Du sollst wissen, wann KI arbeitet – und was sie mit deinen Daten macht.

FlameP kann KI unter anderem für Dialog, Analyse, Zusammenfassung, Rechercheunterstützung, Strukturierung, Übersetzung, Vorschläge, Retrieval-Unterstützung, Planung, Modellrouting, Generierung und andere intelligente Funktionen einsetzen.

Nicht jede Automatisierung in FlameP ist KI. Deterministische Regeln, Berechnungen, Berechtigungen, Ledger-, Payment-, Governance- und Validator-Logik werden nicht deshalb als „KI“ bezeichnet, weil sie automatisiert sind.

Wenn eine FlameP-Funktion eine direkte Interaktion mit einem KI-System ermöglicht, wird dies in der Experience erkennbar gemacht, soweit es nicht bereits aus dem Kontext offensichtlich ist.

Die Kennzeichnung soll dort erfolgen, wo die Interaktion stattfindet – nicht ausschließlich in diesem Dokument.

FlameP ist modelloffen. Je nach Funktion und freigegebenem Produktstand können unter anderem folgende Kategorien eingesetzt werden:

• kleine private Modelle auf FlameP-kontrollierter Infrastruktur,
• größere private Modelle auf dafür vorgesehener Infrastruktur,
• externe Frontier-/Spezialmodelle über freigegebene Provider,
• gegebenenfalls eigene oder speziell angepasste Modelle.

Welche Modelle tatsächlich produktiv verfügbar sind, ergibt sich aus der jeweils freigegebenen Provider-/Model-Registry. Dieses Dokument erfindet keine Produktivmodelle.

FlameP kann Modelle durch eine deterministische Provider-/Model-Selection-Logik auswählen. Dabei können für die jeweilige Aufgabe zulässige technische Metadaten, Modellfähigkeiten, Kosten, Geschwindigkeit, Privacy-Anforderungen und andere freigegebene Kriterien berücksichtigt werden.

Private Vertrags- oder Chat-Inhalte werden nicht allein deshalb an eine Modellselektion übergeben, um einen Anbieter auszuwählen. Ein aktivierter privater Precheck kann die zulässige Modellmenge zusätzlich beschränken.

Je nach von dir gewählter Funktion kann der autorisierte FlameP-Runtime-Pfad deine Eingabe sowie den dafür freigegebenen Kontext technisch an ein Modell übergeben – beispielsweise ausgewählte Dokumente, Gesprächskontext oder strukturierte FlameP-Informationen.

Diese technische Verarbeitung bedeutet nicht, dass FlameP als Betreiber deine Inhalte lesen oder einsehen kann. Der Zugriff auf private Nutzerinhalte ist architektonisch vom Betreiberzugriff getrennt.

Wenn ein externer Modellanbieter gewählt wird, kann der dafür notwendige Kontext technisch an diesen Anbieter übermittelt werden. Welche Empfänger, Rechtsgrundlagen, Speicherregeln und Drittlandtransfers gelten, beschreibt die Datenschutzerklärung.

Notwendige Verarbeitung findet ausschließlich über autorisierte technische Runtime-Pfade statt, die die vom Nutzer gewählte Funktion ausführen. Mitarbeiter oder Betreiber erhalten dadurch keinen normalen Lesepfad auf private Inhalte.

Logs, Telemetrie und Betriebsdiagnostik dürfen keine privaten Inhalte zu einem alternativen Betreiberzugriff machen. Technische Betriebsdaten werden vom Inhaltszugriff getrennt.

Wenn du bewusst eine Funktion verwendest, die einen externen Modellanbieter einbezieht, kann dieser Anbieter den für die Anfrage erforderlichen Kontext technisch verarbeiten. Das ist ein eigener Verarbeitungspfad und ändert nicht den Grundsatz, dass FlameP selbst keinen Inhaltszugriff erhält.

Private Inhalte werden nur verarbeitet, soweit dies für die von dir gewählte FlameP-Funktion erforderlich ist oder eine andere klar benannte und rechtlich zulässige Grundlage besteht.

Wenn FlameP zukünftig ein separates, freiwilliges Programm anbieten sollte, in dem Nutzer ausdrücklich Daten für einen klar beschriebenen Entwicklungs- oder Trainingszweck bereitstellen können, wäre dies eine eigene Entscheidung und nicht Bestandteil der normalen FlameP-Nutzung.

