Von Hakan Akcan · Reepa Solutions
Die Frage „On-Premise oder Cloud?“ ist 2026 die meistgestellte Architektur-Entscheidung in unseren Beratungs-Gesprächen mit mittelständischen Unternehmen. Sie ist auch die am häufigsten falsch getroffene — entweder zu schnell für Cloud, weil das Setup verlockend einfach wirkt, oder zu schnell für On-Premise, weil eine pauschale Datenschutz-Sorge alle Argumente überlagert. Beides verursacht teure Folgen: im ersten Fall regelmäßige Compliance-Korrekturen, im zweiten Fall ein sechsstelliger Hardware-Posten, der sich nie wirtschaftlich trägt. Dieser Leitfaden zeigt, wie die Entscheidung sauber zu treffen ist — entlang von vier Kriterien: Datenresidenz, Token-Volumen, Reifegrad und tatsächlicher TCO über drei Jahre. Für die strategische Einbettung siehe unseren KI-Guide für den Mittelstand und für die Datenschutz-Argumentation den Cluster zu KI und DSGVO.
Worum geht es — und warum die Entscheidung sechsstellige Kosten bewegt
Hinter der scheinbar binären Frage „Cloud oder On-Premise?“ stehen drei eigenständige Architektur-Entscheidungen, die häufig miteinander vermischt werden. Erstens: wo verlässt der Datensatz physisch das Unternehmen, oder verlässt er es überhaupt? Zweitens: wer betreibt die Modell-Infrastruktur — der Cloud-Anbieter, ein Dienstleister, das eigene IT-Team? Drittens: wer wählt und aktualisiert das Modell? Eine durchdachte Entscheidung trennt diese drei Ebenen, weil sich daraus Hybrid-Architekturen ergeben, die in der Praxis meistens die beste Lösung sind.
Wichtig ist zudem die Begriffs-Klarheit. „Cloud-LLM“ heißt im engeren Sinne ein vom Anbieter gehosteter API-Dienst — OpenAI, Anthropic, Google, Mistral La Plateforme. „On-Premise“ heißt streng genommen ein im eigenen Rechenzentrum betriebener GPU-Server mit einem offenen Modell wie Llama 3.x, Mistral, Mixtral oder Qwen. Dazwischen liegen weitere Varianten: ein Cloud-LLM in einer EU-Region mit Auftragsverarbeitungsvertrag, ein dedizierter Cloud-GPU-Server bei AWS, Azure oder Hetzner mit eigenem Modell, ein Managed-Service in einem deutschen Rechenzentrum. Diese mittleren Varianten werden in der Diskussion oft übersehen, sind aber für den Mittelstand häufig die wirtschaftlichste Wahl.
Cloud-LLMs — Pros und Cons im Klartext
Cloud-LLMs sind die Standard-Wahl im Mittelstand und das aus guten Gründen. Sie liefern die jeweils stärksten Modelle, sie haben keinen Investitions-Vorlauf, sie skalieren mit dem Nutzungs-Volumen, und sie nehmen dem Unternehmen den Betrieb komplett ab. Gleichzeitig haben sie drei strukturelle Nachteile, die Sie kennen und einplanen müssen.
Vorteile. Erstens Modell-Qualität: die führenden Cloud-Anbieter — Anthropic mit Claude, OpenAI mit GPT, Google mit Gemini — liefern Modelle, die offen verfügbaren Modellen typischerweise um 6 bis 18 Monate voraus sind. Wer ein qualitativ überlegenes Modell braucht, kommt an Cloud nicht vorbei. Zweitens Pay-per-Use: die Kosten skalieren mit dem tatsächlichen Verbrauch — keine Vorab-Investition, keine Auslastungs-Sorgen, keine Hardware-Abschreibung. Drittens kein Ops-Overhead: das Unternehmen kümmert sich nicht um GPU-Treiber, Modell-Updates, Quantisierung, Inference-Server, Load-Balancing oder Disaster-Recovery. Für mittelständische IT-Teams, die ohnehin überlastet sind, ist das ein massiver Vorteil.
