Der Sprung von vielversprechenden Prototypen hin zur unternehmensweiten Skalierung markiert für viele IT-Organisationen den entscheidenden Wendepunkt bei der Nutzung von AI. Bernd Tschernitschek, Managing Director der Expleo Technology Germany innerhalb der Expleo Group, teilt im Confare Interview seine Perspektive auf tragfähige Strategien.
Als Partner des Confare CIOSUMMIT Frankfurt liefert Expleo praxisnahe Impulse für CIOs und IT-Entscheider:innen, die AI sicher, wirtschaftlich und tief verankert in moderne Systemarchitekturen überführen wollen.
Werden Sie Teil des großen Jubiläums und feiern Sie mit uns! Jetzt für das Confare CIOSUMMIT Wien 2027 anmelden.
Wie sehr stimmt der Eindruck noch, dass viele AI-Initiativen im PoC hängen bleiben und den Sprung in die Skalierung nicht schaffen?
Die Phase des reinen Trial-and-Error ist bei vielen Unternehmen mittlerweile vorbei. Die meisten Organisationen haben erste AI-Projekte umgesetzt, Erfahrungen gesammelt und grundsätzlich verstanden, welche Möglichkeiten die Technologie bietet. Trotzdem schaffen es noch längst nicht alle Initiativen in einen stabilen und skalierbaren Produktivbetrieb.
Die zentrale Herausforderung liegt heute weniger darin, einzelne Anwendungsfälle zu finden, sondern daraus einen messbaren und nachhaltigen Business Value zu generieren. Dieser entsteht in der Regel nicht durch isolierte AI-Tools oder isolierte Use-Cases, sondern durch die Integration von AI in vollständige Geschäftsprozessketten. Dafür müssen Prozesse, Daten, IT-Systeme, Verantwortlichkeiten und Qualitätsanforderungen zusammenspielen. Eine klar definierte AI Strategy hilft dabei, relevante Use Cases gezielt zu priorisieren und die AI-Initiativen konsequent an den Unternehmenszielen auszurichten.
Gleichzeitig treffen neue AI-Lösungen in vielen Unternehmen auf historisch gewachsene Systemlandschaften und Legacy-Systeme. Veraltete Systeme, fehlende Schnittstellen, unterschiedliche Datenstrukturen und komplexe Abhängigkeiten erschweren die Integration. Erfolgreiche Skalierung erfordert deshalb sowohl einen klaren Business Case als auch die schrittweise Modernisierung der technologischen Grundlagen. Hierfür braucht es eine geeignete Softwaremodernisierungs-Roadmap, welche AI-gestützt umgesetzt werden kann.
Es geht heute also nicht mehr nur darum, ob AI funktioniert. Entscheidend ist, ob sie sich zuverlässig, sicher und wirtschaftlich in das Unternehmen integrieren lässt.
Muss eine Unternehmens-IT bei dem Tempo, das die großen LLM-Anbieter und Vorreiter vorgeben, überhaupt mithalten?
Ja und nein.
Ja, weil eine moderne Unternehmens-IT technologische Entwicklungen kontinuierlich beobachten und bewerten muss. Sie muss Wesentliches von Unwesentlichem unterscheiden, relevante Neuerungen frühzeitig erkennen und Chancen sowie Risiken für das eigene Unternehmen einordnen können. Diese Technological-Watch-Funktion wird immer wichtiger, damit die IT ihre Rolle als Business-Enabler wahrnehmen kann und nicht erst reagiert, wenn Fachbereiche bereits eigene, möglicherweise unkontrollierte Lösungen einsetzen.
Nein, weil Unternehmens-IT nicht jede neue Technologie oder jedes neue Modell sofort übernehmen muss. Das Innovationstempo der großen Anbieter kann nicht eins zu eins auf komplexe Unternehmensstrukturen übertragen werden. Eine Unternehmens-IT muss Lösungen gesamthaft bewerten und sicherstellen, dass sie auf die Unternehmensziele einzahlen.
