Fachartikel vom 28. Juli 2026
Die Phase des Cloud-first-KI ist vorbei
Warum der Rückzug aus der Cloud keine Systemfrage ist
79 Prozent der Unternehmen haben KI-Workloads bereits von der Public Cloud zurückgeholt. Das klingt nach einer technischen Entscheidung. Es ist eine Compliance-Entscheidung.
Lesezeit: ca. 4 Minuten | Zuletzt aktualisiert: Juli 2026
Was die Zahlen zeigen
Laut der Enterprise AI Infrastructure Survey 2026 (Centiment / Cloudian, 203 IT-Entscheidungsträger) haben 79 Prozent der befragten Unternehmen KI-Workloads von der Public Cloud auf eigene Infrastruktur verlagert. Nimmt man jene hinzu, die diesen Schritt gerade vollziehen oder planen, liegt der Wert bei 93 Prozent.
Das ist kein schleichender Kurswechsel. Es ist eine Korrektur.
Der Knackpunkt ist nicht die Technologie
Wer KI mit eigenen Unternehmensdaten betreibt, stellt früh fest: Die Daten, die KI erst nützlich machen, sind die sensibelsten. Verträge, Patientendaten, Konstruktionszeichnungen, interne Kommunikation. Genau dieser Datensatz landete bisher oft auf Servern amerikanischer Hyperscaler, unter US-CLOUD-Act-Zugriff, mit unvorhersehbaren Nutzungskosten und ohne verlässliche Aussage über Latenz.
Die Studie nennt drei Hauptgründe für den Rückzug: , unvorhersehbare Kosten und Anforderungen an Echtzeit-Performance. Alle drei lassen sich mit On-Premises-Infrastruktur adressieren.
Was Regulierung beschleunigt hat
Für deutsche und europäische Unternehmen kommt ein weiterer Faktor hinzu: die Regulierungslage. , , der und branchenspezifische Anforderungen aus dem Gesundheitswesen und der Finanzbranche verlangen entweder Nachweise über den Datenstandort oder schließen bestimmte Cloud-Konstellationen faktisch aus.
Ein Pharmaunternehmen, das Forschungsdaten per RAG zugänglich macht, kann das nicht über einen US-amerikanischen LLM-Dienst tun, ohne sich juristisch zu exponieren. Ein Krankenhaus, das Patientenakten für KI-gestützte Diagnostik nutzt, erst recht nicht. On-Premises ist in diesen Kontexten kein Rückschritt, sondern Pflicht.
Das Infrastrukturproblem dahinter
braucht lokalen Speicher, der dafür ausgelegt ist. KI-Workloads, insbesondere (RAG), erfordern schnellen Zugriff auf große, heterogene Datenpools sowie Sicherheitsmechanismen, die verhindern, dass der Datensatz selbst zum Angriffsziel wird.
Wer seinen KI-Speicher ohne Trennung und ohne Schutz vor Manipulation am selben Netz betreibt wie seine allgemeine Unternehmens-IT, schafft neue Angriffsflächen. Die Lösung liegt nicht im Absichern einzelner Instanzen, sondern in der Architektur: Speicher, der die KI-Datenbasis physisch isoliert und unveränderlich hält.
Wie FAST LTA das umsetzt
FAST LTA hat mit Silent AI einen KI-Assistenten für Workplace-Anwendungen entwickelt, der Unternehmenswissen lokal durchsuchbar macht: ohne Cloud, ohne Datenleck, mit vollständiger Durchsetzung bestehender Zugriffsrechte. Kein Mitarbeiter erhält KI-Antworten auf Basis von Inhalten, auf die er kein Leserecht hat. Entwickelt in München, gefertigt in Deutschland.
Silent AI basiert auf und läuft vollständig auf eigener Hardware im Firmennetz. Konnektoren für Microsoft 365, SharePoint, Confluence, Fileserver und Datenbanken sind im Lieferumfang enthalten. Das antwortet ausschließlich auf Basis interner, verifizierter Unternehmensquellen — kein Prompt, kein Token verlässt das Netzwerk.
Fertige Einstiegsszenarien gibt es für sechs Anwendungsbereiche: Forschung und Entwicklung, Service und Support, Vertrags- und Rechtsrecherche, Compliance, Behörden und Verwaltung sowie Unternehmenswissen.
