Viele Unternehmen haben inzwischen erste Erfahrungen damit gemacht, Dokumente in ein KI-Tool hochzuladen und sich eine Einschätzung geben zu lassen. Das funktioniert erstaunlich gut und weckt deshalb eine naheliegende Frage: Brauche ich dann überhaupt noch eine spezialisierte Lösung für die Vertragsprüfung? Sebastian Wagmann hat den Consileon Compliance Manager als Product Owner von Anfang an mitentwickelt. Er kennt diese Frage aus unzähligen Gesprächen mit Compliance-Teams und erklärt, wo die entscheidenden Unterschiede liegen.
Gar nichts, ehrlich gesagt. Das sage ich bewusst so, weil ich verstehe, warum das verlockend ist. Für eine erste Orientierung oder ein schnelles Stimmungsbild ist das durchaus nützlich. Wer wissen will, ob ein Vertrag grundsätzlich vernünftig aufgebaut ist oder ob eine bestimmte Klausel auf den ersten Blick problematisch erscheint, bekommt da hilfreiche Hinweise. Das Problem beginnt, wenn man das mit einer belastbaren Compliance-Prüfung verwechselt. Und das passiert öfter, als man denkt.
Der fundamentale Unterschied ist: Ein generatives KI-Tool weiß, wie Verträge im Allgemeinen aussehen. Es kennt aber nicht die regulatorischen Anforderungen, die konkret für Ihr Unternehmen gelten, und es kennt schon gar nicht Ihre internen Vorgaben. Eine Vertragsprüfung im Compliance-Kontext ist keine allgemeine Qualitätskontrolle. Sie ist ein Abgleich gegen ein definiertes Soll. Dieses Soll muss irgendwo hinterlegt sein.
Selbst wenn man ein Large-Language-Modell mit einem konkreten regulatorischen Soll füttern würde, bleibt das Problem bestehen: Die Prüfung ist weder konsistent noch reproduzierbar. Unterschiedliche Dokumentversionen, mehrere Verträge, regelmäßige Wiederholungen, das lässt sich mit einem generischen Chat-Interface schlicht nicht zuverlässig und skalierbar abbilden. Was einmal gut klingt, ist noch lange kein Prozess.
Nehmen Sie als Beispiel die schriftlich fixierte Ordnung einer Bank. Das ist die Gesamtheit aller internen Regelwerke: Richtlinien, Arbeitsanweisungen, Prozessdokumentationen. Wenn ich prüfen will, ob ein IT-Dienstleistervertrag wirklich compliant ist, muss ich ihn nicht nur gegen die einschlägigen regulatorischen Anforderungen halten, sondern auch gegen das, was mein eigenes Haus dazu festgelegt hat. Ein generisches KI-Tool hat keinen Zugang zu dieser internen Welt. Es kann sie nicht kennen, weil sie nirgends öffentlich verfügbar ist. Das ist kein Vorwurf an die Technologie, das ist schlicht die Realität. Der Compliance Manager hingegen kann genau auf diese unternehmensspezifischen Anforderungen ausgerichtet werden und prüft dann beides parallel: externe Regulatorik und interne Vorgaben.
Es gibt mehrere. Ein häufig unterschätztes Thema ist die Vollständigkeit. Wenn ich in einem Chat-Interface einen Vertrag hochlade und frage: „Was fehlt hier?“, erhalte ich einen Hinweis darauf, was die KI als relevant einschätzt. Ob alle verpflichtenden Klauseln, die ein bestimmtes Regelwerk vorschreibt, etwa Auditrechte, Exit-Regelungen, Meldepflichten oder Eskalationsmechanismen, wirklich systematisch geprüft wurden, lässt sich im Nachhinein nicht rekonstruieren. Es gibt keine Prüfliste, kein Protokoll, keinen Nachweis. Für eine Aufsichtsbehörde ist das nicht ausreichend.
