Wie wird KI in bestehende IT-Systeme integriert? Welche Infrastruktur braucht KI im Unternehmen? Und warum scheitern viele KI-Projekte nicht am Modell, sondern an Schnittstellen, Berechtigungen und fehlenden Betriebsprozessen?
In Unternehmen ist KI selten eine isolierte Anwendung. Sie soll auf Informationen aus ERP, CRM, SharePoint, Dokumentenmanagement, Datenbanken oder Eigenentwicklungen zugreifen. Sie soll Ergebnisse in vorhandene Prozesse zurückgeben, Benutzerrechte berücksichtigen und zuverlässig betrieben werden. Genau an dieser Stelle beginnt die technische Herausforderung der KI-Integration.
Viele Vorhaben starten mit einem überzeugenden Prototyp. Ein Chatbot beantwortet Fragen, ein Modell extrahiert Daten aus Dokumenten oder ein Assistent erzeugt Texte. Im Pilot reicht dafür häufig eine begrenzte Datenquelle. Für den produktiven Einsatz müssen jedoch zusätzliche Fragen beantwortet werden: Wie wird der Zugriff authentifiziert? Welche Daten darf die Anwendung sehen? Wie wird das Modell über APIs angesprochen? Was passiert bei einem Fehler? Wie werden Kosten, Qualität und Änderungen überwacht?
Dieser Beitrag ordnet die technischen Grundlagen der KI-Integration ein. Der Schwerpunkt liegt auf Unternehmen mit gewachsenen Systemlandschaften, bestehenden Microsoft-Umgebungen und individuellen B2B-Prozessen.
KI-Integration in Bestandsystemem: Warum diese entscheidend sind
Eine KI-Anwendung erzeugt nur dann einen nachhaltigen Nutzen, wenn sie an den Ort der tatsächlichen Arbeit angebunden ist. Ein Wissensassistent muss relevante Dokumente finden. Eine Rechnungsprüfung muss Daten mit ERP-Informationen abgleichen. Ein Serviceassistent muss Kundendaten aus dem CRM berücksichtigen. Ein Produktionssystem muss Meldungen und technische Dokumentation zusammenführen.
In der Praxis treffen dabei unterschiedliche Systemgenerationen aufeinander:
- moderne Cloud-Anwendungen und SaaS-Plattformen,
- ERP- und CRM-Systeme mit standardisierten APIs,
- Dokumentenablagen wie SharePoint oder Confluence,
- Datenbanken und Data-Warehouse-Strukturen,
- individuelle Fachanwendungen,
- ältere Systeme mit begrenzten Schnittstellen,
- manuelle Übergaben per E-Mail oder Datei.
Die Aufgabe der KI-Integration in Bestandssysteme besteht deshalb nicht darin, jedes System sofort zu ersetzen. Sie schafft einen kontrollierten Daten- und Aktionsfluss zwischen KI-Komponenten und vorhandener IT.
Typische Integrationsprobleme
Viele KI-Projekte geraten beim Übergang in den produktiven Betrieb ins Stocken, weil technische Randbedingungen erst spät betrachtet werden:
- Daten liegen in getrennten Silos und sind unterschiedlich strukturiert.
- Schnittstellen liefern nicht die benötigten Informationen oder sind nicht ausreichend dokumentiert.
- Berechtigungen aus dem Quellsystem werden nicht in der KI-Anwendung abgebildet.
- Benutzeridentitäten und technische Zugriffe sind nicht sauber getrennt.
- Das Modell kann zwar Antworten erzeugen, aber keine sichere Aktion im Zielsystem ausführen.
- Es fehlen Protokollierung, Monitoring, Versionierung und ein Supportprozess.
- Ein Prototyp hängt direkt an einer einzelnen Plattform oder einem einzelnen Modell.
Eine technische Integrationsplanung macht diese Abhängigkeiten sichtbar, bevor sie zu produktiven Risiken werden.
Welche Integrationsmuster gibt es?
Nicht jede KI-Anwendung benötigt dieselbe technische Architektur. Vier Muster treten besonders häufig auf.
1. KI als Assistenzschicht
Die KI unterstützt Benutzer bei einer Aufgabe, ohne direkt Daten in Bestandssystemen zu verändern. Sie kann Dokumente zusammenfassen, Informationen suchen oder Antwortentwürfe erstellen.
