"p-management-system-2",{"text":499},"Eine Unternehmens-KI-Richtlinie, die nicht mit Anbietergenehmigung, Identität, Protokollierung, Änderungsmanagement, Evaluierung und Incident Response verbunden ist, hat begrenzte architektonische Wirkung. Die Organisation benötigt Mechanismen, die Richtlinien durchsetzbar oder zumindest beobachtbar machen.",{},{"id":502,"data":503,"type":41,"tunes":505},"h-eval",{"text":504,"level":245},"8. Evaluierung wird zu einer Produktionskontrolle",{},{"id":507,"data":508,"type":217,"tunes":510},"p-eval-1",{"text":509},"Traditionelle Abnahmetests gehen davon aus, dass dieselbe Eingabe normalerweise dasselbe deterministische Ergebnis liefert. Generative KI kann nichtdeterministisch sein, empfindlich auf Kontext reagieren und von sich änderndem externem Wissen abhängen. Produktionsabnahme erfordert daher aufgabenspezifische Evals, Regressions-Suites und beobachtbare Schwellenwerte statt nur Unit-Tests.",{},{"id":512,"data":513,"type":217,"tunes":515},"p-eval-2",{"text":514},"Die Plattform kann wiederverwendbare Evaluierungsinfrastruktur bereitstellen, aber das Unternehmen muss weiterhin die Verantwortung für domänenspezifische Ground Truth und Release-Gates tragen. Ein zentrales KI-Team kann nicht für jede Geschäftsdomäne die richtige Antwort erfinden.",{},{"id":517,"data":518,"type":217,"tunes":520},"p-eval-3",{"text":519},"Änderungen an Modell, Prompt, Retrieval und Tools sollten auf Evaluierungsnachweise zurückführbar sein, wenn die Änderung das Ausgabeverhalten wesentlich beeinflussen kann.",{},{"id":522,"data":523,"type":41,"tunes":525},"h-observability",{"text":524,"level":245},"9. Observability muss Verhalten, Daten und Modellkontext umfassen",{},{"id":527,"data":528,"type":217,"tunes":530},"p-observability-1",{"text":529},"CPU-, Speicher- und HTTP-Fehlerraten sind für KI-Workloads nicht ausreichend. Produktions-Observability kann Modell-\u002FAnbieterkennungen, Latenz, Token-Nutzung, Kosten, Retrieval-Ergebnisse, Tool-Aufrufe, Verweigerungsverhalten, Evaluierungsbewertungen, Sicherheitsereignisse und Fehlerklassifizierungen erfordern.",{},{"id":532,"data":533,"type":217,"tunes":535},"p-observability-2",{"text":534},"Gleichzeitig können KI-Telemetriedaten sensible Daten enthalten. Prompt- und Antwortprotokolle können zu einem Schatten-Datenspeicher werden. Unternehmensarchitektur muss daher definieren, was protokolliert werden darf, wie es redigiert wird, wer darauf zugreifen kann, wie lange es aufbewahrt wird und wann detailliertes Tracing deaktiviert werden muss.",{},{"id":537,"data":538,"type":41,"tunes":540},"h-lifecycle",{"text":539,"level":245},"10. KI-Komponenten benötigen explizite Lebenszyklus-Verantwortung",{},{"id":542,"data":543,"type":217,"tunes":545},"p-lifecycle-1",{"text":544},"Modelle können von Anbietern umbenannt, ersetzt, außer Betrieb genommen oder geändert werden. Embedding-Modelle können eine Indexstrategie ungültig machen. Prompt-Vorlagen und Systemanweisungen können das Verhalten ändern. Agenten-Laufzeitumgebungen und Protokolle können sich weiterentwickeln. Externe Tools können ihre Schemata und Berechtigungen ändern.",{},{"id":547,"data":548,"type":217,"tunes":550},"p-lifecycle-2",{"text":549},"Die Unternehmensarchitektur muss entscheiden, wer diese Änderungen erkennt, wer sie testet, wer sie genehmigt, wie Verbraucher benachrichtigt werden, wie ein Rollback funktioniert und welche Nachweise erforderlich sind, bevor eine neue Version zum Standard wird.",{},{"id":552,"data":553,"type":41,"tunes":555},"h-operations",{"text":554,"level":245},"11. Incident Response muss KI-spezifische Fehlermodi berücksichtigen",{},{"id":557,"data":558,"type":217,"tunes":560},"p-operations-1",{"text":559},"Ein KI-Vorfall kann ein Anbieterausfall, ein Datenleck, ein Prompt-Injection-Pfad, ein Autorisierungsfehler, eine Retrieval-Kontamination, unerwartetes Modellverhalten, eine unsichere Tool-Ausführung, ein Kostenanstieg, veraltetes Wissen, eine Evaluierungsregression oder eine Änderung des externen Modellverhaltens sein.",{},{"id":562,"data":563,"type":217,"tunes":565},"p-operations-2",{"text":564},"Das Unternehmens-Runbook muss daher mehr als nur „den Dienst neu starten“ bieten. Es kann erforderlich sein, eine Modellroute zu deaktivieren, den Tool-Zugriff zu widerrufen, ein Korpus einzufrieren, eine Prompt-Version zu ändern, eine Agent-Fähigkeit zu deaktivieren, den Anbieter zu wechseln, an einen Domänenverantwortlichen zu eskalieren oder Traces für die Untersuchung zu sichern.",{},{"id":567,"data":568,"type":41,"tunes":570},"h-ownership",{"text":569,"level":246},"Unternehmens-KI schafft funktionsübergreifende Verantwortung",{},{"id":572,"data":573,"type":291,"tunes":619},"ownership-table",{"content":574,"stretched":42,"withHeadings":13},[575,579,583,587,591,595,599,603,607,611,615],[576,577,578],"Anliegen","Typischer Unternehmensverantwortlicher oder Mitwirkender","Architekturfrage",[580,581,582],"Geschäftliche Nutzung","Fachbereichsverantwortlicher \u002F Product Owner","Welche Entscheidung oder welchen Workflow darf KI unterstützen oder automatisieren?",[584,585,586],"Lösungsarchitektur","KI- \u002F Lösungsarchitekt","Wie erfüllt die konkrete Arbeitslast ihre funktionalen und qualitativen Anforderungen?",[588,589,590],"Gemeinsame KI-Fähigkeiten","KI-Plattform \u002F Plattform-Engineering","Welche wiederverwendbaren Modell-, Retrieval-, Agent- und Observability-Dienste werden bereitgestellt?",[592,593,594],"Unternehmenskohärenz","Unternehmensarchitektur","Wie passen KI-Systeme in Zielarchitektur, Standards, Integrationsmuster und organisatorische Verantwortung?",[596,597,598],"Datenhoheit","Datenverantwortlicher \u002F Domänenverantwortlicher","Welche Daten sind autoritativ, aktuell, zulässig und ausreichend governance-konform?",[600,601,602],"Identität und Sicherheit","IAM \u002F Sicherheitsarchitektur","Welche Identitäten dürfen auf welche Daten zugreifen und welche Aktionen ausführen?",[604,605,606],"Risiko und Compliance","Risiko \u002F Recht \u002F Compliance \u002F Datenschutz","Welche Pflichten, verbotenen Verwendungen, Kontrollen und Nachweise gelten für diesen Anwendungsfall?",[608,609,610],"Lieferantenabhängigkeit","Beschaffung \u002F Vendor Management \u002F Architektur","Welche vertraglichen, operativen und Exit-Risiken ergeben sich aus dem Anbieter?",[612,613,614],"Betrieb","SRE \u002F Betrieb \u002F Plattformverantwortlicher","Wie wird das System überwacht, unterstützt, degradiert, wiederhergestellt und geändert?",[616,617,618],"Domänenakzeptanz","Fach- \u002F Domänenspezialisten","Was gilt in dieser Domäne als korrektes, sicheres oder nützliches Ergebnis?",{},{"id":621,"data":622,"type":225,"tunes":625},"ownership-warning",{"body":623,"title":624,"variant":232},"Verantwortlichkeitsmatrizen sind nur nützlich, wenn sie mit realen Systemgrenzen, Genehmigungen, Datenverantwortung, Schnittstellen, Runbooks und Änderungsprozessen verbunden sind. Unternehmens-KI benötigt rechenschaftspflichtige Verantwortung, die auf technische Kontrollen und betriebliche Maßnahmen zurückführbar ist.","Ein RACI-Diagramm ist noch keine Architektur",{},{"id":627,"data":628,"type":41,"tunes":630},"h-model",{"text":629,"level":246},"Ein praktisches Architekturmodell für Unternehmens-KI",{},{"id":632,"data":633,"type":225,"tunes":636},"model-note",{"body":634,"title":635,"variant":239},"Das folgende Modell ist eine praktische Synthese zur Betrachtung von Unternehmens-KI-Architektur. Es wird nicht als ISO- oder NIST-Standard präsentiert. Sein Zweck ist es, organisationsübergreifende Grenzen explizit zu machen.","Vorgeschlagenes Schichtenmodell",{},{"id":638,"data":639,"type":291,"tunes":668},"enterprise-model-table",{"content":640,"stretched":42,"withHeadings":13},[641,644,647,650,653,656,659,662,665],[642,643],"Schicht","Primäre Verantwortung",[645,646],"Geschäft und Richtlinie","Genehmigte Anwendungsfälle, rechenschaftspflichtige Verantwortliche, Risikobereitschaft, verbotene Verwendungen, menschliche Verantwortung, Geschäftsakzeptanz.",[648,649],"Identität und Berechtigung","Benutzer-\u002FDienst-\u002FAgent-Identitäten, Rollen, Mandanten- oder Organisationsumfang, privilegierte Aktionen, Genehmigungspfade.",[651,652],"Unternehmensdaten","Systeme of Record, Dokumentquellen, Datenprodukte, Herkunft, Klassifizierung, Aufbewahrung, Aktualität und Zugriff.",[654,655],"KI-Plattform","Anbieter-\u002FModellzugriff, Retrieval-Primitive, Agent-Runtimes, Tool-Broker, Evaluierungsinfrastruktur, Observability, Quoten und Secrets.",[657,658],"KI-Lösungen","Domänen-Workflows, Prompts\u002FAnweisungen, Domänen-Retrieval, Geschäftslogik, Akzeptanzkriterien und Benutzererfahrung.",[660,661],"Integration und Tools","APIs, Unternehmensanwendungen, Workflows, Messaging, Dateisysteme, externe Dienste und Aktionsausführung.",[663,664],"Risiko und Governance","Inventar, Bewertung, Compliance-Nachweise, Ausnahmemanagement, Modell-\u002FAnbietergenehmigung, Review und Audit.",[666,667],"Betrieb und Lebenszyklus","Bereitstellung, Überwachung, Vorfälle, Releases, Modell-\u002FAnbieteränderungen, Deprecation, Rollback und Kontinuität.",{},{"id":670,"data":671,"type":217,"tunes":673},"p-model-1",{"text":672},"Die Architektur ist am stärksten, wenn jede Schicht sowohl ihre Verantwortlichkeiten als auch ihre Nicht-Verantwortlichkeiten benennen kann. Beispielsweise kann die KI-Plattform Anbieterrichtlinien durchsetzen und Traces sammeln, ohne zur Quelle der Wahrheit für HR-Daten zu werden. Eine Lösung kann Domänen-Prompts definieren, ohne das Unternehmens-IAM zu besitzen. Ein Fachbereichsverantwortlicher kann einen Anwendungsfall genehmigen, ohne das Inferenz-Gateway betreiben zu müssen.",{},{"id":675,"data":676,"type":41,"tunes":678},"h-data-flow",{"text":677,"level":246},"Unternehmens-KI als Daten- und Berechtigungsflüsse abbilden, nicht als Boxen",{},{"id":680,"data":681,"type":348,"tunes":708},"enterprise-flow",{"steps":682,"title":707,"orientation":347},[683,686,689,692,695,698,701,704],{"label":684,"description":685},"1. Geschäftskontext","Der Benutzer fordert eine Aufgabe im Rahmen eines genehmigten Anwendungsfalls mit einem rechenschaftspflichtigen Fachbereichsverantwortlichen an.",{"label":687,"description":688},"2. Identität und Autorisierung","Das System löst Benutzer-, Anwendungs-, Dienst- und Mandanten- oder Organisationsumfang vor privilegiertem Zugriff auf.",{"label":690,"description":691},"3. Beschaffung autoritativer Daten","Die Lösung liest oder ruft nur Quellen ab, die für die aktuelle Identität und Aufgabe zulässig sind.",{"label":693,"description":694},"4. KI-Verarbeitung","Ein genehmigtes Modell\u002Fein genehmigter Anbieter verarbeitet den minimal notwendigen Kontext unter definierten Routing- und Datenbehandlungsregeln.",{"label":696,"description":697},"5. Tool- oder Aktionsgrenze","Jede zustandsändernde Aktion wird unabhängig autorisiert und kann je nach Konsequenz eine menschliche Genehmigung erfordern.",{"label":699,"description":700},"6. Validierung","Das Ergebnis wird gegen lösungsspezifische Akzeptanz-, Nachweis- oder Sicherheitsregeln geprüft.",{"label":702,"description":703},"7. Audit und Observability","Zulässige Metadaten, Entscheidungen, Routen, Tool-Aufrufe und Ergebnisse werden aufgezeichnet, ohne unkontrollierte Protokolle mit sensiblen Daten zu erzeugen.",{"label":705,"description":706},"8. Feedback und Lebenszyklus","Fehler und Evaluierungsergebnisse fließen über kontrolliertes Änderungsmanagement in Modell-, Prompt-, Daten-, Richtlinien- und Prozessänderungen ein.","Eine folgenreiche Unternehmens-KI-Anfrage",{},{"id":710,"data":711,"type":41,"tunes":713},"h-inventory",{"text":712,"level":246},"Ein Unternehmen benötigt ein KI-Inventar, bevor es KI governen kann",{},{"id":715,"data":716,"type":217,"tunes":718},"p-inventory-1",{"text":717},"Organisationen können KI-Systeme nicht verwalten, die sie nicht identifizieren können. Die Unternehmensarchitektur sollte ein Inventar auf einem für Entscheidungen nützlichen Detaillierungsgrad pflegen, nicht nur eine Liste von Modellnamen.",{},{"id":720,"data":721,"type":291,"tunes":759},"inventory-table",{"content":722,"stretched":42,"withHeadings":13},[723,726,729,732,735,738,741,744,747,750,753,756],[724,725],"Inventarfeld","Warum es wichtig ist",[727,728],"Anwendungsfall und Verantwortlicher","Verbindet Technologie mit rechenschaftspflichtigem Geschäftszweck.",[730,731],"Benutzer und betroffene Parteien","Definiert, wer mit dem System interagiert oder davon betroffen ist.",[733,734],"Modell\u002FAnbieter","Identifiziert externe Abhängigkeit, Fähigkeit und Lebenszyklusrisiko.",[736,737],"Datenquellen","Unterstützt Autorität, Datenschutz, Klassifizierung und Herkunftsprüfung.",[739,740],"Bereitstellungs-\u002FLaufzeitort","Klärt Verarbeitungsort, Konnektivität und betriebliche Kontrolle.",[742,743],"Tools\u002FAktionen","Zeigt, ob die KI externen Zustand ändern kann und mit welcher Konsequenz.",[745,746],"Menschliche Aufsicht","Dokumentiert, wo Review, Genehmigung oder Eskalation erforderlich sind.",[748,749],"Risiko\u002FKlassifizierung","Verbindet das System mit organisatorischen und regulatorischen Kontrollen.",[751,752],"Evaluierungsnachweise","Zeigt, was getestet wurde und unter welchen Gültigkeitsbedingungen.",[754,755],"Aktuelle Version","Ermöglicht die Rückverfolgung von Vorfällen und Regressionen auf den tatsächlich bereitgestellten Zustand.",[757,758],"Lebenszyklusstatus","Vorgeschlagen, experimentell, genehmigt, Produktion, eingeschränkt, veraltet oder außer Betrieb.",{},{"id":761,"data":762,"type":41,"tunes":764},"h-governance",{"text":763,"level":246},"KI-Governance und Unternehmens-KI-Architektur sind verwandt, aber nicht dasselbe",{},{"id":766,"data":767,"type":302,"tunes":789},"governance-comparison",{"rows":768,"title":781,"layout":291,"columns":782},[769,773,777],{"id":770,"label":771,"values":772},"purpose","Zweck",[277,277],{"id":774,"label":775,"values":776},"example","Beispiel",[277,277],{"id":778,"label":779,"values":780},"failure","Versagen bei Isolation",[277,277],"Governance versus Architektur",[783,786],{"id":784,"label":785},"governance","KI-Governance",{"id":787,"label":788},"architecture","Unternehmens-KI-Architektur",{},{"id":791,"data":792,"type":41,"tunes":794},"h-regulation",{"text":793,"level":246},"Regulierung wird zur Architekturvorgabe",{},{"id":796,"data":797,"type":217,"tunes":799},"p-regulation-1",{"text":798},"Für Organisationen, die in der Europäischen Union tätig sind, kann der AI Act Anforderungen schaffen, die Systemdesign, Dokumentation, Transparenz, Governance und Betriebsprozesse beeinflussen. Die architektonischen Auswirkungen hängen von der Rolle der Organisation in der KI-Wertschöpfungskette und der konkreten Systemklassifizierung ab; nicht jedes KI-System hat dieselben Pflichten.",{},{"id":801,"data":802,"type":217,"tunes":804},"p-regulation-2",{"text":803},"Ab dem 8. Oktober 2026 gilt nach dem aktuellen konsolidierten Text, dass die Verordnung im Allgemeinen ab dem 2. August 2026 Anwendung findet. Governance-Regeln und Pflichten für Allzweck-KI-Modelle galten bereits früher, während bestimmte Vorschriften für Hochrisikosysteme spätere Termine haben. Die Kommission begann außerdem ab dem 2. August 2026 mit der Durchsetzung neuer Transparenzanforderungen für relevante interaktive und synthetische Inhalte erzeugende Systeme.",{},{"id":806,"data":807,"type":217,"tunes":809},"p-regulation-3",{"text":808},"Die Lehre für die Unternehmensarchitektur lautet nicht „Compliance ins Modell packen“. Sie besteht darin, Klassifizierung, Anbieter-\u002FBetreiberrolle, Dokumentation, Transparenz, Aufsicht, Protokollierung und Änderungsnachweise auf das System zurückführbar zu machen, das den Anwendungsfall tatsächlich umsetzt.",{},{"id":811,"data":812,"type":225,"tunes":815},"legal-note",{"body":813,"title":814,"variant":239},"Dieser Artikel beschreibt architektonische Implikationen, keine Rechtsberatung. Unternehmens-KI-Architektur sollte die Informationen bewahren, die Rechts- und Compliance-Spezialisten benötigen, um das tatsächliche System zu klassifizieren und Pflichten konkreten Kontrollen zuzuordnen. Architektur sollte nicht eine regulatorische Interpretation fest verdrahten, als hätte jede KI-Workload denselben Status.","Der rechtliche Geltungsbereich ist anwendungsfallspezifisch",{},{"id":817,"data":818,"type":41,"tunes":820},"h-procurement",{"text":819,"level":246},"Beschaffung und Architektur werden miteinander verbunden",{},{"id":822,"data":823,"type":217,"tunes":825},"p-procurement-1",{"text":824},"Ein externes Modell oder eine verwaltete KI-Plattform kann zu einer tiefen Abhängigkeit werden, selbst wenn die Integration nur wenige API-Aufrufe erfordert. Unternehmensarchitektur sollte daher Beschaffungsfragen technisch konkret machen.",{},{"id":827,"data":828,"type":291,"tunes":857},"procurement-table",{"content":829,"stretched":42,"withHeadings":13},[830,833,836,839,842,845,848,851,854],[831,832],"Beschaffungsfrage","Architektonische Konsequenz",[834,835],"Wo werden Daten verarbeitet?","Region, Netzwerkpfad, Datenresidenz und Transferkontrollen.",[837,838],"Werden Kundendaten aufbewahrt oder zur Verbesserung des Anbieters verwendet?","Datenminimierung, vertragliche Kontrollen und Anbieter-Eignung.",[840,841],"Wie werden Modelle versioniert oder außer Betrieb genommen?","Regressionstests, Kompatibilität, Fallback und Lebenszyklusplanung.",[843,844],"Was sind Quoten und Servicelimits?","Kapazitätsarchitektur, Zugangskontrolle und Fehlerbehandlung.",[846,847],"Wie portabel ist die Integration?","Anbieterabstraktion, Ausstiegskosten und Migrationsaufwand.",[849,850],"Welche Incident-Informationen sind verfügbar?","Observability, Forensikfähigkeit und Support-Eskalation.",[852,853],"Welche Unterauftragsverarbeiter oder externen Dienste sind beteiligt?","Abhängigkeitskartierung und Risikobewertung.",[855,856],"Was ändert sich ohne ausdrückliche Kundenfreigabe?","Änderungserkennung, Release-Gates und Abnahmestrategie.",{},{"id":859,"data":860,"type":41,"tunes":862},"h-control",{"text":861,"level":246},"Unternehmensarchitektur entscheidet, wie viel KI-Kontrolle die Anforderung tatsächlich benötigt",{},{"id":864,"data":865,"type":291,"tunes":888},"control-table",{"content":866,"stretched":42,"withHeadings":13},[867,870,873,876,879,882,885],[868,869],"Anforderung","Mögliche architektonische Antwort",[871,872],"Schneller Zugriff auf verwaltete Modelle","Verwalteter Anbieter mit Unternehmensidentität, Gateway-Kontrollen und vertraglicher Prüfung.",[874,875],"Private Daten mit verwalteter Orchestrierung","Verwaltete Steuerungsebene plus kundengesteuerte Ausführung oder private Datenebene, wo unterstützt.",[877,878],"Strikte Lokalität oder Souveränität","Regionsbeschränkte, souveräne, private oder selbst gehostete Architektur entsprechend der tatsächlichen Anforderung.",[880,881],"Air-Gapped-Umgebung","Lokal gehostete Modelle, lokales Retrieval, lokale Tooling, Offline-Update\u002F-Verteilung und isolierte Observability.",[883,884],"Anbieterportabilität","Anwendungseigener Domänenzustand plus Adapter und Verträge, die anbieterspezifisches Verhalten praktisch isolieren.",[886,887],"Höchste Kontrolle über Agenten-Semantik","Selbstverwaltete oder tief kontrollierte Laufzeitumgebung mit explizitem Eigentum an Tools, Kontext, Zustand und Lebenszyklus.",{},{"id":890,"data":891,"type":217,"tunes":893},"p-control-1",{"text":892},"Die am stärksten kontrollierte Architektur ist nicht automatisch die beste Unternehmensarchitektur. Mehr Eigenverantwortung erhöht die Verantwortung für Patches, Kapazität, Sicherheit, Tests, Modellbetrieb und Incident Response. Unternehmensarchitektur sollte die Kontrolle nur dort erhöhen, wo die Anforderung die zusätzliche betriebliche Belastung rechtfertigt.",{},{"id":895,"data":896,"type":41,"tunes":898},"h-change-management",{"text":897,"level":246},"KI macht Change Management zu einem Verhaltensproblem",{},{"id":900,"data":901,"type":217,"tunes":903},"p-change-1",{"text":902},"Ein normales Abhängigkeitsupdate kann Leistung oder Kompatibilität verändern. Eine KI-Änderung kann auch das Verhalten verändern. Der Austausch eines Modells, die Änderung eines System-Prompts, die Änderung des Retrievals, das Hinzufügen eines Tools oder die Änderung der Kontextrichtlinie kann die Art und Weise verändern, wie das System interpretiert und antwortet, selbst wenn sich der umgebende Anwendungscode kaum ändert.",{},{"id":905,"data":906,"type":348,"tunes":933},"change-process",{"steps":907,"title":932,"orientation":347},[908,911,914,917,920,923,926,929],{"label":909,"description":910},"1. Änderung identifiziert","Modell-, Anbieter-, Prompt-, Retrieval-Quellen-, Tool-, Richtlinien- oder Laufzeitänderung wird vorgeschlagen oder erkannt.",{"label":912,"description":913},"2. Auswirkungen kartiert","Betroffene Lösungen, Datenklassen, Benutzer, Risikokontrollen, Kosten, Verträge und betriebliche Abhängigkeiten werden identifiziert.",{"label":915,"description":916},"3. Architekturentscheidung aktualisiert","Wesentliche Entscheidungen und Abwägungen werden festgehalten; überholte Entscheidungen bleiben historisch nachvollziehbar.",{"label":918,"description":919},"4. Evaluierung durchgeführt","Relevante Regressions-, Sicherheits-, Retrieval-, Latenz-, Kosten- und Domänentests werden ausgeführt.",{"label":921,"description":922},"5. Genehmigung angewendet","Die Genehmigungsstufe richtet sich nach Konsequenz, Risiko und Organisationsrichtlinie.",{"label":924,"description":925},"6. Kontrollierte Einführung","Versionierte Freigabe, Canary- oder gestufte Bereitstellung wird verwendet, wo angemessen.",{"label":927,"description":928},"7. Produktionsnachweise gesammelt","Telemetrie, Vorfälle, Feedback und Domänenergebnisse werden überwacht.",{"label":930,"description":931},"8. Rollback oder Abnahme","Die Änderung wird basierend auf Nachweisen akzeptiert, eingeschränkt, zurückgerollt oder ersetzt.","Ein Produktions-KI-Änderungspfad",{},{"id":935,"data":936,"type":41,"tunes":938},"h-nfr-adr",{"text":937,"level":246},"Unternehmens-KI braucht weiterhin NFRs und ADRs",{},{"id":940,"data":941,"type":217,"tunes":943},"p-nfr-adr-1",{"text":942},"KI ersetzt nicht die gewöhnliche Architekturdisziplin. Nicht-funktionale Anforderungen bleiben die Zielbedingungen: Verfügbarkeit, Latenz, Datenschutz, Isolation, Auditierbarkeit, Wiederherstellbarkeit, Kostengrenzen, Erklärbarkeit oder andere Qualitätsanforderungen. Architecture Decision Records bewahren die gewählte Antwort und ihre Abwägungen.",{},{"id":945,"data":946,"type":217,"tunes":948},"p-nfr-adr-2",{"text":947},"Der KI-spezifische Unterschied besteht darin, dass einige Qualitätsattribute probabilistisch oder empirisch bewertet werden müssen. „Antworten müssen nützlich sein“ ist zu vage. Eine Produktionsanforderung sollte die Aufgabe, die Daten, die Benutzerpopulation, akzeptable Fehlerbedingungen, die Messmethode und den Schwellenwert identifizieren, wo praktikabel.",{},{"id":950,"data":951,"type":225,"tunes":954},"nfr-adr-chain",{"body":952,"title":953,"variant":287},"\u003Cstrong>Geschäftsbedarf → Anforderung \u002F NFR → Architekturentscheidung → Implementierung → Evaluierung \u002F Validierung → Produktionsbeobachtung → Änderungsentscheidung.