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, eigene Verträge mit Dienstleistern. Sobald eine Frage Ressortgrenzen überschritt — Pandemie, Klimapolitik, Lieferkettenrisiken — bedeutete die Analyse monatelange Abstimmung, wenn sie überhaupt stattfand. Und die übliche Abkürzung war versperrt: Souveränitätsanforderungen schlossen die Hyperscaler aus, und die deutsche Vergabe hat ihre eigene Physik.

Der Auftrag für PLAIN (Platform Analysis and Information Systems): 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. Kein Vendor-Lock-in. 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. Was diese Reihenfolge zuverlässig produziert, sind späte strukturelle Überraschungen: Ein Review am Zyklusende findet keine kosmetischen Probleme, sondern fundamentale, 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 waren Inputs der ersten Architekturentscheidung, nicht Tests der letzten. Das klingt langsamer und ist tatsächlich schneller: Eine Bundesvorgabe lässt sich in keinem Workshop wegdiskutieren, also fanden ganze Debattenkategorien nie statt. Der Constraint warf die meisten Optionen raus, bevor irgendwer an ihnen hing, und die Architektur wurde dadurch einfacher. Der Preis waren restriktive Defaults von Anfang an — ausschließlich souveräne Infrastruktur, Isolation überall, alles auditierbar — im Tausch dafür, dem Regulator beim Launch nie als Gegner zu begegnen.

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 entlang echter Rollen: 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.

Eine Plattform, die niemand nutzt, ist teure Infrastruktur mit Logo. 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 — Wiederverwendung, ohne die Kontrolle über die eigenen Daten abzugeben.

Version 1.0 ging im Juni 2023 in Produktion, rund acht Monate nach Entwicklungsstart — eine Zeitangabe, die man im deutschen Public Sector zweimal liest. 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. Fünf Ministerien, eine souveräne Plattform — und nichts davon existierte zwei Jahre zuvor.