Kiren Kumar, stellvertretender CEO der Singapore-Infocomm Media Development Authority (IMDA), ist der Ansicht, dass eine zu frühe Regulierung von KI ein Fehler ist, der das digitale Wachstum bremst und Innovation behindert, bevor sie sich vollständig entfaltet. Statt auf starre Gesetzgebung setzt die IMDA auf regulatorisches Vertrauen als wirtschaftliches Vermögensgut: gemeinsam mit Tech-Firmen entwickelt sie freiwillige Testing-Sandboxes, um das Verhalten organisch zu steuern. Kumar betont: „Wir glauben nicht, dass die Regulierung jetzt die Antwort ist.“ Singapurs Ansatz nutzt seinen weltweiten Ruf für Stabilität – der über Jahrzehnte hinweg in der Luft- und Raumfahrt sowie in der Halbleiterindustrie aufgebaut wurde – als Grundlage, um sich als sicherer Testboden für aufkommende KI-Branchen zu positionieren.
Regulierungsphilosophie: Vertrauen als wirtschaftliches Vermögensgut
Singapur lehnt bewusst beide regulatorischen Extreme ab. Anstatt starre Gesetze zu verabschieden, baut die IMDA freiwillige Testing-Sandboxes auf, um das Verhalten von Unternehmen zu steuern, bevor regelbrechendes Verhalten zur Krise wird.
Kumar weist darauf hin, dass Singapurs Marke vollständig auf Vertrauen beruht. Das Land positioniert sich als sicherer Testboden für neue Branchen, indem es direkt mit Unternehmen zusammenarbeitet, um Governance-Frameworks aufzubauen. „Einige Länder regulieren Technologie, andere nicht“, sagt Kumar und verweist damit auf den Mittelweg der IMDA.
Policy-Übersetzung: Vom Framework zu Code
Damit Governance-Frameworks nützlich sind, muss Politik in echten Code übersetzt werden. Die IMDA hat Testing-Tools wie Moonshot gestartet, mit denen Entwickler ihre Modelle anhand von Governance-Frameworks bewerten können, bevor sie bereitgestellt werden. Die Ergebnisse werden anschließend veröffentlicht, um das globale Ökosystem zu informieren.
Agentic AI: Neue Risiken erfordern ein Umdenken bei der Governance
Dieser kollaborative Ansatz gerät unter Druck durch den Aufstieg von agentic AI – autonomer Software, die mehrstufige Pläne ohne menschliche Freigabe ausführt. Kumar erklärt, dass agentic AI aufgrund der Fähigkeit zur Schlussfolgerung und zum Handeln ohne „Mensch-in-der-Schleife“ neue Risiken hinsichtlich Sicherheit und Zuverlässigkeit einführt, die statische Gesetze nicht wirksam adressieren können.
„Mit [agentic]-Systemen werden mehrere Agenten zusammenarbeiten, und ich denke, dann müssen wir neu darüber nachdenken, wie wir das Modell-Governance-Framework einrahmen“, sagt Kumar und betont, dass die Aufsicht um Multi-Agent-Use-Cases herum aufgebaut werden muss.
Produktsicherheit: Kontinuierliches Patchen nach dem Launch
KI von Pilotprogrammen in den Live-Produktionsbetrieb zu bringen, ist genau der Punkt, an dem Fehler kritisch werden. Kumar erwartet und fordert kontinuierliches Patchen nach dem Launch. „Das mentale Modell ist: Es wird Fehler geben, es wird auch Fehler machen“, argumentiert er.
Der Schlüssel zum Überleben liegt darin, dass ein Mechanismus und eine unternehmerische Reaktion bereitstehen, um Systeme auch nach ihrer öffentlichen Verfügbarkeit fortlaufend zu verbessern und nachzujustieren. Intelligente Modelle mit Legacy-Datenbanken zu verbinden, ist genau dort, wo Datenlecks und Sicherheitsverletzungen passieren. Kumar ist der Ansicht, Unternehmen „brauchen eine Sandbox“, um sicherzustellen, dass ihre Daten, ihre Architektur und die Software-Verbindungen sicher und zuverlässig behandelt werden, bevor sie die Systeme in die Produktion bringen.
Er fordert zudem Vorstände auf, Software-Deployments wie physisches Engineering zu behandeln: „Pilot bis Produktion ist nicht anders als bei einem Motorenhersteller, der seine Motoren testet, bevor er sie auf ein Flugzeug setzt.“
Führung und Talent: Die letzten Hürden
Zögerliche Führungskräfte sowie ein globaler Mangel an spezialisiertem Talent bleiben Hürden für die KI-Einführung. „Das ist eine Führungsfrage“, sagt Kumar und macht deutlich, dass der Antrieb eines Executives, organisatorische Veränderungen durchzusetzen, wichtiger ist als die Regierungspolitik.
