Die künstliche Intelligenz hat innerhalb kürzester Zeit Einzug in unseren Berufsalltag gehalten. Leistungsfähige Large Language Models (LLMs) wie ChatGPT, Claude oder Gemini ermöglichen es, umfangreiche Dokumente zu analysieren, komplexe Sachverhalte zusammenzufassen, Texte zu formulieren oder Entscheidungsgrundlagen aufzubereiten.

Was früher mehrere Stunden in Anspruch nahm, lässt sich heute oftmals innerhalb weniger Minuten erledigen.

Doch bei aller Begeisterung über diese technologischen Möglichkeiten wird ein wesentlicher Aspekt häufig unterschätzt: Welche Informationen dürfen wir überhaupt an externe KI-Systeme übermitteln?

Aus meiner Tätigkeit als IT-Sachverständiger weiß ich, dass Informationssicherheit nicht erst bei der technischen Absicherung eines Systems beginnt. Sie beginnt bereits bei der Entscheidung, welche Daten ein Unternehmen oder eine Organisation an externe Dienstleister weitergibt.

Gerade beim Einsatz generativer künstlicher Intelligenz ist diese Frage von besonderer Bedeutung.

1. Ein Prompt ist mehr als eine einfache Frage

Wer eine Anfrage an ein externes Sprachmodell stellt, übermittelt häufig weit mehr Informationen, als ihm bewusst ist.

Ein typisches Beispiel aus dem Berufsalltag:

Ein Mitarbeiter möchte einen umfangreichen Personalakt zusammenfassen lassen und lädt dazu das gesamte PDF-Dokument in ein KI-System hoch.

Das Dokument enthält möglicherweise Namen, Adressen, Geburtsdaten, Gehaltsinformationen, Krankenstände oder dienstrechtliche Beurteilungen.

Das Sprachmodell kann daraus innerhalb weniger Sekunden eine ausgezeichnete Zusammenfassung erstellen.

Technisch funktioniert dieser Vorgang beeindruckend.

Aus Sicht des Datenschutzes und der Informationssicherheit kann diese Vorgehensweise jedoch höchst problematisch sein.

Denn mit dem Hochladen des Dokuments werden die darin enthaltenen Informationen an einen externen Anbieter übermittelt. Je nach gewähltem Dienst, Vertrag und Konfiguration können unterschiedliche Regelungen zur Verarbeitung, Speicherung und Verwendung dieser Daten gelten.

Dabei ist eines besonders wichtig: Die Tatsache, dass ein KI-Anbieter verspricht, eingegebene Informationen nicht für das Training seiner Modelle zu verwenden, bedeutet noch lange nicht, dass die Übermittlung sämtlicher vertraulicher Daten zulässig oder risikofrei ist.

2. Anonymisierung und Pseudonymisierung – ein entscheidender Unterschied

Im Zusammenhang mit der Nutzung externer Sprachmodelle werden diese beiden Begriffe häufig synonym verwendet.

Rechtlich und technisch bestehen jedoch erhebliche Unterschiede.

Anonymisierung

Bei einer tatsächlichen Anonymisierung werden personenbezogene Informationen so verändert oder entfernt, dass eine Identifizierung der betroffenen Personen auch unter Berücksichtigung vernünftigerweise verfügbarer Zusatzinformationen und Mittel nicht mehr möglich ist.

Beispiel:

Originaltext:

„Herr Max Mustermann, geboren am 15. März 1975, wohnhaft in der Musterstraße 12 in Klagenfurt, erhielt im Jahr 2025 eine Gehaltserhöhung von 8,5 Prozent.“

Anonymisierte Fassung:

„Ein Mitarbeiter der untersuchten Organisation erhielt im Jahr 2025 eine Gehaltserhöhung von 8,5 Prozent.“

Für eine KI-gestützte sprachliche Überarbeitung oder eine allgemeine Beurteilung der Gehaltserhöhung ist die Identität der Person in vielen Fällen vollkommen unerheblich.

Entscheidend ist jedoch, dass auch der verbleibende Kontext keine Identifizierung ermöglicht. In einem sehr kleinen Unternehmen könnte beispielsweise bereits die Kombination aus Funktion, Zeitraum und Gehaltserhöhung einen Rückschluss auf eine bestimmte Person erlauben.

Pseudonymisierung

Bei der Pseudonymisierung werden identifizierende Informationen durch künstliche Kennzeichnungen ersetzt.

Beispiel:

Originaltext:

„Max Mustermann erhielt am 15. März 2025 eine Gehaltserhöhung von 8,5 Prozent.“

Pseudonymisierte Fassung:

„Mitarbeiter P-104 erhielt im März 2025 eine Gehaltserhöhung von 8,5 Prozent.“

Die Zuordnung zwischen „P-104“ und der tatsächlichen Person wird getrennt und geschützt innerhalb der eigenen Organisation aufbewahrt.

Der Vorteil dieser Vorgehensweise liegt darin, dass sich komplexe Sachverhalte weiterhin analysieren lassen, ohne die tatsächliche Identität unmittelbar offenzulegen.

Allerdings gilt eine wichtige Einschränkung:

Pseudonymisierte Daten bleiben grundsätzlich personenbezogene Daten und unterliegen weiterhin der Datenschutz-Grundverordnung (DSGVO).

Dies wird auch von der Europäischen Kommission ausdrücklich hervorgehoben. 

Eine Pseudonymisierung ist somit eine wichtige technische und organisatorische Schutzmaßnahme, aber kein Ersatz für die Prüfung der datenschutzrechtlichen Zulässigkeit einer Datenverarbeitung.

3. Fünf Beispiele aus dem beruflichen Alltag

Wie lässt sich diese Vorgehensweise konkret umsetzen?

Beispiel 1: Personalverwaltung

Aufgabenstellung: Ein Unternehmen möchte mittels KI Auffälligkeiten bei Überstunden analysieren.

Problematische Eingabe:

„Analysiere die Überstunden von Max Mustermann, Personalnummer 4711, wohnhaft in Klagenfurt, mit einem Monatsgehalt von 4.800 Euro.“

Datenschutzfreundlichere Eingabe:

„Analysiere die Überstunden des Mitarbeiters P-4711 mit 42 Überstunden im Monat und einer vertraglichen Normalarbeitszeit von 40 Wochenstunden.“

Für die Erkennung einer möglichen Überstundenanomalie sind weder der Name noch die Wohnadresse erforderlich.

Die eigentliche Analysequalität wird durch die Entfernung dieser Informationen in der Regel nicht beeinträchtigt.

Beispiel 2: Medizinische Dokumente

Aufgabenstellung: Eine Arztpraxis möchte einen medizinischen Bericht sprachlich verbessern.

Problematische Eingabe:

„Überarbeite den Befund von Maria Huber, geboren am 12. Juni 1968, Sozialversicherungsnummer 1234…, mit der Diagnose …“

Datenschutzfreundlichere Eingabe:

„Überarbeite folgenden medizinischen Befund einer Patientin im Alter zwischen 55 und 65 Jahren. Entferne identifizierende Angaben und behalte ausschließlich die für die fachliche Formulierung erforderlichen medizinischen Informationen bei.“

Gerade medizinische Informationen gehören zu den besonders schützenswerten personenbezogenen Daten nach Artikel 9 DSGVO.

Hier ist besondere Vorsicht geboten. Auch eine altersmäßige Verallgemeinerung und das Entfernen des Namens garantieren noch keine vollständige Anonymität.

Für solche Anwendungsfälle sind besonders geschützte, vertraglich und technisch abgesicherte KI-Umgebungen oder interne KI-Systeme häufig die geeignetere Lösung.

Beispiel 3: Öffentliche Verwaltung

Aufgabenstellung: Ein Verwaltungsmitarbeiter möchte einen Bescheidentwurf durch ein Sprachmodell auf Verständlichkeit prüfen lassen.

Problematische Eingabe:

„Prüfe den Bescheid betreffend Herrn Max Mustermann, wohnhaft in der Musterstraße 12, Aktenzahl XY-1234, hinsichtlich seiner Anspruchsberechtigung.“

Datenschutzfreundlichere Eingabe:

„Prüfe die sprachliche Verständlichkeit eines Bescheidentwurfs zu einer anonymisierten Förderangelegenheit. Die antragstellende Person wird als Antragsteller A bezeichnet.“

Für eine sprachliche Prüfung ist die konkrete Identität normalerweise nicht relevant.

Bei einer rechtlichen Analyse muss zusätzlich geprüft werden, welche Sachverhaltsdetails erforderlich sind. Vertrauliche Akteninhalte dürfen nicht allein deshalb an externe KI-Systeme übertragen werden, weil Namen entfernt wurden.

Beispiel 4: Rechtsberatung und Sachverständigentätigkeit

Aufgabenstellung: Ein Sachverständiger möchte einen umfangreichen technischen Sachverhalt strukturiert zusammenfassen lassen.

Problematische Eingabe:

„Analysiere das Gutachten über den Sicherheitsvorfall bei der Firma XY GmbH einschließlich aller Servernamen, IP-Adressen, Benutzerkonten und Zugangsdaten.“

Datenschutzfreundlichere Eingabe:

„Analysiere einen technischen Sicherheitsvorfall in einem mittelständischen Unternehmen. Das betroffene System wird als SERVER-A, das Benutzerkonto als USER-01 und die Organisation als UNTERNEHMEN-A bezeichnet.“

Besondere Vorsicht ist hier bei technischen Identifikatoren geboten.

Interne IP-Adressen, Hostnamen, Netzwerkpläne und Sicherheitskonfigurationen sind zwar nicht automatisch personenbezogene Daten, können aber sicherheitskritische Informationen darstellen.

Datenschutz und Informationssicherheit sind zwei unterschiedliche, aber eng miteinander verbundene Schutzbereiche.

Auch Informationen ohne Personenbezug können Geschäftsgeheimnisse enthalten oder Angreifern wertvolle Hinweise liefern.

Beispiel 5: Rechnungsprüfung und Controlling

Aufgabenstellung: Eine Organisation möchte Rechnungen automatisiert auf Plausibilität überprüfen.

Problematische Eingabe:

„Prüfe die Rechnung der Firma Muster GmbH an Herrn Max Mustermann mit IBAN AT…, Rechnungsnummer 2026-12345 und den folgenden Leistungen.“

Datenschutzfreundlichere Eingabe:

„Prüfe eine Rechnung eines externen Dienstleisters über 12.500 Euro für 25 Beratertage auf rechnerische Plausibilität und mögliche Auffälligkeiten bei den Leistungspositionen.“

Die für eine Plausibilitätsprüfung notwendigen Informationen bleiben erhalten.

Personenbezogene Daten, Bankverbindungen und sonstige nicht erforderliche Identifikatoren werden hingegen vor der Übermittlung entfernt.

