Die vergangenen Jahre standen im Zeichen immer größerer Sprachmodelle: mehr Parameter, mehr Trainingsdaten, mehr Rechenleistung. 2026 zeichnet sich eine Gegenbewegung ab. Statt eines einzelnen, universellen KI-Riesen für alle Anwendungsfälle setzen immer mehr Unternehmen auf kleinere, gezielt zugeschnittene Modelle – schneller, günstiger im Betrieb und oft treffsicherer für den konkreten Anwendungsfall als ein generisches Large Language Model.
Microsoft Entra ID – vielen noch als Azure Active Directory bekannt – ist in den meisten Unternehmen bereits im Einsatz und verwaltet zuverlässig Benutzerkonten, Gruppen und die Anmeldung an M365-Diensten. Genau darin liegt jedoch eine verbreitete Fehleinschätzung: Ein Verzeichnisdienst allein ist noch kein Identity & Access Management. IAM beginnt dort, wo die reine Verwaltung von Konten aufhört – bei der Frage, wer welche Berechtigung warum besitzt, wie lange diese gültig bleibt und wer das regelmäßig überprüft.
Lange Zeit galt die Firewall als Burgmauer: Wer innerhalb des Firmennetzes war, galt als vertrauenswürdig – wer draußen war, musste draußen bleiben. Homeoffice, Cloud-Anwendungen und BYOD haben diese Mauer längst durchlässig gemacht. Der klassische Netzwerkperimeter existiert faktisch nicht mehr, das Endgerät ist zur neuen Sicherheitsgrenze geworden. Genau hier setzt Zero Trust an: Kein Gerät, kein Nutzer und kein Prozess wird automatisch als vertrauenswürdig eingestuft – jede Anfrage wird geprüft, unabhängig davon, woher sie kommt.
Die meisten KI-Assistenten, die heute in Unternehmen im Einsatz sind, funktionieren nach einem einfachen Muster: Eine Anfrage geht rein, eine Antwort kommt raus – und mit dem nächsten Chat beginnt alles wieder bei null. Hermes Agent, ein quelloffenes Projekt von Nous Research, bricht mit diesem Muster. Statt als Wrapper um eine Cloud-API zu laufen, installiert sich Hermes dauerhaft auf dem eigenen Server, merkt sich Kontext über Sitzungen hinweg und baut sich mit der Zeit ein wachsendes Repertoire an wiederverwendbaren Fähigkeiten auf. Für Unternehmen, die lokale KI-Agenten – wie bereits im Beitrag zu Ollama beschrieben – ernsthaft evaluieren, lohnt ein genauer Blick.
Das Internet of Things (IoT) hat längst den Weg aus reinen Technologie-Showcases in den produktiven Mittelstand gefunden. Maschinen, Anlagen und Gebäude liefern heute kontinuierlich Daten – die eigentliche Herausforderung liegt jedoch nicht mehr im Erfassen der Daten, sondern in ihrer sinnvollen Verarbeitung und Integration.
Infrastructure as Code (IaC) wird häufig als Thema großer Tech-Konzerne wahrgenommen – mit riesigen Cloud-Umgebungen und dedizierten DevOps-Teams. Dabei profitieren gerade mittelständische Unternehmen erheblich von automatisierter Infrastrukturverwaltung, oft mit überschaubarem Einstiegsaufwand.
Kubernetes gilt mittlerweile als Quasi-Standard für die Orchestrierung containerisierter Anwendungen. Für viele mittelständische IT-Abteilungen bleibt die Technologie jedoch ein Buch mit sieben Siegeln – zwischen Hype und echtem Nutzen liegt oft eine spürbare Unsicherheit. Dabei lohnt sich der Blick auf die Grundlagen, bevor eine Einführung ansteht.
Unternehmen sammeln heute mehr Daten als je zuvor – aus ERP-Systemen, CRM-Anwendungen, IoT-Sensoren und unzähligen weiteren Quellen. Doch Daten allein schaffen keinen Mehrwert. Erst ein sauber betriebenes Data Warehouse (DWH) macht aus der Datenflut eine verlässliche Entscheidungsgrundlage. In der Praxis zeigt sich jedoch: Viele DWH-Umgebungen leiden nicht an fehlenden Tools, sondern an fehlender Betriebsdisziplin.
Künstliche Intelligenz hat in vielen Unternehmen zuerst in kreativen und analytischen Bereichen Einzug gehalten – Texterstellung, Datenanalyse, Code-Assistenz. Der IT-Betrieb folgt nun mit einer Wucht, die die Arbeitsweise von IT-Teams grundlegend verändert. Die Kombination aus Agentic AI, Large Language Models und standardisierten Integrationsprotokollen wie MCP macht es möglich, Routineaufgaben im IT-Operations zu automatisieren, die bisher zwingend menschliches Eingreifen erforderten.
Der Einsatz von KI-Sprachmodellen über Cloud-Dienste ist schnell und unkompliziert – aber er bringt ein grundlegendes Problem mit sich: Daten verlassen das Unternehmensnetz. Für viele Anwendungsfälle – interne Dokumente, Kundendaten, Quellcode, Finanzdaten – ist das keine akzeptable Option. Lokale KI-Modelle schaffen Abhilfe: Das Modell läuft auf eigener Infrastruktur, kein Token verlässt die eigene Umgebung.