NTT DATA und AWS: Auf dem Weg in eine Ära verantwortungsvoller künstlicher Intelligenz

Die generative KI ist in eine paradoxe Phase eingetreten: Das Versprechen von Produktivität und Differenzierung war noch nie so greifbar, doch die Hindernisse waren noch nie so prägend. Datensicherheit, Halluzinationen, Verzerrungen, Kostenausuferung, rechtliche Haftung … Für viele Unternehmen lautet die Frage nicht mehr “Sollen wir den Schritt wagen?”, sondern “Wie können wir den Schritt wagen, ohne ein Risiko auf uns zu nehmen?”. Vor diesem Hintergrund ist die Vertiefung der Partnerschaft zwischen NTT DATA und AWS ein Meilenstein: Sie soll die Einführung der generativen KI beschleunigen und gleichzeitig die Voraussetzungen für Governance, Compliance und operative Effizienz schaffen, die für einen groß angelegten Einsatz unerlässlich sind.

Innovation beschleunigen und gleichzeitig das Vertrauen stärken

Die Fachabteilungen erwarten schnelle Erfolge: Automatisierung der Kundenbeziehung, Unterstützung der Teams vor Ort, semantische Suche in internen Datenbeständen, Erstellung markenkonformer Inhalte. Doch CIOs und CTOs wissen, dass die Industrialisierung bestimmte Sicherheitsvorkehrungen erfordert: Datenklassifizierung, Zugriffskontrolle, Rückverfolgbarkeit von Eingabeaufforderungen, Robustheitstests, Modellüberwachung und Kontrolle der Gesamtbetriebskosten (Kosten für Inferenz, Beobachtbarkeit und Integration).

Die Partnerschaft zwischen NTT DATA und AWS zielt genau darauf ab, diese “Reifekluft” zwischen Prototypen und Produktion zu verringern. Es geht nicht nur darum, eine Plattform bereitzustellen: es geht darum, ein cloud-natives Ausführungsumfeld anzubieten, mit reproduzierbaren Mustern, einer gut ausgestatteten Governance und einer von Anfang an durchdachten Interoperabilität. Mit anderen Worten: schneller vom POC zum Mehrwert zu gelangen, ohne die KI zu einer Black Box zu machen.

Die Markteinführungszeit durch Synergien zwischen Cloud und Beratung optimieren

Die Logik der Komplementarität ist klar. NTT DATA bringt das Fachwissen im Bereich der Transformation ein: strategische Beratung, Definition von Anwendungsfällen, Wertanalyse, Change Management, IT-Integration und Einführung von Betriebsmodellen. AWS stellt die Infrastruktur und die KI-Dienste in großem Maßstab bereit: globale Bereitstellungsmöglichkeiten, Sicherheit “by design” sowie eine Dienstkette, mit der sich der gesamte Lebenszyklus orchestrieren lässt.

In diesem Zusammenhang werden Bausteine wie Amazon Bedrock (Zugriff auf Grundmodelle über eine API mit Nutzungskontrollen) und SageMaker (Erstellung, Training, Bereitstellung und MLOps) zu industriellen Beschleunigern. Für ein Unternehmen geht es nicht darum, “ein Modell” im absoluten Sinne auszuwählen, sondern eine Architektur zu etablieren, die Folgendes ermöglicht:

• das richtige Modell für den jeweiligen Anwendungsfall (Qualität, Latenz, Kosten) auszuwählen;
• die KI sicher mit den Unternehmensdaten zu verknüpfen (RAG, Indizierung, Quellenprüfung);
• die Ergebnisse zu beobachten, zu prüfen und zu kontrollieren (Qualität, Abweichungen, Konformität);
• KI nahtlos in bestehende Prozesse (ERP, CRM, Dokumentenmanagement, ITSM) zu integrieren.

