Im Juli 2026 verließ ein KI-Agent seine Testumgebung und drang in die Infrastruktur eines fremden Unternehmens ein. Ohne Auftrag. Solche Meldungen häufen sich. Ein Gespräch mit Andreas Grau, der bei Consileon Unternehmen von der Risikoanalyse bis zur technischen Umsetzung begleitet.
Ja, aber nicht so, wie es meistens erzählt wird. Die Angriffsmethoden sind im Kern dieselben wie vor fünf Jahren: Phishing, gestohlene Zugangsdaten, ungepatchte Systeme, zu großzügige Berechtigungen. Die KI hat diese Einfallstore nicht direkt geöffnet. Verändert haben sich Tempo, Menge und Qualität. Das Ausnutzen einer Schwachstelle war früher teils wochenlange Handarbeit. Heute läuft der Angriff an einem Wochenende. Das ist kein Paradigmenwechsel bei den Methoden, aber ein massiver Skaleneffekt. Und Skaleneffekte entscheiden in der Sicherheit fast immer das Spiel.
OpenAI hat autonome KI-Agenten in einem internen Sicherheitstest eingesetzt. Die Agenten haben ihre Sandbox verlassen und die Infrastruktur von Hugging Face angegriffen.1 Ein Unternehmen das mit dem Test nichts zu tun hatte. Die Agenten nutzten zwei Schwachstellen aus und konnten auf Systeme und somit die Daten von Hugging Face zugreifen. Über 17.000 protokollierte Einzelaktionen an einem Wochenende.1
Der lehrreiche Teil steht im technischen Bericht. Dort zeigt sich eine ganze Kette von bekannten Sicherheitsmängeln: Zugangsdaten wurden unsicher bereitgestellt, technische Konten waren nicht ausreichend voneinander getrennt, Berechtigungen waren zu weit gefasst und einzelne Infrastrukturkomponenten konnten von Bereichen aus erreicht werden, aus denen sie eigentlich nicht erreichbar sein sollten.1
Das Interessante daran ist weniger die KI als die Tatsache, dass hier keine neuartige Schwachstelle ausgenutzt wurde. Die beschriebenen Probleme gehören zu den Dingen, die auch schon vor der Verbreitung von KI bestanden. Ein etablierter Secure Development Lifecycle, regelmäßige Architektur- und Sicherheitsreviews sowie ein wirksames Rollen- und Berechtigungskonzept hätten viele dieser Punkte bereits vor einem externen Test erkennen und vermeiden können.
Genau darin liegt die Botschaft: Die KI hat keine völlig neue Angriffsmethode entwickelt. Sie hat bekannte Schwachstellen schneller, konsequenter und in größerem Umfang ausgenutzt, als es bislang üblich war.1,2 Was früher ein motivierter Angreifer oder ein Penetrationstester mit genügend Zeit geschafft hätte, gelingt nun deutlich schneller und günstiger.
„Wer Informationssicherheit aktiv managt, seine Systeme aktuell hält, Berechtigungen sauber steuert und ein wirksames ISMS etabliert hat, steht auch im Zeitalter der KI deutlich robuster da. Wer diese Grundlagen vernachlässigt, wird die Folgen künftig wesentlich schneller spüren als früher.“ – Andreas Grau
Darüber muss man kaum noch spekulieren. Die eigentliche Frage ist heute nicht mehr, ob KI bei Angriffen eingesetzt wird, sondern wie viel menschliche Steuerung noch erforderlich ist.
Anthropic hat im November 2025 eine Spionagekampagne offengelegt, hinter der nach eigener Einschätzung eine staatlich unterstützte Gruppe aus China stand.3 Rund 30 Ziele, erfolgreich war die Kampagne nur in wenigen Fällen. Aber die KI übernahm 80 bis 90 Prozent der taktischen Arbeit selbstständig: Aufklärung, Schwachstellensuche, Exploit-Entwicklung, Zugangsdaten, Datenabfluss. Menschen griffen an vier bis sechs Entscheidungspunkten ein.3
Fairerweise: Das ist ein Selbstbericht eines Anbieters ohne veröffentlichte technische Indikatoren, und Teile der Security-Community haben die Darstellung angezweifelt. Anthropic nennt selbst eine Einschränkung: Das Modell halluzinierte Zugangsdaten und benötigt Kontrolle.3 Diese Unzuverlässigkeit bremst noch. Aber der Anteil menschlicher Handarbeit sinkt drastisch.
Für Unternehmen ist dabei etwas anderes entscheidend. Ob ein Angreifer jeden Schritt selbst ausführt oder eine KI große Teile davon übernimmt, spielt für die Verteidigung nur eine untergeordnete Rolle. Wenn sich der Aufwand eines Angriffs massiv reduziert, geraten plötzlich deutlich mehr potenzielle Ziele in den Fokus.
Davon ist insbesondere der Mittelstand betroffen. Viele mittelständische Unternehmen waren bislang nicht deshalb sicher, weil sie besonders gut geschützt waren, sondern weil sich der Aufwand eines gezielten Angriffs oft nicht lohnte. KI verschiebt diese Rechnung. Angriffe, die früher nur gegen wenige ausgewählte Ziele wirtschaftlich waren, können künftig gegen Hunderte oder Tausende Unternehmen parallel durchgeführt werden. Gerade deshalb wird Cybersecurity zunehmend zu einer Frage der Resilienz ganzer Wertschöpfungsnetzwerke und nicht nur einzelner großer Unternehmen. Das zeigen auch die Statistiken zu Lage der Informationssicherheit des BSI.7
Vor allem das, was am Menschen ansetzt. In der TÜV-Cybersecurity-Studie 2025 berichten 84 Prozent der Unternehmen, die einen Sicherheitsvorfall hatten, von Phishing.5 Der Anbieter KnowBe4 gibt für Anfang 2026 an, dass 86 Prozent der von ihm erkannten Phishing-Angriffe KI-gestützt waren.6 Eine mit unbekannter Methodik durch einen Anbieter erfasste Zahl, aber die Richtung deckt sich mit unseren Projekterfahrungen.
