Datensouveränität: Kontrolle, Know-how und die Frage, wer die Prozesse durchführt

Einleitung

KI ist in den Arbeitsalltag vieler Unternehmen eingezogen: Chatbots beantworten Fragen, Assistenten fassen Dokumente zusammen, Agenten erledigen Routineaufgaben. Häufig läuft diese Arbeit über Cloud-Dienste, bei denen Daten an externe Anbieter übergeben werden. Für viele Organisationen ist das akzeptabel – für andere nicht.

Datensouveränität ist dabei kein abstraktes Schlagwort. Sie beschreibt eine konkrete Frage: Wer kontrolliert, welche Daten verarbeitet werden, wo sie gespeichert werden und wer darauf zugreifen kann? Wer diese Frage nicht klärt, überträgt diese Kontrolle faktisch an Dritte.

Die Dringlichkeit ist belegt: Laut der ZEW-Schwerpunktstudie 2024 fühlen sich über 80 Prozent der deutschen Unternehmen in mindestens einem Technologiefeld abhängig von nicht-europäischen Anbietern. Bitkom bestätigt 2025: 89 Prozent der Unternehmen, die digitale Güter importieren, sehen sich abhängig – 51 Prozent sogar stark abhängig. Und Accenture zeigt in seiner globalen Umfrage 2025: 60 Prozent der Organisationen wenden Souveränitätsüberwachung auf Daten an, aber nur 22 Prozent auf KI-Modelle.

Dieses Whitepaper erklärt, was datensouveräne KI bedeutet, warum sie für Unternehmen kein optionales Extra ist, welche Wege es gibt, sie umzusetzen, und welche Grenzen und Abwägungen dabei realistisch bleiben.

Was bedeutet Datensouveränität?

Der Begriff wird oft breit verwendet. Für die Praxis lohnt sich eine engere Definition:

Datensouveränität bedeutet, dass eine Organisation über ihre eigenen Daten und die Nutzung die Kontrolle behält – über Zugriff, Verarbeitung, Speicherung und Weitergabe. Konkret heißt das:

• Zugriff: Es ist definiert, wer – auch innerhalb des eigenen Hauses – auf welche Daten zugreifen darf.
• Verarbeitung: Es ist bekannt, welche Systeme und Dienste mit den Daten arbeiten und zu welchem Zweck.
• Speicherung: Es ist festgelegt, wo die Daten physisch liegen und unter welchen Bedingungen.
• Weitergabe: Es ist geregelt, ob und an wen Daten weitergegeben werden – auch an KI-Anbieter.

Datensouveränität ist damit kein Zustand, den man einmal erreicht und dann hat. Sie ist eine fortlaufende Praxis: Sie erfordert Entscheidungen, Dokumentation und regelmäßige Prüfung, weil sich Systeme, Anbieter und Anforderungen ändern.

Drei Ebenen: Daten, Know-how, Durchführung

Die Kontrolle über Daten ist nur eine Seite der Medaille. In der Praxis zeigt sich, dass Datensouveränität auf drei Ebenen wirkt:

1. Daten – wer hat die Daten?

Die offensichtlichste Ebene: Dokumente, Datenbanken, E-Mails, interne Notizen. Wo liegen sie, wer darf darauf zugreifen, wer verarbeitet sie? Hier geht es um Speicherorte, Zugriffsrechte, Verschlüsselung und die Frage, ob Daten an externe Anbieter – auch in andere Rechtsräume – übergeben werden.

2. Know-how – wer versteht, was mit den Daten passiert?

Daten sind nur so viel wert, wie das Wissen, das man mit ihnen anstellen kann. Anweisungen, Erläuterungen, Prompts, fachliche Regeln, Evaluationskriterien, Betriebswissen: All das ist Know-how, das in der Regel im Unternehmen liegt – oder bei den Menschen, die es dort tragen. In der KI-Praxis kristallisiert sich dieses Wissen zunehmend in Skills heraus: wiederverwendbare Anweisungen, die einem KI-Modell sagen, wie es eine bestimmte Aufgabe zu lösen hat. Wenn dieses Wissen bei externen Anbietern konzentriert ist, entsteht eine Abhängigkeit, die über die reine Datenhaltung hinausgeht.

