Warum Unternehmens-KI Softwareanbieter wieder ins Geschäft bringt

Im Bereich der Unternehmenssoftware ging der Trend jahrelang in die entgegengesetzte Richtung. Produkte wurden zu Cloud-Diensten, die Implementierung wurde standardisiert, der Support verlagerte sich ins Internet, und die physische Präsenz des Anbieters beim Kunden verlor an Bedeutung. Generative KI kehrt nun einen Teil dieser Entwicklung um.

Unternehmen können eine KI-Assistent Innerhalb weniger Minuten ist das zwar erledigt, doch die Verknüpfung eines Modells mit den Prozessen, die bestimmen, wie eine Bank mit einer Ausnahme umgeht, wie ein Versicherer einen Fall bewertet oder wie ein Hersteller einen Auftrag koordiniert, ist eine ganz andere Herausforderung. Die Software mag zwar über die Cloud bereitgestellt werden, doch die schwierige Arbeit beginnt erst innerhalb des Unternehmens.

Aus diesem Grund bauen einige Unternehmen im Bereich der Unternehmenstechnologie ihre Teams aus Ingenieuren aus, die direkt mit den Kunden zusammenarbeiten. Diese Rolle wird oft als „Forward-Deployed Engineering“ bezeichnet: Die Entwickler werden nah am Geschäftsgeschehen eingesetzt, wo sie Arbeitsabläufe untersuchen, Systeme miteinander verknüpfen und ein Allzweckprodukt so anpassen können, dass es in einer bestimmten Betriebsumgebung funktioniert.

Camunda, das in Berlin ansässige Unternehmen für Prozessautomatisierung, ist ein Beispiel dafür. Seine Software koordiniert Arbeitsabläufe für Organisationen, die von Banken über Industriekonzerne bis hin zur US-Raumfahrtbehörde NASA reichen. Da Kunden versuchen, KI in diese Prozesse zu integrieren, stockt Camunda die Zahl der Ingenieure auf, die direkt mit ihnen zusammenarbeiten. Das Geschäftsmodell beschränkt sich nicht mehr nur auf eine Softwarelizenz. Es umfasst zunehmend auch die Fähigkeit, die tatsächlichen Geschäftsabläufe des Kunden zu verstehen.

Ein KI-Modell versteht das Unternehmen, in dem es eingesetzt wird, nicht

Der Reiz der generativen KI liegt zum Teil in ihrer scheinbaren Vielseitigkeit. Dasselbe Modell kann eine E-Mail entwerfen, einen Bericht zusammenfassen, eine technische Frage beantworten oder ein Dokument klassifizieren. Diese Vielseitigkeit kann den Eindruck erwecken, dass die Einführung hauptsächlich darin besteht, einen Anbieter auszuwählen und eine Schnittstelle anzubinden.

Unternehmensprozesse sind da weniger flexibel.

Ein Kreditantrag kann mehrere Systeme, Abteilungen und Genehmigungsstufen durchlaufen. Ein Versicherungsanspruch kann automatisch bearbeitet werden, solange er keine ungewöhnliche Kombination von Umständen aufweist. Ein eingehendes Dokument muss möglicherweise klassifiziert, mit vorhandenen Datensätzen abgeglichen und an ein Spezialistenteam weitergeleitet werden. Jeder Schritt ist mit eigenen Berechtigungen, Abhängigkeiten und Konsequenzen verbunden.

Ein Sprachmodell hat nur Zugriff auf die Informationen und Werkzeuge, die ihm zur Verfügung gestellt werden. Es weiß von sich aus nicht, in welchem System der maßgebliche Datensatz gespeichert ist, wann ein Mitarbeiter eine Entscheidung genehmigen muss, was eine Ausnahme darstellt oder welche Maßnahme gegen eine interne Kontrollmaßnahme verstoßen würde.

