KI und ModernisierungLesezeit 5 Minuten

Modernisieren Sie gerade – oder bauen Sie den nächsten Monolithen?

In vielen Häusern läuft gerade das größte IT-Programm seit Jahren: Das alte Kernsystem wird abgelöst. Was danach steht, ist moderner, schneller und sauberer gebaut. Und in einem Punkt genauso starr wie das, was es ersetzt hat.

Die Ablösung eines Kernsystems bindet über Jahre dreistellige Personentage, das beste Fachwissen im Haus und einen erheblichen Teil des IT-Budgets. Der Aufwand ist gerechtfertigt: Technologie läuft aus dem Support, Fachkräfte für die alte Plattform gehen in Rente, der Betrieb wird teuer und riskant.

Ich habe solche Programme aus zwei Richtungen gesehen: als Verantwortlicher für die Anwendungslandschaft eines Versicherers – mit SAP, Auswertungssystemen und Kundenservice-Plattformen – und später als Projektleiter in Migrationen und Plattformablösungen, von der Rechenzentrumsmigration eines Finanzdienstleisters über die Ablösung einer gewachsenen Notes-Landschaft bis zur Umstellung von fünfhundert Servern auf eine neue Linux-Distribution.

Meine Beobachtung aus diesen Programmen ist unbequem. Das neue System ist in aller Regel wieder ein regelbasiertes System. Es trifft Entscheidungen, weil jemand diese Entscheidungen vorher als Regel aufgeschrieben hat. Jede neue Fallkonstellation braucht eine neue Regel, jede Regel einen Change, jeder Change einen Test. Die Technologie ist neu, das Grundmuster ist dasselbe.

Warum Regeln so lange die sichere Wahl waren

Dass Unternehmen beim Regelwerk bleiben, hat gute Gründe, und ich halte keinen davon für unseriös:

• Nachvollziehbarkeit. Eine Sachbearbeiterin muss einem Kunden erklären können, warum ein Antrag abgelehnt wurde. Bei einer Regel geht das. Bei einem Modell, das aus Beispielen gelernt hat, ist es deutlich aufwendiger.
• Prüfbarkeit. Interne Revision, Aufsicht und Wirtschaftsprüfung sind auf Regelwerke eingespielt. Für lernende Verfahren musste sich dieser Apparat erst noch sortieren.
• Datenlage. Ein Modell braucht saubere, korrekt klassifizierte Trainingsdaten. Wer seine Altbestände kennt, weiß, wie weit das von der Realität entfernt sein kann.
• Know-how. Ein Verfahren auszuwählen, zu trainieren und seine Güte ehrlich zu bewerten ist nicht trivial – und war lange keine Kompetenz, die man in der eigenen IT hatte.

Jeder dieser Einwände war berechtigt. Nur sind drei von vieren in den letzten Jahren deutlich kleiner geworden, und der vierte ist einkaufbar.

Was sich tatsächlich verändert hat

Sprachmodelle haben die Einstiegshürde verschoben. Aufgaben, für die man früher ein eigenes Modell trainiert und einen eigenen Datenbestand aufgebaut hätte – Dokumente einordnen, Freitext auswerten, Sachverhalte zusammenfassen, Anfragen vorqualifizieren – sind heute mit vortrainierten Diensten und überschaubarem Aufwand erreichbar. Der Weg zum ersten belastbaren Ergebnis dauert Wochen, nicht Quartale.

Gleichzeitig ist die Blackbox kein Totschlagargument mehr. Ein lernendes Verfahren muss das Regelwerk nicht ersetzen. Es kann davor stehen und vorsortieren, daneben laufen und auf Abweichungen hinweisen, oder dahinter prüfen, ob die Regel im Einzelfall zum richtigen Ergebnis geführt hat. In allen drei Mustern bleibt die prüfbare Regel die Instanz, die entscheidet. Das Modell macht sie nur schneller oder treffsicherer.

Und der regulatorische Rahmen ist da. Der EU AI Act beantwortet nicht jede Frage, aber er beendet den Zustand, in dem niemand sagen konnte, woran man sich halten soll. Für die meisten Anwendungen im Rückraum eines Unternehmens – Posteingang, Klassifikation, Vorprüfung – sind die Anforderungen beherrschbar.

Die Frage, die im Lenkungsausschuss fehlt

Deshalb gehört in jedes Modernisierungsprogramm eine Frage, die dort selten gestellt wird: Welche dieser Regeln bauen wir gerade neu, obwohl wir sie in fünf Jahren nicht mehr als Regel haben wollen?

Das ist keine Aufforderung, ein Kernsystem durch ein Modell zu ersetzen. Das wäre unverantwortlich. Es ist die Aufforderung, bei jedem größeren Regelblock drei Dinge zu klären, bevor er in die Umsetzung geht:

• Wie oft ändert sich diese Logik, und was kostet uns eine Änderung heute?
• Entsteht hier ein Datenbestand, aus dem sich später lernen ließe – und erfassen wir ihn so, dass das möglich bleibt?
• Ließe sich der Fall auch so schneiden, dass ein lernendes Verfahren vorsortiert und die Regel nur noch die Ausnahmen behandelt?

Wer diese drei Fragen stellt, baut nicht automatisch anders. Aber er entscheidet bewusst statt aus Gewohnheit. Und er vermeidet den teuersten Fall: eine frisch migrierte Plattform, deren Logik schon beim Go-live als Altlast angelegt ist.

Womit ich anfangen würde

Nicht mit einer KI-Strategie. Mit einem Prozess, der heute weh tut, dessen Entscheidungen dokumentiert vorliegen und bei dem ein Fehler keinen Schaden anrichtet, weil ein Mensch gegenprüft. Posteingang, Dokumentenklassifikation, Vorqualifikation von Anfragen, Dublettenerkennung – unspektakulär, messbar, und nach wenigen Wochen weiß das Haus aus eigener Erfahrung, was die Technologie leistet und was nicht.

Das ist keine Theorie. Ich habe die Einführung von Microsoft 365 einschließlich Copilot für rund 1.400 Mitarbeitende verantwortet, mit Risikobewertung und Datenschutzfolgenabschätzung. Der aufwendigste Teil war weder die Technik noch das Modell. Es war die Klärung, welche Daten das Werkzeug sehen darf und wer das verantwortet. Diese Frage stellt sich bei jedem lernenden Verfahren im Unternehmen erneut, und sie lässt sich nicht an die IT delegieren.

Diese Erfahrung ist das eigentliche Ergebnis. Sie entscheidet darüber, ob die nächste große Entwurfsentscheidung auf Kenntnis beruht oder auf Vermutung. Und sie kostet einen Bruchteil dessen, was ein falsch geschnittenes Kernsystem über seine Lebensdauer kostet.

Überarbeitete Fassung eines Beitrags aus dem Jahr 2022. Die Grundthese ist unverändert; Beispiele, Technologiestand und regulatorischer Rahmen sind auf 2026 gebracht.

← Alle Beiträge