Ein solider Ansatz für lokale KI im Unternehmen beginnt bei der Arbeit. Lokale Verarbeitung eignet sich am besten, wenn Arbeit von nahen Daten abhängt, schnell reagieren muss, bei eingeschränkter Verbindung weiterlaufen soll oder sensibel genug ist, um die Verarbeitung auf einem verwalteten Gerät zu rechtfertigen. Cloud-KI passt meist besser, wenn eine Aufgabe stärkere Modelle, elastische Kapazität, breites externes Wissen oder zentrale Dienste braucht. Die meisten Organisationen sollten nicht eine Entscheidung für alles treffen. Sie brauchen eine Routing-Richtlinie, die jede Workload an den richtigen Ort schickt.

Die praktische Entscheidung betrifft die Arbeit, nicht die Neuheit des Modells. Beginne mit Datensensibilität, benötigter Leistungsfähigkeit, Latenz, Verfügbarkeit, Kostentransparenz und betrieblicher Kontrolle. Teste dann den kleinsten nützlichen Workflow. Ein hybrider Ansatz kann ausgewählten Kontext und Routineverarbeitung lokal halten und für schwierigeres Schlussfolgern einen Cloud-Dienst aufrufen, sofern Berechtigungen, Logs und Fehlerverhalten klar sind.

Was Microsoft mit hybrider Intelligenz meint

In seiner Ankündigung im Windows Experience Blog , veröffentlicht am 7. Oktober 2026, beschrieb Microsoft Windows als Plattform, auf der Agenten lokal laufen, wenn es sinnvoll ist, und die Cloud nutzen, wenn es nötig ist. Das Unternehmen stellte dies als „hybride Intelligenz” vor, gestützt auf lokale Modelle, Routing, Laufzeitfunktionen und Gerätehardware. Das sind Aussagen und Produktausrichtung von Microsoft, kein Beweis, dass jede Unternehmens-Workload auf einen PC wandern sollte.

Microsoft erklärte außerdem, dass Microsoft Execution Containers jetzt allgemein für Windows 11 verfügbar sind. Laut Ankündigung können diese Container Richtlinien durchsetzen, die festlegen, auf welche Dateien und Netzwerke ein Agent zugreifen darf. Microsoft stellte die Eindämmung neben Agentenidentität und Verwaltbarkeit: die Reichweite des Agenten begrenzen, seine Aktivität von der des Nutzers unterscheiden und Governance mit den Kontrollen der Organisation verbinden.

Dieselbe Unterscheidung gilt für Copilot. Microsoft sagte, dass lokaler Kontext, lokale Aktionen und lokale Modelle die Erlaubnis des Nutzers erfordern, mit Cloud-Intelligenz bei Bedarf. Für ein Unternehmen rahmt das die richtige Frage: nicht abstrakt „lokal oder Cloud?”, sondern „welcher Kontext, welche Aktion und welches Modell sind für diese Aufgabe erlaubt?”

Wo lokale KI im Unternehmen ihren Platz verdient

Lokale Verarbeitung ist sinnvoll, wenn Nähe einen echten betrieblichen Vorteil bringt. Ein Gerät hält möglicherweise bereits die Dateien, den Anwendungszustand oder die Sensordaten für die Aufgabe. Den ersten Verarbeitungsschritt dort zu belassen, kann unnötige Datenbewegung reduzieren und eine Interaktion weniger abhängig von einem Netzwerk-Roundtrip machen. Es kann auch einen eingeschränkten Betrieb bei unzuverlässiger Verbindung ermöglichen.

Gute Kandidaten sind enge, wiederholbare Aufgaben mit begrenzten Ein- und Ausgaben. Beispiele sind das Klassifizieren von Dokumenten auf einem verwalteten Rechner, das Extrahieren von Feldern zur menschlichen Prüfung, die Suche in einem freigegebenen lokalen Wissensbestand, das Zusammenfassen von Arbeitsnotizen oder die Unterstützung eines Workflows auf Geräteebene. Das sind Beispiele für Workload-Typen, keine Zusagen, dass ein bestimmtes Modell die geforderte Qualität erreicht.

Lokal heißt nicht automatisch privat, sicher oder günstig. Daten können weiterhin über zu weite Berechtigungen, unsicheren Tool-Zugriff, schlechte Logs, kopierte Ausgaben oder einen unverwalteten Endpunkt offengelegt werden. Hardware, Bereitstellung, Modell-Updates und Support kosten ebenfalls Geld. Der Business Case sollte das gesamte System umfassen, nicht nur vermiedene Cloud-Nutzung.

Wann Cloud-KI die vernünftigere Wahl ist

Cloud-KI bleibt nützlich, wenn die Aufgabe die Leistung oder den Speicher verwalteter Geräte übersteigt, die Nachfrage stark schwankt oder Teams einen zentral gepflegten Dienst brauchen. Sie kann den Zugang zu leistungsfähigeren Modellen vereinfachen und die Verteilung von Modelldateien und Laufzeiten über eine Geräteflotte reduzieren. Zentraler Betrieb kann auch Versionierung und Monitoring konsistenter machen, wobei diese Vorteile vom Dienst und der Umsetzung abhängen.

