Am 12. Juni 2026 hat die US-Regierung Anthropic per Exportkontrolldirektive angewiesen, die Modelle Claude Fable 5 und Mythos 5 für alle Nutzer weltweit zu deaktivieren. Vier Tage nach dem offiziellen Launch. Unternehmen, die diese Modelle bereits in produktive Prozesse integriert hatten, standen von einer Stunde auf die andere vor einem leeren Endpunkt. Das KI-Modell-Risiko, das viele Unternehmen bislang für theoretisch hielten, ist damit erstmals real geworden. Gerrit Verse, Senior Specialist und KI-Experte bei Consileon, ordnet ein, was das bedeutet und was Unternehmen daraus lernen müssen.
Anthropic hat am 9. Juni 2026 Claude Fable 5 gelauncht, ein leistungsstarkes Modell der sogenannten Mythos-Klasse, das für komplexe, langfristige Aufgaben konzipiert war. Drei Tage später hat die US-Regierung, gestützt auf nationale Sicherheitsbehörden, eine Exportkontrolldirektive erlassen. Die Begründung: Ein Jailbreak-Verfahren soll es ermöglichen, bestimmte Sicherheitsmechanismen des Modells zu umgehen. Anthropic war daraufhin gezwungen, beide Modelle für alle Kunden weltweit abzuschalten. Nicht nur für ausländische Nutzer. Für alle. Eine selektive Sperrung nach Nationalität war technisch nicht kurzfristig umsetzbar.
Das Entscheidende daran: Das ist kein Ausfall. Kein Bug. Kein Infrastrukturproblem. Das ist ein regulatorisches Eingreifen in ein kommerziell verfügbares Produkt, über Nacht, ohne Vorankündigung, ohne Übergangsfrist.
Als Warnsignal. Wer KI-Modelle von US-Anbietern in kritische Geschäftsprozesse integriert, ohne eine Governance-Strategie dahinter zu haben, sitzt auf einem KI-Modell-Risiko, das er selbst nicht kontrollieren kann. Die meisten Unternehmen haben sich bislang Gedanken gemacht über Datenschutz, über DSGVO-Konformität, über Kosten. Das ist richtig und wichtig. Aber die Frage „Was passiert, wenn dieses Modell morgen nicht mehr verfügbar ist?“ haben die wenigsten wirklich durchdacht.
Der Fable-5-Vorfall ist in dieser Hinsicht ein Präzedenzfall. Zum ersten Mal wurde ein bereits allgemein verfügbares Frontier-Modell durch eine Regierungsmaßnahme abgeschaltet. Das wird nicht das letzte Mal sein.
Es gibt aber noch ein zweites, langfristigeres Risiko, das bislang kaum diskutiert wird: den strukturellen Wettbewerbsnachteil. Wenn europäische Unternehmen dauerhaft keinen oder nur eingeschränkten Zugang zu den leistungsstärksten KI-Modellen bekommen, während amerikanische Wettbewerber ungehindert damit arbeiten, entsteht eine Schere, die sich nicht mehr einfach schließen lässt. Wer mit deutlich besseren Modellen Software entwickelt, Prozesse optimiert oder Entscheidungen trifft, arbeitet schlicht schneller und mit besseren Ergebnissen. KI könnte damit zu einer geopolitisch geschützten Ressource werden, ähnlich wie Halbleiter oder Militärtechnologie. Das ist keine Dystopie, das ist eine reale strategische Weichenstellung, die gerade stattfindet.
Besonders exponiert sind Unternehmen, die Automatisierungsworkflows oder KI-Agenten produktiv betreiben, also nicht nur experimentell nutzen, sondern fest in Geschäftsprozesse eingebettet haben. Dokumentenanalyse, Vertragsprüfung, automatisierter Kundensupport, Code-Generierung im Entwicklungsprozess: Überall dort, wo Menschen und KI in einem definierten Ablauf zusammenarbeiten, entsteht eine operative Abhängigkeit.
Wenn der Endpunkt plötzlich wegfällt, bricht der Prozess zusammen. Retry-Logik im Code hilft nicht. Ein anderes Modell einzuwechseln ist kurzfristig möglich, aber selten nahtlos, weil Modelle unterschiedlich reagieren, unterschiedliche Kontextlängen haben und unterschiedliche Stärken mitbringen. Das erfordert Anpassung, Tests, im schlimmsten Fall eine komplette Neukalibrierung der Prompts und Workflows.
Es gibt europäische Alternativen und sie sind ernstzunehmen. Mistral AI aus Paris ist heute der prominenteste europäische Anbieter mit einem Frontier-fähigen Modell. Die Infrastruktur liegt in Europa, das Unternehmen unterliegt europäischem Recht, ein DSGVO-konformer Auftragsverarbeitungsvertrag ist verfügbar. Für viele Anwendungsfälle reicht die Leistung von Mistral Large inzwischen vollständig aus, insbesondere für deutschsprachige Dokumente, strukturierte Analysen oder regelbasierte Workflows.
Die ehrliche Antwort lautet aber: Wer heute ausschließlich auf europäische Modelle setzt, nimmt bei bestimmten Aufgaben Leistungseinbußen in Kauf. Bei hochkomplexen Reasoning-Aufgaben, bei multimodalen Anwendungen oder bei sehr langen Kontextfenstern sind US-Modelle wie GPT oder Claude aktuell noch führend. Das ist kein Argument gegen europäische Anbieter, aber ein Argument dafür, differenziert vorzugehen.
Eine vollständige Unabhängigkeit ist eine Illusion, das sollten wir nicht versprechen. Aber es gibt erhebliche Unterschiede zwischen einer ungeplanten Abhängigkeit und einer bewusst gestalteten. Wer heute eine KI-Strategie aufbaut, sollte drei Ebenen unterscheiden.
Die Leistungsfähigkeit lokaler Modelle hat sich in den letzten zwei Jahren fundamental verändert. Was früher nur auf teurer Serverinfrastruktur lief, läuft heute auf einem modernen Arbeitsrechner oder einem aktuellen MacBook. Tools wie Ollama machen den Einstieg technisch trivial: Modelle wie Llama 3.3, Mistral Small oder Phi-4 lassen sich in wenigen Minuten lokal installieren und über eine standardisierte API ansprechen, ganz ohne Cloudanbindung, ganz ohne dass ein einziges Zeichen der Anfrage das Unternehmensnetz verlässt.
Für Aufgaben wie Textzusammenfassungen, Dokumentenklassifizierung, einfache Datenextraktion oder interne Suchfunktionen reicht die Qualität dieser Modelle heute vollständig aus. Selbst auf Consumer-Hardware erreichen quantisierte 8-Milliarden-Parameter-Modelle Benchmark-Werte, die vor zwei Jahren noch GPT-4-Niveau entsprachen. Die Grenzen liegen bei sehr langen Dokumenten, komplexen Mehrschritt-Analysen und multimodalen Aufgaben.
Interessant ist, was Apple hier gerade auf Endgerätebene vorantreibt. Apple Intelligence läuft auf neueren iPhones und Macs direkt auf dem Gerät, ohne Serveranbindung, für einfache Aufgaben wie Textkorrekturen, Zusammenfassungen oder Kalendereinträge. Das ist kein Frontier-Modell, aber für genau diese Alltagsaufgaben ist es gut genug. Apple zeigt damit ein Prinzip, das für Unternehmen verallgemeinerbar ist: Routineaufgaben gehören auf die lokale Ebene. Nur was wirklich komplexer Reasoning-Kapazität bedarf, sollte nach außen gehen.
Mistral AI aus Paris ist heute der relevanteste europäische Anbieter mit Frontier-naher Leistung. Die Modelle sind über europäische Infrastruktur verfügbar, DSGVO-konforme Auftragsverarbeitungsverträge existieren, und die Leistung bei deutschsprachigen Texten, strukturierten Analysen und regelbasierten Workflows ist solide. Für viele Unternehmensanwendungen in regulierten Branchen ist das ausreichend.
Die ehrliche Einschränkung bleibt: Wer ein Frontier-Modell für komplexe juristische Analysen oder multimodale Aufgaben braucht, stößt mit Mistral heute noch an Grenzen. Das ist aber kein Argument gegen den Einsatz europäischer Modelle, sondern ein Argument für eine differenzierte Strategie.
Für hochkomplexe Reasoning-Aufgaben, für autonome Agenten, die über mehrere Schritte und Werkzeuge hinweg arbeiten, für die Analyse sehr langer Dokumente oder für multimodale Anwendungen sind US-Modelle wie Claude oder GPT aktuell noch führend. Das wird sich verschieben, aber es ist die ehrliche Bestandsaufnahme für heute.
DeepSeek aus China ist eine Open-Source-Alternative, die bei bestimmten Aufgaben, insbesondere bei Code und strukturierten Analysen, überraschend stark abschneidet und sich lokal betreiben lässt. Wer DeepSeek nutzt, sollte allerdings die datenschutzrechtliche Situation sorgfältig prüfen. Der Fable-5-Vorfall hat gezeigt, dass geopolitische Risiken nicht nur bei US-Anbietern existieren.
Die Kunst liegt darin, diese drei Ebenen bewusst zu kombinieren, statt blind auf eine einzige Plattform zu setzen. Und die Grundregel dabei lautet: So lokal wie möglich, so extern wie nötig.