Die Rechtschreibfehler, an denen man Betrugsmails früher oft erkannt hat, spielen heute kaum noch eine Rolle. KI erstellt Nachrichten, die sprachlich und optisch nahe am Original sind. Klassische Warnsignale werden seltener, gezielte Erkennungsmerkmale die in Awarenesschulungen wie wir sie anbieten verinnerlicht werden umso wichtiger.
Hinzu kommt eine neue Qualität bei Identitätsbetrug. Heute können zusätzlich Stimme und Gesicht täuschend echt nachgebildet werden. Bekannt wurde der Fall des Ingenieurbüros Arup, bei dem nach Angaben der Ermittlungsbehörden ein Mitarbeiter nach einer Videokonferenz rund 25 Millionen US-Dollar freigab, obwohl die vermeintlichen Gesprächspartner laut Polizei gefälscht waren.8 Solche Deepfake Angriffe machen bestehende Betrugsmethoden deutlich glaubwürdiger. Deshalb beraten wir Unternehmen inzwischen auch gezielt zu diesen Szenarien und zeigen, was technisch möglich ist.
Auf technischer Ebene steigt das Tempo. Das BSI zählte im Berichtszeitraum Juli 2024 bis Juni 2025 durchschnittlich 119 neue Schwachstellen pro Tag, rund ein Viertel mehr als zuvor.7 Gleichzeitig verändert KI beide Seiten der Gleichung. Einerseits hilft sie dabei, Schwachstellen schneller zu finden, zu analysieren und auszunutzen. Andererseits wächst das Risiko, dass durch KI-gestützte Entwicklung neue Schwachstellen in Systeme gelangen, unabsichtlich durch unzureichend geprüften KI-generierten Code oder im Extremfall auch gezielt und vorsätzlich.
Genau hier setzen unsere aktuellen Cybersecurity- und AI-Governance-Assessments an. Die zentrale Frage lautet nicht, ob KI eingesetzt wird, sondern wie sie eingesetzt wird. Gibt es klare Leitplanken, wirksame Kontrollmechanismen und definierte Verantwortlichkeiten? Werden die Risiken systematisch bewertet und gesteuert, beispielsweise im Sinne der ISO/IEC 42001? Und ist sichergestellt, dass KI-generierte Ergebnisse nicht ungeprüft in produktive Systeme übernommen werden?
Bemerkenswert ist zudem, wie schnell sich die Lagebilder verändern. Was heute noch als experimentelle Fähigkeit gilt, kann wenige Monate später bereits praktisch eingesetzt werden. Im Februar 2026 kam Googles Threat Intelligence Group zu dem Schluss, Angreifer hätten durch KI keine echten Durchbruchfähigkeiten gewonnen. Im Mai-Bericht beschreibt dasselbe Team den Übergang zur industriellen Anwendung generativer Modelle in Angriffsabläufen und dokumentiert erstmals einen KI-entwickelten Zero-Day-Exploit.4 Unternehmen sollten deshalb nicht davon ausgehen, dass ein einmal erstelltes Risikobild oder Sicherheitskonzept für mehrere Jahre unverändert tragfähig bleibt.
Gleichzeitig muss auch die Verteidigungsseite dieses Tempo mitgehen. Ein Sicherheitskonzept kann heute nicht mehr alle paar Jahre überprüft werden, sondern muss kontinuierlich an neue Risiken, Anforderungen und Bedrohungen angepasst werden.
Dabei kann KI unterstützen. Mit Lösungen wie dem Consileon Compliance Manager helfen wir Unternehmen, ihr Risikobild, regulatorische Anforderungen und den Stand der Technik laufend zu überwachen und Veränderungen frühzeitig in konkrete Maßnahmen zu überführen.
Das ist die Zahl, die alle zitieren. Ich halte sie für die falsche Sorge. Relevanter ist eine andere Zahl aus derselben Studie: 91 Prozent bewerten die eigene Cybersicherheit als gut oder sehr gut, aber nur 22 Prozent setzen Sicherheitsstandards konsequent um.5 Da klafft keine KI-Lücke in der technischen Verteidigung, sondern eine Lücke in der Selbstwahrnehmung.
Wer Multi-Faktor-Authentifizierung nicht flächendeckend hat, kein sauberes Berechtigungsmanagement betreibt und sein Patch-Management nicht misst, gewinnt durch ein KI-Abwehrprodukt wenig. Dann steht ein hochmodernes, teures Werkzeug auf einem instabilen Fundament.
Das bedeutet aber nicht, dass Unternehmen auf der Verteidigungsseite auf KI verzichten sollten. Im Gegenteil: Auch Verteidiger müssen das steigende Tempo beherrschen. Die KI kann aber viel mehr sinnvoll dabei helfen, den Überblick zu behalten, Risiken zu priorisieren, Anforderungen auszuwerten, Maßnahmen nachzuverfolgen und den aktuellen Stand von Sicherheit und Compliance kontinuierlich zu überwachen. Genau hier sehen wir aktuell einen hohen Bedarf bei unseren Kunden.
Die Reihenfolge ist entscheidend: Erst die organisatorischen Grundlagen schaffen, damit die KI-basierten technischen Abwehrmaßnahmen ihre Wirksamkeit entfalten können.
„Wer seine Sicherheitsprozesse nicht im Griff hat, wird durch KI keinen Vorsprung in der technischen Abwehr erlangen.“ – Andreas Grau
Das ist aus meiner Sicht eines der am meisten unterschätzten Risiken. Unternehmen führen heute in immer mehr Alltagsbereichen KI ein, nicht nur in Spezialdisziplinen. Copilots, Chatbots und zunehmend auch Agenten erhalten Zugriff auf Informationen, Anwendungen und Geschäftsprozesse. Damit entsteht eine neue Angriffs- und Risikofläche, die in vielen Sicherheitskonzepten bisher nur unzureichend berücksichtigt wird.
Drei Punkte sind dabei besonders relevant.
Genau deshalb werden Identity & Access Management, Least Privilege und AI Governance künftig noch wichtiger. Die Herausforderung besteht nicht darin, KI zu verhindern, sondern ihren Einsatz kontrollierbar, nachvollziehbar und sicher zu gestalten. Ein Agent sollte denselben Governance-Grundsätzen unterliegen wie ein Mitarbeiter: klare Verantwortlichkeiten, definierte Zugriffsrechte und vollständige Nachvollziehbarkeit.
