Martina Giger (Horváth)– Ist Ihre IT schon AI-ready?
Martina Giger ist Senior Project Manager bei Horváth und Impulsgeberin einer CIO Executive Arena beim Confare CIOSUMMIT Zürich. Gemeinsam mit Martina unterhalten wir uns über die Voraussetzungen einer AI-ready IT. Was ist mit Legacy-IT zu tun und welche Risiken stecken hinter zu wenig Vorbereitung? Erfahren Sie in diesem Interview mehr!
Zudem finden Sie hier alle Infos zu den Confare CIO Executive Arenas
Was macht eine IT-Landschaft überhaupt „AI-ready“ – und wo scheitern Organisationen am häufigsten?
Eine IT-Landschaft gilt als „AI-ready“, wenn Datenplattform, KI-Modelle und Möglichkeiten zur Prozessintegration als durchgängige, automatisierbare Kette aufgebaut sind.
Darüber hinaus erfordert der Aufbau einer AI-ready Infrastruktur umfassende Grundlagenarbeit, einschließlich eines auf die Unternehmengsgrösse angepassten Datenmanagements zur Erhöhung der Datenqualität, -transparenz – und verfügbarkeit und der gezielten Förderung von AI-Literacy sowohl im Business als auch in der IT.
Entscheidend ist jedoch, dass das Unternehmen klar definiert, wo KI echten Mehrwert liefert. Viele Organisationen scheitern zu Beginn, weil sie dem Hype folgen und „einfach alles ausprobieren“ wollen, ohne konkrete Use Cases. Dabei ist ein fundiertes Verständnis im Business entscheidend, was jedoch oft fehlt: Zum einen, wie KI effektiv in Prozessen genutzt werden kann. Andererseits, um zu erkennen, dass nicht jeder Prozess KI benötigt.
Dabei spreche ich bewusst nicht von „AI-ready“, wenn es um punktuelle Tools wie Copilot, ChatGPT oder SAP-KI-Features ohne Prozessintegration geht. Die IT sollte SaaS-Lösungen regelmäßig auf neue KI-Funktionen prüfen und gemeinsam mit dem Business entscheiden, ob deren Einführung sinnvoll ist. Dies setzt vor allem eine enge, auf gegenseitigem Verständnis basierende Zusammenarbeit zwischen IT und Fachbereich voraus.
Treffen Sie die Profis von Horváth und mehr als 200 IT-Entscheider:innen aus der Schweiz auf dem Confare CIOSUMMIT Zürich.
Wie geht man mit Altsystemen um, wenn man KI-Initiativen starten möchte? Austausch, Integration oder kreative Brückenlösungen?
Die Vorgehensweise hängt stark vom jeweiligen Use Case ab. Neue Technologien bringen allein keinen Mehrwert – entscheidend ist, wie nah die KI am Prozess eingesetzt werden soll und ob die Daten zentral für Analysen und Trainingszwecke verfügbar sein müssen.
In vielen Fällen ist es einfacher, die Daten bspw. aus veralteten ERP & MES-Systemen zunächst auf eine zentrale Datenplattform zu übertragen, anstatt die Systeme sofort zu ersetzen. Letztlich muss für jeden Use Case entschieden werden, ob ein Systemwechsel sinnvoll ist oder die Datenintegration ausreicht – und selbstverständlich sollte immer ein sauberer Business Case unter Berücksichtigung der Total Cost of Ownership erstellt werden.
Kostendruck ist in allen Unternehmen Realität – wie lässt sich AI-Readiness mit knappen Budgets umsetzen?
Die IT muss als Businesspartner agieren und bei Standardsoftware KI-Features gezielt deployen sowie den Markt nach Tools prüfen, die schnell Zeit sparen und direkten Wert für das Business generieren. Viele Anbieter haben bereits Out-of-the-box-Lösungen für dedizierte Anwendungsfälle im Portfolio, die mit überschaubarem Aufwand an die Unternehmensbedürfnisse angepasst werden können. Entscheidend ist jedoch, nicht bei den Tools zu beginnen, sondern zuerst strategisch zu definieren, wie und wofür KI eingesetzt werden soll.
Erst daraus lässt sich ableiten, welche Daten, Technologien und Kompetenzen tatsächlich benötigt werden. Der häufigste Fehler besteht darin, isolierte Pilotprojekte oder Tool-Initiativen zu starten, ohne klare Businessziele und Governance-Strukturen, was oft zu Insellösungen und fehlender Akzeptanz führt. Um nachhaltigen Nutzen zu schaffen, sollte parallel ein schlankes Datenmanagement aufgebaut werden, das Datenqualität erhöht und Transparenz schafft. Dies erfordert Disziplin und gutes Leadership, lässt sich aber auch mit knappen Budgets starten.