Kurzfristig sind die Kosten für Inferenz, also das tatsächliche Abfragen von Modellen, gesunken. Frontier-Modelle wie Sonnet oder Opus 4.8 kosten heute einen Bruchteil dessen, was vergleichbare Leistung vor zwei Jahren gekostet hätte. Dieser Trend wird sich fortsetzen, weil der Wettbewerb zwischen Anbietern intensiv ist und weil Modelle effizienter werden.
Was aber steigen wird: der Gesamtaufwand für KI-Governance. Unternehmen, die KI ernsthaft und sicher einsetzen wollen, müssen in Kompetenz investieren, in die Fähigkeit, Modelle zu evaluieren, Risiken zu beurteilen, Fallback-Szenarien zu definieren und Compliance sicherzustellen. Das ist kein einmaliges Projekt, sondern eine dauerhafte Aufgabe. Wer das unterschätzt, wird feststellen, dass die scheinbar günstigen Modellkosten nur ein Teil der Rechnung sind.
Hinzu kommt: Geopolitische Risiken wie der Fable-5-Vorfall zeigen, dass Modellverfügbarkeit kein selbstverständliches Gut ist. Unternehmen, die das in ihre Planung einbeziehen, mit Redundanz, mit Alternativen und mit Abstraktionsschichten zwischen Anwendung und Modell, werden langfristig resilienter und damit auch wirtschaftlich im Vorteil sein.
Drei Dinge, die sofort umsetzbar sind:
Der Fable-5-Vorfall ist ein unangenehmer, aber lehrreicher Moment. Er zeigt, dass das KI-Modell-Risiko kein abstraktes Zukunftsszenario ist, sondern heute in der Produktionsumgebung ankommen kann. Wer KI-Strategie und IT-Governance jetzt zusammendenkt, hat einen echten Vorsprung.
Frank Westendorf ist seit über 30 Jahren in der SAP-Welt zuhause, zunächst als Entwickler und Teamleiter beim Hersteller selbst, später als Berater und seit 2019 als Geschäftsführer der Consileon Applied Business GmbH. Im Interview spricht er offen über die häufigsten Fehler bei SAP S/4HANA-Migrationsprojekten, warum Transformationen trotz jahrelanger Ankündigung immer noch scheitern und was Unternehmen tun können, um es besser zu machen.
Das Gefühl kann ich gut verstehen, und ich höre es regelmäßig. SAP hat die Deadlines tatsächlich mehrfach nach hinten geschoben: erst 2025, dann 2027, inzwischen gibt es mit der Extended Maintenance eine Option bis 2030. Das hat viele Unternehmen in eine gefährliche Komfortzone gewiegt.
Aber die Situation hat sich fundamental verändert. Der Mainstream-Support für SAP ECC endet Ende 2027. Das ist ein harter Schnitt. Danach gibt es keine Sicherheits-Updates mehr, keine neuen gesetzlichen Anforderungen werden eingespielt, keine regulatorischen Anpassungen. Wer bis 2030 weitermachen will, zahlt für die Extended Maintenance extra und läuft trotzdem auf einer Plattform ohne Weiterentwicklung.
Hinzu kommt ein praktisches Problem, das viele unterschätzen: SAP S/4HANA Migrationsprojekte dauern in der Realität deutlich länger als geplant. Die Horváth-Studie aus dem ersten Quartal 2025, für die 200 SAP-Anwenderunternehmen befragt wurden, zeigt: Im Durchschnitt dauern Projekte 30 Prozent länger als geplant. Nur 8 Prozent der Unternehmen, die die Migration abgeschlossen haben, lagen im Zeitplan. Wer 2026 noch nicht ernsthaft mit der Planung begonnen hat, hat ein reales Fristproblem.
Beides ist wahr, aber ich würde die Reihenfolge umdrehen. Das Support-Ende erzeugt natürlich Druck. Aber wer die SAP S/4HANA Migration nur als Compliance-Übung betrachtet, weil SAP es verlangt, macht einen grundlegenden Fehler. Er wird viel Geld ausgeben und wenig zurückbekommen.
S/4HANA ist eine fundamental andere Architektur. Das Universal Journal zum Beispiel: Statt vieler getrennter Nebenbücher gibt es eine einzige Datentabelle für alle Finanztransaktionen. Das klingt technisch, hat aber konkrete Auswirkungen. Periodenabschlüsse, die früher Tage gedauert haben, können in Stunden erledigt werden. Echtzeit-Auswertungen, die bisher einen separaten BI-Stack erforderten, laufen direkt im System.
Was mich in der Beratung wirklich begeistert: S/4HANA öffnet die Tür für KI-Anwendungen, die auf SAP ECC schlicht nicht möglich waren. Automatisierte Rechnungsprüfung, prädiktive Cashflow-Analysen, intelligente Abweichungserkennung in der Kreditorenbuchhaltung: Das sind keine Zukunftsvisionen, das setzen wir heute in Projekten um. Wer die SAP S/4HANA Migration nur als Pflichtübung abarbeitet und seine Prozesse eins zu eins kopiert, verspielt diese Chance.
Die ehrliche Antwort ist: Es kommt darauf an, wie man die SAP S/4HANA Migration angeht. Wer einen reinen Lift-and-Shift macht, also das alte System technisch umzieht, ohne Prozesse anzufassen, wird keinen überzeugenden ROI nachweisen können. Die Kosten sind real, der Nutzen bleibt gering.
Wer die Migration aber als Transformationsprojekt begreift, sieht ein anderes Bild. Konkret: Viele unserer Kunden im FiBu-Umfeld haben nach der SAP S/4HANA Migration ihren Periodenabschluss um 40 bis 60 Prozent beschleunigt. Manuelle Abstimmungsaufwände in der Hauptbuchhaltung sinken erheblich, weil das Universal Journal viele der alten Übertragungs- und Abstimmungsschritte überflüssig macht. Die Integration von KI in Folgeprozesse, etwa in der Rechnungsverarbeitung, bringt weitere Effizienzgewinne.
Für den CFO ist noch ein anderer Aspekt relevant: Ein ECC-System, das nicht mehr gewartet wird, ist ein operatives Risiko. Fehlende Sicherheitsupdates, keine Unterstützung bei gesetzlichen Änderungen: Das kann teuer werden. Die Alternative „nichts tun“ hat also auch einen Preis, der in der ROI-Berechnung oft vergessen wird.
Das ist wahrscheinlich die Frage, mit der ich am häufigsten konfrontiert bin, und bei der ich am direktesten antworten kann, weil ich die Muster über viele Projekte hinweg kenne.
Der größte Fehler: Die SAP S/4HANA Migration wird als IT-Projekt behandelt. Der CIO ist verantwortlich, die Fachabteilungen sind Zulieferer. Das scheitert regelmäßig. S/4HANA-Migrationen sind Transformationsprojekte. Sie verändern, wie Finanzbuchhaltung, Controlling, Einkauf und Logistik arbeiten. Wenn der CFO nicht aktiv mitgestaltet und die Fachabteilungen nicht von Beginn an eingebunden sind, entstehen Lösungen, die technisch funktionieren, aber operativ nicht funktionieren.
Der zweite klassische Fehler: unterschätzte Datenkomplexität. Viele Unternehmen haben über 15 oder 20 Jahre ihr SAP-System individuell angepasst: eigene Transaktionen, eigene Reports, gewachsene Schnittstellen. Diese technische Schuld verschwindet nicht durch eine Migration. Sie muss bewusst aufgelöst oder bewusst übernommen werden. Wer das nicht vorher analysiert, erlebt böse Überraschungen in der Testphase.
Und dann ist da die Governance. ISG hat in einer Studie festgestellt, dass viele Projekte an unklaren Entscheidungsrechten scheitern: zu viele Beteiligte, zu wenig klare Verantwortung, Entscheidungen werden verschleppt. Das ist kein technisches Problem, das ist ein Führungsproblem.
Ich fange mit dem Offensichtlichsten an: Ich bin seit 1994 in der SAP-Welt, davon 12 Jahre beim Hersteller selbst, zunächst als Entwickler, dann als Teamleiter. Das bedeutet, ich verstehe SAP nicht nur als Berater von außen, sondern kenne die Architektur, die Designentscheidungen und die Schwachstellen von innen. Das ist ein echter Unterschied in der Projektkommunikation, mit SAP und auch mit dem Kunden.
Was uns darüber hinaus unterscheidet: Wir kommen bei vielen Kunden über den laufenden Betrieb. Wir übernehmen erst die Wartung und Administration des bestehenden Systems, lernen es wirklich kennen: die individuellen Anpassungen, die gewachsenen Prozesse, die neuralgischen Punkte. Wenn wir dann in eine SAP S/4HANA Migrationsdiskussion einsteigen, reden wir nicht über ein System, das wir aus Dokumenten kennen, sondern eines, das wir von innen kennen. Das reduziert Überraschungen erheblich.
Und wir machen Prozessmodellierung vor der Migration zur Pflicht, nicht zur Option. Bevor wir ein einziges Byte migrieren, verstehen wir gemeinsam mit dem Kunden, wie seine FiBu- und Controlling-Prozesse heute laufen und wie sie nach der SAP S/4HANA Migration laufen sollen. Das kostet am Anfang Zeit, spart sie aber vielfach später.
Drei Dinge, die ich immer wieder erlebe.
Erstens der Umfang des Customizings. Deutsche Unternehmen haben historisch stark in individuelle SAP-Anpassungen investiert: steuerrechtliche Besonderheiten, branchenspezifische Anforderungen, interne Prozesslogiken. Im Krankenhaus kommt beispielsweise die KHBV hinzu, die eigene Buchführungsanforderungen mitbringt, die sich von handelsrechtlichen Regelungen teils erheblich unterscheiden. All das muss analysiert, bewertet und in der SAP S/4HANA Migration berücksichtigt werden.
