Christian Doll arbeitet im Bereich Application Performance Monitoring (APM) und unterstützt Unternehmen dabei, Performance und Verfügbarkeit aus Sicht der Anwender messbar zu machen. Im Interview erklärt er, welche Monitoring-Ebenen es gibt, wie sich die Nutzererfahrung objektiv bewerten lässt und warum Unternehmen dabei am besten mit ihren wichtigsten Geschäftsprozessen beginnen.

Das Wichtigste in Kürze

• Technische Verfügbarkeit bedeutet nicht automatisch Nutzbarkeit: Fehler auf Clientseite, Berechtigungsprobleme oder externe Schnittstellen können Anwendungen beeinträchtigen, obwohl die Infrastruktur funktioniert.
• End-User Observability ergänzt klassisches Monitoring um die tatsächliche Perspektive der Anwender.
• Synthetisches Monitoring und Real-User-Monitoring liefern unterschiedliche, sich ergänzende Informationen.
• Messdaten machen subjektive Beschwerden objektiv bewertbar und unterstützen die gezielte Optimierung von Anwendungen.
• KI kann Monitoring-Daten zusammenführen, um Ursachen schneller zu erkennen und die Wiederherstellung von Services zu beschleunigen.

End-User Observability: Experteninterview mit Christian Doll

Im vollständigen Experteninterview erklärt Christian Doll, Experte für Application Performance Monitoring bei accompio, wie Unternehmen die tatsächliche Nutzererfahrung messbar machen und End-User Observability sinnvoll einsetzen können.

Video ansehen

Wenn die Infrastruktur läuft, die Anwendung aber trotzdem ausfällt

Klassisches Infrastrukturmonitoring liefert wichtige Informationen über Server, Speicher und Netzwerkkomponenten. Doch selbst wenn diese Systeme technisch verfügbar sind, können Anwender an einer Anwendung scheitern.

Ein Beispiel: Nach einem Update funktioniert ein JavaScript im Browser nicht mehr korrekt. Dadurch wird möglicherweise gar keine Anfrage an den Server gesendet. Auch veränderte Berechtigungen oder eine nicht erreichbare Drittanbieterschnittstelle können verhindern, dass Anwender ihre Aufgaben erledigen.

Solche Fehler sind nicht zwangsläufig in den klassischen Infrastruktur-Dashboards sichtbar. Für die betroffenen Nutzer macht das allerdings keinen Unterschied: Der Service funktioniert für sie nicht wie erwartet.

Unternehmen müssen deshalb eine zusätzliche Frage stellen: Können Anwender ihre Aufgaben tatsächlich erfolgreich erledigen?

Vom Netzwerkmonitoring zur End-User Observability

Monitoring lässt sich in verschiedene Ebenen unterteilen, die jeweils andere Informationen liefern:

• Netzwerkmonitoring: Überwacht Netzwerkgeräte und Verbindungen, beispielsweise Router und weitere Netzwerkkomponenten.
• Systemmonitoring: Prüft Betriebssysteme und Ressourcen wie Speicher oder Festplatten.
• Application Monitoring: Betrachtet anwendungsspezifische Informationen, etwa Logs oder laufende Prozesse.
• End-User Observability: Untersucht, ob Anwendungen aus Sicht der Anwender verfügbar und performant sind.

Die Ebenen ergänzen sich. Während Infrastruktur- und Application Monitoring technische Hinweise auf mögliche Probleme liefern, betrachtet End-User Observability den gesamten Nutzungsvorgang. Dadurch lassen sich auch Fehler erkennen, die erst im Zusammenspiel verschiedener Komponenten auftreten.

Besonders relevant ist das bei geschäftskritischen Abläufen: Wenn eine Bestellung, ein Angebot oder ein Report nicht erstellt werden kann, hat das unmittelbare Auswirkungen auf die Arbeit im Unternehmen.

Synthetisches Monitoring oder Real-User-Monitoring?

Für die Überwachung aus Anwendersicht stehen unterschiedliche Methoden zur Verfügung. Zwei wichtige Ansätze sind synthetisches Monitoring und Real-User-Monitoring.

Synthetisches Monitoring simuliert definierte Nutzungsvorgänge in regelmäßigen Abständen. Beispielsweise wird geprüft, ob ein Anwender einen bestimmten Geschäftsprozess erfolgreich durchlaufen kann. Das ermöglicht kontinuierliche Messungen – auch dann, wenn gerade niemand aktiv mit der Anwendung arbeitet.

Real-User-Monitoring wertet dagegen tatsächliche Anfragen und Interaktionen aus. So lassen sich reale Fehler und Antwortzeiten erfassen und kategorisieren. Dafür sind je nach Umsetzung zusätzliche technische Ressourcen und ein höherer administrativer Aufwand erforderlich. Datenschutzaspekte müssen ebenfalls berücksichtigt werden, etwa durch die Maskierung sensibler Informationen.

Welche Methode geeignet ist, hängt vom jeweiligen Service und den Anforderungen ab. Beide Ansätze können sich ergänzen: Synthetische Tests prüfen definierte Abläufe kontinuierlich, während Real-User-Monitoring Einblicke in die tatsächliche Nutzung liefert.

Aus dem Gefühl „Die Anwendung ist langsam“ werden belastbare Daten

Wenn Anwender melden, dass eine Anwendung zu bestimmten Tageszeiten langsamer reagiert, ist das zunächst eine subjektive Wahrnehmung. Ohne Messdaten ist es schwierig, im Nachhinein festzustellen, was zu diesem Zeitpunkt passiert ist.

End-User Observability schafft eine objektive Grundlage. Zu den relevanten Messgrößen gehören insbesondere:

• Verfügbarkeit der Anwendung aus Anwendersicht
• Antwortzeiten bei wichtigen Aktionen
• Häufigkeit und Art auftretender Fehler
• Performance zu unterschiedlichen Tageszeiten und unter unterschiedlicher Last

Auf dieser Grundlage können Unternehmen erkennen, wie sich Anwendungen im Alltag verhalten und wo Optimierungsbedarf besteht. Die Daten helfen dabei, technische Maßnahmen gezielt zu priorisieren, etwa zusätzliche Ressourcen bereitzustellen oder Engpässe zu untersuchen.

Auch Service Level Agreements (SLAs) und Service Level Objectives (SLOs) lassen sich damit überprüfen. Unternehmen können beispielsweise definieren, wie verfügbar ein Service sein muss oder welche maximale Antwortzeit für eine Aktion akzeptabel ist. Messdaten zeigen dann, ob diese Anforderungen erfüllt werden.

End-to-End-Monitoring und KI: Zusammenhänge schneller erkennen

Eine einzelne Nutzeraktion kann zahlreiche Komponenten und Abhängigkeiten durchlaufen – von der Clientanwendung über das Netzwerk bis hin zu Datenbanken oder externen Services. Gerade bei Drittanbieterschnittstellen fehlt Unternehmen häufig der direkte Einblick in die zugrunde liegende Infrastruktur.

End-to-End-Monitoring hilft dabei, solche Abläufe aus Sicht des Anwenders zu prüfen und Probleme entlang des Nutzungsvorgangs sichtbar zu machen. Lösungen wie OpenText Application Performance Management und Business Process Monitoring bieten dafür unter anderem synthetisches Monitoring, Real-User-Monitoring sowie Möglichkeiten zur Auswertung und Weitergabe von Messdaten.

Für die Zukunft sieht Christian Doll insbesondere Potenzial in KI-gestützter Analyse. In vielen Unternehmen existieren mehrere Monitoring-Werkzeuge, die jeweils unterschiedliche Ereignisse erfassen. Werden diese Informationen zusammengeführt, lassen sich mögliche Zusammenhänge leichter erkennen – etwa zwischen einer Netzwerkstörung, einem Datenbankproblem und dem Ausfall einer Anwendung.

Auch Informationen aus dem Change Management können helfen, Ursachen einzugrenzen. So lässt sich möglicherweise schneller nachvollziehen, ob eine kürzlich vorgenommene Änderung mit einer Störung zusammenhängt.

Performance und Verfügbarkeit Ihrer Anwendungen besser verstehen

accompio unterstützt Unternehmen dabei, Monitoring-Lösungen sinnvoll einzusetzen, Abhängigkeiten sichtbar zu machen und die Qualität geschäftskritischer IT-Services aus Anwendersicht zu bewerten.

Zu unseren Leistungen

Fazit: Mit dem wichtigsten Geschäftsprozess beginnen

End-User Observability erweitert das klassische Monitoring um eine entscheidende Perspektive: Nicht nur die technische Infrastruktur zählt, sondern auch die Frage, ob Anwender ihre Arbeit tatsächlich erledigen können.

Unternehmen müssen dafür nicht sofort sämtliche Anwendungen überwachen. Christian Doll empfiehlt, mit einem wichtigen Service und einem kritischen Geschäftsprozess zu beginnen. Gemeinsam mit den zuständigen Administratoren und Serviceverantwortlichen sollten die relevanten Komponenten, Abhängigkeiten und Messpunkte identifiziert werden.

So entstehen schrittweise belastbare Daten, mit denen sich Beschwerden nachvollziehen, Verbesserungen priorisieren und die Servicequalität bewerten lassen.

„Langsam beginnen. Sich einen Service raussuchen.“

Christian Doll, Experte für Application Performance Monitoring bei accompio

Über den Experten

Christian Doll
Experte für Application Performance Monitoring bei accompio

Christian unterstützt mit seiner langen Erfahrung Unternehmen dabei, Performance und Verfügbarkeit aus Sicht der Anwender messbar zu machen.

FAQ zur End-User Observability

Was ist End-User Observability?

End-User Observability untersucht, ob Anwendungen aus Sicht der Anwender verfügbar und performant sind. Sie ergänzt das klassische Monitoring um Informationen darüber, ob wichtige Nutzungsvorgänge tatsächlich funktionieren.

Was ist der Unterschied zwischen Application Monitoring und End-User Observability?

Application Monitoring betrachtet technische Informationen einer Anwendung, beispielsweise Logs und laufende Prozesse. End-User Observability untersucht zusätzlich die tatsächliche Nutzbarkeit und Performance aus Anwendersicht.

Was ist der Unterschied zwischen synthetischem Monitoring und Real-User-Monitoring?

Synthetisches Monitoring simuliert definierte Nutzungsvorgänge regelmäßig und kann dadurch auch ohne aktive Anwender messen. Real-User-Monitoring wertet dagegen tatsächliche Anfragen und Interaktionen aus.

Welche Vorteile bietet End-User Observability?

Sie macht Verfügbarkeit, Antwortzeiten und Fehler aus Anwendersicht messbar. Unternehmen können Beschwerden objektiv bewerten, Probleme früher erkennen und Optimierungen gezielter priorisieren.

Wie gelingt der Einstieg in End-User Observability?

Sinnvoll ist der Start mit einem geschäftskritischen Service und einem wichtigen Geschäftsprozess. Gemeinsam mit den zuständigen Teams werden relevante Komponenten, Abhängigkeiten und Messpunkte definiert und die Ergebnisse anschließend ausgewertet.

Sven Petschull, IT-Projektmanager bei accompio, begleitet seit über 14 Jahren Kunden aus unterschiedlichen Branchen bei IT-Projekten. Im Interview erklärt er, warum Projekterfolg mehr als die Einhaltung von Zeit und Budget bedeutet, wann hybride Ansätze sinnvoll sind und wie externe Projektmanager Unternehmen entlasten können.

Das Wichtigste in Kürze

• Projekterfolg bedeutet mehr als Zeit, Budget und Leistungsumfang: Entscheidend sind auch der tatsächliche Nutzen und die Zufriedenheit der Stakeholder.
• Agil, klassisch oder hybrid: Der passende Ansatz hängt vom Projekt und den organisatorischen Rahmenbedingungen ab.
• Klare Rollen und ausreichend Kapazitäten sind zentrale Voraussetzungen für eine erfolgreiche Projektsteuerung.
• Externe Projektmanager bringen Fokus, einen neutralen Blickwinkel und zusätzliche Erfahrung ein.
• Kommunikation und Wissenstransfer sorgen dafür, dass Projektergebnisse nachhaltig wirken.

IT-Projekte erfolgreich steuern: Experteninterview mit Sven Petschull

Im vollständigen Experteninterview erklärt Sven Petschull, IT-Projektmanager bei accompio, wie Unternehmen ihre IT-Projekte erfolgreich steuern und wann sich externe Unterstützung lohnt.

Video ansehen

Projekterfolg ist mehr als ein abgehakter Projektplan

Zeit, Budget und Leistungsumfang bilden wichtige Kriterien für die Steuerung eines IT-Projekts. Sie allein sagen jedoch noch nicht aus, ob das Vorhaben tatsächlich erfolgreich war.

Ein Projekt kann formal abgeschlossen sein, während Anwender mit einer neuen IT-Umgebung nicht zurechtkommen oder wichtige Stakeholder unzufrieden bleiben. Der vereinbarte Leistungsumfang wurde dann zwar erfüllt, der gewünschte Nutzen aber möglicherweise nicht erreicht.

Für Sven Petschull gehören deshalb sowohl die Zufriedenheit der Beteiligten als auch der tatsächliche Mehrwert zu den entscheidenden Erfolgsfaktoren. Projektmanagement muss nicht nur Aufgaben koordinieren, sondern auch sicherstellen, dass die Ergebnisse im Unternehmensalltag funktionieren.

Agiles, klassisches oder hybrides Projektmanagement?

Nicht jedes IT-Projekt benötigt dieselbe Vorgehensweise. Agile Methoden eignen sich besonders, wenn Anforderungen sich weiterentwickeln, iterativ gearbeitet wird und regelmäßiges Kundenfeedback in die Umsetzung einfließen soll.

Klassisches Projektmanagement bleibt dagegen sinnvoll, wenn sich Vorhaben mit klaren Anforderungen, Meilensteinen und Budgets strukturieren lassen. Agilität ist also kein Selbstzweck – entscheidend ist, welche Methode das jeweilige Projekt am besten unterstützt.