Was das für die Investitionsplanung bedeutet
79 Prozent der Unternehmen treffen heute Entscheidungen, die FAST LTA vor zwei Jahren getroffen hat. Silent AI ist nicht die Antwort auf einen Hype. Es ist die Antwort auf eine Entwicklung, die sich klar abzeichnete: Unternehmensdaten gehören ins Unternehmen. KI, die auf diesen Daten arbeitet, auch.
86 Prozent der Befragten erwarten für 2026 steigende KI-Budgets. Wer dieses Budget in On-Premises-Infrastruktur investiert, braucht einen Hersteller, der das von Anfang an so gebaut hat, nicht als nachgereichte Hybrid-Option.
Datensouveränität
Datensouveränität beschreibt die vollständige Kontrolle einer Organisation über ihre Daten: wo sie gespeichert werden, wer darauf zugreifen kann, welchem Rechtsrahmen sie unterliegen und ob sie jederzeit ohne Abhängigkeit von einem einzelnen Anbieter verfügbar sind.
EU AI Act
Der EU AI Act ist die weltweit erste umfassende gesetzliche Regulierung von KI-Systemen, in Kraft seit August 2024. Er klassifiziert KI-Anwendungen nach Risikoklassen und stellt an Hochrisiko-Systeme konkrete Anforderungen an Transparenz, Kontrolle, Datenschutz und menschliche Aufsicht.
DSGVO
Die DSGVO (Datenschutz-Grundverordnung, EU 2016/679) ist die europäische Regulierung zum Schutz personenbezogener Daten — für IT-Infrastruktur besonders relevant in Art. 5 (Grundsätze), Art. 17 (Recht auf Löschung), Art. 28 (Auftragsverarbeiter) und Art. 32 (Sicherheit der Verarbeitung).
NIS2
Die NIS2-Richtlinie (EU 2022/2555) ist eine EU-Regulierung, die wesentliche und wichtige Einrichtungen zu konkreten Cybersicherheitsmaßnahmen verpflichtet — darunter nachweisbares Backup-Management, Krisenmanagement und Meldepflichten — mit persönlicher Haftung der Geschäftsleitung bei Versäumnissen.
RAG (Retrieval-Augmented Generation)
RAG ist eine KI-Architektur, bei der ein Sprachmodell nicht aus dem Gedächtnis antwortet, sondern Antworten aus einem definierten, kontrollierten Datenbestand abruft und auf dieser Basis generiert — wodurch Halluzinationen strukturell vermieden werden.
On-Premises KI
On-Premises KI bezeichnet KI-Systeme, die vollständig auf eigener Hardware im eigenen Rechenzentrum oder Serverraum betrieben werden — ohne Cloud-Anbindung, ohne Datentransfer an externe Dienste.
RAG (Retrieval-Augmented Generation)
RAG ist eine KI-Architektur, bei der ein Sprachmodell nicht aus dem Gedächtnis antwortet, sondern Antworten aus einem definierten, kontrollierten Datenbestand abruft und auf dieser Basis generiert — wodurch Halluzinationen strukturell vermieden werden.
RAG (Retrieval-Augmented Generation)
RAG ist eine KI-Architektur, bei der ein Sprachmodell nicht aus dem Gedächtnis antwortet, sondern Antworten aus einem definierten, kontrollierten Datenbestand abruft und auf dieser Basis generiert — wodurch Halluzinationen strukturell vermieden werden.
LLM (Large Language Model)
Ein LLM ist ein KI-Modell, das auf großen Textmengen trainiert wurde und natürlichsprachige Anfragen versteht und beantwortet — Grundlage aller modernen KI-Assistenten, von ChatGPT bis zu lokal betriebenen Open-Source-Modellen.
Gehören Sie zu den 79 Prozent oder zu den 21, die noch warten?
Vereinbaren Sie ein Gespräch mit unserem Team. Wir zeigen Ihnen, wie eine On-Premises-KI-Infrastruktur in Ihrer Umgebung konkret aussieht: ohne Cloud-Abhängigkeit, ohne Datenschutzkompromiss, ohne Umbau Ihrer bestehenden Systeme.
