“Die 70/30-Architektur erfordert zwei Diagramme: eines für den technischen Layer, eines für den sozialen Layer. Beide sind gleichrangige Systemkomponenten. Einer ohne den anderen ist kein KI-System.”

— Anton Lytvynenko, Kapitel 7

DEENUK NO

AlpiType · Anton Lytvynenko · 2026

Vergessen Sie Prompts. Das KI-System 70/30

Wer trainiert, wer kontrolliert, wer haftet

Frei verfügbar · Print-Ausgabe ab Herbst 2026 ab €39
Erste 7 von 20+ Kapiteln · ~140 Seiten · PDF · Deutsch · Restliche Kapitel folgen monatlich
KI-Systeme scheitern selten an der Technologie. Sie scheitern, weil niemand definiert hat, wer trainiert, wer kontrolliert und wer haftet — bevor etwas schiefgeht.
Inhalt
K1Die drei Rollen jenseits der Technik✓ Verfügbar
K2Was die Technologie nicht verbessern kann✓ Verfügbar
K3Wenn es zur Klage kommt✓ Verfügbar
K4Wer haftet — Compliance als organisationale Architektur✓ Verfügbar
K5Ökonomische Anthropologie — warum KI-Operatoren unterbezahlt sind✓ Verfügbar
K6Eskalations-Risiko mit GPU — Fallstudien aus DACH✓ Verfügbar
K770/30 als Architekturprinzip✓ Verfügbar
K8Souveränität als anthropologische FrageIn Bearbeitung · Jun 2026
K9Was sich ändert, wenn KI-Operatoren Senior-Gehälter erhaltenIn Bearbeitung · Jul 2026
K10Anthropologie des nächsten JahrzehntsIn Bearbeitung · Aug 2026
K11Harari hatte unrecht — kein Neuralink nötigIn Bearbeitung · Sep 2026
K12Der Prompt als DenkaktIn Bearbeitung · Okt 2026
Geplant
K13Organisationale Immunreaktion — wenn Teams KI ablehnenGeplant
K14Datenqualität als MachtfrageGeplant
K15Der KI-Beirat — Funktion und GrenzenGeplant
K16–K20Weitere Kapitel in AusarbeitungGeplant

Kapitel 1–7 Vorschau

Kapitel 1 — Die drei Rollen jenseits der Technik

The 3 Undefined Roles Training Who defines correct output? Control Who monitors & intervenes? Liability Who signs off when wrong? All three exist in every AI system. Implicitly — if not explicitly.

Die erste Rolle ist die des Trainierenden. Wer entscheidet, auf welchen Daten das Modell lernt? Wer
definiert, was korrekt ist — und was nicht? Diese Entscheidung ist zutiefst redaktionell — nicht rein
technisch.
Die zweite Rolle ist die des Kontrollierenden. Wer beobachtet das System im laufenden Betrieb? Wer
erkennt, wenn das Modell außerhalb seiner Kompetenzzone operiert? Wer hat das Mandat, einzugreifen —
und die Befugnis, das System zu stoppen?
Die dritte Rolle ist die des Haftenden. Wer unterschreibt? Wer steht für die Entscheidungen des Systems
gerade, wenn etwas schiefgeht? Diese Rolle ist die, die am häufigsten vergessen wird — weil sie solange
unsichtbar ist, bis sie gebraucht w…

Kapitel 2 — Was die Technologie nicht verbessern kann

Ground Truth Gap Model Output What the model produces The gap a bigger model cannot close Ground Truth Reality — defined by humans & domain Bad input data is a human problem. No model size fixes it.

Drei Fragen für den eigenen Stack
Frage 1: Haben Ihre Trainingsdaten eine Ground-Truth-Definition?
Nicht eine Liste von Labels — eine reproduzierbare Entscheidungsregel, bei der zwei unabhängige
Personen zu demselben Ergebnis kommen?
Frage 2: Wer ist der Daten-Kurator?
Wer hat das Mandat, die Ground-Truth-Definition zu aktualisieren, wenn sich der Prozess ändert?
Frage 3: Wie hoch ist die Labeler-Übereinstimmungsrate in Ihren Trainingsdaten?
Wenn diese Zahl nicht existiert — existiert Ground Truth nicht.
· · ·

Kapitel 3 — Wenn es zur Klage kommt

Liability Chain AI System makes decision Decision acted upon Outcome harm occurs Lawsuit filed in court WHO IS LIABLE? undefined roles A lawsuit targets the organizational structure — not the model. If no one owns the role, everyone is liable — or no one is.