Zweitens: Datenmigration und Datenqualität. Das wird systematisch unterschätzt. Ein Migrationstool, das die Datenbank technisch überführt, gibt es. Aber saubere, konsistente, vollständige Stammdaten sind Vorarbeit, die Monate dauern kann und intensive Zusammenarbeit zwischen IT und Fachbereich erfordert.
Drittens: Change Management. Menschen müssen mit einem neuen System arbeiten, anders als bisher. Wenn die Anwenderseite nicht mitgenommen wird, passiert Folgendes: Das System ist technisch live, aber die Mitarbeiter arbeiten mit Workarounds, pflegen Excel-Listen parallel und rufen im Helpdesk an. Das ist teuer und frustrierend. Wir investieren deshalb bewusst in Schulung und Begleitung der Anwender, nicht als Pflichtprogramm am Ende, sondern als Teil des Projekts von Beginn an.
Die entscheidende Erkenntnis zuerst: Eine SAP S/4HANA Migration kann nicht allein von der IT geführt werden. Es braucht zwingend Führung aus den Fachbereichen und Rückendeckung von ganz oben.
Auf Kundenseite brauche ich einen Projektleiter, der Mandat hat und Entscheidungen treffen kann, ohne sechs Eskalationsstufen durchlaufen zu müssen. Ich brauche Key User aus FiBu und Controlling, die den Ist-Prozess wirklich kennen und die Soll-Prozesse mitgestalten. Und ich brauche IT-Kompetenz, die versteht, welche Systemlandschaft vorhanden ist und wohin wir wollen.
Auf unserer Seite stellen wir gemischte Teams auf: Fachberater mit tiefer FICO-Kenntnis, technische Berater für Systemkonversion und Datenmigration sowie einen Projektmanager, der die Steuerung übernimmt. Was wir nicht machen: ein riesiges Team aufstellen, das Kapazität signalisiert, aber in dem keiner das Projekt wirklich durch und durch kennt. Wir arbeiten mit überschaubaren, verantwortlichen Teams.
Und ein Punkt, der oft unterschätzt wird: Der Übergang von der Testphase zum Go-live. Genau in dieser Phase muss das Gesamtteam aus Kunde und Berater wirklich funktionieren. Das ist kein Moment für Zuständigkeitsdebatten.
Ich gebe Ihnen eine ehrliche Antwort, keine Marketing-Antwort.
Für ein mittelständisches Unternehmen mit einer überschaubaren SAP-Landschaft, wenig individuellem Customizing und gut vorbereiteten Daten: 12 bis 18 Monate von der Prozessmodellierung bis zum Go-live. Das ist das untere Ende, und es setzt voraus, dass die Entscheidungen auf Kundenseite zügig getroffen werden.
Für Organisationen mit komplexeren Systemlandschaften, etwa Krankenhausverbünde, die mehrere Häuser zusammenführen, oder Industrieunternehmen mit vielen individuellen Anpassungen und Schnittstellen, können das 24 bis 36 Monate sein, manchmal mehr. SAP S/4HANA Migrationsprojekte in diesem Umfang laufen oft in Wellen: erst ein Kernprozess oder Standort, dann weitere.
Was die Horváth-Studie zeigt und was ich aus der Praxis bestätigen kann: Die meisten Projekte planen zu optimistisch. Der realistische Puffer liegt bei 20 bis 30 Prozent auf der Gesamtlaufzeit. Wer das nicht einrechnet, gerät unter Druck und trifft in der Endphase schlechte Entscheidungen.
Deshalb mein klarer Rat: Wer bis Ende 2027 fertig sein will, muss jetzt starten. Nicht in sechs Monaten, jetzt.
Das Risiko ist real. Ich wäre nicht ehrlich, wenn ich das kleinreden würde. Die Zahlen sprechen eine klare Sprache: Laut Horváth-Studie 2025 haben mehr als 60 Prozent der Unternehmen bei ihrer SAP S/4HANA Migration Budget, Zeitplan oder Qualitätsziele verfehlt. 65 Prozent stellen nach der Migration erhebliche Qualitätsmängel fest.
Aber diese Risiken sind nicht schicksalhaft. Sie entstehen aus bekannten, vermeidbaren Fehlern. Und wer das weiß, kann gegensteuern.
Was Risiko bei der SAP S/4HANA Migration wirklich reduziert: Erstens eine ehrliche Bestandsaufnahme vor Projektstart. Wie komplex ist die aktuelle Systemlandschaft wirklich? Wie sauber sind die Daten? Welche individuellen Anpassungen gibt es, und welche davon werden tatsächlich noch gebraucht? Zweitens klare Projektsteuerung mit echten Entscheidungskompetenzen, nicht Komitees, die Empfehlungen aussprechen, sondern Menschen, die entscheiden können. Drittens ausreichend Zeit für Test und Datenmigration: Das ist der am häufigsten unterschätzte Teil des gesamten Projekts.
Was wir bei Consileon explizit tun: Wir machen vor der eigentlichen SAP S/4HANA Migration eine Prozess- und Systemanalyse. Wir wissen, worauf wir uns einlassen, bevor wir starten. Und wir empfehlen lieber einen phasenweisen Ansatz, erst den Kernprozess, dann ausbauen, als den Big-Bang, der alles auf einmal umstellt. Das Risiko ist beherrschbarer, die Lernkurve steiler, und der erste Go-live-Erfolg motiviert das gesamte Team für das, was noch kommt.
Ich sage das ohne Überheblichkeit: Die großen Integratoren haben ihre Stärken. Wenn Sie ein Konzernprojekt mit 50 Standorten weltweit stemmen müssen, brauchen Sie entsprechende Kapazitäten.
Aber was ich in der Praxis immer wieder erlebe: Große Teams sind keine Garantie für gute Ergebnisse. Im Gegenteil: Je mehr Beteiligte, desto diffuser wird oft die Verantwortung. Die ISG-Studie hat das auf den Punkt gebracht: Viele SAP S/4HANA Migrationsprojekte scheitern nicht an fehlender Kompetenz, sondern an unklaren Entscheidungsrechten und fehlenden Verantwortlichkeiten zwischen zu vielen Beteiligten.
Was wir bieten: Tiefe statt Breite. Ein überschaubares, erfahrenes Team, das Ihr Projekt wirklich kennt, von der Prozessanalyse bis zum Go-live. Direkte Kommunikation, kurze Entscheidungswege. Und einen Berater, der Ihre SAP-Landschaft nicht nur aus der Projektdokumentation kennt, sondern im besten Fall schon aus dem laufenden Betrieb.
Dazu kommt: Wir sind SAP Silver Partner mit zertifizierter Kompetenz, aber wir sind kein verlängerter Arm von SAP. Wir sagen Ihnen auch, wo der SAP-Standard sinnvoll ist und wo individuelle Lösungen mehr bringen. Dieses unabhängige Urteil ist in einer SAP S/4HANA Migration, die viele Jahre Ihres Unternehmens prägen wird, viel wert.
Stellen Sie sich vor, Ihr Finanzteam könnte dem eigenen ERP-System eine Frage stellen wie einem erfahrenen Kollegen: „Zeig mir die Ausreißer im Cashflow der letzten 90 Tage und erkläre, woher die Abweichungen kommen.“ Und das System antwortet in natürlicher Sprache, sofort, mit den richtigen Zahlen aus dem laufenden Betrieb.
Das ist kein Zukunftsszenario. SAP hat im vierten Quartal 2025 rollenbasierte KI-Assistenten in SAP Joule eingeführt, darunter einen explizit für Finanzmanager. Controlling, Cashflow-Prognose, Verrechnungslaufergebnisse: SAP Joule im Finanzwesen ist keine Spielerei mehr, sondern produktive Software, die in S/4HANA-Umgebungen heute eingesetzt wird.
Für viele CFOs und CIOs ist das eine gute Nachricht. Und gleichzeitig eine unbequeme: Denn wer SAP Joule im Finanzwesen nutzen will, muss eine Voraussetzung erfüllen, die nicht jedes Unternehmen heute hat.
SAP Joule ist der generative KI-Assistent von SAP, direkt in die SAP-Produktlandschaft eingebettet. Im Finanzbereich bedeutet das: Joule greift auf Echtzeitdaten im System zu, versteht den betriebswirtschaftlichen Kontext und kann in natürlicher Sprache mit Controllern, Buchhaltern und Finanzmanagern interagieren.
Im vierten Quartal 2025 hat SAP konkrete Funktionen für das Finanzwesen ausgerollt. Business-Analysten und Controller erhalten einen direkten Überblick über Verrechnungslaufergebnisse per Joule-Funktion. Finanzmanager können Cashflow-Prognosen mit KI-Unterstützung erstellen, ohne separate BI-Tools aufzurufen. Seit dem ersten Quartal 2026 ist zudem der Joule Studio Agent Builder allgemein verfügbar, mit dem Unternehmen eigene Joule-Agenten für ihre spezifischen Finanzprozesse entwickeln können.
Das ist ein Qualitätssprung gegenüber dem, was bisher unter KI im SAP-Umfeld verstanden wurde. Keine isolierten Add-ons, keine externe KI-Plattform, die an SAP andockt. Joule ist in S/4HANA integriert, arbeitet mit den echten Unternehmensdaten und hält dabei Rollen und Berechtigungen ein.