3. Durchführung – wer führt die täglichen Prozesse aus?

Die dritte Ebene ist die, die am häufigsten übersehen wird: Wer führt die täglichen Business-Prozesse tatsächlich aus? In einer KI-gestützten Arbeitswelt sind das zunehmend nicht mehr nur Menschen, sondern auch Tools, Agenten und Schnittstellen – etwa über MCP (Model Context Protocol) oder vergleichbare Mechanismen. Die Durchführung bedeutet: Daten gemäß Anweisung verarbeiten. Wer diese Ausführungsschicht kontrolliert, kontrolliert den Arbeitsalltag.

Warum das zusammenhängt:

Eine Organisation kann ihre Daten in einem europäischen Rechenzentrum lagern und trotzdem nicht datensouverän sein – wenn das Know-how, wie die Daten verarbeitet werden, bei einem externen Anbieter liegt, und die täglichen Prozesse über dessen Tools und Agenten laufen. In diesem Fall ist die Datenhoheit formal gewahrt, aber die operative Kontrolle ist abgegeben.

Umgekehrt gilt: Wer nur die Daten kontrolliert, aber nicht versteht, wie sie verarbeitet werden, und nicht weiß, wer die Prozesse ausführt, hat eine unvollständige Souveränität.

Der Lock-in-Effekt: Warum Abhängigkeit entsteht

Die drei Ebenen – Daten, Know-how, Durchführung – sind nicht nur eine analytische Unterteilung. Sie beschreiben auch den Mechanismus, durch den Abhängigkeit entsteht.

Wie Lock-in entsteht

Lock-in entsteht schleichend. Ein Unternehmen beginnt mit einem KI-Tool, das gut funktioniert. Die Prompts werden optimiert, die Anweisungen verfeinert, die Integrationen in bestehende Systeme ausgebaut. Mit der Zeit:

• Die Daten liegen zunehmend im System des Anbieters – oder werden dort verarbeitet.
• Das Know-how – die Prompts, die Anweisungen, die Skills – ist an die Logik des Anbieters angepasst. Es funktioniert dort am besten, weil es dort entwickelt wurde.
• Die Durchführung läuft über die Tools und Schnittstellen des Anbieters. Die täglichen Prozesse sind an dessen Plattform gekoppelt.

Nach einigen Monaten oder Jahren ist das Ergebnis: Ein Wechsel zu einem anderen Anbieter ist möglich – aber teuer, aufwendig und riskant. Die Daten müssen migriert werden, die Prompts und Anweisungen müssen neu geschrieben werden, die Integrationen müssen neu aufgebaut werden. Das Know-how, das im Unternehmen entstanden ist, ist an die eine Plattform gebunden.

Warum das bei KI besonders stark wirkt

Der Lock-in-Effekt ist bei KI-Systemen stärker als bei klassischen Softwareanwendungen, aus drei Gründen:

1. Know-how ist an das Modell gebunden: Ein Prompt, der für ein bestimmtes Modell optimiert ist, funktioniert bei einem anderen Modell oft nicht. Die Anweisungen, die Skills, die Evaluationskriterien – all das ist an die Logik des einen Modells angepasst. Ein Modellwechsel bedeutet nicht nur einen technischen Wechsel, sondern eine Neuentwicklung des gesamten Know-hows.
2. Die Ausführungsschicht ist an die Plattform gebunden: Tools, MCP-Integrationen, Agenten – all das ist an die eine Plattform gekoppelt. Ein Wechsel bedeutet, dass die gesamte Ausführungsschicht neu aufgebaut werden muss.
3. Die Daten sind an den Anbieter gebunden: Auch wenn die Daten formal im Unternehmen liegen, sind sie oft in einem Format oder in einer Struktur, die an die eine Plattform angepasst ist. Ein Wechsel bedeutet eine Datenmigration, die aufwendig und riskant ist.

Die Konsequenz

Lock-in bedeutet: Wer heute nicht auf die drei Ebenen achtet, hat morgen keine echte Wahl. Die Entscheidung, einen bestimmten KI-Anbieter zu nutzen, wird zur langfristigen Bindung – nicht weil der Anbieter sie erzwingt, sondern weil das Unternehmen seine Daten, sein Know-how und seine Durchführung an die eine Plattform gekoppelt hat.