Dieses Muster ist für erste produktive Anwendungen vergleichsweise gut kontrollierbar. Der Benutzer entscheidet, ob und wie das Ergebnis weiterverwendet wird.
2. KI mit lesendem Datenzugriff
Die Anwendung greift auf freigegebene Informationen aus einem oder mehreren Systemen zu. Ein typisches Beispiel ist ein Wissensassistent, der Dokumente aus SharePoint, Confluence oder einem Dokumentenmanagementsystem durchsucht.
Hier sind Datenaufbereitung, Suchindex, Aktualisierung und Berechtigungsprüfung zentral. Ein Retrieval-Augmented-Generation-Ansatz kann Antworten mit relevanten Unternehmensinformationen anreichern, ohne die gesamte Wissensbasis in das Modelltraining zu übertragen.
3. KI als Prozesskomponente
Die KI wird in einen bestehenden Workflow eingebunden. Sie klassifiziert ein Dokument, extrahiert Felder oder schlägt eine Kategorie vor. Anschließend übernimmt ein Workflow-System die weitere Verarbeitung.
Die KI ist in diesem Fall nicht die gesamte Anwendung, sondern ein Verarbeitungsschritt zwischen Eingang und Aktion.
4. KI mit schreibendem Zugriff
Die Anwendung darf nach einer Prüfung oder unter festgelegten Regeln Aktionen in einem Zielsystem ausführen. Dazu gehören etwa das Erstellen eines Tickets, das Aktualisieren eines Datensatzes oder das Anlegen eines Vorgangs.
Schreibende Zugriffe benötigen besonders klare Berechtigungen, Validierungen, Freigaben und Protokolle. Für kritische Aktionen sollte ein Human-in-the-loop vorgesehen werden.
KI-Infrastruktur im Unternehmen: Die technischen Bausteine
Eine belastbare KI-Infrastruktur im Unternehmen besteht nicht nur aus einem Modell. Sie umfasst mehrere Schichten, die gemeinsam betrachtet werden müssen.
Daten- und Wissensschicht
Die Datenebene enthält strukturierte und unstrukturierte Informationen, zum Beispiel:
- ERP- und CRM-Daten,
- Produkt- und Stammdaten,
- Verträge, Handbücher und technische Dokumentation,
- E-Mails und Tickets,
- Prozess- und Sensordaten,
- Datenbanken und Dateispeicher.
Wichtig sind Datenqualität, Aktualität, Herkunft und Berechtigung. Vor einer Integration sollte klar sein, welche Quelle für welche Information maßgeblich ist.
Integrations- und API-Schicht
APIs verbinden KI-Anwendungen mit den Bestandssystemen. Eine Integrationsschicht kann Datenformate vereinheitlichen, Anfragen routen, Zugriffe absichern und Fehler behandeln.
Typische Komponenten sind:
- REST- oder GraphQL-APIs,
- Webhooks und ereignisbasierte Schnittstellen,
- Message Queues für asynchrone Verarbeitung,
- API-Gateways,
- Integrationsplattformen,
- individuelle Adapter für Legacy-Systeme.
Eine direkte Punkt-zu-Punkt-Verbindung kann für einen kleinen Pilot ausreichen. Bei mehreren Systemen wird eine zentrale Integrations- oder API-Schicht meist übersichtlicher und besser steuerbar.
Modell- und KI-Schicht
Diese Schicht stellt Sprachmodelle, Embedding-Modelle, Dokumentenverarbeitung, Bilderkennung oder andere KI-Funktionen bereit. Je nach Anforderung können verwaltete Cloud-Dienste, eigene Modelle oder deutsche und europäische Anbieter eingesetzt werden.
Bei der Auswahl zählen unter anderem:
- Antwortqualität für den konkreten Anwendungsfall,
- Latenz und Verfügbarkeit,
- Datenschutz und Datenverarbeitung,
- Kostenmodell,
- Modellwechsel und Anbieterabhängigkeit,
- Schnittstellen und technische Standards.
Die KI-Schicht sollte möglichst über definierte Services angesprochen werden. So bleibt die Anwendung von der konkreten Modellbereitstellung entkoppelt.
Anwendungs- und Workflow-Schicht
Hier liegt die eigentliche Geschäftslogik. Sie definiert, welche KI-Funktion wann aufgerufen wird, welche Regeln gelten und welche Aktion im Zielsystem erfolgt.