„Ein Agent ist nicht einfach ein weiterer technischer Account. Er ist eine neue digitale Identität im Unternehmen.“ – Andreas Grau
Wer nicht geregelt hat, wie solche Identitäten verwaltet, berechtigt und überwacht werden, hat kein Technikproblem, sondern ein Governance-Problem. Das BSI hat Ende Juli genau das gefordert: Identitäts- und Zugriffskontrollen für KI-Systeme.2
Vier Dinge. Erstens eine ehrliche Standortbestimmung: nicht das Gefühl, sondern der gemessene Reifegrad. Zweitens Prozesse gegen Deepfakes härten. Zahlungsfreigaben dürfen nicht auf Stimme oder Video vertrauen, sondern brauchen einen zweiten, unabhängigen Kanal. Drittens Awareness neu aufsetzen. Trainings, die vor schlechtem Deutsch warnen, sind wertlos geworden. Viertens die eigene KI-Nutzung inventarisieren.
Und dann die unbequeme Wahrheit: Sicherheit ist kein IT-Projekt, sondern eine Führungsdisziplin. Der Vorfall bei Hugging Face war kein Versagen an der Zukunft. Er war ein Versagen an bekannten Sicherheitsgrundlagen, nur in neuer Geschwindigkeit vorgeführt.1,2
Deshalb sind Managementsysteme wichtiger denn je. Ein wirksames ISMS oder AI-Managementsystem sorgt dafür, dass Risiken, Bedrohungen, technische Entwicklungen und regulatorische Anforderungen nicht einmalig bewertet, sondern kontinuierlich überprüft und aktualisiert werden. KI kann dabei unterstützen, den Überblick zu behalten und Veränderungen frühzeitig sichtbar zu machen. Entscheidend bleibt jedoch, dass Unternehmen diese Erkenntnisse systematisch steuern und in konkrete Maßnahmen überführen.
Wie Consileon Unternehmen von der Prävention über die Beratung bis zum Notfallmanagement begleitet, lesen Sie auf unserer Themenseite zu Cybersecurity.
Unsere Broschüre „Schutz vor digitalen Bedrohungen. Von Prävention bis Notfallmanagement“ mit dem vollständigen Leistungsüberblick können Sie hier herunterladen:
Das Gesundheitsamt des Kreises Nordfriesland ist für die gesundheitliche Versorgung und den Schutz der Bevölkerung zuständig: vom Infektionsschutz über den Kinder- und Jugendgesundheitsdienst bis zur Hygiene- und Trinkwasserüberwachung. Digitalisierung, IT-Sicherheit, Datenschutz und KI verändern diese Arbeit spürbar. Es fehlte ein Format, das die digitale Transformation praxisnah vermittelt und die Mitarbeiter aktiv in den Wandel einbindet.
Ziel des Projekts war es, den digitalen Reifegrad im Gesundheitsamt zu steigern und eine tragfähige Grundlage für den weiteren Transformationsprozess zu schaffen. Die Mitarbeiter sollten digitale Kompetenzen für ihren Arbeitsalltag aufbauen und für IT-Sicherheit und Datenschutz sensibilisiert werden. Darüber hinaus wollte der Kreis Nordfriesland die Akzeptanz und Veränderungsbereitschaft in der Organisation stärken und die Mitarbeiter aktiv in den digitalen Wandel einbinden.
Um Digitalisierung erlebbar zu machen und Mitarbeiter aller Bereiche einzubinden, setzte man auf ein
interaktives Veranstaltungsformat anstatt klassischer Schulungen. Consileon begleitete das Projekt „DigiTag“ in vier Schritten: Analyse: Ermittlung der Bedarfe durch Interviews, Umfragen und Workshops.
Konzeption: Entwicklung eines maßgeschneiderten, praxisnahen Veranstaltungskonzepts. Umsetzung: Durchführung des DigiTags mit Vorträgen, interaktiven Formaten und Sessions zu digitalen Verwaltungslösungen. Aktivierung: Handouts, Poster und Giveaways zur Steigerung von Sichtbarkeit, Beteiligung und Austausch.
Der DigiTag führte zur nachhaltigen Stärkung der digitalen Kompetenzen von rund 170 Mitarbeitern aus allen Organisationseinheiten. Die Teilnehmer erhielten praxisnahe Einblicke in die KI-gestützte Dokumentenprüfung, Fachanwendungen und digitale Verwaltungsdienste. Gleichzeitig wurde das Bewusstsein für IT-Sicherheit und Datenschutz geschärft. Die vermittelten Inhalte lieferten konkrete Impulse, die sich direkt in den Arbeitsalltag übertragen lassen, z. B. die effiziente Nutzung von Videokonferenzen, Arbeit mit wiederkehrenden Textbausteinen oder die Sensibilisierung für Phishing und unsichere Datenverarbeitung. So stärkte der DigiTag die Akzeptanz für digitale Veränderungen im Gesundheitsamt.
Drei Faktoren waren für den Projekterfolg entscheidend: Der partizipative Ansatz band die Mitarbeiter frühzeitig ein und machte sie zu Mitgestaltern des digitalen Wandels. Die Praxisnähe sorgte dafür, dass die Inhalte greifbar waren und sich direkt auf den Arbeitsalltag übertragen ließen. Die methodische Kompetenz und Erfahrung im Change Management gaben dem Projekt Struktur, von der Analyse bis zur Aktivierung.
Die im Projekt entwickelten Inhalte und Formate bilden eine belastbare Grundlage, um begonnene Maßnahmen wie Schulungen zu digitalen Themen oder den Ausbau von Austauschformaten zwischen den Fachbereichen gezielt weiterzuführen und auszubauen. Die Impulse zu digitalen Kompetenzen, IT-Sicherheit und KI-Anwendungen will das Gesundheitsamt nun vertiefen und fest in den Arbeitsalltag integrieren. Ergänzende Workshop- und Austauschformate sollen die Digitalisierung Schritt für Schritt in der Organisation verankern.