Dazu gehören neben technologischer Innovation auch Risikomanagement, Datenschutz, Informationssicherheit, Integration, Priorisierung und Kostensteuerung. Ebenso wichtig ist es, Mitarbeitende und Fachbereiche mitzunehmen und die notwendige Akzeptanz für neue Arbeitsweisen zu schaffen.
Die Aufgabe der IT besteht daher nicht darin, jedem Trend hinterherzulaufen. Sie muss die Geschwindigkeit des Marktes verstehen, relevante Entwicklungen gezielt aufgreifen und diese kontrolliert in die eigene Organisation überführen.
Welche Hausaufgaben muss ein CIO gemacht haben, damit AI im Unternehmen wirklich skalieren kann?
Unternehmen, die AI bereits erfolgreich skalieren, haben aus unserer Sicht zwei wesentliche Gemeinsamkeiten.
Erstens verfolgen sie ein ganzheitliches Vorgehen, das konsequent am Business Value ausgerichtet ist. Sie betrachten AI nicht als isolierte Technologie, sondern als Bestandteil ihrer Unternehmens-, IT- und Datenstrategie. Dabei werden Use Cases nicht nur nach technischer Machbarkeit bewertet, sondern auch danach, welchen konkreten Mehrwert sie schaffen und ob sie sich nachhaltig betreiben lassen. Die Grundlage dafür bildet eine klare AI Strategy, die regelmäßig überprüft, weiterentwickelt und im Unternehmen kommuniziert wird.
Zweitens modernisieren diese Unternehmen ihre System- und Datenlandschaften strukturiert. Gerade Legacy-Systeme und historisch gewachsene Architekturen können die Einführung von AI erheblich erschweren. AI kann gleichzeitig dabei helfen, diese Systeme zu analysieren, zu dokumentieren und schrittweise zu modernisieren.
Bei Expleo betrachten wir diese Voraussetzungen im Rahmen von AI Assurance. Dazu gehört zunächst eine klare AI-Strategie, die regelmäßig überprüft, weiterentwickelt und im Unternehmen kommuniziert wird. Darauf aufbauend werden gemeinsam mit dem Business passende AI Governance– und Steuerungsstrukturen definiert. Sie sorgen für klare Verantwortlichkeiten, transparente Entscheidungen und einen sicheren sowie nachvollziehbaren Einsatz von AI.
Wichtig sind außerdem AI Practices, beispielsweise in Form von Communities of Practice, in denen Beteiligte über IT- und Abteilungsgrenzen hinweg zusammenarbeiten.
Hinzu kommt ein gezieltes AI Training. Dazu gehören der systematische Aufbau von Kompetenzen, praxisnahe Schulungsangebote und regelmäßige Austauschformate wie AI Coffee Breaks. Mitarbeitende müssen nicht nur verstehen, wie sie AI nutzen können, sondern auch, welche Möglichkeiten, Grenzen und Risiken damit verbunden sind.
Darüber hinaus benötigen Unternehmen eine kontrollierte AI Solution, also ein sicheres AI-Ökosystem, das Zugang zu geeigneten Modellen, Plattformen, Agenten und weiteren Lösungen ermöglicht. Innerhalb dieses Ökosystems können geprüfte AI-Lösungen betrieben, neue Technologien kontrolliert erprobt und geeignete Anwendungen anschließend skaliert werden.
Last but not least, muss Risiko über eine eingebettete AI-Quality gesteuert werden. Dies beinhaltet sowohl die Validierung von AI-Lösungen inkl. Fairness und Bias-Audits, als auch in den operativen Prozess eingebettete Qualitätssicherung der AI-generierten Ergebnisse.
Erst das Zusammenspiel dieser Bausteine schafft die Grundlage dafür, dass AI nicht nur punktuell funktioniert, sondern sicher und wirtschaftlich skaliert werden kann.
20 Jahre Confare, 20 Jahre voller Geschichten, 20 Jahre drastische Veränderung der CIO-Rolle. Lassen Sie uns die Geschichte von Confare und die Geschichte der CIO-Rolle der letzten 20 Jahre Revue passieren. Der krönende Abschluss: das Confare Motto des kommenden Jahres. Jetzt für das LinkedIn-Event anmelden!