Jede Prüfung ist vollständig dokumentiert und nachvollziehbar: Welche regulatorischen Anforderungen wurden geprüft? Gegen welche Version des Regelwerks? Was war das Ergebnis für jede einzelne Anforderung? Wo genau im Dokument liegt eine Lücke? Und: Wann wurde diese Anforderung zuletzt geprüft? Der Compliance Manager historisiert Prüfergebnisse über Dokumentversionen hinweg, sodass Veränderungen zwischen älteren und neueren Versionen direkt sichtbar werden. Das alles ist revisionssicher hinterlegt. Ein Audit-Trail, der im Ernstfall vor der Aufsicht standhält. Das ist bei einem Chat-basierten Ansatz strukturell nicht möglich, nicht weil die KI schlechter wäre, sondern weil das Werkzeug für diesen Zweck schlicht nicht gebaut wurde.
Das ist ein ernstes Thema, das zu selten offen diskutiert wird. Wenn ich einen Vertrag mit sensiblen Geschäftsdaten, Namen von Dienstleistern, Konditionen oder internen Prozessinformationen in ein Consumer-KI-Tool hochlade, muss ich genau wissen, was mit diesen Daten passiert. Werden sie für das Training verwendet? Wo werden sie verarbeitet? Gibt es einen Auftragsverarbeitungsvertrag? Ich erlebe in Gesprächen immer wieder, dass diese Fragen erst gar nicht gestellt werden. Dabei sind sie nicht optional. Der Consileon Compliance Manager kann auf Wunsch vollständig on-premises betrieben werden. Die Daten verlassen die eigene Infrastruktur nicht. Für regulierte Unternehmen unter Aufsicht ist das oft keine Wahlmöglichkeit, sondern eine Pflicht.
Genau das ist ein Punkt, der in der Diskussion oft fehlt. Compliance ist kein einmaliges Ereignis. Verträge haben Laufzeiten, Regelwerke werden aktualisiert, neue Regulatorik kommt hinzu. Der Compliance Manager ist so konzipiert, dass er sich in bestehende Prozesse integriert: als Teil des Contract Lifecycle Managements, mit definierten Workflows, Benutzerrollen und Eskalationspfaden. Wenn sich regulatorische Anforderungen ändern, wird das entsprechende Modul aktualisiert, und alle betroffenen Verträge können systematisch neu bewertet werden. In einem Chat-basierten Szenario müsste jemand aktiv daran denken, das manuell zu wiederholen. Das passiert in der Realität nicht zuverlässig.
Für alle, die sich schnell einen ersten Eindruck verschaffen wollen und das Ergebnis entsprechend einordnen. Als Vorarbeit für eine strukturierte Prüfung, als Einstieg in ein Thema, als interne Diskussionsgrundlage, das alles ist vollkommen legitim. Was es nicht ersetzt, ist die systematische, nachweisbare, regulatorisch verankerte Prüfung. Wer Verträge prüft, weil er es muss, gegenüber Aufsehern, gegenüber Vorstand, gegenüber Vertragspartnern, braucht mehr als einen Chat. Er braucht ein System. Und er braucht den Nachweis, dass dieses System funktioniert hat.
Am 12. Juni 2026 hat die US-Regierung Anthropic per Exportkontrolldirektive angewiesen, die Modelle Claude Fable 5 und Mythos 5 für alle Nutzer weltweit zu deaktivieren. Vier Tage nach dem offiziellen Launch. Unternehmen, die diese Modelle bereits in produktive Prozesse integriert hatten, standen von einer Stunde auf die andere vor einem leeren Endpunkt. Das KI-Modell-Risiko, das viele Unternehmen bislang für theoretisch hielten, ist damit erstmals real geworden. Gerrit Verse, Senior Specialist und KI-Experte bei Consileon, ordnet ein, was das bedeutet und was Unternehmen daraus lernen müssen.
