Ihre Cloud mag zwar modern sein, doch Ihre Architektur ist möglicherweise noch nicht bereit für KI.

Früher ging es bei der Cloud-Modernisierung darum, Anwendungen, Infrastruktur und Daten in eine bessere Betriebsumgebung zu verlagern. Die Frage hat sich geändert.

Kann Ihre heutige Umgebung die Anwendungen, Datenströme, Integrationen, Sicherheitskontrollen und das Betriebsmodell unterstützen, die für das erforderlich sind, was Sie als Nächstes aufbauen möchten?

Die Frage, die Sie sich vor dem nächsten KI-Pilotprojekt stellen sollten: Was würde verhindern, dass dieser Anwendungsfall zu einer sicheren, zuverlässigen Produktionsfunktion innerhalb Ihrer bestehenden Technologieumgebung wird?

Der Wandel

Die Cloud-Migration war das erste Kapitel. Die KI-fähige Transformation ist das nächste.

Viele Unternehmen haben ihre Workloads bereits in die Cloud verlagert. Das bedeutet jedoch nicht automatisch, dass diese Workloads für KI bereit sind.

KI-Workloads stellen neue Anforderungen in Bezug auf skalierbare Rechenleistung, geregelten Datenzugriff, Integration, Beobachtbarkeit, Sicherheit, Bereitstellung und operative Kontrolle.

Die praktischen Auswirkungen sind von großer Bedeutung. Sie müssen nicht unbedingt alles neu aufbauen. Sie müssen verstehen, wo die bestehende Umgebung Einschränkungen mit sich bringt, und dort modernisieren, wo diese Einschränkungen tatsächlich ins Gewicht fallen.

Erkenntnisse aus der Forschung

Sowohl die AWS-Leitlinien für Unternehmen als auch das Cloud Adoption Framework von Microsoft behandeln die Einführung von KI in der Produktion als ein Problem der Architektur, Sicherheit, Governance, Bereitschaft und des Betriebs und nicht einfach als eine Frage der Modellauswahl.

 

Das Bewertungsmodell

Sechs Grundlagen entscheiden darüber, ob die Cloud die nächsten Schritte unterstützen kann.

KI-Reife ist kein Abzeichen, das man sich durch die Wahl eines Modells oder die Verlagerung einer Arbeitslast zu einem Cloud-Anbieter verdient. Sie ist eine Eigenschaft der umgebenden Technologieumgebung.

01. Anwendungen: Können bestehende Anwendungen angepasst werden, nützliche Funktionen bereitstellen und in neue Arbeitsabläufe eingebunden werden, ohne dabei übermäßige Risiken zu verursachen?

02. Daten: Sind die erforderlichen Daten auffindbar, vertrauenswürdig, geregelt, in einen Kontext eingebettet und sicher zugänglich?

03. Integration: Können KI-fähige Anwendungen mit den Systemen interagieren, die das Geschäft tatsächlich am Laufen halten?

04. Cloud-Infrastruktur: Kann die Umgebung angemessene Rechenleistung, Speicher, Netzwerkkapazitäten, Ausfallsicherheit und Kostenkontrolle bereitstellen?

05. Sicherheit und Governance: Sind Identitäten, Berechtigungen, sensible Datenflüsse, Nachvollziehbarkeit und KI-spezifische Risiken bekannt?

06. Betrieb: Kann die Lösung nach Abschluss des Pilotprojekts sicher bereitgestellt, überwacht, unterstützt, skaliert und angepasst werden?

 

01 · ANWENDUNGSREIFE

Modernisieren Sie die Anwendung nur dort, wo sie das Ergebnis verändert.

„Legacy“ bedeutet nicht automatisch „unbrauchbar“. Eine stabile Anwendung kann über Jahre hinweg wertvoll bleiben.

Das Problem tritt auf, wenn ihre Architektur das Unternehmen daran hindert, wichtige Funktionen einzuführen.

02 · TECHNISCHE SCHULDEN

Technische Schulden werden zu einem strategischen Problem, wenn sie Veränderungen behindern.

