AI? Erst die Hausaufgaben – Was die aktuelle AI-Welle über die IT offenlegt
Unternehmen experimentieren mit Copilots, bauen Assistenten und beschäftigen sich mit Agentic AI. In den Gesprächen, die Michael Ghezzo für Confare mit CIOs und IT-Leadern führt, landet die Diskussion dabei auffallend oft bei ganz anderen Themen: Legacy, Daten, Architektur, Prozesse, Governance und der Frage, welche Rolle die IT im Unternehmen einnimmt.
„Nach der KI kommen sofort die Foundations – also die Grundlagen.“
Marcus Loskant, Vorstandsmitglied der LVM Versicherung, sagt diesen Satz im Behind-the-Badge-Gespräch mit Michael Ghezzo fast beiläufig. Dabei beschreibt er ziemlich genau ein Problem, das sich derzeit durch viele AI-Initiativen zieht. Die Modelle entwickeln sich schnell, neue Anwendungen sind rasch verfügbar und erste Ergebnisse lassen sich oft innerhalb kurzer Zeit zeigen. Sobald daraus ein verlässlicher Teil des Unternehmens werden soll, kommen die Fragen, die deutlich älter sind als Generative AI.
Kann das Kernsystem die benötigten Daten bereitstellen? Gibt es brauchbare Schnittstellen? Sind Daten konsistent genug, um auf ihrer Grundlage Entscheidungen zu treffen? Passt eine neue Anwendung in die bestehende Architektur? Wer darf worauf zugreifen? Wer übernimmt den Betrieb? Und ist der Prozess, der gerade automatisiert werden soll, überhaupt sinnvoll?
Loskant sieht genau dort einen wesentlichen Grund dafür, dass AI-Projekte Schwierigkeiten bekommen. Die LVM modernisiert deshalb ihre Kernsysteme schrittweise und arbeitet an einer API-basierten Architektur. Gleichzeitig laufen AI, Automatisierung und die Weiterentwicklung des bestehenden Geschäfts weiter. Für Loskant gehört beides zusammen: Stabilität und Innovation müssen gleichzeitig beherrscht werden.
Das ist mehr als ein Versicherungsproblem. In Gesprächen mit CIOs aus Industrie, Handel, Telekommunikation oder Gesundheitswesen tauchen dieselben Zusammenhänge in unterschiedlichen Ausprägungen auf.
Die Vergangenheit bestimmt mit, wie schnell Neues möglich wird
Legacy ist dafür ein gutes Beispiel. Über Jahre gewachsene Systeme sind zunächst einmal Ausdruck einer Unternehmensgeschichte. Sie unterstützen Produkte, Kundenbeziehungen, Produktionsabläufe oder regulatorische Anforderungen. Manche laufen seit Jahrzehnten zuverlässig. Zum Problem werden sie dort, wo jede Veränderung aufwendig wird.
Marcus Loskant beschreibt sehr konkret, was das für AI bedeutet: Fehlt dem Kernsystem die API-Fähigkeit oder lassen sich moderne Architekturen kaum integrieren, wird auch die Einbindung neuer AI-Anwendungen schwierig.
Bei Eppendorf zeigt sich eine andere Variante desselben Themas. Global CIO Petra Clemens hat es mit einer Landschaft zu tun, die durch starkes Wachstum, Zukäufe und zusätzlich eingeführte Software komplexer geworden ist. Prozesse wurden dabei nicht überall im gleichen Maß harmonisiert. Ein beträchtlicher Teil der IT-Kapazität fließt heute in Betrieb und Verwaltung dieser Landschaft. Genau diese Kapazität fehlt dann für die Weiterentwicklung des Geschäfts. Das verändert den Blick auf technische Altlasten.
Technical Debt steht seit Jahren in Roadmaps und Architekturpapieren. Unter dem Druck von AI wird daraus eine sehr praktische Frage: Wie viel Veränderung kann die vorhandene IT überhaupt aufnehmen?
Ein AI-Pilot kann in wenigen Wochen ein überzeugendes Ergebnis liefern. Wenn anschließend sechs Systeme individuell angebunden, Daten manuell zusammengeführt und Sonderfreigaben organisiert werden müssen, sagt das wenig über die Qualität des Piloten aus. Es sagt viel über die Umgebung aus, in der er produktiv werden soll.