Anthropic hat am 9. Juni 2026 Claude Fable 5 gelauncht, ein leistungsstarkes Modell der sogenannten Mythos-Klasse, das für komplexe, langfristige Aufgaben konzipiert war. Drei Tage später hat die US-Regierung, gestützt auf nationale Sicherheitsbehörden, eine Exportkontrolldirektive erlassen. Die Begründung: Ein Jailbreak-Verfahren soll es ermöglichen, bestimmte Sicherheitsmechanismen des Modells zu umgehen. Anthropic war daraufhin gezwungen, beide Modelle für alle Kunden weltweit abzuschalten. Nicht nur für ausländische Nutzer. Für alle. Eine selektive Sperrung nach Nationalität war technisch nicht kurzfristig umsetzbar.
Das Entscheidende daran: Das ist kein Ausfall. Kein Bug. Kein Infrastrukturproblem. Das ist ein regulatorisches Eingreifen in ein kommerziell verfügbares Produkt, über Nacht, ohne Vorankündigung, ohne Übergangsfrist.
Als Warnsignal. Wer KI-Modelle von US-Anbietern in kritische Geschäftsprozesse integriert, ohne eine Governance-Strategie dahinter zu haben, sitzt auf einem KI-Modell-Risiko, das er selbst nicht kontrollieren kann. Die meisten Unternehmen haben sich bislang Gedanken gemacht über Datenschutz, über DSGVO-Konformität, über Kosten. Das ist richtig und wichtig. Aber die Frage „Was passiert, wenn dieses Modell morgen nicht mehr verfügbar ist?“ haben die wenigsten wirklich durchdacht.
Der Fable-5-Vorfall ist in dieser Hinsicht ein Präzedenzfall. Zum ersten Mal wurde ein bereits allgemein verfügbares Frontier-Modell durch eine Regierungsmaßnahme abgeschaltet. Das wird nicht das letzte Mal sein.
Es gibt aber noch ein zweites, langfristigeres Risiko, das bislang kaum diskutiert wird: den strukturellen Wettbewerbsnachteil. Wenn europäische Unternehmen dauerhaft keinen oder nur eingeschränkten Zugang zu den leistungsstärksten KI-Modellen bekommen, während amerikanische Wettbewerber ungehindert damit arbeiten, entsteht eine Schere, die sich nicht mehr einfach schließen lässt. Wer mit deutlich besseren Modellen Software entwickelt, Prozesse optimiert oder Entscheidungen trifft, arbeitet schlicht schneller und mit besseren Ergebnissen. KI könnte damit zu einer geopolitisch geschützten Ressource werden, ähnlich wie Halbleiter oder Militärtechnologie. Das ist keine Dystopie, das ist eine reale strategische Weichenstellung, die gerade stattfindet.
Besonders exponiert sind Unternehmen, die Automatisierungsworkflows oder KI-Agenten produktiv betreiben, also nicht nur experimentell nutzen, sondern fest in Geschäftsprozesse eingebettet haben. Dokumentenanalyse, Vertragsprüfung, automatisierter Kundensupport, Code-Generierung im Entwicklungsprozess: Überall dort, wo Menschen und KI in einem definierten Ablauf zusammenarbeiten, entsteht eine operative Abhängigkeit.
Wenn der Endpunkt plötzlich wegfällt, bricht der Prozess zusammen. Retry-Logik im Code hilft nicht. Ein anderes Modell einzuwechseln ist kurzfristig möglich, aber selten nahtlos, weil Modelle unterschiedlich reagieren, unterschiedliche Kontextlängen haben und unterschiedliche Stärken mitbringen. Das erfordert Anpassung, Tests, im schlimmsten Fall eine komplette Neukalibrierung der Prompts und Workflows.