Im Microsoft-Umfeld können Power Automate, Power Apps, Copilot Studio, Azure Functions, Logic Apps oder individuell entwickelte Anwendungen zusammenspielen. Für komplexere B2B-Szenarien werden häufig zusätzlich APIs, Hintergrunddienste und eigene Benutzeroberflächen benötigt.
Sicherheits- und Betriebsschicht
Diese Schicht umfasst Identität, Zugriffsschutz, Netzwerk, Geheimnisverwaltung, Protokollierung, Monitoring und Deployment. Sie entscheidet wesentlich darüber, ob eine KI-Lösung produktionsfähig ist.
Microsoft beschreibt produktionsnahe KI-Architekturen unter anderem mit Microsoft Entra ID, rollenbasierter Zugriffskontrolle, Netzwerkisolation, privaten Endpunkten, Key Vault und Azure Monitor. Diese Bausteine sind keine Pflicht für jedes Projekt, zeigen aber, welche Themen bei einer belastbaren Architektur zusammengehören. Microsoft Azure Architecture Center: AI architecture
KI in B2B: Besonderheiten in Unternehmen
KI in B2B-Prozessen verarbeitet häufig geschäftskritische Daten: Preise, Verträge, Produktinformationen, technische Unterlagen, Kundendaten oder interne Abläufe. Gleichzeitig sind Prozesse oft komplex und nicht vollständig standardisiert.
Eine passende B2B KI-Infrastruktur sollte deshalb folgende Eigenschaften haben:
- klare Trennung zwischen Benutzer-, Anwendungs- und Modellidentität,
- fein granulierte Berechtigungen für Daten und Aktionen,
- nachvollziehbare Datenherkunft,
- kontrollierte Kommunikation zwischen Systemen,
- sichere Verarbeitung von Mandanten- und Kundendaten,
- definierte Freigaben für schreibende Operationen,
- Monitoring von Qualität, Kosten und Verfügbarkeit,
- Austauschbarkeit einzelner Modelle oder Dienste.
Bei mehreren Geschäftsbereichen oder Kunden sollte zusätzlich geprüft werden, wie Mandanten voneinander getrennt werden. Eine gemeinsame Wissensbasis darf nicht dazu führen, dass Informationen aus einem Kunden- oder Geschäftsbereich unberechtigt in einem anderen Kontext erscheinen.
Schnittstellen für KI-Integration
Daten lesen
Für lesenden Zugriff sind klare Abfragen, Filter und Berechtigungen erforderlich. Die KI-Anwendung sollte nicht pauschal eine vollständige Datenbank kopieren, wenn nur wenige Informationen benötigt werden.
Bei Dokumenten sind zusätzlich Metadaten wie Version, Autor, Gültigkeit, Geschäftsbereich und Berechtigungsgruppe relevant. Ohne diese Informationen kann eine Suche zwar technisch funktionieren, aber fachlich falsche oder veraltete Ergebnisse liefern.
Aktionen ausführen
Schreibende Aktionen sollten über explizite, begrenzte Funktionen erfolgen. Statt einem Modell direkten Datenbankzugriff zu geben, wird beispielsweise eine geprüfte API-Funktion bereitgestellt: „Erstelle einen Servicevorgang mit diesen Feldern“.
Diese Funktion kann Werte validieren, Benutzerrechte prüfen und die Aktion protokollieren. Das reduziert die Gefahr, dass ein Modell ungewollte oder technisch ungültige Änderungen auslöst.
Ereignisse verarbeiten
Ereignisbasierte Integration eignet sich für Prozesse, die auf neue Dokumente, Statusänderungen oder Systemmeldungen reagieren. Ein Ereignis startet den Workflow; die KI bewertet den Inhalt; die Integrationsschicht führt die nächste Aktion aus.
Asynchrone Verarbeitung ist sinnvoll, wenn die Analyse länger dauert oder Zielsysteme zeitweise nicht erreichbar sind. Warteschlangen, Wiederholungslogik und Dead-letter-Verarbeitung verhindern, dass einzelne Fehler den gesamten Prozess blockieren.
KI Tech Consulting: Von der Architektur zur Umsetzung
KI Tech Consulting verbindet fachliche Anforderungen mit konkreten technischen Entscheidungen. Der Schwerpunkt liegt nicht auf einer möglichst langen Liste von Technologien, sondern auf der Frage, welche Architektur für den jeweiligen Integrationsfall angemessen ist.