Diese Details sind oft nicht in der formellen Prozessdokumentation enthalten. Sie verteilen sich auf Altsysteme, abteilungsspezifische Regeln, Tabellenkalkulationen und das Fachwissen der Mitarbeiter, die wissen, wie Aufgaben erledigt werden, wenn der Standardweg nicht funktioniert. Ein Anbieter kann diese Struktur bei einer Fernvorführung nicht erkennen.

Der Ingenieur, der innerhalb der Kundenorganisation tätig ist, installiert daher nicht einfach nur eine KI-Funktion. Die wertvollere Aufgabe besteht darin, den Prozess rund um diese Funktion neu zu gestalten.

Altsysteme werden Teil des KI-Projekts

Die meisten etablierten Unternehmen beginnen beim Aufbau ihrer KI-Architektur nicht bei Null. Sie nutzen bereits komplexe Kombinationen aus ERP-Software, CRM-Plattformen, Dokumentenmanagementsystemen, Datenbanken und Spezialanwendungen, die sie über viele Jahre hinweg aufgebaut haben.

KI muss in dieser Umgebung funktionieren, ohne die Systeme zu beeinträchtigen, die weiterhin wichtige Daten speichern und Kerntransaktionen ausführen.

Dadurch gewinnt die Orchestrierung gegenüber dem Modell selbst an Bedeutung. Ein Modell mag zwar eine unstrukturierte Anfrage interpretieren, doch eine weitere Ebene muss dennoch festlegen, welche Systeme abgefragt werden sollen, welche Regeln gelten und wie es anschließend weitergehen soll. Der Prozess muss zudem für das Unternehmen transparent genug bleiben, damit es nachvollziehen kann, wie ein Ergebnis zustande gekommen ist.

Die Zusammenarbeit von Camunda mit Finanzinstituten veranschaulicht dieses Prinzip. In einem Bankprozess wird eingehende Korrespondenz klassifiziert und an die zuständige Abteilung weitergeleitet, während ein KI-Agent sich um komplexere Ausnahmefälle kümmert. Der Agent arbeitet innerhalb eines nachvollziehbaren Workflows und agiert nicht als unabhängige Black Box. Seine einzelnen Schritte lassen sich nachverfolgen, und Kontrollmechanismen können eingreifen, bevor ein Fehler Auswirkungen auf den Kunden oder den gesamten Prozess hat.

Diese Art der Implementierung unterscheidet sich erheblich davon, einfach nur einen Chatbot in eine bestehende Anwendung zu integrieren. Sie erfordert einen detaillierten Einblick in das Betriebsmodell, einschließlich der Systeme, die ursprünglich nicht für die Zusammenarbeit mit generativer KI konzipiert wurden.

Der Prozess muss neu gestaltet werden, nicht nur verschönert.

Bei vielen frühen KI-Projekten in Unternehmen wurde ein neuer Arbeitsschritt in einen unveränderten Arbeitsablauf integriert. Die Mitarbeiter erhielten einen Schreibassistenten, ein Suchfeld oder ein Tool zur Zusammenfassung, während die zugrunde liegende Struktur unverändert blieb.

Solche Anwendungen können zwar Zeit sparen, führen jedoch selten zu den größeren Produktivitätssteigerungen, die mit Automatisierung verbunden sind. Ein Mitarbeiter kann ein Dokument zwar schneller erstellen, muss die Informationen aber dennoch manuell übertragen, in einem anderen System überprüfen und über eine festgelegte E-Mail-Kette zur Genehmigung einreichen.

Der wirklich folgenreiche Einsatz von KI beginnt erst dann, wenn Unternehmen den Prozess selbst überdenken. Welche Schritte erfordern menschliches Urteilsvermögen? Welche Prüfungen lassen sich automatisieren? Wo sollte ein Modell unstrukturierte Informationen auswerten, und wo sollte deterministische Software weiterhin die Kontrolle behalten? Was sollte geschehen, wenn das Modell unsicher ist oder auf einen Fall stößt, der außerhalb seines Aufgabenbereichs liegt?