Es gibt europäische Alternativen und sie sind ernstzunehmen. Mistral AI aus Paris ist heute der prominenteste europäische Anbieter mit einem Frontier-fähigen Modell. Die Infrastruktur liegt in Europa, das Unternehmen unterliegt europäischem Recht, ein DSGVO-konformer Auftragsverarbeitungsvertrag ist verfügbar. Für viele Anwendungsfälle reicht die Leistung von Mistral Large inzwischen vollständig aus, insbesondere für deutschsprachige Dokumente, strukturierte Analysen oder regelbasierte Workflows.
Die ehrliche Antwort lautet aber: Wer heute ausschließlich auf europäische Modelle setzt, nimmt bei bestimmten Aufgaben Leistungseinbußen in Kauf. Bei hochkomplexen Reasoning-Aufgaben, bei multimodalen Anwendungen oder bei sehr langen Kontextfenstern sind US-Modelle wie GPT oder Claude aktuell noch führend. Das ist kein Argument gegen europäische Anbieter, aber ein Argument dafür, differenziert vorzugehen.
Eine vollständige Unabhängigkeit ist eine Illusion, das sollten wir nicht versprechen. Aber es gibt erhebliche Unterschiede zwischen einer ungeplanten Abhängigkeit und einer bewusst gestalteten. Wer heute eine KI-Strategie aufbaut, sollte drei Ebenen unterscheiden.
Die Leistungsfähigkeit lokaler Modelle hat sich in den letzten zwei Jahren fundamental verändert. Was früher nur auf teurer Serverinfrastruktur lief, läuft heute auf einem modernen Arbeitsrechner oder einem aktuellen MacBook. Tools wie Ollama machen den Einstieg technisch trivial: Modelle wie Llama 3.3, Mistral Small oder Phi-4 lassen sich in wenigen Minuten lokal installieren und über eine standardisierte API ansprechen, ganz ohne Cloudanbindung, ganz ohne dass ein einziges Zeichen der Anfrage das Unternehmensnetz verlässt.
Für Aufgaben wie Textzusammenfassungen, Dokumentenklassifizierung, einfache Datenextraktion oder interne Suchfunktionen reicht die Qualität dieser Modelle heute vollständig aus. Selbst auf Consumer-Hardware erreichen quantisierte 8-Milliarden-Parameter-Modelle Benchmark-Werte, die vor zwei Jahren noch GPT-4-Niveau entsprachen. Die Grenzen liegen bei sehr langen Dokumenten, komplexen Mehrschritt-Analysen und multimodalen Aufgaben.
Interessant ist, was Apple hier gerade auf Endgerätebene vorantreibt. Apple Intelligence läuft auf neueren iPhones und Macs direkt auf dem Gerät, ohne Serveranbindung, für einfache Aufgaben wie Textkorrekturen, Zusammenfassungen oder Kalendereinträge. Das ist kein Frontier-Modell, aber für genau diese Alltagsaufgaben ist es gut genug. Apple zeigt damit ein Prinzip, das für Unternehmen verallgemeinerbar ist: Routineaufgaben gehören auf die lokale Ebene. Nur was wirklich komplexer Reasoning-Kapazität bedarf, sollte nach außen gehen.
Mistral AI aus Paris ist heute der relevanteste europäische Anbieter mit Frontier-naher Leistung. Die Modelle sind über europäische Infrastruktur verfügbar, DSGVO-konforme Auftragsverarbeitungsverträge existieren, und die Leistung bei deutschsprachigen Texten, strukturierten Analysen und regelbasierten Workflows ist solide. Für viele Unternehmensanwendungen in regulierten Branchen ist das ausreichend.
Die ehrliche Einschränkung bleibt: Wer ein Frontier-Modell für komplexe juristische Analysen oder multimodale Aufgaben braucht, stößt mit Mistral heute noch an Grenzen. Das ist aber kein Argument gegen den Einsatz europäischer Modelle, sondern ein Argument für eine differenzierte Strategie.
Für hochkomplexe Reasoning-Aufgaben, für autonome Agenten, die über mehrere Schritte und Werkzeuge hinweg arbeiten, für die Analyse sehr langer Dokumente oder für multimodale Anwendungen sind US-Modelle wie Claude oder GPT aktuell noch führend. Das wird sich verschieben, aber es ist die ehrliche Bestandsaufnahme für heute.
