Viele Unternehmen stehen vor der Aufgabe, KI-Lösungen in ihre gewachsenen IT-Landschaften einzubinden. Warum die technische Integration oft zum Engpass wird und welche Risiken und Chancen sich daraus ergeben, bleibt umstritten
Die Einführung von künstlicher Intelligenz (KI) in Unternehmen stößt häufig an technische Grenzen, wenn bestehende IT-Systeme nicht für den produktiven Einsatz vorbereitet sind. Während KI-Assistenten in Testumgebungen bereits überzeugende Ergebnisse liefern können, zeigt sich im Alltag, dass der Zugriff auf aktuelle Daten und die sichere Auslösung von Geschäftsprozessen in etablierten ERP- oder CRM-Systemen komplex bleibt. Die zentrale Herausforderung besteht darin, KI-Lösungen so zu integrieren, dass sie auf relevante Informationen zugreifen und definierte Aktionen auslösen können, ohne die Stabilität der bestehenden Systemlandschaft zu gefährden.
Technische Hürden in gewachsenen IT-Landschaften
In vielen Unternehmen sind ERP- und CRM-Systeme seit Jahren im Einsatz und wurden häufig durch individuelle Branchenlösungen oder Eigenentwicklungen ergänzt. Die Kernlogik dieser Systeme ist oft in monolithischen Architekturen verankert, die selten als Service verfügbar sind. Hinzu kommt, dass Integrationen meist als punktuelle Verbindungen für spezifische Zwecke entstanden sind und das Wissen über technische Abhängigkeiten oft nur bei einzelnen Mitarbeitenden liegt. Eine gemeinsame, dokumentierte Schnittstelle fehlt häufig. Besonders problematisch wird dies, wenn KI-Anwendungen nicht nur Daten lesen, sondern auch Aktionen in den Bestandssystemen auslösen sollen. Die IT-Abteilungen agieren dabei meist aus Verantwortung für den laufenden Betrieb und nicht aus grundsätzlicher Ablehnung gegenüber KI.
In der Praxis zeigt sich, dass Prototypen mit begrenzten Datensätzen zwar funktionieren, der Übergang in den produktiven Betrieb jedoch zusätzliche Anforderungen an Stabilität, Berechtigungen und Nachvollziehbarkeit stellt. Muss jede Verbindung individuell entwickelt werden, steigt der Integrationsaufwand schnell über den Aufwand für das eigentliche KI-Modell hinaus. Ohne stabile Schnittstellen droht aus einem erfolgreichen Prototyp ein dauerhafter Testfall zu werden, der im Alltag keinen belastbaren Nutzen bringt.
Schrittweise Modernisierung statt Komplettaustausch
Bevor Unternehmen einzelne Komponenten austauschen oder erweitern, empfiehlt sich eine strukturierte Bestandsaufnahme der vorhandenen Systemlandschaft. Ein kompaktes AI-Readiness-Assessment kann helfen, die Datenverfügbarkeit und Integrationsfähigkeit zu bewerten. Entscheidend ist, welche Systeme die relevanten Daten enthalten, welche Funktionen die KI tatsächlich benötigt und wie kritisch einzelne Komponenten für das Tagesgeschäft sind. Oft zeigt sich, dass nicht das gesamte System veraltet ist, sondern vor allem moderne Schnittstellen fehlen. Komponenten sollten nur dann ersetzt werden, wenn sie fachlichen, technischen oder sicherheitsrelevanten Anforderungen nicht mehr genügen oder sich nicht mehr wirtschaftlich betreiben lassen.
Ein vollständiger Austausch geschäftskritischer Anwendungen ist mit erheblichen Kosten, Risiken und langen Migrationsphasen verbunden. Über Jahre gewachsene Geschäftslogik lässt sich nur schwer verlustfrei migrieren. Während einer umfassenden Migration drohen zudem Stillstände und eingeschränkte Weiterentwicklung. Eine sogenannte AI-taugliche Hülle, die bestehende Systeme um klar definierte Zugänge, Berechtigungsregeln und Überwachungsmöglichkeiten ergänzt, kann dagegen früheren Nutzen schaffen und Betriebsrisiken senken.