Wichtig ist, dass diese Datenbereinigung bereits innerhalb der eigenen, vertrauenswürdigen IT-Umgebung erfolgt.

4. Warum das nachträgliche Löschen nicht ausreicht

Ein häufiges Missverständnis besteht darin, dass sich Datenschutzprobleme durch das spätere Löschen einer KI-Unterhaltung vollständig beseitigen lassen.

Das ist nicht zwingend der Fall.

Welche Daten nach dem Löschen eines Chats noch verarbeitet oder gespeichert werden, hängt insbesondere von den technischen und vertraglichen Rahmenbedingungen des verwendeten Dienstes ab.

Zu berücksichtigen sind beispielsweise:

• Aufbewahrungsfristen für Eingaben, Ausgaben und Protokolldaten.
• Verarbeitung durch externe Dienstleister oder Unterauftragsverarbeiter.
• Technische und organisatorische Sicherheitsmaßnahmen.
• Mögliche Drittlandübermittlungen.
• Einstellungen zur Nutzung von Daten für Modellverbesserungen.
• Vertragliche Vereinbarungen über die Datenverarbeitung.

Die entscheidende Sicherheitsmaßnahme muss daher möglichst vor der Übermittlung an das externe Sprachmodellstattfinden.

5. Warum eine einfache Schwärzung häufig nicht genügt

Besonders kritisch sehe ich die Vorstellung, dass das Entfernen von Namen bereits eine ausreichende Anonymisierung darstellt.

Ein Beispiel:

„Der 58-jährige Leiter der IT-Abteilung einer kleinen österreichischen Gemeinde mit 3.200 Einwohnern wurde am 1. Oktober 2026 pensioniert.“

Obwohl kein Name genannt wird, kann die betroffene Person anhand der Kombination aus Funktion, Gemeindegröße, Alter und Zeitpunkt unter Umständen relativ einfach identifiziert werden.

Man spricht in diesem Zusammenhang von einem Re-Identifizierungsrisiko.

Moderne KI-Systeme können Informationen miteinander verknüpfen und Zusammenhänge erkennen. Gerade diese Fähigkeit macht sie so leistungsfähig.

Sie führt aber auch dazu, dass die Kombination vermeintlich harmloser Einzelinformationen eine Identifizierung ermöglichen kann.

Eine professionelle Anonymisierung muss daher stets den Gesamtkontext berücksichtigen.

Der Europäische Datenschutzausschuss hat sich in seiner Stellungnahme 28/2024 mit den datenschutzrechtlichen Anforderungen an KI-Modelle und der Frage auseinandergesetzt, wann solche Modelle als anonym betrachtet werden können. Dabei wird insbesondere die Bedeutung einer fallbezogenen Bewertung hervorgehoben. 

6. Die technische Lösung: Eine Anonymisierungsschicht vor dem Sprachmodell

Aus meiner Sicht besteht eine wesentliche Aufgabe moderner Unternehmens-IT darin, den Einsatz generativer künstlicher Intelligenz nicht ausschließlich über organisatorische Verbote zu steuern.

Stattdessen sollten technische Schutzmechanismen geschaffen werden, die eine sichere und kontrollierte Nutzung ermöglichen.

Ein möglicher Ansatz ist die Integration einer zentralen Anonymisierungs- beziehungsweise Pseudonymisierungsschicht.

Der technische Ablauf könnte folgendermaßen aussehen:

Schritt 1 – Eingabe innerhalb der Organisation

Ein Mitarbeiter übermittelt einen Text oder ein Dokument an eine interne KI-Anwendung.

Schritt 2 – Automatische Analyse

Eine vorgeschaltete Komponente untersucht den Inhalt auf schützenswerte Informationen.

Hierzu zählen beispielsweise personenbezogene Daten, Kontoinformationen, Identifikationsnummern, vertrauliche Unternehmensinformationen oder sicherheitsrelevante technische Angaben.

Schritt 3 – Anonymisierung oder Pseudonymisierung

Die erkannten Informationen werden abhängig vom Anwendungsfall entfernt, verallgemeinert oder durch neutrale Kennzeichnungen ersetzt.

Schritt 4 – Kontrollierte Übermittlung

Erst danach werden die bereinigten Informationen über eine freigegebene Schnittstelle an das externe Sprachmodell übertragen.

Schritt 5 – Verarbeitung der Antwort

Das Sprachmodell liefert sein Ergebnis zurück.

Bei einer Pseudonymisierung kann die interne Anwendung gegebenenfalls die ursprünglichen Bezeichnungen wiederherstellen.

Die hierfür erforderliche Zuordnungstabelle verbleibt ausschließlich innerhalb der vertrauenswürdigen IT-Infrastruktur.

Damit könnte beispielsweise ein externer LLM eine Verwaltungsentscheidung sprachlich überarbeiten, ohne dass ihm die Identität der betroffenen Bürger bekannt sein muss.

Wesentlich ist allerdings, dass solche Schutzmechanismen getestet werden. Automatische Erkennungssysteme sind nicht fehlerfrei und können sensible Informationen übersehen.

Insbesondere bei vertraulichen oder besonders schützenswerten Daten ist daher eine zusätzliche Kontrolle notwendig.

7. Externe KI oder eigenes Sprachmodell?

Eine weitere strategische Überlegung betrifft die Frage, ob externe Sprachmodelle für sämtliche Anwendungsfälle überhaupt die richtige Lösung darstellen.

Externe KI-Dienste bieten vielfach eine hervorragende Leistungsfähigkeit und ermöglichen einen schnellen Einstieg.

Dem stehen jedoch Abhängigkeiten von den jeweiligen Anbietern sowie Fragen der Datenverarbeitung und Informationssicherheit gegenüber.

Gerade für öffentliche Verwaltungen, Gesundheitseinrichtungen und Unternehmen mit hohen Anforderungen an die Vertraulichkeit kann deshalb der Betrieb eigener Sprachmodelle auf einer kontrollierten Infrastruktur interessant sein.

Sogenannte On-Premises-LLMs ermöglichen es, Dokumente und Informationen innerhalb der eigenen IT-Umgebung zu verarbeiten.

Allerdings bedeutet auch der interne Betrieb eines Sprachmodells nicht automatisch, dass sämtliche datenschutzrechtlichen und sicherheitstechnischen Anforderungen erfüllt sind.

Zugriffsberechtigungen, Protokollierung, Verschlüsselung, Modellkonfigurationen und organisatorische Vorgaben bleiben weiterhin erforderlich.

Ich halte daher einen hybriden Ansatz für besonders sinnvoll:

Unkritische oder zuverlässig anonymisierte Informationen können unter geeigneten Rahmenbedingungen mit leistungsfähigen externen Sprachmodellen verarbeitet werden.

Besonders vertrauliche oder sensible Informationen sollten hingegen bevorzugt innerhalb einer entsprechend abgesicherten und kontrollierten IT-Infrastruktur verbleiben.

Damit lässt sich die Leistungsfähigkeit externer KI-Systeme nutzen, ohne auf die Kontrolle über sensible Informationen verzichten zu müssen.

8. Meine Empfehlungen aus Sicht des IT-Sachverständigen

Aus meiner Sicht sollten Organisationen für die berufliche Nutzung generativer KI klare technische und organisatorische Rahmenbedingungen schaffen.

Dabei halte ich insbesondere folgende Maßnahmen für wesentlich:

1. Verbindliche KI-Nutzungsrichtlinien: Mitarbeiter müssen wissen, welche Daten in welchen KI-Diensten verarbeitet werden dürfen.
2. Datensparsamkeit als Grundprinzip: An externe KI-Systeme dürfen nur jene Informationen übermittelt werden, die für die jeweilige Aufgabe tatsächlich erforderlich und deren Verarbeitung zulässig ist.
3. Anonymisierung und Pseudonymisierung: Wo möglich, sollten schützenswerte Informationen bereits vor der Übermittlung systematisch entfernt oder ersetzt werden.
4. Technische Schutzmechanismen: Zentrale KI-Gateways, Datenklassifizierung und automatisierte Prüfungen können dazu beitragen, unbeabsichtigte Datenabflüsse zu verhindern.
5. Prüfung der externen Anbieter: Verträge, Datenverarbeitungsbedingungen, Speicherfristen, Drittlandübermittlungen und Sicherheitsmaßnahmen müssen vor der Freigabe bewertet werden.
6. Sensibilisierung der Mitarbeiter: Informationssicherheit muss Bestandteil der praktischen KI-Kompetenz werden.
7. Interne KI-Infrastrukturen: Für besonders sensible Anwendungsfälle sollten geeignete interne oder anderweitig kontrollierte KI-Lösungen geprüft werden.

Dabei ist zu berücksichtigen, dass selbst eine erfolgreiche Pseudonymisierung weder die Notwendigkeit einer Rechtsgrundlage noch weitere DSGVO-Verpflichtungen entfallen lässt.

9. Fazit: Nicht die KI ist das Risiko, sondern der unkontrollierte Umgang mit Informationen

Generative künstliche Intelligenz bietet Unternehmen, öffentlichen Verwaltungen und Sachverständigen enorme Möglichkeiten.

Sie kann Prozesse beschleunigen, die Qualität von Analysen verbessern und Mitarbeiter bei komplexen Aufgaben unterstützen.

Die entscheidende Herausforderung liegt jedoch darin, diese Möglichkeiten mit den Anforderungen an Datenschutz, Vertraulichkeit und Informationssicherheit in Einklang zu bringen.

Aus meiner Sicht wäre es der falsche Ansatz, leistungsfähige KI-Systeme aus grundsätzlichen Sicherheitsbedenken vollständig aus dem Berufsalltag auszuschließen.

Ebenso falsch wäre es allerdings, sämtliche verfügbaren Informationen unkontrolliert an externe Sprachmodelle zu übermitteln.

Der richtige Weg liegt in einem bewussten, technisch abgesicherten und organisatorisch geregelten Einsatz.

Anonymisierung und Pseudonymisierung sind dabei keine Hindernisse für die Nutzung künstlicher Intelligenz. Sie sind wesentliche Bausteine, um diese Technologie verantwortungsvoll und nachhaltig einsetzen zu können.

Denn letztlich gilt ein Grundsatz, der für die gesamte Informationssicherheit von zentraler Bedeutung ist:

„Die sichersten Daten sind jene, die ein externes System gar nicht erst erhalten hat.“

Künstliche Intelligenz ist eine bemerkenswerte Assistentin. Sie arbeitet schnell, wird nicht müde und beschwert sich auch bei mehreren hundert Seiten Aktenmaterial nicht. Gelegentlich erfindet sie allerdings eine fehlende Information, formuliert diese ausgesprochen überzeugend und tut so, als wäre nichts gewesen.

Für die Sachverständigenarbeit ist das eine eher ungünstige Charaktereigenschaft.