1. System- und Datenlandkarte erstellen
Zunächst werden die relevanten Systeme, Datenflüsse und Verantwortlichkeiten dokumentiert. Dabei sollte die Betrachtung auf den geplanten Use Case begrenzt bleiben. Eine vollständige Inventarisierung der gesamten IT-Landschaft ist nicht immer notwendig.
Wichtige Fragen sind:
- Wo entsteht die Information?
- Wo wird sie heute gespeichert?
- Wer darf sie lesen oder ändern?
- Welche Schnittstelle steht zur Verfügung?
- Wie aktuell muss die Information sein?
- Was passiert, wenn die Quelle nicht erreichbar ist?
2. Integrationsziel und Referenzarchitektur definieren
Anschließend wird festgelegt, ob die KI als Assistent, lesender Wissensdienst, Workflow-Komponente oder aktiver Prozessbaustein eingesetzt wird. Daraus ergeben sich Anforderungen an Datenzugriff, APIs, Benutzeroberflächen und Freigaben.
Eine einfache Referenzarchitektur kann folgende Komponenten enthalten:
Benutzer / Fachanwendung
|
API / Gateway
|
Workflow- und Geschäftslogik
/ \
Datenzugriff KI-Service
| |
ERP / CRM / DMS Modell / RAG / Analyse
|
Identität, Logging, Monitoring, Governance
Die Darstellung ist bewusst generisch. Je nach Systemlandschaft können einzelne Komponenten zusammenfallen oder durch vorhandene Plattformdienste abgedeckt werden.
3. Sicheren Datenzugriff implementieren
Der Zugriff sollte nach dem Prinzip der geringsten Berechtigung erfolgen. Eine KI-Anwendung erhält nur die Rechte, die sie für den vorgesehenen Prozess benötigt.
Bei einem Wissensassistenten bedeutet das beispielsweise:
- Benutzer authentifizieren,
- Gruppen- und Rolleninformationen auswerten,
- nur zulässige Dokumente in die Suche einbeziehen,
- Quellen und Versionen anzeigen,
- Zugriffe und Antworten protokollieren.
Bei Aktionen im ERP oder CRM kommen zusätzliche Validierungen und Freigaben hinzu.
4. Pilot als integrierten Vertikalschnitt umsetzen
Ein technischer Pilot sollte nicht nur das Modell testen. Er sollte mindestens einen vollständigen Ablauf abbilden: Eingabe, Authentifizierung, Datenzugriff, KI-Verarbeitung, Ergebnisprüfung, Aktion im Zielsystem und Protokollierung.
So werden Integrationsprobleme früh sichtbar. Ein isolierter Modelltest kann dagegen einen falschen Eindruck von der späteren Produktionsreife vermitteln.
5. Betrieb und Weiterentwicklung vorbereiten
Vor dem Rollout sollten Zuständigkeiten für Anwendung, Schnittstellen, Datenquellen und Modellbetrieb geklärt werden. Außerdem sind Verfahren für Änderungen notwendig:
- neue Modellversionen testen,
- Prompts oder Retrieval-Konfigurationen versionieren,
- Schnittstellenänderungen kontrolliert ausrollen,
- Antwortqualität regelmäßig evaluieren,
- Kosten und Last überwachen,
- Fehler und Vorfälle analysieren.
Microsoft Foundry bündelt für bestimmte Azure-Szenarien Modelle, Agenten, Tools, Zugriffskontrolle, Netzwerk und Monitoring in einer gemeinsamen Managementebene. Microsoft Learn: Microsoft Foundry
Für die Steuerung von Modellendpunkten und Richtlinien kann Azure API Management als AI Gateway eingesetzt werden. Es unterstützt unter anderem Authentifizierung, Routing, Verbrauchssteuerung und Monitoring von AI APIs. Microsoft Learn: AI gateway in Azure API Management
Die 4 Phasen einer KI-Integration
Eine KI-Integration in Bestandssysteme lässt sich in vier Phasen strukturieren:
- Abgrenzen: Use Case, Systeme, Daten, Benutzer und gewünschte Aktionen bestimmen.
- Entwerfen: Integrationsmuster, Referenzarchitektur, Schnittstellen und Sicherheitsmodell festlegen.
- Integrieren: Datenzugriff, KI-Service, Workflow und Zielsystem als vollständigen Ablauf umsetzen.
- Betreiben: Monitoring, Governance, Kostenkontrolle und Weiterentwicklung etablieren.