\u003C\u002Fstrong> KI fügt dieser Kette neue Variablen hinzu; sie macht die Kette nicht überflüssig.","Unternehmens-Nachvollziehbarkeitskette",{},{"id":956,"data":957,"type":41,"tunes":959},"h-delivery",{"text":958,"level":246},"Unternehmens-KI-Architektur muss mit der Lieferung verbunden sein",{},{"id":961,"data":962,"type":217,"tunes":964},"p-delivery-1",{"text":963},"Architektur, die niemals Backlog, Implementierung, Abnahme und Betrieb erreicht, bleibt konzeptionell. Unternehmens-KI benötigt daher Rückverfolgbarkeit von Architekturentscheidungen in die Lieferarbeit und zurück von Implementierungsnachweisen in die Architektur.",{},{"id":966,"data":967,"type":217,"tunes":969},"p-delivery-2",{"text":968},"Jira und Confluence sind Beispiele für Tools, die diese Trennung unterstützen können, wenn sie bewusst eingesetzt werden: Confluence kann Anforderungen, Architektur, Entscheidungen, Risiken und Begründungen bewahren; Jira kann umsetzbare Lieferarbeit und Status verwalten. Das wichtige Prinzip ist die Rückverfolgbarkeit, nicht die Marke des Tools.",{},{"id":971,"data":972,"type":41,"tunes":974},"h-original",{"text":973,"level":246},"Ursprüngliche Projektnachweise: Enterprise Aaasaasa 0.1",{},{"id":976,"data":977,"type":225,"tunes":980},"original-evidence-note",{"body":978,"title":979,"variant":239},"Enterprise Aaasaasa 0.1 wird hier als ursprünglicher Projektnachweis für strukturiertes Unternehmensarchitektur- und Lieferdenken verwendet. Es ist ein PoC-\u002FUnternehmensprojektkontext, kein Nachweis für massenhafte Kundenakzeptanz, unternehmensweite Produktionsnutzung oder kommerzielle Traktion.","Projektnachweis, keine marktbelegende Behauptung",{},{"id":982,"data":983,"type":217,"tunes":985},"p-enterprise-aaasaasa-1",{"text":984},"Enterprise Aaasaasa 0.1 kombiniert Plattformarchitektur, SaaS-\u002FAPI-Konzepte, Internationalisierung, KI-Integration und strukturierte Projektgovernance. Das Projekt wurde bewusst so organisiert, dass Anforderungen, Architektur, Prototypenlieferung, Validierung und Abschluss separate Meilensteine waren und nicht eine undifferenzierte Implementierungsphase.",{},{"id":987,"data":988,"type":217,"tunes":990},"p-enterprise-aaasaasa-2",{"text":989},"Die Architekturrichtung umfasst Multi-Instanz-\u002FMulti-Datenbank-Konzepte zusammen mit API-, CRUD-, i18n- und KI-Fähigkeiten. Das ist für Unternehmens-KI wichtig, weil Mandanten- oder Instanzgrenzen, Datenbankeigentum und Anwendungsdienste explizit bleiben müssen, wenn KI-Funktionen hinzugefügt werden.",{},{"id":992,"data":993,"type":217,"tunes":995},"p-enterprise-aaasaasa-3",{"text":994},"Die Projektstruktur behandelte auch Architekturverzögerungen, Scope Creep und KI-\u002FDatenschutzbedenken als Projektrisiken, anstatt sie erst während der Implementierung zu entdecken. Zu den Stakeholdern gehörten technische, Sicherheits-, Sponsor-\u002FLenkungs- und externe Service-Perspektiven, was der realen funktionsübergreifenden Natur von Unternehmens-KI näher kommt als ein reiner Modellprototyp.",{},{"id":997,"data":998,"type":217,"tunes":1000},"p-enterprise-aaasaasa-4",{"text":999},"Der nützliche Nachweis ist daher die Integration von Architektur und Lieferung: Geschäfts- und Projektstruktur, Meilensteine, Risiken, Architektur, Backend\u002FAPI, Frontend-\u002FKI-Arbeit, Validierung und Abschluss werden als verbundene Verantwortlichkeiten behandelt. Dieses Muster ist wiederverwendbar, auch wenn das Projekt selbst nicht als Beweis für externe Unternehmensakzeptanz präsentiert werden sollte.",{},{"id":1002,"data":1003,"type":291,"tunes":1029},"enterprise-aaasaasa-table",{"content":1004,"stretched":42,"withHeadings":13},[1005,1008,1011,1014,1017,1020,1023,1026],[1006,1007],"Projektelement","Lektion für Unternehmens-KI-Architektur",[1009,1010],"Anforderungsmeilenstein","KI-Fähigkeit muss mit definiertem Bedarf, Umfang, Abnahmekriterien und Qualitätsbeschränkungen beginnen.",[1012,1013],"Architekturmeilenstein","Daten-, API-, Instanz-\u002FDatenbankgrenzen und KI-Integration sind explizite Designarbeit.",[1015,1016],"Prototypenmeilenstein","Architektur muss ausführbar genug werden, um Integrationsrisiken offenzulegen.",[1018,1019],"Validierungsmeilenstein","Ein funktionierender Prototyp ist nicht dasselbe wie validierte Abnahme.",[1021,1022],"Risikoregister","Umfang, Architekturverzögerung und KI-\u002FDatenschutzbedenken werden als Lieferrisiken gemanagt.",[1024,1025],"Stakeholder-Struktur","Unternehmens-KI umfasst Sponsor\u002FBusiness, Architektur, Sicherheit, externe Anbieter und Lieferung.",[1027,1028],"Projektabschluss","Entscheidungen, verbleibende Risiken und Validierungsnachweise müssen über den Implementierungssprint hinaus bestehen bleiben.",{},{"id":1031,"data":1032,"type":41,"tunes":1034},"h-supporting",{"text":1033,"level":246},"Unterstützende Implementierungsmuster aus der breiteren Plattformarbeit",{},{"id":1036,"data":1037,"type":217,"tunes":1039},"p-supporting-1",{"text":1038},"Separate Implementierungsarbeit in der breiteren Aaasaasa-Plattform liefert konkrete Beispiele für Grenzen, die Unternehmens-KI-Architektur bewahren muss: mandantenbezogenes RBAC im CMS, explizite Trennung von Anbieter\u002FModell\u002FLaufzeitumgebung\u002FBerechtigung im Aaasaasa AI Client und Provenienz-first-Retrieval in der Source of Truth Research Engine.",{},{"id":1041,"data":1042,"type":217,"tunes":1044},"p-supporting-2",{"text":1043},"Diese Projekte sollten nicht zu einer einzigen beanspruchten Produktionsplattform zusammengefasst werden. Ihr Wert ist hier enger: Sie demonstrieren implementierte Muster für Identitätsumfang, Anbietergrenzen, kontrollierte Laufzeitberechtigungen, Retrieval-Provenienz und Nachweis-Rückverfolgbarkeit, die direkt für Unternehmens-KI relevant sind.",{},{"id":1046,"data":1047,"type":41,"tunes":1049},"h-standards",{"text":1048,"level":246},"Wie die wichtigsten Standards zusammenpassen",{},{"id":1051,"data":1052,"type":291,"tunes":1075},"standards-table",{"content":1053,"stretched":42,"withHeadings":13},[1054,1057,1060,1063,1066,1069,1072],[1055,1056],"Quelle","Was sie zur Unternehmens-KI-Architektur beiträgt",[1058,1059],"ISO\u002FIEC 42001:2023","KI-Managementsystem auf Organisationsebene: Richtlinien, Ziele, Prozesse, Verantwortlichkeiten, Überwachung und kontinuierliche Verbesserung.",[1061,1062],"ISO\u002FIEC 23894:2023","Leitfaden zur Integration von KI-spezifischem Risikomanagement in organisatorische Aktivitäten und Funktionen.",[1064,1065],"NIST AI RMF 1.0","Freiwilliges, lebenszyklusorientiertes Rahmenwerk zum Management von KI-Risiken; organisiert um Govern, Map, Measure und Manage.",[1067,1068],"NIST AI 600-1","Generative-KI-Profil, das das AI RMF um generative-KI-spezifische Risiken und Maßnahmen erweitert.",[1070,1071],"EU AI Act","Verbindliche regulatorische Pflichten in der EU, deren Anwendbarkeit von Rolle, Systemtyp und Klassifizierung abhängt.",[1073,1074],"ISO\u002FIEC\u002FIEEE 42010:2022","Allgemeine Konzepte der Architekturbeschreibung zum Ausdruck von Anliegen, Sichtweisen, Entscheidungen und Beziehungen.",{},{"id":1077,"data":1078,"type":217,"tunes":1080},"p-standards-1",{"text":1079},"Diese Quellen lösen unterschiedliche Probleme. ISO\u002FIEC 42001 ist kein Ersatz für technische Architektur. ISO\u002FIEC 23894 und NIST AI RMF definieren keinen einzigen verbindlichen Software-Stack. Der EU AI Act ist Gesetz, kein Plattform-Designmuster. Architektur muss die anwendbaren organisatorischen, Risiko- und rechtlichen Anforderungen in implementierbare Systemgrenzen und Nachweise übersetzen.",{},{"id":1082,"data":1083,"type":41,"tunes":1085},"h-failures",{"text":1084,"level":246},"Häufige Fehlermuster bei Unternehmens-KI",{},{"id":1087,"data":1088,"type":291,"tunes":1126},"failures-table",{"content":1089,"stretched":42,"withHeadings":13},[1090,1093,1096,1099,1102,1105,1108,1111,1114,1117,1120,1123],[1091,1092],"Fehlermuster","Warum es fehlschlägt",[1094,1095],"Jedes Team kauft KI unabhängig ein","Erzeugt Schattenanbieter, duplizierte Secrets, inkonsistente Datenverarbeitung und schwache Hebelwirkung gegenüber Lieferantenrisiken.",[1097,1098],"Ein zentrales KI-Team besitzt jede Domänenentscheidung","Zentralisiert technische Kontrolle, verliert aber Domänenverantwortung und schafft einen Engpass.",[1100,1101],"Vektordatenbank wird zur Quelle der Wahrheit","Retrieval-Infrastruktur ersetzt stillschweigend autoritative Systeme und Aktualitätsregeln.",[1103,1104],"Ein gemeinsamer API-Schlüssel für alle Benutzer und Agenten","Zerstört Zuordnung, geringste Berechtigung und aussagekräftige Auditierbarkeit.",[1106,1107],"Modelländerung wird wie ein kleiner Bibliotheks-Patch ausgerollt","Verhaltensregressionen können die Produktion ohne Domänenbewertung erreichen.",[1109,1110],"Alle Prompts und Ausgaben werden für immer protokolliert","Observability schafft ein unkontrolliertes Repository sensibler Daten.",[1112,1113],"Governance ist nur Dokumentation","Richtlinien existieren ohne Durchsetzungspunkte, Nachweise oder operative Verantwortung.",[1115,1116],"Compliance wird an den Anbieter delegiert","Die eigene Rolle, der Use Case, die Daten und die operativen Pflichten der Organisation bleiben ungeklärt.",[1118,1119],"Agent kann Tools aufrufen, weil das Modell Tool-Nutzung unterstützt","Fähigkeit wird mit Autorisierung verwechselt.",[1121,1122],"Plattformgesundheit gleich Geschäftskorrektheit","Endpoint-Verfügbarkeit und Modellverfügbarkeit beweisen weder Domänenantwortqualität noch akzeptable Ergebnisse.",[1124,1125],"Keine Exit-Strategie für Modell-\u002FAnbieterabhängigkeit","Eine Änderung bei Preis, Richtlinie, Fähigkeit oder Verfügbarkeit wird zur Notfallmigration.",{},{"id":1128,"data":1129,"type":41,"tunes":1131},"h-misconceptions",{"text":1130,"level":246},"Häufige Missverständnisse",{},{"id":1133,"data":1134,"type":291,"tunes":1163},"misconceptions-table",{"content":1135,"stretched":42,"withHeadings":13},[1136,1139,1142,1145,1148,1151,1154,1157,1160],[1137,1138],"Missverständnis","Besseres Modell",[1140,1141],"„Enterprise-KI bedeutet einen unternehmensweiten Chatbot.“","Der Chatbot ist eine Schnittstelle; die Enterprise-KI-Architektur steuert die zugrunde liegenden Daten, Identitäten, Anbieter, Laufzeitumgebung, Risiken und Betriebsabläufe.",[1143,1144],"„Wenn wir einen renommierten Modellanbieter nutzen, ist Governance gelöst.“","Anbieterkontrollen definieren nicht Ihren Anwendungsfall, Ihre Datenhoheit, Benutzerberechtigungen, geschäftliche Abnahme oder rechtliche Rolle.",[1146,1147],"„Private KI bedeutet, dass alles selbst gehostet werden muss.“","Datenschutzanforderungen können zu verschiedenen Architekturen führen; die erforderliche Kontrollgrenze muss präzise benannt werden.",[1149,1150],"„KI-Governance gehört zur Rechtsabteilung, Architektur zur IT.“","Die beiden Disziplinen müssen verbunden werden, weil politische Verpflichtungen umsetzbare Kontrollen und Nachweise erfordern.",[1152,1153],"„Ein einheitliches Unternehmensmodell ist einfacher.“","Standardisierung kann helfen, aber Arbeitslasten können unterschiedliche Modalitäten, Regionen, Kosten, Qualitätsstufen oder Kontrollmodelle erfordern.",[1155,1156],"„KI-Risiko ist Modellrisiko.“","Risiken können aus Daten, Prompts, Retrieval, Identität, Tools, Schnittstellen, Betrieb, Benutzern und organisatorischen Prozessen entstehen.",[1158,1159],"„Human-in-the-Loop macht einen Agenten sicher.“","Menschliche Genehmigung hilft nur, wenn der Prüfer über nützlichen Kontext, Autorität, Zeit und einen klaren Entscheidungspunkt verfügt.",[1161,1162],"„Ein erfolgreicher Pilot beweist Enterprise-Bereitschaft.“","Ein Pilot beweist begrenzte Fähigkeiten; Enterprise-Bereitschaft erfordert auch Integration, Governance, Lebenszyklus, Betrieb und wiederholbare Kontrollen.",{},{"id":1165,"data":1166,"type":41,"tunes":1168},"h-framework",{"text":1167,"level":246},"Eine praktische Entscheidungssequenz für Enterprise-KI-Architektur",{},{"id":1170,"data":1171,"type":348,"tunes":1210},"decision-framework",{"steps":1172,"title":1209,"orientation":347},[1173,1176,1179,1182,1185,1188,1191,1194,1197,1200,1203,1206],{"label":1174,"description":1175},"1. Geschäftsfähigkeit definieren","Benennen Sie Benutzer, Entscheidung oder Workflow, erwarteten Wert und verantwortlichen Eigentümer.",{"label":1177,"description":1178},"2. Daten und Autorität klassifizieren","Identifizieren Sie Systeme of Record, personenbezogene\u002Fvertrauliche Daten, Aufbewahrung, Aktualität und Herkunftsanforderungen.",{"label":1180,"description":1181},"3. Identitäts- und Aktionsgrenzen definieren","Bestimmen Sie, wer lesen, generieren, entscheiden, genehmigen und externe Systeme ändern darf.",{"label":1183,"description":1184},"4. Verantwortlichkeiten für Lösung und Plattform auswählen","Entscheiden Sie, was zur Arbeitslast gehört, was geteilt werden kann und was unternehmenseigen bleibt.",{"label":1186,"description":1187},"5. Anbieter- und Laufzeitabhängigkeit bewerten","Bewerten Sie verwaltete, selbst gehostete, private, souveräne oder hybride Optionen anhand realer Anforderungen.",{"label":1189,"description":1190},"6. Risiko- und regulatorische Verpflichtungen abbilden","Bestimmen Sie Risikostufe, organisatorische Kontrollen und geltende rechtliche Verantwortlichkeiten für das konkrete System.",{"label":1192,"description":1193},"7. Messbare Abnahme definieren","Erstellen Sie Bewertungskriterien für Qualität, Zuverlässigkeit, Sicherheit, Retrieval, Kosten und Betriebsverhalten.",{"label":1195,"description":1196},"8. Architekturentscheidungen dokumentieren","Bewahren Sie Begründung, Alternativen, Abwägungen, Abhängigkeiten und Bedingungen auf, die eine Neubewertung auslösen würden.",{"label":1198,"description":1199},"9. Architektur mit Lieferung verbinden","Übersetzen Sie das Design in Backlog, Meilensteine, Abnahmekriterien, technische Arbeit und Verantwortlichkeiten.",{"label":1201,"description":1202},"10. Unter produktionsnahen Bedingungen validieren","Testen Sie realistische Identitäts-, Daten-, Fehler-, Latenz-, Anbieter-, Tool- und Wiederherstellungsszenarien statt nur sauberer Demos.",{"label":1204,"description":1205},"11. Betrieb und Änderungskontrolle einrichten","Definieren Sie Monitoring, Incident Response, Modell-\u002FAnbieter-Updates, Regressionstests, Rollback und Außerbetriebnahme.",{"label":1207,"description":1208},"12. Nachweise zurück in die Architektur einspeisen","Nutzen Sie Produktionsbeobachtungen, Audits, Vorfälle und Bewertungen, um Entscheidungen und Kontrollen zu überarbeiten.","Von der Chance zur gesteuerten Enterprise-Fähigkeit",{},{"id":1212,"data":1213,"type":41,"tunes":1215},"h-checklist",{"text":1214,"level":246},"Checkliste für Enterprise-KI-Architektur",{},{"id":1217,"data":1218,"type":291,"tunes":1265},"checklist-table",{"content":1219,"stretched":42,"withHeadings":13},[1220,1223,1226,1229,1232,1235,1238,1241,1244,1247,1250,1253,1256,1259,1262],[1221,1222],"Frage","Erwarteter Nachweis",[1224,1225],"Welche Geschäftsfähigkeit unterstützt diese KI?","Benannter Eigentümer, Benutzergruppe, beabsichtigte Entscheidung\u002FWorkflow und Abnahmeziel.",[1227,1228],"Welche Quelle ist für jede wichtige Tatsache maßgeblich?","Systeme of Record, Dokumentenautorität, Herkunft und Aktualitätsregeln.",[1230,1231],"Welche Identitäten existieren?","Menschliche, Anwendungs-, Dienst-, Agenten-, Mandanten-\u002FOrganisations- und Anbieteridentitäten sind unterscheidbar.",[1233,1234],"Was darf die KI lesen?","Autorisierungsbezogene Datenquellen und explizite Regeln für sensible Daten.",[1236,1237],"Was darf die KI ändern?","Tool-\u002FAktionsinventar, Berechtigungsmodell, Genehmigungs- und Rollback-Pfad.",[1239,1240],"Welcher Anbieter\u002Fwelches Modell wird verwendet und warum?","Architekturentscheidung einschließlich Qualität, Sicherheit, Kosten, Region, Lebenszyklus und Exit-Überlegungen.",[1242,1243],"Was passiert, wenn der Anbieter nicht verfügbar ist?","Degradierter Modus, Fallback, Ablehnung oder Kontinuitätsplan.",[1245,1246],"Wie wird Qualität bewertet?","Aufgabenspezifische Datensätze, Bewerter, Schwellenwerte, Regressionskriterien und Gültigkeitsbedingungen.",[1248,1249],"Was wird protokolliert?","Telemetrieschema, Redaktion, Zugriff, Aufbewahrung und Audit-Zweck.",[1251,1252],"Wer verantwortet KI-Risiko?","Benannte organisatorische Verantwortlichkeit, verbunden mit dem konkreten System.",[1254,1255],"Welche rechtliche Klassifizierung gilt?","Dokumentierte Bewertung auf Grundlage des aktuellen Rechts und des tatsächlichen Anwendungsfalls.",[1257,1258],"Wie werden Modell-\u002FPrompt-\u002FRetrieval-Änderungen genehmigt?","Versionierung, Bewertung, Architektur-\u002FÄnderungsdatensatz und Rollout-Gate.",[1260,1261],"Wer reagiert auf einen KI-Vorfall?","Runbook, technischer Eigentümer, geschäftliche\u002Ffachliche Eskalation und Anbieter-Eskalation.",[1263,1264],"Wie wird das System außer Betrieb genommen?","Datenbereinigung, Zugriffswiderruf, Anbieter-Exit, Nachweisaufbewahrung und Abhängigkeitsentfernung.",{},{"id":1267,"data":1268,"type":41,"tunes":1270},"h-edge",{"text":1269,"level":246},"Grenzfälle und Grenzen",{},{"id":1272,"data":1273,"type":217,"tunes":1275},"p-edge-1",{"text":1274},"Ein kleines Unternehmen mit einem risikoarmen KI-Anwendungsfall benötigt möglicherweise keine formale Enterprise-KI-Architekturfunktion. Dieselben Prinzipien können leicht angewendet werden: klarer Eigentümer, genehmigte Daten, expliziter Anbieter, grundlegende Bewertung, Zugriffskontrolle und betriebliche Verantwortung.",{},{"id":1277,"data":1278,"type":217,"tunes":1280},"p-edge-2",{"text":1279},"Eine stark regulierte Organisation kann eine stärkere Trennung, unabhängige Validierung, formale Konformitätsprozesse, lokales Hosting oder Air-Gapped-Betrieb erfordern. Diese Kontrollen werden durch den Anwendungsfall und das regulatorische Umfeld bestimmt, nicht durch das Wort „Enterprise“.",{},{"id":1282,"data":1283,"type":217,"tunes":1285},"p-edge-3",{"text":1284},"Eine Organisation kann auch überwiegend SaaS-KI-Produkte nutzen, anstatt KI-Systeme zu bauen. Enterprise-Architektur bleibt dennoch wichtig, weil Identität, Datenzugriff, Vertragsbedingungen, Shadow-KI, Aufbewahrung, Audit und Lieferantenkonzentration organisatorische Anliegen bleiben.",{},{"id":1287,"data":1288,"type":217,"tunes":1290},"p-edge-4",{"text":1289},"Eine zentrale Plattform ist nicht zwingend erforderlich. Föderierte Plattformverantwortung kann gültig sein, wenn Domänen wesentlich unterschiedliche Anforderungen haben, sofern unternehmensweite Identitäts-, Risiko-, Inventar- und Interoperabilitätsverantwortlichkeiten kohärent bleiben.",{},{"id":1292,"data":1293,"type":41,"tunes":1295},"h-change-answer",{"text":1294,"level":246},"Was würde diese Antwort ändern?",{},{"id":1297,"data":1298,"type":217,"tunes":1300},"p-change-answer-1",{"text":1299},"Die Architektur ändert sich, wenn sich Risikotoleranz, regulatorische Klassifizierung, Datensensibilität, geografischer Umfang, Anbieterstrategie, interne Fähigkeiten oder Geschäftskritikalität der Organisation ändern. Ein öffentlicher Marketing-Assistent und ein System, das an Entscheidungen zu Beschäftigung, Finanzen, Gesundheitswesen oder kritischer Infrastruktur beteiligt ist, sollten nicht identische Kontrollmodelle erben.",{},{"id":1302,"data":1303,"type":217,"tunes":1305},"p-change-answer-2",{"text":1304},"Die Umsetzung ändert sich auch, wenn sich Standards, Regulierung und KI-Plattformen weiterentwickeln. NIST AI RMF 1.0 wird derzeit überarbeitet, der EU AI Act hat gestaffelte Anwendungsdaten, und Modell-\u002FAnbieterfähigkeiten ändern sich weiterhin schnell. Enterprise-Architektur sollte daher stabile Verantwortungsgrenzen bewahren, während Anbietermechanismen und regulatorische Details als versionierte Eingaben behandelt werden.",{},{"id":1307,"data":1308,"type":41,"tunes":1310},"h-related",{"text":1309,"level":246},"Verwandtes kanonisches Wissen",{},{"id":1312,"data":1313,"type":217,"tunes":1315},"p-related-1",{"text":1314},"Enterprise-KI-Architektur baut auf Lösungs- und Plattformarchitektur auf. Die Lösungsebene erklärt eine Arbeitslast. Die Plattformebene erklärt wiederverwendbare KI-Fähigkeiten. Die Enterprise-Ebene verbindet beides mit unternehmensweiten Daten, Identität, Governance, Risiko, Beschaffung und Betrieb.",{},{"id":1317,"data":1318,"type":217,"tunes":1320},"p-related-2",{"text":1319},"Retrieval-Augmented Generation ist nur ein Mechanismus innerhalb dieser Architektur. RAG kann den Zugriff auf Unternehmenswissen verbessern, löst aber nicht von sich aus Datenhoheit, Berechtigungen, Governance oder Antwortgültigkeit.",{},{"id":1322,"data":1323,"type":1328,"tunes":1329},"ref-rag",{"url":1324,"title":1325,"excerpt":1326,"ctaLabel":1327},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","Was ist RAG? Die einfachste Erklärung, wie es funktioniert","Eine allgemein verständliche Erklärung, wie externe Wissensabfrage mit dem Sprachmodell verbunden wird, ohne dass Retrieval zur Quelle der Wahrheit wird.","Die RAG-Grundlage lesen","referralArticle",{},{"id":1331,"data":1332,"type":217,"tunes":1334},"p-related-3",{"text":1333},"Für evidenzintensive Unternehmensanwendungsfälle benötigt die Gültigkeit von Antworten ebenfalls eine explizite Grenze: Eine Ausgabe wird nur unter den Evidenzen, der Version, dem Umfang und den Annahmen gestützt, die sie hervorgebracht haben.",{},{"id":1336,"data":1337,"type":1328,"tunes":1342},"ref-avb",{"url":1338,"title":1339,"excerpt":1340,"ctaLabel":1341},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Die Antwortgültigkeitsgrenze: Die fehlende Schicht zwischen Relevanz und zuverlässigen KI-Antworten","Ein Rahmenwerk, um explizit zu machen, unter welchen Bedingungen eine KI-Aussage weiterhin gestützt wird und welche Änderungen eine Einschränkung oder Neuberechnung erfordern.","Die Antwortgültigkeitsgrenze lesen",{},{"id":1344,"data":1345,"type":217,"tunes":1347},"p-related-4",{"text":1346},"Nachgelagerte Unternehmensthemen umfassen KI-Governance, Private KI, Souveräne KI, Air-Gapped KI, Multi-Tenant-KI-Architektur, RBAC versus Mandantenisolierung, Anbieterabstraktion, Modell-Routing und Produktions-KI-Architektur.",{},{"id":1349,"data":1350,"type":41,"tunes":1352},"h-faq",{"text":1351,"level":246},"Häufig gestellte Fragen",{},{"id":1354,"data":1355,"type":1354,"tunes":1390},"faq",{"items":1356,"title":1389},[1357,1361,1365,1369,1373,1377,1381,1385],{"id":1358,"answer":1359,"question":1360},"faq1","Unternehmens-KI-Architektur ist die unternehmensweite Architektur, die definiert, wie KI-Lösungen und gemeinsame KI-Fähigkeiten mit Geschäftsverantwortung, Unternehmensdaten, Identität, Sicherheit, Anbietern, Governance, Risiko, Compliance, Lebenszyklus und Betrieb integriert werden.","Was ist Unternehmens-KI-Architektur?",{"id":1362,"answer":1363,"question":1364},"faq2","Nein. Eine KI-Plattform bietet wiederverwendbare technische Fähigkeiten wie Modellzugriff, Retrieval, Agenten-Laufzeitumgebungen und Observability. Unternehmens-KI-Architektur definiert, wie diese Plattform und einzelne KI-Lösungen in die übergreifende Architektur und das Betriebsmodell des Unternehmens passen.","Ist Unternehmens-KI-Architektur dasselbe wie eine KI-Plattform?",{"id":1366,"answer":1367,"question":1368},"faq3","Nein. Standardisierung kann Komplexität reduzieren, aber unterschiedliche Workloads können unterschiedliche Anbieter, Modelle, Regionen, Kontrollstufen oder Modalitäten erfordern. Die wichtige Anforderung ist eine explizite Richtlinien- und Lebenszyklusverantwortung.","Erfordert Unternehmens-KI ein zentrales Modell?",{"id":1370,"answer":1371,"question":1372},"faq4","Weil abgerufene oder generierte Informationen nicht automatisch autoritativ sind. Unternehmenssysteme müssen bewahren, welche Quelle das System of Record ist, ob Daten aktuell sind, wer darauf zugreifen darf und wie eine generierte Aussage auf Evidenz zurückverfolgt werden kann.","Warum ist Datenautorität für Unternehmens-KI wichtig?",{"id":1374,"answer":1375,"question":1376},"faq5","KI-Governance definiert Richtlinien, Verantwortlichkeiten und Entscheidungsrechte. Unternehmens-KI-Architektur definiert die Systemgrenzen, Schnittstellen, Datenflüsse und technischen Mechanismen, durch die diese Richtlinien umgesetzt und nachgewiesen werden können.","Was ist der Unterschied zwischen KI-Governance und Unternehmens-KI-Architektur?",{"id":1378,"answer":1379,"question":1380},"faq6","Nein. Pflichten hängen von Faktoren wie der Rolle der Organisation, dem Anwendungsfall und der Klassifizierung des Systems sowie den geltenden relevanten Bestimmungen ab. Die rechtliche Klassifizierung muss für das konkrete System nach aktuellem Recht durchgeführt werden.","Gilt der EU AI Act für jedes Unternehmens-KI-System auf die gleiche Weise?",{"id":1382,"answer":1383,"question":1384},"faq7","Nein. Ein Pilot demonstriert begrenzte Fähigkeiten. Der Unternehmenseinsatz benötigt außerdem Identität, Datenautorität, Sicherheit, Anbieter-Governance, Evaluierung, Lebenszyklus, Incident Response, Monitoring, Compliance und verantwortliche operative Verantwortung.","Reicht ein erfolgreicher KI-Pilot für den Unternehmenseinsatz aus?",{"id":1386,"answer":1387,"question":1388},"faq8","Nur wenn die Anforderung die zusätzliche Kontrolle und operative Verantwortung rechtfertigt. Managed-, Private-, Sovereign-, Self-Hosted- und Hybrid-Ansätze sind Architekturoptionen, deren Eignung von Daten-, regulatorischen, Verfügbarkeits-, Kosten-, Fähigkeits- und Betriebsanforderungen abhängt.","Sollten Unternehmen KI selbst hosten?","FAQ zur Unternehmens-KI-Architektur",{},{"id":1392,"data":1393,"type":41,"tunes":1395},"h-glossary",{"text":1394,"level":246},"Glossar",{},{"id":1397,"data":1398,"type":1397,"tunes":1439},"glossary",{"title":1399,"entries":1400},"Wichtige Begriffe der Unternehmens-KI-Architektur",[1401,1404,1408,1412,1416,1420,1424,1427,1431,1435],{"term":788,"anchor":1402,"definition":1403},"enterprise-ai-architecture","Unternehmensweite Architektur, die regelt, wie KI-Systeme, Plattformen, Daten, Identitäten, Anbieter, Risikokontrollen und Betrieb zusammenpassen.",{"term":1405,"anchor":1406,"definition":1407},"KI-Managementsystem","ai-management-system","Ein organisatorisches Managementsystem zur Festlegung KI-bezogener Richtlinien, Ziele und Prozesse; ISO\u002FIEC 42001 spezifiziert Anforderungen an ein solches System.",{"term":1409,"anchor":1410,"definition":1411},"Datenautorität","data-authority","Die Regel, die bestimmt, welche Quelle oder welches System für einen bestimmten Fakt, Datensatz, Zustand oder Entscheidungskontext autoritativ ist.",{"term":1413,"anchor":1414,"definition":1415},"System of Record","system-of-record","Das autoritative System, das für den offiziellen aktuellen Zustand eines Geschäftsdatenbestands oder einer Domänenentität verantwortlich ist.",{"term":1417,"anchor":1418,"definition":1419},"KI-Inventar","ai-inventory","Eine strukturierte Aufzeichnung von KI-Anwendungsfällen, Verantwortlichen, Modellen\u002FAnbietern, Daten, Tools, Risiken, Evaluierungsnachweisen, Lebenszyklusstatus und zugehörigen Kontrollen.",{"term":1421,"anchor":1422,"definition":1423},"Anbieterabhängigkeit","provider-dependency","Die technische, vertragliche und operative Abhängigkeit, die entsteht, wenn ein KI-Workload von einem externen Modell oder einer verwalteten Plattform abhängt.",{"term":745,"anchor":1425,"definition":1426},"human-oversight","Definierte menschliche Überprüfung, Genehmigung, Intervention oder Eskalation, die dort angewendet wird, wo Systemfolgen, Unsicherheit oder Regulierung dies erfordern.",{"term":1428,"anchor":1429,"definition":1430},"GenAIOps","genaiops","Betriebspraktiken für generative KI-Workloads, die Modellauswahl, Prompts, Grounding-Daten, Evaluierung, Bereitstellung, Monitoring und Lebenszyklusmanagement abdecken.",{"term":1432,"anchor":1433,"definition":1434},"KI-Risikomanagement","ai-risk-management","Der organisatorische Prozess zur Identifizierung, Bewertung, Behandlung, Überwachung und Überarbeitung von Risiken im Zusammenhang mit KI-Systemen über deren Lebenszyklus.",{"term":1436,"anchor":1437,"definition":1438},"Architekturentscheidung","architecture-decision","Eine wesentliche Designentscheidung zusammen mit ihrem Kontext, ihrer Begründung, Alternativen, Abwägungen und ihrem Lebenszyklusstatus.",{},{"id":1441,"data":1442,"type":41,"tunes":1444},"h-conclusion",{"text":1443,"level":246},"Fazit",{},{"id":1446,"data":1447,"type":217,"tunes":1449},"p-conclusion-1",{"text":1448},"Wenn KI in ein Unternehmen Einzug hält, gewinnt das Unternehmen nicht nur eine neue Softwarekomponente. Es gewinnt eine neue Klasse von Verhalten und Abhängigkeit, die Daten, Identität, Lieferanten, Geschäftsentscheidungen, Sicherheit, Betrieb, Governance und Change Management durchdringt.",{},{"id":1451,"data":1452,"type":217,"tunes":1454},"p-conclusion-2",{"text":1453},"Die architektonische Antwort besteht nicht darin, alles zu zentralisieren. Sie besteht darin, Verantwortlichkeiten explizit zu machen: welche Daten autoritativ sind, welche Identitäten handeln dürfen, welche Anbieter zugelassen sind, welche Kontrollen geteilt werden, welche Entscheidungen in der Domäne verbleiben, wie Verhalten evaluiert wird, wie Vorfälle behandelt werden und wie sich das System im Laufe der Zeit ändert.",{},{"id":1456,"data":1457,"type":217,"tunes":1459},"p-conclusion-3",{"text":1458},"Das ist die Kernunterscheidung der Unternehmens-KI-Architektur: Sie verwandelt isolierte KI-Fähigkeiten in ein organisatorisch steuerbares System, ohne vorzugeben, dass Modelle, Plattformen, Geschäftsdomänen und Unternehmenskontrollen dasselbe sind.",{},{"id":1461,"data":1462,"type":41,"tunes":1464},"h-sources",{"text":1463,"level":246},"Primärquellen und aktuelle Leitlinien",{},{"id":1466,"data":1467,"type":217,"tunes":1469},"p-sources-note",{"text":1468},"Externe Standards, Regulierung und aktuelle Anbieterarchitektur-Leitlinien unten wurden am 8. Oktober 2026 überprüft. Projektspezifische Abschnitte sind ausdrücklich als ursprüngliche Projektnachweise gekennzeichnet und sollten nicht als Behauptungen allgemeiner Branchenfakten gelesen werden.",{},{"id":1471,"data":1472,"type":1478,"tunes":1479},"src-iso-42001",{"link":1473,"meta":1474},"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F42001",{"image":1475,"title":1476,"description":1477},{"url":277},"ISO\u002FIEC 42001:2023 — Managementsystem für künstliche Intelligenz","Internationale Norm, die Anforderungen für die Einrichtung, Umsetzung, Aufrechterhaltung und kontinuierliche Verbesserung eines KI-Managementsystems in Organisationen