Gerade deshalb ist die aktuelle AI-Welle auch ein ziemlich guter Belastungstest für IT-Landschaften. Sie zeigt, wo Integration funktioniert. Und sie zeigt sehr schnell, wo jahrelang aufgeschobene Architekturarbeit wieder auftaucht.
Mehr Möglichkeiten zu bauen erhöhen den Bedarf an Architektur
Gleichzeitig sinkt mit AI die technische Hürde für neue Anwendungen.
Entwickler arbeiten mit AI-Unterstützung schneller. Fachbereiche können mit vorhandenen Plattformen eigene Anwendungen oder Assistenten aufsetzen. Softwareanbieter bauen AI-Funktionen direkt in ihre Produkte ein. Dazu kommen spezialisierte Tools für einzelne Aufgaben und Prozesse.
Aus Sicht eines einzelnen Teams kann vieles davon sinnvoll sein. Aus Sicht der Unternehmensarchitektur entsteht daraus eine andere Aufgabe.
Michael Gstach, Group CIO der Designa-Axess Industries Holding, hat bei der Übernahme einer stark fragmentierten IT-Landschaft zunächst Transparenz geschaffen. Mehr als 100 Applikationen wurden in einem Servicekatalog entlang der Geschäftsprozesse betrachtet. Erst auf dieser Grundlage entstand ein Zielbild, an dem neue Entscheidungen ausgerichtet werden.
Dazu gehört bei Designa-Axess das Prinzip „Reuse before Buy before Build“. Die Reihenfolge zwingt dazu, vor einer neuen Lösung zuerst im Unternehmen nachzusehen. Hat ein anderer Bereich ein ähnliches Problem bereits gelöst? Gibt es eine Standardlösung? Wo lohnt sich eigene Entwicklung aufgrund der Nähe zum Kerngeschäft?
Mit AI gewinnt diese Disziplin an Bedeutung. Denn dass etwas schnell gebaut werden kann, sagt noch wenig darüber aus, ob es Teil der dauerhaften IT-Landschaft werden sollte.
Nach dem Prototyp kommen Betrieb, Security, Datenzugriff, Integration, Kosten, Lifecycle und Abhängigkeiten von Modellen oder Plattformen. Eine Organisation, die sehr viele Experimente ermöglicht, braucht deshalb auch eine Vorstellung davon, wie erfolgreiche Experimente später in die Architektur aufgenommen werden.
Andreas Kranabitl beschreibt bei SPAR ICS einen ähnlichen Gedanken aus der Perspektive langfristiger Vorbereitung. Das strategische Prinzip lautet dort, Technologie heute für das bereitzuhalten, was das Unternehmen morgen braucht. Die Vorarbeit soll ermöglichen, bei neuen Anforderungen schnell handeln zu können.
Das ist eine unspektakuläre Form von Vorbereitung. Sie besteht aus Architektur, Schnittstellen, Standards, Kompetenzen und bewussten Technologieentscheidungen. Genau diese Dinge entscheiden später darüber, ob aus einem interessanten Use Case ein funktionierender Unternehmensprozess werden kann.
Bei Daten ist die Situation ähnlich.
Für einen begrenzten Versuch lässt sich vieles improvisieren. Daten können manuell zusammengestellt, Dokumente in einen abgegrenzten Wissensbestand geladen und Ergebnisse von Menschen überprüft werden. Mit zunehmender Nutzung funktioniert das schlechter.
Anna Maria Blengino, CIO von Sunrise und Gewinnerin des Confare Swiss CIOAWARD 2025, beschreibt Datenplattformen, Cloud und API-Ökosysteme als Voraussetzungen, um fortgeschrittene Technologien einsetzen zu können. Die Datenplattform soll Integrität und Konsistenz über die Organisation hinweg schaffen. Darauf entstehen Anwendungen für Customer Experience, Network Operations und interne Prozesse. Ohne tragfähige Datengrundlage, so ihre Einschätzung, bleiben AI-Initiativen fragil oder isoliert.
Das Thema wird durch Agentic AI noch interessanter.
Ein System, das einen Text zusammenfasst oder eine Antwort vorschlägt, kann von einem Menschen überprüft werden. Ein Agent, der Daten aus mehreren Quellen zusammenführt, Entscheidungen vorbereitet und anschließend Aktionen in anderen Systemen auslöst, stellt andere Anforderungen.
