Die KI-Roadmaps von Unternehmen sind voll von GenAI-Initiativen. Nur wenige davon schaffen es über die Pilotphase hinaus, und die Gründe dafür liegen selten am Modell, am Budget oder an der Unterstützung durch die Führungskräfte.
Dieses Muster zeigte sich immer wieder während unserer „Integrate Forward“-Veranstaltung mit SnapLogic, die im Siemens-Auditorium in Erlangen stattfand und an der einige unserer größten globalen Unternehmenskunden aus der Region teilnahmen. Über Unternehmen und Branchen hinweg besteht nach wie vor dieselbe Lücke: die Kluft zwischen dem aktuellen Stand von Daten und Prozessen und den Anforderungen, die eine KI im großen Maßstab stellt.
Die Fachleute im Raum waren es, die diese Veränderungen vorangetrieben haben. Im Folgenden finden Sie die wichtigsten Erkenntnisse des Tages – jede davon enthält konkrete Handlungsempfehlungen, die Sie noch vor Ihrem nächsten Planungszyklus umsetzen können.
1. Eine manuelle Punkt-zu-Punkt-Integration ist nicht skalierbar
Bachem ist ein führendes Schweizer Biotechnologie- und Pharmaunternehmen, das sich auf die Entwicklung und Herstellung von Peptiden und Oligonukleotiden spezialisiert hat. Paul Endras, Senior Data & AI Platform Manager bei Bachem, vertritt die Ansicht, dass Unternehmen zu einer „Integration Factory“-Denkweise übergehen müssen, bei der Integration als wiederholbare Produktionsdisziplin (Standards, wiederverwendbare Muster) und nicht als einmaliges Projekt betrachtet wird, wobei von Anfang an klare Zuständigkeiten für Daten und Systeme festgelegt werden, damit die Verantwortlichkeit nicht verloren geht, wenn etwas schiefgeht.
Der Kauf einer guten Plattform ist notwendig, aber nicht ausreichend. Sie benötigen außerdem Fachkenntnisse, die kontinuierliche Schulung der Beteiligten und die Bereitschaft, Geschäftsprozesse auf das Tool abzustimmen.
In regulierten Umgebungen wie der GMP-konformen Pharmaindustrie ist diese Disziplin entscheidend für das Bestehen von Audits: Man benötigt eine echte End-to-End-Datenherkunft. Und die Pointe, die alles zusammenfasst: Integrationsreife ist die Voraussetzung für KI-Reife. Man kann Predictive Analytics oder Chatbots nicht einfach in eine Datenlandschaft einbauen, die noch immer mit Excel zusammengehalten wird.
2. Datenbereitschaft steht an erster Stelle: Ohne sie kommen KI-Initiativen tatsächlich ins Stocken
Jakub Szpetkowski (Leiter für Daten- und KI-Transformation), Amelie Soares (Senior-Beraterin für Daten und KI) und Loic Kuntz (Daten- und Machine-Learning-Ingenieur) von Data Reply vertreten die Ansicht, dass KI-Initiativen, wenn sie ins Stocken geraten, selten auf Budgetprobleme, mangelnde Akzeptanz oder das falsche Tool zurückzuführen sind. Vielmehr liegt es daran, dass die Daten für den jeweiligen Anwendungsfall noch nicht ausgereift genug sind.
Eine weitere Skalierung erfordert zunächst eine solide Grundlage: klare Zuständigkeiten für Daten, Verantwortung für die Qualität, strukturierte Portfolios und eine Governance, die auch tatsächlich eingehalten und nicht nur auf dem Papier festgehalten wird. Werden diese Lücken von vornherein geschlossen, lassen sich alle späteren Anwendungsfälle kostengünstiger und schneller umsetzen – und genau das rechtfertigt die Investition.
Ein Anwendungsfallportfolio allein nach seinem geschäftlichen Nutzen zu bewerten, ist eine Falle. Wenn Sie nicht auch die technische Machbarkeit und die Datenqualität berücksichtigen, laufen Sie Gefahr, Projekte zu finanzieren, die nicht skalierbar sind. Und die Frage, ob das Unternehmen KI-fähig ist, ist die falsche Frage. Eine Bewertung des Reifegrades Bereich für Bereich liefert Ihnen einen konkreten Plan statt einer vagen Einschätzung.
Schließlich stellt die unabhängige Erstellung jeder einzelnen Pipeline eine Wartungsfalle dar. Wiederverwendbare, konfigurierbare Teilpipelines auf einer visuellen No-Code-Plattform beschleunigen die Ausführung, vereinfachen die Fehlersuche und erleichtern die Einarbeitung neuer Entwickler erheblich.
