Aspecta erhielt die AWS Generative AI Competency und bestätigte damit die Fähigkeit, generative KI-Lösungen auf AWS auf Basis eines formalen Validierungsprozesses und eines technischen Audits bereitzustellen. Für unsere Kunden reduziert dies das Risiko bei der Partnerauswahl, da die Competency nachgewiesene practice & delivery-Prozesse und konkrete Kundenbeispiele aus dem Produktivbetrieb mit messbarem Nutzen voraussetzt. Sie umfasst außerdem zentrale technische Bereiche wie RAG, Agenten und tool-calling, prompt engineering und bei Bedarf fine-tuning sowie Enterprise-Anforderungen an Sicherheit, Privacy, Compliance, Responsible AI, Betrieb und Monitoring.
Kontext der AWS Generative AI Competency
AWS Generative AI Competency ist eine Spezialisierung innerhalb des AWS-Partnerprogramms, mit der Partner identifiziert und unabhängig validiert werden, die produktionsreife generative KI-Lösungen bereitstellen können. Sie soll Kunden die Auswahl eines Anbieters in einem Bereich erleichtern, in dem viele Prototypen, aber weniger validierte Produktivlösungen existieren. Für den Erhalt der Competency müssen reale Projekte, ein wiederholbares Delivery-Modell, belastbare Architektur-, Sicherheits- und Betriebspraktiken sowie messbarer geschäftlicher Nutzen nach einheitlichen AWS-Kriterien nachgewiesen werden.
Die Motivation, die AWS Generative AI-Praxis aufzubauen und zu formalisieren, entstand aus der steigenden Nachfrage nach produktiven generativen KI-Lösungen und der wachsenden Sensibilität der Kunden für Datensicherheit, das Risiko von Halluzinationen, Compliance und Auditierbarkeit. In diesem Umfeld reicht die Aussage „Wir können GenAI“ nicht aus. AWS Competencies basieren auf einer strukturierten Validierung technischer Praktiken und von Customer Success, damit Kunden Partner mit nachgewiesenen Fähigkeiten schneller identifizieren können.
Problem, Ziele und Umfang der Initiative
Generative KI-Lösungen lassen sich heute schnell prototypisch umsetzen, doch sie wiederholbar und produktionsreif bereitzustellen, ist deutlich anspruchsvoller. Die zentrale Herausforderung für Aspecta bestand darin, ein Delivery-Modell für GenAI-Lösungen auf AWS zu etablieren, das sich im Audit belegen lässt und zugleich Risiken für Kunden und Anbieter reduziert.
Ziel war daher nicht einfach, „ein Zertifikat zu erhalten“, sondern die interne Delivery-Praxis zu festigen, sodass sie einer Due Diligence standhält: mit klarer Methodik und Governance, Sicherheits- und Ethikgrundsätzen sowie der Fähigkeit, Entscheidungen, Architektur, Betrieb und Auswirkungen realer Projekte zu dokumentieren.
Damit verbunden waren drei konkrete Gruppen von Herausforderungen:
- Nachweisführung: ein Evidence Pack erstellen und pflegen, das die wiederholbare Praxis vom Onboarding über die Umsetzung bis zur Adoption und Erfolgsmessung klar dokumentiert, einschließlich Artefakten, die während einer Remote-Validierung überprüft werden können.
- Technik: die je nach Use Case erforderlichen GenAI-Fähigkeiten konsistent abdecken, insbesondere Prompting, Agent-Workflows und tool-calling, RAG und gegebenenfalls Modellanpassung, einschließlich Test, Monitoring und Betrieb dieser Lösungen.
- Enterprise Readiness: Sicherheit, Privacy, Compliance und Responsible AI als festen Bestandteil von Design und Bereitstellung etablieren, mit klar definierten Guardrails und strukturiertem Risikomanagement.