Ein Gutachten lebt schließlich nicht davon, dass es flüssig klingt. Es muss auf nachvollziehbaren Feststellungen, geprüften Quellen und fachlich begründeten Schlussfolgerungen beruhen. Dafür trägt nicht die Software die Verantwortung, sondern der Sachverständige. Die KI wird im Gerichtssaal auch kaum hilfreich die Hand heben und erklären, dass der Fehler eigentlich von ihr stammt.

Wie alles begann

Als gerichtlich beeideter und zertifizierter Sachverständiger für Kommunikations- und Informationstechnologien arbeite ich seit vielen Jahren mit umfangreichen Unterlagen und komplexen technischen Sachverhalten. Dabei begegnen mir digitale Spuren, Systemprotokolle, Screenshots, E-Mails, Verträge und Zeitangaben, die nur selten freiwillig in einer übersichtlichen Reihenfolge vorliegen.

Manchmal besteht die erste Herausforderung darin, überhaupt herauszufinden, welche Dokumente vorhanden sind. Danach beginnt die Suche nach fehlenden Beilagen, widersprüchlichen Angaben und unterschiedlichen Versionen. Erst dann kommt die eigentliche fachliche Arbeit.

Als leistungsfähige KI-Systeme verfügbar wurden, lag der Gedanke nahe, sie für solche Vorarbeiten einzusetzen. Die ersten Ergebnisse waren vielversprechend. Lange Dokumente ließen sich rasch strukturieren, Unterschiede wurden sichtbar und aus unübersichtlichem Material entstanden brauchbare Tabellen.

Dann zeigte sich die andere Seite. KI kann fehlende Zusammenhänge mit erstaunlichem Selbstvertrauen ergänzen. Sie kann aus einer technischen Zuordnung zu einem Benutzerkonto plötzlich die vermeintlich eindeutige Handlung einer natürlichen Person machen. Und wenn eine Quelle fehlt, klingt die Antwort manchmal trotzdem so, als hätte sie persönlich im Archiv nachgesehen.

Spätestens an diesem Punkt war klar: Ein guter Prompt allein reicht nicht.

Der Auslöser für das Buch

Ich wollte verstehen, wie KI in der Sachverständigenarbeit so eingesetzt werden kann, dass sie tatsächlich hilft und dabei kontrollierbar bleibt.

Welche Unterlagen wurden verarbeitet? Woher stammt eine Aussage? Was hat das System lediglich zusammengefasst? Welche Schlussfolgerung wurde aus den Daten abgeleitet? Wo hat die KI möglicherweise etwas ergänzt, das in den Quellen gar nicht vorkommt?

Diese Fragen führten zum „KI-Werkzeugkasten für Sachverständige“.

Der Titel ist bewusst praktisch gewählt. Das Buch soll kein philosophischer Streifzug durch die Geschichte der künstlichen Intelligenz sein. Es soll auf dem Schreibtisch liegen, benutzt werden und im besten Fall einige bunte Haftnotizen bekommen. Wer einen umfangreichen Akt strukturieren, Dokumente vergleichen oder eine Chronologie vorbereiten möchte, soll darin eine passende Arbeitsweise finden.

Deshalb enthält das Buch nicht nur Erläuterungen, sondern auch Arbeitsblätter, Prüflisten und konkrete Prompts. Die KI bekommt damit einen klaren Auftrag. Sie soll beispielsweise Angaben ordnen, Fundstellen nennen und Lücken markieren. Was sie nicht tun soll, wird ebenso deutlich festgelegt.

Das klingt vielleicht streng. Erfahrungsgemäß kommen aber auch menschliche Mitarbeiter mit einem klaren Auftrag besser zurecht. Bei KI gilt das erst recht.

Kein reines IT-Buch

Mein fachlicher Schwerpunkt liegt in der Informationstechnologie und der IT-Forensik. Die Grundprobleme beim Einsatz von KI sind jedoch in vielen Sachverständigenbereichen erstaunlich ähnlich.

In der Elektrotechnik muss ein Messwert eindeutig einer Messstelle, einem Gerät und den jeweiligen Randbedingungen zugeordnet werden. Eine Zahl ohne Einheit ist dort ungefähr so hilfreich wie eine Wegbeschreibung mit dem Hinweis „irgendwo links“.

Im Maschinenbau müssen Auslieferungszustand, spätere Umbauten und Zustand zum Ereigniszeitpunkt auseinandergehalten werden. Bei Kfz- und Verkehrsuntersuchungen dürfen Fahrzeugdaten, Spuren, Fotos und Annahmen zum Bewegungsablauf nicht in einen gemeinsamen Topf geworfen werden. Auch dann nicht, wenn die KI daraus eine sehr elegante Unfallgeschichte formuliert.

Bei einer Unternehmensbewertung kann ein Rechenmodell mathematisch korrekt sein und trotzdem auf wenig belastbaren Annahmen beruhen. Ein Tabellenblatt wird nicht dadurch wahr, dass es zwölf Nachkommastellen ausgibt. Ähnliches gilt für die Immobilienbewertung: Die KI kann Flächenangaben vergleichen, aber sie sollte weder einen fehlenden Grundbuchsauszug fantasievoll ergänzen noch vom Schreibtisch aus verdeckte Baumängel erkennen.

Das Buch enthält daher Praxisfälle aus IT-Forensik, Bauwesen, Elektrotechnik, Maschinenbau, Kfz und Verkehr, Unternehmensbewertung und Immobilienbewertung. Die Beispiele unterscheiden sich fachlich, folgen aber derselben Regel: Die KI darf vorbereiten. Befund, Bewertung und Verantwortung bleiben beim Sachverständigen.

Warum mir das Thema persönlich wichtig ist

In das Buch sind meine langjährige Tätigkeit als Sachverständiger und meine berufliche Erfahrung mit künstlicher Intelligenz eingeflossen. Mein Hintergrund in Softwareentwicklung, IT-Betrieb, Informationssicherheit, Digitalisierung und öffentlicher Verwaltung hat meine Sicht auf das Thema zusätzlich geprägt.

Ich halte KI für ein sehr nützliches Werkzeug. Sie kann Arbeit beschleunigen, Strukturen sichtbar machen und auf Auffälligkeiten hinweisen. Sie kann einem aber ebenso schnell eine falsche Sicherheit vermitteln.

Besonders kritisch wird es, wenn Ergebnisse übernommen werden, weil sie gut formuliert sind. Eine selbstbewusste Antwort ist noch kein Beweis. Ein sauberer Absatz ersetzt keine Fundstelle. Und eine automatisch erzeugte Tabelle erspart nicht die Kontrolle, ob die Daten überhaupt zusammengehören.

Zur Sachverständigenarbeit gehört die Bereitschaft, auch bei einer scheinbar eindeutigen Antwort noch einmal nachzusehen. Welche Quelle belegt die Aussage? Welche Annahmen wurden verwendet? Welche Alternative wurde geprüft? Wo endet der gesicherte Befund?

KI kann dabei unterstützen. Sie nimmt uns aber weder die fachliche Prüfung noch die persönliche Verantwortung ab. Vielleicht ist das auch ganz gut so. Ein Roboter mit Warnweste bei der Befundaufnahme wäre zwar ein schönes Fotomotiv, würde aber vermutlich mehr Fragen aufwerfen als beantworten.

Genau aus diesem Spannungsfeld ist mein Praxisbuch entstanden: aus echter Begeisterung für die Möglichkeiten der KI und einem ebenso echten beruflichen Misstrauen gegenüber Ergebnissen, die zu bequem erscheinen.

Es gibt Momente im Leben, in denen man sich professionelle Unterstützung holen sollte. Bei Zahnschmerzen geht man zum Zahnarzt, bei einem Wasserrohrbruch ruft man den Installateur und bei einem drohenden Führerscheinentzug fragt man heutzutage selbstverständlich eine künstliche Intelligenz.

Was sollte da schon schiefgehen?

Die Ausgangslage war überschaubar: Ich war zu schnell gefahren. Nicht in einem Fluchtfahrzeug, nicht auf dem Weg zur Formel 1 und auch nicht mit der Absicht, einen neuen Streckenrekord zwischen zwei Kärntner Ortstafeln aufzustellen. Es handelte sich um eine Probefahrt mit einem Elektroauto.

Wer noch nie ein Elektroauto gefahren ist, kennt vielleicht nicht dieses besondere Erlebnis: Man drückt vorsichtig auf das Gaspedal, und das Fahrzeug interpretiert diese zarte Berührung als schriftlichen Auftrag, unverzüglich die Erdumlaufbahn zu verlassen.

Zusätzlich stand die Geschwindigkeitsbeschränkung aus meiner Sicht nicht gerade dort, wo sie ein Verkehrsteilnehmer mit Freude, Dankbarkeit und ausreichend Vorbereitungszeit wahrnehmen konnte. Das Schild befand sich im Bereich einer Kurve, meine Sicht wurde durch die A-Säule eingeschränkt, und ich war mit einem völlig neuen Fahrzeug unterwegs.

Juristisch betrachtet war das für mich kein gewöhnlicher Verkehrsverstoß, sondern beinahe eine interdisziplinäre Forschungsarbeit aus Verkehrsrecht, Fahrzeugtechnik, Wahrnehmungspsychologie und angewandter Elektromobilität.

Die KI zieht die Robe an

Also schilderte ich der künstlichen Intelligenz meinen Fall.

Die KI reagierte nicht mit einem nüchternen „Sie waren zu schnell“, sondern mit jener Begeisterung, die man sonst nur von Menschen kennt, die gerade entdeckt haben, dass man in einem Schreiben mehr als drei Paragrafen unterbringen kann.

Innerhalb kürzester Zeit entstand eine Beschwerde, die sich lesen ließ, als hätte sich eine ganze Rechtsanwaltskanzlei über Nacht in meinem Computer eingenistet.

Wir argumentierten mit der unklaren Sichtbarkeit der Beschilderung. Wir beschäftigten uns mit der Frage des Verschuldens. Wir erklärten das ungewohnte Beschleunigungsverhalten eines Elektrofahrzeugs. Wir beriefen uns auf Ermittlungspflichten, Parteiengehör, Begründungsmängel und Verhältnismäßigkeit.

Kurz gesagt: Wir ließen keinen juristischen Stein auf dem anderen.

Die KI formulierte höflich, bestimmt und mit jener unerschütterlichen Zuversicht, die nur jemand haben kann, der weder einen Führerschein besitzt noch jemals persönlich bei einer Behörde vorsprechen muss.

Ich las das Ergebnis und war beeindruckt.

Wo ich zuvor nur gedacht hatte: „Das Schild war schlecht zu sehen“, stand nun sinngemäß, dass die ordnungsgemäße Kundmachung einer Geschwindigkeitsbeschränkung unter Berücksichtigung der konkreten Wahrnehmungsbedingungen und der fahrzeugspezifischen Sichtachsen rechtlich zu hinterfragen sei.

