Eine stabile IT ist für Startups kein Luxus. Sie ist die Grundlage für Wachstum, Kundenzufriedenheit und Skalierung. Je schneller ein Startup wächst, desto stärker steigen Tickets, Deployments, Monitoring-Events, Cloud-Kosten, Security-Anforderungen und operative Abstimmungen.
Genau hier setzt KI-gestützte IT-Automatisierung an. Richtig aufgebaut, hilft sie DevOps- und IT-Teams dabei, wiederkehrende Aufgaben zu automatisieren, Incidents schneller zu erkennen, Systeme besser zu überwachen und Betriebskosten kontrollierbar zu halten.
Für Startups und wachstumsstarke KMUs in der DACH-Region ist AIOps 2026 besonders relevant: Teams müssen skalieren, ohne sofort große Enterprise-Strukturen aufzubauen. Gleichzeitig müssen Datenschutz, DSGVO, Security, Dokumentation und Governance von Anfang an sauber gelöst werden.
Dieser Guide zeigt den besten Ansatz für IT-Automatisierung mit künstlicher Intelligenz – von der Use-Case-Auswahl über skalierbare Automatisierungsarchitektur bis zu Betrieb, Governance und Best Practices.
Was bedeutet AIOps?
AIOps steht für Artificial Intelligence for IT Operations. Gemeint ist der Einsatz von KI, Machine Learning und Automatisierung im IT-Betrieb.
Typische AIOps-Aufgaben sind:
- Monitoring-Daten analysieren
- Incidents priorisieren
- Logs und Metriken korrelieren
- Ursachen schneller eingrenzen
- Tickets automatisch anreichern
- Runbooks vorschlagen
- Standardmaßnahmen automatisieren
- Cloud-Kosten überwachen
- Sicherheitsereignisse vorfiltern
- Dokumentation auffindbar machen
AIOps ersetzt kein DevOps-Team. Es entlastet das Team dort, wo wiederkehrende operative Arbeit Zeit kostet und Fehler verursachen kann.
Der wichtigste Punkt: AIOps ist nicht einfach ein weiteres Tool. Es ist ein Betriebsansatz. Erfolgreich wird AIOps erst, wenn Prozesse, Datenquellen, Automatisierung, Monitoring und Governance zusammenpassen.
Warum AIOps für Startups in DACH 2026 wichtig ist
Startups in Deutschland, Österreich und der Schweiz stehen vor einem besonderen Spagat. Sie müssen schnell wachsen, aber gleichzeitig zuverlässig, sicher und rechtskonform arbeiten.
Typische Herausforderungen sind:
- zu viele manuelle IT-Aufgaben
- steigende Ticketzahlen
- fehlende oder veraltete Dokumentation
- unklare Verantwortlichkeiten
- zu viele Tools ohne saubere Integration
- wachsende Cloud-Kosten
- fehlende Transparenz über Incidents
- begrenzte DevOps-Ressourcen
- steigende Anforderungen durch Kunden, Audits und Datenschutz
- fehlende Zeit für strategische IT-Arbeit
Gerade in frühen Wachstumsphasen wird IT-Betrieb oft improvisiert. Das funktioniert eine Zeit lang, wird aber gefährlich, sobald Systeme geschäftskritisch werden.
AIOps hilft Startups dabei, den Betrieb früher zu professionalisieren, ohne unnötig schwerfällige Enterprise-Strukturen aufzubauen.
Der beste Ansatz: Klein starten, sauber skalieren
Der größte Fehler bei KI-gestützter IT-Automatisierung ist ein zu großer Start. Viele Teams wollen sofort einen intelligenten Agenten, der alles kann: Monitoring, Tickets, Deployments, Security, Reporting und Dokumentation.
Das ist selten sinnvoll.
Der bessere Ansatz lautet:
- Wiederkehrende Probleme identifizieren
- Einen klaren Use Case auswählen
- Datenquellen und Risiken prüfen
- Einen kleinen Pilot bauen
- Ergebnisse messen
- Governance und Betrieb definieren
- Schrittweise skalieren
AIOps sollte nicht als Big-Bang-Projekt starten. Es sollte als kontrollierter Automatisierungsprozess wachsen.
