Entscheidend ist dabei nicht Echtzeit um ihrer selbst willen, sondern die Einhaltung des relevanten Entscheidungsfensters: Im SOC müssen aus Einzelalarmen rechtzeitig Muster werden, in der Flottensteuerung aus Zustands- und Wartungsdaten belastbare Verfügbarkeitsprognosen und in Counter-UAS-Szenarien aus Radar-, EO/IR-, Funk- und Führungsinformationen ein verwertbares Lagebild.

Innovationstempo braucht Daten- und Analytics-Tempo

Defence Innovation wird schneller, offener und testgetriebener. NATO DIANA hat für das 2026er Programm zehn Challenge-Felder benannt, darunter Autonomy and Unmanned Systems, Data Assisted Decision Making, Contested Electromagnetic Environments, Advanced Communication Technologies, Critical Infrastructure and Logistics sowie Resilient Space Operations. Für die 2026er Kohorte wurden 150 Unternehmen aus 24 NATO-Staaten ausgewählt.

Innovationsfähigkeit wird damit zunehmend daran gemessen, wie schnell neue Technologien getestet, validiert und in operative Nutzung überführt werden können. Jede Erprobung erzeugt Daten: Leistungsdaten, Sensordaten, Nutzungsdaten, Fehlermuster, Einsatzprofile und Rückmeldungen der Anwender. Wer diese Daten schnell auswertet, verbessert Fähigkeiten schneller.

Das gilt für etablierte Systemhäuser und Plattformhersteller ebenso wie für junge Defence-Tech-Unternehmen, die unbemannte Systeme, autonome Plattformen, Counter-UAS-Lösungen, Robotik oder softwaredefinierte Sensorik entwickeln. Ihr Vorteil liegt häufig in Geschwindigkeit: kurze Entwicklungszyklen, schnelle Erprobung, enge Rückkopplung aus Übungen und Einsätzen. Damit dieser Vorteil skaliert, müssen Test-, Sensor-, Missions-, Produktions- und Nutzungsdaten ebenso schnell auswertbar sein wie die Systeme selbst weiterentwickelt werden.

Die Stoßrichtung des DIANA-Themas Data Assisted Decision Making lässt sich so zusammenfassen: Moderne Operationen erzeugen große Datenmengen aus vielen Quellen; der operative Mehrwert entsteht, wenn diese Daten verlässlich zusammengeführt, ausgewertet, modelliert und in Entscheidungsprozesse überführt werden. Ohne leistungsfähige Analytics-Grundlage bleibt agile Innovation blind gegenüber dem tatsächlichen Fähigkeitsbeitrag.

Souveränität endet nicht bei der Infrastruktur

Digitale Souveränität wird häufig über Rechenzentren, Cloud-Standorte, Betreiber- und Rechtsräume diskutiert. Diese Perspektive ist wichtig, aber unvollständig. Wer Daten souverän speichert, sie für kritische Auswertungen aber in schwer kontrollierbare Verarbeitungsketten verschieben muss, hat das Souveränitätsproblem nur verlagert.

Souveräne Datenverarbeitung umfasst die gesamte analytische Kette: Datenerfassung, Speicherung, Integration, Verarbeitung, Auswertung, Governance und KI-Vorbereitung. Gerade im europäischen Defence-Umfeld ist das entscheidend. Daten können klassifiziert, einsatzkritisch, personenbezogen, exportkontrolliert oder industriell sensibel sein. Schutzstufen wie VS-NfD, NATO RESTRICTED und EU RESTRICTED sowie BSI-IT-Grundschutz und ISO-27001-basierte ISMS-Vorgaben setzen dafür den Rahmen.

Eine europäisch kontrollierbare Analyseschicht kann dort betrieben werden, wo Daten aus Sicherheits-, Governance- oder Latenzgründen verbleiben müssen: im eigenen Rechenzentrum, in souveränen Cloud-Umgebungen, in hybriden Architekturen, edge-nah oder in abgeschotteten, air-gapped Betriebsmodellen. Die Stärke liegt nicht allein in der Herkunft einer Technologie, sondern in der Kombination aus Kontrollierbarkeit, Performance und Integrationsfähigkeit.

KI braucht analytische Grundlagen

Die Diskussion um künstliche Intelligenz im Verteidigungsumfeld konzentriert sich häufig auf Modelle, Algorithmen und Automatisierung. Doch KI-Projekte scheitern selten nur am Modell. Sie scheitern an Datenqualität, Datenverfügbarkeit, Latenz, fehlendem Kontext, mangelnder Governance oder daran, dass produktionsnahe Daten nicht sicher und skalierbar genutzt werden können.