Das klang nicht mehr nach einem Autofahrer, der ein Verkehrsschild übersehen hatte. Das klang nach einer Grundsatzentscheidung, die noch Generationen von Verwaltungsjuristen beschäftigen würde.

Das Problem war nicht die Intelligenz

Meine Beschwerde blieb trotzdem erfolglos.

Das lag allerdings nicht daran, dass die künstliche Intelligenz meine juristischen Ausführungen nicht verstanden hätte. Im Gegenteil: Sie hatte sie vermutlich besser verstanden als ich. Zumindest hatte sie wesentlich mehr Fachbegriffe dafür.

Das eigentliche Problem war viel einfacher.

Mit der Akzeptanz der Strafe und ihrer Bezahlung war der entscheidende Teil der Angelegenheit praktisch bereits erledigt. Die Geldstrafe war bezahlt, die zugrunde liegende Übertretung stand fest, und der Führerscheinentzug folgte daraus nicht als freiwillige Zusatzidee einer besonders strengen Behörde, sondern als gesetzliche Konsequenz.

Oder anders formuliert: Ich hatte versucht, mit einem sprachlich eindrucksvollen Feuerwerk eine Tür zu öffnen, die von der anderen Seite bereits zugemauert war.

Die KI konnte über Verhältnismäßigkeit schreiben, bis der Server glühte. Sie konnte das Parteiengehör beschwören, die Sichtbarkeit des Verkehrsschildes analysieren und das spontane Drehmoment eines Elektroautos beinahe als Naturereignis darstellen.

Aber wenn das Gesetz sagt: „Bei diesem rechtskräftig feststehenden Verstoß ist der Führerschein für einen bestimmten Zeitraum weg“, dann hilft auch kein besonders eleganter Schlusssatz.

Da kann die KI schreiben, was sie will.

Sie kann sogar „höchstgerichtliche Rechtsprechung“ schreiben. Der Führerschein bleibt trotzdem bei der Behörde.

Künstliche Intelligenz gegen eine automatische Rechtsfolge

Im Nachhinein betrachtet war mein Fehler nicht, künstliche Intelligenz zu verwenden.

Mein Fehler war die Hoffnung, dass eine gut formulierte Beschwerde automatisch auch eine rechtlich erfolgversprechende Beschwerde sei.

Das sind zwei vollkommen unterschiedliche Dinge.

Eine KI kann ein schwaches Argument sehr stark klingen lassen. Sie kann aus „Ich habe das Schild nicht gesehen“ eine mehrseitige Abhandlung über die Anforderungen an die rechtmäßige Kundmachung von Verkehrszeichen machen.

Sie kann aus „Das Elektroauto war überraschend schnell“ eine Diskussion über Verschulden, Vorhersehbarkeit und technisch bedingte Fehlreaktionen entwickeln.

Und sie kann aus „Ich brauche das Auto beruflich“ eine umfassende Verhältnismäßigkeitsprüfung mit spezial- und generalpräventiven Überlegungen zaubern.

Was sie aber nicht kann, ist eine zwingende gesetzliche Folge durch sprachliche Eleganz außer Kraft setzen.

Das ist ungefähr so, als würde man gegen die Schwerkraft Beschwerde einlegen und zur Begründung anführen, dass der Boden an der betreffenden Stelle schlecht gekennzeichnet gewesen sei.

Die Argumentation kann kreativ sein. Der Apfel fällt trotzdem herunter.

Vorsicht vor wandernden Paragrafen

Eine weitere Lektion betrifft die von künstlicher Intelligenz zitierten Rechtsvorschriften und Gerichtsentscheidungen.

Eine KI schreibt Paragrafen mit beeindruckender Selbstsicherheit. Sie nennt Gesetze, Entscheidungen und Rechtsgrundsätze so überzeugend, dass man beinahe erwartet, der Computer werde gleich zum Verfassungsrichter ernannt.

Trotzdem muss jede einzelne Fundstelle geprüft werden.

Und zwar genau.

Gilt die Bestimmung noch? Wurde sie geändert oder aufgehoben? Betrifft die zitierte Entscheidung tatsächlich einen vergleichbaren Sachverhalt? Stammt sie überhaupt aus Österreich? Passt sie zum Verwaltungsstrafverfahren, zum Führerscheinverfahren oder vielleicht zu einem vollkommen anderen Rechtsgebiet?

Künstliche Intelligenz hat gelegentlich die charmante Angewohnheit, rechtliche Vorschriften über Staatsgrenzen und Jahrzehnte hinweg miteinander bekannt zu machen.

Dann argumentiert man plötzlich mit einer deutschen Entscheidung, einer alten österreichischen Gesetzesfassung und einem Paragrafen, der zwar hervorragend klingt, aber seit Jahren nicht mehr in dieser Form existiert.

Mit einer ungeprüften KI-Rechtsausführung gewinnt man daher unter Umständen höchstens in Deutschland – oder in einer anderen Rechtszeit.

Vielleicht auch vor einem Gericht in einer Parallelwelt, in der Verkehrszeichen grundsätzlich 30 Meter hinter Kurven stehen müssen und ein überraschend stark beschleunigendes Elektroauto als höhere Gewalt anerkannt ist.

In der österreichischen Gegenwart sollte man hingegen jede Zitierung kontrollieren, bevor man sie an eine Behörde schickt.

Was ich daraus gelernt habe

Künstliche Intelligenz ist ein hervorragendes Werkzeug.

Sie hilft beim Strukturieren, Formulieren und beim Finden möglicher Argumentationslinien. Sie kann aus einem ungeordneten Gedankenhaufen ein sachliches Schreiben machen und sorgt dafür, dass man nicht bereits im ersten Absatz die Behörde persönlich beleidigt.

Sie ersetzt aber keine juristische Prüfung.

Vor allem ersetzt sie nicht die wichtigste Frage: Kann das angestrebte Ergebnis rechtlich überhaupt noch erreicht werden?

In meinem Fall hätte diese Frage vermutlich vor der sechsseitigen juristischen Großoffensive gestellt werden sollen.

Denn eine Beschwerde kann sprachlich glänzen, logisch aufgebaut sein und mit Paragrafen ausgestattet werden wie ein Weihnachtsbaum mit Kugeln. Wenn die Rechtsfolge aufgrund eines bereits abgeschlossenen Verfahrens zwingend eintritt, bleibt sie trotzdem erfolglos.

Mein Führerschein musste daher für eine gewisse Zeit eine behördlich angeordnete Auszeit nehmen.

Die künstliche Intelligenz durfte weiterfahren.

Zumindest gedanklich.

Und vermutlich deutlich schneller als erlaubt.

Künstliche Intelligenz hat in der IT-Sicherheit eine Schwelle überschritten, die noch vor wenigen Jahren als theoretisch galt. Sie findet Schwachstellen in Software nicht mehr nur schneller als der Mensch – sie tut es in einer Größenordnung und Geschwindigkeit, die etablierte Schutzmechanismen unter Druck setzt. Aus der Perspektive eines gerichtlich beeideten Sachverständigen ist das weit mehr als ein technisches Wettrüsten: Es verschiebt Beweislage, Haftungsfragen und den Maßstab dessen, was als „Stand der Technik“ gilt.

Dieser Beitrag ordnet die aktuelle Entwicklung ein – nüchtern, mit belegbaren Beispielen und einem kritischen Blick auf beide Seiten des Dilemmas.

Vom Hilfsmittel zur autonomen Maschine

Den Anfang markierte eine eher unscheinbare Forschungsarbeit Anfang 2024: Ein universitäres Team zeigte, dass ein großes Sprachmodell mit der richtigen Umgebung bereits offengelegte, aber noch ungepatchte Schwachstellen selbständig ausnutzen konnte – mit einer Erfolgsquote von rund 87 Prozent und ohne menschliches Zutun. Was damals als Laborbefund alarmierte, ist heute Praxis.

Inzwischen durchsuchen KI-Agenten ganze Codebasen in Stunden, für die ein menschlicher Forscher Wochen bräuchte. Trend Micro berichtete, dass sein KI-gestütztes Forschungssystem seit Mitte 2025 über zwanzig kritische Sicherheitslücken in zentraler KI-Infrastruktur namhafter Hersteller aufdeckte. Besonders aufschlussreich ist ein anderer Fall: Ein KI-System fand in OpenSSL und curl – zwei der am gründlichsten geprüften, sicherheitskritischsten Code-Projekte der Welt – mehrere bislang unbekannte Schwachstellen, von denen ein Teil bereits vor der Auslieferung abgefangen werden konnte. Genau dort, wo jahrzehntelange menschliche Prüfung an Grenzen stößt, spielt die Maschine ihre Stärken aus: unermüdliche Aufmerksamkeit, massive Parallelisierung, kein Ermüden, keine Langeweile.

Die logische Folge: Die Zahl gemeldeter Schwachstellen steigt schneller, als Unternehmen patchen können. Fachpublikationen sprechen bereits von einer Lawine an Zero-Day-Funden, die die Patch-Zyklen der Organisationen überholt.

Der Kipppunkt: KI nicht mehr als Berater, sondern als Akteur

Die entscheidende Zäsur fiel 2025. Anthropic dokumentierte einen Vorfall, der im September 2025 entdeckt und im November öffentlich gemacht wurde: die nach eigener Einschätzung erste großangelegte Cyber-Spionagekampagne, die überwiegend von KI-Agenten ausgeführt wurde. Mit hoher Sicherheit wurde sie einer staatlich unterstützten Gruppe zugeordnet. Rund dreißig hochrangige Ziele – Technologiekonzerne, Finanzinstitute, Chemieunternehmen, Behörden – wurden ins Visier genommen.

Das Bemerkenswerte daran: Die KI erledigte 80 bis 90 Prozent der taktischen Operationen eigenständig – Aufklärung, das Auffinden und Ausnutzen von Schwachstellen, das Abgreifen von Zugangsdaten, die seitliche Bewegung im Netzwerk und die Datenexfiltration. Menschen griffen nur an wenigen strategischen Entscheidungspunkten ein, während das System mit einer Taktung arbeitete, die kein menschlicher Angreifer durchhalten könnte. Und es blieb kein Einzelfall: Google meldete im Mai 2026 den ersten bekannten Fall, in dem ein Angreifer einen von KI entwickelten Zero-Day-Exploit tatsächlich in freier Wildbahn einsetzte.

Hier wird das Dilemma greifbar. Dieselbe Technologie, die einem Verteidiger hilft, eine Lücke in Stunden statt Wochen zu schließen, senkt für den Angreifer die Einstiegshürde dramatisch. Fähigkeiten, die bisher Nachrichtendiensten oder einer kleinen Elite vorbehalten waren, geraten in die Reichweite weniger versierter Akteure.