Viele Unternehmen haben inzwischen erste Erfahrungen damit gemacht, Dokumente in ein KI-Tool hochzuladen und sich eine Einschätzung geben zu lassen. Das funktioniert erstaunlich gut und weckt deshalb eine naheliegende Frage: Brauche ich dann überhaupt noch eine spezialisierte Lösung für die Vertragsprüfung? Sebastian Wagmann hat den Consileon Compliance Manager als Product Owner von Anfang an mitentwickelt. Er kennt diese Frage aus unzähligen Gesprächen mit Compliance-Teams und erklärt, wo die entscheidenden Unterschiede liegen.
Gar nichts, ehrlich gesagt. Das sage ich bewusst so, weil ich verstehe, warum das verlockend ist. Für eine erste Orientierung oder ein schnelles Stimmungsbild ist das durchaus nützlich. Wer wissen will, ob ein Vertrag grundsätzlich vernünftig aufgebaut ist oder ob eine bestimmte Klausel auf den ersten Blick problematisch erscheint, bekommt da hilfreiche Hinweise. Das Problem beginnt, wenn man das mit einer belastbaren Compliance-Prüfung verwechselt. Und das passiert öfter, als man denkt.
Der fundamentale Unterschied ist: Ein generatives KI-Tool weiß, wie Verträge im Allgemeinen aussehen. Es kennt aber nicht die regulatorischen Anforderungen, die konkret für Ihr Unternehmen gelten, und es kennt schon gar nicht Ihre internen Vorgaben. Eine Vertragsprüfung im Compliance-Kontext ist keine allgemeine Qualitätskontrolle. Sie ist ein Abgleich gegen ein definiertes Soll. Dieses Soll muss irgendwo hinterlegt sein.
Selbst wenn man ein Large-Language-Modell mit einem konkreten regulatorischen Soll füttern würde, bleibt das Problem bestehen: Die Prüfung ist weder konsistent noch reproduzierbar. Unterschiedliche Dokumentversionen, mehrere Verträge, regelmäßige Wiederholungen, das lässt sich mit einem generischen Chat-Interface schlicht nicht zuverlässig und skalierbar abbilden. Was einmal gut klingt, ist noch lange kein Prozess.
Nehmen Sie als Beispiel die schriftlich fixierte Ordnung einer Bank. Das ist die Gesamtheit aller internen Regelwerke: Richtlinien, Arbeitsanweisungen, Prozessdokumentationen. Wenn ich prüfen will, ob ein IT-Dienstleistervertrag wirklich compliant ist, muss ich ihn nicht nur gegen die einschlägigen regulatorischen Anforderungen halten, sondern auch gegen das, was mein eigenes Haus dazu festgelegt hat. Ein generisches KI-Tool hat keinen Zugang zu dieser internen Welt. Es kann sie nicht kennen, weil sie nirgends öffentlich verfügbar ist. Das ist kein Vorwurf an die Technologie, das ist schlicht die Realität. Der Compliance Manager hingegen kann genau auf diese unternehmensspezifischen Anforderungen ausgerichtet werden und prüft dann beides parallel: externe Regulatorik und interne Vorgaben.
Es gibt mehrere. Ein häufig unterschätztes Thema ist die Vollständigkeit. Wenn ich in einem Chat-Interface einen Vertrag hochlade und frage: „Was fehlt hier?“, erhalte ich einen Hinweis darauf, was die KI als relevant einschätzt. Ob alle verpflichtenden Klauseln, die ein bestimmtes Regelwerk vorschreibt, etwa Auditrechte, Exit-Regelungen, Meldepflichten oder Eskalationsmechanismen, wirklich systematisch geprüft wurden, lässt sich im Nachhinein nicht rekonstruieren. Es gibt keine Prüfliste, kein Protokoll, keinen Nachweis. Für eine Aufsichtsbehörde ist das nicht ausreichend.
Jede Prüfung ist vollständig dokumentiert und nachvollziehbar: Welche regulatorischen Anforderungen wurden geprüft? Gegen welche Version des Regelwerks? Was war das Ergebnis für jede einzelne Anforderung? Wo genau im Dokument liegt eine Lücke? Und: Wann wurde diese Anforderung zuletzt geprüft? Der Compliance Manager historisiert Prüfergebnisse über Dokumentversionen hinweg, sodass Veränderungen zwischen älteren und neueren Versionen direkt sichtbar werden. Das alles ist revisionssicher hinterlegt. Ein Audit-Trail, der im Ernstfall vor der Aufsicht standhält. Das ist bei einem Chat-basierten Ansatz strukturell nicht möglich, nicht weil die KI schlechter wäre, sondern weil das Werkzeug für diesen Zweck schlicht nicht gebaut wurde.
Das ist ein ernstes Thema, das zu selten offen diskutiert wird. Wenn ich einen Vertrag mit sensiblen Geschäftsdaten, Namen von Dienstleistern, Konditionen oder internen Prozessinformationen in ein Consumer-KI-Tool hochlade, muss ich genau wissen, was mit diesen Daten passiert. Werden sie für das Training verwendet? Wo werden sie verarbeitet? Gibt es einen Auftragsverarbeitungsvertrag? Ich erlebe in Gesprächen immer wieder, dass diese Fragen erst gar nicht gestellt werden. Dabei sind sie nicht optional. Der Consileon Compliance Manager kann auf Wunsch vollständig on-premises betrieben werden. Die Daten verlassen die eigene Infrastruktur nicht. Für regulierte Unternehmen unter Aufsicht ist das oft keine Wahlmöglichkeit, sondern eine Pflicht.
Genau das ist ein Punkt, der in der Diskussion oft fehlt. Compliance ist kein einmaliges Ereignis. Verträge haben Laufzeiten, Regelwerke werden aktualisiert, neue Regulatorik kommt hinzu. Der Compliance Manager ist so konzipiert, dass er sich in bestehende Prozesse integriert: als Teil des Contract Lifecycle Managements, mit definierten Workflows, Benutzerrollen und Eskalationspfaden. Wenn sich regulatorische Anforderungen ändern, wird das entsprechende Modul aktualisiert, und alle betroffenen Verträge können systematisch neu bewertet werden. In einem Chat-basierten Szenario müsste jemand aktiv daran denken, das manuell zu wiederholen. Das passiert in der Realität nicht zuverlässig.
