Warum agentische KI Legacy-Systeme entlarvt

Das Bundeskabinett hat vor Kurzem seinen Gesetzesentwurf für die Umsetzung des EU AI Acts auf den Weg gebracht. Mit der vorgesehenen Rolle der Bundesnetzagentur als zentrale Aufsichtsbehörde wird deutlich, dass künstliche Intelligenz in Europa nicht mehr nur als Innovationsmotor betrachtet wird, sondern als reguliertes Technologiefeld mit klaren Spielregeln. Unternehmen müssen künftig stärker nachweisen, wie ihre KI-Systeme funktionieren, wie Risiken bewertet werden und wer intern Verantwortung trägt. Der AI Act folgt einem risikobasierten Ansatz und adressiert insbesondere Hochrisiko-Anwendungen. Für die Automobilindustrie ist das keine Randnotiz. Fahrerassistenzsysteme, autonome Funktionen, Produktionssteuerung oder auch KI-gestützte Entscheidungsprozesse im Vertrieb können schnell in regulierte Kategorien fallen. 

Damit wird KI nicht nur eine Frage von Performance und Skalierung, sondern von Dokumentation, Governance und technischer Robustheit. KI ist also nicht mehr nur Experimentierfeld oder Effizienzhebel. Sie wird zur strukturellen Managementaufgabe. Systeme müssen erklärbar sein, Datenflüsse nachvollziehbar, Entscheidungslogiken prüfbar. Genau hier stoßen viele gewachsene IT-Landschaften an ihre Grenzen. 

KI-Skalierung braucht moderne IT-Landschaft

Vor diesem Hintergrund gewinnt eine aktuelle Studie von Cognizant an Bedeutung, deren Titel übersetzt soviel bedeutet wie „KI im Zwei-Jahres-Zeitfenster: Der Weg zur Modernisierung von Altsystemen“.  Schon die Formulierung deutet an, worum es den Autoren geht. Es geht nicht um langfristige Visionen, sondern um einen klar definierten Zeithorizont und um die strukturellen Voraussetzungen, die Unternehmen schaffen müssen, um KI tatsächlich skalieren zu können. Grundlage der Untersuchung ist eine internationale Befragung von Führungskräften aus Business und IT, die sich mit der Modernisierungsfähigkeit ihrer Organisationen auseinandersetzt. 

Die zentrale These ist deutlich: Wer KI in den kommenden zwei Jahren produktiv und breit einsetzen will, kommt an einer grundlegenden Erneuerung seiner gewachsenen IT-Landschaften nicht vorbei. Besonders deutlich werde das am Beispiel von Agentic AI, also KI-Systemen, die nicht nur analysieren, sondern eigenständig Aufgaben planen, Entscheidungen vorbereiten und Prozessketten ausführen.  Solche agentischen Systeme agieren nicht reaktiv, sondern übernehmen operative Verantwortung in definierten Grenzen. Sie greifen damit tief in bestehende IT-Architekturen, Datenstrukturen und Governance-Modelle ein und machen strukturelle Schwächen unmittelbar sichtbar.

Agentic AI – Zwischen Potenzial und Praxis

Agentic AI geht über Assistenz hinaus und handelt autonom. In der Praxis zeigt sich jedoch schnell: Agentic AI ist kein Plug-and-Play. Wer Agenten produktiv einsetzen will, braucht mehr als ein Modell. Entscheidend sind robuste Schnittstellen in Richtung ITSM- und DevOps-Toolchain, sauber orchestrierte Daten- und Berechtigungsmodelle sowie ein Governance-Setup, das Kontrolle, Nachvollziehbarkeit und Compliance sicherstellt. Doch was funktioniert heute wirklich? In unserem kostenlosen digitalen Thementalk am 05. März 2026 um 14 Uhr diskutieren Experten reale Use Cases, technische und organisatorische Hürden sowie Anforderungen an Architektur, Daten und Governance.  ✍🏻 Jetzt kostenlos anmelden! 

Agentic AI trifft auf Legacy-Strukturen

Ein zentrales Ergebnis der Cognizant-Studie ist die wachsende Diskrepanz zwischen Anspruch und Realität. 85 Prozent der befragten Führungskräfte äußern laut Untersuchung die Sorge, dass ihre bestehende Technologiebasis die Integration und Skalierung von KI gefährden könnte. Gleichzeitig gehen mindestens drei Viertel davon aus, ihre Modernisierungsziele innerhalb der kommenden zwei Jahre erreichen zu können. Der Optimismus ist hoch, die strukturellen Voraussetzungen sind es offensichtlich nicht. Besonders deutlich wird diese Spannung beim Thema Agentic AI. 

Nur 17 Prozent der Befragten sind überzeugt, dass ihre aktuelle Infrastruktur in der Lage ist, agentische Systeme zu tragen, also KI-Lösungen, die eigenständig Entscheidungen vorbereiten, mehrere Systeme koordinieren und komplette Arbeitsabläufe ausführen. Anders formuliert: Mehr als vier Fünftel der Unternehmen sehen sich nicht ausreichend vorbereitet für genau jene Form von KI, die als nächster Evolutionsschritt gilt.