Ein hybrider Ansatz kann beide Welten verbinden: Während Budget, Meilensteine und übergeordnete Planung klassisch organisiert werden, arbeitet das Projektteam innerhalb definierter Grenzen agil. Voraussetzung dafür sind klar geregelte Schnittstellen und ein gemeinsames Verständnis aller Beteiligten. Auch das Management muss die gewählte Arbeitsweise mittragen.

Warum Planung flexibel bleiben und Verantwortung klar geregelt sein muss

Gerade durch neue Technologien und KI können sich Anforderungen und Entwicklungsmöglichkeiten schneller verändern. Ein Projektplan sollte deshalb Orientierung geben, aber nicht unverändert bestehen bleiben müssen. Projektmanager müssen Entwicklungen bewerten und die Strategie bei Bedarf anpassen können.

Mindestens ebenso wichtig ist die Organisation hinter dem Plan. Werden Mitarbeitende aus dem Tagesgeschäft zusätzlich mit Projektaufgaben betraut, fehlt ihnen mitunter die Zeit, sich ausreichend um die Projektsteuerung zu kümmern. Unklare Rollen und fehlende Kapazitäten können so zum Risiko werden.

Ein guter IT-Projektmanager behält deshalb das Gesamtbild im Blick, erkennt Abhängigkeiten und Risiken frühzeitig und kommuniziert proaktiv. Er vermittelt außerdem zwischen technischen Teams und Management, damit unterschiedliche Perspektiven und Interessen zusammengeführt werden.

Wann lohnt sich ein externer IT-Projektmanager?

Ein externer Projektmanager ist besonders dann eine Option, wenn interne Kapazitäten fehlen oder ein Unternehmen nur gelegentlich komplexe IT-Projekte umsetzt. Wer regelmäßig zahlreiche IT-Projekte durchführt, kann dagegen vom Aufbau eigener Projektmanagement-Kompetenzen profitieren.

Externe Unterstützung bietet weitere Vorteile: Der Projektmanager bringt einen unabhängigen Blickwinkel ein und kann sich gezielt auf das Vorhaben konzentrieren, statt parallel das operative Tagesgeschäft zu bewältigen. Anforderungen lassen sich dadurch neutraler bewerten und Entscheidungen strukturiert vorbereiten.

Wichtig ist allerdings, dass der externe Projektmanager tatsächlich Verantwortung übernimmt. Wer lediglich Statusberichte erstellt und Arbeitspakete nachverfolgt, entlastet das Unternehmen nur begrenzt. Welche Entscheidungen eigenständig getroffen werden dürfen, muss deshalb vorab klar vereinbart sein.

Auch der Kunde bleibt in der Verantwortung: Er muss notwendige Informationen, Ressourcen und Ansprechpartner bereitstellen und Entscheidungen treffen, die beispielsweise Budget oder Projektumfang betreffen.

Kommunikation und Wissenstransfer sichern den langfristigen Erfolg

Neben Methoden und Planung entscheiden vor allem die Zusammenarbeit und Kommunikation über den Projekterfolg. Ein guter Projektmanager versteht die unterschiedlichen Interessen der Stakeholder, fördert den Zusammenhalt im Team und schafft Transparenz.

Dazu gehört auch, technologische Themen verständlich für das Management aufzubereiten. Tiefes technisches Expertenwissen ist dafür nicht zwingend notwendig – ein grundlegendes technisches Verständnis hilft jedoch, Entscheidungen nachzuvollziehen und das Projektteam sinnvoll zu begleiten.

Bei externen Projektmanagern kommt der Wissenstransfer hinzu. Projekterkenntnisse sollten nicht mit dem Ende des Mandats verloren gehen. Ein strukturierter Projektabschluss und gemeinsame „Lessons Learned“ helfen dabei, Erfahrungen zu sichern und an das Unternehmen weiterzugeben.

Gerade im Zeitalter von KI bleibt für Petschull der menschliche Faktor entscheidend: Transparenz, Offenheit und eine vertrauensvolle Beziehung zum Kunden bilden eine wichtige Grundlage für erfolgreiche Zusammenarbeit.

„Der Kunde ist immer noch ein Mensch.“

Sven Petschull, IT-Projektmanager bei accompio

IT-Projekt mit accompio professionell steuern

accompio unterstützt Unternehmen mit erfahrenem IT-Projektmanagement, um interne Teams von der Planung über die Umsetzung bis zum Projektabschluss zu entlasten.

Zu unseren Leistungen

Fazit: Das passende Projektmanagement orientiert sich am Vorhaben

Ob agil, klassisch, hybrid oder mit externer Unterstützung: Es gibt keinen Ansatz, der für jedes IT-Projekt gleichermaßen geeignet ist. Unternehmen sollten ihre Anforderungen, verfügbaren Kapazitäten und organisatorischen Rahmenbedingungen berücksichtigen.

Klare Verantwortlichkeiten, flexible Planung und eine offene Kommunikation schaffen die Voraussetzungen dafür, dass Projekte nicht nur auf dem Papier erfolgreich sind, sondern im Unternehmen einen echten Nutzen erzielen. Externe IT-Projektmanager können dabei helfen, fehlende Kapazitäten auszugleichen, Komplexität zu reduzieren und vorhandene Teams gezielt zu entlasten.

Über den Experten

Sven Petschull
IT-Projektmanager bei accompioÜber den Experten

Sven unterstützt mit seiner langen Erfahrung als Projektmanager Unternehmen bei der effizienten Steuerung ihrer IT-Projekte zur Entlastung interner Teams.

LinkedIn

FAQ zum IT-Projektmanagement

Wann ist agiles Projektmanagement sinnvoll?

Agiles Projektmanagement eignet sich insbesondere für Vorhaben, bei denen Anforderungen sich verändern können, iterativ gearbeitet wird und regelmäßiges Feedback in die Umsetzung einfließen soll.

Was ist der Unterschied zwischen klassischem, agilem und hybridem Projektmanagement?

Klassisches Projektmanagement arbeitet stärker mit vorab definierten Plänen und Meilensteinen. Agile Methoden setzen auf iterative Umsetzung und Anpassungsfähigkeit. Hybrides Projektmanagement kombiniert beide Ansätze, beispielsweise durch klassische Budgetplanung und agile Arbeit im Projektteam.

Wann sollte ein Unternehmen einen externen IT-Projektmanager einsetzen?

Externe Unterstützung ist sinnvoll, wenn interne Kapazitäten fehlen, nur gelegentlich komplexe IT-Projekte anstehen oder ein unabhängiger Blickwinkel gefragt ist.

Welche Fähigkeiten braucht ein guter IT-Projektmanager?

Neben Planung und Organisation sind proaktives Risikomanagement, Kommunikationsstärke, Stakeholder-Management und ein grundlegendes technisches Verständnis wichtig. Ebenso sollte ein Projektmanager zwischen technischen Teams und Management vermitteln können.

Wie bleibt Projektwissen nach dem Projektabschluss im Unternehmen?

Ein strukturierter Projektabschluss, dokumentierte Ergebnisse und gemeinsame „Lessons Learned“ helfen, Erfahrungen zu sichern und an interne Mitarbeitende zu übergeben.

Gerade bei Software, die Unternehmen über viele Jahre einsetzen, kann ein spezialisierter Supportpartner einen entscheidenden Unterschied machen. Er verbindet Produktwissen mit Kenntnis der konkreten Kundenumgebung und sorgt dafür, dass Probleme schneller eingeordnet und gelöst werden können.

Thomas Jähnig, Geschäftsführer der accompio PrimeTec, erklärt im Experteninterview, worauf es bei gutem Produktsupport ankommt, welchen Mehrwert spezialisierte Partner bieten und wie KI den Support verändert.

Das Wichtigste in Kürze

• Persönliche Ansprechpartner kennen die IT-Umgebung, die eingesetzten Produkte und frühere Probleme.
• Spezialisierte Supportpartner ergänzen den Herstellersupport durch individuelle Betreuung und konkrete Erfahrung aus Kundenprojekten.
• Kurze Kommunikationswege und qualifizierte Fehlerbeschreibungen können die Problemlösung beschleunigen.
• Guter Produktsupport hilft, Ausfallzeiten und daraus entstehende Kosten zu reduzieren.
• KI kann Supportprozesse effizienter machen – die fachliche Expertise bleibt jedoch unverzichtbar.

Produktsupport vom Partner oder Hersteller: Experteninterview mit Thomas Jähnig

Im vollständigen Experteninterview spricht Thomas Jähnig, Geschäftsführer der accompio PrimeTec, über seine langjährige Erfahrung im Produktsupport und erklärt, worauf Unternehmen bei der Auswahl eines Supportpartners achten sollten.

Video ansehen

Herstellersupport oder spezialisierter Supportpartner?

Hersteller kennen ihre Produkte besonders gut und können häufig umfangreiche Supportstrukturen anbieten. Bei global eingesetzten Lösungen ist beispielsweise ein weltweiter 24/7-Support möglich. Ein persönlicher Ansprechpartner, der die individuelle Umgebung eines Kunden kennt, lässt sich in solchen Strukturen jedoch nicht immer einfach gewährleisten.

Hier setzt ein spezialisierter Supportpartner an. Er kennt idealerweise nicht nur die Software, sondern auch deren Implementierung, Anpassungen und den Einsatz beim Kunden. Wenn er die Lösung selbst eingeführt, Endanwender geschult oder individuelle Anpassungen vorgenommen hat, kann er Probleme besser in den jeweiligen Kontext einordnen.

Die Kombination aus Herstellerwissen und Kundenkenntnis ist entscheidend: Der Supportpartner analysiert das Problem, bereitet relevante Informationen auf und bindet bei Bedarf den Hersteller ein. So entsteht eine Zusammenarbeit, von der beide Seiten profitieren.

„Wir kennen die Umgebung, die eingesetzte Lösung und wissen auch, welche Probleme in der Vergangenheit existiert haben.“

Thomas Jähnig, Geschäftsführer der accompio PrimeTec

Warum persönlicher Support Zeit und Kosten sparen kann

Wenn Kunden bei jeder Anfrage ihre Systemlandschaft, bisherige Änderungen und frühere Probleme erneut erklären müssen, kostet das Zeit. Ein fest zugeordneter Ansprechpartner (zum Beispiel für OpenText-Lösungen) kann dagegen auf vorhandenes Wissen und die Tickethistorie zurückgreifen.

Das erleichtert nicht nur die Kommunikation. Auch die technische Analyse kann effizienter werden: Welche Logdateien werden benötigt? Wie lässt sich ein Fehler reproduzieren? Welche Änderungen könnten mit dem Problem zusammenhängen?

Der wirtschaftliche Mehrwert zeigt sich besonders bei geschäftskritischen Anwendungen. Fällt beispielsweise ein System aus, das für Tests oder Releases benötigt wird, können sich Entwicklungsprozesse verzögern. Die Kosten solcher Verzögerungen können deutlich höher ausfallen als die Kosten eines geeigneten Supportmodells.

Ein spezialisierter Partner unterstützt außerdem bei Fragen, die über die reine Fehlerbehebung hinausgehen – etwa bei Migrationen, Upgrades oder der Weiterentwicklung bzw. Schulung einer langjährig eingesetzten Lösung.

KI im Support: effizienter werden, persönlich bleiben

Auch im Produktsupport verändert künstliche Intelligenz die Arbeitsweise. Kunden nutzen KI bereits, um technische Probleme vorab zu analysieren und Supportanfragen besser vorzubereiten. Dadurch kommen teilweise detailliertere und bereits vorqualifizierte Tickets beim Support an.

Auch Supportteams können KI einsetzen, beispielsweise um Tickets automatisch zuzuordnen oder vorzuqualifizieren. Das reduziert organisatorischen Aufwand und schafft mehr Zeit für die eigentliche Kundenbetreuung.

Für Thomas Jähnig ist dabei entscheidend, dass KI die menschliche Expertise ergänzt, statt sie zu ersetzen. Kunden benötigen weiterhin eine fachliche Einschätzung, um Rechercheergebnisse zu bewerten und geeignete Maßnahmen abzuleiten.

Das Ziel ist nicht möglichst viel Automatisierung, sondern effizienter Support mit mehr Zeit für die individuellen Anliegen der Kunden.

Worauf Unternehmen bei der Auswahl eines Supportpartners achten sollten

Thomas Jähnig empfiehlt, bei der Auswahl eines spezialisierten Supportpartners vor allem drei Kriterien zu berücksichtigen:

1. Passende Expertise: Der Partner sollte die konkret eingesetzten Produkte und Technologien tatsächlich unterstützen können. Nicht jedes Unternehmen ist für jedes Produkt der richtige Ansprechpartner.
2. Verfügbarkeit: Unternehmen sollten prüfen, welche Reaktions- und Supportzeiten sie benötigen. Wer zwingend einen weltweiten 24/7-Support braucht, benötigt ein entsprechendes Angebot.
3. Persönliche Passung: Unternehmen sollten überlegen, wie wichtig ihnen ein fester Ansprechpartner und eine individuelle Betreuung sind. Genau darin liegt der besondere Mehrwert eines spezialisierten Partners.

Produktsupport mit accompio

accompio unterstützt Unternehmen als spezialisierter Produktsupport Unternehmen im Alltag. Erfahren Sie jetzt mehr über unsere Expertise und Leistungen.

Zu unseren Leistungen

Fazit: Guter Produktsupport geht über Fehlerbehebung hinaus

Ein guter Supportpartner liefert nicht einfach nur technische Antworten. Er kennt die Umgebung des Kunden, kann Probleme einordnen und unterstützt bei der Weiterentwicklung bestehender Lösungen.

Hersteller und spezialisierte Partner müssen dabei keine Gegensätze sein. Während der Hersteller sein tiefes Produktwissen einbringt, ergänzt der Partner dieses durch Erfahrung mit der konkreten Kundenumgebung und persönliche Betreuung.