spezifiziert.","linkTool",{},{"id":1481,"data":1482,"type":1478,"tunes":1488},"src-iso-23894",{"link":1483,"meta":1484},"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F77304.html",{"image":1485,"title":1486,"description":1487},{"url":277},"ISO\u002FIEC 23894:2023 — Leitfaden zum KI-Risikomanagement","Internationale Leitlinie zur Integration KI-spezifischen Risikomanagements in organisatorische Aktivitäten und Funktionen.",{},{"id":1490,"data":1491,"type":1478,"tunes":1497},"src-nist-rmf",{"link":1492,"meta":1493},"https:\u002F\u002Fwww.nist.gov\u002Fitl\u002Fai-risk-management-framework",{"image":1494,"title":1495,"description":1496},{"url":277},"NIST AI Risk Management Framework","NISTs freiwilliges, lebenszyklusorientiertes Rahmenwerk zum Management von KI-Risiken. NIST gibt an, dass AI RMF 1.0 derzeit überarbeitet wird.",{},{"id":1499,"data":1500,"type":1478,"tunes":1506},"src-nist-genai",{"link":1501,"meta":1502},"https:\u002F\u002Fwww.nist.gov\u002Fpublications\u002Fartificial-intelligence-risk-management-framework-generative-artificial-intelligence",{"image":1503,"title":1504,"description":1505},{"url":277},"NIST AI 600-1 — Generative AI Profile","NIST-Begleitprofil, das generative-KI-spezifische Risiken und Risikomanagementmaßnahmen in Ausrichtung am AI RMF beschreibt.",{},{"id":1508,"data":1509,"type":1478,"tunes":1515},"src-eu-consolidated",{"link":1510,"meta":1511},"https:\u002F\u002Feur-lex.europa.eu\u002Feli\u002Freg\u002F2024\u002F1689\u002F2026-07-27\u002Feng",{"image":1512,"title":1513,"description":1514},{"url":277},"EUR-Lex — Verordnung (EU) 2024\u002F1689, konsolidierte Fassung","Aktueller konsolidierter AI-Act-Text, der für Anwendungsdaten und regulatorische Struktur verwendet wurde, geprüft am 8. Oktober 2026.",{},{"id":1517,"data":1518,"type":1478,"tunes":1524},"src-eu-timeline",{"link":1519,"meta":1520},"https:\u002F\u002Fdigital-strategy.ec.europa.eu\u002Fen\u002Fpolicies\u002Fregulatory-framework-ai",{"image":1521,"title":1522,"description":1523},{"url":277},"Europäische Kommission — KI-Verordnung Rechtsrahmen","Aktueller Überblick der Kommission über die Anwendungsphasen der KI-Verordnung, einschließlich der Anwendbarkeit ab 2026 und späterer Termine für bestimmte Hochrisiko-Bestimmungen.",{},{"id":1526,"data":1527,"type":1478,"tunes":1533},"src-ms-ai",{"link":1528,"meta":1529},"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fget-started",{"image":1530,"title":1531,"description":1532},{"url":277},"Microsoft Azure Well-Architected — KI-Workloads","Aktuelle Architekturanleitung zu KI-Workloads, einschließlich nichtdeterministischem Verhalten, Daten, Anwendungsdesign und Betrieb.",{},{"id":1535,"data":1536,"type":1478,"tunes":1542},"src-ms-ops",{"link":1537,"meta":1538},"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fmlops-genaiops",{"image":1539,"title":1540,"description":1541},{"url":277},"Microsoft — MLOps und GenAIOps für KI-Workloads","Aktuelle Anleitung zum operativen Lebenszyklus, Daten, Modellwartung, Bereitstellung, Überwachung und kontinuierlichen Weiterentwicklung.",{},{"id":1544,"data":1545,"type":1478,"tunes":1551},"src-ms-responsible",{"link":1546,"meta":1547},"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fresponsible-ai",{"image":1548,"title":1549,"description":1550},{"url":277},"Microsoft — Verantwortungsvolle KI in Azure-Workloads","Aktuelle Anleitung, die KI-Richtlinien mit Datenkontrolle, Identität, Agenten-Auditierbarkeit, rollenbasierter Zugriffskontrolle und operativen Schutzmaßnahmen verbindet.",{},{"id":1553,"data":1554,"type":1478,"tunes":1560},"src-iso-42010",{"link":1555,"meta":1556},"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F74393.html",{"image":1557,"title":1558,"description":1559},{"url":277},"ISO\u002FIEC\u002FIEEE 42010:2022 — Architekturbeschreibung","Aktueller Standard für Architekturbeschreibung, der explizite Belange, Sichtweisen und Beziehungen über die Systemarchitektur hinweg unterstützt.",{},"2.31","Enterprise-KI-Architektur erklärt, wie KI Unternehmenssysteme über Datenhoheit, Identität, Berechtigungen, Anbieter, Risiko, Governance, Evaluierung, Compliance und Betrieb hinweg verändert.","\u002Fuploads\u002F2026\u002F10\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company-1791478161363-czrwaq.webp","enterprise-ai-architecture-what-changes-when-ai-enters-a-company-1791478161363-czrwaq","PUBLISHED","2026-10-08T10:48:00.000Z","2026-10-08T16:48:07.244Z","2026-10-08T17:02:36.954Z",{"en":1570,"de":1571,"sr":1572,"es":1573,"fr":1574,"it":1575,"ru":1576,"zh":1577},"\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Fde\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Fsr\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Fes\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Ffr\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Fit\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Fru\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company","\u002Fzh\u002Fblog\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company",[1579,1582,1586,1590],{"id":1580,"name":1581,"slug":784},59,"Governance & Auditierbarkeit",{"id":1583,"name":1584,"slug":1585},57,"Daten-Grenzen","data-boundaries",{"id":1587,"name":1588,"slug":1589},80,"Zugriff & Identität","access-and-identity",{"id":1591,"name":1592,"slug":1593},84,"Policy & Datengrenzen","policy-and-data",{"id":1595,"login":1596,"email":1597,"displayName":1598},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1600,2260],{"lang":7,"title":207,"content":209,"contentJson":1601,"excerpt":1562},{"time":211,"blocks":1602,"version":1561},[1603,1606,1609,1612,1615,1618,1621,1624,1627,1630,1646,1649,1652,1655,1658,1668,1671,1674,1677,1680,1683,1686,1689,1692,1695,1698,1701,1704,1707,1710,1713,1716,1719,1722,1725,1728,1731,1734,1737,1740,1743,1746,1749,1752,1755,1758,1761,1764,1767,1770,1773,1776,1779,1782,1785,1788,1791,1794,1797,1800,1815,1818,1821,1824,1837,1840,1843,1855,1858,1861,1877,1880,1893,1896,1899,1902,1905,1908,1911,1914,1927,1930,1941,1944,1947,1950,1962,1965,1968,1971,1974,1977,1980,1983,1986,1989,1992,1995,1998,2001,2013,2016,2019,2022,2025,2036,2039,2042,2058,2061,2074,2077,2093,2096,2115,2118,2121,2124,2127,2130,2133,2136,2139,2142,2145,2148,2151,2154,2157,2160,2163,2175,2178,2192,2195,2198,2201,2204,2207,2210,2215,2220,2225,2230,2235,2240,2245,2250,2255],{"id":214,"data":1604,"type":217,"tunes":1605},{"text":216},{},{"id":220,"data":1607,"type":225,"tunes":1608},{"body":222,"title":223,"variant":224},{},{"id":228,"data":1610,"type":225,"tunes":1611},{"body":230,"title":231,"variant":232},{},{"id":235,"data":1613,"type":225,"tunes":1614},{"body":237,"title":238,"variant":239},{},{"id":242,"data":1616,"type":247,"tunes":1617},{"title":244,"maxLevel":245,"minLevel":246},{},{"id":250,"data":1619,"type":41,"tunes":1620},{"text":252,"level":246},{},{"id":255,"data":1622,"type":217,"tunes":1623},{"text":257},{},{"id":260,"data":1625,"type":217,"tunes":1626},{"text":262},{},{"id":265,"data":1628,"type":217,"tunes":1629},{"text":267},{},{"id":270,"data":1631,"type":302,"tunes":1645},{"rows":1632,"title":290,"layout":291,"columns":1641},[1633,1635,1637,1639],{"id":274,"label":275,"values":1634},[277,277,277],{"id":279,"label":280,"values":1636},[277,277,277],{"id":283,"label":284,"values":1638},[277,277,277],{"id":287,"label":288,"values":1640},[277,277,277],[1642,1643,1644],{"id":294,"label":295},{"id":297,"label":298},{"id":300,"label":301},{},{"id":305,"data":1647,"type":41,"tunes":1648},{"text":307,"level":246},{},{"id":310,"data":1650,"type":217,"tunes":1651},{"text":312},{},{"id":315,"data":1653,"type":217,"tunes":1654},{"text":317},{},{"id":320,"data":1656,"type":217,"tunes":1657},{"text":322},{},{"id":325,"data":1659,"type":348,"tunes":1667},{"steps":1660,"title":346,"orientation":347},[1661,1662,1663,1664,1665,1666],{"label":329,"description":330},{"label":332,"description":333},{"label":335,"description":336},{"label":338,"description":339},{"label":341,"description":342},{"label":344,"description":345},{},{"id":351,"data":1669,"type":41,"tunes":1670},{"text":353,"level":246},{},{"id":356,"data":1672,"type":217,"tunes":1673},{"text":358},{},{"id":361,"data":1675,"type":217,"tunes":1676},{"text":363},{},{"id":366,"data":1678,"type":41,"tunes":1679},{"text":368,"level":246},{},{"id":371,"data":1681,"type":41,"tunes":1682},{"text":373,"level":245},{},{"id":376,"data":1684,"type":217,"tunes":1685},{"text":378},{},{"id":381,"data":1687,"type":217,"tunes":1688},{"text":383},{},{"id":386,"data":1690,"type":41,"tunes":1691},{"text":388,"level":245},{},{"id":391,"data":1693,"type":217,"tunes":1694},{"text":393},{},{"id":396,"data":1696,"type":217,"tunes":1697},{"text":398},{},{"id":401,"data":1699,"type":217,"tunes":1700},{"text":403},{},{"id":406,"data":1702,"type":225,"tunes":1703},{"body":408,"title":409,"variant":287},{},{"id":412,"data":1705,"type":41,"tunes":1706},{"text":414,"level":245},{},{"id":417,"data":1708,"type":217,"tunes":1709},{"text":419},{},{"id":422,"data":1711,"type":217,"tunes":1712},{"text":424},{},{"id":427,"data":1714,"type":217,"tunes":1715},{"text":429},{},{"id":432,"data":1717,"type":41,"tunes":1718},{"text":434,"level":245},{},{"id":437,"data":1720,"type":217,"tunes":1721},{"text":439},{},{"id":442,"data":1723,"type":217,"tunes":1724},{"text":444},{},{"id":447,"data":1726,"type":41,"tunes":1727},{"text":449,"level":245},{},{"id":452,"data":1729,"type":217,"tunes":1730},{"text":454},{},{"id":457,"data":1732,"type":217,"tunes":1733},{"text":459},{},{"id":462,"data":1735,"type":217,"tunes":1736},{"text":464},{},{"id":467,"data":1738,"type":41,"tunes":1739},{"text":469,"level":245},{},{"id":472,"data":1741,"type":217,"tunes":1742},{"text":474},{},{"id":477,"data":1744,"type":217,"tunes":1745},{"text":479},{},{"id":482,"data":1747,"type":217,"tunes":1748},{"text":484},{},{"id":487,"data":1750,"type":41,"tunes":1751},{"text":489,"level":245},{},{"id":492,"data":1753,"type":217,"tunes":1754},{"text":494},{},{"id":497,"data":1756,"type":217,"tunes":1757},{"text":499},{},{"id":502,"data":1759,"type":41,"tunes":1760},{"text":504,"level":245},{},{"id":507,"data":1762,"type":217,"tunes":1763},{"text":509},{},{"id":512,"data":1765,"type":217,"tunes":1766},{"text":514},{},{"id":517,"data":1768,"type":217,"tunes":1769},{"text":519},{},{"id":522,"data":1771,"type":41,"tunes":1772},{"text":524,"level":245},{},{"id":527,"data":1774,"type":217,"tunes":1775},{"text":529},{},{"id":532,"data":1777,"type":217,"tunes":1778},{"text":534},{},{"id":537,"data":1780,"type":41,"tunes":1781},{"text":539,"level":245},{},{"id":542,"data":1783,"type":217,"tunes":1784},{"text":544},{},{"id":547,"data":1786,"type":217,"tunes":1787},{"text":549},{},{"id":552,"data":1789,"type":41,"tunes":1790},{"text":554,"level":245},{},{"id":557,"data":1792,"type":217,"tunes":1793},{"text":559},{},{"id":562,"data":1795,"type":217,"tunes":1796},{"text":564},{},{"id":567,"data":1798,"type":41,"tunes":1799},{"text":569,"level":246},{},{"id":572,"data":1801,"type":291,"tunes":1814},{"content":1802,"stretched":42,"withHeadings":13},[1803,1804,1805,1806,1807,1808,1809,1810,1811,1812,1813],[576,577,578],[580,581,582],[584,585,586],[588,589,590],[592,593,594],[596,597,598],[600,601,602],[604,605,606],[608,609,610],[612,613,614],[616,617,618],{},{"id":621,"data":1816,"type":225,"tunes":1817},{"body":623,"title":624,"variant":232},{},{"id":627,"data":1819,"type":41,"tunes":1820},{"text":629,"level":246},{},{"id":632,"data":1822,"type":225,"tunes":1823},{"body":634,"title":635,"variant":239},{},{"id":638,"data":1825,"type":291,"tunes":1836},{"content":1826,"stretched":42,"withHeadings":13},[1827,1828,1829,1830,1831,1832,1833,1834,1835],[642,643],[645,646],[648,649],[651,652],[654,655],[657,658],[660,661],[663,664],[666,667],{},{"id":670,"data":1838,"type":217,"tunes":1839},{"text":672},{},{"id":675,"data":1841,"type":41,"tunes":1842},{"text":677,"level":246},{},{"id":680,"data":1844,"type":348,"tunes":1854},{"steps":1845,"title":707,"orientation":347},[1846,1847,1848,1849,1850,1851,1852,1853],{"label":684,"description":685},{"label":687,"description":688},{"label":690,"description":691},{"label":693,"description":694},{"label":696,"description":697},{"label":699,"description":700},{"label":702,"description":703},{"label":705,"description":706},{},{"id":710,"data":1856,"type":41,"tunes":1857},{"text":712,"level":246},{},{"id":715,"data":1859,"type":217,"tunes":1860},{"text":717},{},{"id":720,"data":1862,"type":291,"tunes":1876},{"content":1863,"stretched":42,"withHeadings":13},[1864,1865,1866,1867,1868,1869,1870,1871,1872,1873,1874,1875],[724,725],[727,728],[730,731],[733,734],[736,737],[739,740],[742,743],[745,746],[748,749],[751,752],[754,755],[757,758],{},{"id":761,"data":1878,"type":41,"tunes":1879},{"text":763,"level":246},{},{"id":766,"data":1881,"type":302,"tunes":1892},{"rows":1882,"title":781,"layout":291,"columns":1889},[1883,1885,1887],{"id":770,"label":771,"values":1884},[277,277],{"id":774,"label":775,"values":1886},[277,277],{"id":778,"label":779,"values":1888},[277,277],[1890,1891],{"id":784,"label":785},{"id":787,"label":788},{},{"id":791,"data":1894,"type":41,"tunes":1895},{"text":793,"level":246},{},{"id":796,"data":1897,"type":217,"tunes":1898},{"text":798},{},{"id":801,"data":1900,"type":217,"tunes":1901},{"text":803},{},{"id":806,"data":1903,"type":217,"tunes":1904},{"text":808},{},{"id":811,"data":1906,"type":225,"tunes":1907},{"body":813,"title":814,"variant":239},{},{"id":817,"data":1909,"type":41,"tunes":1910},{"text":819,"level":246},{},{"id":822,"data":1912,"type":217,"tunes":1913},{"text":824},{},{"id":827,"data":1915,"type":291,"tunes":1926},{"content":1916,"stretched":42,"withHeadings":13},[1917,1918,1919,1920,1921,1922,1923,1924,1925],[831,832],[834,835],[837,838],[840,841],[843,844],[846,847],[849,850],[852,853],[855,856],{},{"id":859,"data":1928,"type":41,"tunes":1929},{"text":861,"level":246},{},{"id":864,"data":1931,"type":291,"tunes":1940},{"content":1932,"stretched":42,"withHeadings":13},[1933,1934,1935,1936,1937,1938,1939],[868,869],[871,872],[874,875],[877,878],[880,881],[883,884],[886,887],{},{"id":890,"data":1942,"type":217,"tunes":1943},{"text":892},{},{"id":895,"data":1945,"type":41,"tunes":1946},{"text":897,"level":246},{},{"id":900,"data":1948,"type":217,"tunes":1949},{"text":902},{},{"id":905,"data":1951,"type":348,"tunes":1961},{"steps":1952,"title":932,"orientation":347},[1953,1954,1955,1956,1957,1958,1959,1960],{"label":909,"description":910},{"label":912,"description":913},{"label":915,"description":916},{"label":918,"description":919},{"label":921,"description":922},{"label":924,"description":925},{"label":927,"description":928},{"label":930,"description":931},{},{"id":935,"data":1963,"type":41,"tunes":1964},{"text":937,"level":246},{},{"id":940,"data":1966,"type":217,"tunes":1967},{"text":942},{},{"id":945,"data":1969,"type":217,"tunes":1970},{"text":947},{},{"id":950,"data":1972,"type":225,"tunes":1973},{"body":952,"title":953,"variant":287},{},{"id":956,"data":1975,"type":41,"tunes":1976},{"text":958,"level":246},{},{"id":961,"data":1978,"type":217,"tunes":1979},{"text":963},{},{"id":966,"data":1981,"type":217,"tunes":1982},{"text":968},{},{"id":971,"data":1984,"type":41,"tunes":1985},{"text":973,"level":246},{},{"id":976,"data":1987,"type":225,"tunes":1988},{"body":978,"title":979,"variant":239},{},{"id":982,"data":1990,"type":217,"tunes":1991},{"text":984},{},{"id":987,"data":1993,"type":217,"tunes":1994},{"text":989},{},{"id":992,"data":1996,"type":217,"tunes":1997},{"text":994},{},{"id":997,"data":1999,"type":217,"tunes":2000},{"text":999},{},{"id":1002,"data":2002,"type":291,"tunes":2012},{"content":2003,"stretched":42,"withHeadings":13},[2004,2005,2006,2007,2008,2009,2010,2011],[1006,1007],[1009,1010],[1012,1013],[1015,1016],[1018,1019],[1021,1022],[1024,1025],[1027,1028],{},{"id":1031,"data":2014,"type":41,"tunes":2015},{"text":1033,"level":246},{},{"id":1036,"data":2017,"type":217,"tunes":2018},{"text":1038},{},{"id":1041,"data":2020,"type":217,"tunes":2021},{"text":1043},{},{"id":1046,"data":2023,"type":41,"tunes":2024},{"text":1048,"level":246},{},{"id":1051,"data":2026,"type":291,"tunes":2035},{"content":2027,"stretched":42,"withHeadings":13},[2028,2029,2030,2031,2032,2033,2034],[1055,1056],[1058,1059],[1061,1062],[1064,1065],[1067,1068],[1070,1071],[1073,1074],{},{"id":1077,"data":2037,"type":217,"tunes":2038},{"text":1079},{},{"id":1082,"data":2040,"type":41,"tunes":2041},{"text":1084,"level":246},{},{"id":1087,"data":2043,"type":291,"tunes":2057},{"content":2044,"stretched":42,"withHeadings":13},[2045,2046,2047,2048,2049,2050,2051,2052,2053,2054,2055,2056],[1091,1092],[1094,1095],[1097,1098],[1100,1101],[1103,1104],[1106,1107],[1109,1110],[1112,1113],[1115,1116],[1118,1119],[1121,1122],[1124,1125],{},{"id":1128,"data":2059,"type":41,"tunes":2060},{"text":1130,"level":246},{},{"id":1133,"data":2062,"type":291,"tunes":2073},{"content":2063,"stretched":42,"withHeadings":13},[2064,2065,2066,2067,2068,2069,2070,2071,2072],[1137,1138],[1140,1141],[1143,1144],[1146,1147],[1149,1150],[1152,1153],[1155,1156],[1158,1159],[1161,1162],{},{"id":1165,"data":2075,"type":41,"tunes":2076},{"text":1167,"level":246},{},{"id":1170,"data":2078,"type":348,"tunes":2092},{"steps":2079,"title":1209,"orientation":347},[2080,2081,2082,2083,2084,2085,2086,2087,2088,2089,2090,2091],{"label":1174,"description":1175},{"label":1177,"description":1178},{"label":1180,"description":1181},{"label":1183,"description":1184},{"label":1186,"description":1187},{"label":1189,"description":1190},{"label":1192,"description":1193},{"label":1195,"description":1196},{"label":1198,"description":1199},{"label":1201,"description":1202},{"label":1204,"description":1205},{"label":1207,"description":1208},{},{"id":1212,"data":2094,"type":41,"tunes":2095},{"text":1214,"level":246},{},{"id":1217,"data":2097,"type":291,"tunes":2114},{"content":2098,"stretched":42,"withHeadings":13},[2099,2100,2101,2102,2103,2104,2105,2106,2107,2108,2109,2110,2111,2112,2113],[1221,1222],[1224,1225],[1227,1228],[1230,1231],[1233,1234],[1236,1237],[1239,1240],[1242,1243],[1245,1246],[1248,1249],[1251,1252],[1254,1255],[1257,1258],[1260,1261],[1263,1264],{},{"id":1267,"data":2116,"type":41,"tunes":2117},{"text":1269,"level":246},{},{"id":1272,"data":2119,"type":217,"tunes":2120},{"text":1274},{},{"id":1277,"data":2122,"type":217,"tunes":2123},{"text":1279},{},{"id":1282,"data":2125,"type":217,"tunes":2126},{"text":1284},{},{"id":1287,"data":2128,"type":217,"tunes":2129},{"text":1289},{},{"id":1292,"data":2131,"type":41,"tunes":2132},{"text":1294,"level":246},{},{"id":1297,"data":2134,"type":217,"tunes":2135},{"text":1299},{},{"id":1302,"data":2137,"type":217,"tunes":2138},{"text":1304},{},{"id":1307,"data":2140,"type":41,"tunes":2141},{"text":1309,"level":246},{},{"id":1312,"data":2143,"type":217,"tunes":2144},{"text":1314},{},{"id":1317,"data":2146,"type":217,"tunes":2147},{"text":1319},{},{"id":1322,"data":2149,"type":1328,"tunes":2150},{"url":1324,"title":1325,"excerpt":1326,"ctaLabel":1327},{},{"id":1331,"data":2152,"type":217,"tunes":2153},{"text":1333},{},{"id":1336,"data":2155,"type":1328,"tunes":2156},{"url":1338,"title":1339,"excerpt":1340,"ctaLabel":1341},{},{"id":1344,"data":2158,"type":217,"tunes":2159},{"text":1346},{},{"id":1349,"data":2161,"type":41,"tunes":2162},{"text":1351,"level":246},{},{"id":1354,"data":2164,"type":1354,"tunes":2174},{"items":2165,"title":1389},[2166,2167,2168,2169,2170,2171,2172,2173],{"id":1358,"answer":1359,"question":1360},{"id":1362,"answer":1363,"question":1364},{"id":1366,"answer":1367,"question":1368},{"id":1370,"answer":1371,"question":1372},{"id":1374,"answer":1375,"question":1376},{"id":1378,"answer":1379,"question":1380},{"id":1382,"answer":1383,"question":1384},{"id":1386,"answer":1387,"question":1388},{},{"id":1392,"data":2176,"type":41,"tunes":2177},{"text":1394,"level":246},{},{"id":1397,"data":2179,"type":1397,"tunes":2191},{"title":1399,"entries":2180},[2181,2182,2183,2184,2185,2186,2187,2188,2189,2190],{"term":788,"anchor":1402,"definition":1403},{"term":1405,"anchor":1406,"definition":1407},{"term":1409,"anchor":1410,"definition":1411},{"term":1413,"anchor":1414,"definition":1415},{"term":1417,"anchor":1418,"definition":1419},{"term":1421,"anchor":1422,"definition":1423},{"term":745,"anchor":1425,"definition":1426},{"term":1428,"anchor":1429,"definition":1430},{"term":1432,"anchor":1433,"definition":1434},{"term":1436,"anchor":1437,"definition":1438},{},{"id":1441,"data":2193,"type":41,"tunes":2194},{"text":1443,"level":246},{},{"id":1446,"data":2196,"type":217,"tunes":2197},{"text":1448},{},{"id":1451,"data":2199,"type":217,"tunes":2200},{"text":1453},{},{"id":1456,"data":2202,"type":217,"tunes":2203},{"text":1458},{},{"id":1461,"data":2205,"type":41,"tunes":2206},{"text":1463,"level":246},{},{"id":1466,"data":2208,"type":217,"tunes":2209},{"text":1468},{},{"id":1471,"data":2211,"type":1478,"tunes":2214},{"link":1473,"meta":2212},{"image":2213,"title":1476,"description":1477},{"url":277},{},{"id":1481,"data":2216,"type":1478,"tunes":2219},{"link":1483,"meta":2217},{"image":2218,"title":1486,"description":1487},{"url":277},{},{"id":1490,"data":2221,"type":1478,"tunes":2224},{"link":1492,"meta":2222},{"image":2223,"title":1495,"description":1496},{"url":277},{},{"id":1499,"data":2226,"type":1478,"tunes":2229},{"link":1501,"meta":2227},{"image":2228,"title":1504,"description":1505},{"url":277},{},{"id":1508,"data":2231,"type":1478,"tunes":2234},{"link":1510,"meta":2232},{"image":2233,"title":1513,"description":1514},{"url":277},{},{"id":1517,"data":2236,"type":1478,"tunes":2239},{"link":1519,"meta":2237},{"image":2238,"title":1522,"description":1523},{"url":277},{},{"id":1526,"data":2241,"type":1478,"tunes":2244},{"link":1528,"meta":2242},{"image":2243,"title":1531,"description":1532},{"url":277},{},{"id":1535,"data":2246,"type":1478,"tunes":2249},{"link":1537,"meta":2247},{"image":2248,"title":1540,"description":1541},{"url":277},{},{"id":1544,"data":2251,"type":1478,"tunes":2254},{"link":1546,"meta":2252},{"image":2253,"title":1549,"description":1550},{"url":277},{},{"id":1553,"data":2256,"type":1478,"tunes":2259},{"link":1555,"meta":2257},{"image":2258,"title":1558,"description":1559},{"url":277},{},{"lang":2261,"title":2262,"content":2263,"contentJson":2264,"excerpt":3402},"en","Enterprise AI Architecture: What Changes When AI Enters a Company","{\"time\":1791478189041,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise AI architecture is the organization-wide architecture required when AI becomes part of a company's real systems, data, decisions and operations. The model is only one component. Once AI is connected to enterprise data, identities, permissions, business processes, external providers and production systems, the architecture must also define data authority, access boundaries, risk ownership, provider dependencies, auditability, evaluation, lifecycle control, compliance and operational responsibility. Enterprise AI therefore differs from both a single AI solution and a shared AI platform: it coordinates how many AI-enabled systems fit into the wider organization.\"},\"tunes\":{}},{\"id\":\"direct-answer\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"\u003Cstrong>What changes when AI enters a company?\u003C\u002Fstrong> Existing enterprise architecture responsibilities expand to include probabilistic model behavior, new data flows, retrieval and grounding, model\u002Fprovider dependencies, AI-specific evaluation, agent\u002Ftool authority, model and prompt lifecycle, AI risk management, transparency obligations, and new operational failure modes. The architecture must connect these concerns to the company's existing identity, security, data, procurement, delivery and governance structures instead of creating a parallel “AI universe.”\"},\"tunes\":{}},{\"id\":\"not-bigger-chatbot\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Enterprise AI is not “a bigger chatbot”\",\"body\":\"A chatbot can be a user interface. Enterprise AI architecture is the system of boundaries behind it: what data the AI may access, which source is authoritative, who may use which capability, whether external providers may receive the data, what actions an agent may execute, how outputs are evaluated, what must be logged, who owns incidents, and how changes are approved and rolled back.\"},\"tunes\":{}},{\"id\":\"current-date\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Current-source note — 8 October 2026\",\"body\":\"The architectural principles in this article are intended to be stable. Regulation, standards and vendor capabilities are version-sensitive. ISO\u002FIEC 42001:2023 and ISO\u002FIEC 23894:2023 are current published standards. NIST states that AI RMF 1.0 is being revised. Under the current consolidated EU AI Act text, the Regulation applies generally from 2 August 2026, while specified high-risk provisions have later application dates. Legal classification must always be checked against the current law and the concrete use case.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What enterprise AI architecture really means\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise AI architecture describes how AI capabilities are integrated into an existing organization without breaking the boundaries that already make enterprise systems governable: business ownership, identity, authorization, data classification, system-of-record responsibility, change management, procurement, audit, continuity and operations.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The enterprise architect does not replace the AI Solution Architect or AI Platform Architect. The enterprise scope asks a different question: How do multiple AI solutions and shared AI capabilities fit into the company's target architecture, policies, data landscape, risk model and operating model?\"},\"tunes\":{}},{\"id\":\"p-meaning-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This makes enterprise AI architecture a coordination discipline across technology and organization. A technically good model integration can still be an enterprise architecture failure if it creates shadow data flows, duplicates identity, bypasses procurement, cannot be audited, has no owner, or cannot be safely changed.