Schritt 1: Die richtigen Use Cases auswählen
Nicht jeder Prozess eignet sich sofort für KI-Automatisierung. Gute Use Cases haben vier Eigenschaften:
- Sie kommen häufig vor
- Sie kosten messbar Zeit
- Sie folgen wiederkehrenden Mustern
- Sie lassen sich sicher kontrollieren
Für Startups eignen sich besonders diese Einstiegsbereiche:
1. Incident-Zusammenfassung
KI fasst Logs, Alerts, Monitoring-Daten und Ticketverläufe zusammen. Das hilft DevOps-Teams, schneller zu verstehen, was passiert ist.
Beispiel:
Ein Alert wird ausgelöst. Die KI sammelt relevante Logs, letzte Deployments, Metriken und bekannte Runbook-Einträge. Das Team bekommt eine strukturierte Kurzfassung statt zehn offene Dashboards.
2. Ticket-Anreicherung
Neue Tickets werden automatisch mit Kontext ergänzt:
- betroffener Service
- letzte Änderungen
- ähnliche frühere Vorfälle
- mögliche Ursache
- zuständiges Team
- passende Runbooks
- Prioritätsvorschlag
Das spart Zeit und reduziert Rückfragen.
3. Runbook-Assistent
Ein AIOps-Assistent durchsucht interne Dokumentation, Runbooks, Wikis und frühere Incidents. Statt manuell in verschiedenen Systemen zu suchen, stellen Mitarbeitende eine Frage und erhalten eine strukturierte Antwort.
4. Automatische Standardmaßnahmen
Einfache Standardaufgaben können automatisiert werden:
- Service neu starten
- Cache leeren
- Speicherplatz prüfen
- Zertifikatsablauf melden
- Backup-Status prüfen
- Log-Dateien rotieren
- Health Checks ausführen
Wichtig: Kritische Aktionen sollten nicht sofort vollautomatisch ausgeführt werden. Für den Anfang ist ein Human-in-the-Loop-Modell sinnvoll: Die KI schlägt vor, ein Mensch bestätigt.
5. Cloud-Kostenanalyse
Viele Startups verlieren Geld durch ungenutzte Ressourcen, falsche Instanzgrößen, fehlende Budgets oder Schatteninfrastruktur.
KI-gestützte Automatisierung kann helfen, Kostenmuster zu erkennen, Reports zu erstellen und Optimierungsvorschläge vorzubereiten.
6. Security-Event-Triage
Nicht jeder Security-Alert ist gleich kritisch. KI kann helfen, Ereignisse zu clustern, bekannte False Positives zu markieren und Auffälligkeiten schneller an die richtigen Personen zu geben.
Auch hier gilt: Die KI priorisiert und unterstützt. Die Entscheidung bleibt bei qualifizierten Personen.
Schritt 2: Datenquellen sauber anbinden
AIOps ist nur so gut wie die Datenbasis. Bevor eine Automatisierung gebaut wird, müssen die relevanten Datenquellen geklärt werden.
Typische Quellen sind:
- Monitoring-Systeme
- Logs
- Metriken
- Traces
- Ticketsysteme
- CI/CD-Pipelines
- Git-Repositories
- Cloud-Plattformen
- Kubernetes-Cluster
- Firewall-Logs
- Backup-Systeme
- Dokumentation
- Runbooks
- Status Pages
Für DACH-Startups ist besonders wichtig, welche Daten personenbezogen oder sensibel sind. Logs können IP-Adressen, E-Mail-Adressen, Kundendaten oder interne Informationen enthalten. Deshalb müssen Datenklassifizierung, Zugriff und Speicherung früh geklärt werden.
Fragen vor der Anbindung:
- Welche Daten werden verarbeitet?
- Enthalten Logs personenbezogene Daten?
- Wo werden Daten gespeichert?
- Wer hat Zugriff?
- Werden Daten an externe KI-Anbieter übertragen?
- Gibt es einen AV-Vertrag?
- Gibt es Löschfristen?
- Werden Prompts oder Logs zum Training verwendet?
- Müssen Daten anonymisiert oder pseudonymisiert werden?
Ohne saubere Datenbasis wird AIOps schnell riskant. Mit sauberer Datenbasis wird es zu einem echten Skalierungshebel.
Schritt 3: Skalierbare Automatisierungsarchitektur planen
Eine skalierbare Automatisierungsarchitektur entsteht nicht durch ein einzelnes Tool. Sie entsteht durch klare Schichten.
