Die beste Vision-AI-Lösung ist nicht die, die alles analysiert

Vision-AI-Plattformen werden immer leistungsfähiger. Sie können Personen erkennen, Fahrzeuge klassifizieren, Bewegungsabläufe analysieren, Wartezeiten messen, Objekte erkennen, Kennzeichen lesen und ungewöhnliche Situationen identifizieren. Mit Generative AI und Vision Language Models kommt eine weitere Ebene hinzu: Systeme können immer mehr Kontext verstehen und Videomaterial mithilfe natürlicher Sprache durchsuchbar machen.

Doch gerade weil technisch immer mehr möglich wird, gewinnt eine andere Frage an Bedeutung:

Müssen wir all diese Möglichkeiten auch nutzen?

Die europäische Gesetzgebung macht diese Frage aktueller denn je. Die DSGVO verlangt von Organisationen, personenbezogene Daten zweckgebunden zu verarbeiten und dabei Notwendigkeit und Verhältnismäßigkeit zu berücksichtigen. Der AI Act stellt zusätzliche Anforderungen an den verantwortungsvollen Einsatz von KI; weitere Bestimmungen sind seit dem 2. August 2026 anwendbar und werden durchgesetzt. Gleichzeitig erhöhen NIS2 und die CER-Richtlinie (Critical Entities Resilience) europaweit die Anforderungen an die digitale und physische Resilienz von Organisationen.

Anders als DSGVO und AI Act sind NIS2 und CER Richtlinien, die von den einzelnen Mitgliedstaaten in nationales Recht umgesetzt werden müssen. Die konkrete Gesetzgebung unterscheidet sich daher von Land zu Land. In den Niederlanden werden die beiden europäischen Richtlinien beispielsweise durch die Cyberbeveiligingswet und die Wet weerbaarheid kritieke entiteiten umgesetzt, die am 15. August 2026 in Kraft getreten sind. Andere europäische Staaten haben dieselben europäischen Rahmenwerke über ihre jeweilige nationale Gesetzgebung umgesetzt beziehungsweise befinden sich noch in diesem Prozess.

Die Richtung ist jedoch europaweit dieselbe: Organisationen müssen ihre Widerstandsfähigkeit erhöhen und gleichzeitig kritischer hinterfragen, welche Daten sie erfassen, verarbeiten und speichern.

Die beste Vision-AI-Lösung ist deshalb nicht automatisch die Lösung mit den meisten Analysefunktionen.

Mit dem Problem beginnen, nicht mit der Technologie

Vision-AI-Projekte beginnen häufig mit einer Liste technischer Möglichkeiten: Intrusion Detection, People Counting, Cross Camera Tracking, Heatmaps, ANPR, PPE Detection, Queue Management oder Natural Language Search.

Technisch interessant – aber eigentlich die falsche Reihenfolge.

Die erste Frage sollte lauten:

Welches Problem wollen wir lösen?

Erst danach sollte bestimmt werden, welche Informationen dafür erforderlich sind und welche Form von KI dafür sinnvoll ist.

Ein Flughafen, der verstehen möchte, warum zu bestimmten Zeiten Warteschlangen entstehen, benötigt möglicherweise lediglich Informationen über Personenanzahl, Bewegungsrichtung, Auslastung und Wartezeit. Dafür muss nicht bekannt sein, wer die einzelnen Reisenden sind.

Ein Produktionsbetrieb, der kontrollieren möchte, ob ein Notausgang frei bleibt, muss nicht feststellen, welcher Mitarbeiter sich dort aufhält. Das System muss lediglich erkennen, ob der definierte Bereich frei oder blockiert ist.

Und bei der Perimetersicherung reicht es häufig aus zu erkennen, dass sich zu einem bestimmten Zeitpunkt eine Person in einem gesperrten Bereich befindet. Die Identität dieser Person ist für diesen Zweck nicht automatisch relevant.

Mehr Intelligenz muss also nicht automatisch mehr personenbezogene Daten bedeuten.

Nicht alles, was sichtbar ist, ist auch relevant

Dieser Unterschied wird umso wichtiger, je leistungsfähiger Vision AI wird.

Eine Kamera erfasst eine vollständige Situation. Ein KI-Modell kann daraus immer mehr Informationen gewinnen. Aber nur weil Informationen technisch verfügbar sind, sind sie noch lange nicht für den jeweiligen Einsatzzweck erforderlich.

Das verlangt bewusste Entscheidungen. Welche Informationen benötigen wir wirklich? Welche können wir bewusst weglassen? Wie lange benötigen wir eine bestimmte Analyse? Und was geschieht anschließend mit den Ergebnissen?

Datenschutz und verantwortungsvolle KI müssen deshalb nicht ausschließlich nachträglich über Richtlinien und Dokumentation geregelt werden. Ein Teil dieser Entscheidungen kann bereits bei der technischen Konfiguration getroffen werden.

Die richtige KI auf der richtigen Kamera zum richtigen Zeitpunkt

Genau hier entsteht eine interessante Möglichkeit.

Warum sollte eine bestimmte Analyse permanent auf einer Kamera ausgeführt werden, wenn die Informationen nur vorübergehend benötigt werden?