\"},\"tunes\":{}},{\"id\":\"scope-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Solution, platform and enterprise AI architecture are different scopes\",\"layout\":\"table\",\"columns\":[{\"id\":\"solution\",\"label\":\"AI Solution Architecture\"},{\"id\":\"platform\",\"label\":\"AI Platform Architecture\"},{\"id\":\"enterprise\",\"label\":\"Enterprise AI Architecture\"}],\"rows\":[{\"id\":\"scope\",\"label\":\"Primary scope\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"question\",\"label\":\"Primary question\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"ownership\",\"label\":\"Ownership focus\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"success\",\"label\":\"Success condition\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest example\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A company starts with one internal document assistant. The first version searches approved documents and sends retrieved context to a language model. At solution level, this may look straightforward.\"},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Then a second team wants AI for customer support. A third wants an agent that can update tickets. Finance wants document analysis. HR wants an internal assistant. Developers want coding agents. Suddenly the company has several providers, several data classes, different user groups, overlapping retrieval indexes, different logging rules, new tool permissions, duplicated secrets and unclear ownership.\"},\"tunes\":{}},{\"id\":\"p-simple-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"At that point, the question is no longer “Does the assistant work?” The enterprise question becomes: Which capabilities are approved, who owns them, what data can cross which boundary, how are identities and permissions enforced, which providers are acceptable, what must be audited, and how can the organization change models or suppliers without losing control?\"},\"tunes\":{}},{\"id\":\"simple-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"From isolated AI feature to enterprise architecture\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Isolated use case\",\"description\":\"One team connects one model to one workflow and validates local value.\"},{\"label\":\"2. Shared dependencies appear\",\"description\":\"Multiple teams need providers, model access, retrieval, identity, secrets, observability and evaluation.\"},{\"label\":\"3. Enterprise boundaries are crossed\",\"description\":\"AI touches regulated data, systems of record, external vendors, privileged actions and business decisions.\"},{\"label\":\"4. Ownership must become explicit\",\"description\":\"Business, architecture, data, security, legal\u002Fcompliance, procurement and operations need defined responsibilities.\"},{\"label\":\"5. Lifecycle becomes organizational\",\"description\":\"Model changes, prompt changes, provider changes and new agent capabilities become governed changes rather than local developer edits.\"},{\"label\":\"6. Architecture becomes repeatable\",\"description\":\"The organization establishes reusable patterns, decision records, controls, exceptions and validation gates for new AI workloads.\"}]},\"tunes\":{}},{\"id\":\"h-stop\",\"type\":\"header\",\"data\":{\"text\":\"Where the simple example stops\",\"level\":2},\"tunes\":{}},{\"id\":\"p-stop-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise architecture does not mean that every AI component must be centralized. Some capabilities should be shared; others must remain domain-owned. Finance, HR, engineering and customer support may legitimately require different data boundaries, providers, evaluation criteria and human-approval rules.\"},\"tunes\":{}},{\"id\":\"p-stop-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The enterprise objective is therefore not one model, one vector database or one universal assistant. The objective is coherent architecture with explicit variation: common policies and reusable capabilities where they reduce risk and duplication, plus controlled exceptions where business or regulatory requirements differ.\"},\"tunes\":{}},{\"id\":\"h-layers\",\"type\":\"header\",\"data\":{\"text\":\"What changes in the architecture when AI enters the enterprise\",\"level\":2},\"tunes\":{}},{\"id\":\"h-business\",\"type\":\"header\",\"data\":{\"text\":\"1. Business ownership becomes part of the technical architecture\",\"level\":3},\"tunes\":{}},{\"id\":\"p-business-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Traditional applications already need business owners. AI makes that requirement more visible because acceptable behavior cannot be defined only by uptime and functional correctness. Someone must own the intended use, unacceptable use, output quality, escalation path and consequences of wrong or inappropriate results.\"},\"tunes\":{}},{\"id\":\"p-business-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A model team cannot decide alone whether an answer is acceptable for HR, finance, legal or customer-facing use. Enterprise AI architecture therefore connects technical design to an explicit business capability, accountable owner, user group and decision context.\"},\"tunes\":{}},{\"id\":\"h-data-authority\",\"type\":\"header\",\"data\":{\"text\":\"2. Data access is not enough — data authority must be defined\",\"level\":3},\"tunes\":{}},{\"id\":\"p-data-authority-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise AI frequently combines operational databases, documents, search indexes, vector stores, data warehouses, SaaS systems and external knowledge. The architecture must distinguish where information is stored from which source is authoritative for a given claim or action.\"},\"tunes\":{}},{\"id\":\"p-data-authority-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A vector index can improve retrieval but should not silently become the company's system of record. A model response can summarize an ERP record but should not replace the ERP as the authoritative source. Cached context can improve latency but becomes unsafe when permissions or underlying business state change.\"},\"tunes\":{}},{\"id\":\"p-data-authority-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise AI therefore needs provenance, freshness, source classification, authorization propagation and invalidation rules in addition to ordinary data integration.\"},\"tunes\":{}},{\"id\":\"authority-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Enterprise data rule\",\"body\":\"\u003Cstrong>The AI system may transform, retrieve and reason over enterprise data without becoming the authority for that data.\u003C\u002Fstrong> The architecture should preserve a path back to the authoritative source whenever the use case requires evidence, verification or consequential action.\"},\"tunes\":{}},{\"id\":\"h-identity\",\"type\":\"header\",\"data\":{\"text\":\"3. Identity becomes multi-layered\",\"level\":3},\"tunes\":{}},{\"id\":\"p-identity-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise AI has more identities than the human user. A request may involve a user identity, application identity, service identity, agent identity, provider credential, tool credential and tenant or organizational context.\"},\"tunes\":{}},{\"id\":\"p-identity-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"These identities should not be collapsed into one shared API key. Authorization must remain attributable to the correct principal, and privileged tools should receive only the authority required for the current operation.\"},\"tunes\":{}},{\"id\":\"p-identity-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"For agentic systems, this becomes especially important: a model can propose an action, but the runtime must decide whether the requesting identity is allowed to execute it. Model capability is not authorization.\"},\"tunes\":{}},{\"id\":\"h-permissions\",\"type\":\"header\",\"data\":{\"text\":\"4. Permissions move from content access to action authority\",\"level\":3},\"tunes\":{}},{\"id\":\"p-permissions-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A read-only assistant mainly needs controlled access to information. An enterprise agent can create tickets, modify records, send messages, trigger workflows or operate external systems. That introduces a different risk class because the system can change state rather than merely describe it.\"},\"tunes\":{}},{\"id\":\"p-permissions-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture should separate read, write, approval and administrative capabilities; define human-in-the-loop points where consequence justifies them; and preserve an audit trail that identifies what was requested, what was approved and what actually changed.\"},\"tunes\":{}},{\"id\":\"h-provider\",\"type\":\"header\",\"data\":{\"text\":\"5. The AI provider becomes an enterprise dependency\",\"level\":3},\"tunes\":{}},{\"id\":\"p-provider-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Calling a model API is also a supplier relationship. The architecture may depend on provider availability, service terms, data-processing conditions, supported regions, model lifecycle, quotas, pricing, API compatibility, security controls and change notices.\"},\"tunes\":{}},{\"id\":\"p-provider-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This means provider selection is not only a benchmark decision. Procurement, security, privacy, legal review, continuity planning and exit strategy can all become architecture inputs.\"},\"tunes\":{}},{\"id\":\"p-provider-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Provider abstraction can reduce coupling, but only where the underlying capabilities are genuinely portable. Tool use, structured output, context limits, multimodality, safety controls, fine-tuning and hosted-agent features may differ materially between providers.\"},\"tunes\":{}},{\"id\":\"h-risk\",\"type\":\"header\",\"data\":{\"text\":\"6. AI risk becomes a lifecycle process\",\"level\":3},\"tunes\":{}},{\"id\":\"p-risk-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"AI risk is not completed by one approval before launch. The model, prompt, retrieval corpus, tool set, provider, user population and surrounding business process can all change after deployment. The risk profile changes with them.\"},\"tunes\":{}},{\"id\":\"p-risk-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"ISO\u002FIEC 23894:2023 explicitly addresses integration of AI risk management into organizational activities and functions. NIST AI RMF similarly frames risk management across the lifecycle. Enterprise architecture should therefore make risk review part of change and operations rather than an isolated compliance document.\"},\"tunes\":{}},{\"id\":\"p-risk-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Risk should also be proportional. A summarization assistant and an autonomous system that changes production records should not receive identical controls merely because both use an LLM.\"},\"tunes\":{}},{\"id\":\"h-management-system\",\"type\":\"header\",\"data\":{\"text\":\"7. Governance becomes an operating system, not a policy PDF\",\"level\":3},\"tunes\":{}},{\"id\":\"p-management-system-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"ISO\u002FIEC 42001:2023 defines requirements for establishing, implementing, maintaining and continually improving an AI management system. The architecture consequence is important: governance must connect policy to real inventories, ownership, processes, controls, evidence, reviews and improvement loops.\"},\"tunes\":{}},{\"id\":\"p-management-system-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"An enterprise AI policy that is not connected to provider approval, identity, logging, change management, evaluation and incident response has limited architectural effect. The organization needs mechanisms that make policy enforceable or at least observable.\"},\"tunes\":{}},{\"id\":\"h-eval\",\"type\":\"header\",\"data\":{\"text\":\"8. Evaluation becomes a production control\",\"level\":3},\"tunes\":{}},{\"id\":\"p-eval-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Traditional acceptance testing assumes that the same input normally produces the same deterministic result. Generative AI can be nondeterministic, sensitive to context and dependent on changing external knowledge. Production acceptance therefore needs task-specific evals, regression suites and observable thresholds rather than only unit tests.\"},\"tunes\":{}},{\"id\":\"p-eval-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The platform can provide reusable evaluation infrastructure, but the enterprise still needs ownership of domain ground truth and release gates. A central AI team cannot invent the correct answer for every business domain.\"},\"tunes\":{}},{\"id\":\"p-eval-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Model, prompt, retrieval and tool changes should be traceable to evaluation evidence where the change can materially affect output behavior.\"},\"tunes\":{}},{\"id\":\"h-observability\",\"type\":\"header\",\"data\":{\"text\":\"9. Observability must include behavior, data and model context\",\"level\":3},\"tunes\":{}},{\"id\":\"p-observability-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"CPU, memory and HTTP error rates are not sufficient for AI workloads. Production observability may need model\u002Fprovider identifiers, latency, token usage, cost, retrieval results, tool calls, refusal behavior, evaluation scores, safety events and failure classifications.\"},\"tunes\":{}},{\"id\":\"p-observability-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"At the same time, AI telemetry can contain sensitive data. Prompt and response logs may become a shadow data store. Enterprise architecture must therefore define what can be logged, how it is redacted, who can access it, how long it is retained and when detailed tracing must be disabled.\"},\"tunes\":{}},{\"id\":\"h-lifecycle\",\"type\":\"header\",\"data\":{\"text\":\"10. AI components need explicit lifecycle ownership\",\"level\":3},\"tunes\":{}},{\"id\":\"p-lifecycle-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Models can be renamed, replaced, retired or changed by providers. Embedding models can invalidate an index strategy. Prompt templates and system instructions can change behavior. Agent runtimes and protocols can evolve. External tools can change their schemas and permissions.\"},\"tunes\":{}},{\"id\":\"p-lifecycle-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise architecture must decide who detects these changes, who tests them, who approves them, how consumers are notified, how rollback works and what evidence is required before a new version becomes the default.\"},\"tunes\":{}},{\"id\":\"h-operations\",\"type\":\"header\",\"data\":{\"text\":\"11. Incident response must include AI-specific failure modes\",\"level\":3},\"tunes\":{}},{\"id\":\"p-operations-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An AI incident may be a provider outage, data leak, prompt-injection path, authorization failure, retrieval contamination, unexpected model behavior, unsafe tool execution, cost spike, stale knowledge, evaluation regression or a change in external model behavior.\"},\"tunes\":{}},{\"id\":\"p-operations-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The enterprise runbook therefore needs more than “restart the service.” It may require disabling a model route, revoking tool access, freezing a corpus, changing a prompt version, disabling an agent capability, switching provider, escalating to a domain owner or preserving traces for investigation.\"},\"tunes\":{}},{\"id\":\"h-ownership\",\"type\":\"header\",\"data\":{\"text\":\"Enterprise AI creates cross-functional ownership\",\"level\":2},\"tunes\":{}},{\"id\":\"ownership-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Concern\",\"Typical enterprise owner or contributor\",\"Architecture question\"],[\"Business use\",\"Business owner \u002F product owner\",\"What decision or workflow is AI allowed to support or automate?\"],[\"Solution architecture\",\"AI \u002F solution architect\",\"How does the concrete workload meet its functional and quality requirements?\"],[\"Shared AI capabilities\",\"AI platform \u002F platform engineering\",\"Which reusable model, retrieval, agent and observability services are provided?\"],[\"Enterprise coherence\",\"Enterprise architecture\",\"How do AI systems fit target architecture, standards, integration patterns and organizational ownership?\"],[\"Data authority\",\"Data owner \u002F domain owner\",\"Which data is authoritative, current, permitted and sufficiently governed?\"],[\"Identity and security\",\"IAM \u002F security architecture\",\"Which identities can access which data and execute which actions?\"],[\"Risk and compliance\",\"Risk \u002F legal \u002F compliance \u002F privacy\",\"Which obligations, prohibited uses, controls and evidence apply to this use case?\"],[\"Supplier dependency\",\"Procurement \u002F vendor management \u002F architecture\",\"What contractual, operational and exit risks arise from the provider?\"],[\"Operations\",\"SRE \u002F operations \u002F platform owner\",\"How is the system monitored, supported, degraded, recovered and changed?\"],[\"Domain acceptance\",\"Business\u002Fdomain specialists\",\"What counts as a correct, safe or useful result in this domain?\"]]},\"tunes\":{}},{\"id\":\"ownership-warning\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"A RACI chart is not architecture by itself\",\"body\":\"Responsibility matrices are useful only when they connect to real system boundaries, approvals, data ownership, interfaces, runbooks and change processes. Enterprise AI needs accountable ownership that can be traced to technical controls and operational actions.\"},\"tunes\":{}},{\"id\":\"h-model\",\"type\":\"header\",\"data\":{\"text\":\"A practical enterprise AI architecture model\",\"level\":2},\"tunes\":{}},{\"id\":\"model-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Proposed layered model\",\"body\":\"The following model is a practical synthesis for reasoning about enterprise AI architecture. It is not presented as an ISO or NIST standard. Its purpose is to make cross-organizational boundaries explicit.\"},\"tunes\":{}},{\"id\":\"enterprise-model-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Layer\",\"Primary responsibility\"],[\"Business and policy\",\"Approved use cases, accountable owners, risk appetite, prohibited uses, human accountability, business acceptance.\"],[\"Identity and authority\",\"User\u002Fservice\u002Fagent identities, roles, tenant or organizational scope, privileged actions, approval paths.\"],[\"Enterprise data\",\"Systems of record, document sources, data products, provenance, classification, retention, freshness and access.\"],[\"AI platform\",\"Provider\u002Fmodel access, retrieval primitives, agent runtimes, tool brokers, evaluation infrastructure, observability, quotas and secrets.\"],[\"AI solutions\",\"Domain workflows, prompts\u002Finstructions, domain retrieval, business logic, acceptance criteria and user experience.\"],[\"Integration and tools\",\"APIs, enterprise applications, workflows, messaging, file systems, external services and action execution.\"],[\"Risk and governance\",\"Inventory, assessment, compliance evidence, exception management, model\u002Fprovider approval, review and audit.\"],[\"Operations and lifecycle\",\"Deployment, monitoring, incidents, releases, model\u002Fprovider changes, deprecation, rollback and continuity.\"]]},\"tunes\":{}},{\"id\":\"p-model-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture is strongest when each layer can state both its responsibilities and its non-responsibilities. For example, the AI platform can enforce provider policy and collect traces without becoming the source of truth for HR data. A solution can define domain prompts without owning enterprise IAM. A business owner can approve a use case without being expected to operate the inference gateway.\"},\"tunes\":{}},{\"id\":\"h-data-flow\",\"type\":\"header\",\"data\":{\"text\":\"Map enterprise AI as data and authority flows, not boxes\",\"level\":2},\"tunes\":{}},{\"id\":\"enterprise-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"A consequential enterprise AI request\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Business context\",\"description\":\"The user requests a task under an approved use case with an accountable business owner.\"},{\"label\":\"2. Identity and authorization\",\"description\":\"The system resolves user, application, service and tenant or organizational scope before privileged access.\"},{\"label\":\"3. Authoritative data acquisition\",\"description\":\"The solution reads or retrieves only sources permitted for the current identity and task.\"},{\"label\":\"4. AI processing\",\"description\":\"An approved model\u002Fprovider processes the minimum necessary context under defined routing and data-handling rules.\"},{\"label\":\"5. Tool or action boundary\",\"description\":\"Any state-changing action is independently authorized and may require human approval according to consequence.\"},{\"label\":\"6. Validation\",\"description\":\"The result is checked against solution-specific acceptance, evidence or safety rules.\"},{\"label\":\"7. Audit and observability\",\"description\":\"Permitted metadata, decisions, routes, tool calls and outcomes are recorded without creating uncontrolled sensitive-data logs.\"},{\"label\":\"8. Feedback and lifecycle\",\"description\":\"Failures and evaluation results feed model, prompt, data, policy and process changes through controlled change management.\"}]},\"tunes\":{}},{\"id\":\"h-inventory\",\"type\":\"header\",\"data\":{\"text\":\"An enterprise needs an AI inventory before it can govern AI\",\"level\":2},\"tunes\":{}},{\"id\":\"p-inventory-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Organizations cannot manage AI systems they cannot identify. Enterprise architecture should maintain an inventory at a level that is useful for decisions, not merely a list of model names.\"},\"tunes\":{}},{\"id\":\"inventory-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Inventory field\",\"Why it matters\"],[\"Use case and owner\",\"Connects technology to accountable business purpose.\"],[\"Users and affected parties\",\"Defines who interacts with or is affected by the system.\"],[\"Model\u002Fprovider\",\"Identifies external dependency, capability and lifecycle risk.\"],[\"Data sources\",\"Supports authority, privacy, classification and provenance review.\"],[\"Deployment\u002Fruntime location\",\"Clarifies processing location, connectivity and operational control.\"],[\"Tools\u002Factions\",\"Shows whether the AI can change external state and at what consequence.\"],[\"Human oversight\",\"Records where review, approval or escalation is required.\"],[\"Risk\u002Fclassification\",\"Connects the system to organizational and regulatory controls.\"],[\"Evaluation evidence\",\"Shows what was tested and under which validity conditions.\"],[\"Current version\",\"Allows incidents and regressions to be traced to actual deployed state.\"],[\"Lifecycle state\",\"Proposed, experimental, approved, production, restricted, deprecated or retired.\"]]},\"tunes\":{}},{\"id\":\"h-governance\",\"type\":\"header\",\"data\":{\"text\":\"AI governance and enterprise AI architecture are related but not the same\",\"level\":2},\"tunes\":{}},{\"id\":\"governance-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Governance versus architecture\",\"layout\":\"table\",\"columns\":[{\"id\":\"governance\",\"label\":\"AI Governance\"},{\"id\":\"architecture\",\"label\":\"Enterprise AI Architecture\"}],\"rows\":[{\"id\":\"purpose\",\"label\":\"Purpose\",\"values\":[\"\",\"\"]},{\"id\":\"example\",\"label\":\"Example\",\"values\":[\"\",\"\"]},{\"id\":\"failure\",\"label\":\"Failure if isolated\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-regulation\",\"type\":\"header\",\"data\":{\"text\":\"Regulation becomes an architecture input\",\"level\":2},\"tunes\":{}},{\"id\":\"p-regulation-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"For organizations operating in the European Union, the AI Act can create requirements that affect system design, documentation, transparency, governance and operating processes. The architectural impact depends on the organization's role in the AI value chain and the concrete system classification; not every AI system has the same obligations.\"},\"tunes\":{}},{\"id\":\"p-regulation-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"As of 8 October 2026, the current consolidated text states that the Regulation generally applies from 2 August 2026. Governance rules and obligations for general-purpose AI models began applying earlier, while specified high-risk system provisions have later dates. The Commission also began enforcing new transparency requirements from 2 August 2026 for relevant interactive and synthetic-content systems.\"},\"tunes\":{}},{\"id\":\"p-regulation-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The enterprise architecture lesson is not “put compliance in the model.” It is to make classification, provider\u002Fdeployer role, documentation, transparency, oversight, logging and change evidence traceable to the system that actually implements the use case.\"},\"tunes\":{}},{\"id\":\"legal-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Legal scope is use-case specific\",\"body\":\"This article describes architecture implications, not legal advice. Enterprise AI architecture should preserve the information needed for legal and compliance specialists to classify the actual system and map obligations to concrete controls. Architecture should not hard-code one regulatory interpretation as if every AI workload had the same status.\"},\"tunes\":{}},{\"id\":\"h-procurement\",\"type\":\"header\",\"data\":{\"text\":\"Procurement and architecture become connected\",\"level\":2},\"tunes\":{}},{\"id\":\"p-procurement-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An external model or managed AI platform can become a deep dependency even when integration requires only a few API calls. Enterprise architecture should therefore make procurement questions technically concrete.\"},\"tunes\":{}},{\"id\":\"procurement-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Procurement question\",\"Architecture consequence\"],[\"Where is data processed?\",\"Region, network path, data residency and transfer controls.\"],[\"Is customer data retained or used for provider improvement?\",\"Data minimization, contractual controls and provider eligibility.\"],[\"How are models versioned or retired?\",\"Regression testing, compatibility, fallback and lifecycle planning.\"],[\"What are quotas and service limits?\",\"Capacity architecture, admission control and failure handling.\"],[\"How portable is the integration?\",\"Provider abstraction, exit cost and migration effort.\"],[\"What incident information is available?\",\"Observability, forensic capability and support escalation.\"],[\"Which subprocessors or external services are involved?\",\"Dependency mapping and risk assessment.\"],[\"What changes without explicit customer approval?