Hier liegt das Problem, das in vielen CFO-Gesprächen noch zu wenig Raum findet: SAP Joule im Finanzwesen entfaltet seinen Nutzen nur dann, wenn die Datenbasis stimmt. Und die Datenbasis stimmt nur dann, wenn das Unternehmen auf S/4HANA migriert ist und seine Prozesse und Datenstrukturen dabei sauber aufgeräumt hat.
Wer noch auf SAP ECC läuft, hat keinen Zugang zu Joule. Die KI-Funktionen sind exklusiv für die S/4HANA-Plattform. Das klingt nach einem Detail, ist aber für die aktuelle Lage im Markt hochrelevant: Laut der Horváth-Studie aus dem ersten Quartal 2025 haben von 200 befragten SAP-Anwenderunternehmen erst 37 die Migration abgeschlossen. Die große Mehrheit läuft noch auf Altsystemen.
Hinzu kommt ein Qualitätsproblem, das unabhängig von der Migrationsplattform existiert: Viele Unternehmen haben über Jahre hinweg historisch gewachsene Datenstrukturen, inkonsistente Stammdaten und individuell angepasste Prozesse. Eine KI, die auf dieser Basis arbeitet, produziert unzuverlässige Ergebnisse. Garbage in, garbage out, nur schneller.
Das bedeutet: Wer SAP Joule im Finanzwesen wirklich nutzen will, muss zwei Dinge sicherstellen. Erstens die technische Migration auf S/4HANA. Zweitens die Prozess- und Datenqualität, die diese Migration idealerweise mitbringt, wenn sie als Transformationsprojekt und nicht als reiner technischer Umzug angegangen wird.
Die gute Nachricht: Beides ist planbar. Die schlechte Nachricht: Beides braucht Zeit, mehr als viele CFOs und CIOs heute einplanen.
SAP S/4HANA Migrationsprojekte dauern in der Praxis 12 bis 36 Monate, je nach Komplexität der Systemlandschaft. Der Mainstream-Support für SAP ECC endet Ende 2027. Wer also bis zur Deadline auf S/4HANA sein und gleichzeitig die Voraussetzungen für sinnvolle KI-Nutzung wie SAP Joule im Finanzwesen schaffen will, muss jetzt mit der ernsthaften Planung beginnen, nicht in sechs Monaten.
Drei Dinge sollten dabei von Anfang an mitgedacht werden. Erstens die Datenstrategie: Welche Stammdaten müssen bereinigt werden? Welche Strukturen entstehen im neuen System, die Joule später sinnvoll nutzen kann? Zweitens die Prozessmodellierung: Welche Finanzprozesse sollen nach der Migration KI-gestützt laufen? Diese Antwort beeinflusst, wie das S/4HANA-System konfiguriert wird. Drittens die Rollendefinition: Joule arbeitet rollenbasiert. Wer darf was sehen und steuern? Berechtigungskonzepte müssen von Beginn an mitgedacht werden.
Wer diese drei Punkte erst nach dem Go-live klärt, verschenkt einen erheblichen Teil des Potenzials, das die Migration eigentlich freisetzen sollte.
SAP Joule im Finanzwesen ist kein Versprechen mehr, das irgendwann eingelöst wird. Es ist ein verfügbares Werkzeug, das heute in produktiven S/4HANA-Umgebungen eingesetzt wird und konkrete Effizienzgewinne in Controlling und Rechnungswesen bringt.
Aber es ist kein Werkzeug, das man einfach einschaltet. Es setzt eine Plattform und eine Datenqualität voraus, die sich Unternehmen im Rahmen einer durchdachten S/4HANA-Migration erarbeiten müssen. Die Frage ist also nicht: Wollen wir KI im Finanzwesen? Die Frage ist: Schaffen wir jetzt die Grundlage dafür?
Wer diese Frage zu lange aufschiebt, wird 2027 nicht nur ohne modernen SAP-Support dastehen, sondern auch ohne die KI-Fähigkeiten, die Wettbewerber dann bereits produktiv nutzen.
Mehr zur S/4HANA-Migration und zu den Voraussetzungen für KI-gestützte Finanzprozesse lesen Sie auf unserer Seite zur SAP FICO Beratung. Wie eine durchdachte Migration konkret aussieht, erklärt Frank Westendorf im Interview zur S/4HANA-Migration.
Viele Unternehmen haben heute Zugriff auf leistungsfähige KI-Tools. Trotzdem bleibt der erhoffte Produktivitätsschub in der Softwareentwicklung oft aus. Der Grund ist selten die Technologie. Es ist die fehlende Erfahrung im Einsatz. Was Unternehmen jetzt anders machen müssen und warum Experten on demand dabei eine zentrale Rolle spielen, erklären Gerrit Verse, Senior Software Engineer und KI-Experte, sowie Rüdiger Lang, Principal bei Consileon.
Gerrit Verse:
KI ist heute in der Lage, entlang des gesamten Software Development Lifecycles Mehrwert zu liefern. Im Requirements Engineering kann sie dabei helfen, Anforderungen zu strukturieren, User Stories zu formulieren oder Inkonsistenzen aufzudecken. In der Entwicklung unterstützt sie bei Code Generierung, Refactoring und der schnellen Umsetzung von Standardlogik.
Auch im Testing sehen wir große Potenziale, etwa bei der Generierung von Testfällen, Testdaten oder beim Erkennen von Edge Cases. Und nicht zuletzt spielt KI eine wichtige Rolle bei der Dokumentation und der Wissensaufbereitung.
Die Grenzen liegen aktuell primär bei komplexen Systemen, bei Architekturentscheidungen und überall dort, wo tiefes fachliches Verständnis erforderlich ist. Außerdem ist die Qualität stark abhängig vom Kontext, den man der KI gibt. Ohne saubere Inputs und klare Leitplanken entstehen schnell mittelmäßige oder sogar falsche Ergebnisse.
Rüdiger Lang:
Aus strategischer Sicht ist entscheidend: Die Technologie ist weit genug, um echten Business Impact zu liefern. Aber dieser Impact entsteht nicht automatisch. KI ist kein Selbstläufer, sondern muss aktiv gesteuert und in bestehende Prozesse integriert werden.
Rüdiger Lang:
Viele Unternehmen starten mit einem toolgetriebenen Ansatz. Sie stellen KI-Lösungen zur Verfügung, erwarten jedoch, dass sich der Mehrwert von selbst einstellt. Was fehlt, ist ein klares Zielbild dafür, wie KI konkret im Entwicklungsprozess genutzt werden soll.
Gerrit Verse:
Aus technischer Sicht sehen wir häufig eine Lücke zwischen Tool und Anwendung. Entwickler haben Zugriff auf leistungsfähige Systeme, aber keine Orientierung, wie sie diese sinnvoll im Alltag einsetzen. Es fehlt an Best Practices, an Erfahrungswerten und an konkreten Anwendungsbeispielen. Dadurch bleibt KI oft auf punktuelle Nutzung beschränkt, statt systematisch entlang des gesamten SDLC eingesetzt zu werden.
Gerrit Verse:
Die erste große Herausforderung ist die Integration in bestehende Entwicklungsprozesse. KI muss dort funktionieren, wo Entwickler ohnehin arbeiten, also in bestehenden IDEs, Repositories und Toolchains.
Die zweite Herausforderung ist Qualitätssicherung. KI-generierter Code muss überprüft, getestet und in bestehende Qualitätsprozesse integriert werden. Ohne klare Regeln entstehen schnell technische Schulden oder schwer nachvollziehbare Fehler.
Die dritte Herausforderung ist die Auswahl der richtigen Tools und Modelle. Es gibt eine Vielzahl an Lösungen am Markt, aber nicht jede ist für jeden Use Case geeignet.
Rüdiger Lang:
Ich würde ergänzen, dass viele Unternehmen an der Skalierung scheitern. Einzelne Teams erzielen gute Ergebnisse, aber es gelingt nicht, diese Ansätze unternehmensweit auszurollen. Genau an diesen Punkten sehen wir den größten Bedarf für erfahrene Unterstützung. Unternehmen brauchen Zugriff auf Expertise genau dann, wenn diese Herausforderungen konkret auftreten.
Gerrit Verse:
KI kann die Geschwindigkeit erheblich steigern, insbesondere bei repetitiven Aufgaben oder beim Prototyping. Entwickler kommen schneller zu ersten Ergebnissen und können Ideen schneller validieren. Gleichzeitig besteht die Gefahr, dass die Qualität leidet, wenn Ergebnisse ungeprüft übernommen werden. KI erzeugt oft plausiblen Code, der jedoch nicht immer korrekt oder optimal ist. Deshalb ist es entscheidend, den Umgang mit KI zu professionalisieren. Dazu gehören klare Review-Prozesse, Teststrategien und ein bewusster Umgang mit den Ergebnissen.
Rüdiger Lang:
Unternehmen müssen lernen, Geschwindigkeit und Qualität gleichzeitig zu steuern. Wer das beherrscht, kann Entwicklungszyklen deutlich verkürzen und schneller auf Marktanforderungen reagieren.
Gerrit Verse:
Ein zentrales Missverständnis ist, dass KI fertige Lösungen liefert. In der Praxis ist sie ein Werkzeug, das Erfahrung im Umgang erfordert. Ohne diese Erfahrung entstehen schnell ineffiziente oder fehleranfällige Lösungen. Ein weiteres Thema ist das blinde Vertrauen in KI-Ergebnisse. Viele unterschätzen, wie wichtig Validierung und Kontext sind.