Ein sinnvoller Aufbau sieht so aus:
Schicht 1: Datenquellen
Hier liegen Logs, Metriken, Tickets, Dokumentation, Cloud-Daten und Systeminformationen.
Schicht 2: Integration
APIs, Webhooks, Event Streams oder Automatisierungsplattformen verbinden die Systeme.
Schicht 3: Wissens- und Kontextschicht
Hier werden relevante Dokumente, Runbooks, historische Incidents und technische Informationen auffindbar gemacht.
Schicht 4: KI- und Entscheidungslogik
Die KI analysiert, fasst zusammen, priorisiert, erkennt Muster oder schlägt Maßnahmen vor.
Schicht 5: Automatisierung
Standardprozesse werden vorbereitet oder ausgeführt. Beispiele sind Ticket-Updates, Benachrichtigungen, Reports oder technische Standardmaßnahmen.
Schicht 6: Governance und Kontrolle
Rechte, Rollen, Freigaben, Logs, Audit Trails und Eskalationsregeln sichern den Betrieb ab.
Schicht 7: Monitoring und Optimierung
Die Automatisierung selbst wird überwacht: Qualität, Kosten, Fehler, Latenz, Akzeptanz und Nutzen.
Diese Architektur verhindert, dass AIOps zu einer unkontrollierten Sammlung einzelner Automationen wird.
Schritt 4: Human-in-the-Loop statt blinder Vollautomatisierung
Gerade bei Startups ist Geschwindigkeit wichtig. Trotzdem sollte AIOps nicht sofort unkontrolliert handeln.
Für viele Use Cases ist ein dreistufiges Modell ideal:
Stufe 1: Assistieren
Die KI analysiert und schlägt vor. Menschen entscheiden.
Beispiele:
- Incident-Zusammenfassung
- Ticket-Klassifikation
- Runbook-Vorschläge
- Cloud-Kostenhinweise
Stufe 2: Teilautomatisieren
Die KI bereitet Aktionen vor. Menschen bestätigen.
Beispiele:
- vorbereitete Antwort im Ticket
- vorbereiteter Pull Request
- vorbereiteter Neustart eines nicht-kritischen Services
- vorbereitete Skalierungsempfehlung
Stufe 3: Automatisieren
Die KI oder Automatisierung führt definierte Standardaktionen selbst aus.
Beispiele:
- Monitoring-Report versenden
- Backup-Status prüfen
- abgelaufene Zertifikate melden
- bekannte False Positives markieren
- nicht-kritische Routineaufgaben ausführen
Der Grundsatz lautet: Je höher das Risiko, desto mehr menschliche Kontrolle.
Schritt 5: DSGVO und Governance von Anfang an einbauen
Für DACH-Unternehmen ist Datenschutz kein Add-on. Er gehört in die Architektur.
Bei KI-gestützter IT-Automatisierung müssen besonders diese Punkte geklärt werden:
- Rechtsgrundlage der Verarbeitung
- Auftragsverarbeitung
- Datenminimierung
- Zugriffskontrolle
- Protokollierung
- Löschkonzept
- Speicherort
- Modellanbieter
- Trainingsnutzung
- Anonymisierung oder Pseudonymisierung
- Rechte- und Rollenkonzept
- menschliche Kontrolle bei relevanten Entscheidungen
Wichtig ist außerdem der EU AI Act. Je nach Use Case können Transparenz-, Dokumentations- oder Risikomanagementpflichten relevant werden. Für viele klassische AIOps-Anwendungen im IT-Betrieb wird nicht automatisch ein Hochrisiko-System vorliegen. Trotzdem sollten Startups Governance früh aufbauen, weil Systeme später oft erweitert werden.
Eine gute Governance beantwortet diese Fragen:
- Wer ist verantwortlich?
- Wer darf Workflows ändern?
- Wer darf Prompts bearbeiten?
- Wer prüft die Ergebnisse?
- Was passiert bei Fehlern?
- Welche Aktionen darf die KI ausführen?
- Welche Aktionen brauchen Freigabe?
- Wie wird dokumentiert?
- Wie wird Qualität gemessen?
Schritt 6: Metriken für Erfolg definieren
AIOps muss messbar sein. Ohne Kennzahlen bleibt unklar, ob die Automatisierung wirklich hilft.