\",\"Change detection, release gates and acceptance strategy.\"]]},\"tunes\":{}},{\"id\":\"h-control\",\"type\":\"header\",\"data\":{\"text\":\"Enterprise architecture decides how much AI control the requirement actually needs\",\"level\":2},\"tunes\":{}},{\"id\":\"control-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Requirement\",\"Possible architectural response\"],[\"Fast access to managed models\",\"Managed provider with enterprise identity, gateway controls and contractual review.\"],[\"Private data with managed orchestration\",\"Managed control plane plus customer-controlled execution or private data plane where supported.\"],[\"Strict locality or sovereignty\",\"Region-restricted, sovereign, private or self-hosted architecture according to the real requirement.\"],[\"Air-gapped environment\",\"Locally hosted models, local retrieval, local tooling, offline update\u002Fdistribution and isolated observability.\"],[\"Provider portability\",\"Application-owned domain state plus adapters and contracts that isolate provider-specific behavior where practical.\"],[\"Highest control of agent semantics\",\"Self-managed or deeply controlled runtime with explicit tool, context, state and lifecycle ownership.\"]]},\"tunes\":{}},{\"id\":\"p-control-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The most controlled architecture is not automatically the best enterprise architecture. More ownership increases responsibility for patching, capacity, security, testing, model operations and incident response. Enterprise architecture should escalate control only where the requirement justifies the additional operational burden.\"},\"tunes\":{}},{\"id\":\"h-change-management\",\"type\":\"header\",\"data\":{\"text\":\"AI turns change management into a behavioral problem\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A normal dependency update can alter performance or compatibility. An AI change can also alter behavior. Replacing a model, changing a system prompt, changing retrieval, adding a tool or changing the context policy can modify how the system interprets and responds even if the surrounding application code barely changes.\"},\"tunes\":{}},{\"id\":\"change-process\",\"type\":\"processFlow\",\"data\":{\"title\":\"A production AI change path\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Change identified\",\"description\":\"Model, provider, prompt, retrieval source, tool, policy or runtime change is proposed or detected.\"},{\"label\":\"2. Impact mapped\",\"description\":\"Affected solutions, data classes, users, risk controls, cost, contracts and operational dependencies are identified.\"},{\"label\":\"3. Architecture decision updated\",\"description\":\"Material choices and trade-offs are recorded; superseded decisions remain historically traceable.\"},{\"label\":\"4. Evaluation executed\",\"description\":\"Relevant regression, safety, retrieval, latency, cost and domain tests are run.\"},{\"label\":\"5. Approval applied\",\"description\":\"Approval level follows consequence, risk and organizational policy.\"},{\"label\":\"6. Controlled rollout\",\"description\":\"Versioned release, canary or staged deployment is used where appropriate.\"},{\"label\":\"7. Production evidence collected\",\"description\":\"Telemetry, incidents, feedback and domain outcomes are monitored.\"},{\"label\":\"8. Rollback or acceptance\",\"description\":\"The change is accepted, restricted, rolled back or superseded based on evidence.\"}]},\"tunes\":{}},{\"id\":\"h-nfr-adr\",\"type\":\"header\",\"data\":{\"text\":\"Enterprise AI still needs NFRs and ADRs\",\"level\":2},\"tunes\":{}},{\"id\":\"p-nfr-adr-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"AI does not replace ordinary architecture discipline. Non-functional requirements remain the target conditions: availability, latency, privacy, isolation, auditability, recoverability, cost boundaries, explainability or other quality requirements. Architecture Decision Records preserve the chosen response and its trade-offs.\"},\"tunes\":{}},{\"id\":\"p-nfr-adr-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The AI-specific difference is that some quality attributes must be evaluated probabilistically or empirically. “Answers must be useful” is too vague. A production requirement should identify the task, data, user population, acceptable failure conditions, measurement method and threshold where practical.\"},\"tunes\":{}},{\"id\":\"nfr-adr-chain\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Enterprise traceability chain\",\"body\":\"\u003Cstrong>Business need → requirement \u002F NFR → architecture decision → implementation → evaluation \u002F validation → production observation → change decision.\u003C\u002Fstrong> AI adds new variables to this chain; it does not make the chain unnecessary.\"},\"tunes\":{}},{\"id\":\"h-delivery\",\"type\":\"header\",\"data\":{\"text\":\"Enterprise AI architecture must connect to delivery\",\"level\":2},\"tunes\":{}},{\"id\":\"p-delivery-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Architecture that never reaches backlog, implementation, acceptance and operations remains conceptual. Enterprise AI therefore needs traceability from architecture decisions into delivery work and back from implementation evidence into architecture.\"},\"tunes\":{}},{\"id\":\"p-delivery-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Jira and Confluence are examples of tools that can support this separation when used deliberately: Confluence can preserve requirements, architecture, decisions, risks and rationale; Jira can manage actionable delivery work and state. The important principle is the traceability, not the brand of tool.\"},\"tunes\":{}},{\"id\":\"h-original\",\"type\":\"header\",\"data\":{\"text\":\"Original project evidence: Enterprise Aaasaasa 0.1\",\"level\":2},\"tunes\":{}},{\"id\":\"original-evidence-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Project evidence, not market-proof claim\",\"body\":\"Enterprise Aaasaasa 0.1 is used here as original project evidence for structured enterprise architecture and delivery thinking. It is a PoC \u002F enterprise project context, not evidence of mass customer adoption, enterprise-scale production usage or commercial traction.\"},\"tunes\":{}},{\"id\":\"p-enterprise-aaasaasa-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise Aaasaasa 0.1 combines platform architecture, SaaS\u002FAPI concepts, internationalization, AI integration and structured project governance. The project was deliberately organized so that requirements, architecture, prototype delivery, validation and closure were separate milestones rather than one undifferentiated implementation phase.\"},\"tunes\":{}},{\"id\":\"p-enterprise-aaasaasa-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture direction includes multi-instance \u002F multi-database concepts together with API, CRUD, i18n and AI capabilities. That matters for enterprise AI because tenant or instance boundaries, database ownership and application services must remain explicit when AI features are added.\"},\"tunes\":{}},{\"id\":\"p-enterprise-aaasaasa-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The project structure also treated architecture delay, scope creep and AI\u002Fdata-protection concerns as project risks rather than discovering them only during implementation. Stakeholders included technical, security, sponsor\u002Fsteering and external-service perspectives, which is closer to the real cross-functional nature of enterprise AI than a model-only prototype.\"},\"tunes\":{}},{\"id\":\"p-enterprise-aaasaasa-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"The useful evidence is therefore the integration of architecture and delivery: business and project structure, milestones, risks, architecture, backend\u002FAPI, frontend\u002FAI work, validation and closure are treated as connected responsibilities. That pattern is reusable even though the project itself should not be presented as proof of external enterprise adoption.\"},\"tunes\":{}},{\"id\":\"enterprise-aaasaasa-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Project element\",\"Enterprise AI architecture lesson\"],[\"Requirements milestone\",\"AI capability must begin from defined need, scope, acceptance and quality constraints.\"],[\"Architecture milestone\",\"Data, API, instance\u002Fdatabase boundaries and AI integration are explicit design work.\"],[\"Prototype milestone\",\"Architecture must become executable enough to expose integration risks.\"],[\"Validation milestone\",\"A functioning prototype is not the same as validated acceptance.\"],[\"Risk register\",\"Scope, architecture delay and AI\u002Fdata-protection concerns are managed as delivery risks.\"],[\"Stakeholder structure\",\"Enterprise AI spans sponsor\u002Fbusiness, architecture, security, external providers and delivery.\"],[\"Project closure\",\"Decisions, remaining risks and validation evidence must survive beyond the implementation sprint.\"]]},\"tunes\":{}},{\"id\":\"h-supporting\",\"type\":\"header\",\"data\":{\"text\":\"Supporting implementation patterns from the wider platform work\",\"level\":2},\"tunes\":{}},{\"id\":\"p-supporting-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Separate implementation work in the wider Aaasaasa platform provides concrete examples of boundaries that enterprise AI architecture must preserve: tenant-scoped RBAC in the CMS, explicit provider\u002Fmodel\u002Fruntime\u002Fpermission separation in Aaasaasa AI Client, and provenance-first retrieval in the Source of Truth Research Engine.\"},\"tunes\":{}},{\"id\":\"p-supporting-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"These projects should not be collapsed into one claimed production platform. Their value here is narrower: they demonstrate implemented patterns for identity scope, provider boundaries, controlled runtime permissions, retrieval provenance and evidence traceability that are directly relevant to enterprise AI.\"},\"tunes\":{}},{\"id\":\"h-standards\",\"type\":\"header\",\"data\":{\"text\":\"How the main standards fit together\",\"level\":2},\"tunes\":{}},{\"id\":\"standards-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Source\",\"What it contributes to enterprise AI architecture\"],[\"ISO\u002FIEC 42001:2023\",\"Organization-level AI management system: policies, objectives, processes, responsibility, monitoring and continual improvement.\"],[\"ISO\u002FIEC 23894:2023\",\"Guidance for integrating AI-specific risk management into organizational activities and functions.\"],[\"NIST AI RMF 1.0\",\"Voluntary lifecycle-oriented framework for managing AI risks; organized around Govern, Map, Measure and Manage.\"],[\"NIST AI 600-1\",\"Generative AI profile extending AI RMF with generative-AI-specific risks and actions.\"],[\"EU AI Act\",\"Binding regulatory obligations in the EU whose applicability depends on role, system type and classification.\"],[\"ISO\u002FIEC\u002FIEEE 42010:2022\",\"General architecture-description concepts for expressing concerns, viewpoints, decisions and relationships.\"]]},\"tunes\":{}},{\"id\":\"p-standards-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"These sources solve different problems. ISO\u002FIEC 42001 is not a replacement for technical architecture. ISO\u002FIEC 23894 and NIST AI RMF do not define one mandatory software stack. The EU AI Act is law, not a platform design pattern. Architecture must translate the applicable organizational, risk and legal requirements into implementable system boundaries and evidence.\"},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Common enterprise AI failure modes\",\"level\":2},\"tunes\":{}},{\"id\":\"failures-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Failure mode\",\"Why it fails\"],[\"Every team buys AI independently\",\"Creates shadow providers, duplicated secrets, inconsistent data handling and weak leverage over supplier risk.\"],[\"One central AI team owns every domain decision\",\"Centralizes technical control but loses domain accountability and creates a bottleneck.\"],[\"Vector database becomes the source of truth\",\"Retrieval infrastructure silently replaces authoritative systems and freshness rules.\"],[\"One shared API key for all users and agents\",\"Destroys attribution, least privilege and meaningful auditability.\"],[\"Model change deployed like a minor library patch\",\"Behavioral regressions can reach production without domain evaluation.\"],[\"All prompts and outputs are logged forever\",\"Observability creates an uncontrolled sensitive-data repository.\"],[\"Governance is only documentation\",\"Policies exist without enforcement points, evidence or operational ownership.\"],[\"Compliance is delegated to the provider\",\"The organization's own role, use case, data and operational obligations remain unresolved.\"],[\"Agent can call tools because the model supports tool use\",\"Capability is mistaken for authorization.\"],[\"Platform health equals business correctness\",\"Endpoint uptime and model availability do not prove domain answer quality or acceptable outcomes.\"],[\"No exit strategy for model\u002Fprovider dependency\",\"A pricing, policy, capability or availability change becomes an emergency migration.\"]]},\"tunes\":{}},{\"id\":\"h-misconceptions\",\"type\":\"header\",\"data\":{\"text\":\"Common misconceptions\",\"level\":2},\"tunes\":{}},{\"id\":\"misconceptions-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Misconception\",\"Better model\"],[\"“Enterprise AI means a company-wide chatbot.”\",\"The chatbot is one interface; enterprise AI architecture governs the underlying data, identity, provider, runtime, risk and operations.\"],[\"“If we use a reputable model provider, governance is solved.”\",\"Provider controls do not define your use case, data authority, user permissions, business acceptance or legal role.\"],[\"“Private AI means everything must be self-hosted.”\",\"Privacy requirements can lead to several architectures; the required control boundary must be stated precisely.\"],[\"“AI governance belongs to legal, architecture belongs to IT.”\",\"The two disciplines must connect because policy obligations need implementable controls and evidence.\"],[\"“One enterprise model is simpler.”\",\"Standardization can help, but workloads can require different modalities, regions, costs, quality levels or control models.\"],[\"“AI risk is model risk.”\",\"Risk can originate in data, prompts, retrieval, identity, tools, interfaces, operations, users and organizational process.\"],[\"“Human-in-the-loop makes an agent safe.”\",\"Human approval helps only if the reviewer has useful context, authority, time and a clear decision point.\"],[\"“A successful pilot proves enterprise readiness.”\",\"A pilot proves bounded capability; enterprise readiness also requires integration, governance, lifecycle, operations and repeatable controls.\"]]},\"tunes\":{}},{\"id\":\"h-framework\",\"type\":\"header\",\"data\":{\"text\":\"A practical enterprise AI architecture decision sequence\",\"level\":2},\"tunes\":{}},{\"id\":\"decision-framework\",\"type\":\"processFlow\",\"data\":{\"title\":\"From opportunity to governed enterprise capability\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Define the business capability\",\"description\":\"State the user, decision or workflow, expected value and accountable owner.\"},{\"label\":\"2. Classify data and authority\",\"description\":\"Identify systems of record, personal\u002Fconfidential data, retention, freshness and provenance requirements.\"},{\"label\":\"3. Define identity and action boundaries\",\"description\":\"Determine who may read, generate, decide, approve and change external systems.\"},{\"label\":\"4. Select solution and platform responsibilities\",\"description\":\"Decide what belongs to the workload, what can be shared and what remains enterprise-owned.\"},{\"label\":\"5. Assess provider and runtime dependency\",\"description\":\"Evaluate managed, self-hosted, private, sovereign or hybrid options against real requirements.\"},{\"label\":\"6. Map risk and regulatory obligations\",\"description\":\"Determine risk level, organizational controls and applicable legal responsibilities for the concrete system.\"},{\"label\":\"7. Define measurable acceptance\",\"description\":\"Create evaluation criteria for quality, reliability, safety, retrieval, cost and operational behavior.\"},{\"label\":\"8. Record architecture decisions\",\"description\":\"Preserve rationale, alternatives, trade-offs, dependencies and conditions that would trigger reconsideration.\"},{\"label\":\"9. Connect architecture to delivery\",\"description\":\"Translate the design into backlog, milestones, acceptance criteria, technical work and ownership.\"},{\"label\":\"10. Validate in production-shaped conditions\",\"description\":\"Test realistic identity, data, failure, latency, provider, tool and recovery scenarios rather than only clean demos.\"},{\"label\":\"11. Establish operations and change control\",\"description\":\"Define monitoring, incident response, model\u002Fprovider updates, regression testing, rollback and retirement.\"},{\"label\":\"12. Feed evidence back into architecture\",\"description\":\"Use production observations, audits, incidents and evaluations to revise decisions and controls.\"}]},\"tunes\":{}},{\"id\":\"h-checklist\",\"type\":\"header\",\"data\":{\"text\":\"Enterprise AI architecture checklist\",\"level\":2},\"tunes\":{}},{\"id\":\"checklist-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Question\",\"Expected evidence\"],[\"What business capability does this AI support?\",\"Named owner, user group, intended decision\u002Fworkflow and acceptance objective.\"],[\"Which source is authoritative for each important fact?\",\"Systems of record, document authority, provenance and freshness rules.\"],[\"Which identities exist?\",\"Human, application, service, agent, tenant\u002Forg and provider identities are distinguishable.\"],[\"What can the AI read?\",\"Authorization-scoped data sources and explicit sensitive-data rules.\"],[\"What can the AI change?\",\"Tool\u002Faction inventory, permission model, approval and rollback path.\"],[\"Which provider\u002Fmodel is used and why?\",\"Architecture decision including quality, security, cost, region, lifecycle and exit considerations.\"],[\"What happens if the provider is unavailable?\",\"Degraded mode, fallback, refusal or continuity plan.\"],[\"How is quality evaluated?\",\"Task-specific datasets, graders, thresholds, regression criteria and validity conditions.\"],[\"What is logged?\",\"Telemetry schema, redaction, access, retention and audit purpose.\"],[\"Who owns AI risk?\",\"Named organizational responsibility connected to the concrete system.\"],[\"What legal classification applies?\",\"Documented assessment based on the current law and the actual use case.\"],[\"How are model\u002Fprompt\u002Fretrieval changes approved?\",\"Versioning, evaluation, architecture\u002Fchange record and rollout gate.\"],[\"Who responds to an AI incident?\",\"Runbook, technical owner, business\u002Fdomain escalation and provider escalation.\"],[\"How is the system retired?\",\"Data cleanup, access revocation, provider exit, evidence retention and dependency removal.\"]]},\"tunes\":{}},{\"id\":\"h-edge\",\"type\":\"header\",\"data\":{\"text\":\"Edge cases and limits\",\"level\":2},\"tunes\":{}},{\"id\":\"p-edge-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A small company with one low-risk AI use case may not need a formal enterprise AI architecture function. The same principles can be applied lightly: clear owner, approved data, explicit provider, basic evaluation, access control and operational responsibility.\"},\"tunes\":{}},{\"id\":\"p-edge-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A highly regulated organization may need stronger separation, independent validation, formal conformity processes, local hosting or air-gapped operation. Those controls are driven by the use case and regulatory environment, not by the word “enterprise.”\"},\"tunes\":{}},{\"id\":\"p-edge-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"An organization can also use mostly SaaS AI products rather than building AI systems. Enterprise architecture still matters because identity, data access, contractual terms, shadow AI, retention, audit and supplier concentration remain organizational concerns.\"},\"tunes\":{}},{\"id\":\"p-edge-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"A centralized platform is not mandatory. Federated platform ownership can be valid when domains have materially different requirements, provided enterprise-level identity, risk, inventory and interoperability responsibilities remain coherent.\"},\"tunes\":{}},{\"id\":\"h-change-answer\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-answer-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture changes when the organization's risk tolerance, regulatory classification, data sensitivity, geographic scope, provider strategy, internal skills or business criticality changes. A public marketing assistant and a system participating in employment, finance, healthcare or critical infrastructure decisions should not inherit identical control models.\"},\"tunes\":{}},{\"id\":\"p-change-answer-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation also changes as standards, regulation and AI platforms evolve. NIST AI RMF 1.0 is currently under revision, the EU AI Act has phased application dates, and model\u002Fprovider capabilities continue to change rapidly. Enterprise architecture should therefore preserve stable responsibility boundaries while treating provider mechanisms and regulatory details as versioned inputs.\"},\"tunes\":{}},{\"id\":\"h-related\",\"type\":\"header\",\"data\":{\"text\":\"Related canonical knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-related-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Enterprise AI architecture builds on solution and platform architecture. The solution layer explains one workload. The platform layer explains reusable AI capabilities. The enterprise layer connects both to organization-wide data, identity, governance, risk, procurement and operations.\"},\"tunes\":{}},{\"id\":\"p-related-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval-Augmented Generation is only one mechanism inside this architecture. RAG can improve access to enterprise knowledge, but it does not solve data authority, permissions, governance or answer validity by itself.\"},\"tunes\":{}},{\"id\":\"ref-rag\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\",\"title\":\"What Is RAG? The Simplest Explanation of How It Works\",\"excerpt\":\"A plain-English explanation of how external knowledge retrieval connects to the language model without turning retrieval into the source of truth.\",\"ctaLabel\":\"Read the RAG foundation\"},\"tunes\":{}},{\"id\":\"p-related-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"For evidence-heavy enterprise use cases, answer validity also needs an explicit boundary: an output is only supported under the evidence, version, scope and assumptions that produced it.\"},\"tunes\":{}},{\"id\":\"ref-avb\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers\",\"title\":\"The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers\",\"excerpt\":\"A framework for making explicit the conditions under which an AI claim remains supported and what changes require restriction or recalculation.\",\"ctaLabel\":\"Read the Answer Validity Boundary\"},\"tunes\":{}},{\"id\":\"p-related-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"Downstream enterprise topics include AI Governance, Private AI, Sovereign AI, Air-Gapped AI, Multi-Tenant AI Architecture, RBAC versus Tenant Isolation, Provider Abstraction, Model Routing and Production AI Architecture.\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"Frequently asked questions\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Enterprise AI architecture FAQ\",\"items\":[{\"id\":\"faq1\",\"question\":\"What is enterprise AI architecture?\",\"answer\":\"Enterprise AI architecture is the organization-wide architecture that defines how AI solutions and shared AI capabilities integrate with business ownership, enterprise data, identity, security, providers, governance, risk, compliance, lifecycle and operations.\"},{\"id\":\"faq2\",\"question\":\"Is enterprise AI architecture the same as an AI platform?\",\"answer\":\"No. An AI platform provides reusable technical capabilities such as model access, retrieval, agent runtimes and observability. Enterprise AI architecture defines how that platform and individual AI solutions fit into the organization's wider architecture and operating model.\"},{\"id\":\"faq3\",\"question\":\"Does enterprise AI require one central model?\",\"answer\":\"No. Standardization can reduce complexity, but different workloads may require different providers, models, regions, control levels or modalities. The important requirement is explicit policy and lifecycle ownership.\"},{\"id\":\"faq4\",\"question\":\"Why is data authority important for enterprise AI?\",\"answer\":\"Because retrieved or generated information is not automatically authoritative. Enterprise systems need to preserve which source is the system of record, whether data is current, who may access it and how a generated claim can be traced back to evidence.\"},{\"id\":\"faq5\",\"question\":\"What is the difference between AI governance and enterprise AI architecture?\",\"answer\":\"AI governance defines policies, accountability and decision rights. Enterprise AI architecture defines the system boundaries, interfaces, data flows and technical mechanisms through which those policies can be implemented and evidenced.\"},{\"id\":\"faq6\",\"question\":\"Does the EU AI Act apply to every enterprise AI system in the same way?\",\"answer\":\"No. Obligations depend on factors such as the organization's role, the system's use case and classification, and the relevant provisions in force. Legal classification must be performed for the concrete system under the current law.\"},{\"id\":\"faq7\",\"question\":\"Is a successful AI pilot enough for enterprise deployment?\",\"answer\":\"No. A pilot demonstrates bounded capability. Enterprise deployment also needs identity, data authority, security, provider governance, evaluation, lifecycle, incident response, monitoring, compliance and accountable operational ownership.\"},{\"id\":\"faq8\",\"question\":\"Should enterprises self-host AI?\",\"answer\":\"Only when the requirement justifies the added control and operational responsibility. Managed, private, sovereign, self-hosted and hybrid approaches are architecture options whose fit depends on data, regulatory, availability, cost, capability and operational requirements.