Datensouveränität ist deshalb so wichtig, weil sie den Lock-in-Effekt durchbricht. Sie bedeutet: Die Daten sind in einem Format, das nicht an die eine Plattform gebunden ist. Das Know-how – die Anweisungen, die Prompts, die Skills – ist dokumentiert und übertragbar. Die Durchführung läuft über offene Schnittstellen, die einen Wechsel ermöglichen.

Zwei Ebenen, eine Entscheidung: LLM und Harness

Bevor es um konkrete Wege geht, lohnt sich eine Unterscheidung, die in vielen Diskussionen fehlt – und die den Unterschied zwischen „ein gutes Modell nutzen“ und „die Kontrolle behalten“ ausmacht.

Was ist ein LLM?

Ein LLM (Large Language Model) ist das Sprachmodell selbst: die trainierte KI, die Sprache versteht, Texte erzeugt und auf Anweisungen reagiert. Das LLM ist die „Denkmaschine“ – aber es kann nichts selbst. Es hat keine eigene Datenhaltung, keine Tools, keine Skills, keine Erinnerung und keine Verbindung zu Ihren Systemen. Es beantwortet Fragen, die ihm gestellt werden – und nichts weiter. Nach jedem Gespräch beginnt es von vorn.

Was ist ein Harness?

Der Harness ist die Umgebung, in der das LLM arbeitet. Er ist die Schicht, die dem Modell die Hände und die Werkzeuge gibt:

• Datenhaltung: Der Harness speichert die Daten, auf die das Modell zugreift – Dokumente, Datenbanken, interne Notizen.
• Tools: Er stellt die Werkzeuge bereit, mit denen das Modell Aufgaben erledigt – etwa das Abrufen von Dateien, das Ausführen von Berechnungen, das Anbinden an interne Systeme.
• Skills: Er hält die wiederverwendbaren Anweisungen, die dem Modell sagen, wie es bestimmte Aufgaben zu lösen hat.
• Erinnerungen und Lernen: Der Harness hält das Gedächtnis des Systems – was es über frühere Aufträge, getroffene Entscheidungen und wiederkehrende Vorlieben weiß. Auch das Lernen aus vergangenen Aufgaben passiert hier: Skills werden angepasst, Vorgehensweisen verfeinert, Wissen übernommen. Ein LLM dagegen startet jedes Gespräch ohne Erinnerung – es behält nichts davon, was vorher geschah.
• Modellwahl und Orchestrierung: Der Harness entscheidet, welches Modell welche Aufgabe übernimmt. Er kann mehrere Modelle kombinieren, ihre Ergebnisse vergleichen und Modelle austauschen oder wechseln – ohne dass sich Datenhaltung, Tools oder Skills ändern. Das macht die Ausführungsschicht modell-agnostisch: Ein Modellwechsel ist eine Entscheidung im Harness, kein Neubau der Umgebung.
• Kontext und Kontrolle: Er entscheidet, welche Daten in welchem Kontext verfügbar sind, wer darauf zugreifen darf und wie die Ergebnisse verarbeitet werden.

Ohne Harness ist ein LLM ein isoliertes Modell. Mit Harness wird es zu einem Arbeitswerkzeug, das in den Unternehmensalltag eingebunden ist.

Warum diese Unterscheidung für Datensouveränität entscheidend ist

Die drei Ebenen – Daten, Know-how, Durchführung – sitzen nicht beim LLM, sondern beim Harness. Das LLM verarbeitet Sprache; der Harness verwaltet Daten, stellt Tools bereit und hält die Skills. Wer den Harness kontrolliert, kontrolliert die operative Ebene der Datensouveränität.

Das hat eine praktische Konsequenz: Man kann ein externes LLM nutzen und trotzdem datensouverän bleiben – wenn der Harness in eigener Hand ist.

Wege zu datensouveräner KI

Es gibt kein einzelnes „richtiges“ Modell. Unternehmen wählen je nach Reifegrad, Budget und Anforderungen einen von drei Wegen – oder eine Kombination. Die Unterscheidung zwischen LLM und Harness macht deutlich, dass die Entscheidung nicht nur „Cloud oder lokal“ ist, sondern: Wer kontrolliert die Ausführungsschicht?

1. Öffentliche Cloud mit klaren Vereinbarungen

KI-Dienste werden über etablierte Cloud-Anbieter genutzt. Datensouveränität wird hier über Verträge, regionale Rechenzentren, Datenverarbeitungserklärungen und technische Einstellungen (z. B. keine Nutzung für Modelltraining) abgesichert.

