Die versteckte Geschwindigkeitsbremse: Legacy-Systeme und KI-Wettbewerbsfähigkeit

Der Verstärkungseffekt

Künstliche Intelligenz ist kein Gleichmacher. Sie ist ein Multiplikator – und wie alle Multiplikatoren verstärkt sie das, was bereits da ist. Organisationen mit modernen, flexiblen Software-Fundamenten werden KI nutzen, um noch schneller zu werden: Features in Tagen statt Monaten live bringen, Entscheidungen in Echtzeit automatisieren, Modelle in Wochen verbessern. Organisationen auf brüchigen, veralteten Architekturen werden erleben, dass KI ihre strukturellen Grenzen schonungslos offenlegt.

Der Wettbewerbsvorteil zwischen diesen beiden Gruppen ist nicht morgen ein Problem. Er entsteht jetzt. Jedes Quartal, das mit Modernisierungsplänen verstreicht, ist ein Quartal, in dem KI-bereite Wettbewerber ihren Vorsprung ausbauen: mehr Trainingsdaten, mehr automatisierte Prozesse, mehr Engineering-Kraft für die nächsten Aufgaben.

Für CEOs und Chief Digital Officers ist die Frage längst nicht mehr, ob KI strategisch relevant ist. Sie ist: Kann Ihr Software-Fundament Ihre KI-Ambitionen überhaupt tragen?

Wo die Grenze liegt

Die meisten Unternehmen haben KI als strategische Priorität bereits akzeptiert. Die Initiativen sind finanziert, die Use Cases sind definiert, die Anbieter sind ausgesucht. Und dann stockt es – nicht weil die KI-Technologie unreif ist, sondern weil die Systeme, an die sie angebunden werden soll, dafür nie gebaut wurden.

Die Blockaden sind strukturell und zeigen sich in jeder Branche:

• Daten, die in Monolithen gefangen sind. Ein Versicherer, der die Schadensabwicklung auf einem eng gekoppelten Kernsystem betreibt, kann dessen Daten nicht einfach einer ML-Pipeline zugänglich machen. Die Informationen sind da – aber sie sauber zu extrahieren, in der Geschwindigkeit und Menge, die KI braucht, erfordert Integrationsarbeit, gegen die Legacy-Architekturen heftig Widerstand leisten. KI-gestützte Schadenbewertung, satellitenbasierte Ermittlung, automatisiertes Underwriting – all das setzt auf Datenpipelines an, die brüchige Systeme nicht zuverlässig liefern können.

• Release-Zyklen in Quartalsschritten. KI ist iterativ. Modelle müssen nachtrainiert, Parameter angepasst, Grenzfälle behandelt werden. Eine Bank oder ein Energieversorger, deren Deployment-Pipeline 12–16 Wochen braucht, um eine Änderung in die Produktion zu bringen, kann nicht nach KI-Rhythmen arbeiten. Das Modell wird besser; das System dahinter nicht.

• Geschäftslogik, die in undokumentiertem Code steckt. In Automotive und Fertigung sind Jahrzehnte von Geschäftsregeln in Systemen vergraben, die heute keiner mehr vollständig versteht. Eine Entscheidung zu automatisieren heißt: erst mal verstehen, was das System überhaupt tut. In vielen Legacy-Umgebungen sitzt dieses Wissen nur implizit im Code. Generative KI kann dabei helfen, das zu kartieren – aber nicht ersetzen, was ein gut strukturiertes, transparentes System leisten könnte.

• Schnittstellen, die es nicht gibt. Modernes KI-Tooling – MLOps-Plattformen, Vector-Datenbanken, Real-Time-Inference-APIs – setzt saubere, dokumentierte Interfaces voraus. Legacy-Systeme aus der Zeit vor API-First-Architektur haben das meist nicht. Jede KI-Initiative erfordert dann massgeschneiderte Integrationsarbeit, die Budget und Zeit frisst, bevor die KI-Arbeit überhaupt startet.

Das sind keine Ausnahmen. In itestras Erfahrung über 90+ Unternehmenskunden in mehr als 20 Jahren ist dies Standard bei Versicherungen, Banken, Energieversorgern, Pharma und öffentlicher Verwaltung. Die KI-Grenze ist nicht technisch – sie ist architektonisch.

Die sich vergrößernde Lücke

Die Vergangenheit hat gezeigt: Verzögerung wird richtig teuer – nicht abstrakt, sondern in messbaren Wettbewerbsbegriffen.

Eine Organisation, die dieses Jahr eine KI-bereite Architektur erreicht, profitiert sofort: schnellere Feature-Bereitstellung, niedrigere Kosten pro Transaktion, bessere Datenqualität für bessere Modelle. Jeder Zyklus verstärkt den nächsten. Wenn ein Wettbewerber die gleiche Modernisierung zwei Jahre später abschließt, ist der Rückstand nicht zwei Jahre – es ist die Summe aller Vorsprünge, die in der Zwischenzeit aufgebaut wurden.

