Mit der zunehmenden Vernetzung und Vielfalt von IT-Systemen wächst auch der Aufwand für deren zuverlässigen Betrieb.
AI-Driven AMS: Die nächste Evolutionsstufe des Application Management

Herkömmliche Application-Management-Modelle geraten dabei unter Druck, wobei ihre Grenzen weniger in den verfügbaren Tools als in der Komplexität der IT-Landschaften liegen. KI-gestützte Betriebsmodelle eröffnen neue Möglichkeiten, um Services effizienter und vorausschauender zu gestalten. Dabei bleibt menschliche Expertise ein wesentlicher Bestandteil.
Der zuverlässige Betrieb geschäftskritischer Anwendungen ist eine anspruchsvolle Daueraufgabe. Application Management Services (AMS) gewährleisten dabei die Verfügbarkeit von Systemen, sichern die Einhaltung von Service-Level-Agreements (SLAs) und halten Ausfallzeiten möglichst gering. Der damit verbundene Aufwand schlägt sich folgerichtig auch unmittelbar in den Betriebskosten nieder. Unternehmen haben deshalb über Jahre hinweg verschiedene Optimierungsansätze verfolgt: Robotic Process Automation (RPA), umfassende Monitoring-Lösungen, systematische Analysen der Anwendungslandschaft und Offshoring haben die Effizienz bereits verbessert. Viele dieser Möglichkeiten sind inzwischen jedoch an ihren Grenzen angelangt.
Wie stark sich die Rahmenbedingungen verändert haben, zeigt ein Blick auf die Größenordnung heutiger IT-Umgebungen. Große Unternehmen betreiben häufig 3.000 oder mehr Anwendungen, deren Abhängigkeiten sich über komplexe, historisch gewachsene Architekturen erstrecken. Hybride Infrastrukturen, Cloud-Migrationen und die Integration von KI treiben diese Komplexität weiter voran. Ein Betrieb, der Störungen zunächst erkennt, anschließend analysiert und schließlich manuell behebt, wird unter solchen Voraussetzungen zunehmend schwer beherrschbar. Auch eine wirtschaftliche Skalierung ist kaum möglich. Zeit für die nächste Evolutionsstufe: AI-Driven AMS.
Proaktiv statt nur reaktiv
Der Einsatz künstlicher Intelligenz verändert die Aufgabenverteilung im Application Management. An die Stelle einer überwiegend reaktiven Betriebsstabilisierung tritt eine proaktive Serviceerbringung, die zugleich Effizienz und Skalierbarkeit verbessert. Bestehende AMS-Strukturen werden dabei weiterentwickelt und neu definiert, nicht ersetzt.
Die Grundlage bilden hybride Teams, in denen KI-Systeme menschliche Expertise ergänzen. Agenten übernehmen datenintensive und repetitive Aufgaben, etwa die kontinuierliche Auswertung von Logfiles, die objektive Priorisierung von Tickets oder die frühzeitige Erkennung von Anomalien. Predictive Analytics ermöglicht es darüber hinaus, Muster in Datenströmen zu identifizieren, präventive Maßnahmen abzuleiten und Workflows in Echtzeit anzupassen.
Besonders großes Potenzial bieten agentenbasierte Systeme in sogenannten AI Factories. Während spezialisierte Agenten repetitive Prozesse bearbeiten, koordinieren komplexe Multi-Agenten-Systeme ganze Service-Tower – von der Überwachung über das Schnittstellenmanagement bis zur Lösungsfindung. KI lässt sich damit systematisch und wiederverwendbar über verschiedene Servicebereiche hinweg einsetzen. Auch etablierte AIOps-Konzepte aus dem Infrastrukturmanagement finden so ihre Erweiterung im Application Management.
Eine weitere Grundlage ist die Sicherung und Bereitstellung vorhandenen Wissens. Knowledge Retrieval macht internes Know-how gezielt zugänglich und unterstützt dessen Nutzung bei der Problemlösung. Das beschleunigt die Bearbeitung von Incidents und hält relevantes Wissen im Unternehmen. Der Mensch bleibt dabei unverzichtbar: Als „Human in the Loop“ validiert, steuert und korrigiert er die Systeme und trifft insbesondere bei kritischen oder sensiblen Aufgaben die notwendigen Entscheidungen.
Gegenüber klassischen Automatisierungsansätzen verändert sich damit auch die Ausrichtung des Betriebs. An die Stelle isolierter Skripte tritt ein orchestriertes Agenten-Ökosystem, das sich über unterschiedliche Aufgaben hinweg skalieren lässt. KI-Systeme interpretieren Daten, statt ausschließlich vorgegebenen If-Then-Regeln zu folgen. Zugleich rücken Ergebnisse stärker in den Vordergrund: Entscheidend sind nicht allein die Anzahl bearbeiteter Tickets, sondern Kennzahlen wie Mean Time to Repair (MTTR), SLA-Stabilität und die Resilienz des Betriebs.
Kleine Schritte: Der Weg zur KI-Integration
Die Einführung von AI-Driven AMS lässt sich kaum durch einen abrupten Wechsel des Betriebsmodells bewältigen. Ein solcher Big Bang wäre schwer umsetzbar und mit erheblichen Risiken verbunden. CGI empfiehlt deshalb eine schrittweise Transformation, die sich am Reifegrad der jeweiligen IT-Umgebung orientiert.