Die Beantwortung dieser Fragen erfordert ebenso viel betriebliches Wissen wie technisches Know-how. Softwareanbieter, die sich früher auf die Produktkonfiguration konzentriert haben, verlagern ihren Schwerpunkt daher zunehmend auf Beratung, Prozessgestaltung und organisatorische Veränderungen.

Die Unterscheidung zwischen einem Softwareunternehmen und einem Implementierungspartner lässt sich immer schwerer aufrechterhalten, wenn der Wert des Produkts davon abhängt, wie tief es in die Geschäftsabläufe des Kunden eingebettet ist.

Unterschiedliche Aufgaben erfordern unterschiedliche Modelle

Die Präsenz von Anbietern innerhalb des Unternehmens ist zudem auf einen zunehmend fragmentierten Markt zurückzuführen. Unternehmen gehen nicht mehr davon aus, dass jede KI-Aufgabe an das größte und teuerste verfügbare System weitergeleitet werden sollte.

Ein leistungsstarkes Frontier-Modell kann gerechtfertigt sein, wenn die Aufgabe komplexes logisches Denken erfordert oder mehrdeutiges Material umfasst. Für die Dokumentenklassifizierung, die Informationsextraktion oder sich wiederholende interne Abfragen kann ein kleineres Modell ausreichend sein. Unternehmen könnten zudem ein europäisches oder ein Open-Weight-Modell bevorzugen, wenn bei ihren Anwendungen Aspekte wie Souveränität, Kontrolle über den Einsatz oder der Standort der Daten eine größere Rolle spielen.

Die Herausforderung besteht darin, jeder Aufgabe das richtige Modell zuzuordnen.

Dies ist teils eine technische, teils eine wirtschaftliche Entscheidung. Die Kosten für KI können schnell steigen, wenn große Modelle wahllos in Prozessen mit hohem Durchsatz eingesetzt werden. Die ausgefeilteste Option bietet bei einer routinemäßigen Klassifizierungsaufgabe möglicherweise nur einen geringen Mehrwert, während ein kostengünstigeres Modell innerhalb eines genau definierten Arbeitsablaufs zuverlässig funktionieren könnte.

Die sich entwickelnde Unternehmensarchitektur ähnelt daher einem Routingsystem. Jede Anfrage wird hinsichtlich ihrer Sensibilität, Komplexität, Kosten und der erforderlichen Leistung bewertet, bevor sie an ein geeignetes Modell weitergeleitet wird. Einige Aufgaben verbleiben möglicherweise innerhalb der vom Unternehmen kontrollierten Infrastruktur, während andere an externe Dienste weitergeleitet werden.

Die Konzeption und Wartung dieses Systems erfordert ein detailliertes Verständnis der Arbeitslast des Kunden. Ein Anbieter, der den Zugriff auf ein einzelnes Modell verkauft, kann auf Distanz bleiben. Ein Anbieter, der für die Koordination mehrerer Modelle über Kernprozesse hinweg verantwortlich ist, kann dies nicht.

KI setzt neue Maßstäbe in Sachen Rechenschaftspflicht

Die herkömmliche Prozessautomatisierung ist in der Regel vorhersehbar. Ein regelbasiertes System folgt vordefinierten Anweisungen und liefert bei gleicher Eingabe immer das gleiche Ergebnis.

Generative Modelle verhalten sich anders. Sie können mehrdeutiges Material interpretieren und Fälle bewältigen, mit denen starre Software nicht zurechtkommt, doch ihre Ergebnisse sind probabilistisch. Es kann vorkommen, dass sie ein Dokument falsch verstehen, Informationen erfinden oder eine unangemessene Maßnahme wählen.

Unternehmen können dieses Risiko nicht allein durch die Wahl eines seriösen Anbieters beseitigen. Sie müssen Kontrollmechanismen rund um das Modell einrichten.

