Wie strukturelle Verschiebungen die Enterprise-Transformation neu definieren

Unternehmensleiter stehen unter Druck Transformationen schnell umzusetzen. Dabei werden sie sowohl für das Tempo als auch für die Kontrolle verantwortlich gemacht.

Kunden erwarten eine verlässliche Umsetzung. Teams erwarten Klarheit. Vorstände wiederum erwarten messbare Fortschritte in den Bereichen IT, Daten, Sicherheit und Risiko, während gleichzeitig ein konkreter Nutzen nachgewiesen werden muss.

Ein wesentlicher Treiber dieses Drucks ist die Künstliche Intelligenz, die die Arbeitsweise in Unternehmen rasant verändert. Während KI von der Experimentierphase in den unternehmensweiten Einsatz übergeht, zwingt sie Organisationen dazu, ihre grundlegenden Annahmen zu überdenken. Sie müssen sich den Fragen stellen: Wie gestalten sie ihre Zielbetriebsmodelle (TOM), sichern ihre Systeme ab, verwalten Daten und steuern Innovationen?

Als Reaktion darauf zeichnen sich mehrere Trends ab, um diese effektiv zu bewältigen, benötigen Unternehmen ein Fundament: Sie müssen verstehen, wie ihre Geschäftsfähigkeiten, Systeme, Prozesse, Daten und Risiken in der Praxis tatsächlich miteinander verknüpft sind. Genau diese strukturelle Transparenz und das Erkennen von Abhängigkeiten sind seit Langem Aufgabenbereiche der Enterprise Architecture. Sie ermöglichen es Organisationen, gezielt und kohärent voranzugehen, anstatt nur passiv auf Probleme zu reagieren, sobald diese sichtbar werden.

Von AI-Added zu AI-Native 

Die Unterscheidung zwischen „AI-Added“- und „AI-Native“-Organisationen wird zu einem entscheidenden Wettbewerbskriterium. Unternehmen müssen sich von „AI-Added“-Ansätzen lösen, bei denen isolierte Automatisierungen auf bestehende Systeme aufgesetzt werden. Stattdessen sollten sie KI so gestalten, dass sie in die Art und Weise eingebettet ist, wie das Unternehmen tatsächlich arbeitet. Das bloße Hinzufügen eines Chatbots zu einem bestehenden Technologie-Stack stellt beispielsweise noch kein AI-Native-Design dar.

Die Zahlen sind eindeutig: Untersuchungen des MIT zeigen, dass 95 % der Implementierungen generativer KI in Unternehmen keine messbaren Auswirkungen auf deren GuV erzielen. Nicht, weil zugrunde liegende KI-Modelle unzureichend wären, sondern aufgrund fehlerhafter Integration in die Unternehmensumgebung. Allgemeine Werkzeuge können für Einzelpersonen hervorragend funktionieren, verfehlen in Unternehmensumgebungen jedoch ihre Wirkung, wenn sie nicht aus Arbeitsabläufen lernen oder sich an diese anpassen können.

Ein „AI-Native“-Unternehmen verfolgt einen grundlegend anderen Ansatz. Es geht davon aus, dass KI integrativ mit Menschen, IT Anwendungen und Daten im Arbeitsablauf zusammenarbeitet. Dabei werden KI-Agenten als abgegrenzte und gesteuerte Teilnehmer innerhalb des Ziel-Betriebsmodells (TOM) eingebettet.

Enterprise Architecture Teams arbeiten funktionsübergreifend daran, diese Agenten als architektonische Komponenten neben Prozessen, Anwendungen und Datenflüssen zu modellieren und sicherzustellen, dass IT-, Risiko- und Fachbereiche auf Basis einer gemeinsamen Gesamtsicht agieren. Da KI-Agenten auf einen zuverlässigen Unternehmenskontext angewiesen sind, setzt ein „AI-Native“-Design voraus, dass diese Zusammenhänge explizit definiert und gesteuert werden. Genau diese Transparenz stellt die Enterprise Architecture bereit.

Keine KI-Strategie ohne Security: Warum Sicherheit jetzt ganz am Anfang steht

Ein paralleler Wandel vollzieht sich derzeit auch in der Cybersicherheit. Während KI die Autonomie und Geschwindigkeit im gesamten Unternehmen erhöht, potenziert sie zugleich die Auswirkungen architektonischer Schwächen. Da Organisationen zunehmend auf verteilte und KI-gestützte Architekturen setzen, kann Sicherheit nicht mehr nachträglich ergänzt werden. Kontrollmechanismen, die für stabile Perimeter entwickelt wurden, stoßen in Umgebungen, in denen Systeme dynamisch miteinander interagieren und Daten über eine wachsende Zahl von Schnittstellen fließen, an ihre Grenzen.

Infolgedessen wandelt sich Cybersicherheit von einer Schutzebene zu einer architektonischen Anforderung. Identität, Segmentierung und Governance müssen daher direkt in die Struktur der Systeme und in die Einführung intelligenter Funktionen eingebettet werden – nicht erst nach Abschluss der Implementierung. „Secure by Design“ erfordert Transparenz über die Abhängigkeiten zwischen Systemen, Daten und Prozessen. Eine klare architektonische Sicht ist die Grundlage, um Risiken proaktiv statt reaktiv zu steuern.