Wenn du eine Funktion nutzt, die einen externen Modellanbieter einbezieht, kann der autorisierte technische Runtime-Pfad den für die konkrete Anfrage erforderlichen Kontext an diesen Anbieter übertragen. FlameP erhält dadurch keinen manuellen oder administrativen Inhaltszugriff.

Providerbedingungen, Speicherverhalten, Trainingsausschlüsse, Verarbeitungsorte und mögliche Drittlandtransfers müssen vor Produktivfreigabe für den jeweils aktiven Anbieter nachgewiesen und in Datenschutz-/Provider-Transparenz synchron gehalten werden.

Ein Modell wird in FlameP nur dann als privat, lokal oder FlameP-kontrolliert bezeichnet, wenn der für die betreffende Funktion tatsächliche Runtime- und Datenpfad dies belegt.

Ein lokaler Precheck macht eine nachfolgende externe Verarbeitung nicht automatisch vollständig lokal. FlameP muss deshalb zwischen Precheck, Hauptmodell, Retrieval, Storage und weiteren Verarbeitungsschritten unterscheiden.

Verschiedene Modelle können unterschiedliche reale AI-/Compute-Kosten verursachen. FlameP kann diese variable Nutzung über FlamePoints abbilden.

Vor kostenrelevanten Aktionen soll der erwartete Verbrauch angezeigt werden. Wo sinnvoll, können Alternativen nach Qualität, Geschwindigkeit, Kosten und Privacy-Auswirkung sichtbar gemacht werden.

Eine Modellwahl darf nicht versteckt allein zugunsten einer höheren FlameP-Marge erfolgen.

KI-Modelle und komplexe Softwaresysteme können Fehler enthalten oder fehlerhafte Ergebnisse erzeugen. Dazu gehören beispielsweise falsche Aussagen, unvollständige Verarbeitung, fehlerhafte Zuordnung, technische Fehlfunktionen oder unerwartetes Verhalten.

Wenn FlameP ein Fehler bekannt wird, wird er untersucht und – soweit er reproduzierbar oder technisch bestimmbar ist – behoben. Sicherheits- oder Datenschutzfehler werden entsprechend ihrer Relevanz priorisiert.

Die Tatsache, dass Fehler möglich sind, relativiert nicht die Zero-Access-Architektur. Ein Fehler darf nicht als normaler oder beabsichtigter Betreiberzugriff auf private Nutzerinhalte behandelt werden.

Wo sinnvoll, zeigt FlameP Quellen, Evidenz, Unsicherheiten, Modellgrenzen und alternative Wege. Eine technisch flüssige Antwort wird nicht allein dadurch zu einer verlässlichen Aussage.

Wenn FlameP Informationen aus Quellen oder aus der eigenen Wissens-/Datenstruktur bezieht, sollen Antwort, Quelle und abgeleitete Aussage unterscheidbar bleiben.

FlamePlot ist dabei eine kanonische Informations- und Beziehungsstruktur. Es entscheidet nicht eigenständig, ob eine Aussage rechtlich, fachlich oder faktisch „wahr“ ist. Validierung, Governance und technische Prüfungen gehören in dafür vorgesehene Komponenten.

Wenn eine Begründung oder Quelle fehlt, soll FlameP dies als unbekannt oder nicht belegt behandeln, statt eine Begründung zu erfinden.

FlameP-KI kann analysieren, priorisieren, Optionen vorschlagen und bei der Ausführung unterstützen. Wo eine Entscheidung beim Nutzer oder einer autorisierten Person liegt, bleibt diese Entscheidung beim Menschen.

AI-Unterstützung verleiht einem Ergebnis nicht automatisch Freigabe-, Publikations-, Evidence- oder sonstige fachliche Authority. Solche Authorities werden durch die jeweilige FlameP-Governance bestimmt.

Bei medizinischen, rechtlichen, finanziellen, sicherheitsrelevanten oder vergleichbar folgenreichen Entscheidungen sollten relevante KI-Ausgaben unabhängig geprüft und erforderlichenfalls qualifizierte Fachpersonen einbezogen werden.

Soweit eine FlameP-Funktion rechtlich als Hochrisiko-KI oder als sonst besonders regulierte Anwendung einzustufen wäre, gelten zusätzliche Anforderungen. Eine solche Funktion darf nicht allein deshalb produktiv werden, weil ein Sprachmodell technisch eine Antwort erzeugen kann.