Diese Lücke wird durch fehlende technische Ressourcen verstärkt. Viele mittelgroße und kleine Unternehmen verstehen zwar ihre Geschäftsdomänen, aber es fehlen ihnen interne Teams, um maßgeschneiderte KI-Lösungen zu bauen und bereitzustellen. In der Folge werde „die Zahl der vor Ort eingesetzten Engineers weltweit zu einer knappen Ressource, weil sie eng mit dem Kunden zusammenarbeiten müssen, den Workflow verstehen und die Technologie ausrollen“.
Singapurs Deploy-Strategie
Um Talentmangel zu überwinden, ignoriert Singapur das Wettrennen, bei dem Frontier-Modelle von Grund auf neu gebaut werden. Stattdessen importiert das Land globale Algorithmen und setzt sie in stark regulierten Industrien ein.
Kumar argumentiert: „Wir glauben sehr stark, dass Singapur so positioniert ist, dass es diese Technologien im großen Maßstab verantwortungsvoll und in einem vertrauenswürdigen Rahmen bereitstellen kann.“
Die IMDA hat fortgeschrittene Fertigung, Finanzen, Konnektivität und Gesundheitswesen als vorrangige Zielbereiche identifiziert. Weil ein Scheitern in diesen Feldern teuer ist, verlangen sie eine höhere Messlatte für Vertrauen, Zuverlässigkeit und menschliches Urteilsvermögen.
Über Effizienz hinaus: Geschäftstransformation erreichen
Das Überleben des KI-Shift erfordert mehr als nur kleinere Kostensenkungen. „Viele dieser Pilots sind… [darauf ausgelegt,] die Produktivität um 10% bis 20% zu steigern… das ist wertvoll. Aber wie kommen wir auf das Zehnfache?“ fragt Kumar.
Um diesen Multiplikator zu erreichen, muss der Geschäfts-Workflow so transformiert werden, dass völlig neue Produkte und Dienstleistungen entstehen.
Upskilling der Belegschaft: Von Theorie zu täglichen Aufgaben
Um diese Transformation zu erreichen, muss Technologie aus der Engineering-Abteilung herauskommen und in die Hände gewöhnlicher Arbeitskräfte gelangen. Kumar argumentiert, dass echter wirtschaftlicher Mehrwert erst dann freigesetzt wird, wenn alltägliche Profis – von Anwälten über Vermarkter bis hin zu HR-Mitarbeitern – befähigt werden, KI in ihre täglichen Routinen zu integrieren.
Um die Einführung voranzutreiben, hat Singapur eine nationale Initiative gestartet, um 100.000 Arbeitskräfte weiterzubilden. Anstatt abstrakte Informatikkurse anzubieten, setzt das Programm auf „Online-Kurse und Zertifizierungen für ihre jeweiligen Workflows… Das ist Training am Arbeitsplatz; es ist kontextbezogen, nicht theoretisch.“
Dieser Ansatz gilt auch für Studierende im letzten Studienjahr, die in die gleichen Programme eingeschrieben werden wie arbeitende Profis. Das Ziel ist, „die Lücke zu schließen und sie job-ready oder AI-ready zu machen“.
Größerer Kontext
Kumars Vorsicht, KI nicht zu früh zu regulieren, spiegelt eine Haltung wider, die sich von der globalen regulatorischen Ausrichtung unterscheidet. Der EU AI Act legt bereits verbindliche, risikobasierte Pflichten für KI-Entwickler und KI-Einsetzer fest, während die EU-Mitgliedstaaten verpflichtet sind, unter dem Gesetz AI-Regulatory-Sandboxes einzurichten. Das deutet darauf hin, dass Sandboxes als Ergänzung zu harten Regeln sinnvoll sind – nicht als Ersatz für Gesetzgebung.
Die McKinsey-Umfrage „State of AI“ 2025 ergab, dass KI-Einsatz weit verbreitet ist, aber die meisten Organisationen weiterhin Schwierigkeiten haben, von Pilotprojekten zu skalierter Wirkung zu gelangen. Der Workplace-AI-Report 2025 von McKinsey fand zudem, dass nur 1% der Unternehmen sich als reif in der KI-Bereitstellung beschreiben – was nahelegt, dass Vertrauen-Infrastruktur wichtig ist, aber Führung, Operating Models, Datenbereitschaft und Workflows neu zu gestalten für viele Firmen größere Engpässe bleiben.
Auch Kumars Fokus auf vor Ort eingesetzte Engineers weist auf eine Einschränkung hin, die Politik nicht schnell lösen kann. Business Insider berichtete im Mai 2026, dass Jobanzeigen für vor Ort eingesetzte Engineers gegenüber dem Vorjahr um 729% gestiegen sind – ein Zeichen für die stark steigende Nachfrage nach Menschen, die KI in reale Enterprise-Workflows übersetzen können.
