Deutschland befindet sich an einem bemerkenswerten Punkt seiner KI-Strategie. Nach Jahren, in denen Forschung, Modellentwicklung und politische Grundsatzpapiere dominierten, verlagert sich der Schwerpunkt zunehmend auf die praktische Anwendung. Künstliche Intelligenz wird in Kommunen, Industrie, Robotik, Gesundheitsforschung und Bildung unter realen Bedingungen erprobt. Gleichzeitig entstehen regulatorische Testumgebungen, neue souveräne Cloud-Infrastrukturen und europäische Großprogramme für industrielle KI. Der entscheidende Wandel lautet deshalb: weg vom allgemeinen KI-Experiment und hin zu konkreten, messbaren Anwendungen, die dauerhaft in bestehende Prozesse integriert werden können.
Besonders auffällig ist, dass Deutschland dabei nicht versucht, ein einziges nationales KI-Pilotprogramm aufzubauen. Stattdessen entsteht ein Netzwerk aus Verwaltungsprojekten, Reallaboren, Transferzentren, Förderprogrammen und europäischen Infrastrukturinitiativen. Diese Programme verfolgen unterschiedliche Ziele, folgen aber zunehmend derselben Logik: Eine KI-Anwendung gilt nicht mehr deshalb als erfolgreich, weil eine Demonstration funktioniert. Sie muss sich unter realen Bedingungen bewähren, mit bestehenden Systemen zusammenarbeiten, rechtliche Anforderungen erfüllen und anschließend auf andere Organisationen oder Branchen übertragbar sein.
Die Verwaltung wird zum Testfeld für KI-Agenten
Das derzeit sichtbarste Beispiel ist der Agentic AI Hub des Bundesministeriums für Digitales und Staatsmodernisierung gemeinsam mit dem DigitalService des Bundes. Hier geht es ausdrücklich nicht mehr um einfache Behörden-Chatbots. Stattdessen werden KI-Agenten in konkrete Verwaltungsabläufe integriert und sollen beispielsweise Anträge vorprüfen, Dokumente analysieren, Posteingänge klassifizieren, Protokolle erstellen oder Sachbearbeiterinnen und Sachbearbeiter bei komplexen Verfahren unterstützen.
Die erste Pilotierungsphase ist inzwischen abgeschlossen. Nach Angaben des Bundes wurden die Durchlaufzeiten bei komplexen Antragsprozessen in einzelnen Pilotfällen um mehr als 90 Prozent reduziert, was einer Ersparnis von bis zu 28 Stunden pro Vorgang entsprechen kann. 95 Prozent der beteiligten Kommunen zeigten sich mit den getesteten Lösungen sehr zufrieden, und etwa die Hälfte der erprobten Anwendungen gilt bereits als grundsätzlich auf andere Kommunen übertragbar. Diese Werte stammen aus der Programmevaluation und sind deshalb als Ergebnisse der Pilotprojekte und nicht als allgemeingültige Produktivitätswerte für die gesamte Verwaltung zu verstehen.
Seit dem 7. September 2026 läuft die zweite Pilotierungsphase, die bis zum 30. November vorgesehen ist. Nun geht es deutlich stärker um Verstetigung und Skalierung. Der Bund arbeitet unter anderem an einem dynamischen Beschaffungssystem, mit dem Kommunen erprobte KI-Lösungen künftig leichter beziehen können. Parallel entsteht ein Datenschutz-Prüfassistent, der helfen soll, neue Anwendungen schneller auf ihre datenschutzrechtliche Eignung zu prüfen. Der Agentic AI Hub entwickelt sich damit von einem klassischen Innovationsprojekt zunehmend zu einer möglichen Beschaffungs- und Transferplattform für kommunale KI.
Der eigentliche Fortschritt liegt im Prozess, nicht im Chatbot
Die bisherigen Pilotfälle zeigen auch, wohin sich Verwaltungs-KI bewegt. In Düsseldorf und Frankfurt werden beispielsweise Systeme zur Vorprüfung von Wohnberechtigungsscheinen getestet. Andere Projekte beschäftigen sich mit Wohngeld, Pflegeleistungen, Einbürgerungsverfahren, automatischer Protokollierung oder der Vorsortierung kommunaler Posteingänge.
