KI im ERP ist mehr als ein Chatbot oder Copilot. Sobald KI-Agenten aktiv in Geschäftsprozesse eingreifen, werden Geschäftslogik, Berechtigungen und eine wandlungsfähige Architektur entscheidend. Im MIDRANGE-Interview erklärt Mark Knill (Chief Commercial Officer bei Thinkwise), warum Unternehmen ihre gewachsene „operative DNA“ nicht vorschnell über Bord werfen sollten, welche neuen Möglichkeiten KI für die Modernisierung von IBM-i- und RPG-Anwendungen eröffnet – und was ein ERP wirklich „AI-ready“ macht.

„KI braucht gute Daten“ lautet ein gängiges Credo. Warum reicht das nicht – und welche Rolle spielen Geschäftslogik, Prozesse und Architektur für produktive KI?

Gute Daten sind eine wichtige Voraussetzung. Aber Daten allein erklären einer KI noch nicht, wie ein Unternehmen tatsächlich arbeitet.

Sie sagen beispielsweise nicht, unter welchen Bedingungen ein Auftrag freigegeben werden darf, welche Ausnahmen gelten, welcher Mitarbeiter welche Entscheidung treffen darf oder welche Prozessschritte zwingend eingehalten werden müssen. Dieses Wissen steckt in Geschäftsregeln, Prozessen, Rollen und häufig tief in den bestehenden Anwendungen.

Solange KI Informationen zusammenfasst oder Vorschläge macht, lässt sich vieles noch über Datenzugriff lösen. Sobald sie aktiv in Geschäftsprozesse eingreift, verändert sich die Situation. Dann muss klar sein, auf welche Funktionen sie zugreifen darf, welche Regeln gelten und wo Grenzen gesetzt sind.

Produktive KI braucht deshalb nicht nur gute Daten. Sie braucht ein Anwendungsfundament, das Daten, Geschäftslogik, Prozesse, Rollen, Berechtigungen und Schnittstellen strukturiert zusammenführt und kontrollierbar macht.

Viele ERP-Anbieter integrieren Chatbots, Copilots oder LLMs. Macht das ein ERP bereits AI-ready? Woran erkennt man eine wirklich KI-fähige Architektur?

Nein. Ein Copilot kann nützlich sein, aber er macht die darunterliegende Architektur nicht automatisch AI-ready.

Für mich beginnt AI-Readiness dort, wo KI nicht nur Informationen abrufen kann, sondern Geschäftsprozesse in ihrem Kontext versteht und innerhalb definierter Grenzen mit ihnen interagieren kann.

Entscheidend ist deshalb, wie transparent die ERP-Anwendung aufgebaut ist: Welche Funktionen existieren? Welche Geschäftsregeln gelten? Wie hängen Prozesse und Daten zusammen?

Hinzu kommen offene, standardisierte Schnittstellen und eine Architektur, die sich kontinuierlich weiterentwickeln lässt. Technische Konnektivität allein reicht dabei nicht. Ein Agent muss auch verstehen können, welche geschäftliche Bedeutung hinter einer Funktion oder einem Prozessschritt steht.

Ein weiterer Punkt wird häufig unterschätzt: KI beschleunigt nicht automatisch nur das Gute. Wenn Geschäftslogik schwer nachvollziehbar, Schnittstellen fragil oder Berechtigungen uneinheitlich sind, beschleunigt man im Zweifel auch diese Schwächen. Gerade deshalb wird die Qualität der zugrunde liegenden Architektur wichtiger.

Die entscheidende Frage lautet daher: „Ist unsere Architektur darauf vorbereitet, dass KI künftig aktiv mit unseren Geschäftsprozessen interagiert?“

In individuell entwickelten oder stark angepassten ERP-Systemen steckt oft jahrzehntelange „operative DNA“. Wie groß ist die Gefahr, dieses Wissen bei einer Greenfield-Neuimplementierung oder einem radikalen Redesign zu verlieren?

Sehr groß.

Viele geschäftskritische Anwendungen bilden weit mehr ab als technische Funktionen. In ihnen steckt über Jahrzehnte entstandenes Unternehmenswissen: Geschäftsregeln, Sonderfälle, Validierungen, Kundenanforderungen und Prozessvarianten.