Rüdiger Lang:
Aus Managementsicht sehen wir oft die Annahme, dass KI ein reines Technologiethema ist. In Wahrheit geht es um Arbeitsweisen, Rollen und Prozesse. Wer das nicht berücksichtigt, wird den Mehrwert nicht realisieren.
Rüdiger Lang:
Wir verbinden strategische Perspektive mit operativer Umsetzung. Wir entwickeln selbst Software und KI-Lösungen und kennen die Herausforderungen aus eigener Erfahrung.
Gerrit Verse:
Und wir arbeiten nicht isoliert, sondern direkt im Team. Unsere Experten unterstützen Entwickler im laufenden Projekt, an realen Fragestellungen und im konkreten Code Kontext. Dadurch entsteht kein theoretisches Wissen, sondern sofort anwendbare Erfahrung.
Rüdiger Lang:
Der größte Vorteil liegt in der Flexibilität: Unternehmen erhalten genau die Expertise, die sie benötigen – und zwar genau dann, wenn sie gebraucht wird. Das reduziert Einstiegshürden und beschleunigt die Umsetzung erheblich. Es müssen keine langfristigen Strukturen aufgebaut werden, bevor erste Ergebnisse entstehen.
Gerrit Verse:
Aus technischer Sicht ist entscheidend, dass wir direkt im Kontext arbeiten. Wir lösen konkrete Probleme im Projekt, arbeiten mit bestehenden Systemen und vermitteln Best Practices im laufenden Betrieb. Das ist deutlich effektiver als klassische Schulungen oder theoretische Konzepte.
Rüdiger Lang:
Wir sind davon überzeugt, dass jede Session einen klaren Mehrwert für unsere Kunden liefern muss – sonst lohnt sie sich nicht. Statt vorab fixierter Trainingsbudgets oder reiner T&M-Verrechnung bemessen wir unsere Vergütung anhand des Feedbacks unserer Kunden zur jeweiligen Session. Damit nehmen wir den klassischen Anbieterspagat aus dem Markt: Der Kunde zahlt nicht für Aufwand, sondern für Wirkung. Und wir setzen ein klares Signal: Wir lassen uns am Ergebnis messen.
Gerrit Verse:
Aus technischer Sicht ist das ein starkes Modell, weil es uns als Experten direkt in die Pflicht nimmt, in jeder Session relevant zu sein – ob im Pair Programming, bei der Architekturklärung oder im Code Review. Theoretische Konzepte oder Standardfolien passen in dieses Modell nicht. Praxisrelevanz schon.
Gerrit Verse:
Typischerweise startet es mit einer konkreten Fragestellung, zum Beispiel wie KI im Testing eingesetzt werden kann oder wie sich ein bestimmter Use Case umsetzen lässt. Dann arbeiten wir gemeinsam mit dem Team an genau diesem Thema, oft im Pair Programming oder in fokussierten Sessions. Dabei entstehen direkt nutzbare Ergebnisse.
Rüdiger Lang:
Parallel sorgen wir dafür, dass diese Ansätze strukturiert verankert werden. Ziel ist immer, dass das Unternehmen langfristig eigenständig mit KI arbeiten kann.
Rüdiger Lang:
Unsere Kunden kommen deutlich schneller von ersten Experimenten in die produktive Nutzung. Sie vermeiden typische Fehler und erzielen schneller messbare Ergebnisse.
Gerrit Verse:
Und sie bauen internes Know how auf. Das ist entscheidend, um KI nachhaltig erfolgreich einzusetzen.
Gerrit Verse:
Wir sehen eine zunehmende Integration von KI in bestehende Toolchains und mehr Systeme, die eigenständig Aufgaben übernehmen. Gleichzeitig steigt die Komplexität, was Architektur und Steuerung betrifft.
Rüdiger Lang:
Für Unternehmen bedeutet das: Der Bedarf an Erfahrung wird weiter steigen. Wer jetzt beginnt, Kompetenzen aufzubauen, wird langfristig profitieren.
Unternehmen, die KI erfolgreich einsetzen wollen, brauchen mehr als Technologie. Sie brauchen Zugang zu Erfahrung im richtigen Moment. Genau das leisten Experten on demand.
Greifen Sie flexibel auf erfahrene KI-Experten für Ihre Softwareentwicklung zu und bringen Sie gezielt neue Impulse in Ihre Projekte. Weil wir von der Wirksamkeit dieses Modells überzeugt sind, orientiert sich unsere Vergütung an Ihrem Feedback zu den Sessions – so tragen wir das kommerzielle Risiko, nicht Sie.
Stellen Sie sich vor, Sie stellen eine neue Marketingleiterin ein. Exzellente Referenzen, jahrelange Erfahrung in der Kampagnenproduktion, versiert in allen gängigen Tools. Drei Monate später stellen Sie fest: Sie koordiniert vor allem. Texte entstehen in Sekunden per KI-Prompt. Grafiken, Landingpages, E-Mail-Strecken, alles läuft schneller als je zuvor. Und trotzdem fragen Sie sich: Was unterscheidet uns eigentlich noch vom Wettbewerb?
Das ist eine zentrale Herausforderung für CMOs und Marketingverantwortliche in den nächsten Jahren: Die Marketing-Skills der Zukunft liegen nicht in der Produktion, denn KI übernimmt Content, Grafiken, Broschüren, Websites und Anzeigen schneller und günstiger als je zuvor. Was KI nicht kann: entscheiden, wofür eine Marke steht, wen sie ansprechen will und warum ein Kunde genau dieses Angebot wählen soll und nicht das des Wettbewerbers. Diese strategische Klarheit lässt sich nicht automatisieren.
Die Frage ist nicht mehr, ob künstliche Intelligenz Marketing verändert. Die Frage ist, welche Menschen und welche Fähigkeiten Sie brauchen, wenn der alte Engpass Produktionskapazität wegfällt und ein neuer entsteht: Urteilsvermögen, Datenverständnis und Gestaltungswille.
Klassische Marketingabteilungen waren im Kern Produktionsbetriebe: Texter, Grafiker, Kampagnenmanager, Projektkoordinatoren, Agentursteuerer. Ein Großteil der Ressourcen (Menschen und Geld) floss in die Herstellung von Inhalten. Gut gemachte Kreation war knapp und teuer.
Diese Knappheit existiert nicht mehr. KI im Marketing produziert in Minuten, was früher Tage dauerte. Das ist keine Bedrohung, wenn Marketing-Teams die frei gewordene Kapazität für das einsetzen, was wirklich Wirkung erzeugt: die Fähigkeit zu definieren, was relevant ist, was gesagt werden soll, zu wem, in welchem Ton zu welchem Zeitpunkt.
In einer Welt, in der jedes Unternehmen dieselbe Marketingautomatisierung und dieselben KI-Werkzeuge nutzen kann, wird Differenzierung zur eigentlichen Arbeit. Markenidentität, Positionierung, Zielgruppenverständnis, Wettbewerbseinordnung sind der eigentliche Engpass moderner Marketingstrategie. Wer hier Klarheit hat, gewinnt. Wer sich auf KI-Output verlässt ohne diese Klarheit, produziert schnell viel Mittelmäßiges.
Welche Marketing-Skills brauchen Unternehmen in Zukunft wirklich? Die Antwort lässt sich auf drei Kompetenzfelder verdichten, die in modernen Marketing-Teams vertreten sein müssen, nicht als Jobtitel, sondern als Fähigkeiten.
1. Strategische Markenklarheit
Gefragt ist, wer präzise beantworten kann: Was wollen wir bei wem bewirken und warum sollten die das glauben bzw. so handeln, wie wir das möchten? Diese Fähigkeit klingt selbstverständlich, ist es aber nicht. In der Praxis verschwimmt sie hinter Kampagnenplanung, Budgetdiskussionen und Abstimmungsschleifen.
Gefragt sind Menschen mit tiefem Marken- und Wettbewerbsverständnis, das über Styleguides hinausgeht. Menschen, die die richtigen Fragen stellen und Urteile treffen können. Auch unbequeme: Ist dieser KI-generierte Text gut genug? Passt diese Kampagne zu dem, wofür wir stehen? Trifft diese Botschaft den richtigen Nerv? Und die KI-Werkzeuge nicht als Maschinen bedienen, sondern als Tool einsetzen, präzise Briefings formulieren, Ergebnisse einordnen, Richtung vorgeben.
2. Datenverständnis als Grundvoraussetzung
Daten sind im Marketing kein neues Thema. Neu ist, dass Datenkompetenz zur Grundvoraussetzung wird. Nicht nur für Data Analysten oder CRM-Spezialisten, sondern für jeden, der Marketingentscheidungen trifft oder verantwortet.
Gemeint ist nicht, dass Marketingkollegen programmieren oder statistisch modellieren müssen. Gemeint ist: Können sie eine Auswertung lesen und die richtigen Fragen stellen? Erkennen sie den Unterschied zwischen einer Korrelation und einem Kausalzusammenhang und wissen sie, wann das relevant ist? Verstehen sie, was Datenqualität bedeutet und warum schlechte Daten zu schlechten Entscheidungen führen, auch wenn das Dashboard gut aussieht?