Dann wird relevant, wo eine Information entstanden ist, wie aktuell sie ist und wer sie verwenden darf. Begriffe müssen über Systemgrenzen hinweg dasselbe bedeuten. Berechtigungen müssen auch dann funktionieren, wenn mehrere Anwendungen beteiligt sind. Und irgendwann muss nachvollziehbar sein, warum ein System zu einer bestimmten Aktion gekommen ist.
Data Governance verlässt damit endgültig die Ecke der Datenprogramme und Richtlinien. Sie wird Teil des laufenden Betriebs.
An solchen Stellen wird sichtbar, warum die Diskussion über AI oft sehr schnell bei Grundlagen landet. Das Modell kann hervorragend funktionieren und trotzdem auf einem Kontext arbeiten, der für einen verlässlichen Unternehmenseinsatz nicht ausreicht.
Noch mehr spannende Einblicke vor den CIOSUMMITs? Ab zu „Behind the Badge“! Begleiten Sie unsere ImpactAward-Nominees sowie weitere inspirierende IT-Leader persönlich und erfahren Sie mehr über ihre Erfolgsgeschichten. Hören und schauen Sie rein!
Der Prozess vor der Automatisierung
Eine der interessantesten Passagen im Gespräch mit Marcus Loskant beginnt mit einer ziemlich einfachen Frage.
Bevor die LVM einen bestehenden Ablauf automatisiert, wird geprüft, ob dieser Ablauf heute überhaupt noch gebraucht wird.
Loskant nennt den Kündigungsprozess als Beispiel. Früher wurde jede Kündigung manuell behandelt, weil damit auch der Versuch verbunden war, Kunden persönlich zu halten. Heute erwarten viele Kunden bei einem Standardfall vor allem eine schnelle Erledigung. Die LVM hat den Ablauf entsprechend verändert und automatisiert. Mitarbeitende gewinnen dadurch Zeit für Situationen, in denen persönliche Betreuung tatsächlich gebraucht wird.
Die interessante Frage lautet hier also nicht, wie AI einen bestehenden Arbeitsschritt schneller erledigen kann. Zuerst muss der Prozess selbst verstanden werden.
Bei MTU Aero Engines wird dieser Gedanke noch weiter gezogen. CIO Lutz Seidenfaden richtet die Business-&-IT-Transformation entlang von End-to-End-Wertströmen aus. Betrachtet wird der Ablauf vom Kundenbedarf bis zur Leistungserbringung. Medienbrüche, Wartezeiten und unnötige Schnittstellen werden dadurch über organisatorische Grenzen hinweg sichtbar. IT-Leistung wird anschließend an ihrem Beitrag zu Durchlaufzeit, Qualität, Produktivität, Kundenzufriedenheit oder Wachstum beurteilt.
Für AI-Projekte ist das ein anspruchsvollerer Ausgangspunkt als die Suche nach einzelnen Tätigkeiten, die automatisiert werden können.
Denn gewachsene Prozesse enthalten oft Arbeitsschritte, die Probleme an anderer Stelle kompensieren. Eine zusätzliche Prüfung entstand vielleicht wegen schlechter Datenqualität. Eine Excel-Liste verbindet zwei Systeme, die nie integriert wurden. Ein Freigabeschritt stammt aus einer organisatorischen Struktur, die es inzwischen gar nicht mehr gibt.
Wer solche Abläufe lediglich schneller macht, übernimmt ihre Geschichte gleich mit.
AI bietet an dieser Stelle die Chance, tiefer in die Prozesse einzugreifen. Dazu müssen IT und Fachbereiche allerdings sehr genau verstehen, wie die Arbeit tatsächlich abläuft.
Aus dem Pilot wird eine Governance-Frage
Dasselbe Muster findet sich bei Governance.
In der Experimentierphase kann ein kleines Team ein Modell testen, Ergebnisse kontrollieren und den Zugang begrenzen. Mit jedem Schritt Richtung produktiver Nutzung verändert sich der Risikorahmen.
Das beginnt bei Daten und Zugriffsrechten und reicht bei Agentic AI bis zu der Frage, welche Aktionen ein System selbstständig ausführen darf.
Robert Mahnke, CIO des Universitätsklinikums Ulm, beschreibt im Gespräch mit Michael Ghezzo, dass Datenschutz, Informationssicherheit und regulatorische Anforderungen möglichst früh in Projekte einbezogen werden. Anwendungen hätten dadurch bessere Voraussetzungen, später tatsächlich skaliert werden zu können.
