Claude Code ist beeindruckend. Cursor AI auch. GitHub Copilot Workspace sowieso.
Und dann ruft die Rechtsabteilung an.
Coding Agents, die Code an externe KI-Anbieter schicken, sind in vielen Unternehmen schlicht nicht erlaubt – aus guten Gründen. Dabei wäre die Produktivität enorm. Dieser Artikel zeigt, wie ihr denselben Nutzen bekommt, ohne euren Code aus der Hand zu geben.
1) Das Problem: Warum Coding Agents oft nicht erlaubt sind
Die populären SaaS-Coding-Agents – Claude Code, Cursor, GitHub Copilot Workspace, Devin – haben eine Gemeinsamkeit: Sie senden euren Code an externe KI-Anbieter-APIs. Das ist ihre Grundfunktion.
Für viele Unternehmen ist das ein Show-Stopper:
Geistiges Eigentum (IP): Proprietäre Algorithmen, Geschäftslogik, Trade Secrets – alles, was im Code steckt, landet auf externen Servern. Für Unternehmen mit echter IP-Schutzpflicht (und das sind mehr als man denkt) kein gangbarer Weg.
DSGVO und Datenschutz: Kundendaten in Kommentaren, personenbezogene Infos in Datenbankschemas, Debug-Logs mit echten Nutzer-IDs. Code ist selten so sauber wie man sich vorstellt.
Branchenregulierung: KRITIS, Finanzaufsicht (BaFin), Healthcare-Compliance, öffentliche Auftraggeber – hier ist die Latte hoch. Externe KI-APIs reißen regelmäßig Compliance-Anforderungen.
Konkret zu Claude Code: Anthropic bietet zwar ein Zero Data Retention Agreement für Business-Kunden an – aber: Daten verlassen die EU, Anthropic ist US-amerikanischer Anbieter. Die Schrems-II-Debatte ist noch nicht abgeschlossen. Für stark regulierte Branchen bleibt das Risiko.
2) Was „governance-sicher” konkret bedeutet
Nicht: mehr Bürokratie. Sondern konkrete technische Eigenschaften:
✅ Datensouveränität: Code und Prompts verlassen nie die eigene Azure-Tenant
✅ Nachvollziehbarkeit: Jeder Agent-Aufruf ist geloggt und auditierbar
✅ Zugangskontrolle: Wer darf welches Modell mit welchen Rechten nutzen (RBAC)
✅ Kein Training auf eigenen Daten: Vertragliche Zusicherung von Microsoft
✅ Netzwerk-Isolation: Private Endpoints, kein Datenaustritt ins Public Internet möglich
Das ist kein Luxus – das ist die Mindestanforderung in vielen Unternehmen.
3) Azure AI Foundry als Basis
Azure AI Foundry ist Microsofts Enterprise-Plattform für KI-Entwicklung. Was sie für diesen Use Case interessant macht:
- Das Modell läuft in eurer Azure-Tenant – kein Routing durch externe APIs
- Multi-Modell-Catalog: GPT-5.4 für maximale Coding-Qualität, GPT-5.4-mini für kostenoptimierte Tasks, o3 für komplexes Reasoning, Phi-4 als kostenoptimierte Alternative
- AI Foundry Agent Service (GA seit Nov 2024): Agenten mit Tool-Calling, Dateizugriff, Memory
- Content Safety + Audit Logs: Governance out of the box
Den vollständigen Überblick zu AI Foundry gibt es im ersten Artikel dieser Reihe.
4) Architektur: So sieht ein interner Coding Agent aus
[IDE / VS Code Extension]
↓
[AI Foundry Agent Service] ← in eurer Azure-Tenant
↓
[Modell-Deployment: GPT-5.4 oder Phi-4]
↓
[Tools: GitHub/Azure Repos, Code Interpreter, File Tool]
↓
[Output: Code, Patches, PR-Drafts]Alles läuft innerhalb der Azure-Tenant. Mit Azure Virtual Network (VNet) Integration für AI Foundry (als Managed VNet konfigurierbar) lässt sich der ausgehende Netzwerkverkehr auf freigegebene Endpunkte beschränken — so verlassen Daten das eigene Netzwerk nur über kontrollierte, explizit erlaubte Verbindungen. Weitere Details: Azure AI Foundry – Managed virtual network isolation.
