Zum Inhalt springen
Alle Artikel

Lokale LLMs im Air-Gap-Netz: KI für Ihre sensibelsten Daten

Die Dokumente, die am meisten von KI profitieren würden, sind genau die, die niemand irgendwo hochladen darf: Verträge, Personalakten, Patientendaten, Quellcode, Konstruktionszeichnungen. Mit einem Open-Weight-Modell in einem isolierten Netz bekommen Sie den Nutzen, ohne dass ein einziges Byte das Haus verlässt. So setze ich das auf, so kommen Modelle ohne Internet hinein, so testen Sie sie offline, und das dürfen Sie realistisch erwarten.

10 Min. Lesezeit

1. Warum KI im Air Gap, und für wen

Die meisten Unternehmen starten mit einem Cloud-KI-Dienst und stossen schnell an Grenzen: Die Rechtsabteilung erlaubt keine Verträge darin, HR kann ihn nicht für Personalakten nutzen, das Spital darf keine Patientendaten anfassen, und die Entwicklung will proprietären Code nicht in fremden Logs sehen. In meinem Artikel über lokale LLMs für sensible Daten habe ich ein privates Setup mit einer Firewall beschrieben, die öffentliche KI-APIs blockiert. Ein Air Gap geht einen Schritt weiter: Es gibt überhaupt keinen Weg ins Internet, also hat selbst ein falsch konfiguriertes Werkzeug, ein neugieriges Plugin oder eine kompromittierte Abhängigkeit kein Ziel für Daten. Dieses Niveau brauchen regulierte Branchen, der öffentliche Sektor, Zulieferer der Verteidigung und alle mit ernsthaften Geschäftsgeheimnissen oft, und mit heutigen Open-Weight-Modellen ist es gut erreichbar.

2. Die Architektur auf einen Blick

Das Setup hat zwei Hälften. Draussen, in einer verbundenen Zone, wählt jemand ein Open-Weight-Modell, prüft die Lizenz, lädt es herunter und hält seine Fingerabdrücke fest. In der Enklave passiert alles andere: Ein Offline-Modellregister hält geprüfte Versionen, GPU-Nodes stellen das freigegebene Modell bereit, ein internes KI-Gateway übernimmt Anmeldung, Kontingente, PII-Maskierung und Audit-Log, und ein kleiner Suchindex über Ihre internen Dokumente liefert dem Modell den Kontext für Antworten über Ihr Geschäft. Nutzer sprechen nie direkt mit dem Modell, nur mit dem Gateway, dort leben Ihre Regeln. Und es gibt genau einen Weg hinein für neue Modelle und keinen Weg hinaus für irgendetwas.

Ein Weg hinein für Modelle, keiner hinaus für Daten: So läuft ein Open-Weight-Modell auf Ihren sensibelsten Dokumenten. Klicken für volle Grösse.
Lokales LLM in einem Air-Gap-Netz: Modellgewichte in der verbundenen Zone ausgewählt und mit Fingerabdruck versehen, in eine Richtung in die Enklave bewegt, geprüft und im Offline-Modellregister abgelegt, offline getestet, auf GPU-Nodes mit vLLM oder Ollama bereitgestellt; Mitarbeitende melden sich über einen internen Identity Provider an, ein KI-Gateway maskiert Personendaten und schreibt ein Audit-Log, Antworten nutzen interne Dokumente über ein Embedding-Modell und PostgreSQL mit pgvector; kein Weg ins Internet.

3. Ein Modell ohne Internet hereinholen

Wählen Sie das Modell nach Lizenz und Eignung, nicht nach Ranglisten-Hype, und fixieren Sie es auf einen exakten Commit, denn «latest» gibt es im Air Gap nicht. Laden Sie die Gewichte im Format safetensors: Hugging Face warnt, dass das ältere Pickle-Format beim Laden beliebigen Code ausführen kann, und safetensors wurde genau dafür gebaut, das zu verhindern. Dann für jede Datei eine SHA-256-Prüfsumme schreiben, das Manifest signieren und den Ordner über denselben Einweg-Pfad bewegen wie Software, wie in meinem Artikel über Air-gapped-Systeme beschrieben. Drinnen prüft ein Quarantäne-Host Signatur und Prüfsummen erneut, bevor das Modell im Offline-Register landet, das so einfach sein kann wie versionierter Objektspeicher. Aktivieren Sie nie Optionen, die mitgelieferten Code eines Modells laden; in einer Enklave wollen Sie Gewichte, Tokenizer und Konfiguration, nichts Ausführbares.

bash
# Connected zone: fetch an open-weight model pinned to one commit, no pickle files
set -euo pipefail
MODEL=Qwen/Qwen2.5-14B-Instruct      # example, pick yours by licence and fit
REV=<commit-sha-from-the-model-page>

hf download "$MODEL" --revision "$REV" --exclude "*.bin" --local-dir models/qwen2.5-14b-instruct

cd models
find qwen2.5-14b-instruct -type f -exec sha256sum {} + > qwen2.5-14b-instruct.SHA256SUMS
cosign sign-blob --key cosign.key --bundle qwen2.5-14b-instruct.bundle qwen2.5-14b-instruct.SHA256SUMS

Tipp aus der Praxis

Legen Sie neben jede Version im Register eine einzeilige Modellkarte: Quelle, Commit, Lizenz, Prüfsumme, wer sie wann freigegeben hat.