Angenommen, eine Organisation möchte vier Wochen lang untersuchen, in welchen Bereichen eines Gebäudes sich Besucher besonders lange aufhalten. Dafür können zeitweise Dwell-Time- oder Flow-Analysen eingesetzt werden. Sobald die Fragestellung beantwortet ist, wird die Analyse deaktiviert.

Anschließend kann dieselbe KI-Kapazität an anderer Stelle eingesetzt werden, beispielsweise zur Analyse von Warteschlangen oder Auslastungsgraden.

Vision AI entwickelt sich damit von einer statischen Technologie, die einmal installiert wird und anschließend jahrelang dieselbe Aufgabe erfüllt, zu einer flexiblen Informationsinfrastruktur, die sich an den aktuellen Fragestellungen der Organisation orientiert.

Das ist nicht nur effizienter. Es fördert auch einen bewussteren Umgang mit Analysen:

Nur dort, dann und so lange analysieren, wie die Information tatsächlich benötigt wird.

Man könnte dies als Privacy by Configuration bezeichnen. Nicht als offiziellen juristischen Begriff, sondern als Gestaltungsprinzip: Die Technologie wird so konfiguriert, dass sie nur die Informationen verarbeitet, die für einen zuvor definierten Zweck relevant sind.

Von permanenter Überwachung zu gezielten Informationsfragen

Dieser Ansatz verändert auch die Art, wie Unternehmen ihre bestehende Kamerainfrastruktur betrachten können.

Traditionell wird Videotechnologie häufig pro Kamera eingerichtet. Eine Kamera erhält eine bestimmte Funktion und behält diese anschließend über einen langen Zeitraum.

Vision AI ermöglicht ein dynamischeres Modell. Heute kann eine Kamera für Occupancy Analytics eingesetzt werden, im nächsten Monat für Queue Management. Eine andere Kamera kann vorübergehend genutzt werden, um Verkehrsströme oder die Nutzung eines bestimmten Bereichs zu analysieren.

Die Kamera bleibt dieselbe.

Die Informationsfrage verändert sich.

Gerade für große Organisationen mit Hunderten oder Tausenden bereits vorhandenen Kameras ist das interessant. Für jede neue Fragestellung muss nicht automatisch eine neue Kamera oder ein separates System installiert werden. Die bestehende Infrastruktur kann wesentlich flexibler genutzt werden.

Auch bei Security gilt: Weniger kann mehr sein

Dasselbe Prinzip gilt für Sicherheitsanwendungen.

Eine KI-Plattform kann möglicherweise Gesichter erkennen, Personen verfolgen, äußere Merkmale analysieren und Verhalten klassifizieren. Wenn die Sicherheitsanforderung jedoch lediglich darin besteht festzustellen, ob eine Person nach Betriebsschluss einen gesperrten Bereich betritt, kann eine einfache Intrusion Detection vollkommen ausreichend sein.

Mehr Analysen machen eine Lösung nicht automatisch besser.

Jede zusätzliche Analyse bedeutet zusätzliche Daten, Konfiguration, Komplexität und möglicherweise neue Datenschutz- und Governance-Fragen.

Eine ausgereifte Vision-AI-Strategie sollte deshalb nicht nur fragen:

Was können wir noch hinzufügen?

Sondern auch:

Was können wir bewusst weglassen?

Das wirkt in einer Produktdemo vielleicht weniger spektakulär, ist für große Organisationen langfristig aber wesentlich relevanter.

Flexibilität wird Teil der Governance

Mit zunehmender Flexibilität von Vision AI wird auch diese Flexibilität selbst zu einer Governance-Frage.

Wenn sich KI-Kapazitäten flexibel zwischen Kamerastreams verschieben lassen, kann eine Organisation wesentlich gezielter bestimmen, wo Analysen aktiv sind. Lizenzen und AI-Ressourcen müssen nicht dauerhaft an eine bestimmte Kamera oder einen einzelnen Use Case gebunden sein.

So können zeitlich begrenzte Analysephasen durchgeführt werden: messen, analysieren und lernen – und die vorhandene Kapazität anschließend für die nächste Fragestellung einsetzen.

Technische Flexibilität benötigt jedoch organisatorische Kontrolle. Wer darf eine Analyse aktivieren? Für welchen Zweck? Auf welchen Kameras? Für welchen Zeitraum? Welche Informationen werden gespeichert? Und wann wird die Analyse wieder deaktiviert?

Technische Flexibilität entfaltet ihren eigentlichen Wert erst in Kombination mit klarer Governance.

Die Stärke liegt nicht in möglichst viel KI

Vision-AI-Plattformen werden in den kommenden Jahren immer mehr können. Neue Modelle werden besser verstehen, was in Videobildern geschieht, und Anwender werden neue Analysen immer einfacher aktivieren können.

Das macht es verlockend, immer mehr Informationen zu erfassen.

Ein ausgereifter Einsatz von Vision AI verlangt jedoch genau das Gegenteil.

Mit dem Problem beginnen. Bestimmen, welche Informationen tatsächlich benötigt werden. Anschließend die minimal erforderliche Analyse auswählen und diese nur dort und dann einsetzen, wo sie einen konkreten Mehrwert bietet.

Die beste Vision-AI-Lösung ist deshalb nicht die, die permanent alles analysiert.

Sondern die, die Organisationen die Flexibilität gibt, genau das zu analysieren, was benötigt wird – und gleichzeitig die Kontrolle bietet, alles andere bewusst nicht zu analysieren.