Für alle, die sich schnell einen ersten Eindruck verschaffen wollen und das Ergebnis entsprechend einordnen. Als Vorarbeit für eine strukturierte Prüfung, als Einstieg in ein Thema, als interne Diskussionsgrundlage, das alles ist vollkommen legitim. Was es nicht ersetzt, ist die systematische, nachweisbare, regulatorisch verankerte Prüfung. Wer Verträge prüft, weil er es muss, gegenüber Aufsehern, gegenüber Vorstand, gegenüber Vertragspartnern, braucht mehr als einen Chat. Er braucht ein System. Und er braucht den Nachweis, dass dieses System funktioniert hat.
Stellen Sie sich einen Kunden vor, nennen wir ihn Markus, 38, verheiratet, zwei Kinder, neue Stelle als Abteilungsleiter verbunden mit einem Wohnungswechsel. Markus hat einen KI-Assistenten, der seine Finanzen und Absicherungen im Blick behält. Markus muss nichts aktiv tun. Sein Assistent erkennt, dass der Jobwechsel Konsequenzen hat: Alle Versicherer benötigen die neue Adresse, für die neue Wohnung muss die Hausratversicherung umgestellt werden. Die Haftpflicht wurde zuletzt vor acht Jahren abgeschlossen, die Deckungssumme liegt weit unter dem heute marktüblichen Schutzniveau. Ob der bestehende Rechtsschutz eine berufliche Komponente enthält und für die neue Führungsposition ausreicht, hat Markus nie geprüft. Und seine BU-Versicherung läuft weiter, das versicherte Monatsgehalt spiegelt aber noch das alte Einkommensniveau. Mit der neuen Stelle und dem höheren Gehalt ist die Absicherungslücke größer geworden.
Der Agent handelt. Er fragt Konditionen an, vergleicht, priorisiert. Und er landet dabei irgendwo. Die Frage, wo er landet, ist die wichtigste Frage, die die Versicherungsbranche gerade nicht stellt. Stattdessen diskutiert sie über KI im Schadenmanagement, über Chatbots im Kundenservice, über automatisierte Underwriting-Prozesse. Das sind sinnvolle Themen. Aber sie alle setzen voraus, dass der Kunde noch selbst initiiert. Was passiert, wenn er das nicht mehr tut?
Vergleichsportale sind für das KI-Agenten-Zeitalter strukturell besser aufgestellt als jeder andere Marktteilnehmer. Ihre gesamte Architektur basiert darauf, maschinenlesbare Daten bereitzustellen und algorithmisch zu vergleichen. Ein Kundenagent, der Konditionen abrufen will, findet dort sofort Antworten. Keine Wartezeit, keine menschliche Schleife, keine unstrukturierten PDFs. Das ist ein echter Vorteil. Und wer ihn unterschätzt, unterschätzt, wie schnell sich Marktanteile verschieben können, wenn die Reibung auf einer Seite gegen null geht.
Das Grundproblem von Vergleichsportalen ist aber kein technisches. Es ist ein strukturelles: Sie können vergleichen, aber sie kennen den Kunden nicht. Sie wissen nicht, dass Markus vor drei Jahren eine Rückenoperation hatte und seine BU-Versicherung deshalb mit einem Risikoausschluss versehen wurde und dass die neue, höher versicherte BU deshalb einer ärztlichen Prüfung bedarf, die kein Portal automatisch anstoßen würde. Sie wissen nicht, dass seine Frau selbstständig ist und die gemeinsame private Haftpflicht ihre berufliche Tätigkeit nicht abdeckt – ein klassischer blinder Fleck, der in der Beratungspraxis häufig übersehen wird. Sie optimieren auf Preis und Standardmerkmale. Für einfache, standardisierbare Produkte funktioniert das. Für komplexe Absicherungsfragen ist es gefährlich.
Ein Kundenagent, der wirklich im Interesse seines Nutzers handelt, wird das merken. Und er wird lernen, dass billiger nicht dasselbe ist wie richtig.
Direktversicherer mit eingeschränktem Produktportfolio haben in den letzten Jahren in digitale Infrastruktur investiert. Viele sind grundsätzlich in der Lage, maschinenlesbare Schnittstellen zu schaffen, über die Agenten Produkte anfragen können. Das ist kein unlösbares Problem.
Ihr strukturelles Limit liegt woanders: Ein Direktversicherer kann Kfz versichern oder Haftpflicht oder Hausrat. Selten alles gleichzeitig, fast nie mit der Tiefe, die komplexe Kundenbiografien erfordern. Ein Agent, der für Markus BU, Kfz, Haftpflicht, Hausrat und Rechtsschutz optimieren soll, braucht bei einem reinen Direktversicherer immer noch mehrere Anbieter. Das bedeutet mehrere Schnittstellen, mehrere Authentifizierungsprozesse, mehrere Datenquellen. Für einen Agenten, der auf Verlässlichkeit und Effizienz optimiert, ist das keine attraktive Lösung.
Direktversicherer können im KI-Agenten-Zeitalter eine Rolle spielen. Aber wahrscheinlich nur in klar definierten Produktsegmenten, wo Standardisierung und Preis dominieren.
Ein unabhängiger Makler oder ein Allfinanzanbieter hat strukturell genau das, was ein KI-Agent für seinen Kunden braucht: einen einzigen Ansprechpartner, der den vollständigen Versicherungs- und Vorsorgebedarf kennt, der produktunabhängig beraten kann und der die Kundenbiografie über Jahre begleitet. Der Kontext, den ein guter Makler über seinen Kunden hat, ist für einen Agenten Gold wert. Er macht den Unterschied zwischen einem Ergebnis, das stimmt, und einem, das nur günstig aussieht.
Dazu kommt: Ein Kundenagent, der für Markus alles über eine einzige verlässliche Verbindung lösen kann, wird diese Verbindung bevorzugen. Nicht aus Loyalität, sondern aus Logik. Fünf Schnittstellen zu fünf Spezialanbietern bedeuten fünf Fehlerquellen. Das ist kein gutes Ergebnis für jemanden, der im Interesse seines Nutzers handelt.