Wichtige Metriken sind:
- Mean Time to Detect
- Mean Time to Resolve
- Anzahl manueller Schritte pro Incident
- Ticket-Bearbeitungszeit
- Anzahl wiederkehrender Incidents
- Alert-Rauschen
- Eskalationsquote
- Cloud-Kosten pro Service
- Zeitaufwand für Reporting
- Zeitaufwand für Dokumentationssuche
- Fehlerquote bei Standardprozessen
- Akzeptanz im Team
Für Startups ist besonders wichtig, nicht zu viele Metriken gleichzeitig zu messen. Für den ersten Pilot reichen oft drei Werte:
- Zeitersparnis
- Fehlerreduktion
- Akzeptanz im Team
Schritt 7: Den ersten AIOps-Pilot richtig aufsetzen
Ein guter Pilot ist klein, klar und messbar.
Beispiel für einen sinnvollen Pilot:
Use Case: Ticket-Anreicherung und Incident-Zusammenfassung
Datenquellen: Ticketsystem, Monitoring, Logs, Runbooks
Ziel: 30 % weniger Zeit bei der Erstbewertung von Incidents
Laufzeit: 3 bis 4 Wochen
Kontrolle: KI schlägt vor, Mensch entscheidet
Messung: Bearbeitungszeit, Qualität, Akzeptanz, Fehlerquote
Ergebnis: Entscheidung, ob der Workflow erweitert wird
Ein schlechter Pilot wäre:
„Wir wollen KI in der IT einsetzen.“
Das ist zu unklar.
Ein guter Pilot lautet:
„Wir wollen wiederkehrende Incidents automatisch zusammenfassen und mit passenden Runbooks verknüpfen, damit DevOps schneller reagieren kann.“
Schritt 8: Betrieb und Wartung nicht vergessen
AIOps endet nicht mit dem Go-live. Automatisierungen müssen betrieben werden.
Dazu gehören:
- Monitoring der Workflows
- Fehlerbehandlung
- Prompt- und Flow-Wartung
- API-Änderungen
- Kostenkontrolle
- Modellvergleiche
- Security-Updates
- Dokumentation
- Team-Schulung
- regelmäßige Reviews
- Qualitätsmessung
Viele Startups unterschätzen diesen Punkt. Ein AIOps-Workflow ist produktive Infrastruktur. Er braucht Ownership, Monitoring und Wartung.
Die wichtigste Frage lautet:
Wer ist verantwortlich, wenn die Automatisierung falsche Ergebnisse liefert oder ausfällt?
Wenn diese Frage nicht beantwortet ist, ist der Workflow nicht produktionsreif.
Schritt 9: Tool-Auswahl ohne Vendor Lock-in
Für AIOps gibt es viele Tools und Plattformen. Manche sind stark im Monitoring, andere in Automatisierung, andere in KI-Agenten oder Dokumentensuche.
Die Tool-Auswahl sollte nicht nur nach Features erfolgen, sondern nach Architektur-Fit.
Wichtige Fragen:
- Passt das Tool zum bestehenden Stack?
- Gibt es offene APIs?
- Können Daten in der EU oder DACH verarbeitet werden?
- Ist ein Modellwechsel möglich?
- Können Workflows exportiert oder dokumentiert werden?
- Gibt es Rollen- und Rechteverwaltung?
- Sind Logs und Audit Trails verfügbar?
- Wie transparent sind Kosten?
- Wie gut funktioniert die Integration mit bestehenden Systemen?
- Wie wird verhindert, dass sensible Daten unkontrolliert verarbeitet werden?
Für DACH-Startups ist ein Open-Source-First- oder Hybrid-Ansatz oft sinnvoll. Nicht alles muss Open Source sein. Aber kritische Teile der Architektur sollten nachvollziehbar, austauschbar und kontrollierbar bleiben.
Schritt 10: Best Practices für KI-Automatisierung
Diese Best Practices für KI-Automatisierung helfen beim erfolgreichen Aufbau:
1. Mit einem klaren Problem starten
Nicht mit einem Tool beginnen, sondern mit einem operativen Schmerzpunkt.
2. Kleine Use Cases priorisieren
Der erste Use Case sollte häufig, messbar und kontrollierbar sein.
3. Datenqualität prüfen
Schlechte Logs, veraltete Runbooks und inkonsistente Tickets erzeugen schlechte Ergebnisse.
4. Menschen im Prozess behalten
Gerade am Anfang sollte KI Vorschläge machen, nicht unkontrolliert handeln.