Nachteile. Erstens Datenresidenz und Vertraulichkeit: auch mit EU-Region und Auftragsverarbeitungsvertrag bleibt das Modell in fremder Hand, Logs werden potenziell für Sicherheits-Analysen aufbewahrt, und bei US-Anbietern bleibt ein Rest-Risiko der extraterritorialen Datenanforderung — dazu im Schrems-II-Abschnitt mehr. Zweitens Vendor-Lock-in: wer alle Prompts, RAG-Pipelines und Tool-Aufrufe auf die proprietäre API eines Anbieters zuschneidet, hat einen schwer rückbaubaren Stack. Modell-Wechsel oder Preis-Verhandlungs-Macht sind dadurch begrenzt. Drittens Latenz und Verfügbarkeit: Cloud-LLMs haben typische Antwort-Latenzen von 800 Millisekunden bis mehreren Sekunden bei langem Kontext, und sie hängen von der Internet-Anbindung sowie der Anbieter-Verfügbarkeit ab. Für interaktive Real-Time-Anwendungen ist das oft problematisch.
On-Premise-LLMs — was 2026 möglich ist
Die On-Premise-Welt hat sich zwischen 2023 und 2026 dramatisch entwickelt. Offene Modelle haben in vielen Benchmark-Disziplinen die Lücke zu geschlossenen Cloud-Modellen weitgehend eingeholt. Drei Familien dominieren den Markt 2026:
Llama 3.x von Meta. Mit Llama 3.3 70B steht ein Modell zur Verfügung, das in vielen Aufgabenstellungen mit GPT-4-Klasse mithält und unter einer für Unternehmen brauchbaren Lizenz veröffentlicht ist. Llama 3.3 70B im 4-Bit-Quantisierungsmodus läuft auf einer einzelnen NVIDIA H100 80 GB oder zwei A100 80 GB. Das macht es zur Standard-Wahl für mittelständische On-Premise-Projekte.
Mistral und Mixtral. Mistral 7B und das Mixtral-8x22B-Mixture-of-Experts-Modell vom französischen Anbieter Mistral sind in Europa besonders beliebt, weil der Anbieter selbst EU-ansässig ist. Mixtral 8x22B liefert in vielen Aufgaben Qualität nahe an Llama 3.3 70B, ist aber durch die MoE-Architektur in der Inference effizienter — eine H100 80 GB reicht im 4-Bit-Modus. Mistral Small und Mistral Medium sind die schlanken Varianten für ressourcen-sparsame Setups.
Qwen von Alibaba. Qwen 2.5 hat sich 2025 als unerwartet starkes offenes Modell etabliert, insbesondere in mehrsprachigen Aufgaben und im Code-Bereich. Qwen 2.5-72B ist in deutschen Benchmark-Tests konkurrenzfähig zu Llama 3.3 70B. Für viele Mittelständler ist es allerdings politisch heikel, weil der Anbieter chinesisch ist — auch ohne Daten-Transfer entstehen vertragliche Bedenken in Lieferanten-Audits.
Hardware-Realität 2026. Die einsetzbaren GPUs für produktive Inference sind im Wesentlichen drei: die NVIDIA H100 mit 80 GB als Premium-Wahl bei rund 28.000 bis 35.000 Euro pro Karte, die A100 mit 80 GB als bewährte Standard-Wahl bei rund 12.000 bis 18.000 Euro auf dem Gebraucht- und Refurbished-Markt, und die L40S mit 48 GB als günstige Inference-Karte bei rund 9.000 bis 12.000 Euro. Ein produktiver Server mit einer L40S, geeignet für Mistral 7B, Llama 3 8B oder kleinere Qwen-Varianten, beginnt 2026 bei rund 15.000 Euro inklusive Server-Chassis, CPU, RAM und NVMe-Storage. Ein produktiver H100-Server für Llama 3.3 70B oder Mixtral 8x22B liegt bei 50.000 bis 75.000 Euro.
Inference-Latenz. On-Premise hat hier einen oft unterschätzten Vorteil: die Antwort-Latenz für den ersten Token liegt typischerweise bei 80 bis 200 Millisekunden gegenüber 600 bis 1.500 Millisekunden in der Cloud, weil keine Internet-Strecke dazwischen liegt. Für interaktive Anwendungen — Chatbots im Kundenservice, Code-Assistenten, Echtzeit-Übersetzung — ist das spürbar. Der Tokens-pro-Sekunde-Durchsatz hängt vom Modell und der GPU ab und liegt bei einer H100 für Llama 3.3 70B 4-Bit typischerweise zwischen 30 und 60 Token pro Sekunde im Single-User-Modus.