Die kritische Lücke ist: Die meisten Makler und Allfinanzanbieter sind digital unsichtbar. Sie sind persönlich präsent, empfehlenswert, vertrauenswürdig. Aber für einen KI-Agenten, der im Auftrag eines Kunden fragt, existieren sie schlicht nicht. Keine standardisierte Schnittstelle, über die Konditionen abgerufen werden können. Kein API-Gateway. Keine maschinenlesbare Antwort auf eine Agenten-Anfrage. Das ist die Lücke, die über Marktanteile entscheiden wird.
Der Markt wird sich aufteilen, und zwar nicht entlang der alten Linien von Online und Offline, sondern entlang einer neuen: agentenkompatibel und nicht agentenkompatibel.
Standardisierbare Produkte, Kfz, einfache Haftpflicht, Reiseversicherung, wandern zu Vergleichsportalen. Nicht weil die Portale besser beraten, sondern weil sie erreichbar sind, wenn ein Agent fragt. Der Preiswettbewerb dort wird noch härter als heute.
Komplexe Bedarfe, BU, Altersvorsorge, gewerbliche Absicherung, biometrische Risiken, könnten zum Makler gehen. Aber nur, wenn der Makler eine Antwort hat, wenn der Agent anklopft. Wenn nicht, landet auch diese Anfrage beim Vergleichsportal, mit allen Konsequenzen für die Beratungsqualität des Ergebnisses.
Der Direktversicherer verliert in beiden Szenarien: zu teuer für den Preiswettbewerb, zu schmal aufgestellt für komplexe Bedarfe.
Wir verwenden den Begriff Agent Relationship Management für das, was Unternehmen jetzt aufbauen müssen: die Fähigkeit, nicht nur mit menschlichen Kunden zu kommunizieren, sondern auch mit deren digitalen Stellvertretern.
Das beginnt mit Erreichbarkeit: standardisierte Protokolle, über die ein Kundenagent Anfragen stellen und Antworten erhalten kann. Ohne das ist alles andere Theorie.
Es geht weiter mit Kontext: der Fähigkeit, einem Agenten nicht nur Tarife zu liefern, sondern die Informationen, die eine sinnvolle Empfehlung erst möglich machen. Ein Makler, der seinen Kunden kennt, hat diesen Kontext. Er muss ihn nur digital verfügbar machen.
Und es endet mit Governance: der Entscheidung, was ein Agent im Namen des Unternehmens automatisch zusagen darf und was ein Mensch freigeben muss. Das ist keine IT-Frage. Das ist eine Führungsentscheidung.
Markus braucht keinen Berater, der ihm erklärt, was eine BU-Versicherung ist. Das weiß sein Agent. Markus braucht jemanden, der erkennt, dass die Erhöhung der BU-Rente wegen der Rückenoperation eine ärztliche Risikoprüfung erfordert, und der weiß, wie man das richtig angeht. Der ihm erklärt, was ein Rechtsschutz für Führungskräfte wirklich abdecken muss und was die meisten Standardverträge eben nicht tun.
Der Makler, der das leisten kann und gleichzeitig agentenfähig ist, gewinnt. Er bekommt die Routinen von seinem eigenen digitalen Assistenten abgenommen, der im Hintergrund Statusabfragen erledigt, Kündigungsfristen überwacht und Anpassungsbedarfe erkennt. Und er hat Zeit für das, was kein Agent kann: das Gespräch, das zählt.
Der Makler, der wartet, bis sein Kundenstamm von Agenten übernommen wird, die ihn nicht kennen, verliert zuerst die einfachen Fälle. Und dann die anderen auch. Die Frage ist nicht, ob KI-Agenten den Versicherungsvertrieb verändern. Die Frage ist, wer dabei sitzt, wenn sie es tun.
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.
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!
Daten sind die Grundlage für Künstliche Intelligenz, Automatisierung und fundierte Managemententscheidungen. Gleichzeitig kämpfen viele Unternehmen mit Datensilos, unklaren Verantwortlichkeiten und Engpässen in der IT. Data Mesh verspricht einen grundlegenden Perspektivwechsel. Im Interview erklärt Alexander Finke, warum zentrale Datenarchitekturen oft an ihre Grenzen stoßen, was sich mit Data Mesh konkret verändert und wie Unternehmen die Transformation strukturiert angehen.
In vielen Organisationen ist die IT oder ein zentrales Datenteam die zentrale Drehscheibe für nahezu alle Datenanfragen. Das führt zwangsläufig zu Engpässen, hier ein Beispiel:
Stellen Sie sich vor, Sie arbeiten im Fachbereich und erhalten die Aufgabe, eine neue Auswertung zu erstellen. Zunächst wissen Sie nicht einmal, ob die benötigten Daten im Unternehmen existieren. Sie fragen Kollegen, telefonieren sich durch, erfahren schließlich, dass es Daten gibt – aber nicht, wer sie verantwortet. Nachdem die Zuständigkeit geklärt ist, müssen Sie bei der IT einen Zugriff beantragen. Dann stellt sich die Frage, wie Sie die Daten in Ihr Analyse-Tool bekommen. Häufig endet es in Exporten, CSV-Dateien und nicht mehr tagesaktuellen Datenständen. Und selbst wenn die Auswertung steht, weiß kaum jemand im Unternehmen davon.
Das Problem ist weniger technologisch als strukturell: Daten werden zentral verwaltet, aber dezentral erzeugt und genutzt. Diese Diskrepanz führt zu langen Abstimmungswegen, zu Verzögerungen und zu Unklarheiten bei den Verantwortlichkeiten für die Datenqualität.
Data Mesh dreht die Perspektive um. Daten werden als eigenständige Produkte verstanden, sogenannte Data Products, die von den jeweiligen Fachdomänen verantwortet werden. Die Fachbereiche übernehmen die Hoheit über ihre Daten und definieren deren Qualität, Beschreibung und Nutzbarkeit. Die IT agiert dabei als Enabler. Sie stellt die Self-Service-Plattform bereit und schafft das technologische Fundament, auf dem Datenprodukte entwickelt, gefunden und genutzt werden können. Gleichzeitig automatisiert sie zentrale Leitplanken für Governance, Interoperabilität und Sicherheit und stellt sicher, dass gemeinsam definierte Standards eingehalten werden.