KI kann diese Zusammenarbeit effizienter machen. Entscheidend bleiben jedoch die passende Expertise, kurze Kommunikationswege und ein Ansprechpartner, der die Anforderungen des Kunden versteht.

Über den Experten

Thomas Jähnig
Geschäftsführer bei accompio PrimeTec

Thomas unterstützt mit seiner langen Erfahrung als Supportpartner Unternehmen bei der Wahl passender Produkte und Lösungen für ihre Anforderungen.

LinkedIn

FAQ zum Produktsupport

Was ist ein spezialisierter Supportpartner?

Ein spezialisierter Supportpartner unterstützt Unternehmen bei bestimmten Softwareprodukten oder Technologien. Er verbindet Produktkenntnisse mit Erfahrung aus Implementierung, Betrieb und der konkreten Kundenumgebung.

Was ist der Unterschied zwischen Hersteller- und Partnersupport?

Der Hersteller verfügt über detailliertes Wissen zum eigenen Produkt und kann umfangreiche Supportstrukturen anbieten. Ein spezialisierter Partner kennt häufig zusätzlich die individuelle IT-Umgebung, Anpassungen und die Nutzung der Lösung beim Kunden.

Wann lohnt sich ein spezialisierter Supportpartner?

Besonders sinnvoll kann er sein, wenn Unternehmen komplexe oder geschäftskritische Software einsetzen, persönliche Ansprechpartner benötigen oder Unterstützung bei Fehleranalysen, Upgrades und Migrationen wünschen.

Wie verändert KI den Produktsupport?

KI kann beispielsweise Supporttickets vorqualifizieren, Anfragen zuordnen und bei der technischen Recherche helfen. Die fachliche Bewertung und die Auswahl geeigneter Maßnahmen erfordern weiterhin menschliche Expertise.

Der Unterschied liegt nicht in der Technologie, sondern in der Arbeitsweise. DevOps ist in erster Linie eine Kultur der Zusammenarbeit, des schnellen Feedbacks und der kontinuierlichen Verbesserung. Die Tools sind das Ergebnis dieser Arbeitsweise – nicht ihr Ausgangspunkt.

Das Wichtigste in Kürze

• DevOps ist eine Arbeitsweise, kein Tool-Stack: Kubernetes und CI/CD sind das Ergebnis, nicht die Voraussetzung.
• Die größten Hürden bei der DevOps-Einführung sind fast nie technisch, sondern organisatorisch: Silodenken, Angst vor Kontrollverlust und Compliance-Vorgaben.
• Teams brauchen drei Dinge, um Verantwortung für den gesamten Software-Lebenszyklus zu übernehmen: einen sinnvollen Zuschnitt, echte Befähigung und sichtbares Feedback.
• Automatisierung und KI wirken als Multiplikator: Gute Teams werden besser, schwache Prozesse werden schneller sichtbar.
• Ein gutes Zeichen für gelebtes DevOps: Ein Deployment ist ein Nicht-Ereignis am Dienstagvormittag.
• Der beste Einstieg ist ein kleines, messbares Problem – und kein zeitlich begrenztes DevOps-Projekt.

DevOps Engineering: Experteninterview mit Bastien Reinhardt

Im aktuellen Video spricht Bastien Reinhardt, Senior IT-Consultant bei accompio, darüber, warum erfolgreiche DevOps-Strategien weit über Tools und Technologien hinausgehen.

Video ansehen

DevOps ist eine Arbeitsweise, kein Tool-Stack

DevOps wird häufig gleichgesetzt mit Kubernetes, CI/CD und Cloud-native Technologien. Aus Sicht von Bastien Reinhardt greift das zu kurz. DevOps ist entstanden, weil Teams anders zusammenarbeiten wollten: schneller, enger abgestimmt und mit gemeinsamer Verantwortung für das Ergebnis. Aus diesem Gedanken heraus sind die bekannten Tools erst entwickelt worden.

Heute ist die Reihenfolge oft umgekehrt. Unternehmen führen zuerst die Tools ein und erwarten, dass sich die Arbeitsweise dadurch automatisch ändert. Im schlimmsten Fall wird den Teams eine neue Arbeitsweise über die Tools aufgedrückt, ohne dass sie verstanden oder gewollt ist.

„Diese Tools sind im Endeffekt nur das Ergebnis einer Arbeitsweise.“

Bastien Reinhardt, Senior IT-Consultant bei accompio

Warum Tools sichtbarer sind als Flow, Feedback und Verbesserung

Das „DevOps Handbuch“ (The DevOps Handbook von Gene Kim, Jez Humble, Patrick Debois und John Willis) beschreibt drei zentrale Prinzipien: den Arbeitsfluss (Flow), schnelles Feedback und kontinuierliches Lernen und Verbessern. Trotzdem stehen in vielen Unternehmen vor allem die Tools im Fokus.

Der Grund ist einfach: Tools sind sichtbar. Wer Kubernetes einführt, hat klare Verantwortlichkeiten, sieht, dass die Plattform betrieben und genutzt wird, und kann sogar messen, wie viele Workloads bereits darauf laufen. Eine veränderte Arbeitsweise lässt sich dagegen nicht so einfach vorzeigen.

Praxisbeispiel: Moderner Stack, langsame Releases

Wie sich das konkret auswirkt, zeigt ein Vergleich aus der Praxis:

• Unternehmen A hat einen vollständigen Cloud-native Stack und ausgefeilte CI/CD-Pipelines. Trotzdem dauert ein Release teilweise drei Monate.
• Unternehmen B arbeitet noch mit virtuellen Maschinen und einer monolithischen Anwendung. Es lebt die DevOps-Praxis aber deutlich stärker – und hat wesentlich kürzere Release-Zyklen.

Die Release-Dauer ist dabei eine messbare Kennzahl, die mehr über die DevOps-Reife eines Unternehmens aussagt als die Liste der eingesetzten Tools.

Warum die DevOps-Einführung im deutschsprachigen Raum so schwerfällt

Viele Unternehmen arbeiten noch mit klassisch getrennten Entwicklungs-, Betriebs- und Infrastrukturteams. Gerade große Organisationen sind auf Verlässlichkeit optimiert und in ihrer bestehenden Arbeitsweise stark. Eine Veränderung fühlt sich für viele Mitarbeitende deshalb wie ein Kontrollverlust über ihren eigenen Fachbereich an.

„Die Hürden sind eigentlich fast nie technisch.“

Bastien Reinhardt, Senior IT-Consultant bei accompio

Silodenken als größte organisatorische Hürde

Die Silos sind jeweils auf ihr eigenes Ziel optimiert: Entwicklungsteams darauf, möglichst schnell Features zu liefern. Der Betrieb darauf, die Verfügbarkeit hochzuhalten. Beide Ziele sind berechtigt, stehen aber häufig im Widerspruch. DevOps verlangt, bereichsübergreifend zu arbeiten – und genau diese Umstellung fällt anfangs schwer.

„Das ist nicht mein Aufgabenbereich“

Dieser Satz steht einem erfolgreichen DevOps direkt im Weg. Denn bei DevOps geht es darum, Silos aufzubrechen. Wer im DevOps-Team arbeitet, ist nicht nur für die Entwicklung zuständig, sondern für das gesamte Produkt. Dazu gehört auch, gemeinsam mit dem Betrieb Probleme zu finden und zu lösen.

Wichtig ist dabei: Meist steckt hinter diesem Satz keine Bequemlichkeit, sondern jahrelang gelebte Praxis. Hinzu kommen in manchen Organisationen Compliance-Vorgaben, die bestimmte Tätigkeiten formal einschränken. Deshalb ist DevOps ein ganzheitliches Thema, das alle betrifft – Teams, Führungskräfte und die Organisation als Ganzes.

Was jede Entwicklerin und jeder Entwickler im Alltag tun kann

Veränderung wirkt am nachhaltigsten, wenn sie von unten kommt. Entwicklerinnen und Entwickler können DevOps deshalb aktiv vorantreiben – auch ohne Auftrag von oben. Bastien Reinhardt nennt drei konkrete Ansatzpunkte:

1. Konkrete Probleme hinterfragen: Warum dauert ein Release so lange? Und was kann ich selbst dazu beitragen, dass es schneller geht?
2. Arbeitspakete kleiner schnüren: Kleinere Änderungen lassen sich leichter integrieren, einfacher zurückrollen und mit weniger Risiko ausrollen.
3. Die Perspektive wechseln: Was bedeutet meine Änderung für die Kolleginnen und Kollegen im Betrieb? Was für das Security-Team, das Richtlinien definiert? Diese Sicht sollte direkt in die eigene Arbeit einfließen.

Welche Fähigkeiten moderne Produktteams brauchen

Technische Spezialisierung bleibt wichtig. Doch daneben gewinnen Fähigkeiten an Bedeutung, die über das eigene Fachgebiet hinausgehen.

Systemdenken

Wo sitze ich in der Wertschöpfungskette meines Unternehmens? Was machen die anderen Teams? Und wie kann ich ihnen die Arbeit erleichtern? Wer diese Fragen stellt, optimiert nicht mehr nur den eigenen Bereich, sondern das Gesamtsystem.

T-Shaped Skills

Früher wurden vor allem Spezialistinnen und Spezialisten gesucht. Heute sind sogenannte T-Shaped Profile gefragt: breites Wissen über angrenzende Bereiche (der horizontale Balken des „T“) kombiniert mit tiefer Expertise im eigenen Fachgebiet (der vertikale Balken).

Kommunikation und Kompromissbereitschaft

DevOps bedeutet mehr Abstimmung. Dazu gehört auch, Grenzen zu akzeptieren: Eine Optimierung im eigenen Bereich ist nicht sinnvoll, wenn sie im Betrieb deutlich größere Auswirkungen hätte. Dann gilt es, einen gemeinsamen Punkt zu finden, bis zu dem man geht – und nicht weiter.

Ausblick: Platform Engineering und KI als Multiplikator

Platform Engineering

Nahezu jedes Unternehmen betreibt heute bereits eine eigene interne Plattform. Auch der DORA-Report 2025 von Google Cloud zeigt, dass rund 90 Prozent der befragten Organisationen mindestens eine interne Plattform einsetzen. Die entscheidende Frage ist daher nicht mehr, ob es eine Plattform gibt, sondern wie gut sie ist: Nutzen die Teams sie freiwillig, weil sie ihnen hilft? Oder werden sie organisatorisch gezwungen, sie zu verwenden? Die Antwort darauf spricht Bände über die Qualität des Platform Engineering.

Künstliche Intelligenz

An KI kommt niemand vorbei. Aktuell wird sie vor allem für die Code-Generierung eingesetzt. Für DevOps gilt jedoch dasselbe wie für jedes andere Tool: KI ist ein Multiplikator.

„Gute Teams werden besser, schlechten Teams wird deutlich schneller und häufiger gezeigt, wo sie Probleme haben.“

Bastien Reinhardt, Senior IT-Consultant bei accompio

Teams, die ihren Arbeitsfluss kennen und schnelle, kurze Feedback-Loops haben, werden KI schneller und in allen Bereichen wirksam einsetzen können. Die Folge: Die Schere zwischen Teams, die DevOps leben, und Teams, die es noch nicht tun, wird größer.

DevOps Engineering mit accompio

accompio begleitet Unternehmen bei der Einführung von Kubernetes, CI/CD und Infrastructure as Code – Themen, die im Kern auf Site Reliability Engineering (SRE) aufbauen.

Zu unseren Leistungen

So etablieren Unternehmen DevOps nachhaltig

Bastien Reinhardts wichtigster Rat für Unternehmen: klein anfangen und ein messbares Problem lösen.

• Mit einem kleinen, messbaren Problem starten – zum Beispiel der Dauer eines Release-Zyklus.
• Kein DevOps-Projekt aufsetzen: Ein Projekt hat immer ein Ende. Die DevOps-Kultur soll aber dauerhaft im Unternehmen bleiben.
• Auf kleine Veränderungen setzen: Gerade in großen Organisationen ist Veränderung schwer. Kleine Schritte sind deshalb der wirksamste Weg.

Fazit

Erfolgreiches DevOps beginnt nicht mit Kubernetes oder einer neuen CI/CD-Pipeline, sondern mit der Frage, wie Teams zusammenarbeiten. Tools, Automatisierung und KI verstärken das, was bereits da ist – gute Praktiken genauso wie schwache Prozesse. Unternehmen, die DevOps nachhaltig etablieren wollen, sollten deshalb Technologie und Kultur gemeinsam weiterentwickeln: Silos aufbrechen, Teams entlang von Produkten zuschneiden, ihnen Zeit für Betrieb und Verbesserung geben und Feedback sichtbar machen.

Der Einstieg muss dabei nicht groß sein. Ein einziges, messbares Problem – etwa ein zu langer Release-Zyklus – reicht aus, um den Wandel anzustoßen.

Über den Experten

Bastien Reinhardt
Senior IT-Consultant bei accompio

Bastien unterstützt Unternehmen bei der Einführung von Kubernetes, CI/CD und Infrastructure as Code. Sein Schwerpunkt liegt im Site Reliability Engineering und in der Frage, wie Teams Technologie und Arbeitsweise gemeinsam weiterentwickeln.

LinkedIn

FAQ zu DevOps Engineering

Was ist DevOps?

DevOps ist eine Arbeitsweise, bei der Entwicklung (Development) und Betrieb (Operations) eng zusammenarbeiten und gemeinsam Verantwortung für ein Produkt übernehmen. Zentrale Prinzipien sind ein schneller Arbeitsfluss, kurze Feedback-Schleifen und kontinuierliche Verbesserung. Tools wie Kubernetes oder CI/CD unterstützen diese Arbeitsweise, ersetzen sie aber nicht.

Reicht es, Kubernetes und CI/CD einzuführen, um DevOps umzusetzen?