Kapitel 4 — Wer haftet

RACI Matrix for AI Responsibility Task R A C I Model Training ML Eng. CTO Domain Exp. GF Output Review AI Operator AI Operator Domain Exp. CTO Compliance Check Legal/Comp. GF CTO All Incident Response AI Operator CTO Legal GF R = Responsible · A = Accountable · C = Consulted · I = Informed · GF = Geschäftsführer

Frage 2: Deckt Ihre Cyber-Versicherung KI-Entscheidungsschäden ab?
In den meisten Policen aus 2023 und früher — nein.
Frage 3: Was ist Ihre 72-Stunden-Handlungsfolge bei einem KI-Vorfall?
Wenn Sie keine klare Antwort haben — haben Sie keine Compliance-Architektur.

Kapitel 5 — Ökonomische Anthropologie

The Economic Imbalance Annual Cost (€) 0 50k 100k 150k ~42k€ Operator Salary ~145k€ Cloud AI Cost Replaced Operators generate 3-4× their salary in cloud cost savings — yet remain entry-level

Kapitel 6 — Eskalations-Risiko mit GPU

Escalation Risk Matrix GPU Dependency → Low ——————— High Human Oversight ↑ Low — High SAFE High oversight, low dependency CONTROLLED High oversight, high dependency FRAGILE Low oversight, low dependency CRITICAL Low oversight, high dependency

Drei Fragen für den eigenen Stack
Frage 1: Beschreiben Sie den Worst-Case-Eskalationspfad.
Wer entscheidet, mit welchem Mandat, in welchem Zeitrahmen. Wenn Sie das nicht in 5 Minuten schriftlich
formulieren können — ist der Pfad nicht definiert.
Frage 2: Hat jemand explizit nach anomalen Ereignissen in Ihren Trainingsdaten gesucht?
Wer hat die letzten drei wesentlichen Datensatz-Aktualisierungen vorgenommen?
Frage 3: Unter welchen Bedingungen kann jeder externe Anbieter Ihren Zugang einschränken?
Für jeden kritischen Anbieter: Was ist der Notfallbetrieb?

Kapitel 7 — 70/30 als Architekturprinzip

The 70/30 Architecture 70% — Machine Layer • Model inference • Pattern recognition • Data processing • Automated decision drafts • Threshold evaluation • Log & audit trail generation • Scalable execution • Speed & consistency • Repeatable workflows 30% — Human Layer • Ground truth definition • Accountability & sign-off • Edge-case judgment • Model correction & retraining • Incident response • Stakeholder communication • Role definition (R/A/C/I) • System shutdown authority • Regulatory compliance Without the 30% human layer, the 70% machine layer has no valid operating context.

Festgehalten wird der konkrete Name, die Position und die Person, die im Vertretungsfall einspringt.
Schritt 5: Schwellenwerte festlegen
Die Schwellenwerte werden spezifisch und messbar definiert und sowohl im Code als auch in der
Betriebsdokumentation festgehalten.
Schritt 6: Logging-Design
Jede Entscheidung, jede Eskalation und jedes Override wird mit Name, Zeitstempel und Begründung
protokolliert. Für High-Risk-Systeme schreibt der EU AI Act eine Aufbewahrungsfrist von fünf Jahren vor.
Schritt 7: Betriebsdokumentation
Vor Go-live liegen Systembeschreibung, Betriebsverfahren und Disaster-Recovery-Plan in unterschriebener
Form vor.
Schritt 8: Eskalationsübung
Vor Go-live wird ein simulie…

Kapitel 8–12 + Anhänge im vollständigen PDF

Geschäftliche E-Mail erforderlich · Link 7 Tage gültig · DSGVO-konform
Anton Lytvynenko
CEO · AlpiType · Landsberg am Lech

KI-Systeme in Industrieunternehmen in Bayern und Österreich. Fokus auf lokaler Inferenz, DSGVO-Compliance und dem menschlichen Layer zwischen Modell und Entscheidung.