Die Wartungskosten eines alten Systems sind nur ein Teil des Problems. Die entscheidendere Frage ist, was dieses System das Unternehmen daran hindert, zu entwickeln, zu integrieren, zu automatisieren oder zu verändern.

• ANWENDUNG (Code & Abhängigkeiten): Nicht mehr unterstützte Frameworks, instabile Module, unzureichende Tests und schwer zu ändernde Komponenten.
• ARCHITEKTUR (Struktur & Kopplung): Enge Abhängigkeiten, unklare Grenzen und ein großer Einflussbereich bei scheinbar kleinen Änderungen.
• DATEN (Fragmentierung): Doppelte Daten, unklare Zuständigkeiten, inkonsistente Definitionen und eingeschränkte Zugänglichkeit.
• INTEGRATION (Konnektivität): Punkt-zu-Punkt-Schnittstellen, manuelle Übergaben und instabile Synchronisationsmuster.
• SICHERHEIT (Kontrollrückstand): Veraltete Identitätsmuster, schwache Nachvollziehbarkeit und nicht unterstützte Sicherheitskomponenten.
• BETRIEB (Reibungsverluste bei der Bereitstellung): Manuelle Bereitstellungen, schwache Beobachtbarkeit und übermäßige operative Abhängigkeit von einzelnen Personen.

 

Die Frage nach der KI-Reife Fragen Sie nicht: „Ist diese Anwendung modern?“ Fragen Sie: „Kann diese Anwendung in die zukünftige Architektur eingebunden werden, die für unsere vorrangigen KI-Anwendungsfälle erforderlich ist?“

 

03 · DATENBEREITHEIT

KI kann keine Daten kompensieren, denen das Unternehmen nicht vertrauen kann.

Unternehmensdaten befinden sich selten in einem einzigen, übersichtlichen System. Sie können über CRM-, ERP- und Betriebsdatenbanken, Dokumente, SaaS-Plattformen und Altsysteme verteilt sein.

Die Cloud-Architektur muss daher mehr als nur die Frage „Wo speichern wir die Daten?“ beantworten.

Sie muss klären, ob die richtigen Systeme für den beabsichtigten Anwendungsfall auf die Daten zugreifen, sie interpretieren und verwalten können.

1. Bestandsaufnahme: Wissen wir, wo sich wichtige Daten befinden?

2. Verantwortlichkeit: Wer ist für wichtige Datensätze verantwortlich?

3. Qualität: Sind die Daten genau, vollständig und konsistent genug?

4. Kontext: Kann das KI-System ihre geschäftliche Bedeutung verstehen?

5. Zugriff: Können autorisierte Systeme sicher darauf zugreifen?

6. Governance: Sind Anforderungen hinsichtlich Datenschutz, Aufbewahrungsfristen und Audits definiert?

 

04 · INTEGRATION

KI trifft auf das Unternehmen auf der Integrationsebene.

Viele KI-Anwendungsfälle sind keine eigenständigen Anwendungen. Sie sind in einen bestehenden Workflow eingebettet.

Ein Assistent benötigt möglicherweise Kundeninformationen aus einem CRM, Transaktionsdaten aus einem ERP, Dokumente aus einem Repository und Betriebsdaten aus einer anderen Anwendung.

Daher ist die Integrationsarchitektur Teil der KI-Bereitschaft und kein Implementierungsdetail, das später gelöst werden muss.

• APIs: Können Systeme das bereitstellen, was KI benötigt? Überprüfen Sie die Verfügbarkeit von APIs, die Dokumentation, die Authentifizierung, Ratenbeschränkungen und die Nachvollziehbarkeit.
• ARBEITSABLÄUFE: Kann KI in den Prozess eingebunden werden? Ermitteln Sie, an welchen Stellen KI Informationen abrufen, Maßnahmen empfehlen oder nachfolgende Arbeitsschritte auslösen muss.
• ABHÄNGIGKEITEN: Was passiert, wenn etwas fehlschlägt? Erfassen Sie Fehlerpfade, Wiederholungsversuche, Ausweichmöglichkeiten und menschliche Eingriffe.

 

05 · CLOUD-ARCHITEKTUR

KI verändert die Anforderungen an eine „gute Cloud-Architektur“.