Am Anfang steht eine Baseline-Analyse. Sie zeigt, in welchen Bereichen 70 bis 80 Prozent der repetitiven, menschlich ausgeführten Tätigkeiten anfallen. Auf dieser Grundlage lassen sich erste Quick Wins bestimmen. Dazu zählen beispielsweise die automatisierte Ticket-Triage oder der Aufbau eines Knowledge-Retrieval-Prozesses für den gezielten Abruf relevanter Informationen.
In der anschließenden Pilotphase werden einfache Agenten in klar abgegrenzten Use Cases erprobt. Die Ergebnisse schaffen Vertrauen und bilden die Grundlage für die nächste Ausbaustufe. Dafür wird ein geeigneter Service-Tower ausgewählt, in dem KI Ende-zu-Ende integriert wird, aber weiterhin unter menschlicher Aufsicht agiert. Besonders deutlich wird der Nutzen dort, wo KI nicht nur bei einzelnen Aufgaben unterstützt, sondern ganze Prozessketten begleitet und kontinuierlich verbessert.
Mit zunehmender Reife kann KI schließlich Bestandteil des regulären Betriebsmodells werden. Sie fungiert dann nicht mehr als ergänzendes Werkzeug, sondern als wesentlicher Teil der Service Delivery. Dabei lassen sich technologieorientierte ebenso wie domänenbasierte Organisationsstrukturen berücksichtigen. Ein systematisches Risikomanagement begleitet die Einführung und ermöglicht eine kontrollierte Ausweitung, beispielsweise durch den Einstieg in weniger kritische Prozesse.
Organisatorischer Wandel als Erfolgsfaktor
Die Transformation von AMS ist weit mehr als eine technologische Veränderung. Entscheidend ist auch, wie sich die Zusammenarbeit innerhalb der Betriebsorganisation entwickelt. Mitarbeiter müssen lernen, mit digitalen Kollegen, den rund um die Uhr verfügbaren KI-Agenten, zusammenzuarbeiten. Damit verändern sich Aufgaben, Verantwortlichkeiten und Rollenbilder. Ein wirksames Change Management muss diesen Prozess begleiten, denn: Wer KI lediglich als zusätzliches Tool einführt, ohne sie in das Betriebsmodell zu integrieren, baut auf Sand.
Daneben bleiben aber auch technische Herausforderungen bestehen, allen voran Halluzinationen, also fehlerhafte oder nicht belastbare Ergebnisse von KI-Systemen, die sich durch kontinuierliches Retraining reduzieren lassen. Auch müssen Unternehmen sensible Daten schützen, etwa mit hybriden Architekturen: Public-LLMs können für allgemeine Aufgaben genutzt werden, während vertrauliche Informationen in On-premises-Umgebungen verbleiben.
Produktivität und Stabilität als messbare Ergebnisse
Erfahrungen aus der Praxis unterstreichen das Potenzial von AI-Driven AMS. In fortgeschrittenen, von CGI begleiteten Implementierungen lassen sich Produktivitätssteigerungen von 25 bis 40 Prozent erzielen, insbesondere durch den Wegfall repetitiver Tätigkeiten. Gleichzeitig kann sich die MTTR um bis zu 35 Prozent verkürzen. Auf Service-Tower-Ebene sind zudem Betriebskostensenkungen von 15 bis 25 Prozent möglich.
Der größte Nutzen entsteht, wenn KI nicht auf einzelne Use Cases beschränkt bleibt, sondern über ganze Service-Tower hinweg eingesetzt wird. Die Effekte reichen von geringeren Kosten bis zu einer verbesserten Risikosteuerung. Weniger manuelle Eingriffe steigern die Effizienz, eine schnellere Fehlerbearbeitung verbessert die Reaktionsgeschwindigkeit und die frühzeitige Erkennung möglicher Störungen erhöht die Betriebsstabilität. Unternehmen können so auch umfangreiche und komplexe Anwendungslandschaften besser beherrschen.
Die Bedeutung dieser Entwicklung spiegelt sich auch in den „Voice of our Clients“-Umfragen von CGI wider. Die Reduzierung der IT-Komplexität zählt dort neben der Budgetkontrolle zu den wesentlichen Herausforderungen von Unternehmen. AI-Driven AMS adressiert beide Aspekte und unterstützt damit die wirtschaftlichen wie operativen Anforderungen moderner IT-Organisationen.
Die Anforderungen an den Application-Betrieb verändern sich grundlegend. Immer mehr Anwendungen, wachsende Datenmengen und steigende Erwartungen treffen auf begrenzte Ressourcen. AI-Driven AMS schafft die Grundlage für ein intelligenteres, proaktives und skalierbares Betriebsmodell. Die Entwicklung ist keine kurzfristige Reaktion auf den KI-Hype, sondern eine strukturelle Weiterentwicklung des Application Managements. Unternehmen, die diesen Wandel frühzeitig gestalten, können ihre Betriebsorganisation langfristig leistungsfähiger aufstellen. AI-Driven AMS entwickelt sich damit zunehmend zu einem neuen Maßstab im Application Management.