Damit verändert sich die Erfolgsdefinition. Entscheidend ist nicht mehr, ob ein KI-System überzeugende Texte erzeugt. Gemessen werden Bearbeitungszeit, Fehlerquote, Übertragbarkeit und die Entlastung der Verwaltung. Gerade das macht den Agentic AI Hub strategisch interessant: Deutschland beginnt, KI nicht länger als zusätzliche Oberfläche für bestehende Prozesse zu behandeln, sondern als möglichen Bestandteil der eigentlichen Prozessarchitektur.
KI-Reallabore sollen Innovation und Regulierung zusammenbringen
Parallel dazu entsteht eine zweite wichtige Infrastruktur: KI-Reallabore. Sie sollen Unternehmen ermöglichen, innovative Systeme unter behördlicher Begleitung zu entwickeln, zu testen und zu validieren, bevor sie in größerem Umfang auf den Markt kommen.
Die Bundesnetzagentur hat gemeinsam mit dem Land Hessen und der Bundesbeauftragten für den Datenschutz bereits einen Simulationspilot abgeschlossen. Zwei KI-Anwendungsfälle aus dem medizinischen Bereich wurden genutzt, um zu testen, wie ein solches Reallabor praktisch funktionieren könnte. Aus dem Projekt entstand unter anderem eine Roadmap für KI-basierte Medizinprodukte, die Anforderungen aus dem AI Act mit den bestehenden europäischen Regeln für Medizinprodukte verbindet.
Bemerkenswert ist dabei eine inzwischen veränderte Fristlage. Während frühere Veröffentlichungen noch vom 2. August 2026 als Termin für nationale Reallabore ausgingen, nennt die Bundesnetzagentur nach den Änderungen durch den europäischen KI-Omnibus aktuell den 2. August 2027 als Termin, zu dem mindestens ein einsatzbereites nationales KI-Reallabor vorhanden sein muss.
Für regulierte Branchen ist diese Entwicklung besonders relevant. Medizin, Mobilität, kritische Infrastruktur oder öffentliche Verwaltung können KI nicht nach dem Prinzip „erst entwickeln, später Compliance prüfen“ einführen. Datenschutz, Human Oversight, technische Dokumentation und Risikomanagement müssen zunehmend bereits Teil der Produktentwicklung sein.
Die Industrie soll von allgemeinen Modellen zu spezialisierten KI-Systemen wechseln
Auch die Forschungs- und Wirtschaftspolitik verschiebt ihren Schwerpunkt. Deutschland setzt stärker auf domänenspezifische industrielle KI. Der strategische Vorteil wird weniger in allgemeinen Konsumentendaten gesehen als in Maschinen-, Produktions-, Sensor- und Prozessdaten aus Industrie und Mittelstand.
Dahinter steckt eine grundsätzliche These: Deutschland muss nicht zwangsläufig das nächste globale Basismodell entwickeln, um bei KI wirtschaftlich relevant zu bleiben. Entscheidend könnte vielmehr sein, vorhandene Modelle mit hochwertigen industriellen Daten, Fachwissen und realen Produktionsprozessen zu verbinden.
Neue Förderprogramme verlangen deshalb zunehmend echte Prozessintegration. Ein Modell, das in einem Labor beeindruckend funktioniert, reicht nicht. Gefragt sind Schnittstellen zu Unternehmenssoftware, nachvollziehbare Daten-Governance, Sicherheitsmechanismen, messbare Kennzahlen und ein klarer Weg in den produktiven Betrieb.
Robotik wird zum nächsten großen Transferfeld
Besonders deutlich zeigt sich dieser Ansatz bei den geplanten Robo-Hubs. Sie sollen Forschung, Unternehmen, Testfelder, Simulation und Qualifizierung für KI-basierte Robotik zusammenbringen.
Das Ziel ist nicht lediglich, neue Roboter zu entwickeln. Unternehmen – insbesondere kleine und mittelständische Betriebe – sollen neue Technologien unter realen Bedingungen ausprobieren können, bevor sie große Investitionen tätigen. Das Prinzip lautet „test before invest“.