Wenn immer mehr AI-Anwendungen und Agenten entstehen: Was bedeutet Orchestrierung konkret für die Rolle der IT?
Mit der zunehmenden Verbreitung von AI-Anwendungen und Agenten verändern sich sowohl die technologischen Möglichkeiten als auch die Erwartungen von Kunden, Management und Mitarbeitenden. Ergebnisse sollen schneller verfügbar sein, Prozesse stärker automatisiert werden und Anwendungen zunehmend selbstständig Aufgaben übernehmen.
Dadurch wird die Orchestrierungs- und Moderationsfunktion der IT wichtiger denn je. Die IT muss sicherstellen, dass AI-Anwendungen und Agenten nicht als voneinander isolierte Einzellösungen entstehen, sondern in eine gemeinsame Architektur, Datenlandschaft und Governance eingebettet sind.
Konkret bedeutet das, AI in der Unternehmens- und IT-Strategie zu verankern, geeignete Plattformen und Schnittstellen bereitzustellen und klare Regeln für Entwicklung, Nutzung und Überwachung zu definieren. Gleichzeitig muss die IT Fachbereiche, Datenschutz, Security, Compliance und weitere Beteiligte zusammenbringen.
Die IT entwickelt sich damit zunehmend vom reinen Betreiber einzelner Technologien zum Orchestrator eines unternehmensweiten AI-Ökosystems. Sie schafft die technischen und organisatorischen Rahmenbedingungen, sorgt für kontrollierte Übergabepunkte zwischen Menschen, Systemen und Agenten und stellt sicher, dass Automatisierung nicht zulasten von Sicherheit, Qualität oder Nachvollziehbarkeit erfolgt.
Diese Rolle ist entscheidend, damit aus vielen einzelnen AI-Initiativen ein konsistentes und skalierbares Gesamtbild entsteht.
Welche Bedeutung hat der Human-in-the-Loop, wenn AI zunehmend selbstständig Entscheidungen vorbereitet oder trifft?
Der Mensch bleibt auch bei zunehmender Automatisierung ein wesentlicher Bestandteil vertrauenswürdiger AI-Systeme. AI kann Informationen aufbereiten, Empfehlungen geben, Inhalte generieren und bestimmte Entscheidungen vorbereiten oder automatisiert ausführen. Daraus folgt jedoch nicht, dass jede AI-Anwendung vollständig autonom betrieben werden sollte.
Besonders gut lässt sich diese Entwicklung in der Softwareentwicklung beobachten. AI-Copiloten und autonome Agenten übernehmen bereits große Teile des Softwareentwicklungslebenszyklus. Sie unterstützen bei Anforderungen, Architektur, Code-Erstellung, Tests, Dokumentation und Fehleranalyse. Damit verschiebt sich die Wertschöpfung von manueller Entwicklung, und Skalierung über Headcount, hin zum Aufbau intelligenter Plattformen, Automatisierung und spezialisierter Fachkompetenz.
Gleichzeitig verändert sich die Rolle der Qualitätssicherung. Sie wird von einer nachgelagerten Validierungsfunktion zu einer kontinuierlichen Vertrauensschicht, die in den gesamten Entwicklungs- und Betriebsprozess eingebettet ist.
Entlang dieser Prozesse braucht es definierte Quality Gates. AI kann dafür relevante Informationen und Bewertungen liefern. Die abschließende Einordnung, Freigabe oder Nachschärfung muss jedoch abhängig von Risiko und Anwendungsfall durch geeignete Experten erfolgen. Dazu können Business-Value-Designer, Fachexperten, Entwickler, Qualitätsmanager oder Compliance-Verantwortliche gehören.
Human-in-the-Loop bedeutet daher nicht, jeden einzelnen AI-Schritt manuell zu kontrollieren. Vielmehr müssen Unternehmen bewusst festlegen, an welchen Stellen menschliche Bewertung, Freigabe und Verantwortungsübernahme erforderlich sind. Der Mensch bleibt damit nicht nur Kontrollinstanz, sondern trägt auch zur kontinuierlichen Verbesserung der Systeme bei.
Wie konsequent muss man sich heute für Plattformen entscheiden, ohne sich damit die Handlungsfreiheit von morgen zu verbauen?