Nein. Tools sind das Ergebnis einer DevOps-Arbeitsweise, nicht ihre Voraussetzung. Unternehmen mit modernem Cloud-native Stack können trotzdem lange Release-Zyklen haben, wenn Teams weiterhin in Silos arbeiten.

Warum scheitern DevOps-Einführungen häufig?

Die Hürden sind meist organisatorisch statt technisch: Silodenken, unterschiedlich optimierte Ziele von Entwicklung und Betrieb, Angst vor Kontrollverlust sowie Compliance-Vorgaben. DevOps verlangt bereichsübergreifende Zusammenarbeit, die erst gelernt werden muss.

Was bedeutet T-Shaped im DevOps-Kontext?

T-Shaped beschreibt ein Kompetenzprofil mit breitem Wissen über angrenzende Bereiche wie Betrieb oder Security und gleichzeitig tiefer Spezialisierung im eigenen Fachgebiet. Solche Profile erleichtern die Zusammenarbeit in Produktteams.

Woran erkennt man eine gelebte DevOps-Kultur?

An einer lernorientierten Fehlerkultur, in der Post-Mortems nach Ursachen statt nach Schuldigen fragen, und daran, dass Deployments unspektakulär sind – ein Nicht-Ereignis am Dienstagvormittag statt eines Großereignisses mit Bereitschaftsplänen.

Welche Rolle spielt KI für DevOps?

KI ist im DevOps-Kontext ein Werkzeug und wirkt als Multiplikator. Teams mit gutem Arbeitsfluss und schnellen Feedback-Loops profitieren stark, während bei schwächeren Teams Probleme schneller sichtbar werden.

Wie sollten Unternehmen mit DevOps starten?

Am besten mit einem kleinen, messbaren Problem, etwa der Dauer eines Releases. DevOps sollte nicht als zeitlich begrenztes Projekt aufgesetzt werden, da die Kultur dauerhaft im Unternehmen verankert bleiben soll.

Daniel Horn beschäftigt sich seit rund 14 Jahren mit Qualitätssicherung, Software Testing und Testautomatisierung. Im Experteninterview erklärt er, warum KI bestehende Herausforderungen im Quality Engineering verstärkt, welche Rolle frühes Testen und Automatisierung spielen und wie Unternehmen ihre Teststrategie an die neue Entwicklungsgeschwindigkeit anpassen können.

Das Wichtigste in Kürze

• KI beschleunigt die Softwareentwicklung – und erhöht damit den Druck auf das Software Testing.
• Klassische Testprozesse geraten an Grenzen, wenn Anforderungen und Software-Inkremente sich ständig verändern.
• Testing muss früher beginnen: Qualitätssicherung sollte bereits bei Anforderungen und Use Cases ansetzen.
• Testautomatisierung, Parallelisierung und automatisierte Umgebungen werden wichtiger, um mit der steigenden Anzahl an Releases und Pull Requests umzugehen.
• KI kann Testfälle erstellen, Ergebnisse analysieren und Fehler priorisieren – sie ersetzt jedoch nicht den menschlichen Tester.
• Unternehmen sollten KI gezielt für konkrete Use Cases einsetzen, statt sie nur aufgrund des aktuellen Hypes zu verwenden.

Software Testing im KI-Zeitalter: Experteninterview mit Daniel Horn

Im vollständigen Experteninterview spricht Daniel Horn über die Herausforderungen des Quality Engineerings im KI-Zeitalter und erklärt, wie Unternehmen ihre Teststrategie an die steigende Entwicklungsgeschwindigkeit anpassen können.

Video ansehen

Transkript lesen

[00:06] Software Testing im KI-Zeitalter. Warum Qualitätssicherung neu gedacht werden muss. Herzlich willkommen zum heutigen accompio Fokusthema aus Dresden. Bei mir ist Daniel Horn. Daniel, schön, dass du da bist. Magst du dich kurz vorstellen und erläutern, welche Rolle du im Bereich Quality Engineering und Software Testing hast und welche Herausforderungen dich da täglich fordern in deinem Arbeitsalltag? Vielen Dank, dass ich hier sein darf. Ja, mein Name ist Daniel Horn, wie schon gesagt, ich bin seit knapp 14 Jahren in der Qualitätssicherung tätig, als Berater. Hauptsächlich Testing, manuelles Testing, Testautomatisierung, Testmanagement, alles das, was man sich so in der Qualitätssicherung vorstellen konnte. Und über die letzten Jahre hat sich mein Fokus so ein bisschen

[00:52] hinbewegt zu: Wie kann man Qualität tatsächlich in der agilen Transformation besser gestalten? DevOps-Teams besser gestalten, also alles, wo man denkt: hochqualitative Software. Wie kann ich das bewerkstelligen? Wie müssen meine Testprozesse dafür ausgelegt werden? Jetzt beschleunigt KI diesen gesamten Entwicklungsprozess. Was bedeutet diese neue Geschwindigkeit für die Rolle von Quality Engineering? Ja, prinzipiell verstärkt KI erstmal nur das, was wir vorher schon über den agilen Wandel gesehen haben. Also so dieses ganze Thema, weichere Anforderungen, schnellere Iterationszyklen usw. und so fort. Das hat vor KI das ganze Quality Engineering schon

[01:39] auf die Probe gestellt. Jetzt mit KI, mit noch schnelleren Prototyping durch die Entwickler und durch die Programmierer wird dieser Missstand, der über die letzten Jahre aufgekommen ist, natürlich nur noch stärker sichtbar. Und ja, die Hauptherausforderung wird halt sein: Wie kommunizieren wir Qualität? Wie können wir Qualität letzten Endes in die Software wirklich reinbringen? Konstruktiv, aber auch dann analytisch sicherzustellen, dass das, was wir wollen, auch tatsächlich geliefert wurde. Und an welcher Stelle gerät der klassische Entwicklungs- und Testprozess da zuerst unter Druck? Schon relativ früh. Also diese klassischen Testprozesse gehen halt davon aus,

[02:25] dass man stabile Anforderungsdokumente hat, schon vorher sich mal Gedanken darüber gemacht hat was braucht man denn eigentlich? Agilität, KI dreht das Ganze halt um. Wir wollen schneller werden, Wir wollen schneller am Markt sein und prüfen, ob das, was wir eigentlich gerade gebaut haben, schon da ist, und alles das, was man mal nach Lehrbuch gelernt hat, geht davon aus, dass wir stabile Anforderungen haben. Wir wissen schon, wie die Software am Ende aussehen soll. Und hier kommen wir halt schon das erste Mal so richtig unter Druck. Wir wissen das eigentlich gar nicht. Und das Zweite ist natürlich je schneller diese Lieferungen kommen, desto mehr wird es dann bei der Testautomatisierung oder bei der Testdurchführung unter Druck geraten. Testpipelines von ein bis zwei Tagen können wir uns halt jetzt nicht mehr

[03:12] leisten. Wo entstehen aktuell die größten Engpässe für Quality Engineering Teams bei der Vorbereitung, Durchführung und Auswertung von Tests? Das, was halt sichtbar wird, ist tatsächlich bei der Ausführung. Also wie schon gesagt, die Lieferung wird immer schneller und irgendwie diese Bugwelle, die sich gerade so vor den Entwicklern vorschiebt mit Hey, wir haben ja immer mehr Features, wir haben ja immer mehr Lieferungen, immer mehr Commits. Klassische Testteams kommen da halt nicht mehr hinterher, weil die Testmethoden, das Testvorgehen, natürlich noch darauf ausgelegt sind, dass nach klassischen Systemen geliefert wird. Also wir liefern irgendwie wöchentlich, wir liefern irgendwie alle zwei Wochen, das lässt sich einplanen.

[03:58] Wenn jetzt das heißt wir liefern alle zwei Stunden, können wir nicht mehr damit rechnen, dass wir irgendwie zwei Tage lang Testing-Zeiträume haben, sondern wir müssen das irgendwie anders bewerkstelligen. Und was verändert sich dadurch ganz konkret im Arbeitsalltag eines Quality-Engineering-Teams? Salopp lässt sich das einfach in einem Satz ausdrücken. Also stell dir vor, du versuchst auf bewegte Ziele zu schießen im Dunkeln. Also so nach dem Motto Du weißt halt, das, was gestern noch gültig war, ist heute nicht mehr gültig. Das, was gestern noch funktioniert hat, muss heute nicht mehr unbedingt funktionieren, weil ja natürlich neue Software-Inkremente gekommen sind. Und so weiter und so fort. Und diese Geschwindigkeit, die stellen Tester tatsächlich aktuell vor große Herausforderungen.

[04:45] Und da hilft halt oft auch wirklich nur noch mal einen Schritt zurückgehen, zu gucken, wo können wir denn testen, wo können wir Qualität heben? Und über die letzten Jahre hat sich leider so ein bisschen eingeschlichen, dass funktionaler Test sehr, sehr viel End-to-End-Testing ist. Also wir prüfen, wenn die Software fertig ist. Wir gucken, dass dann alle Funktionen da sind und wir müssen wieder mehr hin zu dem, was eigentlich gelehrt wird. Viele kleine Tests, viele frühe Tests und wenige Tests in den späteren Entwicklungsstufen. Und gibt es da Veränderungen, die Unternehmen zwingend brauchen, damit die Qualität mit dieser enormen Entwicklungsgeschwindigkeit Schritt halten kann? Die Teams müssen enger zusammenarbeiten, also eigentlich alles das, was so das ganze agile Manifest und ja,

[05:33] die agile Transformation, DevOps, schon seit 20 Jahren predigt, ist: Teams müssen zusammenwachsen, Teams müssen besser kommunizieren. Wie schon gesagt, das verstärkt sich halt alles durch KI jetzt und das verstärkt sich durch diese Geschwindigkeit da wird das plötzlich sichtbar, dass diese Kommunikation unabdingbar ist. Eine Trennung zwischen Business-Analyse, Entwickler, Programmierer und Tester ist so halt irgendwie nicht mehr tragbar, sondern alle müssen miteinander reden. Jeder muss dasselbe Verständnis von der Software haben. Und von Anfang an sollten vielleicht dann auch schon Tester in der Anforderungsanalyse beteiligt sein. Was kann man denn testen? Wo sind Edge Cases, die eine KI oder der Code letzten Endes betrachten sollte? Und je mehr Informationen ich einer KI gebe, desto besser wird der Code

[06:19] natürlich dann auch. Eine KI kann nur mit dem arbeiten, was sie weiß und oft hat man einfach so ein intrinsisches internes Wissen, was nicht kodifiziert ist und wir müssen mehr lernen, dieses Wissen zu kodifizieren. Wir müssen mehr lernen, von vornherein zu sagen das ist das, was wir wollen, auch wenn es erstmal nur das erste Inkrement ist. Aber das ist erstmal unsere Qualitätsschranke, die wir aufbauen. Und in dieser Schranke kann dann die KI am besten arbeiten. Welche Fehler machen Unternehmen derzeit besonders häufig, wenn sie KI in der Softwareentwicklung einsetzen, ohne ihre Teststrategie anzupassen? Du hast jetzt eigentlich schon genannt, die setzen halt KI ein, ohne die Teststrategie anzupassen. Also prinzipiell wird KI erstmal nur verwendet für: wir wollen programmieren, wir wollen coden, wir wollen entwickeln.

[07:06] Das ganze System steht und fällt aber damit, dass eigentlich die gesamte Pipeline oder der gesamte Prozess ja mehr oder weniger im Flow bleiben muss. Und wenn ich jetzt nur eine Stelle beschleunige, dann habe ich hinter dieser beschleunigten Stelle plötzlich einen Stau, weil ich nicht mehr weiterkomme und vor dieser Stelle oder in dieser Stelle plötzlich so ein Vakuum, weil die da vorgelagerten Prozesse einfach nicht schnell genug sind, um neue Anforderungen und neue Inputs zu liefern. Das, was ich beobachte oder was wir beobachten, ist tatsächlich dass Unternehmen KI halt sehr, sehr fokussiert auf einzelne Stellen ansetzen und gucken. Das kann man hier machen, das kann man da machen, aber dabei den Gesamtprozess aus dem Blick verlieren und einfach nicht mehr wissen,

[07:54] was braucht denn eigentlich meine Entwicklung, was braucht meine Programmierung, das braucht dann Anforderungen und die müssen auch irgendwie schneller geliefert werden. Und so weiter und so fort. Also ja, den Gesamtprozess mehr oder weniger im Blick behalten. Und das ist der größte Fehler in meinen Augen. Wichtige Konzepte im Software Testing sind ja seit Jahren Shift Left und Shift Right. Ist das noch zeitgemäß oder braucht es ein neues Verständnis von Qualitätssicherung? Ich glaube, die Konzepte sind sogar noch zeitgemäßer oder noch aktueller als das, was sie vor fünf, sechs Jahren waren. Also Shift Left sagt ja eigentlich Wir verlagern qualitätssichernde Aufgaben in frühere Aktivitätsstufen oder in frühere Prozessstufen. Das heißt, wir haben Themen wie konstruktive Qualitätssicherung.