Ein KI-Modell ist nur so gut wie die Datenbasis, auf der es trainiert, validiert und betrieben wird. Gerade in sicherheitskritischen Umgebungen müssen Daten nachvollziehbar, aktuell, kontrolliert und fachlich belastbar sein. Das gilt für Anomalieerkennung ebenso wie für Lagebildunterstützung, Wartungsprognosen, Simulation, Bedrohungsanalyse oder operative Entscheidungsunterstützung.

Damit wird eine leistungsfähige Daten- und Analytics-Grundlage zur Voraussetzung für skalierbare KI. Bevor Modelle Muster erkennen, Vorhersagen treffen oder Entscheidungen unterstützen können, müssen relevante Daten zusammengeführt, bereinigt, kontextualisiert und performant bereitgestellt werden. Diese vorgelagerte Arbeit ist weniger sichtbar als das Modell selbst, entscheidet aber über Qualität, Nutzbarkeit und Skalierbarkeit.

Für AI Developer bedeutet das: schneller Zugriff auf große Datenbestände, reproduzierbare Datenstände, performante Transformationen und Feature Engineering möglichst ohne unnötige Datenbewegung. Je besser diese Grundlage, desto kürzer der Weg vom Datenbestand zum validierbaren und produktiv betreibbaren Modell.

Mit dem Übergang von einzelnen Modellen zu agentischen Systemen steigen die Anforderungen weiter. KI-Agenten erzeugen viele parallele, aufeinander aufbauende Zugriffe auf Daten, Metadaten und analytische Funktionen. Hohe Abfrageparallelität, konsistente Antwortzeiten, fein abgestufte Berechtigungen und nachvollziehbare Ausführung werden damit zu Voraussetzungen für den produktiven Betrieb. In sicherheitskritischen Umgebungen muss nicht nur das Modell kontrollierbar sein, sondern auch jeder Datenzugriff, den ein autonom oder teilautonom arbeitendes System ausführt.

Gerade im Defence-Umfeld muss KI nicht nur leistungsfähig, sondern erklärbar, kontrollierbar und sicher betreibbar sein. Datenbewegung, Schattenarchitekturen und unklare Verarbeitungswege sind hier nicht nur ineffizient, sondern Governance- und Sicherheitsrisiken. Analytics wird so nicht zur Konkurrenz von KI, sondern zu ihrer industriellen Grundlage.

Unstrukturierte Daten werden zum nächsten Prüfstein

Viele Datenarchitekturen konzentrieren sich auf strukturierte Informationen: Tabellen, Transaktionsdaten, Sensormesswerte, Zeitreihen, Logdaten oder Stammdaten. Im Defence-Umfeld liegt jedoch ein erheblicher Teil relevanter Informationen in unstrukturierter oder halbstrukturierter Form vor: Einsatzberichte, technische Dokumentationen, Wartungsnotizen, Lageeinschätzungen, Freitextmeldungen, Handbücher, E-Mails, Protokolle, Verträge oder maschinell erzeugte Textdaten.

Gerade für KI-Anwendungen ist diese Datenklasse zentral. Sprachmodelle, Textklassifikation, Entity Recognition, semantische Suche oder automatisierte Zusammenfassungen können aus solchen Beständen Signale gewinnen. Der Mehrwert entsteht jedoch erst, wenn unstrukturierte Daten auffindbar, klassifizierbar, kontextualisierbar und mit strukturierten Daten kombinierbar werden.

Ein Wartungsbericht entfaltet seinen Wert, wenn er mit Ersatzteildaten, Nutzungsprofilen und Sensormessungen verbunden wird. Eine Lageinformation gewinnt Relevanz, wenn sie mit Geodaten, Zeitstempeln, Quellenbewertung und operativem Kontext zusammengeführt wird. KI darf dabei nicht zur Black Box außerhalb der Datenarchitektur werden, sondern muss Teil einer kontrollierten analytischen Kette bleiben.

Gerade bei Large Language Models verschiebt sich damit die entscheidende Frage: Nicht jedes Modell muss selbst trainiert werden. Für viele sicherheitskritische Anwendungen ist wichtiger, bestehende Modelle kontrolliert mit eigenen Daten zu kontextualisieren, zu validieren oder gezielt anzupassen. Der Mehrwert entsteht dann weniger durch das Modell allein als durch eine Architektur, die strukturierte und unstrukturierte Informationen sicher zusammenführt und für Inferenz verfügbar macht.