Nehmen Sie nur die Geschwindigkeit im KI-Betrieb: Ein Team, das Modell-Updates alle zwei Wochen bringt, macht 26 Verbesserungszyklen pro Jahr. Ein Team, das an Quartals-Release-Fenster gebunden ist, schafft vier. Über zwei Jahre sind das 52 versus 8 – ein 6x-Unterschied in der Geschwindigkeit, mit der eine Organisation von Live-Daten lernt und ihre KI verbessert.

Das verstärkt sich beim Thema Talente. Ingenieure mit modernen KI- und Data-Engineering-Skills wählen Arbeitgeber mit modernen Stacks. Legacy-Umgebungen tun sich schwer, die anzuziehen. Das bedeutet: Modernisierung selbst wird über die Jahre nicht leichter, sondern schwerer. Wer jetzt wartet, fällt nicht nur bei KI zurück – man erodiert auch die Engineering-Kraft, um das später aufzuholen.

Bei regulierten Branchen – Banken unter DORA, Pharma unter GxP, öffentlicher Sektor unter Beschaffungsregeln – verschärft sich die Urgenz: Compliance-Fristen warten nicht auf interne Modernisierungsfahrpläne.

Der Weg nach vorne ist kein Big Bang

Die typische Reaktion auf solche Argumente ist resigniert: „Wir wissen, dass wir was tun müssen, aber ein Full-Replatforming ist ein mehrjähriges Projekt, das wir nicht stemmen können.” Diese Einordnung ist falsch.

Inkrementelle Software-Transformation – der Ansatz, den itestra über 200.000+ Person-Tage hinweg bei Unternehmenskunden angewendet hat – braucht kein komplettes Rewrite. Sie braucht nur: Identifizieren Sie die spezifischen architektonischen Hürden, die Ihre prioritären KI-Use-Cases blockieren, und räumen Sie sie systematisch weg.

In der Praxis heißt das:

• Gezielt Daten freigeben, die Ihre KI-Initiativen am meisten brauchen – ohne die Geschäftslogik drumherum anzufassen. Ein Versicherungs-Kernsystem muss nicht ersetzt werden, damit seine Schadendaten in eine ML-Pipeline fließen. Es braucht nur eine gut gebaute Extraktionsschicht.

• Legacy-Komponenten mit modernem Tooling verbinden über saubere APIs. So bleibt die Geschäftslogik, die sich über Jahrzehnte bewährt hat, erhalten – neue Systeme bekommen aber eine stabile, dokumentierte Schnittstelle.

• Schnelle Erfolge einfahren, die Stakeholder überzeugen. Der erste Renovierungsschritt sollte greifbare Resultate liefern – schnellere Deploys, neu erreichbare Daten, kürzere Release-Zyklen – innerhalb von Wochen, nicht Quartalen. Nicht nur gutes Projektmanagement: So halten Modernisierungsprogramme die organisatorische Rückendeckung, die sie brauchen.

• Technische Schuld kontinuierlich reduzieren, was Code-Wartbarkeit über die Zeit verbessert und damit jeden nächsten KI-Anschluss günstiger macht.

Das Ziel ist nicht eine perfekte Architektur. Das Ziel ist eine, die Ihre KI-Ambitionen nicht begrenzt – in Etappen erreichbar, auf einer Zeitleiste, die normalen Betrieb nicht unterbricht.

Wo man anfängt: Der KI-Readiness-Health-Check

Das häufigste Hindernis ist nicht fehlender Budget oder Wille – es ist Klarheit. Die meisten Organisationen wissen: Unsere Legacy-Landschaft ist ein Bottleneck. Aber die wenigsten haben ein klares Bild, wo genau, was es kostet, das zu beheben, und welche KI-Szenarien sich dadurch öffnen.

itestras KI-Readiness-Health-Check adressiert genau das. In ein bis zwei Wochen, zu Festpreis, produzieren wir:

• Ein strukturiertes Inventar der architektonischen Hürden, die Ihre KI-Initiativen am ehesten blockieren
• Eine priorisierte Liste von Renovierungsschritten: mit Aufwandschätzung und welche KI-Use-Cases freiwerden
• Eine realistische Modernisierungs-Roadmap, sequenziert nach Ihren Business-Prioritäten – nicht nach theoretischen Idealen

Das ist kein mehrjähriges Engagement. Das ist Discovery – schnelle Klarheit für Board-Gespräche, Budget-Zyklen, Vendor-Evaluationen. Etwas, das Sie mit Sicherheit mitnehmen können.

Die Organisationen, die bei KI führen werden, sind nicht die mit dem größten KI-Budget. Sie sind die, die früh erkannt haben: Das Fundament zählt genauso wie die Ambition. Und die danach gehandelt haben.

Das Fenster verengt sich. Der Health Check dauert zwei Wochen. Die Kosten des Wartens wachsen in Quartalen.