Warum das Wettrennen strukturell ungleich ist

Das Bild vom „Wettrennen zwischen Angreifern und Verteidigern“ ist zutreffend, aber es verschleiert eine Asymmetrie. Der Angreifer muss nur eine einzige verwertbare Lücke finden. Der Verteidiger muss sämtliche Lücken schließen – und das in einer Umgebung, in der die Maschine täglich neue findet.

Offensive Automatisierung ist zudem billiger und schneller skalierbar als defensive Härtung, die Tests, Freigaben, Kompatibilität und Betrieb berücksichtigen muss. Wer rein technisch betrachtet, könnte den Verteidigern düstere Aussichten prophezeien. Doch dieses Bild ist unvollständig.

Der notwendige Gegen-Blick: KI ist schnell, aber nicht unfehlbar

Eine kritische Auseinandersetzung darf die Schwächen der Angreiferseite nicht ausblenden. Im selben Bericht über die KI-gesteuerte Spionagekampagne wurde dokumentiert, dass die KI immer wieder halluzinierte: Sie erfand Zugangsdaten oder stufte frei verfügbare Informationen als brisante Funde ein. Diese Fehleranfälligkeit begrenzte die Wirksamkeit der Operation spürbar – und sie verschwindet nicht von selbst.

Auf der defensiven Seite zeigt sich die Kehrseite derselben Medaille. Ein bekanntes Open-Source-Projekt sah sich gezwungen, sein Bug-Bounty-Programm faktisch einzustellen, weil es in einer Flut minderwertiger, KI-generierter Schwachstellenmeldungen unterging. Automatisierung erzeugt eben nicht nur Funde, sondern auch Lärm – und Lärm bindet genau jene knappe menschliche Expertise, die zur Bewertung nötig wäre.

Die nüchterne Schlussfolgerung lautet daher nicht „die Maschine übernimmt“, sondern: Die menschliche Urteilskraft wird wertvoller, nicht überflüssig. KI verschiebt die Arbeit von der Suche zur Bewertung, von der Quantität zur Verlässlichkeit.

Was das für Recht, Haftung und Begutachtung bedeutet

An genau dieser Stelle wird die Entwicklung für Gerichte und Anwälte relevant – und hier liegt aus meiner Sicht der eigentliche Kern des Dilemmas.

Erstens die Sorgfaltsfrage. Wenn KI-gestützte Verteidigungswerkzeuge breit verfügbar sind, verschiebt sich der Maßstab des Zumutbaren. Was gestern als angemessene Sicherheitsvorkehrung galt, kann morgen als fahrlässig erscheinen. Der „Stand der Technik“ – ein zentraler Begriff in Datenschutz und Produkthaftung – wird zum beweglichen Ziel.

Zweitens die Zurechnung. Wenn ein autonomer Agent 80 bis 90 Prozent der Handlungen selbständig ausführt, wird die forensische Rekonstruktion eines Angriffs schwieriger: Wer hat gehandelt, wer hat entschieden, und an welcher Stelle? Beweissicherung und Spurenanalyse müssen mit Systemen umgehen, die in einem Tempo und in einer Verzweigung operieren, die klassische Logfile-Analysen an ihre Grenzen bringen.

Drittens der regulatorische Rahmen. Der EU AI Act adressiert Hochrisiko- und Dual-Use-Anwendungen, die NIS2-Richtlinie verschärft Sicherheits- und Meldepflichten, und die Produkthaftung rückt fehlerhafte oder unzureichend gesicherte Systeme stärker in den Fokus. Die juristische Bewertung solcher Sachverhalte verlangt ein technisches Verständnis, das mit der Geschwindigkeit der Entwicklung Schritt hält.

Fazit: kein Grund zur Panik, kein Grund zur Sorglosigkeit

Die KI hat das Wettrennen in der Cybersecurity beschleunigt, aber sie hat es nicht entschieden. Angreifer profitieren von gesunkenen Einstiegshürden und maschineller Geschwindigkeit; Verteidiger profitieren von denselben Werkzeugen, müssen sie aber konsequenter einsetzen, um nicht ins Hintertreffen zu geraten. Wer auf KI in der Verteidigung verzichtet, fällt zurück – wer ihr blind vertraut, produziert Fehlalarme und falsche Sicherheit.

Das eigentliche Dilemma ist also kein rein technisches. Es ist die Frage, wie wir Verantwortung, Sorgfalt und Beweisbarkeit in einer Welt definieren, in der Maschinen sowohl angreifen als auch verteidigen – schneller, als der Mensch beide Seiten überblicken kann. Diese Übersetzungsleistung zwischen Technik und Recht wird in den kommenden Jahren über den Ausgang vieler Verfahren mitentscheiden.

Die öffentliche Verwaltung steht vor einem Wendepunkt. Nicht, weil wieder einmal ein neues digitales Tool eingeführt wird. Nicht, weil Akten nun endlich elektronisch statt in Papierform durch Häuser wandern. Und auch nicht, weil Chatbots freundlich auf Webseiten erscheinen und Bürgerinnen und Bürgern erklären, welches Formular sie ausfüllen müssen.

Der eigentliche Umbruch beginnt jetzt.

Künstliche Intelligenz wird die Verwaltung nicht nur unterstützen. Sie wird Arbeitsprozesse neu ordnen, Rollen verändern und die Frage stellen, die viele Organisationen noch nicht stellen wollen: Welche Arbeit muss ein Mensch künftig wirklich selbst erledigen — und welche Arbeit kann ein intelligenter Agent übernehmen?

Die Zukunft der öffentlichen Verwaltung liegt nicht einfach in „AI“. Sie liegt in Agentic AI. Und noch konkreter: Sie liegt in Skills.

Von der digitalen Verwaltung zur handelnden Verwaltung

Bisher wurde Digitalisierung in der Verwaltung oft als Übersetzung verstanden: Was früher auf Papier passierte, wurde in ein digitales Formular gegossen. Was früher im Aktenschrank lag, liegt heute im Dokumentenmanagementsystem. Was früher telefonisch gefragt wurde, beantwortet heute vielleicht ein FAQ-Bot.

Das ist Fortschritt. Aber es ist noch keine Transformation.

Agentic AI geht einen Schritt weiter. Sie beantwortet nicht nur Fragen, sondern kann Aufgaben ausführen. Sie kann Informationen suchen, Anträge vorprüfen, Unterlagen vergleichen, Fristen überwachen, Texte vorbereiten, Entscheidungen vorbereiten, Workflows anstoßen und Fachverfahren miteinander verbinden.

Der entscheidende Unterschied ist: Klassische AI reagiert. Agentic AI handelt.

Natürlich nicht grenzenlos, nicht unkontrolliert und nicht ohne Regeln. Gerade in der öffentlichen Verwaltung braucht es Transparenz, Nachvollziehbarkeit, Datenschutz, Zuständigkeiten und menschliche Verantwortung. Aber die Richtung ist klar: Die Verwaltung der Zukunft wird nicht nur digital sein. Sie wird teilweise agentisch arbeiten.

Warum Skills der eigentliche Gamechanger sind

Viele Diskussionen über AI bleiben an der Oberfläche hängen. Man spricht über große Sprachmodelle, Chatbots oder Automatisierung. Doch der eigentliche Hebel liegt woanders: bei den Skills.

Ein Skill ist mehr als eine Funktion. Ein Skill beschreibt eine klar definierte Fähigkeit, die ein AI-Agent im Arbeitskontext ausführen kann. Zum Beispiel:

Ein Agent kann Bescheide sprachlich vereinfachen.
Ein Agent kann Förderanträge auf Vollständigkeit prüfen.
Ein Agent kann relevante Rechtsgrundlagen zusammenfassen.
Ein Agent kann Bürgeranfragen nach Dringlichkeit und Thema vorsortieren.
Ein Agent kann interne Wissensdatenbanken durchsuchen und Handlungsvorschläge machen.
Ein Agent kann Sitzungsunterlagen vorbereiten.
Ein Agent kann aus einem komplexen Fall eine verständliche Entscheidungsgrundlage erstellen.

Der Unterschied zu bisherigen Softwarelösungen liegt darin, dass diese Skills nicht starr sind. Sie können kombiniert, erweitert und kontextbezogen eingesetzt werden. Ein einzelner Agent könnte mehrere Skills beherrschen. Mehrere Agenten könnten zusammenarbeiten. Fachabteilungen könnten eigene Skill-Bibliotheken aufbauen.

Damit verschiebt sich die zentrale Frage: Nicht mehr „Welche Software brauchen wir?“, sondern: Welche Fähigkeiten muss unsere Verwaltung digital beherrschen?

Das ist ein radikaler Perspektivwechsel.

Die neue Verwaltung denkt in Fähigkeiten, nicht in Formularen

Öffentliche Verwaltung ist traditionell stark prozessorientiert. Das ist verständlich, denn sie muss rechtssicher, nachvollziehbar und gleichbehandelnd arbeiten. Doch viele Prozesse sind historisch gewachsen, kleinteilig, medienbruchanfällig und für Mitarbeitende wie Bürger oft schwer verständlich.

Agentic AI zwingt zur Neuordnung.

Wenn man Verwaltung über Skills denkt, fragt man nicht zuerst: „Wie läuft unser bestehender Prozess?“ Man fragt: „Welche Fähigkeiten brauchen wir, um diesen Vorgang besser, schneller, verständlicher und rechtssicherer zu bearbeiten?“

Das kann bedeuten, dass der klassische Arbeitsablauf aufgebrochen wird. Routineaufgaben werden ausgelagert. Informationssuche wird automatisiert. Textentwürfe entstehen auf Knopfdruck. Komplexe Fallakten werden zusammengefasst. Mitarbeitende erhalten Entscheidungsvorschläge statt nur Dokumentenstapel.

Die Fachkraft wird dadurch nicht überflüssig. Aber ihre Rolle verändert sich massiv.

Das Ende der Sachbearbeitung, wie wir sie kennen

Der provokante Satz lautet: Sachbearbeitung wird nicht verschwinden, aber sie wird nicht bleiben, wie sie ist.

Viele Tätigkeiten in der Verwaltung bestehen heute aus Suchen, Prüfen, Übertragen, Zusammenfassen, Nachfragen und Dokumentieren. Genau diese Tätigkeiten sind prädestiniert für Agentic AI. Nicht, weil sie unwichtig wären, sondern weil sie häufig regelbasiert, wiederkehrend und informationsintensiv sind.

Die menschliche Arbeit verschiebt sich dadurch stärker in Richtung Bewertung, Verantwortung, Kommunikation und Gestaltung. Mitarbeitende werden weniger Zeit damit verbringen, Informationen zusammenzutragen, und mehr Zeit damit, Ergebnisse zu prüfen, Entscheidungen einzuordnen und mit Bürgerinnen und Bürgern verständlich zu kommunizieren.