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key enterprise AI architecture terms\",\"entries\":[{\"term\":\"Enterprise AI architecture\",\"definition\":\"Organization-wide architecture governing how AI systems, platforms, data, identities, providers, risk controls and operations fit together.\",\"anchor\":\"enterprise-ai-architecture\"},{\"term\":\"AI management system\",\"definition\":\"An organizational management system for establishing AI-related policies, objectives and processes; ISO\u002FIEC 42001 specifies requirements for such a system.\",\"anchor\":\"ai-management-system\"},{\"term\":\"Data authority\",\"definition\":\"The rule that identifies which source or system is authoritative for a particular fact, record, state or decision context.\",\"anchor\":\"data-authority\"},{\"term\":\"System of record\",\"definition\":\"The authoritative system responsible for the official current state of a business record or domain entity.\",\"anchor\":\"system-of-record\"},{\"term\":\"AI inventory\",\"definition\":\"A structured record of AI use cases, owners, models\u002Fproviders, data, tools, risk, evaluation evidence, lifecycle state and related controls.\",\"anchor\":\"ai-inventory\"},{\"term\":\"Provider dependency\",\"definition\":\"The technical, contractual and operational reliance created when an AI workload depends on an external model or managed platform.\",\"anchor\":\"provider-dependency\"},{\"term\":\"Human oversight\",\"definition\":\"Defined human review, approval, intervention or escalation applied where system consequence, uncertainty or regulation requires it.\",\"anchor\":\"human-oversight\"},{\"term\":\"GenAIOps\",\"definition\":\"Operational practices for generative-AI workloads covering model selection, prompts, grounding data, evaluation, deployment, monitoring and lifecycle management.\",\"anchor\":\"genaiops\"},{\"term\":\"AI risk management\",\"definition\":\"The organizational process of identifying, assessing, treating, monitoring and revising risks associated with AI systems across their lifecycle.\",\"anchor\":\"ai-risk-management\"},{\"term\":\"Architecture decision\",\"definition\":\"A material design choice together with its context, rationale, alternatives, trade-offs and lifecycle status.\",\"anchor\":\"architecture-decision\"}]},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"When AI enters a company, the enterprise does not merely gain a new software component. It gains a new class of behavior and dependency that cuts across data, identity, suppliers, business decisions, security, operations, governance and change management.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural response is not to centralize everything. It is to make responsibilities explicit: which data is authoritative, which identities may act, which providers are approved, which controls are shared, which decisions remain domain-owned, how behavior is evaluated, how incidents are handled and how the system changes over time.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"That is the core distinction of enterprise AI architecture: it turns isolated AI capability into an organizationally governable system without pretending that models, platforms, business domains and enterprise controls are the same thing.\"},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and current guidance\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"External standards, regulation and current vendor architecture guidance below were checked on 8 October 2026. Project-specific sections are explicitly marked as original project evidence and should not be read as claims of general industry fact.\"},\"tunes\":{}},{\"id\":\"src-iso-42001\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F42001\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"ISO\u002FIEC 42001:2023 — Artificial intelligence management system\",\"description\":\"International standard specifying requirements for establishing, implementing, maintaining and continually improving an AI management system within organizations.\"}},\"tunes\":{}},{\"id\":\"src-iso-23894\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F77304.html\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"ISO\u002FIEC 23894:2023 — Guidance on AI risk management\",\"description\":\"International guidance for integrating AI-specific risk management into organizational activities and functions.\"}},\"tunes\":{}},{\"id\":\"src-nist-rmf\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nist.gov\u002Fitl\u002Fai-risk-management-framework\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST AI Risk Management Framework\",\"description\":\"NIST's voluntary lifecycle-oriented framework for managing AI risk. NIST states that AI RMF 1.0 is currently being revised.\"}},\"tunes\":{}},{\"id\":\"src-nist-genai\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.nist.gov\u002Fpublications\u002Fartificial-intelligence-risk-management-framework-generative-artificial-intelligence\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST AI 600-1 — Generative AI Profile\",\"description\":\"NIST companion profile describing generative-AI-specific risks and risk-management actions aligned to the AI RMF.\"}},\"tunes\":{}},{\"id\":\"src-eu-consolidated\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Feur-lex.europa.eu\u002Feli\u002Freg\u002F2024\u002F1689\u002F2026-07-27\u002Feng\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"EUR-Lex — Regulation (EU) 2024\u002F1689, consolidated text\",\"description\":\"Current consolidated AI Act text used for application dates and regulatory structure as checked on 8 October 2026.\"}},\"tunes\":{}},{\"id\":\"src-eu-timeline\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdigital-strategy.ec.europa.eu\u002Fen\u002Fpolicies\u002Fregulatory-framework-ai\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"European Commission — AI Act regulatory framework\",\"description\":\"Current Commission overview of AI Act application phases, including 2026 applicability and later dates for specified high-risk provisions.\"}},\"tunes\":{}},{\"id\":\"src-ms-ai\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fget-started\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Azure Well-Architected — AI workloads\",\"description\":\"Current architecture guidance on AI workloads, including nondeterministic behavior, data, application design and operations.\"}},\"tunes\":{}},{\"id\":\"src-ms-ops\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fmlops-genaiops\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft — MLOps and GenAIOps for AI workloads\",\"description\":\"Current guidance on operational lifecycle, data, model maintenance, deployment, monitoring and continuous evolution.\"}},\"tunes\":{}},{\"id\":\"src-ms-responsible\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fwell-architected\u002Fai\u002Fresponsible-ai\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft — Responsible AI in Azure workloads\",\"description\":\"Current guidance connecting AI policy to data control, identity, agent auditability, role-based access and operational safeguards.\"}},\"tunes\":{}},{\"id\":\"src-iso-42010\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F74393.html\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"ISO\u002FIEC\u002FIEEE 42010:2022 — Architecture Description\",\"description\":\"Current architecture-description standard supporting explicit concerns, viewpoints and relationships across system architecture.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":2265,"blocks":2266,"version":3401},1791478189041,[2267,2271,2276,2281,2286,2290,2294,2298,2302,2306,2330,2334,2338,2342,2346,2369,2373,2377,2381,2385,2389,2393,2397,2401,2405,2409,2413,2418,2422,2426,2430,2434,2438,2442,2446,2450,2454,2458,2462,2466,2470,2474,2478,2482,2486,2490,2494,2498,2502,2506,2510,2514,2518,2522,2526,2530,2534,2538,2542,2546,2594,2599,2603,2608,2639,2643,2647,2676,2680,2684,2724,2728,2746,2750,2754,2758,2762,2767,2771,2775,2806,2810,2835,2839,2843,2847,2876,2880,2884,2888,2893,2897,2901,2905,2909,2914,2918,2922,2926,2930,2958,2962,2966,2970,2974,2993,2997,3001,3041,3045,3076,3080,3121,3125,3174,3178,3182,3186,3190,3194,3198,3202,3206,3210,3214,3218,3225,3229,3236,3240,3244,3273,3277,3309,3313,3317,3321,3325,3329,3333,3340,3347,3353,3359,3366,3373,3380,3387,3394],{"id":214,"data":2268,"type":217,"tunes":2270},{"text":2269},"Enterprise AI architecture is the organization-wide architecture required when AI becomes part of a company's real systems, data, decisions and operations. The model is only one component. Once AI is connected to enterprise data, identities, permissions, business processes, external providers and production systems, the architecture must also define data authority, access boundaries, risk ownership, provider dependencies, auditability, evaluation, lifecycle control, compliance and operational responsibility. Enterprise AI therefore differs from both a single AI solution and a shared AI platform: it coordinates how many AI-enabled systems fit into the wider organization.",{},{"id":220,"data":2272,"type":225,"tunes":2275},{"body":2273,"title":2274,"variant":224},"\u003Cstrong>What changes when AI enters a company?\u003C\u002Fstrong> Existing enterprise architecture responsibilities expand to include probabilistic model behavior, new data flows, retrieval and grounding, model\u002Fprovider dependencies, AI-specific evaluation, agent\u002Ftool authority, model and prompt lifecycle, AI risk management, transparency obligations, and new operational failure modes. The architecture must connect these concerns to the company's existing identity, security, data, procurement, delivery and governance structures instead of creating a parallel “AI universe.”","Direct answer",{},{"id":228,"data":2277,"type":225,"tunes":2280},{"body":2278,"title":2279,"variant":232},"A chatbot can be a user interface. Enterprise AI architecture is the system of boundaries behind it: what data the AI may access, which source is authoritative, who may use which capability, whether external providers may receive the data, what actions an agent may execute, how outputs are evaluated, what must be logged, who owns incidents, and how changes are approved and rolled back.","Enterprise AI is not “a bigger chatbot”",{},{"id":235,"data":2282,"type":225,"tunes":2285},{"body":2283,"title":2284,"variant":239},"The architectural principles in this article are intended to be stable. Regulation, standards and vendor capabilities are version-sensitive. ISO\u002FIEC 42001:2023 and ISO\u002FIEC 23894:2023 are current published standards. NIST states that AI RMF 1.0 is being revised. Under the current consolidated EU AI Act text, the Regulation applies generally from 2 August 2026, while specified high-risk provisions have later application dates. Legal classification must always be checked against the current law and the concrete use case.","Current-source note — 8 October 2026",{},{"id":242,"data":2287,"type":247,"tunes":2289},{"title":2288,"maxLevel":245,"minLevel":246},"Contents",{},{"id":250,"data":2291,"type":41,"tunes":2293},{"text":2292,"level":246},"What enterprise AI architecture really means",{},{"id":255,"data":2295,"type":217,"tunes":2297},{"text":2296},"Enterprise AI architecture describes how AI capabilities are integrated into an existing organization without breaking the boundaries that already make enterprise systems governable: business ownership, identity, authorization, data classification, system-of-record responsibility, change management, procurement, audit, continuity and operations.",{},{"id":260,"data":2299,"type":217,"tunes":2301},{"text":2300},"The enterprise architect does not replace the AI Solution Architect or AI Platform Architect. The enterprise scope asks a different question: How do multiple AI solutions and shared AI capabilities fit into the company's target architecture, policies, data landscape, risk model and operating model?",{},{"id":265,"data":2303,"type":217,"tunes":2305},{"text":2304},"This makes enterprise AI architecture a coordination discipline across technology and organization. A technically good model integration can still be an enterprise architecture failure if it creates shadow data flows, duplicates identity, bypasses procurement, cannot be audited, has no owner, or cannot be safely changed.",{},{"id":270,"data":2307,"type":302,"tunes":2329},{"rows":2308,"title":2321,"layout":291,"columns":2322},[2309,2312,2315,2318],{"id":274,"label":2310,"values":2311},"Primary scope",[277,277,277],{"id":279,"label":2313,"values":2314},"Primary question",[277,277,277],{"id":283,"label":2316,"values":2317},"Ownership focus",[277,277,277],{"id":287,"label":2319,"values":2320},"Success condition",[277,277,277],"Solution, platform and enterprise AI architecture are different scopes",[2323,2325,2327],{"id":294,"label":2324},"AI Solution Architecture",{"id":297,"label":2326},"AI Platform Architecture",{"id":300,"label":2328},"Enterprise AI Architecture",{},{"id":305,"data":2331,"type":41,"tunes":2333},{"text":2332,"level":246},"The simplest example",{},{"id":310,"data":2335,"type":217,"tunes":2337},{"text":2336},"A company starts with one internal document assistant. The first version searches approved documents and sends retrieved context to a language model. At solution level, this may look straightforward.",{},{"id":315,"data":2339,"type":217,"tunes":2341},{"text":2340},"Then a second team wants AI for customer support. A third wants an agent that can update tickets. Finance wants document analysis. HR wants an internal assistant. Developers want coding agents. Suddenly the company has several providers, several data classes, different user groups, overlapping retrieval indexes, different logging rules, new tool permissions, duplicated secrets and unclear ownership.",{},{"id":320,"data":2343,"type":217,"tunes":2345},{"text":2344},"At that point, the question is no longer “Does the assistant work?” The enterprise question becomes: Which capabilities are approved, who owns them, what data can cross which boundary, how are identities and permissions enforced, which providers are acceptable, what must be audited, and how can the organization change models or suppliers without losing control?",{},{"id":325,"data":2347,"type":348,"tunes":2368},{"steps":2348,"title":2367,"orientation":347},[2349,2352,2355,2358,2361,2364],{"label":2350,"description":2351},"1. Isolated use case","One team connects one model to one workflow and validates local value.",{"label":2353,"description":2354},"2. Shared dependencies appear","Multiple teams need providers, model access, retrieval, identity, secrets, observability and evaluation.",{"label":2356,"description":2357},"3. Enterprise boundaries are crossed","AI touches regulated data, systems of record, external vendors, privileged actions and business decisions.",{"label":2359,"description":2360},"4. Ownership must become explicit","Business, architecture, data, security, legal\u002Fcompliance, procurement and operations need defined responsibilities.",{"label":2362,"description":2363},"5. Lifecycle becomes organizational","Model changes, prompt changes, provider changes and new agent capabilities become governed changes rather than local developer edits.",{"label":2365,"description":2366},"6. Architecture becomes repeatable","The organization establishes reusable patterns, decision records, controls, exceptions and validation gates for new AI workloads.","From isolated AI feature to enterprise architecture",{},{"id":351,"data":2370,"type":41,"tunes":2372},{"text":2371,"level":246},"Where the simple example stops",{},{"id":356,"data":2374,"type":217,"tunes":2376},{"text":2375},"Enterprise architecture does not mean that every AI component must be centralized. Some capabilities should be shared; others must remain domain-owned. Finance, HR, engineering and customer support may legitimately require different data boundaries, providers, evaluation criteria and human-approval rules.",{},{"id":361,"data":2378,"type":217,"tunes":2380},{"text":2379},"The enterprise objective is therefore not one model, one vector database or one universal assistant. The objective is coherent architecture with explicit variation: common policies and reusable capabilities where they reduce risk and duplication, plus controlled exceptions where business or regulatory requirements differ.",{},{"id":366,"data":2382,"type":41,"tunes":2384},{"text":2383,"level":246},"What changes in the architecture when AI enters the enterprise",{},{"id":371,"data":2386,"type":41,"tunes":2388},{"text":2387,"level":245},"1. Business ownership becomes part of the technical architecture",{},{"id":376,"data":2390,"type":217,"tunes":2392},{"text":2391},"Traditional applications already need business owners. AI makes that requirement more visible because acceptable behavior cannot be defined only by uptime and functional correctness. Someone must own the intended use, unacceptable use, output quality, escalation path and consequences of wrong or inappropriate results.",{},{"id":381,"data":2394,"type":217,"tunes":2396},{"text":2395},"A model team cannot decide alone whether an answer is acceptable for HR, finance, legal or customer-facing use. Enterprise AI architecture therefore connects technical design to an explicit business capability, accountable owner, user group and decision context.",{},{"id":386,"data":2398,"type":41,"tunes":2400},{"text":2399,"level":245},"2. Data access is not enough — data authority must be defined",{},{"id":391,"data":2402,"type":217,"tunes":2404},{"text":2403},"Enterprise AI frequently combines operational databases, documents, search indexes, vector stores, data warehouses, SaaS systems and external knowledge. The architecture must distinguish where information is stored from which source is authoritative for a given claim or action.",{},{"id":396,"data":2406,"type":217,"tunes":2408},{"text":2407},"A vector index can improve retrieval but should not silently become the company's system of record. A model response can summarize an ERP record but should not replace the ERP as the authoritative source. Cached context can improve latency but becomes unsafe when permissions or underlying business state change.",{},{"id":401,"data":2410,"type":217,"tunes":2412},{"text":2411},"Enterprise AI therefore needs provenance, freshness, source classification, authorization propagation and invalidation rules in addition to ordinary data integration.",{},{"id":406,"data":2414,"type":225,"tunes":2417},{"body":2415,"title":2416,"variant":287},"\u003Cstrong>The AI system may transform, retrieve and reason over enterprise data without becoming the authority for that data.\u003C\u002Fstrong> The architecture should preserve a path back to the authoritative source whenever the use case requires evidence, verification or consequential action.","Enterprise data rule",{},{"id":412,"data":2419,"type":41,"tunes":2421},{"text":2420,"level":245},"3. Identity becomes multi-layered",{},{"id":417,"data":2423,"type":217,"tunes":2425},{"text":2424},"Enterprise AI has more identities than the human user. A request may involve a user identity, application identity, service identity, agent identity, provider credential, tool credential and tenant or organizational context.",{},{"id":422,"data":2427,"type":217,"tunes":2429},{"text":2428},"These identities should not be collapsed into one shared API key. Authorization must remain attributable to the correct principal, and privileged tools should receive only the authority required for the current operation.",{},{"id":427,"data":2431,"type":217,"tunes":2433},{"text":2432},"For agentic systems, this becomes especially important: a model can propose an action, but the runtime must decide whether the requesting identity is allowed to execute it. Model capability is not authorization.",{},{"id":432,"data":2435,"type":41,"tunes":2437},{"text":2436,"level":245},"4. Permissions move from content access to action authority",{},{"id":437,"data":2439,"type":217,"tunes":2441},{"text":2440},"A read-only assistant mainly needs controlled access to information. An enterprise agent can create tickets, modify records, send messages, trigger workflows or operate external systems. That introduces a different risk class because the system can change state rather than merely describe it.",{},{"id":442,"data":2443,"type":217,"tunes":2445},{"text":2444},"The architecture should separate read, write, approval and administrative capabilities; define human-in-the-loop points where consequence justifies them; and preserve an audit trail that identifies what was requested, what was approved and what actually changed.",{},{"id":447,"data":2447,"type":41,"tunes":2449},{"text":2448,"level":245},"5. The AI provider becomes an enterprise dependency",{},{"id":452,"data":2451,"type":217,"tunes":2453},{"text":2452},"Calling a model API is also a supplier relationship. The architecture may depend on provider availability, service terms, data-processing conditions, supported regions, model lifecycle, quotas, pricing, API compatibility, security controls and change notices.",{},{"id":457,"data":2455,"type":217,"tunes":2457},{"text":2456},"This means provider selection is not only a benchmark decision. Procurement, security, privacy, legal review, continuity planning and exit strategy can all become architecture inputs.",{},{"id":462,"data":2459,"type":217,"tunes":2461},{"text":2460},"Provider abstraction can reduce coupling, but only where the underlying capabilities are genuinely portable. Tool use, structured output, context limits, multimodality, safety controls, fine-tuning and hosted-agent features may differ materially between providers.",{},{"id":467,"data":2463,"type":41,"tunes":2465},{"text":2464,"level":245},"6. AI risk becomes a lifecycle process",{},{"id":472,"data":2467,"type":217,"tunes":2469},{"text":2468},"AI risk is not completed by one approval before launch. The model, prompt, retrieval corpus, tool set, provider, user population and surrounding business process can all change after deployment. The risk profile changes with them.",{},{"id":477,"data":2471,"type":217,"tunes":2473},{"text":2472},"ISO\u002FIEC 23894:2023 explicitly addresses integration of AI risk management into organizational activities and functions. NIST AI RMF similarly frames risk management across the lifecycle. Enterprise architecture should therefore make risk review part of change and operations rather than an isolated compliance document.",{},{"id":482,"data":2475,"type":217,"tunes":2477},{"text":2476},"Risk should also be proportional. A summarization assistant and an autonomous system that changes production records should not receive identical controls merely because both use an LLM.",{},{"id":487,"data":2479,"type":41,"tunes":2481},{"text":2480,"level":245},"7. Governance becomes an operating system, not a policy PDF",{},{"id":492,"data":2483,"type":217,"tunes":2485},{"text":2484},"ISO\u002FIEC 42001:2023 defines requirements for establishing, implementing, maintaining and continually improving an AI management system. The architecture consequence is important: governance must connect policy to real inventories, ownership, processes, controls, evidence, reviews and improvement loops.",{},{"id":497,"data":2487,"type":217,"tunes":2489},{"text":2488},"An enterprise AI policy that is not connected to provider approval, identity, logging, change management, evaluation and incident response has limited architectural effect. The organization needs mechanisms that make policy enforceable or at least observable.",{},{"id":502,"data":2491,"type":41,"tunes":2493},{"text":2492,"level":245},"8. Evaluation becomes a production control",{},{"id":507,"data":2495,"type":217,"tunes":2497},{"text":2496},"Traditional acceptance testing assumes that the same input normally produces the same deterministic result. Generative AI can be nondeterministic, sensitive to context and dependent on changing external knowledge. Production acceptance therefore needs task-specific evals, regression suites and observable thresholds rather than only unit tests.",{},{"id":512,"data":2499,"type":217,"tunes":2501},{"text":2500},"The platform can provide reusable evaluation infrastructure, but the enterprise still needs ownership of domain ground truth and release gates. A central AI team cannot invent the correct answer for every business domain.",{},{"id":517,"data":2503,"type":217,"tunes":2505},{"text":2504},"Model, prompt, retrieval and tool changes should be traceable to evaluation evidence where the change can materially affect output behavior.",{},{"id":522,"data":2507,"type":41,"tunes":2509},{"text":2508,"level":245},"9. Observability must include behavior, data and model context",{},{"id":527,"data":2511,"type":217,"tunes":2513},{"text":2512},"CPU, memory and HTTP error rates are not sufficient for AI workloads. Production observability may need model\u002Fprovider identifiers, latency, token usage, cost, retrieval results, tool calls, refusal behavior, evaluation scores, safety events and failure classifications.",{},{"id":532,"data":2515,"type":217,"tunes":2517},{"text":2516},"At the same time, AI telemetry can contain sensitive data. Prompt and response logs may become a shadow data store. Enterprise architecture must therefore define what can be logged, how it is redacted, who can access it, how long it is retained and when detailed tracing must be disabled.",{},{"id":537,"data":2519,"type":41,"tunes":2521},{"text":2520,"level":245},"10. AI components need explicit lifecycle ownership",{},{"id":542,"data":2523,"type":217,"tunes":2525},{"text":2524},"Models can be renamed, replaced, retired or changed by providers. Embedding models can invalidate an index strategy. Prompt templates and system instructions can change behavior. Agent runtimes and protocols can evolve. External tools can change their schemas and permissions.",{},{"id":547,"data":2527,"type":217,"tunes":2529},{"text":2528},"Enterprise architecture must decide who detects these changes, who tests them, who approves them, how consumers are notified, how rollback works and what evidence is required before a new version becomes the default.",{},{"id":552,"data":2531,"type":41,"tunes":2533},{"text":2532,"level":245},"11. Incident response must include AI-specific failure modes",{},{"id":557,"data":2535,"type":217,"tunes":2537},{"text":2536},"An AI incident may be a provider outage, data leak, prompt-injection path, authorization failure, retrieval contamination, unexpected model behavior, unsafe tool execution, cost spike, stale knowledge, evaluation regression or a change in external model