Damit rückt sogenannte Physical AI stärker in den Mittelpunkt der deutschen KI-Politik. KI soll nicht mehr nur Dokumente oder Daten verarbeiten, sondern zunehmend Maschinen, autonome Systeme und Roboter unterstützen. Gerade für Produktionsindustrie, Logistik, Landwirtschaft, Bauwirtschaft sowie Gesundheit und Pflege könnte dies langfristig besonders relevant werden.
Gesundheits-KI braucht zuerst sichere Datenräume
Im Gesundheitswesen zeigt sich gleichzeitig, warum viele KI-Projekte nicht an den Modellen selbst scheitern.
Das Bundesforschungsministerium hat im August eine Förderlinie für Secure Processing Environments gestartet. Dabei geht es um sichere Verarbeitungsumgebungen, in denen sensible Gesundheitsdaten genutzt und miteinander verknüpft werden können, ohne dass sie unkontrolliert die geschützte Infrastruktur verlassen. Projektskizzen können noch bis zum 28. Oktober 2026 eingereicht werden.
Das Programm ist keine reine KI-Förderung. Für medizinische KI ist es trotzdem fundamental. Ohne hochwertige, interoperable und rechtssicher nutzbare Gesundheitsdaten bleiben viele Modelle auf kleine Forschungsdatensätze oder einzelne Kliniken beschränkt.
Deutschlands Gesundheits-KI-Strategie verschiebt sich deshalb zunehmend von der Frage „Welches Modell verwenden wir?“ hin zur Frage „Unter welchen Bedingungen dürfen Modelle mit sensiblen Daten arbeiten?“.
Auch Schulen gehen von Experimenten zu konkreten Werkzeugen über
Im Bildungsbereich laufen ebenfalls mehrere Pilotprojekte. Besonders sichtbar ist KIMADU in Nordrhein-Westfalen. An 25 weiterführenden Schulen wird untersucht, wie generative KI sinnvoll in den Mathematik- und Deutschunterricht integriert werden kann. Dabei steht nicht die Automatisierung des Unterrichts im Mittelpunkt, sondern die Frage, wie KI Lehr- und Lernprozesse unterstützen kann.
Interessant ist, dass daraus inzwischen bereits konkrete Werkzeuge entstehen. Die Universität Siegen hat im September beispielsweise den KRAFT+-Agenten vorgestellt, der Deutschlehrkräfte bei der Unterrichtsvorbereitung unterstützt. Das Werkzeug entstand unmittelbar aus den Erfahrungen des KIMADU-Projekts und wurde gemeinsam mit beteiligten Lehrkräften getestet.
Damit lässt sich auch im Bildungsbereich derselbe Übergang beobachten: Ein Pilotprojekt dient nicht mehr nur dazu herauszufinden, ob generative KI grundsätzlich funktioniert. Aus den Tests sollen übertragbare Methoden, Werkzeuge und Unterrichtskonzepte entstehen.
Deutschland baut parallel die Infrastruktur unter den Anwendungen
Unterhalb dieser einzelnen Pilotprojekte entsteht gleichzeitig eine zunehmend umfassende Infrastruktur.
Das Bundesministerium für Digitales und Staatsmodernisierung nennt inzwischen eine souveräne KI-Cloud-Basisplattform als zentrales Element des Deutschland-Stacks. Außerdem wurde bei der Bundesnetzagentur ein KI-Service-Desk eingerichtet, der Unternehmen bei Fragen zur europäischen KI-Regulierung unterstützen soll. Gemeinsam mit Hamburg arbeitet der Bund zudem an einer agentischen KI für Genehmigungen von Wasserstoffkernnetzleitungen, die langfristig als Blaupause für weitere Genehmigungsverfahren dienen könnte.
Neu hinzu kommt eine europäische Initiative für verteilte Recheninfrastruktur. Das Wirtschaftsministerium hat im September das Interessenbekundungsverfahren für das IPCEI-CIC gestartet. Dabei sollen europaweit vernetzte Edge-Rechenknoten entstehen, über die insbesondere mittelständische Unternehmen Zugang zu moderner KI-Rechenleistung erhalten können. Projektskizzen können bis zum 16. Oktober 2026 eingereicht werden.