Cloud, Edge und Analytics gehören zusammen

Die Verbindung von Cloud und Edge verändert die digitale Wirkkette. Daten entstehen nicht nur im Rechenzentrum, sondern an Sensoren, Plattformen, Führungsstellen und in mobilen oder taktischen Umgebungen. Damit wächst der Bedarf an Analytics, die zentral und verteilt funktionieren kann: schnell genug für operative Entscheidungen, kontrolliert genug für klassifizierte Daten und offen genug für KI- und ML-Workloads.

Cloud schafft Skalierbarkeit und Resilienz. Edge schafft Nähe zur Wirkung, zu Sensoren und zu taktischen Entscheidungen. KI schafft neue Formen der Auswertung und Automatisierung. Analytics verbindet diese Ebenen. Training, Validierung, großvolumige Korrelation und operative Inferenz können dabei auf unterschiedliche zentrale und dezentrale Ebenen verteilt sein. Entscheidend ist, dass Datenmodelle, Governance und analytische Logik konsistent bleiben.

Vom Datenbestand zum digitalen Wirkverbund

Die nächste Stufe digitaler Verteidigungsfähigkeit entsteht nicht durch einzelne Systeme allein. Sie entsteht durch den Wirkverbund aus Sensorik, Kommunikation, Cloud, Edge, Datenmanagement, Analytics, KI und Führungssystemen. Der operative Mehrwert entsteht erst, wenn diese Bausteine entlang konkreter Entscheidungsprozesse zusammenspielen.

Für Industrieunternehmen bedeutet das: Entwicklungs-, Produktions-, Lieferketten- und Nutzungsdaten müssen analytisch verbunden werden, um Verfügbarkeit, Qualität und Skalierbarkeit zu verbessern. Für Behörden bedeutet es: Datenräume und Fachverfahren müssen Auswertung, Lageverständnis und Steuerung beschleunigen, statt neue Medienbrüche zu erzeugen. Für Streitkräfte bedeutet es: Datenverarbeitung muss als Fähigkeit geplant werden, nicht als Nebenprodukt einzelner IT-Projekte.

Analytics sollte deshalb von Beginn an als Leistungsanforderung definiert werden. Programmverantwortliche sollten früh klären:

• Welche Daten müssen in welchem Zeitfenster für welche Entscheidung verfügbar sein?
• Welche Verarbeitung muss zentral, welche dezentral oder auch unter eingeschränkter Konnektivität erfolgen?
• Welche Sicherheits-, Governance- und Souveränitätsanforderungen gelten für Daten und Verarbeitung?
• Wie lassen sich bestehende Systeme und KI-Anwendungen verbinden, ohne neue Silos, Datenkopien oder Abhängigkeiten zu schaffen?
• Wie fließen Erkenntnisse aus Tests, Übungen, Simulationen und Einsätzen schnell genug zurück in Entwicklung, Modelle und operative Systeme?

Erst wenn diese Fragen beantwortet sind, wird aus Digitalisierung Wirkung.

Was eine Defence-Analytics-Architektur leisten muss

Eine solche Architektur ist mehr als klassische Business Intelligence. Es geht nicht nur um Dashboards oder periodische Berichte, sondern um analytische Leistungsfähigkeit in komplexen, dynamischen und sensiblen Architekturen. Dafür sind sechs Fähigkeiten entscheidend:

1. Performance und Parallelität. Sensordaten, Logdaten, Simulationsdaten und operative Datenbestände wachsen schnell. Analytische Verarbeitung muss große Volumina und viele parallele Zugriffe innerhalb relevanter Entscheidungsfenster bewältigen.
2. Integration und Offenheit. Gewachsene Systemlandschaften lassen sich nicht beliebig ersetzen. Die Analyseebene muss vorhandene Datenräume, Fachverfahren, Data Lakes, Lakehouses und KI-Anwendungen anschlussfähig machen, ohne neue Silos zu erzeugen.
3. flexible und souveräne Bereitstellung. On-Premises, souveräne Cloud, hybride, edge-nahe und abgeschottete Umgebungen müssen entsprechend Schutzbedarf und Einsatzkontext unterstützt werden.
4. Governance, Provenienz und Datenqualität. Zugriffskontrolle, Auditierbarkeit, Herkunft, fachliche Bedeutung und Qualität von Daten müssen für Menschen wie automatisierte Systeme nachvollziehbar sein.
5. KI-Anschlussfähigkeit. Strukturierte wie unstrukturierte Daten müssen für Feature Engineering, Training, Validierung, RAG, Inferenz und agentische Zugriffe performant und kontrolliert nutzbar sein.
6. Geschwindigkeit der Weiterentwicklung. Erkenntnisse aus Tests, Übungen und Einsätzen müssen schnell in Entwicklung, Beschaffung und Betrieb zurückfließen können.