behavior.",{},{"id":562,"data":2539,"type":217,"tunes":2541},{"text":2540},"The enterprise runbook therefore needs more than “restart the service.” It may require disabling a model route, revoking tool access, freezing a corpus, changing a prompt version, disabling an agent capability, switching provider, escalating to a domain owner or preserving traces for investigation.",{},{"id":567,"data":2543,"type":41,"tunes":2545},{"text":2544,"level":246},"Enterprise AI creates cross-functional ownership",{},{"id":572,"data":2547,"type":291,"tunes":2593},{"content":2548,"stretched":42,"withHeadings":13},[2549,2553,2557,2561,2565,2569,2573,2577,2581,2585,2589],[2550,2551,2552],"Concern","Typical enterprise owner or contributor","Architecture question",[2554,2555,2556],"Business use","Business owner \u002F product owner","What decision or workflow is AI allowed to support or automate?",[2558,2559,2560],"Solution architecture","AI \u002F solution architect","How does the concrete workload meet its functional and quality requirements?",[2562,2563,2564],"Shared AI capabilities","AI platform \u002F platform engineering","Which reusable model, retrieval, agent and observability services are provided?",[2566,2567,2568],"Enterprise coherence","Enterprise architecture","How do AI systems fit target architecture, standards, integration patterns and organizational ownership?",[2570,2571,2572],"Data authority","Data owner \u002F domain owner","Which data is authoritative, current, permitted and sufficiently governed?",[2574,2575,2576],"Identity and security","IAM \u002F security architecture","Which identities can access which data and execute which actions?",[2578,2579,2580],"Risk and compliance","Risk \u002F legal \u002F compliance \u002F privacy","Which obligations, prohibited uses, controls and evidence apply to this use case?",[2582,2583,2584],"Supplier dependency","Procurement \u002F vendor management \u002F architecture","What contractual, operational and exit risks arise from the provider?",[2586,2587,2588],"Operations","SRE \u002F operations \u002F platform owner","How is the system monitored, supported, degraded, recovered and changed?",[2590,2591,2592],"Domain acceptance","Business\u002Fdomain specialists","What counts as a correct, safe or useful result in this domain?",{},{"id":621,"data":2595,"type":225,"tunes":2598},{"body":2596,"title":2597,"variant":232},"Responsibility matrices are useful only when they connect to real system boundaries, approvals, data ownership, interfaces, runbooks and change processes. Enterprise AI needs accountable ownership that can be traced to technical controls and operational actions.","A RACI chart is not architecture by itself",{},{"id":627,"data":2600,"type":41,"tunes":2602},{"text":2601,"level":246},"A practical enterprise AI architecture model",{},{"id":632,"data":2604,"type":225,"tunes":2607},{"body":2605,"title":2606,"variant":239},"The following model is a practical synthesis for reasoning about enterprise AI architecture. It is not presented as an ISO or NIST standard. Its purpose is to make cross-organizational boundaries explicit.","Proposed layered model",{},{"id":638,"data":2609,"type":291,"tunes":2638},{"content":2610,"stretched":42,"withHeadings":13},[2611,2614,2617,2620,2623,2626,2629,2632,2635],[2612,2613],"Layer","Primary responsibility",[2615,2616],"Business and policy","Approved use cases, accountable owners, risk appetite, prohibited uses, human accountability, business acceptance.",[2618,2619],"Identity and authority","User\u002Fservice\u002Fagent identities, roles, tenant or organizational scope, privileged actions, approval paths.",[2621,2622],"Enterprise data","Systems of record, document sources, data products, provenance, classification, retention, freshness and access.",[2624,2625],"AI platform","Provider\u002Fmodel access, retrieval primitives, agent runtimes, tool brokers, evaluation infrastructure, observability, quotas and secrets.",[2627,2628],"AI solutions","Domain workflows, prompts\u002Finstructions, domain retrieval, business logic, acceptance criteria and user experience.",[2630,2631],"Integration and tools","APIs, enterprise applications, workflows, messaging, file systems, external services and action execution.",[2633,2634],"Risk and governance","Inventory, assessment, compliance evidence, exception management, model\u002Fprovider approval, review and audit.",[2636,2637],"Operations and lifecycle","Deployment, monitoring, incidents, releases, model\u002Fprovider changes, deprecation, rollback and continuity.",{},{"id":670,"data":2640,"type":217,"tunes":2642},{"text":2641},"The architecture is strongest when each layer can state both its responsibilities and its non-responsibilities. For example, the AI platform can enforce provider policy and collect traces without becoming the source of truth for HR data. A solution can define domain prompts without owning enterprise IAM. A business owner can approve a use case without being expected to operate the inference gateway.",{},{"id":675,"data":2644,"type":41,"tunes":2646},{"text":2645,"level":246},"Map enterprise AI as data and authority flows, not boxes",{},{"id":680,"data":2648,"type":348,"tunes":2675},{"steps":2649,"title":2674,"orientation":347},[2650,2653,2656,2659,2662,2665,2668,2671],{"label":2651,"description":2652},"1. Business context","The user requests a task under an approved use case with an accountable business owner.",{"label":2654,"description":2655},"2. Identity and authorization","The system resolves user, application, service and tenant or organizational scope before privileged access.",{"label":2657,"description":2658},"3. Authoritative data acquisition","The solution reads or retrieves only sources permitted for the current identity and task.",{"label":2660,"description":2661},"4. AI processing","An approved model\u002Fprovider processes the minimum necessary context under defined routing and data-handling rules.",{"label":2663,"description":2664},"5. Tool or action boundary","Any state-changing action is independently authorized and may require human approval according to consequence.",{"label":2666,"description":2667},"6. Validation","The result is checked against solution-specific acceptance, evidence or safety rules.",{"label":2669,"description":2670},"7. Audit and observability","Permitted metadata, decisions, routes, tool calls and outcomes are recorded without creating uncontrolled sensitive-data logs.",{"label":2672,"description":2673},"8. Feedback and lifecycle","Failures and evaluation results feed model, prompt, data, policy and process changes through controlled change management.","A consequential enterprise AI request",{},{"id":710,"data":2677,"type":41,"tunes":2679},{"text":2678,"level":246},"An enterprise needs an AI inventory before it can govern AI",{},{"id":715,"data":2681,"type":217,"tunes":2683},{"text":2682},"Organizations cannot manage AI systems they cannot identify. Enterprise architecture should maintain an inventory at a level that is useful for decisions, not merely a list of model names.",{},{"id":720,"data":2685,"type":291,"tunes":2723},{"content":2686,"stretched":42,"withHeadings":13},[2687,2690,2693,2696,2699,2702,2705,2708,2711,2714,2717,2720],[2688,2689],"Inventory field","Why it matters",[2691,2692],"Use case and owner","Connects technology to accountable business purpose.",[2694,2695],"Users and affected parties","Defines who interacts with or is affected by the system.",[2697,2698],"Model\u002Fprovider","Identifies external dependency, capability and lifecycle risk.",[2700,2701],"Data sources","Supports authority, privacy, classification and provenance review.",[2703,2704],"Deployment\u002Fruntime location","Clarifies processing location, connectivity and operational control.",[2706,2707],"Tools\u002Factions","Shows whether the AI can change external state and at what consequence.",[2709,2710],"Human oversight","Records where review, approval or escalation is required.",[2712,2713],"Risk\u002Fclassification","Connects the system to organizational and regulatory controls.",[2715,2716],"Evaluation evidence","Shows what was tested and under which validity conditions.",[2718,2719],"Current version","Allows incidents and regressions to be traced to actual deployed state.",[2721,2722],"Lifecycle state","Proposed, experimental, approved, production, restricted, deprecated or retired.",{},{"id":761,"data":2725,"type":41,"tunes":2727},{"text":2726,"level":246},"AI governance and enterprise AI architecture are related but not the same",{},{"id":766,"data":2729,"type":302,"tunes":2745},{"rows":2730,"title":2740,"layout":291,"columns":2741},[2731,2734,2737],{"id":770,"label":2732,"values":2733},"Purpose",[277,277],{"id":774,"label":2735,"values":2736},"Example",[277,277],{"id":778,"label":2738,"values":2739},"Failure if isolated",[277,277],"Governance versus architecture",[2742,2744],{"id":784,"label":2743},"AI Governance",{"id":787,"label":2328},{},{"id":791,"data":2747,"type":41,"tunes":2749},{"text":2748,"level":246},"Regulation becomes an architecture input",{},{"id":796,"data":2751,"type":217,"tunes":2753},{"text":2752},"For organizations operating in the European Union, the AI Act can create requirements that affect system design, documentation, transparency, governance and operating processes. The architectural impact depends on the organization's role in the AI value chain and the concrete system classification; not every AI system has the same obligations.",{},{"id":801,"data":2755,"type":217,"tunes":2757},{"text":2756},"As of 8 October 2026, the current consolidated text states that the Regulation generally applies from 2 August 2026. Governance rules and obligations for general-purpose AI models began applying earlier, while specified high-risk system provisions have later dates. The Commission also began enforcing new transparency requirements from 2 August 2026 for relevant interactive and synthetic-content systems.",{},{"id":806,"data":2759,"type":217,"tunes":2761},{"text":2760},"The enterprise architecture lesson is not “put compliance in the model.” It is to make classification, provider\u002Fdeployer role, documentation, transparency, oversight, logging and change evidence traceable to the system that actually implements the use case.",{},{"id":811,"data":2763,"type":225,"tunes":2766},{"body":2764,"title":2765,"variant":239},"This article describes architecture implications, not legal advice. Enterprise AI architecture should preserve the information needed for legal and compliance specialists to classify the actual system and map obligations to concrete controls. Architecture should not hard-code one regulatory interpretation as if every AI workload had the same status.","Legal scope is use-case specific",{},{"id":817,"data":2768,"type":41,"tunes":2770},{"text":2769,"level":246},"Procurement and architecture become connected",{},{"id":822,"data":2772,"type":217,"tunes":2774},{"text":2773},"An external model or managed AI platform can become a deep dependency even when integration requires only a few API calls. Enterprise architecture should therefore make procurement questions technically concrete.",{},{"id":827,"data":2776,"type":291,"tunes":2805},{"content":2777,"stretched":42,"withHeadings":13},[2778,2781,2784,2787,2790,2793,2796,2799,2802],[2779,2780],"Procurement question","Architecture consequence",[2782,2783],"Where is data processed?","Region, network path, data residency and transfer controls.",[2785,2786],"Is customer data retained or used for provider improvement?","Data minimization, contractual controls and provider eligibility.",[2788,2789],"How are models versioned or retired?","Regression testing, compatibility, fallback and lifecycle planning.",[2791,2792],"What are quotas and service limits?","Capacity architecture, admission control and failure handling.",[2794,2795],"How portable is the integration?","Provider abstraction, exit cost and migration effort.",[2797,2798],"What incident information is available?","Observability, forensic capability and support escalation.",[2800,2801],"Which subprocessors or external services are involved?","Dependency mapping and risk assessment.",[2803,2804],"What changes without explicit customer approval?","Change detection, release gates and acceptance strategy.",{},{"id":859,"data":2807,"type":41,"tunes":2809},{"text":2808,"level":246},"Enterprise architecture decides how much AI control the requirement actually needs",{},{"id":864,"data":2811,"type":291,"tunes":2834},{"content":2812,"stretched":42,"withHeadings":13},[2813,2816,2819,2822,2825,2828,2831],[2814,2815],"Requirement","Possible architectural response",[2817,2818],"Fast access to managed models","Managed provider with enterprise identity, gateway controls and contractual review.",[2820,2821],"Private data with managed orchestration","Managed control plane plus customer-controlled execution or private data plane where supported.",[2823,2824],"Strict locality or sovereignty","Region-restricted, sovereign, private or self-hosted architecture according to the real requirement.",[2826,2827],"Air-gapped environment","Locally hosted models, local retrieval, local tooling, offline update\u002Fdistribution and isolated observability.",[2829,2830],"Provider portability","Application-owned domain state plus adapters and contracts that isolate provider-specific behavior where practical.",[2832,2833],"Highest control of agent semantics","Self-managed or deeply controlled runtime with explicit tool, context, state and lifecycle ownership.",{},{"id":890,"data":2836,"type":217,"tunes":2838},{"text":2837},"The most controlled architecture is not automatically the best enterprise architecture. More ownership increases responsibility for patching, capacity, security, testing, model operations and incident response. Enterprise architecture should escalate control only where the requirement justifies the additional operational burden.",{},{"id":895,"data":2840,"type":41,"tunes":2842},{"text":2841,"level":246},"AI turns change management into a behavioral problem",{},{"id":900,"data":2844,"type":217,"tunes":2846},{"text":2845},"A normal dependency update can alter performance or compatibility. An AI change can also alter behavior. Replacing a model, changing a system prompt, changing retrieval, adding a tool or changing the context policy can modify how the system interprets and responds even if the surrounding application code barely changes.",{},{"id":905,"data":2848,"type":348,"tunes":2875},{"steps":2849,"title":2874,"orientation":347},[2850,2853,2856,2859,2862,2865,2868,2871],{"label":2851,"description":2852},"1. Change identified","Model, provider, prompt, retrieval source, tool, policy or runtime change is proposed or detected.",{"label":2854,"description":2855},"2. Impact mapped","Affected solutions, data classes, users, risk controls, cost, contracts and operational dependencies are identified.",{"label":2857,"description":2858},"3. Architecture decision updated","Material choices and trade-offs are recorded; superseded decisions remain historically traceable.",{"label":2860,"description":2861},"4. Evaluation executed","Relevant regression, safety, retrieval, latency, cost and domain tests are run.",{"label":2863,"description":2864},"5. Approval applied","Approval level follows consequence, risk and organizational policy.",{"label":2866,"description":2867},"6. Controlled rollout","Versioned release, canary or staged deployment is used where appropriate.",{"label":2869,"description":2870},"7. Production evidence collected","Telemetry, incidents, feedback and domain outcomes are monitored.",{"label":2872,"description":2873},"8. Rollback or acceptance","The change is accepted, restricted, rolled back or superseded based on evidence.","A production AI change path",{},{"id":935,"data":2877,"type":41,"tunes":2879},{"text":2878,"level":246},"Enterprise AI still needs NFRs and ADRs",{},{"id":940,"data":2881,"type":217,"tunes":2883},{"text":2882},"AI does not replace ordinary architecture discipline. Non-functional requirements remain the target conditions: availability, latency, privacy, isolation, auditability, recoverability, cost boundaries, explainability or other quality requirements. Architecture Decision Records preserve the chosen response and its trade-offs.",{},{"id":945,"data":2885,"type":217,"tunes":2887},{"text":2886},"The AI-specific difference is that some quality attributes must be evaluated probabilistically or empirically. “Answers must be useful” is too vague. A production requirement should identify the task, data, user population, acceptable failure conditions, measurement method and threshold where practical.",{},{"id":950,"data":2889,"type":225,"tunes":2892},{"body":2890,"title":2891,"variant":287},"\u003Cstrong>Business need → requirement \u002F NFR → architecture decision → implementation → evaluation \u002F validation → production observation → change decision.\u003C\u002Fstrong> AI adds new variables to this chain; it does not make the chain unnecessary.","Enterprise traceability chain",{},{"id":956,"data":2894,"type":41,"tunes":2896},{"text":2895,"level":246},"Enterprise AI architecture must connect to delivery",{},{"id":961,"data":2898,"type":217,"tunes":2900},{"text":2899},"Architecture that never reaches backlog, implementation, acceptance and operations remains conceptual. Enterprise AI therefore needs traceability from architecture decisions into delivery work and back from implementation evidence into architecture.",{},{"id":966,"data":2902,"type":217,"tunes":2904},{"text":2903},"Jira and Confluence are examples of tools that can support this separation when used deliberately: Confluence can preserve requirements, architecture, decisions, risks and rationale; Jira can manage actionable delivery work and state. The important principle is the traceability, not the brand of tool.",{},{"id":971,"data":2906,"type":41,"tunes":2908},{"text":2907,"level":246},"Original project evidence: Enterprise Aaasaasa 0.1",{},{"id":976,"data":2910,"type":225,"tunes":2913},{"body":2911,"title":2912,"variant":239},"Enterprise Aaasaasa 0.1 is used here as original project evidence for structured enterprise architecture and delivery thinking. It is a PoC \u002F enterprise project context, not evidence of mass customer adoption, enterprise-scale production usage or commercial traction.","Project evidence, not market-proof claim",{},{"id":982,"data":2915,"type":217,"tunes":2917},{"text":2916},"Enterprise Aaasaasa 0.1 combines platform architecture, SaaS\u002FAPI concepts, internationalization, AI integration and structured project governance. The project was deliberately organized so that requirements, architecture, prototype delivery, validation and closure were separate milestones rather than one undifferentiated implementation phase.",{},{"id":987,"data":2919,"type":217,"tunes":2921},{"text":2920},"The architecture direction includes multi-instance \u002F multi-database concepts together with API, CRUD, i18n and AI capabilities. That matters for enterprise AI because tenant or instance boundaries, database ownership and application services must remain explicit when AI features are added.",{},{"id":992,"data":2923,"type":217,"tunes":2925},{"text":2924},"The project structure also treated architecture delay, scope creep and AI\u002Fdata-protection concerns as project risks rather than discovering them only during implementation. Stakeholders included technical, security, sponsor\u002Fsteering and external-service perspectives, which is closer to the real cross-functional nature of enterprise AI than a model-only prototype.",{},{"id":997,"data":2927,"type":217,"tunes":2929},{"text":2928},"The useful evidence is therefore the integration of architecture and delivery: business and project structure, milestones, risks, architecture, backend\u002FAPI, frontend\u002FAI work, validation and closure are treated as connected responsibilities. That pattern is reusable even though the project itself should not be presented as proof of external enterprise adoption.",{},{"id":1002,"data":2931,"type":291,"tunes":2957},{"content":2932,"stretched":42,"withHeadings":13},[2933,2936,2939,2942,2945,2948,2951,2954],[2934,2935],"Project element","Enterprise AI architecture lesson",[2937,2938],"Requirements milestone","AI capability must begin from defined need, scope, acceptance and quality constraints.",[2940,2941],"Architecture milestone","Data, API, instance\u002Fdatabase boundaries and AI integration are explicit design work.",[2943,2944],"Prototype milestone","Architecture must become executable enough to expose integration risks.",[2946,2947],"Validation milestone","A functioning prototype is not the same as validated acceptance.",[2949,2950],"Risk register","Scope, architecture delay and AI\u002Fdata-protection concerns are managed as delivery risks.",[2952,2953],"Stakeholder structure","Enterprise AI spans sponsor\u002Fbusiness, architecture, security, external providers and delivery.",[2955,2956],"Project closure","Decisions, remaining risks and validation evidence must survive beyond the implementation sprint.",{},{"id":1031,"data":2959,"type":41,"tunes":2961},{"text":2960,"level":246},"Supporting implementation patterns from the wider platform work",{},{"id":1036,"data":2963,"type":217,"tunes":2965},{"text":2964},"Separate implementation work in the wider Aaasaasa platform provides concrete examples of boundaries that enterprise AI architecture must preserve: tenant-scoped RBAC in the CMS, explicit provider\u002Fmodel\u002Fruntime\u002Fpermission separation in Aaasaasa AI Client, and provenance-first retrieval in the Source of Truth Research Engine.",{},{"id":1041,"data":2967,"type":217,"tunes":2969},{"text":2968},"These projects should not be collapsed into one claimed production platform. Their value here is narrower: they demonstrate implemented patterns for identity scope, provider boundaries, controlled runtime permissions, retrieval provenance and evidence traceability that are directly relevant to enterprise AI.",{},{"id":1046,"data":2971,"type":41,"tunes":2973},{"text":2972,"level":246},"How the main standards fit together",{},{"id":1051,"data":2975,"type":291,"tunes":2992},{"content":2976,"stretched":42,"withHeadings":13},[2977,2980,2982,2984,2986,2988,2990],[2978,2979],"Source","What it contributes to enterprise AI architecture",[1058,2981],"Organization-level AI management system: policies, objectives, processes, responsibility, monitoring and continual improvement.",[1061,2983],"Guidance for integrating AI-specific risk management into organizational activities and functions.",[1064,2985],"Voluntary lifecycle-oriented framework for managing AI risks; organized around Govern, Map, Measure and Manage.",[1067,2987],"Generative AI profile extending AI RMF with generative-AI-specific risks and actions.",[1070,2989],"Binding regulatory obligations in the EU whose applicability depends on role, system type and classification.",[1073,2991],"General architecture-description concepts for expressing concerns, viewpoints, decisions and relationships.",{},{"id":1077,"data":2994,"type":217,"tunes":2996},{"text":2995},"These sources solve different problems. ISO\u002FIEC 42001 is not a replacement for technical architecture. ISO\u002FIEC 23894 and NIST AI RMF do not define one mandatory software stack. The EU AI Act is law, not a platform design pattern. Architecture must translate the applicable organizational, risk and legal requirements into implementable system boundaries and evidence.",{},{"id":1082,"data":2998,"type":41,"tunes":3000},{"text":2999,"level":246},"Common enterprise AI failure modes",{},{"id":1087,"data":3002,"type":291,"tunes":3040},{"content":3003,"stretched":42,"withHeadings":13},[3004,3007,3010,3013,3016,3019,3022,3025,3028,3031,3034,3037],[3005,3006],"Failure mode","Why it fails",[3008,3009],"Every team buys AI independently","Creates shadow providers, duplicated secrets, inconsistent data handling and weak leverage over supplier risk.",[3011,3012],"One central AI team owns every domain decision","Centralizes technical control but loses domain accountability and creates a bottleneck.",[3014,3015],"Vector database becomes the source of truth","Retrieval infrastructure silently replaces authoritative systems and freshness rules.",[3017,3018],"One shared API key for all users and agents","Destroys attribution, least privilege and meaningful auditability.",[3020,3021],"Model change deployed like a minor library patch","Behavioral regressions can reach production without domain evaluation.",[3023,3024],"All prompts and outputs are logged forever","Observability creates an uncontrolled sensitive-data repository.",[3026,3027],"Governance is only documentation","Policies exist without enforcement points, evidence or operational ownership.",[3029,3030],"Compliance is delegated to the provider","The organization's own role, use case, data and operational obligations remain unresolved.",[3032,3033],"Agent can call tools because the model supports tool use","Capability is mistaken for authorization.",[3035,3036],"Platform health equals business correctness","Endpoint uptime and model availability do not prove domain answer quality or acceptable outcomes.",[3038,3039],"No exit strategy for model\u002Fprovider dependency","A pricing, policy, capability or availability change becomes an emergency migration.",{},{"id":1128,"data":3042,"type":41,"tunes":3044},{"text":3043,"level":246},"Common misconceptions",{},{"id":1133,"data":3046,"type":291,"tunes":3075},{"content":3047,"stretched":42,"withHeadings":13},[3048,3051,3054,3057,3060,3063,3066,3069,3072],[3049,3050],"Misconception","Better model",[3052,3053],"“Enterprise AI means a company-wide chatbot.”","The chatbot is one interface; enterprise AI architecture governs the underlying data, identity, provider, runtime, risk and operations.",[3055,3056],"“If we use a reputable model provider, governance is solved.”","Provider controls do not define your use case, data authority, user permissions, business acceptance or legal role.",[3058,3059],"“Private AI means everything must be self-hosted.”","Privacy requirements can lead to several architectures; the required control boundary must be stated precisely.",[3061,3062],"“AI governance belongs to legal, architecture belongs to IT.”","The two disciplines must connect because policy obligations need implementable controls and evidence.",[3064,3065],"“One enterprise model is simpler.”","Standardization can help, but workloads can require different modalities, regions, costs, quality levels or control models.",[3067,3068],"“AI risk is model risk.”","Risk can originate in data, prompts, retrieval, identity, tools, interfaces, operations, users and organizational process.",[3070,3071],"“Human-in-the-loop makes an agent