Dieses Verständnis ist die Voraussetzung für alles andere. Ohne es kann niemand beurteilen, ob eine Kampagne wirklich gewirkt hat oder ob gerade ein Zufallseffekt gemessen wird. Algorithmen optimieren auf das, was gemessen wird. Aber was gemessen wird, muss ein Mensch ebenso entscheiden wie über die Interpretation der Ergebnisse.
3. Customer Journey als Gestaltungsaufgabe
Das dritte Kompetenzfeld ist weniger eine neue Disziplin als eine Grenzverschiebung. Marketing steuert heute mehr als Kampagnen. Es gestaltet Kundenerlebnisse in Echtzeit von der ersten Wahrnehmung über den Kaufprozess bis in die Nachbetreuung. Die Grenze zu Vertrieb und Service ist dabei längst durchlässig.
Das verlangt Menschen, die das große Bild verstehen: Wie erleben Kunden die gesamte Interaktion mit unserem Unternehmen? Wo entstehen Brüche? Welche Automatisierungen helfen und welche machen das Erlebnis kälter? Gefragt ist die Fähigkeit, CRM- und Marketing-Automation-Systeme nicht nur zu bedienen, sondern zu gestalten: Welche Trigger sollen welche Reaktionen auslösen? Wann braucht ein Kunde eine menschliche Ansprache, wann reicht eine automatisierte E-Mail? Wann ist Personalisierung ein Gewinn und wann wirkt sie aufdringlich?
Das erfordert Menschen, die die Sprache von Vertrieb und Service sprechen, technische Systeme verstehen, ohne selbst zu entwickeln und vor allem: die Kundenperspektive nicht aus den Augen verlieren, wenn sie in Systemkonfigurationen versinken.
Wenn Sie heute eine Marketingstelle besetzen oder Ihr Team weiterentwickeln, lohnt es sich, die klassischen Anforderungsprofile zu hinterfragen. Stellen Sie sich drei Fragen:
Diese Fähigkeiten lassen sich entwickeln. Unternehmen, die ihre Marketingteams weiterhin vor allem nach Produktionskompetenz aufbauen, werden feststellen, dass sie zwar schneller werden. Aber nicht besser.
Was macht modernes Marketing aus? Nicht die Geschwindigkeit der Produktion, die liefert immer mehr die KI. Sondern die Qualität der Entscheidungen dahinter: Was kommunizieren wir? An wen? Auf Basis welcher Daten? Und mit welchem Erlebnis entlang der gesamten Customer Journey?
KI verändert Marketing-Teams nicht, indem sie Menschen ersetzt. Sie verändert sie, indem sie andere Menschen wichtig macht. Wer heute in strategische Markenklarheit, in Datenkompetenz und in Journey-Verständnis investiert, baut ein Marketingteam, das mit KI besser wird – nicht eines, das von ihr ersetzt wird.
Die entscheidende Frage für CMOs und Geschäftsführer lautet nicht: Wie viele KI-Tools nutzen wir? Sondern: Haben wir die Menschen, die wissen, wozu?
CRM- und CX-Systeme allein lösen das Problem nicht. Auch wer hier bereits investiert hat, holt aus diesen Systemen nur dann wirklich Leistung heraus, wenn die Menschen dahinter strategisch denken, Daten verstehen und Customer Journeys gestalten können und nicht nur Systeme bedienen.
Viele Unternehmen treiben aktuell die Automatisierung ihres Kundenservices massiv voran. Neue Technologien machen es möglich, eingehende Anfragen über E-Mail, Chat oder Voice automatisiert zu verstehen, zu klassifizieren und zu beantworten. KI-Agenten sind dabei zentrale Enabler.
Die Erwartungen sind hoch: geringere Kosten, schnellere Reaktionszeiten und eine bessere Skalierbarkeit des Services.
In der Praxis zeigt sich jedoch ein differenzierteres Bild. Unternehmen, die ihren Service konsequent automatisieren, gewinnen zwar an Effizienz, verlieren aber oft an Qualität, Differenzierung und Kundenbindung.
Nachhaltig erfolgreicher Service entsteht daher selten durch maximale Automatisierung. Entscheidend ist vielmehr die gezielte Orchestrierung von automatisierten und menschlichen Interaktionen.
Serviceeffizienz beschreibt das Verhältnis zwischen eingesetzten Ressourcen und der Qualität sowie Geschwindigkeit der Kundeninteraktion.
Typische Ziele sind:
Viele Unternehmen fokussieren sich dabei vor allem auf die Kostenseite. Automatisierung scheint hier der naheliegende Hebel zu sein.
Doch Service ist mehr als eine Kostenstelle. Er ist gleichzeitig ein zentraler Kontaktpunkt zum Kunden und damit ein wichtiger Treiber für Zufriedenheit, Bindung und zusätzliche Wertschöpfung.
Die technologischen Möglichkeiten haben sich in den letzten Jahren deutlich weiterentwickelt:
Viele Unternehmen nutzen diese Möglichkeiten bereits intensiv, insbesondere im First-Level-Support.
Die Vorteile liegen auf der Hand.
| Perspektive | Vorteile |
| Unternehmen | geringere Servicekosten, hohe Skalierbarkeit, konsistente Qualität |
| Kunde | schnelle Antworten, 24/7-Verfügbarkeit, einfache Anliegen sofort gelöst |
| Service-Organisation | strukturierte Prozesse, bessere Datenbasis, höhere Transparenz |
| Mitarbeiter | Entlastung von Routineaufgaben, Fokus auf komplexe Fälle |
Automatisierung ist damit ein zentraler Hebel, um Service effizienter zu gestalten. Doch genau hier liegt auch die Gefahr.
In vielen Unternehmen wird Automatisierung zum Selbstzweck. Ziel ist es, möglichst viele Interaktionen ohne menschliches Eingreifen abzuwickeln.
Dabei entstehen mehrere strukturelle Nachteile.
1. Verlust von echten Kundenkontakten
Service ist häufig der wichtigste – manchmal sogar der einzige – direkte Kontaktpunkt zwischen Unternehmen und Kunde. Wenn dieser vollständig automatisiert wird, gehen persönliche Interaktionen verloren.
Damit verschwindet auch:
2. Sinkende Differenzierung
Automatisierter Service lässt sich leicht kopieren. Wenn alle Unternehmen ähnliche Bots und Prozesse einsetzen, wird Service austauschbar.
Der Wettbewerb verlagert sich dann schnell wieder auf den Preis.
3. Weniger Cross- und Upselling-Potenzial
In vielen Branchen entstehen zusätzliche Geschäftsabschlüsse im Servicekontext:
Diese Potenziale lassen sich rein automatisiert nur begrenzt nutzen.
4. Verlust von Kundenverständnis
Viele wertvolle Informationen entstehen im persönlichen Austausch. Automatisierte Systeme können Daten strukturieren – aber nicht immer interpretieren.
Das Risiko: Kundenbedürfnisse werden weniger tief verstanden.
5. „Silent Churn“
Unzufriedene Kunden äußern sich in digitalen Kanälen oft weniger. Sie brechen Interaktionen ab – oder wechseln direkt den Anbieter.
Das macht Probleme im Service schwerer sichtbar.
In der Praxis lassen sich – ähnlich wie im Vertrieb – zwei grundlegende Ansätze beobachten.
| Atomatisierter Service (Automation-first) | Menschzentrierter Service (Human-first) |
| Standardanfragen werden automatisiert bearbeitet | persönliche Interaktion steht im Vordergrund |
| Prozesse sind stark strukturiert und datengetrieben | individuelle Problemlösung |
| hohe Geschwindigkeit und Skalierbarkeit | Aufbau von Vertrauen und Beziehung |
| geringe Kosten pro Interaktion | hohe Qualität bei komplexen Anliegen |
| Dieser Ansatz funktioniert besonders gut bei klar standardisierbaren Anliegen. | Dieser Ansatz ist insbesondere bei beratungsintensiven oder sensiblen Themen entscheidend. |
Viele Unternehmen bewegen sich zu stark in eines der beiden Extreme.
Wenn Service zu stark automatisiert ist…
Wenn Service zu stark menschlich geprägt ist…
Die größte Wirkung entsteht dort, wo Automatisierung und menschlicher Service gezielt kombiniert werden.
Fünf Ansätze sind dabei besonders relevant.
1. Automatisierungspotenziale systematisch identifizieren
Nicht jede Interaktion eignet sich für Automatisierung. Unternehmen sollten klar unterscheiden zwischen:
Nur im ersten Fall entfaltet Automatisierung ihren vollen Nutzen.
2. Wert von Kunden und Situationen berücksichtigen
Nicht jede Interaktion ist gleich wichtig.
Beispiele:
In solchen Situationen ist menschlicher Service oft entscheidend, unabhängig vom Automatisierungspotenzial.
3. Service als Werttreiber verstehen
Service sollte nicht nur als Kostenfaktor betrachtet werden.
Gezielt eingesetzte menschliche Interaktion kann:
Gerade an wichtigen Touchpoints entsteht oft mehr Wert als im klassischen Vertrieb.
4. Klare Routing- und Orchestrierungslogiken etablieren
Die zentrale Frage ist nicht: „Was können wir automatisieren?“
Sondern: „Was sollten wir automatisieren – und was bewusst nicht?“
Dafür braucht es klare Entscheidungsregeln, z. B.:
5. CRM- und CX-Systeme als Steuerungszentrale nutzen
CRM-Systeme spielen eine entscheidende Rolle bei der Serviceautomatisierung, allerdings nicht nur als Dokumentationswerkzeug.