Welche Skills fehlen aktuell am meisten, um KI sinnvoll einzusetzen – und wie können Unternehmen diese Lücken schließen?
Wenn wir uns anschauen, welche Skills aktuell am meisten fehlen, zeigt sich zunächst ein grundlegendes Problem beim Prozessverständnis, sowohl auf Business als auch auf IT-Seite. Auf der einen Seite fehlt das Wissen über die tatsächlichen Pain Points in den Geschäftsprozessen, auf der anderen Seite die Beratung, welche technologischen Möglichkeiten diese Prozesse sinnvoll unterstützen können, was nicht immer zwingend KI sein muss.
Ein Unternehmen, welches eigene Data Scientists beschäftigt, muss sich von der Illusion lösen, dass allein aus einem riesigen Zahlenhaufen automatisch neue Geschäftsideen oder Umsatzpotenziale entstehen. KI ist kein Selbstläufer. Sie funktioniert nur, wenn saubere Daten, klare Prozesse und Business-Kontext vorhanden sind.
Deshalb ist es wichtig, dass Unternehmen nicht nur Data Scientists einsetzen, sondern auch klare Verantwortlichkeiten für Prozessoptimierungen im Business schaffen mit einem tiefen Verständnis der Pain Points in den Geschäftsprozessen. Nur so kann KI wirklich Mehrwert liefern.
Jetzt für den Confare CIOSUMMIT Wien am 25.–26. März 2026 in der METAStadt anmelden – und Teil des wichtigsten IT-Entscheider-Treffpunkts im DACH-Raum werden.
Welche Rolle spielen Cloud und Datenplattformen für eine AI-ready IT?
Dies sind die zentralen Grundlagen und kann auch noch weitergedacht werden: Für eine AI-ready IT ist eine Datenplattform die zentrale Grundlage, weil Machine-Learning-Modelle saubere, konsistente und gut strukturierte Daten benötigen. Eine Datenplattform stellt sicher, dass diese Daten aktuell, nachvollziehbar und zugänglich für Training bereitstehen.
Ohne eine zentrale Datenplattform ist KI in der Regel kaum nachhaltig nutzbar. Beim Einsatz von Generative AI (GenAI) ist zwar keine vollständige Datenplattform notwendig, jedoch sollten die genutzten Daten zentral an einem Ort abgelegt werden, um Konsistenz, Nachvollziehbarkeit und Governance sicherzustellen.
Im Vergleich dazu bietet Data Mesh einen dezentralen Ansatz: Daten werden als Data Products domänenspezifisch gepflegt und von den jeweiligen Teams verantwortet. Das macht Daten skalierbar, flexibel und leichter konsumierbar für KI-Anwendungen.
Allerdings ist Data Mesh nicht für jedes Unternehmen sinnvoll: Kleinere Unternehmen oder Unternehmen mit wenigen Datenquellen kommen oft mit einer klassischen zentralen Plattform aus. Die Cloud liefert die technische Basis für skalierbare und sichere KI-Systeme und damit Zugang zur benötigten Rechenleistung.
Wie kann man die Fachbereiche in die Verantwortung nehmen, damit AI nicht nur ein IT-Thema bleibt?
Damit KI nicht nur ein IT-Thema bleibt, ist es wichtig, die Fachbereiche aktiv in die Verantwortung zu nehmen. Eine gute Grundlage dafür ist ein bestehendes IT-Business-Partnering und damit eine geübte enge Zusammenarbeit zwischen IT und Fachbereichen. Auf dieser Basis übernehmen die Fachbereiche Verantwortung für die Definition von Anforderungen, die Bereitstellung und Qualität der Daten sowie die Bewertung der Ergebnisse. Die IT muss sich gleichzeitig dahinentwickeln, beratend die Machbarkeit und Umsetzung von Varianten zu prüfen und die technische Umsetzung zu koordinieren.
Welche Risiken birgt es, ohne klare Roadmap in KI-Projekte einzusteigen?
Ohne eine klare Roadmap bergen KI-Projekte zahlreiche Risiken. Die Investitionen für skalierbare Vorhaben sind hoch, weshalb frühzeitig geprüft werden muss, welche Projekte tatsächlich wirtschaftlich sinnvoll sind. Kleine PoCs sind nützlich, um zu experimentieren und die Motivation hochzuhalten. Bleibt jedoch das Gesamtbild des KI-Potenzials und ein langfristiges Commitment aus, verharren Anwendungen meist im PoC-Status. Der Ausbau von KI-Lösungen erweist sich oft als intensiver und ressourcenaufwändiger als ursprünglich gedacht.
