AI-Ambitionen, Legacy-Realität: Was „nicht modernisieren“ tatsächlich bedeutet

In vielen Führungsetagen zeigt sich derzeit dasselbe Muster und die Zahlen sind deutlich genug, dass sie keine Dramatisierung brauchen.

Ein Unternehmen verkündet seine AI-Ambitionen. Teams entwickeln Proofs of Concept, hier einen Dokumentenassistenten, dort einen Copiloten für den Kundenservice. Die Demos beeindrucken. Und dann: Nichts lässt sich skalieren. Der Pilot, der mit einem kuratierten Datensatz in einer Sandbox funktioniert hat, lässt sich nicht in die Systeme integrieren, auf denen das operative Geschäft tatsächlich läuft. Zwölf Monate später ist das AI-Budget aufgebraucht und übrig geblieben sind vor allem überzeugende Demos und Präsentationsfolien.

Das ist kein Einzelfall. Es ist vielmehr das Ergebnis, das die Daten am häufigsten zeigen und der Grund liegt in den meisten Fällen nicht bei der AI. Er liegt im technologischen Fundament darunter.

Was unabhängige Quellen zeigen

• MIT – „The GenAI Divide: State of AI in Business 2025“ (Projekt NANDA). Untersucht wurden mehr als 300 öffentlich bekannte Initiativen, 52 Unternehmensinterviews und 153 Befragungen von Führungskräften. Das Ergebnis: Trotz geschätzter Unternehmensinvestitionen von 30–40 Milliarden US-Dollar in generative AI zeigen rund 95 % der AI-Pilotprojekte keinen messbaren Return. Nur etwa 5 % erreichten die Produktionsreife mit nachweisbarem Mehrwert. Der Unterschied liegt nicht primär in der Modellqualität. Das wiederkehrende Muster ist vielmehr, AI auf bestehende Prozesse aufzusetzen und die Integrationskomplexität zu unterschätzen.
• Gartner . Gartner prognostizierte Mitte 2024, dass bis Ende 2025 mindestens 30 % der GenAI-Projekte nach der PoC-Phase aufgegeben würden. Die Gründe: schlechte Datenqualität, unzureichender Risk Controls, steigender Kosten und unklarem Business Value. Eine spätere Analyse kam zu dem Ergebnis, dass mindestens 50 % der GenAI-Projekte nach der PoC-Phase aus denselben vier Gründen aufgegeben wurden.
• S&P Global Market Intelligence (2025). Die operative Realität: Im Durchschnitt verwarf eine Organisation 46 % ihrer AI Proofs of Concept vor dem Produktiveinsatz. Nur 48 % der AI-Projekte erreichen überhaupt die Produktion, und diejenigen, die es schaffen, benötigen im Durchschnitt acht Monate vom Prototyp bis zum Produktivbetrieb.
• MIT Sloan-Studie (2023). Zur konkreten Frage nach dem „Warum“: 70 % der Initiativen im Bereich generativer AI haben Schwierigkeiten bei der Integration in Legacy-Systeme und bestehende Workflows.

Zusammengenommen ergibt sich ein klares Bild: Der Pilot ist nicht der schwierige Teil. Der Stack ist es.

Warum Legacy-Stacks AI beim Skalieren ausbremsen

Vier Mechanismen verursachen den grössten Schaden und jeder einzelne bleibt während des PoC weitgehend unsichtbar, weil der PoC ihn bewusst umgeht.