KI offenbart die Qualität der Datenbasis 

Strukturelle Lücken zeigen sich nicht nur im Bereich der Cybersicherheit, sondern insbesondere auch bei der zugrunde liegenden Datenqualität. Dieses Thema hat sich inzwischen von einer technischen Frage zu einer strategischen Priorität entwickelt. Im Jahr 2026 wird sie zum entscheidenden Unterscheidungsmerkmal auf dem Markt. Eine Umfrage aus dem Jahr 2025 ergab, dass zwar 74 % der Unternehmen planen, in KI zu investieren, jedoch weniger als die Hälfte die Qualität ihrer Daten als zuverlässig einschätzt. Zudem haben bereits 98 % Probleme mit der Datenqualität im Zusammenhang mit KI erlebt.

Wenn Unternehmen KI in den produktivbetrieb überführen, wird die Qualität der zugrunde liegenden Daten zu einem entscheidenden Faktor. Sie müssen ihre verlässlichen Datenquellen klar definieren, Informationen konsistent pflegen und über kontrollierte Plattformen zugänglich machen. Hochwertige, gut verwaltete Daten ermöglichen konsistente Entscheidungen. Fragmentierte oder unzuverlässige Daten hingegen gefährden dagegen Transformationsinitiativen und erhöhen die operativen Risiken erheblich.

Enterprise Architecture bietet die Struktur, um Datenverantwortlichkeiten festzulegen, Abhängigkeiten abzubilden und Informationsflüsse über Systeme und Prozesse hinweg zu steuern. So wird sichergestellt, dass KI-Systeme auf einem verlässlichen, unternehmensweiten Kontext basieren und nicht auf fragmentierten oder widersprüchlichen Quellen.

Governance als Wettbewerbsvorteil

Regulierung wird zu einer strukturellen Kraft bei der Transformation von Unternehmen. Der EU AI Act übernimmt dabei eine Vorreiterrolle und verpflichtet Unternehmen dazu formale Leitplanken, Risikoklassifizierungen und Kontrollmechanismen für KI-Systeme einzurichten. Diese Anforderungen betreffen sowohl technische als auch operative Bereiche und verändern die Art und Weise, wie KI entwickelt, beschafft und eingesetzt wird.

Doch Governance geht über die reine Einhaltung von Vorschriften hinaus. Organisationen, die Governance als reine Compliance-Belastung betrachten, handeln vorsichtig und reaktiv. Unternehmen, die Governance hingegen in ihre täglichen Abläufe integrieren, sind besser aufgestellt, um KI im großen Maßstab zu steuern, auch wenn sich regulatorische Anforderungen kontinuierlich weiterentwickeln. In der Praxis bedeutet dies, dass Organisationen, die die Leistung ihrer KI-Systeme regelmäßig durch Audits und Bewertungen überprüfen, laut einer Umfrage von Gartner aus dem Jahr 2025 mehr als dreimal so häufig einen hohen Nutzen aus generativer KI erzielen.

Wenn Governance-Initiativen ins Stocken geraten, dann liegt dies selten am mangelndem Einsatz, sondern meist an der fragmentierterten Transparenz über Systeme, Daten und Verantwortlichkeiten. KI-Systeme interagieren mit Geschäftsprozessen, technischer Architektur, regulierten Daten sowie Diensten von Drittanbietern. Ohne eine integrierte, unternehmensweite Gesamtsicht wird Compliance reaktiv und kann zu operativen Störungen führen. Mit strukturierter, unternehmensweiter Transparenz stärkt Regulierung die Resilienz, reduziert Reibungsverluste und ermöglicht es Organisationen, sich schneller an neue Anforderungen anzupassen. So wird Governance zu einem Wettbewerbsvorteil statt zum Hindernis.

Bedeutung für Unternehmensverantwortliche

All diesen Veränderungen ist ein einheitliches Muster gemein: KI operiert nicht isoliert. Sie interagiert mit Systemen, Prozessen, Daten, Risiken und regulatorischen Verpflichtungen im gesamten Unternehmen.

Künftig wird der Erfolg von Transformationen weniger von der Einführung neuer Technologien abhängen als vielmehr von der operativen Einsatzbereitschaft – also davon, ob Organisationen über die notwendige Transparenz verfügen, um zu verstehen, wie ihre Geschäftsprozesse, Systeme, Daten und Governance-Strukturen tatsächlich miteinander vernetzt sind und wo Veränderungen zu Reibungen und Problemen führen können. Enterprise Architecture schafft diese unternehmensweite Gesamtsicht, macht Abhängigkeiten sichtbar und ermöglicht gezielte statt reaktiver Steuerung von Veränderungen.

Organisationen, die in diese strukturelle Transparenz investieren, sind besser darauf vorbereitet, KI zu integrieren, ihre Governance zu stärken und ihre Systeme sicher zu modernisieren, ohne ihr Betriebsmodell zu fragmentieren oder an Dynamik zu verlieren.

Autor: Conrad Langhammer, COO bei Bizzdesign