Gerade im Gesundheitswesen liegt das auf der Hand. Die grundsätzliche Überlegung reicht weiter.
Governance, die erst vor dem Go-live beginnt, kommt für viele Entscheidungen zu spät. Governance, die jedes Experiment durch dieselben Prüfungen wie ein produktives Kernsystem schickt, wird wiederum kaum mit der Geschwindigkeit der Entwicklung mithalten.
CIOs müssen daher unterschiedliche Risikoklassen, Handlungsspielräume und Verantwortlichkeiten definieren. Ein interner Assistent für unkritische Inhalte braucht einen anderen Rahmen als ein Agent, der Kundendaten verarbeitet und Aktionen in operativen Systemen auslösen darf.
Hinzu kommt ein Problem, das aus früheren Digitalisierungswellen bekannt ist: Wenn der offizielle Weg zu umständlich ist, entstehen Lösungen außerhalb dieses Weges.
Bei AI kann das besonders schnell passieren. Die Werkzeuge stehen einzelnen Mitarbeitenden häufig längst zur Verfügung. Eine Governance, die nur Verbote formuliert, bekommt dadurch vor allem ein Sichtbarkeitsproblem.
Umso wichtiger ist ein Rahmen, in dem ausprobiert werden kann und zugleich klar ist, wann aus einem Experiment ein Unternehmenssystem wird.
Die Fähigkeiten, die jetzt wichtiger werden, sind erstaunlich vertraut
Über neue AI-Skills wird viel gesprochen. Einige davon sind tatsächlich neu. Der Umgang mit Modellen, ihre Grenzen, Evaluation, Prompting, AI Security oder die Architektur agentischer Systeme gehören inzwischen zum technischen Handwerkszeug.
Die Gespräche mit CIOs zeigen zugleich, wie wichtig Fähigkeiten werden, die weniger neu klingen.
Es braucht Menschen, die einen Prozess wirklich kennen. Menschen, die verstehen, welche Daten hinter einer Anwendung stehen. Architekten, die Folgen einer kurzfristig attraktiven Entscheidung abschätzen können. IT-Verantwortliche, die einen Technologieanbieter beurteilen können. Und Teams, die mit den Fachbereichen so arbeiten, dass aus einer technischen Möglichkeit eine brauchbare Lösung wird.
Bei der SPAR-App etwa verbindet SPAR ICS rund 15 Systeme in Echtzeit. Kranabitl nennt das tiefe Wissen der eigenen IT-Experten über Systeme und Prozesse als wesentliche Voraussetzung. Marketing, Vertrieb, Rechtsabteilung und weitere Fachbereiche wurden schrittweise eingebunden.
Das ist im Zusammenhang mit AI eine interessante Erinnerung.
Je einfacher Technologie auf den ersten Blick zugänglich wird, desto leichter lässt sich die Komplexität unterschätzen, die hinter einem funktionierenden Unternehmensprozess steckt.
Robert Mahnke beschreibt seine Rolle deshalb über das Übersetzen zwischen Fachwelten. In einem Universitätsklinikum trifft die IT auf Medizin, Pflege, Gebäudetechnik, Logistik, Verwaltung und Sicherheit. Die Bereiche haben unterschiedliche Ziele und eine eigene Sprache. Der CIO bewegt sich zwischen diesen Welten.
Sein Satz dazu reicht weit über das Gesundheitswesen hinaus: „Digitalisierung hört nicht beim Tool auf. Dort beginnt sie erst.“
Für AI gilt das in besonderem Maße.
Bleiben Sie immer auf dem neuesten Stand der Themen, die die DACH-weite CIO-Community gerade bewegt. HIER zum kostenlosen conText Abo anmelden.
Und damit landet die Diskussion wieder beim CIO
Bei all diesen Themen fällt auf, wie weit sie in das Unternehmen hineinreichen.
Architektur lässt sich kaum sinnvoll gestalten, ohne die Geschäftsstrategie zu kennen. Datenfragen führen zu Verantwortlichkeiten in den Fachbereichen. Prozessautomatisierung berührt Organisation und Arbeitsteilung. AI Governance betrifft Risiko, Recht, Security und Management. Die Frage nach Build, Buy oder Reuse beeinflusst Kosten, Geschwindigkeit und Abhängigkeiten.