Vorteile: Schnelle Verfügbarkeit, geringe eigene Infrastruktur, breite Modellwahl. Grenzen: Die Kontrolle über den Harness – und damit über Datenhaltung, Tools und Skills – bleibt beim Anbieter. Vertrags- und Konfigurationsprüfung ist aufwendig.

2. Private oder lokale KI-Infrastruktur

Modelle werden auf eigener Hardware oder in einem eigenen Rechenzentrum betrieben. Die Organisation kontrolliert Infrastruktur, Zugriff und Datenflüsse vollständig.

Vorteile: Maximale Kontrolle über LLM und Harness, keine externe Datenübertragung, eigene Sicherheitsarchitektur. Grenzen: Hohe Investition, eigenes Betriebs- und Wartungsteam erforderlich, eingeschränkte Modellvielfalt.

3. Hybrid: souveräner Harness, gezielte Modellnutzung

Dies ist der Weg, der in der Praxis am häufigsten gangbar ist: Der Harness bleibt vollständig in eigener Hand, das LLM wird gezielt ausgewählt.

Konkret heißt das:

• Der Harness wird als Open-Source-Software selbst betrieben. Alle Datenhaltung, alle Tools, alle Skills liegen unter eigener Kontrolle. Sie sind exportierbar, editierbar, anpassbar und implementierbar – nicht an eine Plattform gebunden.
• Das LLM wird bewusst gewählt. Es kann ein Frontier-Modell sein, das als Open Source in Europa gehostet wird. Es kann ein eigenes, lokal betriebenes Modell sein. Die Entscheidung folgt den Anforderungen, nicht der Bequemlichkeit. Und sie bleibt verhandelbar: Weil der Harness modell-agnostisch ist, kann das Unternehmen Modelle vergleichen, kombinieren und bei Bedarf wechseln, ohne die Umgebung neu aufzubauen.
• Die Grenze ist klar: Das LLM verarbeitet Sprache. Der Harness verwaltet Daten, Tools und Skills. Wer den Harness kontrolliert, behält die operative Kontrolle – unabhängig davon, welches Modell hinter der Sprachverarbeitung steht.

Vorteile: Balance aus Kontrolle und Leistung. Das Unternehmen profitiert von starken Modellen, ohne die Ausführungsschicht abzugeben. Der Harness bleibt übertragbar, weil er Open Source ist und in eigener Hand liegt. Grenzen: Klare Trennung und Governance erforderlich, um sicherzustellen, dass keine sensiblen Daten über die Modellgrenze abfließen.

Warum der Hybrid-Weg in der Praxis gewinnt

Die Unterscheidung zwischen LLM und Harness löst ein Dilemma, das viele Unternehmen in die Wartestellung bringt: „Sollten wir ein externes Modell nutzen oder alles lokal betreiben?“ Die Frage ist falsch gestellt. Die richtige Frage lautet: Können wir den Harness in eigener Hand behalten und das Modell flexibel wählen?

Wenn die Antwort ja ist – und mit einem Open-Source-Harness ist sie das – dann ist der Kompromiss gangbar: ein starkes, in Europa gehostetes Open-Source-LLM für die Sprachverarbeitung, ein selbst betriebener Harness für Daten, Tools und Skills. Das Unternehmen behält die Kontrolle über die Ebenen, die für Datensouveränität entscheidend sind, und gibt nur die Sprachverarbeitung an ein externes Modell ab – unter klaren Bedingungen.

Umsetzung: Schritt für Schritt

Eine datensouveräne KI-Strategie lässt sich in fünf Schritten aufbauen:

1. Dateninventar: Welche Daten werden aktuell für KI genutzt? Welche sind sensibel?
2. Anforderungsdefinition: Welche Schutzanforderungen gelten (DSGVO, interne Richtlinien, branchenspezifische Vorgaben)?
3. Architekturwahl: Welcher der drei Wege passt zum Reifegrad und Budget? Welche Rolle spielt das LLM, welche der Harness?
4. Technische Umsetzung: Infrastruktur, Zugriffskontrolle, Logging, Monitoring. Beim Harness: Datenhaltung, Tools und Skills unter eigener Kontrolle halten.
5. Betrieb und Prüfung: Regelmäßige Audits, Anpassung bei Änderungen von Modellen, Anbietern oder Anforderungen.