Das verlangt ein neues Selbstverständnis.

Die Verwaltungskraft der Zukunft ist nicht nur Anwenderin eines Fachverfahrens. Sie wird zur Koordinatorin intelligenter Systeme. Sie muss AI-Ergebnisse bewerten, Prompts formulieren, Skills auswählen, Risiken erkennen, Ausnahmen behandeln und Verantwortung übernehmen.

Kurz gesagt: Die Verwaltung muss lernen, mit digitalen Kollegen zu arbeiten.

Der Kulturbruch wird größer sein als der Technologiesprung

Technisch wird vieles schneller möglich sein, als Organisationen kulturell verkraften können. Genau hier liegt die eigentliche Herausforderung.

Denn Agentic AI verändert Macht, Kontrolle und Routinen. Wer entscheidet, welcher Agent welchen Skill nutzen darf? Wer haftet für fehlerhafte Vorschläge? Welche Aufgaben dürfen automatisiert werden? Wo ist menschliche Prüfung zwingend? Wie verhindert man blinde Abhängigkeit von AI-Systemen? Wie schützt man sensible Daten? Und wie nimmt man Mitarbeitende mit, die ohnehin schon unter hoher Belastung stehen?

Der Einsatz von Agentic AI ist deshalb kein IT-Projekt. Er ist ein Organisationsprojekt.

Es braucht Qualifizierung, klare Leitlinien, Piloträume, ethische Standards und eine neue Fehlerkultur. Vor allem aber braucht es Führungskräfte, die verstehen: AI wird nicht einfach „eingeführt“. AI verändert Arbeit.

Wer Agentic AI nur als Effizienzmaschine betrachtet, wird scheitern. Wer sie als Werkzeug zur Entlastung, Befähigung und Neugestaltung von Verwaltungsarbeit begreift, kann enorme Potenziale heben.

Skills müssen verwaltungsspezifisch werden

Ein generischer AI-Agent reicht für die öffentliche Verwaltung nicht aus. Verwaltung braucht spezialisierte Skills, die Fachlichkeit, Rechtsrahmen, Sprache und Prozesse berücksichtigen.

Ein Skill für Bürgerkommunikation muss verständlich, barrierearm und respektvoll formulieren. Ein Skill für Bescheidentwürfe muss juristische Struktur kennen. Ein Skill für Förderverwaltung muss Kriterien prüfen können. Ein Skill für Personalabteilungen muss Datenschutz und Vertraulichkeit besonders streng beachten. Ein Skill für Gemeinderatsunterlagen muss politische Neutralität und formale Anforderungen berücksichtigen.

Die Zukunft liegt daher nicht in einem großen Alleskönner-System, sondern in modularen, geprüften und kontrollierbaren Skill-Ökosystemen.

Verwaltungen könnten künftig eigene Skill-Kataloge führen: freigegebene Fähigkeiten, mit klaren Einsatzbereichen, Verantwortlichkeiten und Qualitätsstandards. So wie heute Rollen- und Berechtigungskonzepte existieren, könnten morgen Skill-Berechtigungen entstehen.

Nicht jeder Agent darf alles. Nicht jeder Mitarbeitende braucht jeden Skill. Aber die richtige Kombination aus Mensch, Aufgabe und AI-Fähigkeit wird zum Produktivitätsfaktor.

Bürgerinnen und Bürger werden den Unterschied spüren

Richtig eingesetzt, kann Agentic AI die Verwaltung bürgernäher machen. Nicht durch schöne Schlagworte, sondern durch konkrete Verbesserungen.

Anfragen werden schneller verstanden. Unterlagen werden früher auf Vollständigkeit geprüft. Schreiben werden verständlicher. Verfahren werden transparenter. Mitarbeitende haben mehr Zeit für schwierige Fälle. Bürgerinnen und Bürger müssen nicht fünfmal dieselben Informationen liefern, weil Systeme besser zusammenarbeiten.

Das große Versprechen lautet nicht: Die Verwaltung wird kalt automatisiert.

Das große Versprechen lautet: Die Verwaltung gewinnt Zeit für das Menschliche, weil Maschinen das Mechanische übernehmen.

Doch dieses Versprechen erfüllt sich nicht automatisch. Es braucht bewusstes Design. Agentic AI muss so eingesetzt werden, dass sie Teilhabe stärkt, nicht Hürden erhöht. Sie darf digitale Ungleichheit nicht verschärfen. Und sie darf nicht dazu führen, dass Bürgerinnen und Bürger nur noch mit Systemen sprechen, wenn sie eigentlich menschliche Unterstützung brauchen.

Die Verwaltung muss jetzt anfangen

Viele Behörden warten noch ab. Aus Sorge vor Fehlern, Datenschutz, Regulierung oder politischer Kritik. Diese Vorsicht ist nachvollziehbar. Aber reines Abwarten ist keine Strategie.

Der richtige Weg liegt nicht im blinden Großeinsatz, sondern in kontrollierten Experimenten. Kleine, klar abgegrenzte Anwendungsfälle. Saubere Governance. Messbare Effekte. Beteiligung der Mitarbeitenden. Transparenz gegenüber Bürgerinnen und Bürgern. Und vor allem: Lernen durch Praxis.

Die wichtigste Kompetenz der kommenden Jahre wird nicht sein, das perfekte AI-System einzukaufen. Die wichtigste Kompetenz wird sein, die richtigen Skills zu identifizieren, zu testen, zu verbessern und verantwortungsvoll in Arbeit zu integrieren.

Die Verwaltung muss sich fragen:

Welche Aufgaben binden heute unnötig Zeit?
Welche Informationen suchen Mitarbeitende immer wieder?
Welche Texte werden ständig neu formuliert?
Welche Prüfungen folgen klaren Mustern?
Welche Bürgeranfragen könnten schneller und verständlicher beantwortet werden?
Welche Skills würden unsere Mitarbeitenden wirklich entlasten?

Aus diesen Fragen entsteht die AI-Strategie der nächsten Generation.

Fazit: Die Zukunft gehört nicht der AI. Sie gehört denen, die mit ihr arbeiten können.

Agentic AI wird die öffentliche Verwaltung verändern. Nicht irgendwann, sondern in den kommenden Jahren. Der entscheidende Erfolgsfaktor wird dabei nicht allein die Technologie sein. Entscheidend wird sein, ob Verwaltungen lernen, Arbeit neu zu denken.

Die Zukunft liegt in Skills: klar definierten, überprüfbaren, verantwortungsvoll eingesetzten Fähigkeiten intelligenter Agenten. Sie werden Verwaltungsarbeit beschleunigen, vereinfachen und neu strukturieren.

Aber sie werden auch unbequem sein. Denn sie stellen alte Routinen infrage. Sie verändern Rollenbilder. Sie verlangen neue Kompetenzen. Sie zwingen Organisationen dazu, nicht nur digitaler, sondern lernfähiger zu werden.

Die provokante Wahrheit ist: Die Verwaltung wird nicht durch AI ersetzt. Aber Verwaltungen, die AI nicht sinnvoll einsetzen, werden von denen überholt, die es tun.

Und genau deshalb ist jetzt der Moment, nicht nur über künstliche Intelligenz zu sprechen — sondern über die neue Arbeitsteilung zwischen Mensch, Maschine und Verantwortung.

Künstliche Intelligenz kann heute Texte schreiben, Software erklären, Bilder analysieren, juristische Dokumente zusammenfassen und medizinische Fachbegriffe einordnen. Große Sprachmodelle wirken dabei oft erstaunlich kompetent. Umso irritierender ist es, wenn dieselbe KI an einer scheinbar banalen Aufgabe scheitert: die Uhrzeit von einer analogen Armbanduhr abzulesen.

Ein Mensch schaut kurz auf das Zifferblatt und erkennt: Es ist ungefähr 10:10, halb vier oder fünf vor zwölf. Eine KI hingegen kann dabei überraschend unsicher sein. Sie verwechselt Zeiger, deutet Winkel falsch, übersieht, dass der Stundenzeiger zwischen zwei Zahlen steht, oder gibt eine Zeit an, die zwar sprachlich plausibel klingt, aber optisch nicht zur Uhr passt.

Das wirkt wie ein Widerspruch. Ist KI nicht inzwischen „intelligent“ genug? Die Antwort lautet: Ja und nein. Moderne KI-Systeme sind sehr mächtig, aber sie sind nicht in jeder Art von Wahrnehmung gleichermaßen zuverlässig.

Das Problem beginnt beim Bildverständnis

Eine analoge Uhr abzulesen ist für Menschen eine hochtrainierte visuelle Fähigkeit. Wir erkennen nicht nur zwei Linien auf einem Kreis. Wir verstehen ein räumliches System: Mittelpunkt, Ziffern, Skala, Stundenzeiger, Minutenzeiger, manchmal Sekundenzeiger, Perspektive, Lichtreflexe und verdeckte Details.

Für ein KI-Modell ist ein Bild zunächst kein Objekt mit Bedeutung, sondern eine Ansammlung von Pixeln beziehungsweise visuellen Merkmalen. Das Modell muss daraus ableiten:

Wo ist das Zifferblatt?
Wo liegt der Mittelpunkt?
Welche Markierungen entsprechen welchen Stunden?
Welcher Zeiger ist der Minutenzeiger?
Welcher ist der Stundenzeiger?
In welchem Winkel stehen sie?
Wie übersetzt man diese Winkel korrekt in eine Uhrzeit?

Jeder dieser Schritte kann fehlschlagen. Besonders schwierig wird es bei schräg fotografierten Uhren, modischen Zifferblättern ohne Zahlen, spiegelnden Gläsern, dunklen Zeigern auf dunklem Hintergrund oder dekorativen Designelementen, die wie Zeiger aussehen.

LLMs sind keine Messinstrumente

Der wichtigste Punkt ist: Große Sprachmodelle sind primär keine geometrischen Messsysteme. Sie sind darauf trainiert, Muster in Sprache und zunehmend auch in Bildern zu erkennen und daraus wahrscheinliche Antworten zu erzeugen. Sie „messen“ einen Winkel nicht so, wie ein technisches Bildverarbeitungssystem es tun würde.

Beim Ablesen einer analogen Uhr braucht man aber präzise Geometrie. Der Minutenzeiger bei der 2 bedeutet 10 Minuten. Der Stundenzeiger steht bei 10:10 nicht exakt auf der 10, sondern ein Stück weiter in Richtung 11. Genau diese Beziehung ist entscheidend. Eine kleine Fehlinterpretation des Winkels kann schnell zu einer falschen Zeit führen.

Ein LLM kann zwar sagen: „Der lange Zeiger zeigt auf die 2, also sind es 10 Minuten.“ Aber wenn es den langen Zeiger falsch identifiziert oder den Winkel nur grob schätzt, ist die ganze Antwort falsch. Das Modell klingt trotzdem überzeugend, weil Sprache seine Stärke ist. Die Präzision der visuellen Messung ist es nicht immer.