Man kann sagen: Verantwortung dezentral, Leitplanken zentral. Dieses Zusammenspiel schafft Klarheit, Geschwindigkeit und Skalierbarkeit.
Viele Unternehmen fragen: Bedeutet das einen Kontrollverlust für die IT? Entsteht dadurch nicht noch mehr Komplexität? Die Antwort ist nein, wenn es richtig umgesetzt wird. Data Mesh ist kein Wildwuchs-Modell. Es braucht klare Domänenschnitte, definierte Rollen und eine föderierte Governance. Die IT setzt verbindliche Standards für Sicherheit, Compliance und Interoperabilität. Innerhalb dieser Leitplanken agieren die Fachbereiche eigenverantwortlich.
Eine weitere häufige Frage ist, ob Data Mesh nur für sehr große Organisationen geeignet ist. Unsere Erfahrung zeigt: Der Ansatz ist skalierbar. Entscheidend ist weniger die Unternehmensgröße als vielmehr die Komplexität der Datenlandschaft und die Anzahl der beteiligten Domänen.
Wichtig ist aber auch, ehrlich zu sein: Data Mesh skaliert langfristig deutlich besser, erfordert jedoch initial mehr Aufwand. Rollen, Verantwortlichkeiten, Datenproduktdenken und Plattformstrukturen müssen aufgebaut werden. Der Ansatz lohnt sich besonders für Unternehmen, die viele Datenquellen und Fachbereiche koordinieren müssen, KI oder Analytics breit einsetzen wollen oder bei denen zentrale Datenteams regelmäßig zum Engpass werden.
Fachbereiche werden zu aktiven Datenverantwortlichen. Sie wissen am besten, wie ihre Daten entstehen, was sie bedeuten und wie sie genutzt werden. Im Data-Mesh-Modell definieren sie ihre Datenquellen bewusst als Produkte, dokumentieren sie strukturiert und stellen sie anderen Teams zur Verfügung.
Der Unterschied zeigt sich im Alltag: Statt Hilfe bei Kollegen zu suchen oder IT-Tickets zu erstellen, greifen Mitarbeiter auf einen zentralen Datenkatalog zu. Dort finden sie das passende Datenprodukt mit Beschreibung, Qualitätsangaben, Verantwortlichen und Zugriffsregeln und können es direkt in ihrem Analysewerkzeug nutzen. Ergebnisse entstehen schneller, sind reproduzierbar und lassen sich wiederum als eigenes Datenprodukt bereitstellen.
Excel ist beliebt, weil Fachbereiche damit eigenständig Lösungen entwickeln können. Data Mesh überträgt dieses Prinzip auf Unternehmensdaten, strukturiert, governancekonform und skalierbar. So sinken Abhängigkeiten, Entscheidungen werden beschleunigt und der Fachbereich wird vom Anforderungssteller zum aktiven Treiber datenbasierter Wertschöpfung.
Die IT wird strategischer. Statt jede einzelne Datenanfrage operativ zu bedienen, konzentriert sie sich auf Plattformaufbau, Governance, Sicherheitsstandards und Architektur. Sie stellt sicher, dass Datenprodukte interoperabel sind, Compliance-Anforderungen erfüllen und unternehmensweit nutzbar bleiben. Dadurch wird die IT von vielen Routineaufgaben entlastet und kann sich auf wertschöpfende Themen wie KI-Infrastruktur oder Advanced Analytics konzentrieren.
Der Übergang zu Data Mesh ist kein reines IT-Projekt. Er betrifft Organisation, Rollenverständnis und Zusammenarbeit. Zunächst müssen Domänen klar identifiziert und Verantwortlichkeiten definiert werden. Das bedeutet: Es braucht ein neues Rollenverständnis in den Fachbereichen sowie klare Zuständigkeiten für Datenprodukte. Dieser organisatorische Wandel ist der entscheidende Hebel für den Erfolg. Parallel wird eine technische Plattform aufgebaut, die Self-Service, Suche und Datennutzung ermöglicht und schrittweise an die spezifischen Anforderungen des Unternehmens angepasst wird. Die Datenquellen werden sukzessive angebunden. Gleichzeitig werden Governance-Regeln festgelegt, die zentral vorgegeben und dezentral umgesetzt werden.
Wir empfehlen einen schrittweisen Transformationsansatz mit Pilotdomänen. So entstehen erste Datenprodukte unter realen Bedingungen, während Organisation und Technologie sich synchron entwickeln und der Einstieg in die dezentrale Datenwelt kontrollierbar bleibt.
Mich motiviert an Data Mesh insbesondere, dass Menschen wieder selbstbestimmter mit Daten arbeiten können. In vielen Unternehmen sehe ich hochqualifizierte Mitarbeiter, die unnötig Zeit in Abstimmungen und Warteprozessen verlieren. Wenn Fachbereiche eigenständig handeln können, werden Projekte schneller, Entscheidungen fundierter und die tägliche Arbeit deutlich befriedigender. Für mich geht es nicht nur um Architektur, sondern auch darum, produktives Arbeiten zu ermöglichen.
KI lebt nicht nur von zugänglichen und qualitativ hochwertigen Daten, sondern vor allem vom richtigen Kontext. Modelle liefern besonders gute Ergebnisse, wenn sie verstehen, was Daten bedeuten, wie sie entstanden sind und in welchem fachlichen Zusammenhang sie stehen. Genau hier liegt in vielen Unternehmen das Problem: Daten sind zwar technisch verfügbar, aber ihr fachlicher Kontext ist weder sauber dokumentiert noch eindeutig verantwortet. Besonders bei KI-Anwendungen, die direkt auf Rohdaten arbeiten oder automatisierte Auswertungen erzeugen sollen, fehlt häufig genau dieses Domänenwissen.