Kostenlose Architektur-Beratung anfordern
Sie stehen vor der Entscheidung Cloud, On-Premise oder Hybrid? Wir bieten ein 45-minütiges Erstgespräch ohne Kosten — wir bewerten Ihre Daten-Sensitivität, Ihr realistisches Token-Volumen und schlagen eine Architektur mit konkretem Hardware- oder Lizenz-Plan vor.
Kostenlose Architektur-Beratung anfordernHybrid-Architekturen — der Mittelweg, der meistens richtig ist
In über 70 Prozent unserer Beratungs-Projekte ist die Antwort auf die Cloud-versus-On-Premise-Frage „beides, aber in unterschiedlichen Rollen“. Eine Hybrid-Architektur trennt sensible von generischen Workloads und routet sie an die jeweils passende Infrastruktur. Das verschafft dem Unternehmen drei Vorteile gleichzeitig: streng vertrauliche Daten bleiben im Haus, generische Aufgaben profitieren von der Modell-Stärke der Cloud, und das Gesamt-Budget bleibt überschaubar, weil das On-Premise-Modell kleiner dimensioniert werden kann.
Eine bewährte Aufteilung in der Praxis sieht so aus: ein On-Premise-Llama oder -Mistral verarbeitet alles, was Verträge, Personalakten, F&E-Dokumente, Kundendaten oder Quelltexte betrifft. Ein Cloud-Modell wie Claude Enterprise oder GPT-4 Enterprise übernimmt die generischen Aufgaben — allgemeine Texterstellung, Brainstorming, Übersetzungen, öffentlich verfügbare Recherche, Marketing-Content. Ein vorgeschaltetes Routing-Modul entscheidet pro Anfrage, welcher Endpoint zuständig ist.
Das Routing kann auf drei Wegen umgesetzt werden. Erstens manuell über die Anwendung — der Nutzer wählt selbst „intern“ oder „öffentlich“. Das ist die einfachste, aber fehleranfälligste Variante. Zweitens regelbasiert — die Anwendung klassifiziert Dokumente, Schlagwörter und Datenquellen automatisch. Drittens modell-basiert — ein kleines lokales Klassifikations-Modell bewertet die Sensitivität jeder Anfrage. Die regelbasierte Variante ist für die meisten Mittelständler der pragmatische Mittelweg, weil sie wartbar bleibt und im Audit sauber dokumentierbar ist.
Datenresidenz: EU-Region, Schrems II und der pragmatische Stand 2026
Schrems II ist seit 2020 das beherrschende Argument in vielen Datenschutz-Diskussionen — meistens lauter und pauschaler als die Rechtslage es 2026 hergibt. Mit dem EU-US Data Privacy Framework von 2023 ist die rechtliche Grundlage für Daten-Transfers zu zertifizierten US-Anbietern wiederhergestellt, und die meisten großen Cloud-LLM-Anbieter — OpenAI, Anthropic, Google, Microsoft — sind unter dem Framework gelistet. Das heißt nicht, dass jede Anwendung erlaubt ist, aber es heißt, dass ein pauschales „US-Cloud ist verboten“ rechtlich nicht haltbar ist.
Für die saubere Argumentation gegenüber Datenschutz-Beauftragten, Betriebsrat und Aufsicht braucht ein Cloud-LLM-Einsatz im Mittelstand 2026 typischerweise vier Komponenten: erstens die explizite Wahl einer EU-Region beim Anbieter, zweitens einen Auftragsverarbeitungsvertrag nach Artikel 28 DSGVO, drittens eine dokumentierte Datenschutz-Folgenabschätzung mit Risiko-Bewertung, viertens organisatorische Schutzmaßnahmen wie verbotene Datenkategorien und Logging-Beschränkungen. Wer diese vier Bausteine sauber dokumentiert, ist in den allermeisten Fällen audit-fest. Detailliert dazu im Cluster zu KI und DSGVO.
On-Premise wird erst zwingend, wenn drei Konstellationen vorliegen: bestimmte KRITIS- und Aufsichts-Vorgaben verlangen den Daten-Verbleib im Hause, vertragliche Geheimhaltungs-Pflichten gegenüber Kunden untersagen externe Verarbeitung, oder die Datenkategorien sind so sensibel — Gesundheits-Daten, Strafverfahrens-Daten, F&E-Geheimnisse — dass die Risiko-Abwägung kein vertretbares Cloud-Szenario zulässt. Außerhalb dieser drei Konstellationen ist On-Premise eine wirtschaftliche und strategische Entscheidung, keine rechtliche Pflicht.
