MOTIVE Gateway:
KI-Governance-Architektur
ICEIS 2026 · Peer-reviewed · 200 synthetische Aufgaben · DOI 10.5220/0014970100004018
Executive Summary
Unternehmen, die Sprachmodelle in ihre Arbeitsabläufe integrieren, müssen Nutzung, Verantwortung und Nachweise zusammenführen. MOTIVE Gateway adressiert diese Lücke mit einer zentralen Kontrollschicht: Geschäftszweck erfassen, Regeln vor Ausführung prüfen, erforderliche Freigaben steuern und Entscheidungen nachvollziehbar dokumentieren. Der Proof of Concept wurde anhand von 200 synthetischen Aufgaben aus acht Geschäftsdomänen evaluiert und im Rahmen von ICEIS 2026 (Volume 2, S. 1633–1640) publiziert.
Ausgangslage
Generative KI wird häufig schneller in Arbeitsabläufe integriert, als Kontroll- und Freigabeprozesse angepasst werden — mit konkreten Lücken für Governance-Verantwortliche.
Fehlende Zweckdokumentation
Wer hat welche KI-Anfrage für welchen Geschäftszweck gestellt? Diese Information fehlt bei isolierten Zugängen systematisch.
Keine belastbaren Nachweise
Nachträglich zusammengestellte Dokumentation aus Logs und E-Mails ist für Audits und Rückfragen unzureichend und aufwändig.
Vorgaben nicht durchsetzbar
Eine AI Policy kann festlegen, was erlaubt ist — sie stellt jedoch nicht sicher, dass diese Vorgaben bei jeder einzelnen Nutzung eingehalten werden.
Menschliche Aufsicht nicht gesichert
War eine Prüfung erforderlich und hat sie stattgefunden? Ohne strukturierte Steuerung bleibt diese Frage in vielen Prozessen offen.
Der Lösungsansatz: Sechs Governance-Kontrollen
Das Gateway ergänzt bestehende Anwendungen um eine zentrale Kontrollschicht — bevor eine Anfrage ausgeführt wird, werden Zweck, Vorgaben und erforderliche Aufsicht geprüft.
Anfrage einordnen
Rolle, Geschäftsbereich und Sensitivität werden erfasst — passende Regeln werden angewendet.
Regeln bestimmen
Zulässige Werkzeuge, Kontrollstufe und erforderliche Freigaben werden konsistent festgelegt.
Auftrag strukturieren
Zweck, gewünschtes Ergebnis und Einschränkungen werden dokumentiert — Lücken werden sichtbar.
Voraussetzungen prüfen
Unvollständige oder regelwidrige Anfragen werden angehalten — Korrekturen vor der Ausführung.
Prüfung steuern
Vorgänge mit erhöhtem Kontrollbedarf werden an benannte Personen geleitet — Verantwortung verankert.
Nachweise sichern
Anfrage, Kontrollentscheidung und Freigabe werden nachvollziehbar im Evidence Store gespeichert.
PoC-Ergebnisse
200 synthetische Aufgaben aus acht Domänen — Gesundheitswesen, Finanzen, Recht, öffentlicher Sektor, Bildung, Personal, Marketing und Operations. Die Vergleichsbasis wurde modelliert, kein gemessenes Produktivsystem.
Ausgewählte Kennzahlen (nach ICEIS-Publikation)
| Prüfgegenstand | Gateway | Einordnung |
|---|---|---|
| Vollständige Ausführungsspuren (TCR) | 98% | Strukturelle Nachvollziehbarkeit im Szenariokorpus |
| Erfüllung anwendbarer Kontrollen (COSR) | 96% | Definierte Kontrollen; keine pauschale Compliance-Quote |
| Erkennung absichtlicher Regelverstöße | 26 / 30 | 4 Verstöße wurden nicht erkannt |
| Rekonstruierbarkeit simulierter Audits (ARSR) | 94% | 47 von 50 allein aus dem Evidenzspeicher abschließbar |
| Korrektur zurückgewiesener Anfragen | 72% | 42 von 58; 11 aufgegeben, 5 eskaliert |
| Auditbereitschaft (Expertenurteil) | 87% | 3 Experten, 30 Manifeste; kein externes Audit |
Wo ein Pilot sinnvoll ist
Geeignet sind zunächst wiederkehrende, abgrenzbare Arbeitsabläufe mit klaren Regeln, benannten Verantwortlichen und bestehendem Dokumentationsbedarf.
Erstellung sensibler Dokumente
Zweck, Ausschlüsse und Freigaben zusammenführen — z. B. externe Zusammenfassungen, regulierte Berichte.
Interne Assistenz mit verbindlichen Regeln
Policies über mehrere Anwendungen hinweg konsistent anwenden — zentral statt isoliert.
Nachweispflichtige KI-Arbeitsabläufe
Entscheidungen und Ausführungskontext leichter rekonstruieren — für Audit und Compliance.
Status: Evaluierter Proof of Concept
Diese Referenz basiert auf einer peer-reviewten Forschungspublikation, nicht auf einem abgeschlossenen Kundenprojekt. Die berichteten Kennzahlen entstammen einer PoC-Evaluation mit 200 synthetischen Aufgaben unter kontrollierten Bedingungen. Die Vergleichsbasis (Baseline) wurde modelliert; ein produktiver Kundeneinsatz und realisierte Einsparungen sind nicht belegt. Vor einer Verarbeitung realer Daten müssen Verantwortlichkeiten, Datenrechte und Schutzmaßnahmen geklärt sein.
Amadou Sienou (2026). MOTIVE Gateway: Architectural Enforcement of AI Governance for Enterprise LLM Integration. ICEIS 2026, Volume 2, S. 1633–1640. DOI 10.5220/0014970100004018 →Weitere Whitepaper
Passende Leistungen
AI Managed Governance
KI-Governance laufend betrieben — Register gepflegt, Kontrollen geprüft, KPI-Bericht erstellt, Nachweise für Revision und Aufsicht bereit.
Leistung ansehen →Sovereign AI Architecture
In sechs bis zehn Wochen: KI-Architektur festgelegt — Agent Registry, Steuerungsmodi, Policy-Enforcement, Deployment-Entscheidung.
Leistung ansehen →KI-Governance-Architektur für Ihr Unternehmen?
Klären Sie in einem unverbindlichen Erstgespräch, welche Governance-Kontrollen für Ihre KI-Nutzung jetzt sinnvoll sind — und wie ein strukturierter Pilotansatz aussehen kann.