Multimodale große Sprachmodelle (LLMs) können visuelle Artefakte – Diagramme, Screenshots, Compliance‑Dashboards – lesen, interpretieren und zu prüfungsfertigen Beweisen synthetisieren. Dieser Artikel erklärt den Technologie‑Stack, die Integration in Workflows, Sicherheitsaspekte und den realen ROI beim Einsatz multimodaler KI zur automatisierten Generierung visueller Evidenz für Sicherheitsfragebögen.