KI-Workloads können unterschiedliche Rechenmuster, Datenbewegungen, Speicheranforderungen, Modellabhängigkeiten und betriebliche Überlegungen mit sich bringen.

Das Ziel besteht nicht darin, jeden neuen Cloud-Dienst zu nutzen. Das Ziel ist es, eine Umgebung zu entwerfen, die die erforderliche Workload unterstützt, ohne unkontrollierte Komplexität oder Kosten zu verursachen.

• RECHENLEISTUNG: Die Workload richtig dimensionieren (Leistungs-, Parallelitäts-, Beschleuniger- und Skalierungsanforderungen vor der Inbetriebnahme verstehen).
• NETZWERK: Den Datenfluss steuern (Konnektivität, Latenz, privaten Zugriff und den Fluss sensibler Daten überprüfen).
• KOSTEN: Die Wirtschaftlichkeit modellieren (Workload-Kosten abschätzen, bevor Nutzungsmuster schwer kontrollierbar werden).
• AUSFALLSICHERHEIT: Auf Ausfälle vorbereiten (Verfügbarkeit, Wiederherstellung, Ausweichverhalten und Abhängigkeiten der Workloads berücksichtigen).
• OBSERVABILITÄT: Den Überblick behalten (Leistung, Fehler, Infrastruktur und das Verhalten der Workloads überwachen).
• BEREITSTELLUNG: Änderungen wiederholbar machen (Kontrollierte Bereitstellungs- und Rollback-Pfade festlegen, bevor die Workload skaliert wird).

 

06 · SICHERHEIT & GOVERNANCE

KI wirft neue Fragen hinsichtlich Daten und Zugriffsberechtigungen auf.

Eine Cloud-Umgebung, die für herkömmliche Anwendungen ausreichend war, erfordert möglicherweise zusätzliche Kontrollmechanismen, wenn KI-Systeme Unternehmensdaten abrufen, zusammenfassen, generieren oder darauf basierend Maßnahmen ergreifen können.

Sicherheit muss daher als Teil der Architektur betrachtet werden und darf nicht erst hinzugefügt werden, nachdem die KI-Fähigkeit bereits vorhanden ist.

1. Wer hat Zugriff auf die KI-Fähigkeit?
2. Welche Daten kann sie abrufen?
3. Welche Aktionen kann sie auslösen?
4. Wo finden sensible Datenflüsse statt?
5. Was erfordert eine menschliche Genehmigung?
6. Können Aktivitäten überprüft werden?

 

 

07 · BETRIEB & DEVOPS

Ein erfolgreiches KI-Pilotprojekt scheitert dennoch, wenn niemand es ausführen kann.

Die Produktionsreife beginnt dort, wo die Demo endet.

Die Umgebung benötigt klare Zuständigkeiten, Kontrollmechanismen für die Bereitstellung, Beobachtbarkeit, Incident-Response, Kostentransparenz und eine Möglichkeit zur Bewertung, ob die Funktion weiterhin wie erwartet arbeitet.

Die Entscheidung zur Modernisierung

Modernisierung ist nicht gleichbedeutend mit einem Neuaufbau.

Unterschiedliche Arbeitslasten erfordern unterschiedliche Lösungen. Die richtige Wahl hängt vom geschäftlichen Nutzen, von technischen Einschränkungen, Abhängigkeiten, Risiken und der zukünftigen Relevanz ab.

Eine nützliche Regel

Modernisieren Sie ein System nicht, nur weil es alt ist. Modernisieren Sie es, weil seine Änderung, sein Betrieb, seine Absicherung oder seine Vernetzung wesentlich schwieriger geworden sind, als es der Wert rechtfertigt, es unverändert zu belassen.

KI-orientierter Ansatz

KI-fähige Cloud-Bewertung

Beginnen Sie mit Fakten, nicht mit einem Migrationsvorschlag.

Bevor Sie einen Technologiepfad empfehlen, sollten Sie die Umgebung anhand der tatsächlich relevanten Anwendungsfälle bewerten.

01 · DISCOVER (Umgebung erfassen): Anwendungen, Infrastruktur, Daten, Integrationen, Zuständigkeiten und kritische Arbeitsabläufe.