[08:43] Wir stellen vorher schon mal sicher was wollen wir denn überhaupt testen? Während der Anforderungsanalyse wird schon mal geprüft. Das könnten Edge Cases sein, das könnten Use Cases sein. Oder sind Use Cases, die wir testen. Und dieser Gedanke, frühzeitig mit dem Test anzufangen und frühzeitig mit qualitätssichernden Maßnahmen anzufangen, das ist ja das, was Shift Left mehr oder weniger aussagt. Und ja, die KI wird halt auch einfach, je mehr ich gebe, desto mehr oder desto bessere Ergebnisse wird sie liefern. Auf der anderen Seite Shift Right ist ja ein Konzept, das sagt: Qualität sollte aus dem Fachbereich kommen, beziehungsweise die Qualitätsanforderungen sollten aus dem Fachbereich kommen, was hier natürlich auch wieder in dieses ganze Thema Kommunikation reinspielt. Also wir müssen mehr kommunizieren der anfordernde Fachbereich,

[09:30] die anfordernden Stellen, sollten halt tatsächlich auch schon mal sagen das ist uns wichtig. Ein gesamtes Softwaresystem schon mal vorher zu designen und zu sagen, das muss es können, um dann festzustellen, das ist eigentlich gar nicht das, was, was der Fachbereich wollte. Da habe ich Zeit verloren, egal wie es war. Dann habe ich Token verbrannt bei der KI. Ich habe im Zweifelsfall Wochen oder Monate verloren, was überhaupt nicht notwendig wäre. Also von daher alle Stellen mehr oder weniger frühzeitig in diesen ganzen Qualitätsfindungsprozess, Anforderungsprozess mit einzubinden, hebt letzten Endes konstruktiv die Qualität des Systems. Der ganze analytische Teil der wird dann irgendwie mit in diese Prozesse reingearbeitet werden müssen.

[10:16] Wie verändert sich die Zusammenarbeit zwischen Entwicklung und Quality Engineering, wenn KI immer größere Teile der Softwareentwicklung übernimmt? Kommunikation wird eigentlich immer wichtiger. Also das heißt, alle beteiligten Teile müssen in irgendeiner Art und Weise miteinander kommunizieren, miteinander reden und sich miteinander austauschen. Die Aufgaben des Quality Engineering werden vermutlich auch weggehen von diesem ganzen analytischen Teil hin zu: Wie kann ich ganze Teams enablen und wie kann ich mein Produktteam letzten Endes dahin bringen, dass es in Qualität denkt, dass es nicht einfach nur Hey, ich habe Feature geliefert, fertig aus, sondern dass im Zweifelsfall auch noch mal geguckt wird,

[11:02] was kann denn passieren, wenn der Kunde oder der Benutzer da irgendwie sinnlose Daten eingibt? Also genau dieses Enablement wird es viel mehr geben. Und welche Rolle spielen dabei Testautomatisierung und Continuous Testing? Also vor allem im Bezug auf die Geschwindigkeit moderner Entwicklungsprozesse. In der aktuellen Geschwindigkeit mehr oder weniger unabdingbar. Also wir haben es vorher schon gesehen. Testautomatisierung hat den ganzen Prozess beschleunigt. Wir konnten unsere Testzyklen mehr oder weniger einkürzen, dadurch, dass man halt Testautomatisierung gemacht hat. Und wenn wir jetzt schneller liefern, desto mehr Testautomatisierung muss man machen. Also als kleines Beispiel zum Beispiel: Ich habe letztens auch über die letzten Wochen eine kleine Software gebaut

[11:51] und die hat dann auch irgendwie Zyklen von 2 bis 5 Stunden, bis ich gesagt habe. Hey, das ist fertig oder nicht? Und wenn ich nach fünf Stunden kein Ergebnis hatte, habe ich das abgebrochen und neu gemacht. Und das ging auch nur, weil ich von vornherein ein relativ hartes Qualitätskorsett gesetzt habe und gesagt habe: Teste alles das, was du schreibst, teste alles das, was gemacht wird, und ich mache am Ende nur noch eine Abnahme, eine Sichtabnahme: Passt das? Ist das, was ich eigentlich letzten Endes angefordert habe ist auch das geliefert worden, was ich wollte? Hätte ich das nicht gehabt, wären wahrscheinlich diese Zyklen bedeutend länger geworden. Oder es wäre am Ende tatsächlich Software rausgekommen, die nicht das getan hätte, was sie soll. Jetzt kann KI heutzutage Testfälle erstellen, Testergebnisse analysieren oder Fehler priorisieren.

[12:37] Wo siehst du da aktuell den größten Mehrwert? Du hast es eigentlich schon genannt. Also es ist mehr oder weniger, KI-Systeme sind Systeme, die Vorhersage-Orakel sind so nach dem Motto Hey, ich korreliere ein Wort A mit einem Wort B und das führt zu einem Ergebnis C. Irgendwann hat man mal gelernt Korrelation ist nicht gleich Kausalität. Also genau das muss halt geprüft werden. Und aber diese Themen, die bleiben ja nicht aus. Also das, was halt einem Programmierer hilft, wird auch im Quality Engineering Testautomatisierung helfen. Codegenerierung. Alles das, was irgendwie. Wir müssen sich wiederholende Tasks machen.

[13:24] Wir müssen regelmäßig mal auf Ergebnisse gucken, eventuell Muster erkennen. Also gerade auch so bei Mustererkennung ist KI halt einfach unschlagbar gut, weil es einfach sagen kann. Hey, in meinem Datensatz taucht jetzt dieser Fehler 200 mal auf bei 300 Testfällen. Vielleicht hat es einen Root Cause mehr oder weniger einen Kernfehler, der letzten Endes da im Code ist und nicht einfach 200 Fehler. Und wir müssen nicht 200 Tests analysieren, sondern uns auf einen Fehler spezifizieren. Also da wird KI sehr, sehr stark helfen in der Analyse und in der Codegenerierung und all dem, was letzten Endes sich wiederholende Aktivitäten sind.

[14:11] Alles das, was ich sage es mal künstlerisch oder nachdenkend ist, da sollte man halt KI eher als Brainstorming-Partner und Ähnliches verwenden und die Ergebnisse lieber doch noch mal zwei-, dreimal überprüfen. Das heißt, da gibt es natürlich beim Einsatz von KI auch klare Grenzen. Wo siehst du den menschlichen Tester, die menschliche Testerin als unerlässlich? Als prüfende Stelle, also bei all dem Hype, den KI gerade macht, sollten wir uns halt immer bewusst sein: KI ist erstmal nur ein Werkzeug. Also ich kann Werkzeuge natürlich richtig einsetzen. Ich kann Werkzeuge aber auch falsch einsetzen. Und genau mit diesen, mit diesem Gedanken sollte man

[14:57] halt immer mal gucken, wie kann ich KI sinnvoll einsetzen? Setze ich KI in diesem Augenblick überhaupt erst erstmal sinnvoll ein oder setze ich KI erstmal nur als Mittel zum Zweck ein? Weil ich gerade einen KI-Bot habe oder ein LLM habe, muss ich nicht unbedingt jede Aktivität an mein LLM abtreten. Und da dann tatsächlich noch mal zu gucken, was sind Aufgaben, wo ich definitiv schon mal sage: Hey, da bin ich schneller, da bin ich vielleicht auch konstruktiver als eine KI, weil eine KI oft in ihren Trainingsdaten bleibt und da sehr, sehr wenig ausbrechen kann, was ich sage mal, Scheuklappen angeht. Hilft da vielleicht auch das menschliche oder der menschliche Aspekt immer noch, also dieser Human in the Loop?

[15:46] Ein anderer Aspekt ist natürlich immer so ein Thema Souveränität. Weil jetzt gesetzt den Fall was passiert oder gesetzt den Fall, alle meine Systeme sind auf KI, alle meine Prozesse sind durch KI-Agenten implementiert. Ich habe eigentlich niemanden mehr, der irgendwie was prüft, was passiert, wenn die Anbieter ihre Preisschrauben andrehen? Was passiert, wenn Anthropic plötzlich sagt Ne, in der EU wollen wir kein Geschäft mehr machen? Und so weiter und so fort. Also diese ganze Abhängigkeit, das muss natürlich auch irgendwie sichergestellt werden, dass man sich nicht zu abhängig macht von diesen Systemen. Also ich bin der Meinung, alles das, was eine KI macht, sollte mindestens noch ein Mitarbeiter in irgendeiner Art und Weise manuell machen können. Klar, es dauert länger, aber der Prozess sollte dadurch nicht stehen bleiben.

[16:34] Das ist auch noch mal ein wichtiger Ansatz. Die Abhängigkeit, die du angesprochen hast. Das ist wahrscheinlich vielen auch gar nicht so bewusst, die sich mit dem Thema beschäftigen. Jetzt haben wir die menschliche Komponente angesprochen. Kannst du vielleicht noch mal so ganz konkrete Aufgaben nennen, die wirklich von einem erfahrenen Quality Engineer nach wie vor übernommen werden müssen? Prinzipiell die Einschätzung wie gut ist die Software tatsächlich? Also dieses ganze Risikomanagement. Testen ist erstmal nur eine Risikomanagement-Aktivität. Also wollen wir mit dem, wie die Software aktuell aussieht, wollen wir damit live gehen oder auch nicht? Und Testen senkt das Risiko oder gibt Signale, um letzten Endes diese Risikoaussage treffen zu können.

[17:21] Und diese Aussage, die würde ich immer einen Menschen treffen lassen, weil das ist eine Aussage, da sind im Zweifelsfall Haftungsthemen dahinter. Das sind rechtliche Themen dahinter, das sind aber auch finanzielle Risiken dahinter. Und da eine KI, wo ich nicht weiß, wo kriegt die ihre Information her, die Aussage treffen zu lassen, Ja, jetzt deployen und gib ihm, sehe ich ein bisschen kritisch. Also ich bin da auch eher so der Mensch, habe die kritischen Prozesse lieber selber in der Hand als dass man das so abtritt. Daniel, wie sollte aus deiner Sicht eine moderne Teststrategie aussehen, die die Vorteile der KI nutzt, aber keine Kompromisse bei Qualität und Sicherheit eingeht?

[18:07] Für mich und ich habe es ja mehrfach schon angesprochen, viel in dieser Strategie sollte Zusammenarbeit sein, Kommunikationsprozesse sein und Ähnliches. Also wie können wir sicherstellen, dass Qualität tatsächlich durch die KI automatisch mit eingebaut wird? Wie können wir vorher schon sicherstellen, dass dieses Qualitätskorsett oder unsere Qualitätsschranken mehr oder weniger da sind? Frühzeitig testen, also wirklich frühzeitig schon die Qualität reinbringen. Viele Unit-Tests, viele Integrationstests einplanen. Wenn ich das mache, habe ich eigentlich in der Regel schon 80 bis 90 % der kritischen Fehler in irgendeiner Art und Weise aufgefangen und nicht mehr da. Und Qualitätssicherung darf

[18:53] halt nicht das letzte Glied in der Kette sein. Also oft wird es einfach so gesehen: Hey, wir entwickeln was wir haben unsere Software. Das muss geprüft werden. Das ist mehr oder weniger so dieser Fabrikgedanke. und Conveyor-Belt-Gedanke. So am Ende ist die Qualitätsabnahme und Ähnliches. Wir müssen halt mehr in die Konzepte rein, dass Qualität von Anfang an automatisch mit eingebaut ist. Und das schaffen wir halt nur durch Automatisierung, frühzeitige Automatisierung, Parallelisierung. Im Zweifelsfall Parallelisierung von Testsystemen usw. und so fort. Also wir müssen halt hier viel mehr in die Richtung gehen,

[19:39] was konnten wir technisch überhaupt vorher schon machen, was aber überhaupt nicht notwendig war, weil der Druck dafür nicht da war, das sollten wir jetzt verstärken. Also wie können wir 200 Pull-Requests gleichzeitig testen, die alle eine unterschiedliche Version haben? Das funktioniert natürlich nicht mit einem oder zwei stabilen, fixen Testumgebungen. Also viel mehr in: Wie kann ich skalieren automatisieren von alldem, was in irgendeiner Art und Weise in diese Prozesse reingeht? Tests automatisieren, Deployments automatisieren, Umgebungen automatisieren. Zum Abschluss hätte ich gerne noch einen Tipp von dir für Unternehmen, die heute KI in ihre Softwareentwicklung integrieren möchten.

[20:24] Was würdest du denen raten? Ich wiederhole mich: KI sollte nicht Mittel zum Zweck sein. Also ich sollte KI nicht einsetzen, nur weil KI da ist und weil gerade der Hype da ist. Wir sollten immer prüfen, welche Use Cases wollen wir damit wirklich machen? Gibt es im Zweifelsfall sogar schon Automatisierungslösungen oder Prozesse, die schneller und günstiger sind als eine KI? Also eine KI ist halt auch nicht das Schnellste. Die muss halt nachdenken, muss jedes Mal neu ihre Prozesse überdenken. Kritisch zu hinterfragen, in welchen. Kritisch zu hinterfragen, in welchen Schritten möchte ich KI gerne einsetzen? In welchen Schritten ist KI tatsächlich notwendig? Wo habe ich Unstimmigkeiten oder im Zweifelsfall

[21:13] unklare Anforderungen oder unklare Voraussetzungen? Da hilft halt KI. Alles das, was eigentlich stupides Abarbeiten von Dingen ist, und stupides Durchklicken, stupides Wir testen einfach die eine Klasse. Das muss nicht unbedingt durch KI gemacht werden. Das kann halt auch über klassische Automatisierungslösungen gemacht werden. Ansonsten sollten wir KI gesamtprozesstechnisch denken, nicht in Einzelprozessen, sondern gesamtprozesstechnisch. Da helfen Workshops mit allen Stakeholdern. Da hilft tatsächlich noch mal reinzugehen. Was für Ängste haben Leute, also mehr oder weniger auch jeden abholen, der in diesem Prozess beteiligt ist. Das können die Early Adopter sein, das sollten aber auch die Kritiker sein,

[21:59] die im Zweifelsfall halt noch mal hinterfragen. Themen wie Souveränität: Was passiert, wenn Systeme nicht mehr da sind? Also alles das zu bedenken und nicht einfach auf diesen Hype-Zug aufspringen. Daniel, vielen Dank für diesen Tipp zum Schluss vielen Dank für das tolle Gespräch. Ihnen danke ich fürs Zuschauen, fürs Zuhören und wir hören uns, sehen uns gerne beim nächsten accompio Fokusthema. Super.

KI beschleunigt die Entwicklung – aber nicht automatisch die Qualität

KI verstärkt zunächst eine Entwicklung, die bereits mit agilen Methoden und kürzeren Iterationszyklen begonnen hat. Anforderungen werden flexibler, Software wird schneller entwickelt und häufiger ausgeliefert.