Zu diesen Kontrollmaßnahmen können Konfidenzschwellen, vorab genehmigter Zugriff auf Tools, eingeschränkte Datenquellen, manuelle Überprüfung und automatische Eskalation gehören. Das System sollte protokollieren, welches Modell verwendet wurde, welche Informationen es erhalten hat und welche Schritte aufgrund seiner Antwort ergriffen wurden. Wenn der Prozess einen Kunden, einen Mitarbeiter oder eine regulierte Entscheidung betrifft, muss die Organisation in der Lage sein, den Ablauf der Ereignisse nachzuvollziehen.

Dies ist ein Grund, warum Anbieter von Prozessautomatisierungslösungen auf dem Markt für Unternehmens-KI an Einfluss gewinnen könnten. Ihr Mehrwert liegt weniger darin, ein weiteres Modell zu entwickeln, als vielmehr darin, Modelle in geregelte Arbeitsabläufe einzubinden, in denen ihre Befugnisse begrenzt sind und ihre Aktionen weiterhin nachvollziehbar bleiben.

Die Rolle des Anbieters nähert sich zunehmend der eines Ingenieurs an, der für ein funktionsfähiges Betriebssystem verantwortlich ist. Eine fehlgeschlagene Demonstration ist unangenehm. Ein ausgefallener Produktionsprozess kann zu Zahlungsausfällen führen, Aufträge verzögern oder regulatorische Risiken nach sich ziehen.

Schweizer Unternehmen werden Nähe erwarten, ohne dabei die Kontrolle abzugeben

Dieser Wandel ist insbesondere in der Schweiz von Bedeutung, wo viele Unternehmen international verteilte Geschäftsabläufe mit hohen Anforderungen an Vertraulichkeit, Nachvollziehbarkeit und Betriebssicherheit verbinden.

Banken, Versicherungen, Pharmakonzerne und Industrieunternehmen sind zwar möglicherweise bereit, externe KI-Technologie einzusetzen, benötigen jedoch Klarheit darüber, wohin die Daten fließen, welche Modelle zum Einsatz kommen und wie Entscheidungen kontrolliert werden. Einige werden eine Bereitstellung in einer privaten Cloud oder in ihrer eigenen Infrastruktur verlangen. Andere werden je nach Sensibilität der Aufgabe externe und intern betriebene Modelle kombinieren.

Die Fähigkeit eines Anbieters, mehrere Modelle zu unterstützen, kann daher wertvoller sein als der exklusive Zugang zu einem einzigen Modell. Unternehmen möchten möglicherweise Systeme großer US-amerikanischer Anbieter neben europäischen Modellen oder Alternativen mit offener Gewichtung einsetzen. Außerdem wünschen sie sich die Freiheit, ein Modell auszutauschen, wenn sich dessen Kosten, Leistung oder Risikoprofil ändern.

Diese Flexibilität ist nur dann von Nutzen, wenn der umgebende Workflow entsprechend konzipiert wurde. Wenn jede Verbindung, jede Steuerung und jede Datenpipeline auf einen einzigen Anbieter ausgerichtet ist, gibt es keine echte Wahl mehr. Die Herstellerunabhängigkeit muss von Anfang an in die Architektur integriert werden.

Der Lieferant, der eng mit dem Kunden zusammenarbeitet, ist dafür bestens geeignet, doch diese Nähe wirft auch ein neues Problem im Beschaffungsbereich auf. Ein Unternehmen kann zwar seine Abhängigkeit von einem Modellanbieter verringern, wird dabei jedoch stark vom Implementierungsanbieter abhängig, der seine Prozesse versteht und die Koordinierungsebene verwaltet.

Verträge, Dokumentation und interne Kompetenzen spielen daher eine wichtige Rolle. Das Unternehmen sollte weiterhin Zugriff auf seine Prozessdefinitionen, Auswertungsdaten, Integrationslogik und Betriebsdokumentation haben. Ingenieure des Anbieters können zwar beim Aufbau des Systems helfen, doch der Kunde muss weiterhin in der Lage sein, zu verstehen, was aufgebaut wurde.