4. Bereitstellen: vLLM oder Ollama auf eigenen GPUs

Für eine Abteilung oder ein ganzes Unternehmen nutze ich vLLM: Es ist auf Durchsatz gebaut, bündelt viele Nutzer effizient und bietet eine OpenAI-kompatible API, sodass interne Werkzeuge ohne Spezialcode damit sprechen. Für ein kleines Team oder eine einzelne starke Workstation ist Ollama einfacher und kann lokale GGUF- oder safetensors-Gewichte über ein Modelfile importieren. In beiden Fällen aus einem lokalen Pfad bereitstellen und jeden Versuch abschalten, das Internet zu erreichen; bei allem, was auf den Hugging-Face-Bibliotheken aufbaut, sorgt die Umgebungsvariable HF_HUB_OFFLINE dafür, dass überhaupt keine HTTP-Aufrufe zum Hub erfolgen. Wie viel Hardware Sie brauchen, hängt von Modellgrösse und Genauigkeit ab; der GPU-Rechner in meinem Artikel über lokale LLMs für sensible Daten liefert eine schnelle, ehrliche Schätzung, bevor Sie etwas bestellen.

bash
# Enclave: serve the approved model from the offline registry
export HF_HUB_OFFLINE=1                      # never try to reach the Hub

vllm serve /models/qwen2.5-14b-instruct \
  --served-model-name internal-14b \
  --api-key "$INTERNAL_API_KEY" \
  --max-model-len 16384

# Small team alternative: Ollama with a local Modelfile
#   FROM /models/qwen2.5-14b-instruct
#   ollama create internal-14b -f Modelfile
What is Ollama? Running Local LLMs Made Simple, IBM Technology (YouTube). Wird erst nach Ihrem Klick von YouTube geladen.

5. Das Gateway: Anmeldung, PII-Maskierung, Audit

Das Gateway macht aus einem Modell einen Dienst, den Sie vor dem Datenschutzbeauftragten vertreten können. Die Anmeldung läuft über den Identity Provider, den Sie drinnen ohnehin betreiben, etwa Active Directory oder Keycloak, also folgt der Zugriff bestehenden Rollen. Bevor ein Prompt das Modell erreicht, werden personenbezogene Daten, die der Anwendungsfall nicht braucht, erkannt und maskiert; Microsoft Presidio ist dafür ein solider Open-Source-Startpunkt und läuft komplett offline. Jede Anfrage landet in einem Audit-Log in der Enklave: wer gefragt hat, welche Dokumente genutzt wurden, welche Modellversion geantwortet hat, mit einer vereinbarten Aufbewahrungsfrist. Kontingente pro Team verhindern, dass ein Vielnutzer alle anderen ausbremst, und am selben Gateway fügen Sie später neue Modelle hinzu, ohne einen einzigen Client zu ändern.

Tipp aus der Praxis

Auch vor dem Protokollieren maskieren. Ein Audit-Log voller unmaskierter Personendaten wird still und leise zu Ihrer sensibelsten Datenbank.

Interaktiv

Welche GPU braucht Ihr Modell?

Wählen Sie Modellgrösse und Genauigkeit. Gewichte brauchen Parameter × Bytes pro Parameter, rund 20 % mehr decken den KV-Cache bei normaler Kontextlänge.

Modellgrösse (Milliarden Parameter)

Genauigkeit

≈ 19 GB

benötigter GPU-Speicher

1×

passt auf 24 GB (RTX 4090)

  • 1× 24 GB (RTX 4090)
  • 1× 32 GB (RTX 5090)
  • 1× 48 GB (L40S)
  • 1× 80 GB (H100)
  • 1× 96 GB (RTX PRO 6000 Blackwell)
  • 1× 141 GB (H200)

Faustregel zur Planung, kein Benchmark. Lange Kontexte und viele parallele Nutzer brauchen mehr KV-Cache, 4-Bit kostet etwas Qualität.

Alle Rechner und Checklisten

6. Antworten aus Ihren eigenen Dokumenten, mit Berechtigungen

Ein Modell allein weiss nichts über Ihre Verträge oder Ihre Maschinen. Retrieval-Augmented Generation behebt das: Dokumente werden in Passagen zerlegt, von einem lokalen Embedding-Modell in Vektoren verwandelt, in PostgreSQL mit der Erweiterung pgvector gespeichert, und die relevantesten Passagen gehen zusammen mit der Frage ans Modell. Den Teil mit den Berechtigungen vergessen viele. Speichern Sie neben jedem Vektor, wer die Passage sehen darf, und filtern Sie in der Abfrage darauf, damit der Assistent nie aus einer Personalakte zitiert, die die fragende Person nicht öffnen dürfte. Zeigen Sie zu jeder Antwort die Quellen; das schafft Vertrauen und erlaubt die Kontrolle. Und indexieren Sie automatisch neu, wenn sich Dokumente ändern, sonst zitiert der Assistent selbstbewusst die Richtlinie vom letzten Jahr.