Integrationsschichten und Sicherheitsanforderungen
Für eine erfolgreiche Verbindung zwischen KI-Anwendung und Bestandssystemen ist eine klar umrissene Integrationsschicht erforderlich. Diese stellt gezielt die Informationen und Funktionen bereit, die für den jeweiligen KI-Einsatz notwendig sind. Moderne Programmierschnittstellen und Standards wie das Model Context Protocol (MCP) können dabei unterstützen, Anfragen und Aktionen der KI kontrolliert zu steuern. Authentifizierung, Berechtigungen und Monitoring sollten konsequent in dieser Schicht verankert werden, um nachvollziehbar zu machen, welche Anwendung auf welche Daten zugreift und welche Aktionen ausgelöst werden.
Sicherheits-, Datenschutz- und Governance-Anforderungen müssen von Beginn an berücksichtigt werden. Zugriffsrechte sollten so granular wie möglich vergeben werden, damit die KI nur auf die für ihren Anwendungsfall notwendigen Daten und Funktionen zugreifen kann. Besonders bei schreibenden Zugriffen ist festzulegen, welche Aktionen automatisiert erfolgen dürfen und wann eine menschliche Freigabe erforderlich ist. Die Qualität der zugrunde liegenden Daten bleibt ein kritischer Faktor: KI liefert nur dann verlässliche Ergebnisse, wenn die Daten konsistent, aktuell und sauber gepflegt sind. Diese Aspekte werden auch in anderen Kontexten diskutiert, etwa wenn neue Funktionen für KI-gestützte Assistenzsysteme angekündigt werden, wie im Beitrag über die Erweiterung von Claude Cowork um Workflow-Aufzeichnung auf Glocalist Press.
Praxisnahe Einstiege und nachhaltige Architektur
Für den Einstieg in die KI-Integration eignen sich Anwendungsfälle mit erkennbarem Geschäftsnutzen, verfügbaren Daten und überschaubarem Integrationsaufwand. Prozesse, deren Ausfall das Kerngeschäft unmittelbar beeinträchtigen würde, sollten zunächst vermieden werden. Geeignet sind etwa wissensbasierte Assistenzsysteme, klar umrissene Arbeitsabläufe mit menschlicher Freigabe oder KI-gestützte Anwendungen für Softwaretests und Qualitätssicherung. Die dabei geschaffenen Schnittstellen und Zugriffsregeln sollten so gestaltet sein, dass sie auch für künftige Anwendungen nutzbar bleiben und keine neuen Insellösungen entstehen.
Eine nachhaltige Architektur für KI in Unternehmen entsteht, wenn bestehende Systeme gezielt modernisiert und um flexible Integrationsmöglichkeiten ergänzt werden. So können Unternehmen die Potenziale moderner KI-Lösungen nutzen, ohne die Stabilität und Sicherheit ihrer gewachsenen IT-Landschaft zu gefährden. Die Herausforderung bleibt, technische, organisatorische und regulatorische Anforderungen in Einklang zu bringen und die Integration als kontinuierlichen Prozess zu verstehen.
Eine Integrationsschicht ist eine technische Ebene, die zwischen einer neuen Anwendung - etwa einer KI-Lösung - und bestehenden IT-Systemen vermittelt. Sie dient dazu, Daten und Funktionen gezielt bereitzustellen, Schnittstellen zu standardisieren und Sicherheitsanforderungen umzusetzen. Durch diese Zwischenschicht lassen sich bestehende Systeme kontrolliert anbinden, ohne deren Kernlogik direkt zu verändern. Integrationsschichten sind besonders in heterogenen IT-Landschaften relevant, da sie die Wartbarkeit erhöhen und die Einführung neuer Technologien erleichtern.Schlagwörter: Unternehmenssoftware, Künstliche Intelligenz, API-Ökosysteme