Die an vorderster Front eingesetzten Ingenieure werden Teil des Produkts

Die wieder gestiegene Nachfrage nach Ingenieuren vor Ort bedeutet nicht, dass Unternehmenssoftware in die Ära großer, festangestellter Implementierungsteams zurückkehrt. Die wirtschaftliche Logik ist selektiver.

KI-Produkte sind am Point of Sale relativ allgemein gehalten. Ihr Nutzen steigt, wenn sie auf einen eng gefassten Prozess mit klaren Daten, Regeln und Ergebnissen angewendet werden. Vor Ort eingesetzte Ingenieure verkürzen die Distanz zwischen der generischen Funktion und der einsatzfähigen Anwendung.

Sie können einen ersten Prozess identifizieren, die Integrationen aufbauen, Leistungstests einrichten und die Probleme beheben, die erst im Produktivbetrieb auftreten. Sobald die Architektur stabil ist, kann das Unternehmen sie mit weniger direkter Unterstützung auf verwandte Arbeitsabläufe ausweiten.

Für den Anbieter bietet dieser Ansatz eine Möglichkeit, die Akzeptanz über die Pilotphase hinaus sicherzustellen. Zudem liefert er Informationen, die mit herkömmlichen Produktanalysen nicht erfasst werden können. Die Entwickler erkennen, wo die Software versagt, welche Steuerungsfunktionen die Kunden benötigen und inwiefern sich reale Betriebsumgebungen von den Annahmen der Produktteams unterscheiden.

Diese Lösung ist kostspielig, was bedeutet, dass sie nicht für jeden Kunden und nicht für jede Anwendung geeignet ist. Dennoch könnten Anbieter diese Kosten in Kauf nehmen, wenn die Alternative darin besteht, eine Reihe vielversprechender Pilotprojekte durchzuführen, die niemals zu einsatzfähigen Systemen werden.

Software wird immer untrennbarer mit der Implementierung verbunden

Die Unternehmenssoftwarebranche hat jahrzehntelang versucht, ihre Produkte reproduzierbarer zu gestalten. Die Standardisierung ermöglichte höhere Margen, schnellere Umsätze und eine einfachere internationale Expansion. KI verkompliziert dieses Modell, da die Technologie einen Großteil ihres Werts aus dem Kontext bezieht.

Ein allgemeines Modell kann wiederholt verkauft werden. Ein funktionierendes KI-System für Unternehmen hängt von den Daten, der Prozessarchitektur, den Kontrollmechanismen und den organisatorischen Zuständigkeiten des Kunden ab. Je näher die Anwendung an den Kerngeschäftsprozessen des Unternehmens angesiedelt ist, desto schwieriger wird es, das Produkt von den für seine Implementierung erforderlichen Arbeiten zu trennen.

Das bedeutet jedoch nicht, dass jeder Softwareanbieter zu einer klassischen Beratungsfirma wird. Die stärkeren Anbieter werden weiterhin auf wiederverwendbare Plattformen, Standard-Konnektoren und gängige Governance-Komponenten setzen. Ihre Entwickler werden nicht jedes System von Grund auf neu aufbauen.

Sie müssen jedoch weitaus detailliertere Einblicke in die Organisation gewinnen, als dies bei einem herkömmlichen Software-Abonnement erforderlich ist.

Enterprise-KI bringt Anbieter wieder ins Spiel, da Unternehmen erkannt haben, dass der Zugriff auf Modelle der einfache Teil ist. Die wirtschaftlich wertvolle Arbeit besteht darin, zu entscheiden, was das Modell leisten soll, es mit den relevanten Systemen zu verknüpfen und sicherzustellen, dass der daraus resultierende Prozess wirtschaftlich, nachvollziehbar und unter Kontrolle bleibt.