PLAIN: Eine souveräne Daten- und KI-Plattform für Deutschland

Deutschlands Bundesministerien saßen auf Daten, die sie nicht gemeinsam nutzen konnten. Jedes Ressort betrieb eigene Tools, eigene Pipelines und eigene Verträge mit Dienstleistern. Sobald eine Frage Ressortgrenzen überschritt, ob Pandemie, Klimapolitik oder Lieferkettenrisiken, bedeutete die Analyse monatelange Abstimmung, wenn sie überhaupt stattfand. Die übliche Abkürzung war versperrt, denn Souveränitätsanforderungen schlossen die Hyperscaler aus, und die öffentliche Vergabe in Deutschland hat ihr eigenes Tempo.

Der Auftrag für PLAIN (Platform Analysis and Information Systems) lautete: eine gemeinsame Daten- und KI-Plattform für fünf Bundesministerien, betrieben aus einem souveränen Berliner Rechenzentrum von der Bundesdruckerei unter dem Auswärtigen Amt. Vollständig barrierefrei nach BITV 2.0, ohne Vendor-Lock-in und belastbar genug für alles von Krisenmonitoring bis Fördermittelvergabe.

Früher in meiner Laufbahn habe ich Compliance behandelt wie die meisten Teams: erst bauen, dann herausfinden, wie es durch die Prüfung kommt. Diese Reihenfolge produziert zuverlässig späte strukturelle Überraschungen. Ein Review am Zyklusende findet fundamentale Probleme, weil die Architektur Monate vorher feststand, ohne dass die Regeln im Raum waren.

Auf PLAIN habe ich es umgedreht. KRITIS, BSI-Kontrollen, DSGVO und BITV 2.0 prägten die erste Architekturentscheidung. Eine Bundesvorgabe lässt sich in keinem Workshop wegdiskutieren, also fanden viele Debatten gar nicht erst statt, und die Architektur wurde dadurch einfacher. Der Preis waren restriktive Defaults von Anfang an: ausschließlich souveräne Infrastruktur, Isolation überall, alles auditierbar. Im Gegenzug begegnete uns der Regulator beim Launch nie als Gegner.

Eine containerisierte Multi-Tenant-Architektur mit Netzwerk- und Identity-Isolation pro Ministerium. Eine Datenebene aus Lake, Warehouse, Data Contracts, Lineage und Katalog. Self-Service-Workbenches passend zu den Rollen im Haus: Apache Superset für No-Code-Dashboards, GitLab für Inner-Source-Kollaboration, Jupyter- und ML-Toolchains für Data-Science-Teams. Virtualisierte GPUs mit Quota-Policies hielten KI-Workloads elastisch, ohne dass die Kosten davonliefen.

Adoption gehörte zur Lieferung dazu, denn Infrastruktur, die niemand nutzt, hilft keinem Ministerium. Analyst:innen, Data Scientists und Politikberater:innen bekamen je einen Workflow, der zu ihnen passt: gesteuertes Data-Onboarding mit PII-Handling, Dashboards entlang ministerieller KPIs, wiederverwendbare Container-Templates, die Use-Case-Rollouts von Wochen auf Tage verkürzten. Sandbox-Tenants mit synthetischen Datensätzen gaben Raum zum Experimentieren, ohne Produktionsdaten anzufassen. Ressortübergreifendes Teilen lief über Inner-Source-Patterns, Scoped Tokens und Data-Sharing-Agreements, sodass ein Ministerium die Arbeit eines anderen weiterverwenden und trotzdem die Kontrolle über die eigenen Daten behalten konnte.

Version 1.0 ging im Juni 2023 in Produktion, rund acht Monate nach Entwicklungsstart. Die Plattform erreichte den 2. Platz im eGovernment-Wettbewerb in der Kategorie „Digitale Transformation durch KI und moderne Infrastruktur“.

Was heute darauf läuft: Monitoring von Pandemien und politischen Krisen mit Szenario-Insights, klimabewusste Landnutzungsplanung, Prognosen zur Versorgungskritikalität in Lieferketten, optimierte Förderprogramme, BMZ-Datenprodukte mit KI-gestützten Dashboards. Zwei Jahre zuvor gab es nichts davon.