sql
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE chunks (
  id             bigserial PRIMARY KEY,
  doc_id         text      NOT NULL,
  allowed_groups text[]    NOT NULL,   -- who may see this passage
  content        text      NOT NULL,
  embedding      vector(1024) NOT NULL -- size of your local embedding model
);
CREATE INDEX ON chunks USING hnsw (embedding vector_cosine_ops);

-- Only search what the asking user is allowed to read
SELECT doc_id, content
FROM chunks
WHERE allowed_groups && $1::text[]
ORDER BY embedding <=> $2
LIMIT 8;

7. Vor jedem Update offline testen

In einem Air Gap können Sie nicht auf öffentliche Benchmarks schielen und hoffen, dass sie für Sie gelten, und das sollten Sie ohnehin nicht. Bauen Sie ein Golden Set aus 50 bis 200 echten Fragen aus Ihrer eigenen Domäne mit den Antworten, die Ihre Fachleute erwarten, plus einige knifflige Prompts: Anfragen nach Daten, die die Person nicht bekommen sollte, Versuche, die Anweisungen auszuhebeln, Fragen ohne gute Antwort. Die OWASP Top 10 für LLM-Anwendungen sind dafür eine nützliche Checkliste, vor allem Prompt Injection und die Offenlegung sensibler Informationen. Lassen Sie aktuelles und neues Modell nebeneinander laufen, vergleichen Sie Treffsicherheit, Verweigerungen und Antwortzeit, und befördern Sie die neue Version erst nach der Freigabe durch eine benannte Person. Behalten Sie die vorherige Version im Register, damit der Rückweg eine einzige Konfigurationsänderung ist. Das NIST AI Risk Management Framework liefert das Vokabular, um all das für Auditoren zu dokumentieren.

Tipp aus der Praxis

Lassen Sie die Hälfte der Golden-Fragen von den Menschen schreiben, die den Assistenten nutzen werden. Sie wissen, welche Antworten in einem echten Meeting peinlich wären.

8. Was es möglich macht, und die ehrlichen Grenzen

Sobald es läuft, nutzen Teams es für Dinge, die sie nie an einen Cloud-Dienst schicken könnten: Verträge gegen eigene Vorlagen prüfen, Fragen zu HR-Richtlinien beantworten, klinische oder technische Dokumentation entwerfen, Jahrzehnte an Engineering-Berichten durchsuchen und Entwicklern bei proprietärem Code helfen. Die Grenzen sind ebenfalls real. Open-Weight-Modelle liegen bei den schwierigsten Denkaufgaben noch hinter den besten Frontier-Modellen, sie wissen nichts, was nach ihrem Training geschah, und Updates sind bewusst langsamer. Sie brauchen GPU-Kapazitätsplanung und jemanden, der die Plattform verantwortet. In der Praxis beantwortet ein gut gewähltes offenes Modell mit guter Suche über Ihre eigenen Dokumente die alltäglichen Fragen, die am meisten zählen, und das auf Hardware, die Sie kontrollieren. Das Prinzip funktioniert auch im Kleinen: Mein kleiner ESP32-Roboter betreibt Spracherkennung und ein Sprachmodell lokal und funktioniert ganz ohne Netz.

9. Einführung in drei Phasen

Ich führe solche Plattformen in drei Phasen ein. Zuerst ein Pilot mit einer Abteilung und einer Dokumentensammlung, etwa der Rechtsabteilung und ihren Vertragsvorlagen, mit vorab vereinbartem Golden Set und einem klaren Ja oder Nein nach einigen Wochen. Dann weitere Sammlungen und Teams am selben Gateway, mit Berechtigungen aus den bestehenden Gruppen statt neu erfundenen. Drittens der Betrieb: ein monatlicher Modell-Review, ein festes Update-Fenster, Kapazitätschecks auf den GPUs und ein kurzer Bericht über Nutzung und gesparte Stunden. Klein anzufangen hält die Hardware-Bestellung ehrlich, gibt Ihrem Datenschutzbeauftragten etwas Konkretes zu prüfen und liefert die erste interne Erfolgsgeschichte, nach der die nächste Abteilung von selbst Zugang verlangt.

Fazit

Mit einem Open-Weight-Modell hinter Ihrem eigenen Gateway bekommen Ihre sensibelsten Daten endlich KI-Unterstützung, und nichts davon verlässt je das Haus.

Weitere Artikel

    Kontakt aufnehmen

    Erzählen Sie mir von Ihrem Projekt, ich antworte innerhalb von 1–2 Werktagen.

    Dominik Heinrich
    Unternehmen
    MADO Consulting

    Weltweit verfügbar, remote. Vor Ort auf Anfrage, je nach Land.

    Ich antworte innerhalb von 1–2 Werktagen. Freie Termine: siehe Kalender

    Öffnet hier den Buchungskalender von Calendly. Beim Laden werden Daten an Calendly übertragen (siehe Impressum).