Zum Umfang gehörten daher neben der formalen Vorbereitung und Einreichung des Antrags einschließlich Self-Assessment und Validierungslisten auch Kundenbeispiele aus dem Produktivbetrieb mit dokumentierter Architektur, Betriebsmodell und messbarem Nutzen.
Ein zentraler Teil war die technische Remote-Validierung anhand von Nachweisen per Screen Sharing. Gleichzeitig wurde die interne Praxis weiter gefestigt: durch Templates, Prozesse, definierte Sicherheits-Guardrails, Monitoring, Tests sowie Regressionstests für Prompts und Workflows, damit der Ansatz auch nach Erhalt der Competency nachhaltig eingesetzt werden kann.
Umsetzung, Timeline, Team und Governance
Die technische Validierung erfolgte als Audit durch den externen Auditor Information Security Systems International (ISSI), eine unabhängige US-amerikanische Beratungs- und Auditorganisation, die von AWS mit der technischen Validierung der Competency beauftragt wurde. Im Mittelpunkt standen Architektur, Datenflüsse, Sicherheitsmodell, Betrieb und messbare Ergebnisse auf Basis realer Projektartefakte.
Die Validierung stützte sich auf konkrete Nachweise und die Fähigkeit, einzelne Lösungsbereiche detailliert zu erläutern.
Die Initiative verlief in drei aufeinanderfolgenden Phasen. In der Vorbereitung wurden Umfang und Ziele definiert, Architektur- und Betriebsunterlagen konsolidiert, Templates für Sicherheit, Responsible AI und Qualitätsbewertung vereinheitlicht sowie Kundenbeispiele aus dem Produktivbetrieb mit quantifiziertem Nutzen vorbereitet. Darauf folgte die Validierungsphase mit Self-Assessment, einer Vorprüfung durch AWS und der technischen Validierung mit dem Auditor. Anschließend erfolgten die abschließende Bewertung und die Vergabe der Competency.
Die Initiative zeigte außerdem, dass Aspecta für generative KI-Projekte auf AWS über ein vollständiges Team mit klar definierten Verantwortlichkeiten verfügt, von strategischer Steuerung und Delivery-Methodik über Lösungsarchitektur und die Arbeit mit Modellen und Daten bis hin zu Sicherheit, Betrieb und Bewertung des geschäftlichen Nutzens. Es handelt sich nicht um ein theoretisches Organisationsmodell, sondern um tatsächlich verfügbare Rollen mit praktischer Erfahrung aus Produktivprojekten.
Die Fähigkeit, den gesamten Lösungslebenszyklus mit eigenen Fachleuten abzudecken, war ein wesentlicher Faktor, um ein wiederholbares und auditierbares Delivery-Modell für Kunden nachzuweisen.
| Rolle | Primäre Verantwortung | Typische Ergebnisse und Nachweise |
|---|---|---|
| Executive Sponsor | Prioritäten, Budget, Entscheidungen zu Umfang und Kommunikation | Business Case, interne Kommunikationsregeln, Risikoentscheidungen |
| Program oder Delivery Lead | wiederholbare Methodik vom Onboarding bis zur Adoption | Delivery Playbook, Adoption Framework, Erfolgsmessung |
| Solution Architect (GenAI/AWS) | RAG- und Agentenarchitektur, Integrationen, Skalierung | Architekturdiagramme, Fehlerszenarien, Integrationsdetails |
| ML- oder GenAI Engineer | Prompting, Qualitätsbewertung, Regressionstests | versionierte Prompts, Testszenarien, Bewertungsmetriken |
| Data oder Knowledge Engineer | Ingestion, Chunking, Embeddings, Indizes, Updates und Löschen | Ingestion-Mechanismen, Chunking-Strategie, Umgang mit sensiblen Daten |
| Security und Compliance Lead | IAM, Verschlüsselung, Audit-Logs, Kontrollmechanismen | Sicherheitsmodell, Log Retention, Incident-Prozesse |
| MLOps oder SRE | Monitoring, Alerting, Betriebsmodell, SLO | Observability, Runbooks, Kapazitätsplanung |
| Business Analyst oder Value Owner | Definition von KPI und Vorher-Nachher-Messung des Nutzens | KPI-Framework, ROI-Modell, Nutzenabschnitt der Case Study |
Entscheidend war, dass Aspecta diese Praktiken und Ergebnisse an konkreten Projekten nachweisen konnte. Jede Phase war durch bestehende Projektartefakte belegt, von Vertrags- und Planungsdokumenten über Architekturentwürfe und Sicherheitseinstellungen bis zu Betriebsprozessen und der Bewertung des messbaren Nutzens.