Aktuell sehen wir bei unseren Kunden unterschiedliche Ansätze.
Einige Unternehmen setzen bewusst auf einen führenden Plattformanbieter, um AI-Lösungen schnell, konsistent und in größerem Umfang einzuführen. Dieser Ansatz kann Geschwindigkeit und Standardisierung fördern, führt aber möglicherweise zu einer stärkeren Abhängigkeit von einem einzelnen Anbieter.
Andere Unternehmen nutzen mehrere Anbieter für klar abgegrenzte Use Cases oder definieren feste Übergabepunkte zwischen verschiedenen Plattformen. Dadurch können sie weiterhin von technologischem Wettbewerb, unterschiedlichen Leistungsmerkmalen und Preisentwicklungen profitieren.
Ein weiterer Ansatz ist die Kombination etablierter Marktplattformen mit On-Premise Lösungen und Open-Source-Modellen. Dies kann Vorteile in Bezug auf Digitale Souveränität, Datenschutz und Kontrolle bieten, setzt jedoch entsprechende technische Expertise und ausreichende Kapazitäten voraus.
Wir empfehlen den Aufbau eines kontrollierten AI-Ökosystems. Bei Expleo bezeichnen wir diesen Baustein als AI Solution. Innerhalb dieses Ökosystems können ausgewählte und geprüfte Lösungen sicher betrieben werden. Gleichzeitig bleibt Raum, neue Modelle und Technologien kontrolliert zu erproben und bei entsprechender Eignung zu skalieren.
Entscheidend ist daher weniger die Frage, ob sich ein Unternehmen für einen oder mehrere Anbieter entscheidet. Wichtiger ist eine Architektur, die notwendige Wechselmöglichkeiten, klare Schnittstellen und kontrollierte Zugänge vorsieht. So lassen sich Geschwindigkeit und Konsistenz mit Flexibilität und langfristiger Handlungsfähigkeit verbinden.
Welche Kostenrisiken entstehen durch skalierende AI-Nutzung, und worauf sollte ein CIO dabei besonders achten?
There is no free lunch. Der Einsatz von AI verursacht nicht nur einmalige Implementierungskosten, sondern auch fortlaufende Kosten für Modelle, Rechenleistung, Datenverarbeitung, Speicherung, Integration, Monitoring, Security und Qualitätssicherung.
Hinzu kommt, dass derzeit viele Anbieter erheblich in Infrastruktur, Modelle und Markterschließung investieren. Es ist daher möglich, dass sich Preis- und Nutzungsmodelle mit zunehmender Marktdurchdringung verändern. Unternehmen sollten ihre AI-Strategie deshalb nicht auf der Annahme aufbauen, dass heutige Konditionen langfristig unverändert bleiben. Mit zunehmender Nutzung können insbesondere volumenabhängige Kosten schnell steigen. Ein Modell, das für einen begrenzten Pilotbetrieb wirtschaftlich erscheint, muss bei Tausenden von Anfragen, umfangreichen Kontextdaten oder agentenbasierten Prozessketten nicht automatisch die günstigste Lösung bleiben.
CIOs benötigen deshalb Transparenz darüber, welche Modelle für welche Anwendungsfälle eingesetzt werden, wie hoch der tatsächliche Verbrauch ist und welcher Business Value den Kosten gegenübersteht. Nicht jede Aufgabe benötigt das leistungsstärkste und teuerste Modell. Je nach Use Case können kleinere Modelle, Open-Source-Lösungen oder eine Kombination verschiedener Anbieter wirtschaftlicher sein. Eine flexible AI-Solution, d.h. ein AI-Ökosystem mit integrierter Kostenkontrolle schafft dafür die notwendige Grundlage. Es ermöglicht, Nutzung und Kosten transparent zu überwachen, Modelle passend zum jeweiligen Anwendungsfall auszuwählen und bei Bedarf zwischen unterschiedlichen Lösungen zu wechseln.
Kostenmanagement sollte daher nicht erst nach der Skalierung betrachtet werden. Es muss von Anfang an Teil der Architektur, Governance und Business-Case-Betrachtung sein.