IPCEI-AI soll die nächste Skalierungsstufe bringen
Noch größer ist das geplante IPCEI-AI. 19 europäische Mitgliedstaaten haben im September ein gemeinsames Manifest für ein industrielles KI-Ökosystem unterzeichnet. Mehr als 150 Projekte wurden europaweit für die Teilnahme ausgewählt, und das erwartete Investitionsvolumen liegt bei über zehn Milliarden Euro.
Deutschland koordiniert das Vorhaben auf europäischer Ebene. Deutsche Projektvorschläge sollen noch im September bei der Europäischen Kommission eingereicht werden. Der eigentliche Projektstart wird für das Frühjahr 2027 angestrebt.
Damit ist IPCEI-AI im September 2026 ausdrücklich noch kein laufendes KI-Pilotprogramm. Es ist vielmehr die geplante nächste Stufe: Erfolgreiche Forschung, Infrastruktur und industrielle Pilotierung sollen in größere europäische Wertschöpfungsstrukturen überführt werden.
Vom Proof of Concept zum produktiven System
Das vielleicht wichtigste Muster über alle Programme hinweg ist deshalb der Abschied vom klassischen Proof of Concept.
Noch vor wenigen Jahren bestand ein typisches KI-Projekt darin, ein Modell mit einem ausgewählten Datensatz zu verbinden und zu demonstrieren, dass eine Aufgabe grundsätzlich automatisiert werden kann.
2026 reichen solche Demonstrationen zunehmend nicht mehr.
Gefragt sind reale Daten, echte Nutzerinnen und Nutzer, Schnittstellen zu vorhandenen Systemen, Datenschutz, Rollen- und Berechtigungskonzepte, Protokollierung, Evaluation und ein belastbares Finanzierungsmodell für den späteren Betrieb.
Das eigentliche Problem ist damit nicht mehr, ob KI technisch funktioniert.
Die entscheidende Frage lautet, ob sie dauerhaft in einer Organisation funktionieren kann.
Digitale Souveränität bekommt eine praktische Bedeutung
Auch der häufig verwendete Begriff der digitalen Souveränität wird dadurch konkreter.
Gemeint ist zunehmend nicht, dass jede verwendete Technologie zwingend aus Deutschland stammen muss. Entscheidend sind vielmehr kontrollierbare Datenflüsse, offene Schnittstellen, austauschbare Modelle, nachvollziehbare Systeme und die Möglichkeit, Infrastruktur auch ohne vollständige Abhängigkeit von einzelnen außereuropäischen Anbietern zu betreiben.
Die souveräne Cloud-Plattform, der Deutschland-Stack, regulatorische Reallabore, neue Rechenknoten und europäische KI-Projekte sind deshalb keine voneinander unabhängigen Initiativen. Zusammen bilden sie zunehmend eine technische und regulatorische Ebene unter den eigentlichen KI-Anwendungen.
Deutschland befindet sich nicht mehr in der Experimentierphase – aber auch noch nicht in der Skalierung
Stand heute lässt sich die deutsche KI-Landschaft deshalb am besten als Transferphase beschreiben.
Deutschland verfügt mittlerweile über zahlreiche konkrete Anwendungen, erste belastbare Pilotresultate und eine wachsende Infrastruktur für Regulierung und Betrieb. Gleichzeitig sind viele der ambitioniertesten Programme noch nicht flächendeckend produktiv. Robo-Hubs werden erst aufgebaut, industrielle Förderprojekte müssen noch ausgewählt werden und das milliardenschwere IPCEI-AI soll erst 2027 starten.
Der entscheidende Test beginnt damit jetzt.
Nicht die Zahl der KI-Pilotprojekte wird darüber entscheiden, ob Deutschland bei Künstlicher Intelligenz erfolgreich ist. Entscheidend wird sein, wie viele dieser Projekte nach Ende der Förderung tatsächlich weiterbetrieben, von anderen Organisationen übernommen und in alltägliche Prozesse integriert werden.
Genau darin liegt die nächste Phase der deutschen KI-Strategie: nicht mehr beweisen, dass KI funktioniert – sondern beweisen, dass sie sich skalieren lässt.