Ohne Roadmap fehlt eine klare Erfolgsmessung: Ohne Erfolgsmessung können keine Learnings gezogen werden, wodurch sich Fehler wiederholen. KI einzuführen bedeutet, anfangs viel zu lernen und die Lösungen über die Zeit kontinuierlich zu optimieren. Zudem besteht die Gefahr von Wildwuchs, wenn jede Einheit unabhängig KI-Anwendungen entwickelt. Dies kann zu Compliance- und Sicherheitsrisiken führen, Synergien werden nicht genutzt und die Organisation verliert an Transparenz.
Melden Sie sich jetzt für eine CIO Executive Arena an und tauschen Sie sich mit Profis über AI und Cyber-Resilienz aus.
Was sind quick wins, die eine Organisation schnell näher an AI-Readiness bringen?
Man kann hier ähnlich vorgehen wie bei begrenztem Budget: Die IT prüft für die Endnutzer zunächst, welche verfügbaren Out-of-the-box KI-Services wie ChatGPT oder M365 Copilot direkt genutzt werden können. Gleichzeitig sollte sie proaktiv untersuchen, welche Standardsoftware bereits KI-Funktionen integriert: Beispielsweise SAP KI-Features für Textanalyse, Übersetzungen oder Dokumentenautomatisierung und diese gezielt einsetzen, um die Effizienz zu steigern. So lassen sich schnell sichtbare Ergebnisse erzielen, die sowohl die Akzeptanz als auch das Wissen in den Fachbereichen erhöhen.
Welche Rolle spielen Governance, Datenschutz und Ethik, wenn man AI in der Organisation verankern will?
Datenschutz und Ethik bilden verpflichtende Grundlagen für den Umgang mit KI und werden durch eine funktionierende Governance verankert. Somit lassen sich nur mit klaren Governance-Strukturen Datenschutz- und Ethikrichtlinien wirksam umsetzen. Auf strategischer Ebene sorgt Governance dafür, dass Verantwortlichkeiten für Daten klar definiert sind, Qualitätsstandards eingehalten werden und die Nutzung von Daten geregelt ist. Auf operativer Ebene werden KI-Verantwortlichkeiten geklärt: Wer besitzt ein Tool, wer entwickelt es weiter und wer ist für den Betrieb verantwortlich.
Datenschutz ist insbesondere bei personenbezogenen Daten entscheidend und gesetzlich verpflichtend. Dabei ist zu beachten, wo und wie Daten von KI-Systemen verarbeitet werden.
Ethik umfasst Aspekte wie Fairness, Transparenz, Erklärbarkeit und Bias-Management. Organisationen sollten definieren, wie KI-Entscheidungen nachvollziehbar gemacht, Risiken minimiert und Verzerrungen überwacht werden. Fehlverhalten kann erhebliche Reputationsrisiken mit sich bringen. Daher empfiehlt es sich, zunächst interne Prozesse zu optimieren und ein gutes Verständnis innerhalb der Organisation zu schaffen, bevor externe Kommunikation erfolgt.
Für international tätige Unternehmen muss zudem der EU AI Act bei jedem KI-Tool individuell geprüft werden, um die jeweils geltenden regulatorischen Anforderungen zu bestimmen.
Wie priorisiert man Maßnahmen, wenn alles gleichzeitig wichtig wirkt?
Maßnahmen priorisiert man wie bei jeder Technologie anhand von Businessnutzen und Aufwand. Bei KI ist das jedoch etwas spezieller: Das Business möchte oft sofort Effekte sehen, während die Grundlagenarbeiten wie Datenplattform, Prozessmanagement und Datenmanagement schwer mit einem klaren ROI zu quantifizieren sind.
Trotzdem sind diese Arbeiten essenziell, weil sie nicht nur KI-Projekte, sondern auch Reporting- und Analytics-Anwendungen im gesamten Unternehmen effizienter und zuverlässiger machen. Dazu zählen Enterprise Reporting, Self-Service Analytics und datengetriebene Entscheidungsprozesse, die schneller, präziser und transparenter werden. Zur Priorisierung sollte eine Heatmap aller Use Cases und Potenziale erstellt werden.
Sie bildet die Grundlage, um zu entscheiden, welche Daten- und KI-Maßnahmen für das Unternehmen nutzenstiftend sind, wo kurzfristige Effekte erzielt werden können und welche Investitionen strategisch notwendig sind, so dass fundierte Entscheidungen getroffen werden können.