Warum Menschen hier im Vorteil sind

Menschen lernen das Uhrlesen jahrelang, oft schon als Kinder. Dabei entwickeln wir robuste mentale Modelle. Wir wissen, dass der kurze Zeiger langsam wandert. Wir wissen, dass der lange Zeiger die Minuten angibt. Wir erkennen typische Uhrstellungen auch dann, wenn das Bild unvollständig oder verzerrt ist.

Außerdem nutzen Menschen Kontext. Wenn der Stundenzeiger zwischen 3 und 4 steht und der Minutenzeiger auf 6, sagen wir nicht „3 Uhr und 30 Minuten, aber der Stundenzeiger ist falsch“, sondern erkennen sofort: halb vier. Unser Gehirn kombiniert Form, Position, Erfahrung und Plausibilität.

KI-Systeme können das ebenfalls teilweise, aber nicht immer stabil. Sie können bei einer klaren, frontalen Uhr sehr gut funktionieren und bei einer leicht ungewöhnlichen Uhr plötzlich danebenliegen. Das Problem ist also weniger, dass KI „gar keine Uhren lesen kann“, sondern dass sie es nicht zuverlässig genug kann.

Training auf Bildern ist nicht dasselbe wie Verstehen

Viele KI-Modelle wurden mit riesigen Mengen an Bild-Text-Paaren trainiert. Darin kommen auch Uhren vor. Aber das heißt nicht automatisch, dass das Modell eine präzise innere Rechenregel für analoge Uhrzeiten gelernt hat.

Wenn Trainingsdaten ein Bild mit der Beschreibung „eine Uhr zeigt zehn nach zehn“ enthalten, lernt das Modell Assoziationen. Es kann typische Muster erkennen. Viele Werbefotos von Uhren zeigen zum Beispiel etwa 10:10, weil diese Stellung ästhetisch beliebt ist. Ein Modell kann dadurch sogar eine Tendenz entwickeln, bei Uhren vorschnell 10:10 zu vermuten.

Das ist kein echtes Ablesen im mathematischen Sinn. Es ist Mustererkennung. Für viele Aufgaben reicht Mustererkennung erstaunlich weit. Beim Uhrlesen aber genügt sie nicht immer. Hier braucht es eine Verbindung aus visueller Detektion, geometrischer Analyse und symbolischer Berechnung.

Analoge Uhren sind kleine Geometrieprüfungen

Eine analoge Uhr ist ein Messinstrument. Die Aufgabe besteht nicht nur darin, ein Objekt zu erkennen, sondern einen Zustand exakt zu bestimmen. Das unterscheidet sie von Fragen wie „Ist auf dem Bild ein Hund?“ oder „Welche Farbe hat das Auto?“.

Beim Uhrlesen müssen kontinuierliche visuelle Informationen in diskrete Werte übersetzt werden. Aus einem Winkel wird eine Minute. Aus einem anderen Winkel wird eine Stunde. Beide müssen konsistent sein. Wenn der Minutenzeiger auf 9 steht, muss der Stundenzeiger ungefähr drei Viertel des Weges zur nächsten Stunde zurückgelegt haben. Diese Konsistenzprüfung ist für Menschen selbstverständlich, für KI aber nicht garantiert.

Das erklärt auch, warum LLMs manchmal Antworten liefern, die intern widersprüchlich sind: Sie erkennen vielleicht „Minutenzeiger auf 6“, aber nennen eine volle Stunde. Oder sie sehen den Stundenzeiger nahe bei 8 und den Minutenzeiger nahe bei 12, übersehen aber, dass der Stundenzeiger bei voller Stunde exakt auf der 8 stehen müsste.

Design macht es noch schwieriger

Armbanduhren sind nicht standardisiert genug, um sie immer leicht maschinell zu lesen. Viele haben keine Zahlen, sondern Striche. Manche haben mehrere kleine Hilfszifferblätter. Manche zeigen Datum, Stoppuhr, zweite Zeitzone oder Mondphase. Manche Zeiger sind skelettiert, reflektierend oder sehr kurz. Bei Luxusuhren kann das Zifferblatt absichtlich komplex sein.

Dazu kommen fotografische Probleme: Perspektive, Unschärfe, Schatten, Spiegelungen, niedrige Auflösung und verdeckte Zeiger. Eine KI muss also nicht nur eine ideale Schulbuchuhr lesen, sondern mit realen Bildern umgehen. Genau dort entstehen viele Fehler.

Warum spezialisierte Systeme besser wären

Interessanterweise ist das Problem technisch durchaus lösbar. Ein spezialisiertes Computer-Vision-System könnte das Zifferblatt erkennen, den Mittelpunkt bestimmen, Zeiger segmentieren, Winkel messen und daraus die Uhrzeit berechnen. Für klar fotografierte Uhren wäre das relativ zuverlässig.

Aber ein allgemeines multimodales LLM ist nicht unbedingt so gebaut. Es ist ein Generalist. Es kann über Uhren reden, Bilder beschreiben und plausible Schlüsse ziehen. Doch es führt nicht zwangsläufig eine exakte geometrische Pipeline aus. Ohne explizite Werkzeuge zur Winkelmessung bleibt die Antwort eine visuelle Schätzung.

Das ist ein zentraler Punkt: Mächtige KI bedeutet nicht automatisch präzise KI. Ein Modell kann in vielen intellektuellen Aufgaben stark sein und gleichzeitig bei einfachen Messaufgaben schwächeln.

Die eigentliche Lehre

Das Scheitern am Uhrlesen zeigt eine wichtige Grenze heutiger KI-Systeme. Sie sind hervorragend darin, Bedeutung zu erzeugen, Zusammenhänge zu formulieren und Wahrscheinlichkeiten zu modellieren. Sie sind aber nicht automatisch zuverlässig bei Aufgaben, die exakte Wahrnehmung, Messung und räumliche Konsistenz erfordern.

Gerade deshalb wirken solche Fehler so aufschlussreich. Sie erinnern uns daran, dass KI-Kompetenz nicht gleichmäßig verteilt ist. Ein Modell kann einen philosophischen Essay schreiben und trotzdem eine Uhr falsch ablesen. Es kann Code erklären und dennoch zwei Zeiger verwechseln. Es kann überzeugend argumentieren und trotzdem visuell danebenliegen.

Fazit

Dass KI noch immer Probleme mit dem Ablesen analoger Armbanduhren hat, ist kein kurioser Einzelfall. Es ist ein Symptom einer tieferen Schwäche: Große Sprachmodelle sind keine perfekten Wahrnehmungsmaschinen. Sie verbinden Sprache, Bildmuster und Wahrscheinlichkeit, aber sie messen die Welt nicht automatisch exakt.

Für den praktischen Einsatz bedeutet das: Bei Aufgaben mit visueller Präzision sollten wir KI-Antworten kritisch prüfen. Wo es um Messwerte, Positionen, technische Details oder sicherheitsrelevante Informationen geht, braucht es spezialisierte Werkzeuge, Validierung und manchmal schlicht menschliche Kontrolle.

Die fortschreitende Digitalisierung verändert nicht nur Wirtschaft, Verwaltung und Gesellschaft, sondern auch das Sachverständigenwesen grundlegend. Besonders im Bereich der Informatik, Cybersecurity und IT-Forensik stehen Sachverständige heute vor Herausforderungen, die vor wenigen Jahren noch in dieser Form kaum existierten. Cyberangriffe, Datenlecks, digitale Manipulationen, Ransomware-Vorfälle oder komplexe IT-Infrastrukturen erfordern hochspezialisierte Gutachter, die technische Präzision mit juristischer Nachvollziehbarkeit verbinden müssen.

Parallel dazu entwickelt sich generative Künstliche Intelligenz zu einem der bedeutendsten technologischen Werkzeuge unserer Zeit. Während KI in der öffentlichen Wahrnehmung oft mit Textgeneratoren oder Bildsystemen verbunden wird, liegt ihr wahres Potenzial im Sachverständigenwesen vor allem in der intelligenten Verarbeitung komplexer Datenmengen, der automatisierten Dokumentation und der Unterstützung bei hochspezialisierten Analysen.

Gerade in der IT-Forensik eröffnet generative KI neue Möglichkeiten. Digitale Ermittlungen produzieren häufig enorme Mengen an Logdaten, Netzwerkprotokollen, Speicherabbildern, Cloud-Reports und Sicherheitsmeldungen. Diese Datenmengen manuell auszuwerten, ist zeitintensiv und fehleranfällig. Moderne KI-Systeme können hier als leistungsstarke Analyseassistenten dienen, indem sie auffällige Muster erkennen, Angriffspfade rekonstruieren und erste Hypothesen zu Sicherheitsvorfällen erstellen. Ein IT-Sachverständiger, der beispielsweise einen Ransomware-Angriff untersucht, kann durch generative KI innerhalb kürzester Zeit aus Millionen von Datensätzen verdächtige Ereignisse filtern und in eine nachvollziehbare Chronologie überführen.

Dabei ersetzt die KI jedoch keineswegs die eigentliche Sachverständigenleistung. Vielmehr verschiebt sich die Rolle des Experten zunehmend vom reinen Datenauswerter hin zum Prüfer, Validierer und strategischen Entscheider. Die Qualität eines Gutachtens hängt weiterhin von fachlicher Erfahrung, juristischer Sicherheit und technischer Tiefe ab. KI liefert Voranalysen, beschleunigt Routineprozesse und verbessert die Strukturierung komplexer Informationen, doch die finale Bewertung verbleibt in menschlicher Verantwortung.

Ein besonders relevanter Anwendungsbereich ist die Analyse von Schadsoftware und kompromittierten Systemen. Reverse Engineering, Codebewertung und Verhaltensanalysen gehören zu den anspruchsvollsten Disziplinen in der IT-Forensik. Generative KI kann schädliche Skripte vorstrukturieren, Funktionsweisen erläutern und verdächtige Routinen priorisieren. Dadurch reduziert sich der initiale Analyseaufwand erheblich. Sachverständige gewinnen wertvolle Zeit, die sie auf die tiefergehende technische Untersuchung konzentrieren können. Dennoch bleibt Vorsicht geboten: Fehlinterpretationen oder sogenannte Halluzinationen von KI-Systemen können schwerwiegende Folgen haben, insbesondere wenn Gutachten vor Gericht oder in regulatorischen Verfahren verwendet werden.

Auch im Bereich Cybersecurity-Gutachten verändert KI die Arbeitsweise nachhaltig. Sicherheitsbewertungen, Schwachstellenanalysen und Compliance-Prüfungen basieren häufig auf umfangreichen technischen Dokumentationen sowie regulatorischen Anforderungen wie DSGVO, ISO 27001 oder NIS2. Generative KI kann relevante Normen schneller identifizieren, Sicherheitslücken priorisieren und Berichtsstrukturen automatisiert erstellen. Für Unternehmen, Versicherungen oder Gerichte entstehen dadurch verständlichere, standardisiertere und effizienter erstellte Expertisen.