Das gilt für gewachsene RPG-basierte ERP-Anwendungen ebenso wie für andere ERP-Systeme, die auf unterschiedlichen Technologien basieren und über Jahre individuell entwickelt oder stark angepasst wurden.

Bei einer Greenfield-Neuimplementierung besteht die Gefahr, dass technische Modernisierung und fachliche Neugestaltung gleichzeitig stattfinden. Dann muss unter erheblichem Projektdruck entschieden werden, welche bestehende Logik übernommen, verändert oder verworfen werden soll. Gerade implizite Abhängigkeiten und seltene Ausnahmefälle werden dabei leicht übersehen und oft erst im späteren Projektverlauf oder nach dem Go-live sichtbar.

Hinzu kommt, dass ein Teil dieses Wissens häufig nicht dokumentiert ist, sondern in den Köpfen langjähriger Mitarbeiter steckt. Deshalb ist es so wichtig, die vorhandene Geschäftslogik zunächst sichtbar und nachvollziehbar zu machen, bevor sie grundlegend verändert wird.

Sie plädieren dafür, bestehende Geschäftslogik erst zu verstehen und abzubilden, bevor sie optimiert wird. Wie verhindert man, dabei auch überholte Prozesse und Altlasten zu konservieren?

Indem man Transformation und Optimierung bewusst voneinander trennt und die bestehende Anwendung zunächst transparent macht.

Bei einer geschäftskritischen Kernanwendung wie einem ERP-System ist es bereits eine große Aufgabe, die vorhandene Anwendungslogik und ihre Abhängigkeiten strukturiert zu erfassen und auf ein modernes technisches Fundament zu überführen. Wenn man gleichzeitig Prozesse neugestaltet und Geschäftslogik grundlegend verändert, steigt die Komplexität erheblich.

Die bestehende Anwendung wird deshalb nicht einfach kopiert. Sie wird während der Transformation analysiert. Dadurch werden Redundanzen, historische Abhängigkeiten und mögliche Optimierungspotenziale sichtbar.

Dabei ist wichtig: Nicht jede Individualisierung ist automatisch technische Schuld. Manche individuell entwickelten oder stark angepassten Regeln und Prozesse bilden genau die Besonderheiten ab, mit denen sich ein Unternehmen im Markt differenziert. Entscheidend ist deshalb, zwischen wertvoller Geschäftslogik und tatsächlichen Altlasten unterscheiden zu können.

Genau das verhindert, dass Altlasten unbemerkt konserviert werden. Nicht jede Optimierungsentscheidung muss bereits während der Transformation fallen. Aber man schafft Transparenz darüber, wo Veränderungen sinnvoll oder notwendig sind.

Auf dem modernisierten Fundament lassen sich Prozesse und Regeln anschließend gezielt vereinfachen, verändern oder entfernen, ohne den zusätzlichen Druck einer technologischen Ablösung.

Der AI Upcycler soll Geschäftslogik und Anwendungsstrukturen KI-gestützt in ein ausführbares Modell überführen. Was kann KI dabei leisten, wo bleibt der Mensch unverzichtbar?

KI kann heute sehr große Mengen bestehenden Codes und vorhandener Strukturen analysieren und Zusammenhänge erkennen, die früher manuell rekonstruiert werden mussten.

Der Thinkwise AI Upcycler analysiert beispielsweise Datenstrukturen, Benutzeroberflächen, Prozesse, Validierungen und Geschäftslogik und überführt sie in ein strukturiertes, ausführbares Anwendungsmodell. Dieses Modell bildet die Anwendung nicht nur technisch ab, sondern führt ihre wesentlichen Bestandteile – von Daten und Geschäftslogik bis zu Prozessen und Berechtigungen – in einer zentralen Struktur zusammen.

Dabei können erfahrungsgemäß bis zu 90 Prozent der bestehenden Anwendung transformiert werden – von Daten und Strukturen bis hin zu großen Teilen der Anwendungslogik.

Der entscheidende Punkt ist jedoch: Wir verwenden KI nicht als autonome Entwicklungsmaschine, sondern innerhalb eines kontrollierten Engineering-Prozesses.

Geschwindigkeit allein ist kein Qualitätsmerkmal. Wenn KI Entwicklungs- oder Transformationsprozesse beschleunigt, steigt gleichzeitig die Bedeutung von Review, Governance, Lifecycle Management und Wartbarkeit.