safe.”","Human approval helps only if the reviewer has useful context, authority, time and a clear decision point.",[3073,3074],"“A successful pilot proves enterprise readiness.”","A pilot proves bounded capability; enterprise readiness also requires integration, governance, lifecycle, operations and repeatable controls.",{},{"id":1165,"data":3077,"type":41,"tunes":3079},{"text":3078,"level":246},"A practical enterprise AI architecture decision sequence",{},{"id":1170,"data":3081,"type":348,"tunes":3120},{"steps":3082,"title":3119,"orientation":347},[3083,3086,3089,3092,3095,3098,3101,3104,3107,3110,3113,3116],{"label":3084,"description":3085},"1. Define the business capability","State the user, decision or workflow, expected value and accountable owner.",{"label":3087,"description":3088},"2. Classify data and authority","Identify systems of record, personal\u002Fconfidential data, retention, freshness and provenance requirements.",{"label":3090,"description":3091},"3. Define identity and action boundaries","Determine who may read, generate, decide, approve and change external systems.",{"label":3093,"description":3094},"4. Select solution and platform responsibilities","Decide what belongs to the workload, what can be shared and what remains enterprise-owned.",{"label":3096,"description":3097},"5. Assess provider and runtime dependency","Evaluate managed, self-hosted, private, sovereign or hybrid options against real requirements.",{"label":3099,"description":3100},"6. Map risk and regulatory obligations","Determine risk level, organizational controls and applicable legal responsibilities for the concrete system.",{"label":3102,"description":3103},"7. Define measurable acceptance","Create evaluation criteria for quality, reliability, safety, retrieval, cost and operational behavior.",{"label":3105,"description":3106},"8. Record architecture decisions","Preserve rationale, alternatives, trade-offs, dependencies and conditions that would trigger reconsideration.",{"label":3108,"description":3109},"9. Connect architecture to delivery","Translate the design into backlog, milestones, acceptance criteria, technical work and ownership.",{"label":3111,"description":3112},"10. Validate in production-shaped conditions","Test realistic identity, data, failure, latency, provider, tool and recovery scenarios rather than only clean demos.",{"label":3114,"description":3115},"11. Establish operations and change control","Define monitoring, incident response, model\u002Fprovider updates, regression testing, rollback and retirement.",{"label":3117,"description":3118},"12. Feed evidence back into architecture","Use production observations, audits, incidents and evaluations to revise decisions and controls.","From opportunity to governed enterprise capability",{},{"id":1212,"data":3122,"type":41,"tunes":3124},{"text":3123,"level":246},"Enterprise AI architecture checklist",{},{"id":1217,"data":3126,"type":291,"tunes":3173},{"content":3127,"stretched":42,"withHeadings":13},[3128,3131,3134,3137,3140,3143,3146,3149,3152,3155,3158,3161,3164,3167,3170],[3129,3130],"Question","Expected evidence",[3132,3133],"What business capability does this AI support?","Named owner, user group, intended decision\u002Fworkflow and acceptance objective.",[3135,3136],"Which source is authoritative for each important fact?","Systems of record, document authority, provenance and freshness rules.",[3138,3139],"Which identities exist?","Human, application, service, agent, tenant\u002Forg and provider identities are distinguishable.",[3141,3142],"What can the AI read?","Authorization-scoped data sources and explicit sensitive-data rules.",[3144,3145],"What can the AI change?","Tool\u002Faction inventory, permission model, approval and rollback path.",[3147,3148],"Which provider\u002Fmodel is used and why?","Architecture decision including quality, security, cost, region, lifecycle and exit considerations.",[3150,3151],"What happens if the provider is unavailable?","Degraded mode, fallback, refusal or continuity plan.",[3153,3154],"How is quality evaluated?","Task-specific datasets, graders, thresholds, regression criteria and validity conditions.",[3156,3157],"What is logged?","Telemetry schema, redaction, access, retention and audit purpose.",[3159,3160],"Who owns AI risk?","Named organizational responsibility connected to the concrete system.",[3162,3163],"What legal classification applies?","Documented assessment based on the current law and the actual use case.",[3165,3166],"How are model\u002Fprompt\u002Fretrieval changes approved?","Versioning, evaluation, architecture\u002Fchange record and rollout gate.",[3168,3169],"Who responds to an AI incident?","Runbook, technical owner, business\u002Fdomain escalation and provider escalation.",[3171,3172],"How is the system retired?","Data cleanup, access revocation, provider exit, evidence retention and dependency removal.",{},{"id":1267,"data":3175,"type":41,"tunes":3177},{"text":3176,"level":246},"Edge cases and limits",{},{"id":1272,"data":3179,"type":217,"tunes":3181},{"text":3180},"A small company with one low-risk AI use case may not need a formal enterprise AI architecture function. The same principles can be applied lightly: clear owner, approved data, explicit provider, basic evaluation, access control and operational responsibility.",{},{"id":1277,"data":3183,"type":217,"tunes":3185},{"text":3184},"A highly regulated organization may need stronger separation, independent validation, formal conformity processes, local hosting or air-gapped operation. Those controls are driven by the use case and regulatory environment, not by the word “enterprise.”",{},{"id":1282,"data":3187,"type":217,"tunes":3189},{"text":3188},"An organization can also use mostly SaaS AI products rather than building AI systems. Enterprise architecture still matters because identity, data access, contractual terms, shadow AI, retention, audit and supplier concentration remain organizational concerns.",{},{"id":1287,"data":3191,"type":217,"tunes":3193},{"text":3192},"A centralized platform is not mandatory. Federated platform ownership can be valid when domains have materially different requirements, provided enterprise-level identity, risk, inventory and interoperability responsibilities remain coherent.",{},{"id":1292,"data":3195,"type":41,"tunes":3197},{"text":3196,"level":246},"What would change this answer?",{},{"id":1297,"data":3199,"type":217,"tunes":3201},{"text":3200},"The architecture changes when the organization's risk tolerance, regulatory classification, data sensitivity, geographic scope, provider strategy, internal skills or business criticality changes. A public marketing assistant and a system participating in employment, finance, healthcare or critical infrastructure decisions should not inherit identical control models.",{},{"id":1302,"data":3203,"type":217,"tunes":3205},{"text":3204},"The implementation also changes as standards, regulation and AI platforms evolve. NIST AI RMF 1.0 is currently under revision, the EU AI Act has phased application dates, and model\u002Fprovider capabilities continue to change rapidly. Enterprise architecture should therefore preserve stable responsibility boundaries while treating provider mechanisms and regulatory details as versioned inputs.",{},{"id":1307,"data":3207,"type":41,"tunes":3209},{"text":3208,"level":246},"Related canonical knowledge",{},{"id":1312,"data":3211,"type":217,"tunes":3213},{"text":3212},"Enterprise AI architecture builds on solution and platform architecture. The solution layer explains one workload. The platform layer explains reusable AI capabilities. The enterprise layer connects both to organization-wide data, identity, governance, risk, procurement and operations.",{},{"id":1317,"data":3215,"type":217,"tunes":3217},{"text":3216},"Retrieval-Augmented Generation is only one mechanism inside this architecture. RAG can improve access to enterprise knowledge, but it does not solve data authority, permissions, governance or answer validity by itself.",{},{"id":1322,"data":3219,"type":1328,"tunes":3224},{"url":3220,"title":3221,"excerpt":3222,"ctaLabel":3223},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","What Is RAG? The Simplest Explanation of How It Works","A plain-English explanation of how external knowledge retrieval connects to the language model without turning retrieval into the source of truth.","Read the RAG foundation",{},{"id":1331,"data":3226,"type":217,"tunes":3228},{"text":3227},"For evidence-heavy enterprise use cases, answer validity also needs an explicit boundary: an output is only supported under the evidence, version, scope and assumptions that produced it.",{},{"id":1336,"data":3230,"type":1328,"tunes":3235},{"url":3231,"title":3232,"excerpt":3233,"ctaLabel":3234},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers","A framework for making explicit the conditions under which an AI claim remains supported and what changes require restriction or recalculation.","Read the Answer Validity Boundary",{},{"id":1344,"data":3237,"type":217,"tunes":3239},{"text":3238},"Downstream enterprise topics include AI Governance, Private AI, Sovereign AI, Air-Gapped AI, Multi-Tenant AI Architecture, RBAC versus Tenant Isolation, Provider Abstraction, Model Routing and Production AI Architecture.",{},{"id":1349,"data":3241,"type":41,"tunes":3243},{"text":3242,"level":246},"Frequently asked questions",{},{"id":1354,"data":3245,"type":1354,"tunes":3272},{"items":3246,"title":3271},[3247,3250,3253,3256,3259,3262,3265,3268],{"id":1358,"answer":3248,"question":3249},"Enterprise AI architecture is the organization-wide architecture that defines how AI solutions and shared AI capabilities integrate with business ownership, enterprise data, identity, security, providers, governance, risk, compliance, lifecycle and operations.","What is enterprise AI architecture?",{"id":1362,"answer":3251,"question":3252},"No. An AI platform provides reusable technical capabilities such as model access, retrieval, agent runtimes and observability. Enterprise AI architecture defines how that platform and individual AI solutions fit into the organization's wider architecture and operating model.","Is enterprise AI architecture the same as an AI platform?",{"id":1366,"answer":3254,"question":3255},"No. Standardization can reduce complexity, but different workloads may require different providers, models, regions, control levels or modalities. The important requirement is explicit policy and lifecycle ownership.","Does enterprise AI require one central model?",{"id":1370,"answer":3257,"question":3258},"Because retrieved or generated information is not automatically authoritative. Enterprise systems need to preserve which source is the system of record, whether data is current, who may access it and how a generated claim can be traced back to evidence.","Why is data authority important for enterprise AI?",{"id":1374,"answer":3260,"question":3261},"AI governance defines policies, accountability and decision rights. Enterprise AI architecture defines the system boundaries, interfaces, data flows and technical mechanisms through which those policies can be implemented and evidenced.","What is the difference between AI governance and enterprise AI architecture?",{"id":1378,"answer":3263,"question":3264},"No. Obligations depend on factors such as the organization's role, the system's use case and classification, and the relevant provisions in force. Legal classification must be performed for the concrete system under the current law.","Does the EU AI Act apply to every enterprise AI system in the same way?",{"id":1382,"answer":3266,"question":3267},"No. A pilot demonstrates bounded capability. Enterprise deployment also needs identity, data authority, security, provider governance, evaluation, lifecycle, incident response, monitoring, compliance and accountable operational ownership.","Is a successful AI pilot enough for enterprise deployment?",{"id":1386,"answer":3269,"question":3270},"Only when the requirement justifies the added control and operational responsibility. Managed, private, sovereign, self-hosted and hybrid approaches are architecture options whose fit depends on data, regulatory, availability, cost, capability and operational requirements.","Should enterprises self-host AI?","Enterprise AI architecture FAQ",{},{"id":1392,"data":3274,"type":41,"tunes":3276},{"text":3275,"level":246},"Glossary",{},{"id":1397,"data":3278,"type":1397,"tunes":3308},{"title":3279,"entries":3280},"Key enterprise AI architecture terms",[3281,3284,3287,3289,3292,3295,3298,3300,3302,3305],{"term":3282,"anchor":1402,"definition":3283},"Enterprise AI architecture","Organization-wide architecture governing how AI systems, platforms, data, identities, providers, risk controls and operations fit together.",{"term":3285,"anchor":1406,"definition":3286},"AI management system","An organizational management system for establishing AI-related policies, objectives and processes; ISO\u002FIEC 42001 specifies requirements for such a system.",{"term":2570,"anchor":1410,"definition":3288},"The rule that identifies which source or system is authoritative for a particular fact, record, state or decision context.",{"term":3290,"anchor":1414,"definition":3291},"System of record","The authoritative system responsible for the official current state of a business record or domain entity.",{"term":3293,"anchor":1418,"definition":3294},"AI inventory","A structured record of AI use cases, owners, models\u002Fproviders, data, tools, risk, evaluation evidence, lifecycle state and related controls.",{"term":3296,"anchor":1422,"definition":3297},"Provider dependency","The technical, contractual and operational reliance created when an AI workload depends on an external model or managed platform.",{"term":2709,"anchor":1425,"definition":3299},"Defined human review, approval, intervention or escalation applied where system consequence, uncertainty or regulation requires it.",{"term":1428,"anchor":1429,"definition":3301},"Operational practices for generative-AI workloads covering model selection, prompts, grounding data, evaluation, deployment, monitoring and lifecycle management.",{"term":3303,"anchor":1433,"definition":3304},"AI risk management","The organizational process of identifying, assessing, treating, monitoring and revising risks associated with AI systems across their lifecycle.",{"term":3306,"anchor":1437,"definition":3307},"Architecture decision","A material design choice together with its context, rationale, alternatives, trade-offs and lifecycle status.",{},{"id":1441,"data":3310,"type":41,"tunes":3312},{"text":3311,"level":246},"Conclusion",{},{"id":1446,"data":3314,"type":217,"tunes":3316},{"text":3315},"When AI enters a company, the enterprise does not merely gain a new software component. It gains a new class of behavior and dependency that cuts across data, identity, suppliers, business decisions, security, operations, governance and change management.",{},{"id":1451,"data":3318,"type":217,"tunes":3320},{"text":3319},"The architectural response is not to centralize everything. It is to make responsibilities explicit: which data is authoritative, which identities may act, which providers are approved, which controls are shared, which decisions remain domain-owned, how behavior is evaluated, how incidents are handled and how the system changes over time.",{},{"id":1456,"data":3322,"type":217,"tunes":3324},{"text":3323},"That is the core distinction of enterprise AI architecture: it turns isolated AI capability into an organizationally governable system without pretending that models, platforms, business domains and enterprise controls are the same thing.",{},{"id":1461,"data":3326,"type":41,"tunes":3328},{"text":3327,"level":246},"Primary sources and current guidance",{},{"id":1466,"data":3330,"type":217,"tunes":3332},{"text":3331},"External standards, regulation and current vendor architecture guidance below were checked on 8 October 2026. Project-specific sections are explicitly marked as original project evidence and should not be read as claims of general industry fact.",{},{"id":1471,"data":3334,"type":1478,"tunes":3339},{"link":1473,"meta":3335},{"image":3336,"title":3337,"description":3338},{"url":277},"ISO\u002FIEC 42001:2023 — Artificial intelligence management system","International standard specifying requirements for establishing, implementing, maintaining and continually improving an AI management system within organizations.",{},{"id":1481,"data":3341,"type":1478,"tunes":3346},{"link":1483,"meta":3342},{"image":3343,"title":3344,"description":3345},{"url":277},"ISO\u002FIEC 23894:2023 — Guidance on AI risk management","International guidance for integrating AI-specific risk management into organizational activities and functions.",{},{"id":1490,"data":3348,"type":1478,"tunes":3352},{"link":1492,"meta":3349},{"image":3350,"title":1495,"description":3351},{"url":277},"NIST's voluntary lifecycle-oriented framework for managing AI risk. NIST states that AI RMF 1.0 is currently being revised.",{},{"id":1499,"data":3354,"type":1478,"tunes":3358},{"link":1501,"meta":3355},{"image":3356,"title":1504,"description":3357},{"url":277},"NIST companion profile describing generative-AI-specific risks and risk-management actions aligned to the AI RMF.",{},{"id":1508,"data":3360,"type":1478,"tunes":3365},{"link":1510,"meta":3361},{"image":3362,"title":3363,"description":3364},{"url":277},"EUR-Lex — Regulation (EU) 2024\u002F1689, consolidated text","Current consolidated AI Act text used for application dates and regulatory structure as checked on 8 October 2026.",{},{"id":1517,"data":3367,"type":1478,"tunes":3372},{"link":1519,"meta":3368},{"image":3369,"title":3370,"description":3371},{"url":277},"European Commission — AI Act regulatory framework","Current Commission overview of AI Act application phases, including 2026 applicability and later dates for specified high-risk provisions.",{},{"id":1526,"data":3374,"type":1478,"tunes":3379},{"link":1528,"meta":3375},{"image":3376,"title":3377,"description":3378},{"url":277},"Microsoft Azure Well-Architected — AI workloads","Current architecture guidance on AI workloads, including nondeterministic behavior, data, application design and operations.",{},{"id":1535,"data":3381,"type":1478,"tunes":3386},{"link":1537,"meta":3382},{"image":3383,"title":3384,"description":3385},{"url":277},"Microsoft — MLOps and GenAIOps for AI workloads","Current guidance on operational lifecycle, data, model maintenance, deployment, monitoring and continuous evolution.",{},{"id":1544,"data":3388,"type":1478,"tunes":3393},{"link":1546,"meta":3389},{"image":3390,"title":3391,"description":3392},{"url":277},"Microsoft — Responsible AI in Azure workloads","Current guidance connecting AI policy to data control, identity, agent auditability, role-based access and operational safeguards.",{},{"id":1553,"data":3395,"type":1478,"tunes":3400},{"link":1555,"meta":3396},{"image":3397,"title":3398,"description":3399},{"url":277},"ISO\u002FIEC\u002FIEEE 42010:2022 — Architecture Description","Current architecture-description standard supporting explicit concerns, viewpoints and relationships across system architecture.",{},"2.31.6","Enterprise AI architecture explains how AI changes company systems across data authority, identity, permissions, providers, risk, governance, evaluation, compliance and operations.","Post erfolgreich abgerufen",{"items":3405,"source":3489,"manualIds":3490,"manualMatchedIds":3491},[3406,3413,3420,3427,3434,3441,3448,3455,3462,3469,3476,3483],{"id":3407,"slug":3408,"title":3409,"excerpt":3410,"featuredImage":3411,"publishedAt":3412},"484","what-is-an-ai-platform-architect-models-data-runtime-security-and-operations","Was ist ein KI-Plattform-Architekt? Modelle, Daten, Laufzeitumgebung, Sicherheit und Betrieb","Ein KI-Plattform-Architekt entwirft wiederverwendbare KI-Grundlagen über Modelle, Anbieter, Retrieval, Agenten, Identität, Sicherheit, Evaluierung, Observability und Betrieb hinweg.","\u002Fuploads\u002F2026\u002F10\u002Fwhat-is-an-ai-platform-architect-models-data-runtime-security-and-operations-1791477229171-ou3zcc.webp","2026-10-08T12:32:00.000Z",{"id":3414,"slug":3415,"title":3416,"excerpt":3417,"featuredImage":3418,"publishedAt":3419},"487","vector-databases-embeddings-and-reranking-three-different-parts-of-retrieval","Vektordatenbanken, Embeddings und Reranking: Drei verschiedene Teile des Retrievals","Embeddings repräsentieren Bedeutung, Vektordatenbanken rufen Kandidaten ab und Reranker verfeinern Ergebnisse. Erfahren Sie, wie sich diese drei Retrieval-Ebenen unterscheiden und in RAG zusammenwirken.","\u002Fuploads\u002F2026\u002F10\u002Fvector-databases-embeddings-and-reranking-three-different-parts-of-retrieval-1791480129884-9dtasz.webp","2026-10-08T11:21:00.000Z",{"id":3421,"slug":3422,"title":3423,"excerpt":3424,"featuredImage":3425,"publishedAt":3426},"490","rbac-vs-tenant-isolation-two-different-security-boundaries","RBAC vs. Mandantenisolierung: Zwei unterschiedliche Sicherheitsgrenzen","RBAC steuert, was ein Benutzer tun darf; Mandantenisolierung steuert, auf welche Ressourcen eines Mandanten diese Aktion zugreifen darf. Erfahren Sie, warum die Sicherheit von Multi-Tenant-SaaS beide Grenzen erfordert.","\u002Fuploads\u002F2026\u002F10\u002Frbac-vs-tenant-isolation-two-different-security-boundaries-1791485111528-qqtzby.webp","2026-10-08T14:43:00.000Z",{"id":3428,"slug":3429,"title":3430,"excerpt":3431,"featuredImage":3432,"publishedAt":3433},"489","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","Agentische KI erklärt: Wenn ein KI-System planen, Werkzeuge nutzen und handeln kann","Agentische KI verwendet Modelle innerhalb mehrstufiger Ausführungsschleifen, in denen sie Werkzeuge auswählen, Ergebnisse beobachten, den Zustand aktualisieren und ihre nächste Aktion innerhalb expliziter Laufzeit- und Berechtigungsgrenzen anpassen können.","\u002Fuploads\u002F2026\u002F10\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a.webp","2026-10-08T11:43:00.000Z",{"id":3435,"slug":3436,"title":3437,"excerpt":3438,"featuredImage":3439,"publishedAt":3440},"381","enterprise-grade-multi-tenant-architecture-for-an-international-platform","Unternehmensfähige mandantenfähige Architektur für eine internationale Plattform","Loving Rocks ist eine Hochzeitsplattform auf Unternehmensniveau, konzipiert mit einer echten Mehrmandantenarchitektur, isolierten Datenbanken pro Mandant und integrierter Internationalisierung für globale Skalierbarkeit, Sicherheit und langfristige Betriebsstabilität.","\u002Fuploads\u002F2026\u002F01\u002Fenterprise-grade-multi-tenant-architecture-for-an-international-platform-1769789121298-b6v7ak.webp","2026-01-30T12:04:00.000Z",{"id":3442,"slug":3443,"title":3444,"excerpt":3445,"featuredImage":3446,"publishedAt":3447},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","Die GPU ist nicht das Produkt: Zukunftssichere private KI-Architektur","Private KI-Infrastruktur sollte nicht um eine einzige GPU oder ein einziges Modell herum konzipiert werden. Ein resilienterer Ansatz kombiniert schnelle Inferenz-GPUs, speicherstarke KI-Systeme, physische KI-Knoten und optionale Frontier-Cloud-Modelle hinter einer fähigkeitsbewussten Routing-Schicht.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":3449,"slug":3450,"title":3451,"excerpt":3452,"featuredImage":3453,"publishedAt":3454},"495","sovereign-ai-control-of-models-data-infrastructure-and-dependencies","Souveräne KI: Kontrolle über Modelle, Daten, Infrastruktur und Abhängigkeiten","Souveräne KI bedeutet wirksame Kontrolle über Modelle, Daten, Infrastruktur, Software, Betrieb und strategische Abhängigkeiten – nicht einfach, wo ein KI-Modell gehostet wird.","\u002Fuploads\u002F2026\u002F10\u002Fsovereign-ai-control-of-models-data-infrastructure-and-dependencies-1791488833132-niy85x.webp","2026-10-08T15:45:00.000Z",{"id":3456,"slug":3457,"title":3458,"excerpt":3459,"featuredImage":3460,"publishedAt":3461},"460","ai-agent-reliability-why-the-final-answer-is-not-enough","Zuverlässigkeit von KI-Agenten: Warum die endgültige Antwort nicht ausreicht","Korrekte Ausgabe beweist weder korrektes Denken, sichere Ausführung noch ein vertrauenswürdiges System.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-reliability-why-the-final-answer-is-not-enough-1788955466306-pl0qhz.webp","2026-09-09T04:01:00.000Z",{"id":3463,"slug":3464,"title":3465,"excerpt":3466,"featuredImage":3467,"publishedAt":3468},"481","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","Generative KI erklärt: Modelle, Retrieval, Tools und Anwendungen sind nicht dasselbe","Generative KI ist mehr als ein Modell. Erfahren Sie, wie Modelle, Retrieval, Tools, Kontext, Runtimes und Anwendungen in Produktions-KI-Systemen zusammenwirken.","\u002Fuploads\u002F2026\u002F10\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz.webp","2026-10-08T12:00:00.000Z",{"id":3470,"slug":3471,"title":3472,"excerpt":3473,"featuredImage":3474,"publishedAt":3475},"479","where-does-an-llm-get-its-data-rag-data-sources-in-python","Woher bezieht ein LLM seine Daten? RAG-Datenquellen in Python","Ein LLM kennt deine Dateien, Datenbanken oder APIs nicht auf magische Weise. Diese praktische Fortsetzung der RAG-Reihe zeigt mit einfachem Python, wie externe Daten zu abrufbaren Belegen werden: von Textdateien und SQL bis hin zu Volltextsuche, Embeddings, Kontextzusammenstellung und dem abschließenden LLM-Aufruf.","\u002Fuploads\u002F2026\u002F09\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python-1790517200521-nfsi5i.webp","2026-09-27T05:51:00.000Z",{"id":3477,"slug":3478,"title":3479,"excerpt":3480,"featuredImage":3481,"publishedAt":3482},"492","mcp-explained-what-it-connects-what-it-does-not-do-and-where-it-fits","MCP erklärt: Was es verbindet, was es nicht tut und wo es passt","Das Model Context Protocol verbindet KI-Anwendungen über eine standardisierte Client-Server-Grenze mit externen Tools, Ressourcen und Prompts. Erfahren Sie, was MCP tut, was es nicht tut und wo es in der Agentenarchitektur einzuordnen ist.","\u002Fuploads\u002F2026\u002F10\u002Fmcp-explained-what-it-connects-what-it-does-not-do-and-where-it-fits-1791486640275-7ub1cq.webp","2026-10-08T15:09:00.000Z",{"id":3484,"slug":3485,"title":1325,"excerpt":3486,"featuredImage":3487,"publishedAt":3488},"478","what-is-rag-the-simplest-explanation-of-how-it-works","RAG klingt kompliziert, aber die Idee ist einfach: Bevor eine KI antwortet, sucht sie zunächst nützliche Informationen aus einer Wissensquelle und gibt diese Informationen an das Sprachmodell weiter. Dieser Leitfaden erklärt RAG, LLMs, Zustand, Gedächtnis und Werkzeuge anhand eines einfachen mentalen Modells.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z","fallback",[],[]]