Es handelte sich daher nicht um einmalig für das Audit erstellte Unterlagen, sondern um einen standardisierten Arbeitsansatz, den wir langfristig in Kundenprojekten anwenden können und der eine wiederholbare und auditierbare Bereitstellung belegt.
Technologie, Modelle, Daten und Betrieb
Die Competency bestätigt die Fähigkeit, generative KI-Lösungen auf AWS als Gesamtsystem zu konzipieren und nicht als isoliertes Modell. Die Architektur deckt den gesamten Ablauf ab: von der Benutzeranfrage über Autorisierung und Sicherheitskontrollen, das Abrufen von Kontext aus internen Quellen bis zur Generierung und Strukturierung der Antwort, Quellenangaben und auditierbaren Aufzeichnungen. In der Praxis umfasst dies vor allem RAG-Szenarien, agentenbasierte Steuerung mehrstufiger Aufgaben und kontrolliertes Prompting mit Qualitätstests.
Plattformen und Arbeit mit Modellen
Wenn schnelle Bereitstellung, ein verwaltetes Sicherheitsmodell und einfache Administration Priorität haben, kommen vollständig verwaltete Services zum Einsatz, häufig Amazon Bedrock. Wenn eine tiefere Kontrolle über das Modellverhalten oder eine Anpassung an domänenspezifische Daten erforderlich ist, steht ein definierter Ansatz für Training und Betrieb über Amazon SageMaker zur Verfügung. Die Auswahl richtet sich immer nach dem konkreten Use Case, den Anforderungen an Genauigkeit, Kosten und den erforderlichen Grad der Anpassung.
Sicherheit und Responsible AI
Sicherheits- und Inhalts-Guardrails werden konsistent auf Service-Ebene umgesetzt, beispielsweise über Amazon Bedrock Guardrails. Dadurch lassen sich Schutzmechanismen über Modelle, Agenten und Knowledge Base hinweg einheitlich steuern und Anforderungen an Privacy, Compliance und Auditierbarkeit unterstützen. Zugriffsmanagement, Logging und klar definierte Betriebsprozesse ergänzen das Sicherheitsmodell.
Daten und Knowledge Base
Produktivlösungen basieren auf der kontrollierten Verarbeitung von Datenquellen, Zugriffsmanagement und dem Schutz sensibler Informationen. Mechanismen zur Aktualisierung von Inhalten, Metadatenmanagement und die Bewertung der Antwortqualität unterstützen dabei, Genauigkeit und Relevanz langfristig zu erhalten. Dieses Modell ermöglicht den sicheren Umgang mit unterschiedlichen Arten von Unternehmensinhalten, von internen Dokumenten bis zu Betriebsprozessen.
Betrieb und Qualitätsmessung
Die Lösungen sind für den langfristigen Betrieb ausgelegt. Dazu gehören Messungen von Qualität, Performance und Kosten, die Beobachtung des Verhaltens über die Zeit sowie definierte Prozesse für Incidents und Änderungen. Dadurch lassen sich Lösungen zügig bereitstellen und anschließend systematisch weiterentwickeln, ohne die Qualität unnötig zu beeinträchtigen.
Kompetenzen, messbare Ergebnisse und Kundennutzen
Validierte Kompetenzen
Die Competency bestätigt, dass wir generative KI-Lösungen auf AWS als standardisierte Dienstleistung mit definierten Prozessen, Qualitätsmessung und Sicherheitskontrollen bereitstellen.