Genau hier liegt ein wesentlicher Vorteil des modellgetriebenen Ansatzes: Zusammenhänge, die vorher nur implizit im Code vorhanden waren, werden expliziter und dadurch besser nachvollziehbar. Das ist für Entwickler wichtig, künftig aber auch für KI-basierte Werkzeuge und Agents.

Gerade bei komplexen, über Jahre gewachsenen Kernanwendungen ist das relevant, weil Geschäftslogik und technische Abhängigkeiten dort häufig nur schwer vollständig nachvollziehbar sind.

Der Mensch bleibt dort unverzichtbar, wo Bewertung erforderlich ist. KI kann erkennen, dass eine bestimmte Regel existiert. Sie kann aber nicht allein entscheiden, ob diese Regel für das Unternehmen auch künftig sinnvoll ist.

Die Stärke liegt deshalb in der Kombination: KI automatisiert einen großen Teil von Analyse und Transformation, Menschen übernehmen Kontext, Bewertung und Verantwortung.

Ein AI Agent gibt nicht nur Antworten, sondern kann Prozesse auslösen und Entscheidungen umsetzen. Welche Leitplanken braucht er, bevor Unternehmen ihm echte Handlungskompetenz geben können?

Sobald ein Agent selbstständig handelt, wird aus einer Technologiefrage eine Governance- und Verantwortungsfrage.

Unternehmen müssen deshalb zunächst festlegen, welche Aufgaben ein Agent übernehmen darf und wo seine Grenzen liegen. Autonomie sollte kein Selbstzweck sein. Für viele geschäftskritische Szenarien ist ein abgestuftes Modell sinnvoll: Ein Agent kann zunächst analysieren und Empfehlungen geben, später klar begrenzte Aktionen selbstständig ausführen und bei kritischen oder irreversiblen Vorgängen einen Menschen einbeziehen.

Ebenso wichtig ist die organisatorische Verantwortung. Für jeden produktiv eingesetzten Agent sollte klar sein, wer ihn verantwortet, welche Aufgabe er erfüllt und wie sein Verhalten überwacht wird.

Und Unternehmen müssen auch den Fehlerfall mitdenken: Was passiert, wenn ein Agent sich unerwartet verhält? Wie wird eine Aktion gestoppt, eskaliert oder auf einen sicheren Zustand zurückgesetzt?

Die entscheidende Managementfrage lautet deshalb: „Welche Verantwortung wollen wir einem Agenten tatsächlich übertragen?“

Für AI Agents sollen dieselben Geschäftsregeln, Rollen und Berechtigungen gelten wie für Menschen. Wie funktioniert diese Kontrolle – gerade wenn externe Agents über MCP eingebunden werden?

Die organisatorischen Leitplanken müssen sich technisch konsequent durchsetzen lassen.

Wenn eine Anwendung Rollen, Berechtigungen und Geschäftsregeln definiert, sollten diese auch für AI Agents gelten. In einer modellgetriebenen Architektur sind sie zentral beschrieben. Ein Agent kann dadurch nur auf die Daten und Funktionen zugreifen, die für seine Rolle vorgesehen sind.

Das gilt auch für externe Agents. MCP oder andere Protokolle schaffen zunächst nur einen technischen Zugangsweg. Sie legen nicht fest, welche Rechte ein Agent besitzt oder welche Geschäftsregeln für ihn gelten.

Entscheidend ist deshalb die zugrunde liegende Architektur: Kann sie Zugriffe kontrollieren, Regeln konsequent durchsetzen und Aktionen nachvollziehbar machen – unabhängig davon, welcher Agent oder welches Modell angebunden wird?

Technischer Zugriff allein reicht außerdem nicht. Ein Agent muss auch den geschäftlichen Kontext einer Funktion und die damit verbundenen Regeln verstehen können. Erst dann wird aus technischer Konnektivität echte Interoperabilität.

Was bedeutet das speziell für IBM-i- und RPG-Anwendungen? Macht KI deren Modernisierung dringlicher – oder erstmals deutlich schneller und wirtschaftlicher?

Beides.

IBM i ist nach wie vor eine stabile und leistungsfähige Plattform. Das Problem liegt häufig weniger bei der Plattform selbst als in Anwendungen, die über Jahrzehnte gewachsen sind.

Gerade in RPG-Anwendungen steckt oft enorme operative DNA. Gleichzeitig sind Geschäftslogik, Benutzeroberflächen und technische Strukturen teilweise sehr eng miteinander verbunden.