TCO-Rechnung über drei Jahre — konkrete Zahlen
Die Wirtschaftlichkeits-Schwelle zwischen Cloud und On-Premise lässt sich am ehrlichsten in einer Drei-Jahres-Betrachtung sichtbar machen. Die folgende Tabelle zeigt eine realistische TCO-Aufstellung für ein mittelständisches Unternehmen mit rund 150 aktiven KI-Nutzern und einem produktiven RAG-System.
| Kostenposten | Cloud-Only (€ 3 Jahre) | On-Premise (€ 3 Jahre) | Hybrid (€ 3 Jahre) |
|---|---|---|---|
| Hardware (Server, GPU, Storage) | 0 | 55.000–75.000 | 20.000–28.000 |
| Cloud-Lizenzen und API-Verbrauch | 180.000–260.000 | 0 | 70.000–110.000 |
| Strom, Klima, Rack-Hosting | 0 | 12.000–18.000 | 4.500–6.500 |
| Software, Wartung, Updates | 0 | 9.000–15.000 | 5.000–8.000 |
| Interner Betriebs-Aufwand (Personal) | 15.000–25.000 | 60.000–90.000 | 40.000–55.000 |
| Aufbau und Integration einmalig | 10.000–20.000 | 25.000–45.000 | 30.000–50.000 |
| Summe 3 Jahre | 205.000–305.000 | 161.000–243.000 | 169.500–257.500 |
Die Tabelle zeigt drei wichtige Befunde. Erstens: On-Premise rechnet sich über drei Jahre tatsächlich, aber der Vorsprung gegenüber Hybrid ist gering und gegenüber Cloud-Only nicht so dramatisch wie oft behauptet. Zweitens: der größte Posten on-premise ist nicht die Hardware, sondern der interne Personal-Aufwand. Wer diesen Aufwand realistisch einrechnet — ein bis eineinhalb Personentage pro Woche für Betrieb, Updates, Monitoring, Eskalations-Handling — kommt zu deutlich anderen Ergebnissen als oberflächliche Vergleiche, die nur Hardware versus Lizenz betrachten. Drittens: das Hybrid-Modell ist in den meisten Konstellationen das wirtschaftlich beste, weil es die Hardware-Kosten überschaubar hält und die Cloud-Lizenz-Kosten auf die wirklich generischen Aufgaben begrenzt.
Mehr zur Wirtschaftlichkeits-Betrachtung im Cluster zu KI-Kosten und ROI berechnen.
Sicherheit und Audit-Argumentation
Eine saubere Sicherheits-Argumentation für beide Modelle stützt sich auf die gleichen Bausteine, nur in unterschiedlicher Ausprägung. Für Cloud-LLMs sind die Schwerpunkte: EU-Region, Auftragsverarbeitungsvertrag, Zertifizierungen des Anbieters wie ISO 27001 und SOC 2 Typ 2, dokumentierte Logging- und Retention-Regeln sowie ein Notfall-Plan für den Ausfall des Anbieters. Für On-Premise verschiebt sich die Argumentation auf eigene Verantwortlichkeiten: Patch-Management der Inference-Server, Netzwerk-Segmentierung, Zugriffskontrolle auf die Modell-Endpoints, Audit-Logging der Anfragen, regelmäßige Sicherheits-Tests.
Wann was sinnvoll ist — die Entscheidungs-Matrix
Die folgende Entscheidungs-Matrix kondensiert unsere Beratungs-Praxis auf vier Kriterien. Sie ersetzt keine individuelle Architektur-Beratung, gibt aber eine solide erste Orientierung.
| Kriterium | Cloud-Only sinnvoll | Hybrid sinnvoll | On-Premise sinnvoll |
|---|---|---|---|
| Daten-Sensitivität | überwiegend öffentlich oder gering vertraulich | gemischt — manche Bereiche streng vertraulich | überwiegend streng vertraulich oder reguliert |
| Monatlicher Token-Verbrauch | unter 4.000 € Cloud-Kosten | 4.000–10.000 € Cloud-Kosten | über 10.000 € Cloud-Kosten oder konstant 24/7 |
| IT-Reife und Kapazität | kleines IT-Team, wenig Ops-Erfahrung | mittlere IT-Mannschaft mit Linux-Erfahrung | eigene Server-Operations und GPU-Erfahrung |
| Modell-Aktualität | State-of-the-Art zwingend nötig | State-of-the-Art für manche, ausreichend für andere | moderne offene Modelle reichen aus |
| Regulierungs-Lage | DSGVO erfüllbar mit EU-Region und AVV | gemischte Anforderungen | KRITIS, BaFin, BSI-Grundschutz hoch oder Berufsgeheimnis |
Die Matrix funktioniert als Mehrheits-Logik: wenn drei oder mehr Kriterien klar in eine Spalte fallen, ist das Ihre Empfehlung. Wenn die Kriterien sich verteilen, ist Hybrid fast immer die richtige Wahl — auch wenn das gerne die unbequemste Antwort ist, weil sie eine etwas anspruchsvollere Architektur verlangt.