Dieser Ansatz verkürzt die Zeitspanne zwischen Idee und Bereitstellung, indem er die Grundlagen standardisiert: Architektur-Frameworks, IaC-Vorlagen, MLOps-Pipelines und Sicherheits-“Guardrails”. Die Markteinführungszeit wird so zu einem Vorteil: kürzer, besser vorhersehbar und besser steuerbar.

Die Steuerung einer verantwortungsvollen KI als Anforderung an die Unternehmensführung

Verantwortung ist keine Option mehr, denn generative KI berührt den Kern kritischer Vermögenswerte: firmeneigene Daten, Betriebsgeheimnisse, regulierte Inhalte, Entscheidungen mit weitreichenden Auswirkungen. Eine solide Governance wird zu einer unverzichtbaren Voraussetzung für das Risikomanagement, ebenso wie Cybersicherheit oder Compliance.

Die Angleichung an europäische Rahmenwerke, darunter das KI-Gesetz, unterstreicht diese Notwendigkeit: Klassifizierung der Anwendungszwecke, Transparenzanforderungen, Risikomanagement, Rückverfolgbarkeit und Dokumentation. Ohne sich auf eine “kosmetische Compliance” zu beschränken, besteht die operative Herausforderung darin, die Verantwortung in das Liefer-Framework zu integrieren:

• Datenpolitik (welche Daten, welche Verwendungszwecke, welche Sensibilitätsstufen);
• Zugriffskontrollen und Segmentierung (Prinzip des geringsten Berechtigungsumfangs, abgeschottete Umgebungen);
• Validierung und Tests (Verzerrungen, Robustheit, Sicherheit, Red-Teaming);
• Beobachtbarkeit (Überwachung von Eingabeaufforderungen, Antworten, Abweichungen und Kosten);
• Lieferanten-Governance (Interoperabilität, Reversibilität, Abhängigkeitsmanagement).

Die Partnerschaft erhält hier eine strategische Dimension: Die Kombination von technologischen Kompetenzen (Sicherheit, Verschlüsselung, Protokolle, Kontrollen) mit der Fähigkeit zur Begleitung (Prozesse, Nachvollziehbarkeit, Veränderungen), um KI in anspruchsvollen Branchen “einsetzbar” zu machen.

Industrialisierung durch anwendungsorientierte Kompetenzzentren

Die Einrichtung von Kompetenzzentren (CoE) für generative KI ist ein entscheidender Hebel, um zwei Fallstricke zu vermeiden: die Zersplitterung von Initiativen und eine lähmende Zentralisierung. Ein effektives CoE ist kein isoliertes “Labor”, sondern eine produktorientierte Organisation: Es legt Standards fest, schult die Teams und industrialisiert wiederverwendbare Bausteine.

In einem Zielmodell fungiert das CoE als interne Plattform:

• Akkulturation und Bildung : Kompetenzaufbau in den Bereichen generative KI, Risiken, Cloud-native Architektur sowie bewährte Verfahren für Prompting und Bewertung;
• Anwendungsfallkatalog : Priorisierung nach Wert und Machbarkeit, Rahmenbedingungen sowie überfachliche Übertragbarkeit;
• sichere Sandbox : kontrollierte Testumgebung, in der Experimente durchgeführt werden können, ohne sensible Daten preiszugeben;
• Industrialisierungsanlage : Pipelines, Vorlagen, Sicherheitsrichtlinien und Muster für die IT-Integration.

Das hat zwei Vorteile: Es beschleunigt die Umsetzung (nicht jeder erfindet das Rad neu) und stärkt das Vertrauen (die Implementierungen erfolgen nach einem gemeinsamen Rahmen, der überprüfbar und messbar ist).

Rechenleistung und den Weg zur Netto-Null-Bilanz in Einklang bringen

Generative KI führt zu einem erhöhten Ressourcenverbrauch: Training, Inferenz, Speicherung, Netzwerk und Beobachtbarkeit. Im Jahr 2026 ist die Energiefrage kein Randthema mehr: Sie wird zu einem KPI für den Wandel, da die technologische Leistung nicht mehr von den ESG-Zielen getrennt betrachtet werden kann.