- kontrolliertes Prompt-Management: Versionierung, Tests, Regressionsszenarien
- RAG end-to-end: Datenaufbereitung, Kontextsuche, Bewertung der Antwortqualität
- Agentenszenarien und Integrationen mit internen Systemen mit auditierbaren Operationen
- Entscheidungsrahmen für Modellanpassung auf Basis von Nutzen und Kosten
- Sicherheitsmodell: Zugriffsmanagement, Umgang mit sensiblen Daten, Audit-Logs
- Responsible AI: Reduzierung des Risikos von Halluzinationen und transparenter Umgang mit Quellen
Messung des Nutzens
Produktivbereitstellungen bewerten wir über ein einheitliches KPI-Framework:
- Bearbeitungszeit einer Anfrage vor und nach der Bereitstellung
- Qualität und Richtigkeit der Antworten im Vergleich zu den Quellen
- Reduzierung operativer oder reputationsbezogener Risiken
- Adoption durch Nutzer und tatsächliche Nutzung der Lösung
- ROI auf Basis der eingesparten Zeit im Verhältnis zu den Gesamtkosten
- Latenz und Stabilität im Betrieb
Auch ohne Veröffentlichung konkreter Zahlen zeigt dieser Ansatz, dass der Nutzen der Lösungen systematisch anhand von Produktionsdaten gemessen wird.
Betrieb und Sicherheit
- kontinuierliches Monitoring von Qualität, Performance und Kosten
- Incident-Management und kontrollierte Bereitstellung von Änderungen
- Kapazitätsplanung
- Least-Privilege-Prinzip und Auditierung von Zugriffen
- einheitliche Sicherheits-Guardrails über die gesamte Lösung, beispielsweise Amazon Bedrock Guardrails
Die wichtigste Erkenntnis
Entscheidend ist die Fähigkeit, Architektur, Sicherheit, Betrieb und messbaren Nutzen an realen Projekten nachzuweisen. Die Competency basiert deshalb auf wiederholbaren Prozessen und Nachweisen, die das Risiko bei der Bereitstellung weiterer Lösungen reduzieren.
„Der Erhalt von AWS Generative AI Competency bestätigt, dass wir generative KI-Lösungen auf AWS produktiv, sicher und mit wiederholbaren Prozessen bereitstellen. Es handelt sich nicht um eine Behauptung, sondern um das Ergebnis einer unabhängigen technischen Validierung und realer Produktivprojekte mit messbarem Nutzen. Für unsere Kunden bedeutet dies ein geringeres Risiko und einen schnelleren Weg vom Entwurf zum Produktivbetrieb.“ Peter Stročka, Geschäftsführer von Aspecta
Fazit
Fazit
Der Erhalt von AWS Generative AI Competency ist für uns kein einmaliger Meilenstein, sondern bestätigt, wie wir langfristig Lösungen für Kunden konzipieren und bereitstellen. Die unabhängige technische Validierung bestätigte, dass wir generative KI auf AWS produktiv, sicher und mit messbarem Nutzen einsetzen können. Ebenso wichtig ist, dass daraus nicht nur zusätzliche Referenzen entstanden sind, sondern ein standardisiertes Delivery-Modell, das den Weg vom ersten Use Case zu einer skalierbaren Bereitstellung verkürzt.
Für Kunden bedeutet dies geringeres Risiko, eine klare Methode zur Messung des ROI und einen Partner, der den gesamten Lösungslebenszyklus abdecken kann, von Architektur und Arbeit mit Daten und Modellen bis zum langfristigen Betrieb und zur Weiterentwicklung. Die Competency ist damit kein Endziel, sondern eine Grundlage für weitere Produktivprojekte, in denen generative KI zu einem kontrollierten und auditierbaren Bestandteil von Geschäftsprozessen wird.