Mit generativer KI steigt diese Geschwindigkeit nochmals deutlich. Entwickler können schneller Prototypen erstellen und größere Mengen an Code produzieren. Für Quality Engineering bedeutet das: Die bisherige Geschwindigkeit von Testprozessen reicht zunehmend nicht mehr aus.

Testpipelines, die ein oder zwei Tage benötigen, passen nicht mehr zu einer Umgebung, in der innerhalb kürzester Zeit neue Software-Inkremente entstehen.

„KI ist erstmal nur ein Werkzeug.“

Daniel Horn, Principal IT-Consultant bei accompio

Testing muss früher beginnen

Ein zentraler Ansatz ist deshalb das sogenannte Shift Left: Qualitätssicherung wird möglichst weit nach vorne in den Entwicklungsprozess verlagert.

Statt erst die fertige Software zu testen, sollte bereits während der Anforderungsanalyse gefragt werden: Was soll eigentlich getestet werden? Welche Use Cases gibt es? Welche Edge Cases müssen berücksichtigt werden? Und welche Qualitätsanforderungen bestehen überhaupt?

Daniel Horn sieht dabei auch die Kommunikation zwischen Fachbereich, Entwicklung und Testing als entscheidend. Qualitätsanforderungen sollten nicht erst am Ende des Entwicklungsprozesses entstehen, sondern möglichst früh gemeinsam definiert werden.

Das führt zu einem grundsätzlichen Wandel: Testing wird nicht nur zur Kontrolle fertiger Software, sondern zu einem Bestandteil der Softwareentwicklung von Anfang an.

Automatisierung wird zum entscheidenden Faktor

Wenn Software schneller entwickelt und häufiger ausgeliefert wird, müssen auch Tests schneller durchgeführt werden können.

Testautomatisierung ist dabei kein völlig neues Konzept. Sie hat bereits in der Vergangenheit geholfen, Testzyklen zu verkürzen. Durch die zusätzliche Geschwindigkeit von KI gewinnt sie jedoch nochmals an Bedeutung.

Dabei geht es nicht nur darum, einzelne Testfälle zu automatisieren. Auch Deployments, Testumgebungen und die parallele Durchführung von Tests müssen stärker automatisiert werden.

Ein Beispiel verdeutlicht die Herausforderung: Wenn gleichzeitig hunderte Pull Requests mit unterschiedlichen Softwareständen getestet werden sollen, reichen ein oder zwei feste Testumgebungen nicht mehr aus. Testsysteme müssen dynamisch und parallel bereitgestellt werden können.

Was kann KI im Software Testing übernehmen?

KI bietet im Testing verschiedene Möglichkeiten. Sie kann beispielsweise Testfälle erstellen, Testergebnisse analysieren, Fehler priorisieren oder bei der Mustererkennung unterstützen.

Gerade bei großen Mengen an Testergebnissen kann das hilfreich sein. Statt hunderte Ergebnisse manuell auszuwerten, kann KI dabei helfen, Auffälligkeiten zu erkennen und den Fokus auf relevante Fehler zu lenken.

Trotzdem bleibt die menschliche Bewertung wichtig. KI sollte als Werkzeug und Unterstützung verstanden werden – nicht als Ersatz für das fachliche Verständnis eines Testers.

KI nicht um ihrer selbst willen einsetzen

Für Unternehmen ergibt sich daraus eine wichtige Frage: Wo bringt KI tatsächlich einen Mehrwert?

Daniel Horn warnt davor, KI nur einzusetzen, weil sie verfügbar ist oder der aktuelle Hype es nahelegt. Für manche Aufgaben existieren bereits klassische Automatisierungslösungen, die schneller, günstiger oder zuverlässiger sein können.

Deshalb sollte jeder Prozess kritisch betrachtet werden: Wo ist KI sinnvoll? Wo reicht klassische Automatisierung? Und an welchen Stellen ist menschliche Expertise unverzichtbar?

KI sollte dabei nicht nur für einzelne Arbeitsschritte betrachtet werden. Sinnvoller kann es sein, den gesamten Prozess zu analysieren und gemeinsam mit den beteiligten Teams zu überlegen, an welchen Stellen KI tatsächlich unterstützt.

Die moderne Teststrategie: früh, automatisiert und parallel

Eine moderne Teststrategie muss laut Daniel Horn vor allem eines leisten: Qualität frühzeitig und kontinuierlich in den Entwicklungsprozess integrieren.

Dazu gehören viele kleine Tests auf unterschiedlichen Ebenen – beispielsweise Unit- und Integrationstests – anstatt ausschließlich umfangreicher End-to-End-Tests am Ende des Entwicklungsprozesses.

Gleichzeitig müssen Tests, Deployments und Testumgebungen stärker automatisiert und parallelisiert werden. Nur mit umfassendem Test Management können Quality-Engineering-Teams mit einer Entwicklung Schritt halten, bei der potenziell hunderte Änderungen gleichzeitig entstehen.

„Wir müssen mehr in die Richtung gehen: Was können wir technisch überhaupt schon machen, was vorher aber überhaupt nicht notwendig war? Das sollten wir jetzt verstärken.“

Daniel Horn, Principal IT-Consultant bei accompio

Quality Engineering für Ihre Anwendungen mit accompio

accompio unterstützt Unternehmen dabei, ihre Teststrategie an die steigende Entwicklungsgeschwindigkeit anzupassen.

Zu unseren Leistungen

Fazit: KI verändert Testing – aber ersetzt Quality Engineering nicht

KI verändert die Geschwindigkeit der Softwareentwicklung grundlegend. Damit steigt auch der Druck auf bestehende Testprozesse. Die Antwort darauf ist jedoch nicht, sämtliche Testaufgaben an KI zu übergeben. Unternehmen müssen vielmehr ihre gesamte Teststrategie weiterentwickeln: früher testen, stärker automatisieren, Prozesse parallelisieren und Qualitätsanforderungen bereits bei der Entwicklung berücksichtigen.

KI kann dabei unterstützen: bei der Erstellung von Testfällen, der Analyse von Ergebnissen oder der Erkennung von Mustern. Die Entscheidung, wo und wie KI sinnvoll eingesetzt wird, bleibt jedoch eine zentrale Aufgabe der Menschen im Quality Engineering.

Über den Experten

Daniel Horn
Principal IT-Consultant bei accompioÜber den Experten

Daniel Horn ist Principal IT-Consultant bei accompio und unterstützt Unternehmen dabei, ihre Teststrategie an die steigende Entwicklungsgeschwindigkeit anzupassen.

LinkedIn

FAQ zu Software Testing im KI-ZeitalterWie verändert KI das Software Testing?

KI beschleunigt die Softwareentwicklung und führt dadurch zu mehr Software-Inkrementen und kürzeren Entwicklungszyklen. Testing muss deshalb schneller, stärker automatisiert und früher in den Entwicklungsprozess integriert werden.

Kann KI Softwaretester ersetzen?

KI kann Tester bei Aufgaben wie der Erstellung von Testfällen, der Analyse von Testergebnissen und der Mustererkennung unterstützen. Die fachliche Bewertung und die Entscheidung, welche Tests und Qualitätsanforderungen relevant sind, bleiben jedoch wichtige Aufgaben des Menschen.

Was bedeutet Shift Left im Software Testing?

Shift Left bedeutet, Qualitätssicherung möglichst früh in den Entwicklungsprozess zu verlagern. Tests und Qualitätsanforderungen werden bereits während der Anforderungsanalyse und Entwicklung berücksichtigt, statt erst am Ende die fertige Software zu prüfen.

Warum wird Testautomatisierung durch KI wichtiger?

Wenn Software schneller entwickelt und häufiger ausgeliefert wird, müssen auch Tests schneller durchgeführt werden. Automatisierte Tests, Deployments und Testumgebungen ermöglichen es, größere Mengen an Änderungen parallel zu prüfen.

Welche Aufgaben kann KI im Software Testing übernehmen?

KI kann Testfälle erstellen, Code für die Testautomatisierung generieren, Testergebnisse analysieren, Fehlermuster erkennen und Auffälligkeiten priorisieren. Die fachliche Prüfung sowie Risiko- und Freigabeentscheidungen sollten weiterhin Menschen im Quality Engineering übernehmen.

Welche Rolle spielt Continuous Testing bei KI-beschleunigter Softwareentwicklung?

Continuous Testing integriert automatisierte Tests fortlaufend in den Entwicklungsprozess. Dadurch werden Fehler schneller sichtbar und kurze Lieferzyklen möglich. Dafür müssen neben den Tests auch Deployments und Testumgebungen automatisiert und bei Bedarf parallel bereitgestellt werden.

Wie entwickeln Unternehmen eine moderne Teststrategie für das KI-Zeitalter?

Eine moderne Teststrategie beginnt früh mit klaren Qualitätsanforderungen, Unit- und Integrationstests. Fachbereich, Entwicklung und Quality Engineering arbeiten eng zusammen, wiederkehrende Tests, Deployments und Umgebungen werden automatisiert und menschliche Experten behalten Risiko- und Freigabeentscheidungen in der Hand.

Viele Mitarbeitende nutzen künstliche Intelligenz bereits, etwa für Texte, Analysen oder Code. Auf Prozessebene bleibt das Potenzial häufig ungenutzt. Dort reicht es nicht, einen einzelnen Arbeitsschritt zu beschleunigen. Unternehmen müssen den gesamten Ablauf betrachten und klären, an welchen Stellen KI sinnvoll unterstützt, wo eine klassische Automatisierung besser passt und wann ein Mensch entscheiden sollte.

Henrik Wenck, Senior VP bei accompio AI, erklärt im Experteninterview, welche Prozesse sich für KI eignen, was gute KI-Trainings ausmacht und mit welchen Kennzahlen sich der tatsächliche Mehrwert messen lässt.

Das Wichtigste in Kürze

• KI im Unternehmen sollte vom Prozess her gedacht werden: Ein beschleunigter Einzelschritt schafft noch keinen Mehrwert, wenn davor oder danach ein neuer Engpass entsteht.
• Geeignete KI-Anwendungsfälle arbeiten oft mit unstrukturierten Daten: Dazu gehören die Klassifikation von Tickets, die Zuordnung von Wissen und die Extraktion von Informationen aus Dokumenten.
• Datenqualität und klare Schwellenwerte sind entscheidend: Unternehmen müssen festlegen, wann ein Ergebnis automatisch weiterverarbeitet werden darf und wann eine menschliche Prüfung erforderlich ist.
• KI-Training muss zum Arbeitsalltag passen: Mitarbeitende brauchen Prozesswissen, übertragbare Prinzipien und die Fähigkeit, KI-Ergebnisse kritisch zu prüfen.
• Mehr Output ist noch keine höhere Produktivität: Aussagekräftig sind Kennzahlen wie Durchlaufzeit, Nacharbeit, Qualität und tatsächliche Nutzung.
• Ein KI-Assessment schafft eine belastbare Ausgangsbasis: Es erfasst bestehende Nutzung, bewertet Prozesse und führt zu einer priorisierten Roadmap.

KI im Unternehmen: Experteninterview mit Henrik Wenck

Wie finden Unternehmen geeignete KI-Use-Cases? Welche Rolle spielen Datenqualität, Mitarbeitende und messbare Ziele? Henrik Wenck zeigt im Video, wie aus einzelnen KI-Experimenten ein strukturiertes Vorgehen für Prozesse und Teams wird.

Video ansehen

Transkript lesen

00:06 Herzlich willkommen aus Dresden zu unserem heutigen accompio Fokusthema: KI im Unternehmen. Wir sprechen über Prozessautomatisierung, Training und messbaren Mehrwert. Bei mir ist Henrik Wenck. Henrik, schön, dass du da bist. Stell dich gerne kurz vor und erläutere deine Rolle bei accompio. Ja, gerne. Hi Luisa. Ich bin Henrik Wenck,

00:29 bin seit über zehn Jahren im KI-Bereich tätig und habe die Senior-VP-Rolle bei accompio AI. Das ist die KI-Unit von accompio und im täglichen Doing unterstützen wir Unternehmen dabei, geeignete KI-Anwendungsfälle zu finden und diese umzusetzen. Da gehören auch Automatisierungen dazu und zusätzlich die Mitarbeitenden der jeweiligen Unternehmen zu befähigen, KI zu verwenden. Wenn wir dabei in die Praxis schauen, was würdest du sagen,

01:05 in welchen Bereichen verändert KI den Arbeitsalltag in Unternehmen? Also, ich glaube generell: KI findet den Weg in immer mehr Unternehmen. Eine Vielzahl an Unternehmen nutzt KI bereits bzw. fängt an, sie zu nutzen. Aber ich würde hier unterscheiden. Auf der einen Seite gibt es viel individuelle Nutzung, also Mitarbeitende, die entsprechend KI nutzen,

01:34 um Texte zu schreiben, um Code schreiben zu lassen oder um Sachen zu analysieren. Auf der anderen Seite die KI auf Prozessebene, Unternehmensprozessebene. Da, glaube ich, ist noch Luft nach oben, und da werden wir in den nächsten Jahren auch noch viel sehen. Denn wenn KI auf individueller Ebene stattfindet und man sich den Prozess vorstellt, verschiedene Prozessschritte hat, dann hat KI aktuell immer noch Probleme,

02:05 vom jeweiligen Prozessschritt in den nächsten zu gelangen. Und welche Tätigkeiten eignen sich da besonders, durch KI unterstützt oder auch automatisiert zu werden? Also ganz generell kann man sich das so vorstellen: Es gibt ja die normale Softwareentwicklung. Und bei der Softwareentwicklung hat man einen Input und einen Output und schafft dann ein Regelwerk, wie der Input zum Output wird.