5. Rechte begrenzen
KI-Agenten dürfen nur das ausführen, was wirklich notwendig ist.
6. Alles dokumentieren
Prompts, Datenquellen, Workflows, Rechte und Entscheidungen müssen nachvollziehbar sein.
7. Kosten überwachen
KI-Automatisierung kann API-, Cloud- und Betriebskosten erzeugen. Diese müssen transparent sein.
8. Security früh einbauen
Secret Management, Zugriffskontrolle, Logging und Prompt-Injection-Schutz gehören zum Standard.
9. Betrieb einplanen
Jeder produktive Workflow braucht Wartung, Monitoring und Ownership.
10. Schrittweise skalieren
Erfolgreiche Muster werden wiederverwendet. Nicht jeder Prozess braucht eine eigene Insellösung.
Typische Fehler bei AIOps-Projekten
Viele AIOps-Initiativen scheitern nicht an der KI, sondern an fehlender Struktur.
Häufige Fehler sind:
- zu große Ziele am Anfang
- keine klaren Use Cases
- fehlende Datenqualität
- keine Verantwortlichkeiten
- keine Datenschutzprüfung
- keine Erfolgsmessung
- zu frühe Vollautomatisierung
- fehlendes Monitoring der Automatisierung
- keine Dokumentation
- unklare Kosten
- Abhängigkeit von einem einzigen Anbieter
- keine Schulung des Teams
Die Lösung ist ein pragmatischer Aufbau: kleiner Pilot, klare Architektur, messbare Ziele und sauberer Betrieb.
Beispiel-Roadmap für 90 Tage
Eine realistische AIOps-Roadmap für Startups kann so aussehen:
Tage 1 bis 15: Analyse
- Tool-Stack aufnehmen
- aktuelle Betriebsprobleme sammeln
- Datenquellen prüfen
- Risiken bewerten
- Top-3 Use Cases definieren
Tage 16 bis 30: Pilot designen
- Use Case auswählen
- Metriken festlegen
- Datenflüsse dokumentieren
- Rechte und Rollen definieren
- technische Architektur planen
Tage 31 bis 60: Pilot umsetzen
- Datenquellen anbinden
- Workflow bauen
- Testfälle definieren
- Human-in-the-Loop einbauen
- erste Ergebnisse messen
Tage 61 bis 75: Stabilisieren
- Fehler analysieren
- Prompts und Regeln verbessern
- Monitoring ergänzen
- Kosten prüfen
- Team-Feedback einholen
Tage 76 bis 90: Skalierungsentscheidung
- ROI bewerten
- Governance finalisieren
- Betrieb definieren
- weitere Use Cases priorisieren
- Entscheidung für Ausbau treffen
Nach 90 Tagen sollte klar sein, ob der AIOps-Ansatz echten Nutzen bringt und welche Workflows als Nächstes automatisiert werden.
Für wen eignet sich AIOps besonders?
AIOps eignet sich besonders für Startups und wachstumsstarke KMUs, die:
- mehrere produktive Systeme betreiben
- DevOps- oder IT-Teams entlasten wollen
- wiederkehrende Incidents haben
- viele Alerts erhalten
- Cloud-Kosten besser steuern wollen
- Dokumentation besser nutzbar machen möchten
- Support- und Operations-Prozesse beschleunigen wollen
- DSGVO-konforme Automatisierung brauchen
- skalieren wollen, ohne sofort große IT-Abteilungen aufzubauen
Nicht geeignet ist AIOps, wenn grundlegende IT-Prozesse noch völlig ungeklärt sind. Wenn kein Monitoring existiert, keine Dokumentation vorhanden ist und Verantwortlichkeiten unklar sind, sollte zuerst die Basis stabilisiert werden.
Wie FEHMER TECH DACH-Startups unterstützt
FEHMER TECH unterstützt Unternehmen im DACH-Raum bei stabilem, sicherem und kalkulierbarem IT-Betrieb. Dazu gehören IT Managed Services, Security, Cloud-Optimierung, Dokumentation, Monitoring, Runbooks und KI-Beratung & Automation.
Für AIOps-Projekte ist dieser Mix besonders wichtig. Denn erfolgreiche Automatisierung für Startups braucht nicht nur KI-Know-how. Sie braucht Verständnis für Infrastruktur, Betrieb, Security, Datenschutz und laufende Wartung.