Sie ermöglichen:
Damit werden sie zur zentralen Instanz, um automatisierte und menschliche Interaktionen sinnvoll zu orchestrieren.
Unternehmen können ihren Service mit drei einfachen Fragen hinterfragen:
Wenn mehrere dieser Fragen nicht klar beantwortet werden können, besteht meist ein erhebliches Optimierungspotenzial.
Die technologischen Möglichkeiten im Service werden weiter zunehmen. Automatisierung und KI werden in vielen Bereichen zum Standard.
Der entscheidende Unterschied liegt jedoch nicht in der Technologie.
Er liegt in der Frage, wie Unternehmen sie einsetzen.
Organisationen, die Service erfolgreich gestalten,
Damit wird Service nicht nur effizienter, sondern auch wirksamer – für Kunden und für das Unternehmen.
Mehr zu Vertrieb, Service, Marketing
Die Anforderungen an Customer Experience steigen und mit ihnen die Komplexität der zugrunde liegenden Systemlandschaften. Unternehmen stehen heute vor der Herausforderung, Kundeninteraktionen über zahlreiche Kanäle hinweg konsistent, effizient und zunehmend automatisiert zu steuern. CRM, Marketing, Service, Contact Center und Künstliche Intelligenz sind dabei oft getrennte Welten. Mit der Integration von Sikom in die BSI Customer Suite entsteht nun ein Ansatz, der genau diese Fragmentierung adressiert – und das Potenzial hat, die Customer Experience neu zu definieren.
Customer Experience wird seit Jahren strategisch entlang von Customer Journeys, Touchpoints und personalisierten Angeboten gedacht. Doch in der operativen Umsetzung, insbesondere im Contact Center, entstehen häufig Brüche.
Hier entscheidet sich, ob:
Die Kombination aus der BSI Customer Suite und der Sikom Contact-Center-Plattform setzt genau an diesem Punkt an.
Sie verbindet:
Damit wird Customer Experience nicht nur geplant, sondern auch durchgängig gesteuert und umgesetzt.
Ein zentraler Aspekt dieser Integration ist die Rolle von Künstlicher Intelligenz (KI). Während KI in vielen Organisationen noch punktuell eingesetzt wird, zeigt sich hier ein anderer Ansatz: AI wird direkt in die operative Kundeninteraktion eingebettet.
Das eröffnet neue Möglichkeiten:
In dieser Kombination entsteht ein System, das nicht nur reagiert, sondern aktiv lernt und sich kontinuierlich optimiert.
Für bestehende Kunden der BSI Customer Suite bedeutet dieser Schritt vor allem eines: mehr Integration bei gleichzeitig höherer Leistungsfähigkeit.
Bisher mussten insbesondere für den Voice-Kanal und komplexe Contact-Center-Szenarien zusätzliche Lösungen integriert werden. Das führte häufig zu:
Mit Sikom als Bestandteil des Ökosystems entsteht nun die Möglichkeit,
alle Kundeninteraktionen – synchron wie asynchron – auf einer Plattform zu orchestrieren.
Das reduziert nicht nur die Systemkomplexität, sondern schafft auch die Grundlage für den konsequenten Einsatz von KI im Service.
Auch für Unternehmen, die aktuell eine CRM- und CX-Lösung evaluieren, verändert sich die Perspektive deutlich.
Die klassische Best-of-Breed-Architektur, bestehend aus separaten Systemen für CRM, Marketing, Contact Center und AI, stößt zunehmend an ihre Grenzen. Integrationsaufwand, Daten-Silos und eingeschränkte Innovationsgeschwindigkeit sind häufig die Folge.
Die Kombination aus BSI und Sikom bietet hier eine Alternative: eine integrierte Plattform für CRM, Customer Experience, Contact Center und KI.
Das ermöglicht:
Gerade für große Organisationen mit komplexen Anforderungen wird dieser Ansatz zunehmend zum entscheidenden Erfolgsfaktor.
Mit der Integration von Sikom entsteht nicht nur ein erweitertes Produktportfolio, sondern ein deutlich größeres Innovationspotenzial. Unternehmen können:
Die Integration von Sikom in die BSI Software ist ein konsequenter Schritt in Richtung einer vollständig integrierten Customer-Interaction-Plattform.
Sie verbindet:
zu einem ganzheitlichen Ansatz, der Customer Experience nicht nur verspricht, sondern tatsächlich realisiert.
Für bestehende Kunden bedeutet das mehr Effizienz und Innovationskraft. Für neue Kunden entsteht eine überzeugende Alternative im CX- und CRM-Markt. Und für den Markt insgesamt setzt dieser Schritt ein klares Signal: Die Zukunft der Customer Experience liegt in der intelligenten Verbindung von Daten, Prozessen, Interaktion und Künstlicher Intelligenz.
Die regulatorische Verdichtung im Finanz- und Versicherungssektor nimmt seit Jahren spürbar zu. Neue Vorgaben wie DORA, NIS2 oder der EU AI-Act verschärfen die Anforderungen an Governance, IT, Risiko- und Kontrollsysteme kontinuierlich. Gleichzeitig steigt der Aufwand, bestehende Regelwerke fortlaufend zu interpretieren, umzusetzen und revisionssicher zu dokumentieren – bei zunehmend knappen personellen Ressourcen.
RegTech wird dabei häufig als zusätzliche Belastung wahrgenommen: mehr Monitoring, mehr Reporting, mehr Prüfzyklen. In vielen Organisationen sind Compliance-Prozesse noch stark manuell geprägt. Das erhöht die Kosten, verlängert die Durchlaufzeiten und erschwert es, mit regulatorischen Änderungen in der erforderlichen Geschwindigkeit Schritt zu halten.
Diese Entwicklung hat weitreichende Folgen: Organisation, Governance und Kostenstrukturen geraten unter Druck. Klassische, überwiegend manuelle Compliance-Ansätze stoßen angesichts wachsender Dokumentationspflichten, steigender Audit-Anforderungen und des Fachkräftemangels zunehmend an ihre Grenzen.
Gleichzeitig eröffnen sich durch den Einsatz von Künstlicher Intelligenz neue Möglichkeiten. KI-gestützte Verfahren können regulatorische Änderungen automatisiert erkennen, Anforderungen strukturiert ableiten und den Soll-Ist-Abgleich mit internen Dokumenten deutlich beschleunigen. So wird Compliance nicht nur effizienter und transparenter, sondern sie kann sich von der reinen Kontrollfunktion hin zu einem dynamischen Anpassungs- und Steuerungsinstrument weiterentwickeln.
Unser Whitepaper „RegTech 2026 – Wie KI-Assistenz Compliance verändert und Chancen für Innovation schafft“ zeigt,
Im Fokus stehen dabei nicht abstrakte Regulierungsdetails, sondern konkrete Ansatzpunkte für Compliance-Verantwortliche, Fachbereiche, Interne Revision und Management in Banken – inklusive einer praxisnahen Einordnung, wie der Consileon Consileon Manager Unternehmen End-to-End unterstützen kann.
Am 5. Mai 2026 trifft sich die Finanzbranche in Bonn zum VÖB KI-Camp 2026. Nach der erfolgreichen Erstauflage im Vorjahr verbindet das Format erneut klassische Konferenzbestandteile mit dem offenen Austausch eines Barcamps. Genau diese Kombination macht die Veranstaltung besonders wertvoll: Fachliche Impulse von Experten treffen auf interaktive Sessions, die von den Teilnehmern selbst gewählt und gestaltet werden.
Unter dem Motto „KI trifft Expertise – innovative Lösungen für die Finanzwelt von morgen“ steht 2026 die Verbindung von technologischer Innovation und menschlichem Know-how im Mittelpunkt. Gerade für Finanzinstitute wird immer deutlicher, dass KI nicht isoliert als Technologiethema betrachtet werden darf. Entscheidend ist, wie sie in bestehende Prozesse, regulatorische Anforderungen und fachliche Entscheidungsstrukturen eingebettet wird. Genau an dieser Schnittstelle zwischen Innovation, Governance und operativer Umsetzbarkeit setzt der Austausch auf dem KI-Camp an.
Consileon ist auch dieses Jahr wieder mit dabei: Dr. Thilo Gaul, Dr. Jörg Schlösser und Sebastian Wagmann stehen für den fachlichen Austausch rund um KI, Regulatorik und konkrete Anwendungsfälle in der Finanzbranche zur Verfügung:
Für viele Banken ist die Einhaltung der Mindestanforderungen an das Risikomanagement (MaRisk) mit erheblichem Aufwand verbunden. Die Pflege der schriftlich fixierten Ordnung, die Prüfung umfangreicher Dokumentationen und die Anpassung an neue regulatorische Anforderungen erfolgen in vielen Häusern noch immer manuell. Das bindet Ressourcen, erschwert die Nachweisführung und erhöht den Abstimmungsaufwand zwischen Fachbereichen, Compliance und Revision.
Genau hier setzt der Consileon Compliance Manager an. Die Lösung unterstützt Finanzinstitute dabei, MaRisk-relevante Dokumente KI-gestützt zu analysieren, Abweichungen transparent zu machen und Lücken systematisch zu identifizieren. So entsteht eine belastbare Grundlage für interne Prüfungen, externe Audits und die laufende Weiterentwicklung regulatorischer Dokumentationen.