02 · BEWERTEN (Einschränkungen ermitteln): Technische Schulden, Abhängigkeiten, Sicherheitslücken, Datenbeschränkungen und betriebliche Reibungsverluste.

03 · PRIORISIEREN (Einschränkungen mit Ergebnissen verknüpfen): Identifizieren Sie, welche Änderungen wesentliche Auswirkungen auf das Geschäft, KI und Modernisierungsprioritäten haben.

04 · ENTWERFEN (Zielzustand definieren): Architektur, Integration, Sicherheit, Infrastruktur und Betriebsanforderungen.

05 · BEWEISEN (Einen aussagekräftigen Ausschnitt testen): Den Ansatz durch eine kontrollierte Modernisierung oder eine KI-gestützte Arbeitslast validieren.

06 · SKALIEREN (Die Roadmap erstellen): Priorisierte Umsetzung, Zuständigkeiten, Investitionen und messbare Ergebnisse.

 

VON DER ANALYSE ZUM HANDELN

Ein praktischer 90-Tage-Plan, der den Weg von der Ungewissheit hin zu fundierten Erkenntnissen weist.

Das Ziel besteht nicht darin, die gesamte IT-Landschaft innerhalb von 90 Tagen umzugestalten. Vielmehr geht es darum, festzustellen, welche Veränderungen tatsächlich von Bedeutung sind, und genügend Erkenntnisse zu gewinnen, um zu entscheiden, wie es weitergehen soll.

TAG 1–30 (Verstehen):

• Prioritäre KI- und Geschäftsanwendungsfälle
• Anwendungs- und Infrastrukturübersicht
• Daten- und Integrationsübersicht
• Erste Bestandsaufnahme der technischen Schulden
• Risikoannahmen

 

TAG 31–60 (Priorisierung):

• Bewertung der Bereitschaft
• Priorisierung der Einschränkungen
• Zielarchitektur
• Sicherheits- und Governance-Anforderungen
• Modernisierungs-Backlog

 

TAGE 61–90 (Nachweis & Planung):

• Kontrollierter Modernisierungsabschnitt
• KI-gestützter, produktionsorientierter Nachweis
• Erkenntnisse aus der Umsetzung
• Verantwortungs- und Betriebsmodell
• Skalierungs-Roadmap

 

EINE PERSPEKTIVE VON BIX BYTES

Die richtige Modernisierung fällt in der Regel kleiner aus als der erste Vorschlag.

Die KI-Bereitschaft liegt nicht allein in der Verantwortung eines separaten KI-Teams. Sie kann Bereiche wie Softwareentwicklung, Cloud-Architektur, DevOps, Sicherheit, Daten, Integration, Qualitätssicherung und Betrieb umfassen.

Deshalb sollte der Ausgangspunkt die bestehende Umgebung und das Geschäftsergebnis sein, nicht ein vorab festgelegter Technologie-Stack.

In der Praxis könnte die sinnvolle Maßnahme eine Anwendungsüberprüfung, eine Abhängigkeitsanalyse, die Bereitstellung von APIs, die Modernisierung der Datenbank, die Optimierung der Infrastruktur, die Verbesserung der Beobachtbarkeit, Sicherheitsmaßnahmen oder eine gezielte KI-Erweiterung sein.

Das Ziel ist nicht, alles neu zu gestalten. Es geht darum, die Hindernisse zu beseitigen, die das Unternehmen daran hindern, voranzukommen.

 

CHECKLISTE FÜR FÜHRUNGSKRÄFTE

Bevor Sie die nächste KI- oder Cloud-Initiative genehmigen.

1. Können wir das angestrebte Geschäftsergebnis in einem Satz formulieren?
2. Wissen wir, von welchen Anwendungen und Daten der Anwendungsfall abhängt?
3. Haben wir die bestehende Architektur bewertet, bevor wir uns für eine Zieltechnologie entschieden haben?
4. Wissen wir, welche technischen Schulden tatsächlich von Bedeutung sind?
5. Können die erforderlichen Systeme Informationen ohne manuelle Umgehungslösungen austauschen?
6. Sind die Anforderungen an Datenschutz, Sicherheit und Datenzugriff bekannt?
7. Kann die Arbeitslast überwacht werden, sobald sie in die Produktion geht?
8. Lässt sich die Umgebung ohne unkontrollierte Kosten skalieren?
9. Wissen wir, was modernisiert werden muss und was unverändert bleiben kann?
10. Welche Belege würden eine Skalierung der Initiative rechtfertigen?