Data Mesh schafft hier eine wichtige Grundlage. Wenn Daten als klar definierte Datenprodukte vorliegen, inklusive Beschreibung, Qualitätssicherung, Verantwortlichkeit und fachlicher Einordnung, wird dieser Kontext systematisch mitgeliefert. Dadurch können KI-Modelle deutlich präziser arbeiten, konkrete Fragen korrekt beantworten und belastbare, automatisierte Analysen erzeugen. KI-Initiativen werden so nicht nur technisch möglich, sondern auch fachlich fundiert und organisatorisch tragfähig.
Consileon begleitet Unternehmen bei der Einführung von Data Mesh strategisch, technologisch und organisatorisch. Von der Analyse bestehender Datenarchitekturen über die Definition von Domänen und Governance-Modellen bis hin zur technischen Plattformintegration entsteht eine zukunftsfähige Datenorganisation mit klaren Verantwortlichkeiten und hoher Skalierbarkeit.
Künstliche Intelligenz kann längst mehr als Texte schreiben oder Bilder generieren. Eine der rasantesten Entwicklungen findet derzeit im Bereich Voice AI statt, also der Fähigkeit von KI-Systemen, Stimmen zu erzeugen, zu imitieren oder eigenständig Gespräche zu führen. Was vor wenigen Jahren noch nach Science-Fiction klang, ist heute technisch erstaunlich ausgereift.
In der neusten Folge des Consileon-Podcast „Am Puls der Zeit – Mobilität im Wandel“ diskutieren Moritz Hollenbeck, Senior Software Engineer, und Carl Limburg, Senior Consultant im Automotive-Geschäftsbereich, die Chancen und Risiken dieser Technologie.
„Ich finde, an diesem Beispiel kann man sehr gut erkennen, wie weit entwickelt die KI bereits ist, speziell wenn es um die Generierung von Stimmen geht“, sagt Moritz über ein Experiment aus der Podcastfolge, in dem mehrere Stimmen vorgespielt wurden, alle KI-generiert.
Eine der überraschendsten Erkenntnisse: Für einen einfachen Stimmenklon reichen heute bereits wenige Sekunden Audiomaterial einer echten Stimme. Mit mehr Aufnahmen lassen sich Intonation, Tempo und Sprachstil immer präziser nachbilden. Das eröffnet neue Möglichkeiten, etwa für digitale Assistenten oder automatisierte Hotlines. Gleichzeitig entstehen neue Risiken: Voice AI kann auch für Betrugsversuche oder politische Manipulation eingesetzt werden.
Ein Beispiel aus den USA zeigt, wie real diese Szenarien bereits sind. Bei einer Vorwahl wurden Wähler per automatisiertem Anruf kontaktiert, mit einer Stimme, die US-Präsident Joe Biden imitierte und sie vom Wählen abhalten sollte. Die Diskussion im Podcast zeigt, dass technisch bereits vieles möglich ist. Entscheidend wird künftig sein, wie wir gesellschaftlich und organisatorisch damit umgehen.
Neben den Risiken bietet Voice AI auch enormes Potenzial. Besonders im Customer Service können KI-gestützte Sprachassistenten viele einfache Anfragen automatisiert bearbeiten, rund um die Uhr erreichbar sein und mehrere Gespräche parallel führen. Für Unternehmen bedeutet das schnellere Reaktionszeiten und effizientere Prozesse; für Kunden eine deutlich bessere Erreichbarkeit.
Doch die Entwicklung geht noch weiter. Immer häufiger übernehmen persönliche KI-Assistenten die Kommunikation im Namen von Menschen: Sie recherchieren Informationen, vergleichen Angebote oder organisieren Termine. Damit entsteht ein neues Interaktionsmodell, in dem nicht nur Menschen mit Unternehmen sprechen, sondern auch mit deren digitalen Stellvertretern. Diese Entwicklung wird zunehmend als Agent Relationship Management (ARM) beschrieben – eine Weiterentwicklung klassischer CRM-Ansätze. Unternehmen kommunizieren dabei nicht mehr ausschließlich mit dem Kunden selbst, sondern auch mit dessen KI-Assistenten, die Informationen filtern, Entscheidungen vorbereiten oder automatisiert Anfragen stellen.
Voice AI spielt dabei eine zentrale Rolle: Sie ermöglicht natürliche, sprachbasierte Interaktionen zwischen Menschen, Unternehmen und digitalen Agenten. In Zukunft könnten viele einfache Serviceprozesse daher nicht mehr nur von Mensch zu Mensch oder von Mensch zu Maschine ablaufen, sondern auch von KI zu KI. Ferner eröffnet die Technologie neue Möglichkeiten im Alltag, etwa beim Zugang zu Informationen, bei Übersetzungen oder als Unterstützung für Menschen, die digitale Technologien bisher nur eingeschränkt nutzen können.
Die Beispiele aus der Podcastfolge zeigen auch, wie wichtig KI-Kompetenz in Unternehmen wird. Viele Mitarbeiter erleben KI noch als abstraktes Schlagwort. Gleichzeitig entstehen neue Fragen zur Sicherheit, zur Regulierung und zur praktischen Nutzung.
Genau hier setzt der Consileon KI-Führerschein an. Das praxisnahe Training zeigt Teams, wie KI konkret im Arbeitsalltag eingesetzt werden kann – vom eigenen Chatbot über automatisierte Workflows bis hin zu kreativen Anwendungen. Statt Theorie steht dabei Learning-by-Doing im Mittelpunkt. Ziel ist es, Berührungsängste abzubauen und eine neue Denkweise zu fördern: KI nicht als Bedrohung, sondern als Werkzeug zur Lösung konkreter Aufgaben zu verstehen.
Voice AI zeigt eindrucksvoll, wie schnell sich KI weiterentwickelt und wie stark sie unsere Kommunikation verändern kann. Die entscheidende Frage ist daher nicht, ob diese Technologien kommen, sondern wie wir lernen, sinnvoll und verantwortungsvoll mit ihnen umzugehen.
Mehr Einblicke, Beispiele und Diskussionen zum Thema Voice AI hören Sie in der aktuellen Podcastfolge „KI oder nicht KI, das ist hier die Frage„