3. Die Reihenfolge umkehren: Erst einführen, dann umsetzen
An der Podiumsdiskussion zum Thema „KI in der Arbeitswelt“ nahmen unter anderem Führungskräfte wie Carolin Franz (SVP und Leiterin der Personalabteilung für EMEA, APJ und China bei Siemens Healthineers), Robin Mager (VP Digital Transformation Office bei Siemens Energy) und Gustav Rek (VP KI bei Perbility) teil.
Unter der Moderation von Jeremiah Stone (CTO, SnapLogic) wurde in der Diskussion erörtert, wie KI Arbeitsplätze und Qualifikationen verändert und was Unternehmen benötigen, um die Einführung dieser Technologie in einen nachhaltigen Wandel umzusetzen.
Erfolgreiche Teams integrieren die Akzeptanz in der Regel von Anfang an in ihren Plan, anstatt sie als nachträglichen Einfall zu betrachten. Robin Mager verwies auf eine Copilot-Einführung, bei der ein breiter Zugang mit praxisorientierten Workshops kombiniert wurde, die sich auf reale geschäftliche Herausforderungen konzentrierten, wobei die ersten Erkenntnisse genutzt wurden, um eine umfassendere Einführung zu gestalten. Das Ergebnis war eine starke Akzeptanz und eine nachhaltige Nutzung.
Die Podiumsteilnehmer kamen immer wieder auf einen Punkt zurück: Die Führungsebene lebt das Verhalten auf jeder Ebene der Organisation selbst vor und betrachtet sichtbares Experimentieren – einschließlich gelegentlicher Fehlschläge – als Teil des Lernprozesses der Teams. Die Podiumsteilnehmer brachten es auf den Punkt:„Aus Fehlern lernt man.“
Tipp: Erstellen Sie vor der nächsten Einführung eines Tools einen Einführungsplan, der ebenso sorgfältig ausgearbeitet ist wie der Bereitstellungsplan. Beziehen Sie dabei konkrete Workshops, konkrete geschäftliche Probleme und konkrete Verantwortliche mit ein. Drei konkrete Anwendungsfälle aus Ihren eigenen Arbeitsabläufen sind ein gutes Zeichen dafür, dass Sie für die Einführung bereit sind.
4. MCP und die Koordination der Akteure als Governance-Problem betrachten
MCP ist ein Protokoll, das sicherstellen soll, dass die Schlussfolgerungen oder Antworten eines Sprachmodells für das System, mit dem es kommuniziert, korrekt sind. Die Registrierung bestehender APIs als MCP-Tools ist mit geringem Aufwand verbunden. Die föderierte Identitäts- und Autorisierungsverwaltung erfordert hingegen erheblichen Aufwand, insbesondere wenn sich der Kontext eines Agenten auf 10, 15 oder 20 vernetzte Systeme ausweitet. Neun von zehn KI-Systemen scheitern heute daran.
Teams, die komplexe Multi-Consumer-Architekturen wie die oben beschriebene betreiben, stellen aus eigener Erfahrung dieselbe Frage: Das richtige Modell ist „Zero Trust“ bei jedem Hop, wobei die Governance auf der Agent-Ebene explizit definiert ist. Die MCP-Spezifikation selbst äußert sich zu diesem Thema nicht.
Bevor Sie Ihre ersten APIs als MCP-Tools registrieren, sollten Sie festlegen, wer in jedem Schritt für die Autorisierung verantwortlich ist – und zwar sowohl auf der Ebene des Agenten als auch auf der MCP-Ebene und im zugrunde liegenden System. Wenn Sie nicht beantworten können, was passiert, wenn der Zugriff eines Agenten über 15 Systeme hinweg weitergeleitet werden muss, sind Sie noch nicht bereit für den Produktionsverkehr.
Wo auch immer du dich auf deiner Reise gerade befindest – wir holen dich dort ab
Der Weg von der Punkt-zu-Punkt-Integration hin zu einem vollständig agentenbasierten Unternehmen verläuft schrittweise, und jede Phase auf diesem Weg ist ein legitimer Ausgangspunkt. Entscheidend für die Zukunft ist, ob das Fundament, auf dem Sie stehen, tatsächlich das tragen kann, was als Nächstes kommt.
Ist Ihr Unternehmen bereit für KI? SnapLogic hilft Ihnen dabei, dieses Ziel zu erreichen. Machen Sie eine selbstgeführte Tour durch die Plattform oder vereinbaren Sie eine individuelle Demo, um mit unseren Experten zu sprechen.
