Warum entscheidet die Modernisierung der Kern-IT darüber, ob Industrieunternehmen KI skalieren können?
KI ist im Mainstream angekommen. Niemand hinterfragt mehr, ob KI eingesetzt wird, sondern wie. Genau hier liegt der Knackpunkt: Viele KI-Initiativen kommen über erste Erfolge nicht hinaus und stoßen bei der Skalierung an ihre Grenzen. Selbst wenn der Business Case gesichert ist, Use Cases klar definiert sind und das Team den Nutzen in der täglichen Arbeit sieht, scheitern KI-Initiativen auf den letzten Metern. Denn nicht das KI-Modell ist das Problem, sondern die bestehende Systembasis und die historisch gewachsene IT-Infrastruktur. Daten stecken in Monolithen und Silos, Schnittstellen fehlen, Abhängigkeiten sind kaum dokumentiert. Ein Pilot kann funktionieren, doch für den produktiven Einsatz muss die KI verlässlich mit ERP-, MES- und Shopfloor-Systemen interagieren und höchste Sicherheitsanforderungen erfüllen – gerade im Zeitalter zunehmender IT/OT-Konvergenz. Für eine nachhaltige Skalierung müssen deshalb auch Kernsysteme und Datenquellen entsprechend weiterentwickelt werden. Die Modernisierung der Kern-IT ist deshalb kein reines IT-Projekt, sondern oftmals Grundlage für erfolgreiche Skalierung von KI-Anwendungen und daher eine geschäftskritische Transformation.
Was verändert KI am Blick auf Legacy-Systeme?
Ich arbeite seit mehr als 25 Jahren in der IT. Neue Business Anforderungen haben eine Modernisierung der darunter liegenden IT-Landschaft schon immer erfordert. Doch der Unterschied zu früher liegt heute durch KI im Tempo und in der Chance, Prozesse neu zu denken und ehemalige Mammutaufgaben der Legacy-Transformation, wie die Ablösung von Mainframes, jetzt anzugehen. Die heutige Entwicklung übertrifft dennoch alles, was ich bisher erlebt habe. Früher galt Legacy-IT vor allem als Klotz am Bein. Dabei steckt in diesen Systemen das Wissen ganzer Generationen: Prozesse, Sonderfälle und Geschäftsregeln. Häufig ist es nur lückenhaft dokumentiert und schwer zugänglich. KI macht diese verborgene Logik wieder zugänglich, indem sie die Geschäftslogik transparent rekonstruiert und es unseren Kunden ermöglicht, Legacy-Systeme schrittweise statt in einem Big-Bang-Ansatz zu modernisieren. Mit Reverse-Engineering-Werkzeugen wie beispielsweise unserer Plattform Wynxx können wir alten Quellcode analysieren, Abhängigkeiten erkennen und fachliche Zusammenhänge rekonstruieren. Zudem machen wir die Daten nutzbar, die Unternehmen für die Automatisierung von Prozessen bis hin zu Agentic AI dringend benötigen. Sie haben dann die Möglichkeit zu entscheiden, was von der Legacy Umgebung erhalten, neu entwickelt oder stillgelegt werden soll. Es ist also ein Paradigmenwechsel: Vom oft als „Klotz am Bein“ wahrgenommenen Bremsfaktor bei der KI-Skalierung können sich Legacy-Systeme zum Befähiger einer tiefgreifenden KI-Transformation entwickeln.
Wie gelingt die Erneuerung, ohne kritische Systeme und die laufende Produktion zu gefährden?
Die Erneuerung gelingt durch ein schrittweises Vorgehen. Entscheidend ist zunächst, die bestehende Geschäftslogik transparent zu machen und Abhängigkeiten genau zu verstehen. Bei der Umsetzung haben wir mit „Strangler Pattern“ sehr gute Erfahrungen gemacht. Die Kernprinzipien sind ein schrittweises Vorgehen sowie eine Zwischenschicht, die beispielsweise den Zugriff der bestehenden Frontends auf das sich verändernde Backend – bestehend aus Alt- und Neusystem – „kapselt“. So bleibt die Nutzererfahrung erhalten, während gleichzeitig die Schnittstellenkomplexität reduziert wird. Anders formuliert: Beim „Strangler Pattern“ entstehen neue Funktionen neben dem Bestand und übernehmen nach und nach dessen Aufgaben. Der Monolith wird kontrolliert zurückgebaut, während die neue Architektur bereits Mehrwert und Nutzen liefert. Neben dem schrittweisen Vorgehen ist es außerdem sinnvoll, mit beherrschbaren und wenig komplexen Anwendungsfällen zu beginnen, die messbaren Geschäftswert versprechen.
Welche Architektur benötigen Unternehmen für Agentic AI?
APIs bleiben das Fundament. Darüber entsteht eine Kontextschicht, in der Daten, Kontext, Governance und explizites Unternehmenswissen zusammengeführt werden. Standards wie das Model Context Protocol (MCP) können diese Architektur unterstützen und Agenten einen strukturierten Zugriff auf relevante Werkzeuge und Informationen ermöglichen. Ein KI-Agent muss nicht nur eine Schnittstelle aufrufen können, sondern auch den fachlichen Kontext verstehen: Welche Werkzeuge und Daten sind relevant? Welche Geschäftsregeln gelten? Wie hängen Prozesse zusammen und welche Berechtigungen sind zu beachten? In der Produktion könnte ein KI-Agent beispielsweise einen Materialengpass erkennen, Bestände und Aufträge prüfen und einen Beschaffungsvorgang vorbereiten. Ein weiterer Agent bewertet die Auswirkungen auf Planung und Liefertermine. Während MCP den Zugang zu Werkzeugen und Kontext regelt, beschreibt Agent2Agent (A2A) die Verständigung der Agenten untereinander. So entsteht ein vernetztes System spezialisierter Agenten. Klare Freigaberegeln bleiben dabei unverzichtbar.