Wichtig: Schritt 1 und 2 sind keine einmalige Aufgabe. Sie sind der Ausgangspunkt für eine fortlaufende Praxis.

IEC 42001: Das KI-Managementsystem als Rahmen

Die fünf Schritte oben sind ein praktischer Einstieg. Für Unternehmen, die eine systematische, überprüfbare KI-Strategie aufbauen wollen, bietet sich die Norm ISO/IEC 42001 als Rahmen an.

ISO/IEC 42001 ist die internationale Norm für KI-Managementsysteme (AI Management Systems, AIMS). Sie wurde im Dezember 2023 veröffentlicht und ist die weltweit erste Norm für KI-Managementsysteme. Sie definiert Anforderungen an die Planung, Implementierung, den Betrieb, die Überwachung und die kontinuierliche Verbesserung von KI-Systemen in Organisationen. Die Norm ist an ISO 9001 (Qualitätsmanagement) und ISO 27001 (Informationssicherheit) angelehnt und folgt dem gleichen PDCA-Zyklus (Plan-Do-Check-Act).

Die europäische Adaption: EN ISO/IEC 42001:2026

Die Norm wurde in Europa als EN ISO/IEC 42001:2026 übernommen (europäische Ausgabe vom März 2026). Sie ist die europäische Übernahme desselben internationalen Standards: Zwischen der Ausgabe 2023 und der europäischen Ausgabe 2026 gibt es keine inhaltlichen Änderungen. Die Adaption macht die Norm für Organisationen in der EU zugänglicher und verankert sie im europäischen Normenkontext. Wichtig zu beachten: Die europäische Adaption allein macht die Norm nicht zu einer harmonisierten Norm im Sinne des EU AI Act. Eine Zertifizierung nach ISO/IEC 42001 bietet daher keine automatische Konformitätsvermutung unter dem AI Act – sie ist ein anerkannter Rahmen für KI-Governance, kein Ersatz für die gesetzlichen Anforderungen.

Was ISO/IEC 42001 für die Datensouveränität bedeutet:

• Governance: Die Norm verlangt, dass KI-Risiken identifiziert, bewertet und gesteuert werden. Das umfasst auch die Frage, wer die Kontrolle über Daten, Know-how und Durchführung hat – und damit über den Harness.
• Dokumentation: Anweisungen, Prompts, Skills und Evaluationskriterien müssen dokumentiert und versioniert werden. Das macht das Know-how übertragbar und reduziert den Lock-in-Effekt.
• Überwachung und Audit: Regelmäßige Prüfungen stellen sicher, dass die KI-Systeme den definierten Anforderungen entsprechen. Das ist die operative Umsetzung der drei Ebenen.
• Kontinuierliche Verbesserung: Die Norm verlangt, dass die KI-Strategie regelmäßig überprüft und angepasst wird. Das entspricht der fortlaufenden Praxis, die wir oben beschrieben haben.

Warum ISO/IEC 42001 relevant ist:

• Sie bietet einen anerkannten Rahmen, der von Kunden, Partnern und Regulatoren verstanden wird.
• Sie macht die KI-Strategie überprüfbar – nicht nur intern, sondern auch durch externe Auditoren.
• Sie reduziert den Lock-in-Effekt, weil sie Dokumentation, Offenheit und Wechselbarkeit als Anforderungen definiert.
• Sie ist branchenübergreifend anwendbar und skaliert von kleinen Unternehmen bis zu großen Organisationen.

Praktischer Hinweis: ISO/IEC 42001 ist keine Pflicht, sondern ein freiwilliger Standard. Aber sie bietet einen bewährten Rahmen, um die drei Ebenen – Daten, Know-how, Durchführung – systematisch zu steuern und den Lock-in-Effekt zu durchbrechen.

Grenzen und Abwägungen

Datensouveränität ist kein Selbstzweck. Sie muss in ein Verhältnis zu anderen Zielen gesetzt werden:

• Kosten: Private Infrastruktur ist teurer als Cloud-Nutzung.
• Leistung: Lokale Modelle sind oft kleiner und weniger leistungsfähig als große Cloud-Modelle.
• Betriebsaufwand: Eigene Infrastruktur erfordert eigenes Fachpersonal.
• Innovationstempo: Cloud-Anbieter liefern neue Modelle schneller als eigene Teams.