02:34 Also ein Entwickler schreibt dann die Regeln in Code runter und dann wird das entsprechend so verarbeitet. Bei KI hat sich dieses Mantra geändert. Man hat einen Input und einen Output, und anhand von Beispielen lernt das KI-Modell die Regeln. Und auf einmal waren Use Cases möglich, die davor einfach nicht möglich waren, weil die Regelwerke zu komplex waren.

02:59 Und dazu gehören Use Cases auf normalem Text, also natürlicher Sprache, als auch bzw. um das konkreter zu machen: Wenn man beispielsweise ein IT-Support-Ticket hat und das einem Output oder einer Abteilung bzw. einer Person zuordnen möchte, dann ist das ein toller Anwendungsfall für KI. Genauso auch, wenn man Fragestellungen hat und eine bestimmte Antwort haben möchte. Die Antwort kann auch basierend auf internem Wissen

03:32 sein. Wenn man also Wissen zuordnen möchte, ist KI auch toll. Was ich in der Praxis auch häufig sehe, ist KI in der Datenextraktion. Also ein Dokument kommt rein und automatisch werden Sachen wie der Rechnungsbetrag, das Datum usw. extrahiert. Das basiert alles auf unstrukturierten Daten und das kann zu einem Output gemappt werden. Wenn wir da jetzt

04:01 mal die Prozessperspektive einnehmen: Einzelne Arbeitsschritte werden ja recht häufig schon automatisiert. Was muss ich an diesem Prozess verändern, um einen tatsächlichen Mehrwert bzw. eine Verbesserung für den gesamten Ablauf herzustellen? Also, ich glaube, zuallererst sollte man sich den Ablauf aus der Vogelperspektive ansehen. Man sollte schauen, aus welchen Prozessschritten mein Ablauf besteht und wirklich bei der Engstelle anfangen

04:33 und sich dann mit der Engstelle auch fragen: Wenn ich diesen Punkt jetzt automatisiere oder effizienter gestalte, verschiebe ich nicht eigentlich nur das Problem? Wenn ich beispielsweise Texte schreiben lasse und im nächsten Arbeitsschritt genauso lange brauche, diese Texte zu prüfen, wie als wenn ich die Texte selbst schreiben würde, dann habe ich nichts gewonnen. Deswegen müssen Prozesse mit KI neu gedacht werden und man muss gucken: Wo startet man?

05:05 Da würde ich immer empfehlen: bei dem Problem, da, wo es gerade stockt. Dann muss man gucken: Was passiert davor? Was gehen für Daten rein? Habe ich die Datenqualität, die ich benötige, um diesen Prozess zu unterstützen, zu automatisieren? Und dann muss ich auch schauen: Was passiert danach? Also kann der Output des Prozesses oder des Prozessschrittes direkt weiterverarbeitet werden und wenn ja, unter welchen Bedingungen?

05:38 Also muss das Modell einen bestimmten Schwellwert überschreiten? Also bei welcher Confidence kann das Ergebnis weiterverwendet werden? Und ab welchem Punkt sollte auch ein Mensch draufschauen? Das ist mein nächster Punkt im Hinblick auf Prozessautomatisierung. Wo stößt KI da aktuell noch an Grenzen und wo ist der Mensch unerlässlich an der Stelle? Also, wie gerade schon gesagt, ich glaube, Datenqualität spielt

06:11 bei ganz, ganz, ganz vielen KI-Use-Cases eine riesige Rolle. Dann natürlich auch die probabilistische Natur von KI. Also, man kann sich das vorstellen: Wenn ich jetzt einen Prozess habe, der zehn Prozessschritte hätte und jeder dieser Prozessschritte mit 95 % Genauigkeit verarbeitet werden würde, dann multiplizieren sich die Fehler jeden einzelnen Prozessschrittes. Und auf einmal liege ich am Ende des Prozesses nicht mehr bei 95 %

06:43 Genauigkeit, sondern nach dem Prinzip nur noch bei 60 %. Da ist die Frage: Reicht es aus oder kann ich, wie anfangs gesagt, auch die normale Softwareentwicklung verwenden, um bestimmte Prozesse deterministisch laufen zu lassen? So, dann. Was wir häufig auch sehen, ist die Regulatorik. Nichts ist ärgerlicher, wenn man einen KI-Use-Case umgesetzt hat, der gut funktioniert und man dann entsprechend merkt: Hey,

07:15 den hätte ich gar nicht so umsetzen dürfen. Und zur zweiten Frage: Was sollte der Mensch weiterhin tun? Hm, ich denke, KI kann gut Arbeit erledigen, aber schwer Verantwortung tragen. Also beim Menschen sollte die Verantwortung liegen und genauso auch die Beziehungsarbeit. Sei es die interne als auch die mit Kunden nach außen.

07:46 Du hast gerade die Verantwortung angesprochen, die unerlässlich ist. Wenn wir jetzt davon ausgehen, dass KI aktuell eher Routineaufgaben übernimmt: Welche Fähigkeiten oder welche Skills werden dann bei Mitarbeitenden wichtiger? Also, ich glaube, der Unterschied zum aktuellen Arbeiten oder zum vorherigen Arbeiten ist der, dass viele Arbeitsprozesse nicht mehr bei null anfangen. Man startet selten noch mit einem leeren Blatt,

08:16 sondern man lässt sich den ersten Entwurf mit KI generieren und damit erfordert das einfach ein anderes Skillset. Ich muss den Output entsprechend lesen, ich muss ihn einschätzen können und ich muss auch kritisch hinterfragen können: Ist das, was mir gezeigt wird, wirklich das Richtige? Also, wenn ich das zusammenfassen müsste, würde ich sagen:

08:41 Das Prozesswissen ist weiterhin bzw. eigentlich noch wichtiger geworden, weil ich die Prozesse verstehen muss. Ich muss verstehen, was dauert wie lange und wo können Fehler auftreten. Und auf der anderen Seite dieses kritische Prüfen. KI-Modelle sind wahnsinnig gut darin, Output zu erzeugen, der sich gut anhört. Und genau da brauche ich die fachliche Einschätzung, um zu sagen: Das hört sich nur gut an, ist aber fachlich falsch. Kommen wir mal zum Thema KI-Training.

09:14 Diese Fähigkeiten muss so ein Mitarbeiter ja auch neu entwickeln. Was muss so ein KI-Training vermitteln, dass ein Mitarbeiter wirklich diese Fähigkeiten entwickelt und nicht nur lernt, ein Tool zu bedienen? Ich glaube, die Frage trifft das Problem schon auf den Kopf. Also viele KI-Trainings, die sind sehr generalistisch gehalten und ich bin der Meinung, ein KI-Training sollte sich auf den Arbeitsalltag des jeweiligen Mitarbeitenden konzentrieren, weil sonst nimmt man Inhalte mit, die zwar schön und unterhaltsam sind,

09:48 aber letztendlich gar nicht auf das mappen, was man tagtäglich tut. Ich denke, man sollte auch den Fokus darauf legen, nicht nur Regeln beizubringen, wie bestimmte Software verwendet werden sollte, sondern man sollte die Prinzipien verstehen, weil die Softwarelandschaft ändert sich aktuell wahnsinnig schnell. Da kann man sagen: Alle paar Monate gibt es neue Anbieter bzw. viele Unternehmen hinterfragen auch: Auf welche Anbieter sollte ich mich denn langfristig festlegen? Und

10:28 genau, wenn man entsprechend verstanden hat, welche Prinzipien dahinter liegen, die kann man dann auch übertragen auf neue Tools. Und dann wahrscheinlich der dritte Punkt. Da würde ich sagen: das kritische Denken oder das kritische Prüfen. Mitarbeitende sollten nicht nur darauf trainiert werden, Output zu erzeugen, sondern auch den Output zu hinterfragen. Und jetzt ist es aber häufig so, dass die Erwartungen nach so einer Schulung

10:58 ähm, ja, nicht ganz erfüllt werden und dass das Erlernte nicht unbedingt mit in den Arbeitsalltag übertragen und mitgenommen werden kann. Was würdest du sagen: Woran liegt das? Also, das haben wir auch in der Praxis schon häufig gesehen. Ich denke, es liegt daran: Man hatte die tolle Weiterbildung, hat viel entsprechend gelernt. Kommt am nächsten Morgen ins Büro und es warten hunderte E-Mails oder 100 E-Mails und Calls, die man entsprechend für den Tag aufgeschoben hat,

11:32 und man ist einfach aufgrund der Zeitknappheit ganz schnell wieder in seiner eigenen vorherigen Routine. Und diese Routine aufzubrechen ist eigentlich die eigentliche Herausforderung. Also meiner Meinung nach sollte man den Mitarbeitenden Zeit und Raum geben, das neu Erlernte anzuwenden. Und genauso sollte die Unternehmenskultur das so offen vorleben und erwarten, dass die Mitarbeitenden

12:03 das Gelernte auch verwenden in ihrem täglichen Arbeiten. Ich würde gerne das Thema Produktivität noch mal ansprechen. Du hast es vorhin auch schon erwähnt: Wenn ich Tätigkeiten mit KI umsetze und hinterher aber genauso lange prüfen muss, wie die eigene Erstellung gedauert hätte, ist es kein Mehrwert. Das ist nicht produktiv. Kannst du

12:28 vielleicht noch ein paar Tipps geben, woran ich erkennen kann, ob eine Tätigkeit durch KI wirklich und tatsächlich produktiver geworden ist? Ja, ich glaube, bei KI ist es wichtig, zwei Begrifflichkeiten immer wieder zu trennen. Das ist einmal die Aktivität und die Produktivität. KI-Tools sind unglaublich gut darin, Output zu erzeugen. Das ist aber erstmal nur eine Menge. Das sagt gar nichts über die Produktivität entsprechend aus.

12:56 Wo Produktivität entsprechend dazukommt, ist, wenn es messbar wird. Wenn ich entsprechend weiß: Wie hat der Prozess davor geklappt? Wo liege ich jetzt? Also diese Vergleichbarkeit, diese Messbarkeit entsprechend aufzuzeigen. Das ist ein Weg zur Produktivität, sonst ist es nur ein Bauchgefühl. Gibt es da konkrete Kennzahlen, um diese Messbarkeit oder diesen messbaren Effekt auch im Unternehmen sichtbar zu machen?

13:30 Es gibt definitiv generelle Kennzahlen dafür. Also man kann sich entsprechend anschauen: Wie ist die Durchlaufzeit des jeweiligen Prozesses aktuell und wie ist sie nach der KI-Automatisierung? Wie sieht es aus bei der Qualität, also wie viel Nacharbeit habe ich? Wie oft muss ich entsprechend als Mitarbeitender über diesen Output schauen und diesen korrigieren? Und darüber hinaus

14:01 ist eigentlich die wirkliche Verwendung der KI-Lösung. Weil es bringt nichts, die tollste KI-Lösung im Unternehmen zu haben und keiner nutzt sie, sondern man muss entsprechend auch aktiv messen: Wie sehr wird die KI-Lösung genutzt? Und wenn ein Unternehmen jetzt mit KI im Arbeitsalltag starten möchte, wie sollte es da deiner Erfahrung nach am besten vorgehen?

14:30 Also, in unserer Erfahrung ist es so, dass sie erst mal schauen sollten: Wo nutzen Mitarbeitende eigentlich bisher schon KI? Und das ist häufig mehr, als die meisten Personen erwarten. Also, das ist das große Thema Schatten-KI. Dann sollte man die jeweiligen Prozesse oder die potenziellen Prozesse anhand von strukturierten Kriterien analysieren. Und dann im letzten Schritt schauen, welche Mitarbeitenden

15:05 gerade wenn man die KI bzw. die KI-Lösung umgesetzt hat, dann auch die Mitarbeitenden zu befähigen, die Lösung zu nutzen und darüber hinaus weiter zu denken. Genau. Kann ein KI-Assessment in solchen Fällen auch Potenziale aufdecken? Auf jeden Fall. Deswegen ist es eine der Leistungen, die wir auch aktiv anbieten. Wir nennen das KI-Assessment.

15:33 Wir nennen das KI-Audit und da setzen wir uns mit Unternehmen an einen Tisch, haben Interviews mit den Mitarbeitenden, mit der Geschäftsführung, um entsprechend die Potenziale zu analysieren und schauen, dann eine geeignete Roadmap aufzubauen, was das Unternehmen kurz-, mittel- und langfristig mit KI am besten machen kann. Organisatorisch gibt es auch einiges zu beachten,

16:03 besonders im Hinblick auf Weiterbildung und Arbeitsorganisation. Wir hatten das vorhin schon kurz angerissen: Wenn KI nicht mehr nur punktuell, sondern dauerhaft Teil von Prozessen werden soll, was müssen Unternehmen konkret ändern? Also, ich glaube, KI kann man aus der aktuellen Arbeitswelt nicht mehr rausdenken. Und damit ist die Weiterbildungsmöglichkeit bzw. die Weiterbildung sollte nicht mehr punktuell passieren.

16:32 Das ist ein stetiger Fluss an Weiterbildungen, den man seinen Mitarbeitenden ermöglichen sollte. Man sollte schauen, Richtlinien im Unternehmen oder Leitplanken zu schaffen, die den Mitarbeitenden Halt geben. Also: Was darf ich, was darf ich nicht, auch gerade auf der anderen Seite hinsichtlich der Regulatorik, um keine größeren Bußgelder zu riskieren.

17:04 Und auf der anderen Seite entsprechend die Unternehmenskultur für KI umzubauen, dass entsprechend KI-Nutzung vorgelebt wird. Viele Unternehmen setzen auch Multiplikatoren in Teams ein, die entsprechend als Ansprechpartner dienen und den Mitarbeitenden zeigen, wie KI nutzbar gemacht werden kann. Und ja, also ich denke, wir befinden uns jetzt in einem stetigen Wandel. Und der wird von Monat zu Monat anders aussehen.