Gleichzeitig zeigt die Studie, wie schwer sich Organisationen mit dem Abbau von Altlasten tun. 93 Prozent geben an, bislang höchstens ein Viertel ihrer technischen Schulden reduziert zu haben. Bis zum Jahr 2030 erwarten 79 Prozent, weniger als die Hälfte dieser Tech Debt abzubauen. Das ist insofern kritisch, als gerade agentische Systeme besonders sensibel auf unklare Schnittstellen, inkonsistente Datenmodelle und fragmentierte Sicherheitsarchitekturen reagieren. Standardisierung und klare Verantwortlichkeiten fehlen, steigt das Risiko von Fehlentscheidungen, Sicherheitslücken oder nicht nachvollziehbaren Prozessketten erheblich.

Hinzu kommt eine strukturelle Budgetverschiebung. Der Anteil der IT-Ausgaben, der aktuell für den Betrieb und die Pflege von Legacy-Systemen aufgewendet wird, liegt laut den Ergebnissen von Cognizant bei rund 61 Prozent. Bis 2030 soll dieser Wert auf 27 Prozent sinken. Die freigesetzten Mittel sollen in Innovation, Automatisierung und KI fließen. Doch dieser finanzielle Umbau könne nur dann gelingen, wenn Modernisierung tatsächlich Tempo aufnimmt. 

Vom Backend bis ins Fahrzeug: Agentic AI als Integrationsfrage

Gerade für Unternehmen aus der Automobilindustrie mit komplexen Backend-Landschaften, global verzweigten Produktionsnetzwerken und regulierten Fahrzeugfunktionen ist diese Konstellation sensibel. In kaum einer anderen Branche treffen hochgradig vernetzte IT-Systeme, sicherheitskritische Produkte und internationale Compliance-Anforderungen so unmittelbar aufeinander. Vom Software-Defined Vehicle über Over-the-Air-Updates bis hin zu KI-gestützter Produktionsplanung oder datengetriebenem Aftersales greifen digitale Prozesse heute tief in das operative Geschäft ein.

Agentic AI verschärft diese Dynamik. Solche Systeme agieren nicht isoliert innerhalb einzelner Anwendungen, sondern bewegen sich über Systemgrenzen hinweg. Sie greifen auf ERP- und MES-Strukturen zu, interagieren mit PLM-Umgebungen, analysieren Sensordaten aus Fahrzeugflotten oder orchestrieren Workflows im Kundenservice. Damit steigt die Abhängigkeit von klar dokumentierten Schnittstellen, konsistenten Datenmodellen und stabilen Identitäts- und Zugriffskonzepten erheblich. Wo Daten redundant, inkonsistent oder historisch gewachsen sind, könnten agentische Ansätze schnell an operative Grenzen stoßen.

Ist KI ein Fluch oder Segen für die Cybersecurity?

Während KI Potenziale zur Risikoerkennung bietet, erhöht sie auch das Spektrum an Cyberbedrohungen. Wir erklären, warum das Connected Car so anfällig für digitale Angriffe ist und ob KI eher zur Chance oder zum Risiko für die Cybersicherheit wird.

Hinzu kommt der regulatorische Rahmen. Sobald KI-Systeme in sicherheitsrelevante Funktionen oder qualitätskritische Produktionsprozesse eingebunden sind, müssen Entscheidungen nachvollziehbar und auch reproduzierbar sein. Agentic AI verlangt daher nicht nur technische Integration, sondern auch eine robuste Governance-Architektur. Logging, Monitoring und rollenbasierte Verantwortlichkeiten werden zur Voraussetzung für Skalierung. Die Studie legt nahe, dass viele Organisationen diesen Reifegrad bislang nicht erreicht haben. Agentic AI werde damit nicht zum reinen Innovationstreiber, sondern zum Indikator für strukturelle Defizite. Sie macht sichtbar, wo Modernisierung bislang inkrementell gedacht wurde, obwohl eigentlich ein architektonischer Neuansatz erforderlich wäre.

Cognizant macht deutlich, dass Unternehmen jetzt handeln müssten, um im globalen KI-Wettlauf nicht den Anschluss zu verlieren. Die Studienergebnisse zeigen klar, dass die bestehende technologische Infrastruktur in vielen Organisationen für eine umfassende KI-Integration bei weitem nicht ausreiche. Entscheidend sei daher, dass sich Modernisierungsprogramme am Tempo der KI-Entwicklung orientierten und nicht umgekehrt. Gelinge es Unternehmen, die formulierte Zwei-Jahres-Frist einzuhalten oder ihr zumindest nahezukommen, seien sie gut positioniert für eine zunehmend KI-geprägte Wirtschaft.