Reepa-Erfahrung mit beiden Modellen
Reepa betreibt 2026 selbst eine Hybrid-Architektur und hat in den letzten zwölf Monaten rund zwei Dutzend mittelständische Projekte in beide Richtungen begleitet. Eine kurze, ehrliche Bilanz aus dieser Praxis.
Cloud-Erfahrung. Wir nutzen Claude Enterprise als primäres Modell für generische Aufgaben und Anthropic-API für eingebettete Produkt-Features in unseren eigenen Werkzeugen. Die Modell-Qualität ist 2026 ungeschlagen, die EU-Region und der Auftragsverarbeitungsvertrag sind sauber dokumentiert, und der Ops-Aufwand ist quasi null. Der größte Schmerzpunkt: die Preisrunden der Anbieter sind unvorhersehbar, und Vendor-Lock-in ist real — wir haben deshalb eine Abstraktionsschicht eingezogen, die uns Modell-Wechsel mit geringem Aufwand ermöglicht.
On-Premise-Erfahrung. Für Kunden-Projekte mit streng vertraulichen Daten — Audit-Berichte, F&E-Dokumente, Vertrags-Analysen — betreiben wir einen GPU-Server mit zwei L40S-Karten, der Mixtral 8x22B und Mistral Medium hostet. Die Wirtschaftlichkeit gegenüber Cloud kippt erst bei Volumen, das wir individuell pro Kunde rechnen. Der unterschätzte Vorteil ist die Latenz: Code-Reviews und RAG-Abfragen fühlen sich auf On-Premise spürbar reaktiver an, was die Akzeptanz bei Nutzern erhöht. Der unterschätzte Aufwand ist Modell-Update-Hygiene: alle drei bis sechs Monate kommt eine relevante neue Modell-Version, und wer nicht aktiv aktualisiert, fällt schnell hinter den Cloud-Stand zurück.
Hybrid-Empfehlung. Für den deutschen Mittelstand ist Hybrid 2026 in unserer Erfahrung die richtige Wahl in etwa drei von vier Projekten. Reines Cloud-Only ist gut für kleine Unternehmen mit überschaubarem Volumen und unkritischen Daten. Reines On-Premise ist sinnvoll bei strenger Regulierung oder sehr hohem konstantem Volumen. Alles dazwischen profitiert von der Trennung zwischen sensiblen und generischen Workloads. Für die Werkzeug-Auswahl in den jeweiligen Schichten lohnt sich ein Blick in unseren Cluster zu KI-Tools-Vergleich 2026.
Häufige Fragen
Ab welcher Unternehmensgröße lohnt sich ein eigener LLM-Server?
Eine pauschale Mitarbeiter-Schwelle gibt es nicht, weil die Wirtschaftlichkeit am Token-Volumen hängt, nicht an der Belegschaft. In unserer Praxis lohnt sich ein eigener GPU-Server typischerweise ab einem monatlichen Cloud-Verbrauch von rund 4.000 bis 6.000 Euro für Inference — das entspricht je nach Modell etwa 80 bis 150 aktiven KI-Nutzern oder einem produktiven RAG-System mit hohem Dokument-Durchsatz. Unterhalb dieser Schwelle ist Cloud fast immer wirtschaftlicher. Oberhalb spielt zusätzlich die Datenresidenz-Argumentation eine Rolle: viele Mittelständler entscheiden sich auch bei niedrigerem Volumen für On-Premise, wenn streng vertrauliche Daten im Spiel sind.
Welche GPU brauche ich für Llama 3.3 70B oder Mixtral 8x22B?