Entscheide anhand expliziter Kriterien statt Annahmen:

• Daten: Welche Informationen werden benötigt, woher stammen sie und dürfen sie das Gerät oder die Region verlassen?

• Leistungsfähigkeit: Erreicht ein freigegebenes lokales Modell die gemessene Qualitätsschwelle, oder braucht die Aufgabe ein stärkeres Cloud-Modell?

• Geschwindigkeit: Welche Option erreicht das End-to-End-Antwortziel unter realistischer Netz- und Gerätelast?

• Kontinuität: Was soll passieren, wenn Netzwerk, Cloud-Dienst oder lokaler Beschleuniger nicht verfügbar sind?

• Wirtschaftlichkeit: Wie verhalten sich Kosten für Geräte, Bereitstellung, Support und Energie zu Dienstnutzung und Datenübertragung?

• Kontrolle: Kann die Organisation Berechtigungen vergeben, Aktionen eindämmen, den handelnden Agenten identifizieren, nützliche Logs führen und Zugriff entziehen?

Eine Aufgabe kann die Route wechseln, wenn sich ihr Kontext ändert. Ein lokales Modell kann Material vorbereiten oder schwärzen, während ein Cloud-Modell eine schwierige Inferenz übernimmt. Umgekehrt kann eine Cloud-Anwendung eine Geräteaktion erst nach Freigabe durch den Nutzer lokal ausführen lassen. Die Grenze sollte gestaltet und beobachtbar sein, nicht in einer Herstellervoreinstellung versteckt.

Eine Routing-Richtlinie erstellen, bevor Produkte gewählt werden

Bilde einen Workflow von der Eingabe bis zur Aktion ab. Markiere jede Datenquelle, jeden Modellaufruf, jedes Tool, jede Nutzerfreigabe und jede gespeicherte Ausgabe. Bewerte die Folgen einer falschen Antwort und die Folgen einer unbefugten Aktion getrennt. Ein Entwurf, der nur Text vorschlägt, hat ein anderes Risikoprofil als ein Agent, der Dateien bearbeitet, Nachrichten sendet oder ein Geschäftssystem ändert.

Definiere dann drei Routen: lokal, Cloud und Stopp. „Stopp” ist entscheidend, wenn keine Umgebung freigegeben ist, das Vertrauen zu gering ist, benötigter Kontext fehlt oder die angefragte Aktion außerhalb der Richtlinie liegt. Lege fest, was der Nutzer sieht, wenn das Routing scheitert. Ein stiller Wechsel von lokal zu Cloud kann eine Datenschutzentscheidung untergraben, ein stiller Wechsel von Cloud zu einem schwächeren lokalen Modell die Qualität.

Führe vor dem Rollout eine repräsentative Evaluierung durch. Miss Aufgabenqualität, Latenz, Ressourcenverbrauch, Fehlerbehebung und den Aufwand für Bediener. Prüfe die tatsächlich vom Agenten angeforderten Berechtigungen, nicht nur die Ausgabe des Modells. Führt der Workflow Aktionen aus, teste die Eindämmung und bestätige, dass die Aufzeichnungen zeigen, was der Agent getan hat. Microsofts Fokus auf Eindämmung, Identität und Verwaltbarkeit ist hier eine nützliche Checkliste, auch wenn der finale Stack nicht auf Windows beschränkt ist.

Lege schließlich die Zuständigkeiten fest. Die Sicherheit sollte Zugriffsgrenzen freigeben, der Betrieb Monitoring und Wiederherstellung verantworten und der Prozessverantwortliche akzeptable Ergebnisse definieren. Der Einkauf braucht ein vergleichbares Kostenmodell. Wenn die Organisation entscheidet, ob sie Komponenten bauen, kaufen oder integrieren soll, bietet Vexols Framework „Bauen, kaufen oder verbinden” einen praktischen Weg, diese Entscheidung zu strukturieren.

Ist lokale KI immer sicherer als Cloud-KI?

Nein. Lokale Verarbeitung kann manche Datenübertragungen reduzieren, aber Sicherheit hängt von Endpunktschutz, Berechtigungen, Eindämmung, Modellherkunft, Logging und betrieblicher Disziplin ab. Vergleiche das vollständige lokale und das Cloud-Design anhand derselben Kontrollen.

Sollte jeder KI-Workflow beide Routen unterstützen?

Nein. Hybrides Routing bringt zusätzlichen Entwicklungs- und Governance-Aufwand. Nutze es, wenn die gemessenen Vorteile diese Komplexität rechtfertigen. Eine feste lokale oder feste Cloud-Route ist für eine stabile, klar abgegrenzte Aufgabe oft klarer.