Wenn Unternehmen KI tiefer in operative Prozesse einbinden wollen, benötigen sie einen strukturierten Zugriff auf Funktionen, Prozesse und Geschäftsregeln. Ein zusätzlicher API-Layer auf einer bestehenden Legacy-Anwendung kann kurzfristig helfen, verändert aber die strukturellen Abhängigkeiten der Anwendung nicht.

Legacy entsteht dabei nicht nur durch alten Code. Über viele Jahre entstehen häufig Kapselungen, Add-ons, Schnittstellen und zusätzliche Systeme, um fehlende Anpassungsfähigkeit zu kompensieren. Dadurch wächst die Komplexität weiter.

Mit Agentic AI werden solche Schwächen eher sichtbarer. Technische Schulden verschwinden durch KI nicht. Wenn neue Technologien produktiv und skalierbar eingesetzt werden sollen, können Integration, Wartbarkeit und Architekturkomplexität sogar stärker zum Engpass werden.

Gleichzeitig kann KI gerade bei komplexen RPG-Anwendungen den Analyse- und Transformationsaufwand erheblich reduzieren. Das verändert die wirtschaftliche Diskussion.

Unternehmen müssen nicht mehr nur zwischen Weiterbetrieb der Legacy-Anwendung, Wechsel auf Standardsoftware und kompletter Neuentwicklung wählen. Es entsteht eine vierte Option: bestehende Geschäftslogik erhalten, die Architektur strukturell modernisieren und daraus ein dauerhaft wandlungsfähiges, AI-fähiges Kernsystem schaffen.

Dass dieser Weg auch praktisch relevant ist, zeigt ein aktuelles Modernisierungsprojekt bei einem internationalen Großhändler: Ein seit mehr als 30 Jahren gewachsenes ERP-System auf IBM i sollte nach zwei gescheiterten Modernisierungsversuchen diesmal bewusst nicht erneut in einem Big Bang ersetzt werden. Stattdessen erfolgt die Transformation schrittweise bei laufendem Betrieb, wobei die bestehende Geschäftslogik auf ein modernes Fundament überführt wird.

Werden künftig weniger die KI-Features eines ERP entscheidend sein als seine Architektur? Was müssen CIOs heute tun, damit ihre Systeme auch für die nächste Generation von AI Agents gerüstet sind?

Ich glaube, dass Wandlungsfähigkeit deutlich stärker zum strategischen Kriterium für ERP-Systeme wird. Denn KI-Agenten sind am Ende nur so gut wie das Kernsystem, auf das sie zugreifen und in dem sie handeln.

CIOs sollten deshalb heute vor allem drei Fragen stellen.

Erstens: Ist unsere geschäftskritische Logik transparent und zugänglich? Oder steckt sie verteilt in jahrzehntealtem Code und ist nur noch für wenige Spezialisten nachvollziehbar?

Zweitens: Lässt sich KI vom Pilot in den produktiven Betrieb überführen? Eine überzeugende Demo ist relativ schnell gebaut. Die anspruchsvolle Frage ist, ob sich dieselbe Lösung zuverlässig, kontrolliert und skalierbar in geschäftskritischen Prozessen betreiben lässt. Genau dort werden Architektur, Governance und Lifecycle Management entscheidend.

Und drittens: Wie wandlungsfähig ist unsere Architektur? Kann sie neue Technologien, neue Prozesse und neue Formen der Interaktion aufnehmen, ohne dass jedes Mal wieder ein grundlegendes Modernisierungsprojekt erforderlich wird?

Das ist für mich der strategisch wichtigste Punkt. Niemand kann heute verlässlich sagen, welches LLM, welcher Agent oder welches Interaktionsmodell in fünf Jahren relevant sein wird.

Deshalb sollte eine zukunftsfähige Architektur nicht auf die KI von heute optimiert sein. Sie sollte so wandlungsfähig sein, dass auch neue KI-Technologien integriert werden können, ohne Governance, Wartbarkeit und Kontrolle zu verlieren.

AI-ready bedeutet deshalb nicht, möglichst viele KI-Features einzubauen. Es bedeutet, die technologische Grundlage dafür zu schaffen, auch die nächste Generation von KI sicher und produktiv einsetzen zu können.

Herzlichen Dank für Ihre Zeit!