1. Die Daten waren nie AI-ready. Laut Gartner zählt schlechte Datenqualität zu den wichtigsten Gründen, warum Projekten scheitem. Sie ist ein typisches Symptom von Legacy-Architekturen. Jahrzehntelang gewachsene, isolierte Systeme führen zu inkonsistenten Definitionen, fehlender Data Lineage und Datensätzen, die als nächtliche Batch-Exporte existieren statt als governed, abfragbare Assets. Ein Pilot kann mit einem manuell kuratierten Datenauszug funktionieren. Der Produktivbetrieb benötigt jedoch die reale Datenlandschaft und genau dort entstehen die Probleme. Gartner prognostiziert zudem, dass Unternehmen bis 2026 60 % der AI-Projekte aufgeben werden, die nicht durch AI-ready Data unterstützt werden.
2. Es gibt keinen Governed Access Path. Ein produktives AI-System muss Daten aus den Systems of Record lesen und oft auch dorthin züruckschreiben können. Beides braucht klare Access Controls und einen vollständigen Audit Trail. Legacy-Landschaften wurden für benannte menschliche Nutzer und Batch Jobs entwickelt, nicht für modellgesteuerte Services, die fein abgestuften, protokollierten und widerrufbaren Zugriff benötigen. Ohne diese Governance Layer bleibt die Wahl zwischen einem inakzeptablen Risikoprofil und dem Verzicht auf den Produktiveinsatz. Regulierte Branchen entscheiden sich zu Recht gegen den Rollout, wenn diese Kontrollen fehlen.
3. Die Runtime-Annahmen passen nicht zusammen. Architekturen aus der Batch-Ära treffen auf eine Inference Workload: Online-AI-Funktionen benötigen Low-Latency-Zugriff auf den aktuellen Zustand, während das Core-System den massgeblichen Datenstand möglicherweise nur einmal pro Nacht liefert. Streaming- oder Event Interfaces erst mitten im Projekt an einen Monolithen anzubauen, ist genau der Punkt, an dem aus einem sechswöchigen Pilot ein zweijähriges Programm wird, das niemand geplant hat.
4. Das Unternehmen umgeht die IT und schafft Shadow AI. Der MIT-Bericht beschreibt, wie Mitarbeitende mit Consumer-AI-Tools bereits produktiven Mehrwert erzielen, während offizielle Pilotprojekte ins Stocken geraten. Dieses Verhalten ist aus individueller Sicht nachvollziehbar, institutionell aber problematisch: In einem regulierten Unternehmen ist unkontrollierte AI-Nutzung kein Produktivitätsgewinn, sondern ein potenzieller Audit-Befund. Die FINMA-Mitteilung 08/2024 erwartet von beaufsichtigten Instituten, dass sie ihre AI-Anwendungen erfassen und steuern. Dies wird durch Shadow AI per Definition aber schwer erfüllbar.

Was das wirtschaftlich bedeutet: die ehrliche Reihenfolge

„Nicht modernisieren“, während gleichzeitig AI-Ziele verfolgt werden, ist ebenfalls eine Entscheidung. Und sie bringt drei Kosten mit sich, die sich gegenseitig verstärken.

• Das Pilotbudget wird strukturell unwirtschaftlich. Wenn etwa die Hälfte der Proofs of Concept aus Gründen scheitert, die in Daten und Integration begründet liegen, dann ist jeder weitere Pilot auf einem nicht modernisierten Stack ein weiteres Los in einer Lotterie, deren Gewinnchancen bereits bekannt sind. Die Kosten sind real, jedoch war der Weg in die Produktion von Anfang an nie vorhanden.
• Der Abstand zu AI-ready Wettbewerbern wächst mit jedem Quartal. Das Gegenbeispiel ist aufschlussreich: Institutionen, die früh in Plattformen, Governance und Integration investiert haben, sind diejenigen, die AI heute im grossen Massstab einsetzen. UBS, die Governance und kontrollierte Einführung zu zentralen Bestandteilen ihrer Strategie gemacht hat, berichtet von mehr als 300 aktiven AI Use Cases und unternehmensweiten Tool-Rollouts. Die MIT-Daten zeigen zudem ein verwandtes Muster: Initiativen, bei denen interne Teams mit externen Spezialisten zusammenarbeiteten, waren deutlich häufiger erfolgreich als rein interne Projekte.
• Die Budgetdiskussion im Vorstand dreht sich um. AI-Budget und Modernisierungsbudget werden häufig als konkurrierende Investitionen betrachtet. Tatsächlich bauen sie aufeinander auf: Modernisierung ist die AI-Investition in ihrer Enabling-Phase. Wer diesen Schritt überspringt, zahlt doppelt. Zuerst für Piloten, die nicht skalieren. Später für die Modernisierung, die trotzdem kommt, dann aber unter Zeitdruck.

Die Kernaussage für Ihr nächstes Steering Committee

Wenn Ihre Technologielandschaft einem AI-System keinen kontrollierten, latenzarmen und klar definierten Zugriff auf die Daten und Prozesse ermöglicht, die Ihr Geschäft steuern, dann ist Ihre AI-Strategie in Wahrheit eine Pilotstrategie und die veröffentlichten Zahlen zeigen, wie selten solche Piloten einen messbaren Return erreichen.

Die Frage ist nicht, ob Sie vor oder nach AI modernisieren. Modernisierung mit einer explizit AI-ready Zielarchitektur schafft die Voraussetzung dafür, aus erfolgreichen Piloten produktive Systeme zu machen.