Ein sinnvoller Einstieg ist ein kompakter Use-Case-Workshop:
- Welche IT-Prozesse kosten aktuell am meisten Zeit?
- Welche Incidents wiederholen sich?
- Welche Datenquellen sind verfügbar?
- Welche Automatisierungen sind risikoarm?
- Wo entsteht messbarer ROI?
- Welche Governance ist nötig?
- Welcher Pilot ist in wenigen Wochen realistisch?
So entsteht aus einer Idee ein konkreter AIOps-Pilot.
Mehr dazu: KI-Beratung & Automation von FEHMER TECH
Fazit
KI-gestützte IT-Automatisierung ist für Startups in DACH 2026 ein echter Skalierungshebel. Sie hilft, Betrieb zu stabilisieren, manuelle Arbeit zu reduzieren, Incidents schneller zu verstehen und IT-Teams zu entlasten.
Der beste Ansatz ist nicht, sofort alles zu automatisieren. Der beste Ansatz ist:
- klare Use Cases auswählen
- Datenquellen sauber anbinden
- skalierbare Architektur planen
- Human-in-the-Loop starten
- DSGVO und Governance integrieren
- Erfolg messen
- Betrieb und Wartung absichern
- schrittweise skalieren
AIOps funktioniert dann, wenn KI nicht als Spielerei eingeführt wird, sondern als kontrollierter Teil des IT-Betriebs.
Nächster Schritt: Starten Sie mit einem AIOps-Use-Case-Workshop. Gemeinsam lassen sich die besten Automatisierungspotenziale identifizieren, priorisieren und in einen konkreten Pilotplan übersetzen.
Kostenloses Erstgespräch mit FEHMER TECH buchen
FAQ
Was ist AIOps?
AIOps steht für Artificial Intelligence for IT Operations. Gemeint ist der Einsatz von KI, Machine Learning und Automatisierung im IT-Betrieb, zum Beispiel für Monitoring, Incident-Zusammenfassung, Ticket-Anreicherung, Runbook-Suche und Standardprozesse.
Was bedeutet KI-gestützte IT-Automatisierung?
KI-gestützte IT-Automatisierung nutzt künstliche Intelligenz, um IT-Prozesse zu analysieren, zu priorisieren, vorzubereiten oder teilweise zu automatisieren. Ziel ist es, IT-Teams zu entlasten und den Betrieb stabiler und schneller zu machen.
Welche AIOps-Use-Cases eignen sich für Startups?
Geeignete Use Cases sind Incident-Zusammenfassung, Ticket-Anreicherung, Runbook-Assistenten, Cloud-Kostenanalyse, Security-Event-Triage und automatische Standardmaßnahmen mit menschlicher Freigabe.
Warum ist AIOps für DACH-Startups besonders relevant?
DACH-Startups müssen schnell skalieren und gleichzeitig DSGVO, Security, Betriebssicherheit und Kundenerwartungen erfüllen. AIOps hilft, operative Last zu reduzieren und IT-Prozesse früher professionell aufzubauen.
Wie startet man mit AIOps?
Der beste Start ist ein kleiner Pilot mit klarem Use Case, messbarer Zielsetzung, kontrollierten Datenquellen und Human-in-the-Loop. Danach kann der Workflow stabilisiert und erweitert werden.
Was ist eine skalierbare Automatisierungsarchitektur?
Eine skalierbare Automatisierungsarchitektur verbindet Datenquellen, Integrationen, Wissensbasis, KI-Logik, Automatisierung, Governance und Monitoring. Sie verhindert Insellösungen und macht AIOps langfristig wartbar.
Muss AIOps vollständig automatisiert sein?
Nein. Gerade am Anfang sollte AIOps assistieren und Vorschläge machen. Kritische Aktionen sollten durch Menschen freigegeben werden. Vollautomatisierung eignet sich nur für risikoarme, klar definierte Standardprozesse.
Welche Rolle spielt DSGVO bei AIOps?
AIOps verarbeitet oft Logs, Tickets, IP-Adressen, Systemdaten oder Kundendaten. Deshalb müssen Datenflüsse, Rechtsgrundlagen, Auftragsverarbeitung, Zugriffskontrolle, Speicherort und Löschung früh geklärt werden.
Kein Spam. Nur relevante IT-Themen aus dem DACH-Raum.