Damit wächst auch die Bedeutung der Position, die diese Zusammenhänge zusammenführen kann.
Andreas Kranabitl formuliert sein Rollenverständnis sehr deutlich: „Ich verstehe mich nicht als jemand, der fürs Rechenzentrum zuständig ist, sondern für die Business-Transformation.“
Das lässt sich in den Gesprächen in verschiedenen Varianten beobachten. Petra Clemens arbeitet bei Eppendorf an End-to-End-Prozessen und daran, IT-Kapazität wieder stärker für Business Value verfügbar zu machen. Lutz Seidenfaden verbindet bei MTU die IT-Transformation unmittelbar mit den Wertströmen des Unternehmens. Anna Maria Blengino beschreibt die CIO-Rolle als strategische Business-Rolle, die Technologie mit messbaren Ergebnissen für Kunden, Mitarbeitende und Unternehmen verbindet.
AI verstärkt diese Entwicklung, weil sich die Technologie nur schwer innerhalb einer einzelnen Funktion halten lässt.
Ein Modell mag aus der IT kommen. Sein Einsatz verändert möglicherweise einen Vertriebsprozess, greift auf Kundendaten zu, verwendet eine externe Plattform, braucht neue Berechtigungen, verändert Aufgaben im Team und erzeugt regulatorische Fragen.
Damit wird aus einer technologischen Entscheidung sehr schnell eine Unternehmensentscheidung.
Für CIOs steckt darin viel Verantwortung. Gleichzeitig entsteht ein größerer Gestaltungsspielraum für IT-Organisationen, die diese Zusammenhänge beherrschen.
Die Hausaufgaben laufen längst parallel
„AI? Erst die Hausaufgaben.“ war die Überschrift des Carousels, aus dem dieser Artikel entstanden ist.
Die Formulierung kann zu einem falschen Schluss führen, wenn man sie als zeitliche Reihenfolge versteht. Kein großes Unternehmen wird zuerst seine gesamte Legacy modernisieren, sämtliche Datenprobleme lösen, alle Prozesse überarbeiten und eine perfekte Governance errichten, bevor der erste AI-Use-Case startet.
So arbeiten auch die CIOs in den Gesprächen nicht.
Bei der LVM laufen die Modernisierung der Kernsysteme und die Arbeit mit AI gleichzeitig. Sunrise hat bei der Integration von Sunrise und UPC die IT-Landschaft konsolidiert und gleichzeitig die Business-Roadmap weitergeführt. SPAR ICS arbeitet an langfristigen technologischen Voraussetzungen und experimentiert parallel mit AI-Anwendungen.
Darin liegt der Wert konkreter AI-Projekte. Sie machen abstrakte Schwächen sichtbar.
Eine fehlende API ist plötzlich kein Architekturthema für irgendwann mehr, weil sie einen relevanten Use Case blockiert. Eine ungeklärte Datenverantwortung wird konkret, sobald ein Agent diese Daten verwenden soll. Ein historisch gewachsener Prozess fällt auf, weil niemand sinnvoll erklären kann, warum er automatisiert werden soll. Und bei einem erfolgreichen Prototyp stellt sich früher oder später die sehr praktische Frage, wer ihn künftig betreibt.
Das verändert auch die Diskussion um AI-Investitionen.
Es reicht dann nicht, Budgets für Modelle, Lizenzen und Piloten bereitzustellen. Ein Teil der Arbeit findet an Stellen statt, die auf den ersten Blick wenig mit AI zu tun haben: in Kernsystemen, Schnittstellen, Datenmodellen, Rollen, Prozessen und Architekturentscheidungen.
Genau dort schließt sich der Kreis zu Marcus Loskants „Foundations“.
Die aktuelle AI-Welle bringt eine Menge neuer Technologie in die Unternehmen. Gleichzeitig legt sie ziemlich zuverlässig offen, wo die Voraussetzungen für Veränderung fehlen.
Für CIOs ist das unbequem und nützlich zugleich. Denn selten zuvor gab es so viele konkrete Anlässe, lange bekannte Baustellen mit einer unmittelbar sichtbaren geschäftlichen Anwendung zu verbinden.
Vielleicht liegt darin einer der größeren Effekte von AI auf die IT.
Die Hausaufgaben sind nicht neu. Es wird nur deutlich schwieriger, sie weiter aufzuschieben.