Jede Phase sollte ein prüfbares Ergebnis liefern. Dadurch lässt sich die technische Komplexität schrittweise erhöhen, ohne den Überblick zu verlieren.
Roadmap für KI-Integration im Unternehmen
Phase 1: Integrations-Check
- betroffene Bestandssysteme und Datenquellen erfassen,
- vorhandene APIs und Schnittstellen bewerten,
- Berechtigungen und Datenqualität prüfen,
- technische und regulatorische Risiken dokumentieren.
Phase 2: Zielarchitektur
- Integrationsmuster auswählen,
- Modell- und Plattformoptionen vergleichen,
- API-, Identitäts- und Netzwerkarchitektur definieren,
- Betriebs- und Verantwortungsmodell festlegen.
Phase 3: Integrierter Pilot
- einen vollständigen Prozess vertikal umsetzen,
- Datenzugriff und Aktionen absichern,
- Fehlerfälle und manuelle Freigaben testen,
- Qualität, Laufzeit und Kosten messen.
Phase 4: Produktivbetrieb und Skalierung
- Monitoring und Support etablieren,
- weitere Datenquellen oder Benutzergruppen anbinden,
- Schnittstellen standardisieren,
- Modell- und Plattformwechsel beherrschbar halten,
- Architektur und Governance regelmäßig überprüfen.
Vorteile einer sauberen KI-Integration
Verlässlicherer Geschäftsnutzen
KI wird nicht als separates Werkzeug genutzt, sondern unterstützt einen bestehenden Prozess. Dadurch lässt sich der Nutzen an realen Geschäftskennzahlen messen.
Weniger Medienbrüche
Daten müssen nicht zwischen E-Mail, Tabellen, Chat und Fachsystemen kopiert werden. Ergebnisse können kontrolliert in den nächsten Prozessschritt übergeben werden.
Bessere Daten- und Zugriffskontrolle
Eine zentrale Integrations- und Sicherheitsarchitektur erleichtert die Verwaltung von Identitäten, Berechtigungen und Protokollen.
Austauschbare Komponenten
Wenn Modelle und KI-Dienste über standardisierte Services angesprochen werden, können Anbieter oder Modelle leichter verglichen und gewechselt werden. Vollständige Unabhängigkeit ist selten realistisch, aber unnötige Abhängigkeiten lassen sich reduzieren.
Skalierbarer Betrieb
Monitoring, Versionierung und automatisierte Bereitstellung machen es einfacher, zusätzliche Use Cases kontrolliert zu integrieren. Ohne diese Grundlagen entstehen schnell individuelle Einzellösungen, die nur schwer zu warten sind.
KI-Integration vs. isolierter KI-Pilot
| Isolierter KI-Pilot | Integrierte KI-Lösung |
| Testet hauptsächlich Modell oder Benutzeroberfläche | Testet den vollständigen Geschäftsprozess |
| Nutzt häufig vereinfachte Beispieldaten | Verarbeitet freigegebene reale Datenquellen |
| Berechtigungen und Fehlerfälle sind oft nachgelagert | Zugriff, Ausnahmen und Protokollierung sind Bestandteil des Designs |
| Ergebnis bleibt möglicherweise in einer Demo | Ergebnis wird in ein Bestandssystem oder einen Workflow übergeben |
| Betriebskosten und Support sind unklar | Betrieb, Monitoring und Verantwortlichkeiten sind vorbereitet |
Ein Pilot ist wichtig. Er sollte aber möglichst früh als integrierter Vertikalschnitt geplant werden.
Datenschutz, Sicherheit und Governance
Bei der KI-Integration für Unternehmen müssen technische und organisatorische Kontrollen zusammenpassen. Die DSGVO bleibt relevant, sobald personenbezogene Daten verarbeitet werden. Zweck, Rechtsgrundlage, Datenminimierung, Zugriff und Aufbewahrung müssen zum konkreten Anwendungsfall passen.
Der EU AI Act verfolgt einen risikobasierten Ansatz. Je nach Funktion und Einsatzgebiet können Anforderungen an Transparenz, menschliche Aufsicht, Dokumentation, Protokollierung und Überwachung gelten. Die Einordnung sollte deshalb früh im Integrationsdesign berücksichtigt werden und nicht erst vor dem Go-live.