Entscheidend ist nicht, dass eine solche Architektur die gesamte Plattform stellt. Entscheidend ist, dass sie vorhandene Systeme analytisch anschlussfähig und ihre Daten rechtzeitig nutzbar macht.

Europäische Handlungsfähigkeit braucht Analytics-Kompetenz

Die europäische Verteidigungsindustrie muss schneller, vernetzter und skalierbarer werden, ohne Souveränität, Resilienz und Kontrolle aufzugeben. Dafür braucht sie Architekturen, die bestehende Systeme und neue KI-basierte Fähigkeiten verbinden, ohne sensitive Daten unnötig zu kopieren oder Organisationen in proprietäre Abhängigkeiten zu zwingen.

Gerade für datengetriebene KI-Entwicklung ist diese Frage zentral. Häufig fehlt nicht ein weiteres Modell, sondern eine verlässliche Grundlage, um große, heterogene und sensitive Datenbestände schnell zu explorieren, aufzubereiten und kontrolliert für Analytics und KI nutzbar zu machen.

Hier gewinnt eine offene analytische Abstraktionsschicht strategische Bedeutung. Sie ist keine Produktkategorie, sondern eine Referenzarchitektur aus Datenzugriff, Transformation, Abfrageperformance, Governance, Feature-Bereitstellung und KI-naher Verarbeitung. Je nach Zielarchitektur können performante SQL-Datenbanken, analytische Engines, Datenvirtualisierung, Streaming-Komponenten, Feature Stores und Modell-Laufzeitumgebungen unterschiedliche Rollen übernehmen.

Für AI Developer entsteht so eine belastbare Arbeitsgrundlage aus reproduzierbaren Datenständen, nachvollziehbaren Transformationen, kontrollierten Zugriffswegen und performanten Abfragen. Für Architekten und Sicherheitsverantwortliche entsteht eine Ebene, in der Governance, Nachvollziehbarkeit und Geschwindigkeit zusammengeführt werden.

Für Systemhäuser, Plattformhersteller, IT-Dienstleister, Softwareanbieter und Verteidigungsbehörden ist das keine technische Randfrage. Wer Daten schneller versteht, kann Systeme besser entwickeln, Plattformen effizienter betreiben, Cyber-Lagen früher erkennen, unbemannte Systeme wirksamer integrieren, Innovationen schneller validieren und Entscheidungen robuster treffen.

Die digitale Verteidigungsfähigkeit Europas wird daher nicht allein daran gemessen werden, wo Daten gespeichert werden. Entscheidend wird sein, wie schnell, sicher und souverän aus diesen Daten Erkenntnisse entstehen.

Fazit: Die nächste Souveränitätsfrage lautet Analytics

Die aktuellen Innovationslinien im Defence-Umfeld zeigen in dieselbe Richtung: Cloud und Edge schaffen digitale Reichweite, KI schafft neue Formen der Auswertung und Automatisierung, unbemannte Systeme erhöhen die Datenintensität, und Software Defined Defence erhöht das notwendige Innovationstempo.

Was diese Linien verbindet, ist Analytics. Sie entscheidet, ob Datenräume Wirkung entfalten, KI auf belastbaren Grundlagen arbeitet und komplexe Systemlandschaften innerhalb relevanter Entscheidungsfenster verstanden und gesteuert werden können.

Für europäische Verteidigungsfähigkeit wird damit nicht nur entscheidend, wo Daten liegen, sondern wie schnell, sicher und souverän sie verarbeitet werden können. Analytics wird zur strategischen Fähigkeit – für operative Geschwindigkeit, industrielle Skalierbarkeit, KI-Entwicklung und schnelle Innovationszyklen.

Cloud und KI sind neue Grundpfeiler moderner Verteidigungsfähigkeit. Analytics ist die tragende Schicht dazwischen.

Text: Svoan Christopher Kirsch, Thomas Degen
Die Autoren beschäftigen sich mit datengetriebenen Architekturen im sicherheits- und verteidigungsrelevanten Umfeld. Im Fokus ihrer Arbeit steht die Frage, wie Organisationen große, heterogene und sensitive Datenbestände so nutzbar machen können, dass daraus operative, industrielle und strategische Handlungsfähigkeit entsteht.