Eine ehrliche Abwägung bedeutet: Nicht jede Datenverarbeitung erfordert maximale Souveränität. Entscheidend ist, dass die Entscheidung bewusst getroffen und dokumentiert wird – nicht, dass sie stillschweigend dem Anbieter überlassen bleibt.

Fazit

Datensouveränität ist kein Nice to have und kein abstraktes Ideal – sie ist ein kritischer Faktor dafür, das eigene Geschäft und die eigenen Prozesse in der Hand zu halten. Wer KI im Arbeitsalltag einsetzt, gibt immer einen Teil der Kontrolle ab: an Modelle, Plattformen und Anbieter. Die Frage ist nicht, ob Kontrolle abgegeben wird, sondern wo – und ob sie bewusst gestaltet oder stillschweigend überlassen wird.

Die Unterscheidung zwischen LLM und Harness zeigt, worum es dabei wirklich geht. Datensouveränität ist nicht die Frage, welches Modell man nutzt, sondern wer die Ausführungsschicht kontrolliert – und damit die täglichen Prozesse. Wer den Harness in eigener Hand behält – mit eigener Datenhaltung, eigenen Tools, eigenen Skills und eigenem Gedächtnis – behält die Fähigkeit, das eigene Geschäft zu steuern: Prozesse anzupassen, Abläufe zu verbessern und Modelle zu wechseln, ohne an eine Plattform gebunden zu sein.

Die drei Ebenen – Daten, Know-how und Durchführung – sind die Hebel des eigenen Geschäfts. Wer sie an einen Anbieter bindet, gibt nicht nur Technik aus der Hand, sondern das Vermögen, die eigenen Prozesse selbst zu gestalten. Datensouveränität heißt deshalb nicht, möglichst wenig auszulagern, sondern zu sichern, was für das eigene Geschäft entscheidend ist – und den Rest bewusst, dokumentiert und widerrufbar zu regeln.

Es gibt kein einzelnes „richtiges“ Modell – aber es gibt einen klaren Ausgangspunkt: die eigene Datenlandschaft kennen, die Anforderungen definieren und eine Architektur wählen, die das eigene Geschäft in den eigenen Händen lässt. Wer diese Fragen klärt, entscheidet aus Stärke: nicht aus Angst vor KI, sondern mit dem Anspruch, sie bewusst und kontrolliert für das eigene Unternehmen einzusetzen.

Quellen

• Bundesministerium für Wirtschaft und Klimaschutz (BMWK) / ZEW – Leibniz-Zentrum für Europäische Wirtschaftsforschung: „Digitale Souveränität – Herausforderungen aus Sicht der Unternehmen“, Schwerpunktstudie, Oktober 2024. Repräsentative Unternehmensbefragung (ca. 1.200 Unternehmen aus Informationswirtschaft und Verarbeitendem Gewerbe) im 2. Quartal 2024. PDF der Studie
• Bitkom e.V.: „Digitale Souveränität 2025″, Studienbericht, Februar 2025. Repräsentative Befragung von 603 Unternehmen ab 20 Beschäftigten. Studienbericht
• Accenture: „Sovereign AI Report“, globale Umfrage, Juli–August 2025. 1.928 Organisationen in 28 Ländern und 18 Branchen.
• ISO/IEC 42001:2023: „Information technology — Artificial intelligence — Management system“. Veröffentlicht im Dezember 2023. BSI Knowledge
• EN ISO/IEC 42001:2026: Europäische Adaption der ISO/IEC 42001, Ausgabe vom März 2026; keine inhaltlichen Änderungen gegenüber der Ausgabe 2023. BSI Knowledge
• EU-Kommission: „Cloud and AI Development Act (CADA)“, Vorschlag, 3. Juni 2026. EU-weites Souveränitätsrahmenwerk für Cloud und KI. Vorschlag der EU-Kommission
• Branchentag Windenergie NRW 2026, Neuss: „Warum Datensouveränität kein nice to have sondern ein Muss ist“ (Jens Kulenkampff). Branchentag Windenergie NRW
• KI-Landeskonferenz 2026: „we did it – datensouveräne KI“ (Interviewkarten, Gebrüder Friedrich Werft / digital@work). Programm der KI-Landeskonferenz

---

Dieser Text wurde von KI recherchiert und erstellt und liebevoll von einem Menschen redigiert.