Technisch sollten Unternehmen insbesondere auf folgende Punkte achten:
- Verschlüsselung bei Übertragung und Speicherung,
- sichere Verwaltung von Zugangsdaten und Schlüsseln,
- rollenbasierte Zugriffe,
- Netzwerksegmentierung und private Verbindungen, sofern erforderlich,
- Protokollierung von Modellaufrufen und Aktionen,
- Schutz vor Prompt Injection und unzulässigen Tool-Aufrufen,
- definierte Aufbewahrung und Löschung von Eingaben und Ausgaben.
FAQ zur KI-Integration und Infrastruktur
Wie integriert man KI in bestehende Systeme?
Zunächst werden der konkrete Use Case, die beteiligten Systeme, Datenquellen und benötigten Aktionen beschrieben. Danach werden Integrationsmuster, APIs, Berechtigungen und die Modellanbindung festgelegt. Im Pilot sollte ein vollständiger Ablauf von der Eingabe über die KI-Verarbeitung bis zur Aktion im Zielsystem umgesetzt werden.
Welche Infrastruktur braucht KI im Unternehmen?
Das hängt vom Anwendungsfall ab. Typische Bausteine sind Datenquellen, eine Integrations- oder API-Schicht, ein KI- oder Modellservice, Workflow- und Geschäftslogik, Identitäts- und Berechtigungsmanagement, Monitoring, Protokollierung und eine sichere Betriebsumgebung.
Welche Schnittstellen sind für KI notwendig?
Häufig werden REST- oder GraphQL-APIs, Webhooks, Konnektoren, Datenbankzugriffe, Message Queues oder individuelle Adapter verwendet. Für ältere Anwendungen kann RPA eine begrenzte Brücke bilden. Entscheidend ist, dass Datenzugriff und Aktionen kontrolliert, nachvollziehbar und berechtigungsgeprüft erfolgen.
Was kostet eine KI-Integration?
Die Kosten hängen von der Anzahl und Komplexität der beteiligten Systeme, der Datenqualität, dem erforderlichen Sicherheitsniveau und dem gewünschten Integrationsgrad ab. Ein lesender Wissensassistent mit einer Datenquelle ist in der Regel einfacher als eine Lösung mit mehreren schreibenden ERP- oder CRM-Integrationen.
Wie lange dauert die Integration von KI-Systemen?
Ein begrenzter technischer Pilot kann innerhalb weniger Wochen umgesetzt werden. Für produktive Integrationen müssen zusätzlich Berechtigungen, Fehlerbehandlung, Tests, Monitoring, Governance und Support vorbereitet werden. Die Dauer steigt mit der Zahl der Systeme, Schnittstellen und kritischen Prozessschritte.
Fazit: KI-Integration ist eine Architekturaufgabe
Eine KI-Anwendung wird nicht dadurch produktionsfähig, dass das Modell gute Antworten erzeugt. Sie benötigt einen sicheren Datenzugriff, passende Schnittstellen, klare Identitäten, kontrollierte Aktionen und einen Betrieb, der Qualität und Kosten überwacht.
Für Unternehmen mit gewachsenen IT-Landschaften ist deshalb ein technischer Integrations-Check ein sinnvoller Ausgangspunkt. Er klärt, welche Systeme beteiligt sind, welche Schnittstellen vorhanden sind und welches Integrationsmuster zum Use Case passt.
Digital Experts unterstützt Unternehmen bei der Verbindung von Microsoft-Technologien, Daten- und Cloud-Architektur, individuellen Anwendungen und KI-Komponenten. Der Schwerpunkt liegt auf umsetzbaren Integrationen: von APIs und Berechtigungskonzepten über RAG-Systeme und Workflows bis zu DevOps-, MLOps- und Monitoring-Strukturen.
Die zentrale Entscheidung lautet nicht: „Welches Modell sollen wir einsetzen?“ Sie lautet: Wie soll KI sicher und nachvollziehbar mit den bestehenden Systemen zusammenarbeiten?
Quellen und weiterführende Informationen
- Microsoft Azure Architecture Center: AI architecture design
- Microsoft Learn: Baseline Microsoft Foundry Chat Reference Architecture
- Microsoft Learn: Microsoft Foundry
- Microsoft Learn: AI gateway capabilities in Azure API Management
- Microsoft Learn: Basic Enterprise Integration on Azure
- Europäische Kommission: Regulatory framework for artificial intelligence
- EUR-Lex: Verordnung (EU) 2024/1689 – EU AI Act
- NIST: AI Risk Management Framework