Was zeichnet eine AI-Ready Data Platform in der Fertigung aus?
Eine AI-Ready Data Platform in der Fertigung ist mehr als ein zentraler Speicher. Sie verbindet fragmentierte Quellen, sichert die Datenqualität und stellt aktuelle Informationen bereit. Für Predictive Maintenance muss die KI Zustandsdaten mit dem Kontext aus Produktion und Instandhaltung verknüpfen. Ebenso wichtig sind Metadaten, Zugriffsrechte und eine nachvollziehbare Datenherkunft. Dazu gehört auch die Semantik: Ontologien und Knowledge Graphs beschreiben, was ein Datenpunkt fachlich bedeutet und wie er mit Anlagen, Aufträgen und Prozessen zusammenhängt. Wer seine Daten beherrscht, entscheidet schneller und fundierter.
Wenn Agenten selbstständig handeln, wie behalten Unternehmen die Kontrolle?
Governance wird zu einer zentralen Managementaufgabe. Unternehmen benötigen klare AI Boundaries bzw. Guardrails: Welche Daten darf ein Agent nutzen? Welche Aktionen darf er selbstständig ausführen? Wann ist eine menschliche Freigabe erforderlich? Diese Regeln dürfen nicht nur in einer Richtlinie stehen. Sie müssen technisch durchgesetzt und überwacht werden. Entscheidungen der Agenten müssen protokolliert, erklärbar und auditierbar sein. Das betrifft längst nicht mehr nur den Finanzbereich. Steigende Anforderungen an Cyberresilienz und regulatorische Vorgaben wie NIS2 erhöhen auch für Industrieunternehmen den Druck, Sicherheit und Governance von Beginn an mitzudenken. Regulierung kann sogar zum Modernisierungstreiber werden: Wer Security, Compliance und Daten-Governance von Beginn an integriert, schafft robustere Systeme. Der CEO muss nicht programmieren können, aber die Leitplanken der digitalen Organisation verstehen und verantworten.
Welche Rolle spielt digitale Souveränität bei Cloud- und KI-Infrastrukturen?
Europäische Unternehmen profitieren stark von der Innovationsfähigkeit, Skalierbarkeit und Verlässlichkeit der großen Hyperscaler und haben mithilfe ihrer Angebote ihre Systeme skaliert und modernisiert. Das hat zugleich zu einer starken Abhängigkeit von außereuropäischen Anbietern geführt, die bisher häufig durch eine Multi-Cloud-Strategie adressiert wurde. Jüngste geopolitische Herausforderungen haben jedoch bei vielen unserer Kunden zu einem Umdenken geführt. Unternehmen müssen festlegen, wo Datenhoheit, Regulierung oder strategische Interessen mehr Unabhängigkeit verlangen. Gerade bei geschäftskritischen Daten sehen wir bei unseren Kunden deshalb ein zunehmendes Interesse an souveränen oder selbst gehosteten Modellen. Offene Standards und modulare Architekturen schaffen zusätzlich Wahlfreiheit und verhindern den nächsten Vendor Lock-in.
Wie verändert KI die Arbeit von Entwicklern, Ingenieuren und Produktionsverantwortlichen?
Der Mensch wird stärker zum Orchestrator und Qualitätsverantwortlichen. In der Softwareentwicklung zeigt sich das bereits im Harness Engineering, wie wir es auch mit unserer Plattform Wynxx verfolgen: Der entscheidende Wettbewerbsvorteil entsteht nicht allein durch das eingesetzte KI-Modell, sondern durch einen strukturierten Engineering-Prozess. Entwickler schaffen die Rahmenbedingungen, geben KI-Systemen Kontext und Anforderungen vor und prüfen deren Ergebnisse. Der Human-in-the-Loop-Ansatz stellt dabei sicher, dass der Mensch die Kontrolle und Verantwortung behält. In der Produktion wird sich diese Arbeitsteilung ebenfalls durchsetzen: Ingenieure definieren Regeln und Qualitätskriterien, überwachen Agenten und greifen bei Abweichungen ein. Beschäftigte müssen deshalb auch Datenqualität, Modellgrenzen und Prozessrisiken beurteilen können. Qualifizierung ist keine Begleitmaßnahme, sondern Teil der Transformation. Entscheidungen und Verantwortung liegen nach wie vor beim Menschen.
Was muss die deutsche Industrie jetzt tun, damit aus Pilotprojekten produktive KI wird?
Meine Empfehlung: Deutsche Industrieunternehmen sollten mutiger priorisieren und konsequenter umsetzen. Viele Unternehmen haben bereits erfolgreiche Experimente durchgeführt, verfügen aber noch nicht über eine skalierbare Daten- und Systembasis. Wer Modernisierung, Security und Compliance gemeinsam plant, baut Resilienz direkt in die Architektur ein. Erfolgreiche Modernisierung entsteht zudem häufig in Co-Creation: Kunden- und Technologieexperten arbeiten in gemeinsamen Teams und sorgen so dafür, dass mit der Modernisierung gleichzeitig Wissen übertragen wird. Diesen Ansatz verfolgen wir beispielsweise mit unserer Modernization Factory. Wir müssen die Pilotphase verlassen und KI im industriellen Alltag verankern. Entscheidend dafür ist die Symbiose aus menschlicher Strategie, industrieller Erfahrung und maschineller Exzellenz. Dazu gehört auch, das Potenzial von Altsystemen zu erschließen und für die Transformation zu nutzen.