In der Praxis bedeutet das: Richtlinien, Risikohandbücher und weitere relevante Unterlagen können automatisiert auf Konsistenz und MaRisk-Konformität geprüft werden. Die KI identifiziert fehlende Regelungen, Inkonsistenzen und kritische Passagen und liefert zugleich nachvollziehbare Hinweise zur Verbesserung. Die fachliche Validierung bleibt dabei bewusst beim Menschen. Auf diese Weise verbindet der Ansatz technologische Effizienz mit regulatorischer Sorgfalt und schafft eine revisionssichere, nachvollziehbare Prüfungsgrundlage.
Ein leistungsfähiger KI-Einsatz im regulatorischen Umfeld erfordert mehr als nur ein Sprachmodell. Entscheidend sind die Qualitätssicherung der Ergebnisse und die Einbettung in belastbare Prozesse. Der Consileon Compliance Manager basiert auf leistungsfähigen Large Language Models und ergänzt diese um ein Qualitätssicherungs-Framework, das die Stabilität und Kontexttreue der Ausgaben zusätzlich absichert.
Damit entsteht ein Ansatz, der nicht nur technische Automatisierung ermöglicht, sondern auch den Anforderungen an Governance, Transparenz und Verlässlichkeit gerecht wird. Gerade mit Blick auf die steigende regulatorische Relevanz von KI und die Anforderungen des EU AI-Acts wird deutlich, wie wichtig diese Kombination aus KI, Qualitätssicherung und fachlicher Kontrolle ist.
Ein konkretes Beispiel aus dem Projektkontext zeigt den Mehrwert: Wenn Institute nach regulatorischen Änderungen eine Vielzahl bestehender Richtlinien prüfen und anpassen müssen, verkürzt die KI-gestützte Voranalyse den manuellen Sichtungsaufwand erheblich. Gleichzeitig lassen sich Prüfergebnisse strukturierter dokumentieren, was die Zusammenarbeit mit Revision, Wirtschaftsprüfung und Aufsicht spürbar erleichtert.
Besuchen Sie Consileon beim VÖB KI-Camp 2026 in Bonn und tauschen Sie sich mit unseren Experten über aktuelle KI-Trends, regulatorische Herausforderungen und konkrete Anwendungsfälle rund um die MaRisk-Compliance aus:
Mit dem Consileon Compliance Manager zeigen wir vor Ort in einer Live-Demo anhand des Beispiels MaRisk, wie sich KI sinnvoll in bestehende Compliance- und Prüfprozesse integrieren lässt. Unser Ansatz verbindet regulatorisches Fachwissen, technologische Kompetenz und Erfahrung aus Umsetzungsprojekten in der Finanzbranche. So entstehen Lösungen, die nicht nur innovativ wirken, sondern auch im Tagesgeschäft tragfähig sind.
Außerdem gehen unsere Experten mit der Session „Effiziente Compliance mit KI: Wie KI Compliance-Prozesse wirklich automatisiert – am Beispiel MaRisk“ ins Rennen. Wir sind gespannt darauf, welche Sessions die Teilnehmer gemeinsam auf die Agenda setzen und freuen uns auf neue Impulse!
Regulatorische Anforderungen werden zunehmend komplexer und stellen Unternehmen vor große operative Herausforderungen. Mit dem Consileon Compliance Manager hat Consileon eine Lösung entwickelt, die weit über klassisches Monitoring hinausgeht und den gesamten Compliance-Prozess unterstützt. Doch wie ist das Produkt entstanden, und was steckt heute konkret dahinter? Darüber sprechen wir mit Dr. Jörg Schlösser, Geschäftsbereichsleiter Software Solutions, und Sebastian Wagmann, Product Owner Consileon Compliance Manager, die die Entwicklung maßgeblich geprägt haben. Im Interview geben sie Einblicke in die Vision, die Funktionen und den Mehrwert der Lösung für Unternehmen.
Dr. Jörg Schlösser:
Der ursprüngliche Name „Regulatorik Radar“ stammt aus einer frühen Phase der Produktentwicklung. Damals lag der Fokus stark auf der Beobachtung und Analyse regulatorischer Entwicklungen, also tatsächlich auf einem „Radar“. Inzwischen hat sich das Produkt jedoch deutlich weiterentwickelt.
Sebastian Wagmann:
Heute sprechen wir von einer umfassenden Plattform, die weit über das reine Monitoring hinausgeht. Wir decken den gesamten Compliance-Prozess ab: von der Identifikation relevanter Regulatorik über die Ableitung individueller Anforderungen bis hin zur automatisierten Prüfung und zum Reporting. Der neue Name Consileon Compliance Manager trägt diesem erweiterten Anspruch Rechnung.
Sebastian Wagmann:
Im Kern ist es eine modulare, KI-gestützte Lösung zur Bewältigung regulatorischer Anforderungen. Unternehmen stehen heute vor der Herausforderung, eine Vielzahl an Vorschriften effizient umzusetzen und gleichzeitig revisionssicher zu dokumentieren. Genau hier setzen wir an.
Dr. Jörg Schlösser:
Der Compliance Manager übernimmt dabei einen Großteil der operativen Arbeit: Er analysiert regulatorische Texte, übersetzt diese in konkrete Anforderungen für das Unternehmen und prüft automatisiert, ob bestehende Dokumente, Verträge und Prozesse diesen Anforderungen entsprechen. Das reduziert den manuellen Aufwand erheblich.
Dr. Jörg Schlösser:
Das ist eine bewusste Entscheidung. KI ist für uns kein Selbstzweck, sondern ein Werkzeug, das wir sehr gezielt als einen Baustein innerhalb eines umfassenderen Prozesses einsetzen. Der eigentliche Mehrwert entsteht nicht durch die Technologie allein, sondern dadurch, dass wir die richtigen Rahmenbedingungen schaffen, um KI im Compliance-Umfeld überhaupt zuverlässig nutzbar zu machen – also durch strukturierte Prozesse, kuratierte regulatorische Inhalte und eine konsequente Qualitätssicherung.
Sebastian Wagmann:
Unser Fokus liegt klar auf dem Ergebnis für den Kunden. Wir kombinieren verschiedene funktionale Module, regulatorisches Wissen und den Einsatz mehrerer spezialisierter KI-Modelle zu einem durchgängigen System. Am Ende geht es nicht darum, dass irgendwo „KI“ draufsteht, sondern dass Compliance effizienter, nachvollziehbarer und qualitativ hochwertiger umgesetzt werden kann. Genau dafür steht der Name Consileon Compliance Manager.
Sebastian Wagmann:
Die Lösung besteht aus mehreren funktionalen Modulen, die ineinandergreifen:
Dr. Jörg Schlösser:
Wichtig ist: Diese Module sind nicht isoliert, sondern Teil eines durchgängigen Prozesses. Genau das macht den Unterschied zu vielen Einzellösungen im Markt.
Dr. Jörg Schlösser:
Ursprünglich hatten wir einen starken Fokus auf die Finanzbranche, etwa mit Themen wie DORA oder MaRisk. Mittlerweile haben wir das Produkt bewusst geöffnet.
Sebastian Wagmann:
Heute adressieren wir unterschiedliche Branche: von Finanzdienstleistern über kritische Infrastrukturen bis hin zur Pharmaindustrie. Das gelingt durch unsere modulare Regulatorik-Bibliothek, die verschiedene Regelwerke wie DORA, NIS-2, MaRisk, GDP oder GMP abbildet und flexibel erweitert werden kann.
Sebastian Wagmann:
Viele klassische Lösungen sind stark dokumentationsgetrieben oder unterstützen primär die Verwaltung von Anforderungen. Unser Ansatz ist ein anderer: Wir automatisieren die inhaltliche Arbeit.
Dr. Jörg Schlösser:
Das bedeutet konkret: Die Software liest und versteht regulatorische Texte sowie Unternehmensdokumente und führt eigenständig Analysen durch. Das ist ein qualitativer Sprung. Der Mensch bleibt in der Kontrolle, aber die zeitintensive Vorarbeit übernimmt die Maschine.
Sebastian Wagmann:
Wir starten mit den relevanten Regelwerken und richten das System auf die spezifischen Anforderungen des Unternehmens aus. Danach können direkt Dokumente und Verträge analysiert werden.
Dr. Jörg Schlösser:
Wichtig ist uns ein pragmatischer Ansatz: schnelle Einsatzfähigkeit, klare Ergebnisse und eine nahtlose Integration in bestehende Prozesse. Die Nutzer sollen möglichst schnell einen echten Mehrwert sehen.
Dr. Jörg Schlösser:
Eine zentrale Rolle. Es reicht heute nicht mehr, compliant zu sein. Man muss es auch jederzeit belegen können.
Sebastian Wagmann:
Deshalb legen wir großen Wert auf revisionssichere Dokumentation und nachvollziehbare Ergebnisse. Jede Analyse, jede Empfehlung der KI ist begründet und transparent. Das erleichtert sowohl interne Prüfungen als auch die Kommunikation mit Aufsichtsbehörden.
Sebastian Wagmann:
Wir wollen Compliance von einer reaktiven Pflichtaufgabe zu einem steuerbaren, effizienten Prozess machen.
Dr. Jörg Schlösser:
Und vor allem: Wir wollen Fachbereiche spürbar entlasten. Wenn weniger Zeit für manuelle Prüfungen aufgewendet werden muss, entsteht Raum für die wirklich wichtigen Themen – strategische Fragestellungen und unternehmerische Entscheidungen.
Erfahren Sie, wie der Consileon Compliance Manager Ihre regulatorischen Prozesse automatisiert, Transparenz schafft und Fachbereiche spürbar entlastet.