Der ausgereifteste Ansatz besteht darin, Nachhaltigkeit als einen Bestandteil der Architektur und von FinOps/GreenOps zu betrachten:

• Modelloptimierung : Auswahl geeigneter Modelle, Quantifizierung, Destillation sowie Abwägungen zwischen Qualität, Kosten und Energie;
• Steuerung der Inferenz : Zwischenspeicherung, Weiterleitung an das effizienteste Modell, Begrenzung der Eingabeaufforderungen und Steuerung der Nutzung;
• Messung und Transparenz : Verbrauchsindikatoren, Zuweisung nach Produkt/Team und fundierte geschäftliche Entscheidungen;
• verantwortungsbewusste Cloud-Architektur : gemeinsame Nutzung, automatische Skalierung und eine auf Abfallvermeidung ausgerichtete Konzeption.

Der Wert der Partnerschaft zeigt sich hier in der Fähigkeit, einen operativen Rahmen zu schaffen, in dem Leistung und Sparsamkeit kein Widerspruch sind, sondern gemeinsam gesteuert werden – mit nachvollziehbaren Entscheidungen und messbaren Zielen.

3 wesentliche Vorteile für Unternehmen

1. Kontrollierte Beschleunigung : Anwendungsfälle lassen sich dank cloud-nativer Grundlagen, Integrationsmustern und einer sofort einsatzbereiten Governance schneller in die Produktion überführen.
2. Risikominderung : Schutz geschützter Daten, Rückverfolgbarkeit, Robustheitstests und Einhaltung der rechtlichen Rahmenbedingungen, um eine Implementierung ohne “blinde Flecken” zu gewährleisten.
3. Nachhaltige Industrialisierung : Kosten- und Speicherplatzsteuerung, Optimierung der Inferenz sowie Einrichtung eines Betriebsmodells (CoE), das die KI skalierbar macht.

Eine Vertrauensgarantie für CIOs/CTOs im Jahr 2026

Im Jahr 2026 geht es nicht mehr darum, mit generativer KI zu experimentieren, sondern sie industrialisierbar, steuerbar und nachhaltig zu gestalten. Die Vertiefung der Partnerschaft zwischen NTT DATA und AWS zielt genau darauf ab: Beschleunigung der Markteinführung, Schaffung der Voraussetzungen für Verantwortlichkeit und nachhaltige Transformation. Für IT-Entscheidungsträger ist dies ein glaubwürdiger Weg hin zu einer KI auf “Enterprise-Level”: interoperabel, sicher, konform und wie ein Produkt gesteuert – nicht wie eine Aneinanderreihung von Demonstrationsprojekten.

Glossar zur verantwortungsvollen generativen KI

• Verantwortungsvolle generative KI : Ein Ansatz, der Leistung und Governance (Sicherheit, Compliance, Transparenz, Robustheit, Nachhaltigkeit) über den gesamten Lebenszyklus hinweg miteinander verbindet.
• RAG (Retrieval-Augmented Generation) : Eine Technik, bei der die Antworten eines Modells auf verifizierte interne Quellen gestützt werden, um Halluzinationen zu reduzieren und das Wissen zu schützen.
• Leitplanken : Kontrollen bei Ein- und Ausgängen (Regeln, Filter, Richtlinien), um risikobehaftete Nutzungen einzuschränken und die Einhaltung von Vorschriften zu stärken.
• MLOps : Vorgehensweisen und Werkzeuge zur Industrialisierung des Modelllebenszyklus (Bereitstellung, Tests, Überwachung, Versionsverwaltung, Governance).
• FinOps/GreenOps : Maßnahmen zur Kosten- und Cloud-Fußabdruck-Steuerung, angewendet auf KI-Workloads (Optimierung, Zuweisung, Messung).