Für bestimmte KI-generierte oder manipulierte Inhalte gelten nach Artikel 50 AI Act zusätzliche Transparenzpflichten. Das betrifft insbesondere bestimmte Veröffentlichungen zu Angelegenheiten von öffentlichem Interesse, wenn sie ohne menschliche redaktionelle Prüfung veröffentlicht werden.

Wo FlameP selbst als Anbieter oder Betreiber einer entsprechenden Funktion in den Anwendungsbereich fällt, werden die erforderlichen sichtbaren bzw. maschinenlesbaren Kennzeichnungen im Produkt umgesetzt.

Eine reine interne Zusammenfassung oder ein privater Entwurf ist rechtlich nicht automatisch dasselbe wie eine öffentliche Veröffentlichung.

Soweit FlameP Funktionen für KI-generierte oder manipulierte Bilder, Audio- oder Videoinhalte anbietet, gelten die dafür einschlägigen Transparenzpflichten. Deepfake-Inhalte müssen in den gesetzlich erfassten Fällen klar als künstlich erzeugt oder manipuliert offengelegt werden.

Maschinenlesbare Markierungen und sichtbare Offenlegung sind unterschiedliche Anforderungen. Die konkrete Umsetzung richtet sich danach, ob FlameP im jeweiligen Pfad Anbieter, Betreiber oder beides ist.

Ein KI-Modell hat nicht automatisch ein dauerhaftes persönliches Gedächtnis. FlameP kann – abhängig von der gewählten Funktion – Gesprächsverläufe, strukturierte Informationen oder andere autorisierte Daten speichern und später erneut als Kontext verwenden.

Ob, wo und wie lange Daten gespeichert werden, richtet sich nach der jeweiligen FlameP-Funktion, der Datenschutzerklärung und den aktiven Speicher-/Vault-Mechanismen. Speicherung bedeutet dabei nicht Betreiberzugriff: Private Nutzerdaten bleiben dem Zero-Access-Prinzip unterworfen.

FlameP soll nicht so tun, als „wisse das Modell alles über dich“, wenn der tatsächliche Kontext aus FlameP-Speichern oder Retrieval stammt.

FlameP kann Bewertungen wie Qualitätsratings, Fehlermeldungen oder Hinweise zur Modellleistung verwenden, um die eigene Produktauswahl, Evaluation und Routing-Qualität zu verbessern.

Das bedeutet nicht automatisch, dass der private Gesprächsinhalt an Modellanbieter zum allgemeinen Training freigegeben wird. Falls Feedback selbst Inhalte enthält, werden Zweck und Verarbeitung getrennt bewertet.

Die Nutzung von KI ändert nichts an deinen gesetzlichen Datenschutz-, Verbraucher-, Vertrags- und gegebenenfalls Urheberrechten.

Wenn personenbezogene Daten verarbeitet werden, gelten insbesondere die in der Datenschutzerklärung beschriebenen Betroffenenrechte. Wenn eine KI-Funktion Teil eines digitalen Produkts ist, gelten daneben die gesetzlichen Rechte für digitale Produkte.

Nach dem EU AI Act hängen Pflichten davon ab, ob FlameP bei einer konkreten Funktion als Anbieter (Provider), Betreiber/Deployer oder in mehreren Rollen handelt.

Wenn FlameP ein eigenes KI-System unter eigenem Namen bereitstellt, können Provider-Pflichten entstehen. Nutzt FlameP ein fremdes System unter eigener Verantwortung, können Deployer-Pflichten einschlägig sein. Die Rolle wird pro produktiver AI-Capability geprüft und nicht global geraten.

Sollte FlameP zukünftig selbst ein General-Purpose-AI-Modell im Sinne des AI Act anbieten, gelten zusätzliche Pflichten für GPAI-Modellanbieter, etwa technische Dokumentation, Copyright-Policy und eine Zusammenfassung der Trainingsinhalte.

Neue KI-Funktionen, neue Datenflüsse, neue Provider oder wesentlich andere Verwendungszwecke werden vor Produktivsetzung auf Datenschutz, AI-Act-Rolle, Transparenz, Kosten, Security und gegebenenfalls erforderliche Nutzerzustimmung geprüft.

Eine bloße Änderung dieses Dokuments legitimiert keine technisch oder rechtlich wesentliche neue Verarbeitung.

Verbindliche FlameP-Grundsätze dieser Fassung

Vor Productive Freeze noch zu schließen