 

Häufig gestellte Fragen

Cloud-Modernisierung – ohne die üblichen Vorannahmen.

• Bedeutet KI-Bereitschaft, dass wir unsere bestehenden Anwendungen neu entwickeln müssen?

Nein. KI-Bereitschaft sollte mit einer Bestandsaufnahme der bestehenden Umgebung beginnen. Einige Anwendungen erfordern möglicherweise eine gezielte Modernisierung, die Bereitstellung von APIs, eine verbesserte Beobachtbarkeit oder strengere Identitätskontrollen. Andere sind möglicherweise stabil genug, um beibehalten zu werden.

• Was sollte vor der Modernisierung im Hinblick auf KI bewertet werden?

Eine praxisorientierte Bewertung sollte Anwendungen, Architektur, Daten, Integration, Cloud-Infrastruktur, Sicherheit und Governance sowie den Betrieb berücksichtigen.

• Kann eine moderne Cloud-Umgebung dennoch nicht für KI gerüstet sein?

Ja. Eine Cloud-Umgebung kann technisch modern sein und dennoch fragmentierte Daten, eine schwache Integration, eingeschränkte Beobachtbarkeit, mangelhafte Governance oder Anwendungsabhängigkeiten aufweisen, die KI-Workloads einschränken.

• Sollte jede Legacy-Anwendung modernisiert werden?

Nein. Je nach Geschäftswert, technischen Einschränkungen, Risiken und zukünftiger strategischer Relevanz kann es sinnvoll sein, eine Workload zu überarbeiten, neu zu gestalten, auf eine andere Plattform zu migrieren, zu ersetzen oder beizubehalten.

 

Beginnen Sie mit der Umgebung, über die Sie bereits verfügen.

Bevor Sie alles modernisieren, sollten Sie herausfinden, was tatsächlich geändert werden muss.

Bix Bytes kann Ihnen dabei helfen, die bestehende Cloud-, Anwendungs-, Daten-, Integrations- und Betriebsumgebung im Hinblick auf die von Ihnen angestrebten KI- und Geschäftsziele zu bewerten.

Besprechen Sie eine KI-fähige Cloud-Bewertung

 

Über den Autor  

Bix Bytes Solutions  

Über Bix Bytes Solutions 

Bix Bytes Solutions ist ein Technologie- und Beratungsunternehmen mit Fachkompetenz in den Bereichen maßgeschneiderte Softwareentwicklung, Cloud-Engineering, Anwendungsmodernisierung und Technologieberatung. Unsere Entwicklerteams arbeiten gemeinsam mit Unternehmen an den Herausforderungen, die mit der Entwicklung, Wartung und Skalierung von Softwaresystemen einhergehen. Dieser Artikel spiegelt unsere praxisorientierte Sichtweise auf den Umgang mit technischer Verschuldung und die Entwicklung von Technologien wider, die sich gemeinsam mit den geschäftlichen Anforderungen weiterentwickeln können.  

Erfahren Sie mehr über uns

 

Forschung und Literaturhinweise

Quellen, auf denen das Rahmenwerk basiert

1. AWS, Generative AI / enterprise AI guidance. 

2. Microsoft, Cloud Adoption Framework. 

3. NIST, Artificial Intelligence Risk Management Framework. 

4. Carnegie Mellon Software Engineering Institute, Technical-debt and architecture-focused measurement research. 

5. Martin Fowler, Technical Debt. 

6. DORA, 2024 State of DevOps research. 

Forschungsquellen liefern externe Belege und etablierte Rahmenkonzepte. Das Material von Bix Bytes dient dazu, die eigene Kompetenzarchitektur und Sichtweise von Bix Bytes zu beschreiben.