5) Setup-Überblick: Was braucht ihr?
Schritt 1: AI Foundry Workspace + Modell-Deployment
- Workspace anlegen (Resource Group, Region EU-West oder Germany North)
- Modell wählen: GPT-5.4 für maximale Coding-Qualität, GPT-5.4-mini oder Phi-4 für günstigere interne Tasks
- Deployment: Serverless (pay-per-token) für den Einstieg, Managed Endpoint bei hohem Volumen
Schritt 2: Coding Agent konfigurieren
Der Agent Service wird mit den richtigen Tools ausgestattet:
- Code Interpreter: Code-Ausführung in isolierter Sandbox
- GitHub / Azure Repos Tool: Repository-Zugriff (lesen + schreiben)
- File Tool: Codebase durchsuchen, Dateien bearbeiten
Im System Prompt: Coding-Konventionen des Teams, erlaubte Bibliotheken, Security-Regeln, Output-Format.
Schritt 3: Governance-Schicht
- RBAC: Welche Entwickler dürfen den Agent nutzen? (Azure IAM Rollen)
- Content Safety: Jailbreak-Schutz, Output-Filtering
- Audit Logs via Azure Monitor: Alle Aufruf-Metadaten gespeichert
- Retention Policy: Prompts und Completions werden nicht gespeichert und nicht für Training genutzt
Schritt 4: IDE-Integration
- VS Code Extension: Zeigt auf euren Azure AI Foundry Endpoint (API-Key oder Entra ID Auth)
- Alternative: Web-UI mit AI Foundry Python SDK – mehr Kontrolle, mehr Aufwand
- MCP-Server (Model Context Protocol): Für standardisierte Tool-Integration – spannend, wenn ihr schon MCP-Tooling einsetzt
6) Vergleich: SaaS-Tool vs. eigene Infrastruktur
| Claude Code / Cursor | Azure AI Foundry | |
|---|---|---|
| Datenkontrolle | Extern (Anthropic / Cursor) | Vollständig intern |
| DSGVO | Eingeschränkt (US-Provider) | EU-konform möglich |
| Modell-Auswahl | Fix (Claude / GPT) | Multi-Model, konfigurierbar |
| Kosten | Festes Abo | Pay-per-Use, variabel |
| Setup-Aufwand | Minimal | Mittel (Azure-Know-how nötig) |
| Anpassbarkeit | Gering | Sehr hoch |
| Governance | Keine eigene | Vollständig konfigurierbar |
Kein Entweder-oder: Für Teams ohne Compliance-Anforderungen und ohne sensitiven Code sind SaaS-Tools oft die schnellere Wahl. Für alle anderen ist die Abwägung klar.
7) Wann lohnt sich welcher Ansatz?
SaaS-Coding-Agent (Claude Code etc.) wenn:
- Kleines Team, kein sensitiver Code oder IP
- Kein reguliertes Umfeld
- Schneller Einstieg ohne Azure-Infrastruktur-Know-how
Azure AI Foundry + eigener Agent wenn:
- Eigenes IP oder Kundendaten im Code
- KRITIS, Finanzaufsicht, Healthcare, öffentliche Auftraggeber
- Größeres Entwicklerteam → Governance und Auditierung notwendig
- Langfristige Plattform-Strategie in Microsoft-Ökosystem
Hybrid-Ansatz: Manche Unternehmen nutzen SaaS-Tools für nicht-sensitiven Code und internen Agent für Kern-Repositories. Funktioniert, erfordert aber klare Trennungsregeln.
8) Einstieg
Azure AI Foundry + eigener Coding Agent ist kein Plug-and-Play. Es braucht Azure-Know-how, einen klaren Use Case und vor allem: jemanden, der die Governance-Anforderungen des Unternehmens in technische Konfiguration übersetzt.
Genau das ist unsere Arbeit.
Erstgespräch buchen — 30 Minuten, keine Agenda außer euren Fragen.
Teil 1 dieser Reihe: Azure AI Foundry – Das 1×1 für IT-Entscheider
Teil 2 dieser Reihe: Dieser Artikel