Ein zentraler Vorteil liegt zudem in der Kommunikation. IT-Sachverständige bewegen sich häufig an der Schnittstelle zwischen hochkomplexer Technik und juristischen oder wirtschaftlichen Entscheidungsträgern. Technische Erkenntnisse müssen für Richter, Anwälte, Versicherungen oder Geschäftsleitungen nachvollziehbar formuliert werden. Generative KI unterstützt dabei, technische Sachverhalte in präzise, strukturierte und verständliche Sprache zu überführen, ohne wesentliche Informationen zu verlieren. Gerade diese Übersetzungsfunktion zwischen Technologie und Entscheidungsinstanzen wird in Zukunft erheblich an Bedeutung gewinnen.

Trotz aller Potenziale sind die Risiken nicht zu unterschätzen. Datenschutz, Vertraulichkeit und Integrität digitaler Beweismittel besitzen im Sachverständigenwesen höchste Priorität. Viele forensische Untersuchungen betreffen sensible Unternehmensdaten, personenbezogene Informationen oder sicherheitskritische Infrastrukturen. Der Einsatz cloudbasierter KI-Systeme kann hier erhebliche rechtliche Probleme verursachen. Aus diesem Grund gewinnen lokale, abgeschottete KI-Lösungen und DSGVO-konforme Infrastrukturen zunehmend an Bedeutung. Besonders im forensischen Kontext muss sichergestellt werden, dass die sogenannte Chain of Custody – also die lückenlose Beweissicherung – zu keinem Zeitpunkt gefährdet wird.

Darüber hinaus entstehen neue Bedrohungsszenarien: KI-Systeme selbst können Ziel von Manipulationen werden, etwa durch Prompt Injection, adversarial attacks oder gezielt verfälschte Eingangsdaten. IT-Sachverständige müssen daher nicht nur klassische IT-Risiken bewerten, sondern zunehmend auch die Sicherheit und Vertrauenswürdigkeit der eingesetzten KI-Systeme selbst.

Die Zukunft des Sachverständigenwesens in Informatik und IT-Forensik wird daher maßgeblich von hybriden Kompetenzprofilen geprägt sein. Fachliche Expertise in Netzwerksicherheit, Systemarchitekturen, Malware-Analyse und Datenschutzrecht muss künftig durch Kompetenzen in KI-Nutzung, Modellvalidierung und digitaler Prozessautomatisierung ergänzt werden. Der moderne Sachverständige entwickelt sich vom klassischen Gutachter zum technologiegestützten Analytiker, der künstliche Intelligenz als Werkzeug strategisch einsetzt, ohne die eigene Verantwortung abzugeben.

Langfristig ist zu erwarten, dass generative KI tief in Incident-Response-Prozesse, Sicherheitsplattformen und forensische Untersuchungswerkzeuge integriert wird. Echtzeit-Auswertungen, automatisierte Risikoanalysen und dynamische Berichtssysteme könnten zukünftig zum Standard werden. Dennoch bleibt die entscheidende Konstante bestehen: Die rechtliche Belastbarkeit, technische Validität und ethische Integrität eines Gutachtens können nicht vollständig automatisiert werden.

Generative KI wird somit im Sachverständigenwesen der Informatik und IT-Forensik nicht zum Ersatz des Experten, sondern zu dessen strategischem Multiplikator. Wer diese Technologie frühzeitig professionell integriert, kann Analyseprozesse beschleunigen, die Qualität von Gutachten steigern und sich in einem zunehmend digitalen Marktumfeld nachhaltig positionieren.

Die Zukunft gehört nicht der Maschine allein, sondern dem KI-kompetenten Sachverständigen, der technisches Fachwissen, juristische Sicherheit und intelligente Automatisierung zu einer neuen Form professioneller Expertise verbindet.

Künstliche Intelligenz verändert nicht nur unseren Umgang mit Wissen, sondern auch unsere Wahrnehmung der Welt. Algorithmen entscheiden, welche Informationen wir sehen, welche Inhalte uns empfohlen werden und welche Perspektiven in den Vordergrund treten. Dadurch entsteht für viele Menschen eine individuell gefilterte Realität. Technisch funktioniert KI durch die Analyse großer Datenmengen, aus denen Wahrscheinlichkeiten und Muster berechnet werden. Sie besitzt kein eigenes Bewusstsein, sondern verarbeitet Informationen auf Basis vorgegebener Modelle. Dennoch beeinflusst sie zunehmend unser Denken, weil sie unseren Zugang zu Wissen strukturiert. Ein einfaches Beispiel dafür sind soziale Medien: Zwei Personen informieren sich über dasselbe politische Thema, erhalten aber unterschiedliche Inhalte, weil die Plattform ihre bisherigen Interessen analysiert hat. So entstehen verschiedene Sichtweisen auf dieselbe Wirklichkeit. KI formt also nicht die Wahrheit selbst, sondern unseren Zugang zu ihr. Hier entsteht eine interessante Verbindung zu Sokrates. Sein Satz „Ich weiß, dass ich nichts weiß“ beschreibt die Einsicht, dass wahres Wissen immer auch das Bewusstsein über die eigenen Grenzen beinhaltet. Gerade im Umgang mit KI wird diese Haltung wichtig. Denn obwohl KI oft sehr überzeugend wirkt, bleibt sie fehleranfällig und basiert auf menschlichen Daten, Annahmen und Prioritäten. Aus philosophischer Sicht erinnert uns KI deshalb daran, kritisch zu bleiben. Sie kann Wissen erweitern, sollte aber nicht als absolute Wahrheit verstanden werden. Wie bei Sokrates beginnt Erkenntnis dort, wo wir unsere Unsicherheit akzeptieren und weiterfragen. So zeigt sich: KI ist nicht nur ein technisches Werkzeug, sondern auch ein Spiegel unserer eigenen Suche nach Wahrheit — und unserer Einsicht, dass vollständiges Wissen vielleicht immer unerreichbar bleibt.

Die rasante Entwicklung von KI-Systemen und Large Language Models zeigt eindrucksvoll, welches Potenzial in dieser Technologie steckt: effizientere Verwaltung, bessere Services für Bürgerinnen und Bürger, schnellere Auswertung von Informationen und neue Möglichkeiten in Bildung, Gesundheit und Wirtschaft.

Aber mit dieser Dynamik wächst auch eine zentrale Frage:
Wie souverän ist Europa eigentlich noch, wenn die technologische Basis dieser Systeme überwiegend aus den USA kommt?

Derzeit sehen wir bei KI und LLMs eine starke Konzentration von Know-how, Infrastruktur, Plattformen und Kapital in wenigen amerikanischen Unternehmen. Das betrifft nicht nur die Modelle selbst, sondern auch Cloud-Dienste, Chips, Entwicklungsumgebungen und Datenökosysteme.

Für die öffentliche Verwaltung ist das weit mehr als eine technische Frage. Es ist eine Frage von:
💡digitaler Souveränität
💡Datenschutz und Rechtsraum
💡Resilienz und Versorgungssicherheit
💡strategischer Unabhängigkeit

Wenn zentrale digitale Werkzeuge, auf die Staat, Verwaltung und kritische Infrastrukturen künftig angewiesen sind, außerhalb unseres europäischen Einflussraums entwickelt, betrieben und kontrolliert werden, entsteht eine neue Form der Abhängigkeit.

Diese Abhängigkeit ist nicht automatisch schlecht — internationale Partnerschaften sind wichtig. Aber sie wird problematisch, wenn Europa bei Schlüsseltechnologien nur noch Nutzer ist, nicht mehr Gestalter.

Gerade im öffentlichen Sektor müssen wir deshalb genau hinschauen:
👍 Wo liegen unsere Daten?
👍Wer kontrolliert die Modelle?
👍Nach welchen rechtlichen und ethischen Standards werden sie betrieben?

Und was passiert, wenn sich geopolitische oder wirtschaftliche Rahmenbedingungen ändern?
Europa braucht daher mehr als Regulierung. Europa braucht:
👍eigene technologische Fähigkeiten,
👍eigene Recheninfrastruktur,
👍eigene vertrauenswürdige KI-Ökosysteme
👍und den Mut, strategisch zu investieren.

Digitale Souveränität bedeutet nicht Abschottung. Sie bedeutet Wahlfreiheit, Kontrolle und Handlungsfähigkeit.
Wenn wir KI in der Verwaltung verantwortungsvoll einsetzen wollen, dann dürfen wir uns nicht nur fragen, was technologisch möglich ist, sondern auch, auf welcher Grundlage wir diese Technologien in Europa dauerhaft und selbstbestimmt nutzen können.
Die Zukunft der KI ist auch eine Frage politischer und gesellschaftlicher Gestaltungskraft. Und genau deshalb sollte digitale Souveränität ein Kernanliegen europäischer Technologiepolitik sein.
Hashtag#KI Hashtag#DigitaleSouveränität Hashtag#Europa Hashtag#LLM Hashtag#KünstlicheIntelligenz Hashtag#PublicSector

Nein, das ist keine Übertreibung.

Ein langjähriger Wegbegleiter der Kärntner IT-Wirtschaft hat mir gezeigt, wie er mit Anthropic Claude eine über mehr als ein Jahrzehnt entwickelte Software in nur 9 Tagen in einem neuen Technologiestack komplett neu gebaut hat.
Inklusive neuer Features, die bisher nur der Mitbewerb hatte.
Was früher ganze Teams über lange Zeiträume beschäftigt hat, wurde mit starkem Prompt Engineering und KI-gestützter Entwicklung in einer Geschwindigkeit umgesetzt, die vor kurzer Zeit noch kaum vorstellbar war.
Mannjahre werden zu Stunden.

Und genau deshalb wird KI in der Softwareentwicklung noch immer unterschätzt. Denn es geht längst nicht mehr nur darum, dass KI „beim Coden hilft“. Es geht darum, dass KI heute in der Lage ist:

➡️ Legacy zu analysieren
➡️ Anwendungen neu zu denken
➡️ Software neu zu entwickeln
➡️ Tests zu erzeugen
➡️ Qualität abzusichern
➡️ Modernisierung massiv zu beschleunigen

Legacy war gestern das Problem.
KI ist heute der Beschleuniger.

Während manche noch jahrelange Transformationsprogramme planen, setzen andere bereits in Tagen um, wofür früher Mannjahre nötig waren.
Das ist kein normaler Technologiesprung.
Das ist Disruption.
Hashtag#KI Hashtag#Claude Hashtag#SoftwareEngineering Hashtag#Legacy Hashtag#EnterpriseArchitecture Hashtag#DigitalT