Für Llama 3.3 70B im 4-Bit-Quantisierungsmodus genügt eine einzelne NVIDIA H100 mit 80 GB oder zwei A100 mit je 80 GB. Im FP16-Modus brauchen Sie zwei H100 oder vier A100. Für Mixtral 8x22B im 4-Bit-Modus reicht ebenfalls eine H100 80 GB, in FP16 mindestens zwei H100. Die NVIDIA L40S mit 48 GB ist eine günstigere Alternative für kleinere Modelle bis etwa 30 Milliarden Parameter und für Inference-lastige Workloads ohne Training. Faustregel für die Speicher-Dimensionierung: Modellgröße in GB ≈ Parameterzahl in Milliarden × Quantisierungs-Faktor, plus 20 bis 40 Prozent Reserve für KV-Cache und Kontextfenster.
Ist Schrems II ein zwingender Grund für On-Premise?
Nein. Schrems II betrifft den Transfer personenbezogener Daten in Drittländer und ist seit dem EU-US Data Privacy Framework von 2023 für viele US-Anbieter rechtlich entschärft — solange diese unter dem Framework zertifiziert sind und EU-Datenresidenz anbieten. Für die meisten mittelständischen Anwendungen reicht ein Cloud-LLM mit EU-Region, Auftragsverarbeitungsvertrag und dokumentierter Daten-Verarbeitung aus. On-Premise wird erst dann zur Pflicht, wenn Branchen-Aufsichten wie BaFin, BSI oder bestimmte KRITIS-Regelungen Daten-Verbleib im Hause explizit verlangen, oder wenn vertragliche Geheimhaltungs-Pflichten gegenüber Kunden keinen externen Anbieter erlauben.
Was kostet ein produktiver GPU-Server für LLM-Inference im Mittelstand?
Die Einstiegs-Konfiguration für einen produktiven Inference-Server liegt 2026 bei rund 15.000 bis 25.000 Euro Hardware-Kosten — ein Server mit einer NVIDIA L40S 48 GB, 128 GB RAM und schnellem NVMe-Storage. Eine mittlere Konfiguration mit einer H100 80 GB oder zwei L40S liegt bei 35.000 bis 55.000 Euro. Eine Voll-Konfiguration mit zwei H100 oder vier A100 erreicht 80.000 bis 130.000 Euro. Hinzu kommen Strom- und Klima-Kosten von typischerweise 2.000 bis 5.000 Euro pro Jahr je GPU, Wartung und Software-Lizenzen sowie der interne Personalaufwand für Betrieb und Updates. Eine TCO-Betrachtung über drei Jahre macht die reale Wirtschaftlichkeits-Schwelle gegenüber Cloud erst sichtbar.
Wie sieht eine sinnvolle Hybrid-Architektur in der Praxis aus?
Eine bewährte Aufteilung im Mittelstand: sensible Daten — Verträge, Personalakten, F&E-Dokumente, Kundendaten — laufen über ein On-Premise-Modell wie Llama 3.3 oder Mistral in einem internen RAG-System. Generische Aufgaben — Texterstellung, Brainstorming, Übersetzungen, allgemeine Recherche — laufen über ein Cloud-LLM mit EU-Region, typischerweise Claude oder GPT-4 über einen Enterprise-Tarif. Die Steuerung erfolgt über einen Router, der pro Anfrage entscheidet, ob die Daten on-premise verbleiben müssen oder ob die Cloud zulässig ist. Dieser Router kann ein einfacher Klassifikator auf Basis von Schlagwörtern und Metadaten sein, oder ein vorgeschaltetes kleines lokales Modell, das die Daten-Sensitivität bewertet.
Bereit, die Architektur sauber zu entscheiden?
Sprechen wir 45 Minuten unverbindlich. Wir bewerten Ihre Daten-Sensitivität, Ihr realistisches Token-Volumen und Ihre regulatorischen Anforderungen — und liefern eine konkrete Architektur-Empfehlung mit Hardware-Liste, Lizenz-Plan oder Hybrid-Routing-Konzept.
45-minütiges Architektur-Gespräch vereinbaren
IT-Sicherheits- und Cloud-Architekt mit über zehn Jahren Erfahrung. Berät mittelständische Unternehmen bei der Auswahl und Architektur von KI-Werkzeugen — Cloud, On-Premise und Hybrid — und betreibt selbst Reepa-interne LLM-Infrastruktur in beiden Welten.
Geprüft am: 22. Mai 2026 · Mehr über Hakan