DeepSeek aus China ist eine Open-Source-Alternative, die bei bestimmten Aufgaben, insbesondere bei Code und strukturierten Analysen, überraschend stark abschneidet und sich lokal betreiben lässt. Wer DeepSeek nutzt, sollte allerdings die datenschutzrechtliche Situation sorgfältig prüfen. Der Fable-5-Vorfall hat gezeigt, dass geopolitische Risiken nicht nur bei US-Anbietern existieren.
Die Kunst liegt darin, diese drei Ebenen bewusst zu kombinieren, statt blind auf eine einzige Plattform zu setzen. Und die Grundregel dabei lautet: So lokal wie möglich, so extern wie nötig.
Kurzfristig sind die Kosten für Inferenz, also das tatsächliche Abfragen von Modellen, gesunken. Frontier-Modelle wie Sonnet oder Opus 4.8 kosten heute einen Bruchteil dessen, was vergleichbare Leistung vor zwei Jahren gekostet hätte. Dieser Trend wird sich fortsetzen, weil der Wettbewerb zwischen Anbietern intensiv ist und weil Modelle effizienter werden.
Was aber steigen wird: der Gesamtaufwand für KI-Governance. Unternehmen, die KI ernsthaft und sicher einsetzen wollen, müssen in Kompetenz investieren, in die Fähigkeit, Modelle zu evaluieren, Risiken zu beurteilen, Fallback-Szenarien zu definieren und Compliance sicherzustellen. Das ist kein einmaliges Projekt, sondern eine dauerhafte Aufgabe. Wer das unterschätzt, wird feststellen, dass die scheinbar günstigen Modellkosten nur ein Teil der Rechnung sind.
Hinzu kommt: Geopolitische Risiken wie der Fable-5-Vorfall zeigen, dass Modellverfügbarkeit kein selbstverständliches Gut ist. Unternehmen, die das in ihre Planung einbeziehen, mit Redundanz, mit Alternativen und mit Abstraktionsschichten zwischen Anwendung und Modell, werden langfristig resilienter und damit auch wirtschaftlich im Vorteil sein.
Drei Dinge, die sofort umsetzbar sind:
Der Fable-5-Vorfall ist ein unangenehmer, aber lehrreicher Moment. Er zeigt, dass das KI-Modell-Risiko kein abstraktes Zukunftsszenario ist, sondern heute in der Produktionsumgebung ankommen kann. Wer KI-Strategie und IT-Governance jetzt zusammendenkt, hat einen echten Vorsprung.
Der demografische Wandel stellt Unternehmen vor eine doppelte Herausforderung: Neben dem zunehmenden Fachkräftemangel droht auch der Verlust erfolgskritischen Erfahrungswissens, wenn langjährig Beschäftigte ausscheiden. Dieses Wissen ist häufig nicht dokumentiert, sondern über Jahre hinweg gewachsen und eng mit individuellen Erfahrungen verknüpft.
Ein Artikel der Ausgabe 1/2026 des Fachmagazins „Wissensmanagement“ erläutert, warum klassische Ansätze des Wissensmanagements hier an ihre Grenzen stoßen und weshalb Unternehmen neue Wege gehen müssen, um Wissen und Erfahrung langfristig zu sichern. Dabei wird deutlich, welche besondere Rolle individuelle Erfahrung für Stabilität, Qualität und Wettbewerbsfähigkeit des Unternehmens spielt.
Der Artikel zeigt, wie generative KI dabei unterstützen kann, Wissen systematisch zu erfassen, zu strukturieren und kontextbezogen verfügbar zu machen, ohne menschliche Expertise zu ersetzen. Zudem werden Anforderungen an Datenschutz, Verantwortung und organisatorische Rahmenbedingungen eingeordnet.