17:40 Abschließend habe ich noch eine Frage, aus deiner Sicht: Welche Fehler machen Unternehmen beim Einsatz von KI-gestützter Prozessautomatisierung am häufigsten? Und lässt sich das vielleicht vermeiden? Ja, ich denke, basierend auf meiner eigenen Erfahrung, dass viele Unternehmen diesen Prozess noch sehr unstrukturiert angehen. Sie holen sich Tools ins Haus, haben vielleicht eine Weiterbildung und hoffen, dass sich das Thema entsprechend dadurch schon regelt.

18:11 Was wir sehen, gerade hinsichtlich der Prozessautomatisierung, ist, dass es am hilfreichsten ist, sich wirklich an diese Prozesse zu setzen. Zu überlegen: Wie möchte ich denn meine Prozesse mit KI gestalten? Dass sie sich einen Plan machen: Wie befähige ich meine Mitarbeitenden langfristig, mit KI zu arbeiten, und wie messe ich die Wirkung von KI? Und das nicht nur vor dem Prozess und nach dem Prozess, sondern kontinuierlich nach dem Prozess.

18:43 Weil die KI wird sich auch immer wieder ändern. Henrik, vielen Dank für das informative Gespräch. Mir hat es viel Spaß gemacht. Ich hoffe, Ihnen ebenso. Wir hören uns gerne beim nächsten accompio Fokusthema. Machen Sie es gut.

Wie verändert KI den Arbeitsalltag in Unternehmen?

Im Arbeitsalltag zeigt sich KI auf zwei Ebenen. Auf der individuellen Ebene nutzen Mitarbeitende Anwendungen zum Schreiben, Programmieren oder Analysieren. Diese Nutzung ist in vielen Unternehmen bereits angekommen.

Auf Prozessebene ist die Aufgabe anspruchsvoller. Ein Unternehmensprozess besteht aus mehreren Arbeitsschritten, Systemen und Verantwortlichkeiten. Wenn KI nur einen davon bearbeitet, muss ihr Ergebnis zuverlässig in den nächsten Schritt gelangen. Genau an diesen Übergängen entstehen häufig Medienbrüche, zusätzlicher Prüfaufwand oder neue Engpässe.

Der sinnvolle Einsatz von KI beginnt deshalb mit einer Prozessanalyse. Erst wenn Input, gewünschter Output und nachfolgende Verarbeitung klar sind, lässt sich beurteilen, ob KI, klassische Softwarelogik oder eine Kombination aus beidem die passende Lösung ist.

Welche Prozesse eignen sich für KI?

Besonders interessant sind Aufgaben, bei denen feste Regelwerke schnell zu komplex werden. KI-Modelle können anhand von Beispielen lernen, welche Eingaben zu welchem Ergebnis führen sollen. Dadurch lassen sich auch unstrukturierte Inhalte wie Texte oder Dokumente verarbeiten.

Tickets und Anfragen klassifizieren

Ein IT-Support-Ticket kann anhand seines Inhalts einer zuständigen Abteilung oder Person zugeordnet werden. Ein ähnliches Prinzip nutzt AI Flow für die Klassifikation eingehender Anfragen. Voraussetzung ist, dass Kategorien, Zuständigkeiten und die weitere Bearbeitung sauber definiert sind.

Wissen zuordnen und Antworten vorbereiten

KI kann Fragen mit internem Wissen verknüpfen und einen ersten Antwortentwurf bereitstellen. Damit das zuverlässig funktioniert, müssen die Wissensquellen aktuell, zugänglich und fachlich eindeutig sein. Für sensible Inhalte braucht es außerdem eine kontrollierte Umgebung, etwa eine zentrale KI-Wissensplattform für Unternehmen.

Daten aus Dokumenten extrahieren

Aus Rechnungen, Formularen oder anderen Dokumenten lassen sich relevante Angaben wie Betrag, Datum oder Referenznummern extrahieren. AI Flow Inbox Extract überführt solche Informationen in eine strukturierte Form, damit operative Systeme sie weiterverarbeiten können.

KI-Prozessautomatisierung richtig planen

Wer einen Prozess nur an einer Stelle beschleunigt, verschiebt das Problem unter Umständen in den nächsten Arbeitsschritt. Henrik Wenck empfiehlt deshalb, den gesamten Ablauf aus der Vogelperspektive zu betrachten.

1. Engpass identifizieren

Der Ausgangspunkt ist die Stelle, an der ein Prozess aktuell stockt. Dort sollte geprüft werden, ob eine Automatisierung wirklich Zeit spart oder nur zusätzlichen Prüfaufwand erzeugt.

2. Input und Datenqualität prüfen

Ein KI-Modell kann nur mit den Informationen arbeiten, die ihm zur Verfügung stehen. Fehlende, uneinheitliche oder veraltete Daten senken die Verlässlichkeit des Ergebnisses.

3. Weiterverarbeitung definieren

Vor der Umsetzung muss feststehen, was nach dem KI-Schritt passiert. Kann das Ergebnis direkt in ein weiteres System übernommen werden? Muss es freigegeben werden? Wer übernimmt einen Fall, wenn wichtige Angaben fehlen?

4. Schwellwerte festlegen

Für automatisierte Entscheidungen braucht es klare Qualitätsgrenzen. Eine hohe Confidence kann die direkte Weiterverarbeitung erlauben. Bei einem unsicheren Ergebnis sollte ein Mensch prüfen und entscheiden.

5. Klassische Automatisierung einbeziehen

Nicht jeder Prozessschritt benötigt KI. Eindeutige Regeln lassen sich oft verlässlicher mit klassischer Software abbilden. In der Praxis entsteht der größte Nutzen häufig aus einer Kombination: KI verarbeitet variable Inhalte, deterministische Logik steuert klar definierte Abläufe.

Wo stößt KI an Grenzen?

KI arbeitet probabilistisch. Ein plausibel klingendes Ergebnis kann fachlich falsch sein. In langen Prozessketten kommt ein weiterer Effekt hinzu: Wenn mehrere Schritte jeweils eine gewisse Fehlerwahrscheinlichkeit haben, können sich die Abweichungen über den gesamten Ablauf verstärken.

Auch regulatorische Anforderungen müssen vor der Umsetzung geklärt werden. Ein funktionierender KI-Use-Case bringt wenig, wenn er Daten auf eine Weise verarbeitet, die im Unternehmen nicht zulässig ist. Klare Regeln und eine belastbare KI-Governance gegen Shadow AI gehören deshalb zur technischen Planung.

„KI kann gut Arbeit erledigen, aber schwer Verantwortung tragen.“

Henrik Wenck, Senior VP bei accompio AI

Verantwortung und Beziehungsarbeit bleiben beim Menschen. Das gilt für interne Entscheidungen ebenso wie für den Kontakt mit Kundinnen und Kunden. Mitarbeitende müssen Ergebnisse einordnen, fachlich prüfen und die Folgen einer Entscheidung überblicken können.

Was sollte ein gutes KI-Training vermitteln?

Ein KI-Training ist dann hilfreich, wenn es den konkreten Arbeitsalltag der Teilnehmenden aufgreift. Eine allgemeine Einführung kann Interesse wecken. Für die praktische Anwendung brauchen Mitarbeitende Beispiele, Aufgaben und Risiken aus ihren eigenen Prozessen.

1. Prozesswissen: Mitarbeitende müssen verstehen, wie ihre Abläufe funktionieren, wo Zeit verloren geht und an welchen Stellen Fehler entstehen können.
2. Übertragbare Prinzipien: Einzelne Tools verändern sich schnell. Wer die zugrunde liegenden Konzepte versteht, kann neue Anwendungen leichter beurteilen.
3. Kritische Prüfung: Ein guter Output muss nicht automatisch richtig sein. Fachwissen bleibt notwendig, um Fehler, Lücken und unpassende Schlussfolgerungen zu erkennen.
4. Zeit zum Anwenden: Nach einer Schulung benötigen Teams Raum, um neue Arbeitsweisen auszuprobieren. Sonst kehren sie unter Zeitdruck schnell zu alten Routinen zurück.

Eine fortlaufende Lernkultur ist wirksamer als eine einmalige Schulung. Die AI Academy für Mitarbeitende schafft dafür eine gemeinsame Grundlage. Ergänzend können Multiplikatoren in einzelnen Teams als Ansprechpersonen dienen und konkrete Einsatzmöglichkeiten weitertragen.

Wie lässt sich der Mehrwert von KI messen?

KI-Tools können in kurzer Zeit viel Output erzeugen. Diese Aktivität ist noch kein Beleg für Produktivität. Aussagekräftig wird der Einsatz erst, wenn ein Unternehmen den Prozess vor und nach der Einführung anhand derselben Kriterien betrachtet.

• Durchlaufzeit: Wie lange dauert der gesamte Prozess?
• Qualität: Wie zuverlässig sind die Ergebnisse?
• Nacharbeit: Wie häufig und wie lange müssen Mitarbeitende korrigieren?
• Nutzung: Wie viele Mitarbeitende verwenden die Lösung tatsächlich und wie regelmäßig?

Diese Kennzahlen sollten kontinuierlich erhoben werden. Modelle, Daten und Arbeitsabläufe verändern sich. Eine Messung direkt nach der Einführung reicht deshalb nicht aus. Beim Testen von künstlicher Intelligenz spielen neben der fachlichen Qualität auch Stabilität und Verhalten unter veränderten Bedingungen eine Rolle.

Wie sollten Unternehmen mit KI starten?

Der erste Schritt ist eine ehrliche Bestandsaufnahme. Unternehmen sollten erfassen, welche KI-Tools Mitarbeitende bereits nutzen, für welche Aufgaben sie eingesetzt werden und welche Probleme damit gelöst werden sollen. Dabei wird häufig mehr Nutzung sichtbar als erwartet.

Anschließend werden potenzielle Prozesse nach einheitlichen Kriterien bewertet. Dazu gehören der erwartete Nutzen, die technische Machbarkeit, die Datenlage, der Prüfaufwand und mögliche Risiken. Ein KI-Use-Case-Sprint hilft, Ideen zu strukturieren und zu priorisieren.

Für eine breitere Einordnung eignet sich ein KI-Assessment oder KI-Audit. Interviews mit Mitarbeitenden und Geschäftsführung zeigen, wo bereits Erfahrungen bestehen und welche Prozesse besonders relevant sind. Daraus entsteht eine Roadmap mit kurz-, mittel- und langfristigen Maßnahmen. Der AI Compass Health Check liefert dafür eine strukturierte Ausgangsbasis.

KI-Potenziale strukturiert erschließen

Sie möchten geeignete KI-Use-Cases identifizieren, Prozesse sinnvoll automatisieren und Mitarbeitende auf die neue Arbeitsweise vorbereiten? accompio unterstützt Sie von der Bestandsaufnahme über die Roadmap bis zur technischen Umsetzung und Befähigung Ihrer Teams.

AI as a Service entdecken

Typische Fehler bei der KI-Prozessautomatisierung

Ein häufiger Fehler ist ein unstrukturiertes Vorgehen. Unternehmen kaufen ein Tool, bieten eine Schulung an und erwarten, dass sich die Nutzung anschließend von selbst entwickelt. Damit fehlen jedoch gemeinsame Ziele, Verantwortlichkeiten und messbare Kriterien.

Hilfreicher ist ein verbindlicher Plan. Er beschreibt, welche Prozesse verändert werden sollen, wie Mitarbeitende langfristig befähigt werden und wie sich die Wirkung der eingesetzten KI laufend messen lässt. Dazu gehören auch Leitplanken für erlaubte Anwendungen, Daten und Freigaben. Da sich KI-Lösungen schnell verändern, muss dieser Plan regelmäßig überprüft werden.

Über den Experten

Henrik Wenck
Senior VP, accompio AIÜber den Experten

Henrik Wenck ist seit mehr als zehn Jahren im KI-Bereich tätig und arbeitet als Senior VP bei accompio AI. Er unterstützt Unternehmen dabei, geeignete KI-Anwendungsfälle zu identifizieren, umzusetzen und Mitarbeitende für den produktiven Einsatz von KI zu befähigen.

LinkedIn

Häufige Fragen zu KI im UnternehmenWie hilft KI Unternehmen in der IT?

KI kann unter anderem Support-Tickets klassifizieren, Anfragen zuständigen Teams zuordnen, internes Wissen auffindbar machen und Daten aus Dokumenten extrahieren. Der Nutzen hängt davon ab, ob das Ergebnis zuverlässig in den nächsten Prozessschritt übernommen werden kann.

Welche Prozesse eignen sich für KI-Automatisierung?

Geeignet sind vor allem wiederkehrende Aufgaben mit klar definiertem Input und Output, bei denen unstrukturierte Daten verarbeitet werden. Vor der Umsetzung müssen Datenqualität, nachgelagerte Schritte und der erforderliche Prüfaufwand bewertet werden.

Wann muss ein Mensch KI-Ergebnisse prüfen?

Eine menschliche Prüfung ist besonders wichtig, wenn die Confidence niedrig ist, sensible Daten betroffen sind oder eine Entscheidung rechtliche, finanzielle oder persönliche Folgen hat. Verantwortung und fachliche Freigabe bleiben beim Menschen.

Was gehört in ein KI-Training für Mitarbeitende?

Ein wirksames Training verbindet die Grundlagen mit realen Arbeitsprozessen. Es vermittelt Prozesswissen, übertragbare Prinzipien, den sicheren Umgang mit Daten und die kritische Prüfung von KI-Ergebnissen.

Wie lässt sich die Produktivität einer KI-Lösung messen?

Geeignete Kennzahlen sind Durchlaufzeit, Qualität, Nacharbeit und tatsächliche Nutzung. Entscheidend ist der Vergleich mit dem Prozess vor der Einführung und eine fortlaufende Messung nach dem Start.

Was ist ein KI-Assessment?

Ein KI-Assessment untersucht bestehende Nutzung, Prozesse, Daten, Kompetenzen und Risiken. Aus Interviews und einer strukturierten Bewertung entsteht eine priorisierte Roadmap für kurzfristige, mittelfristige und langfristige KI-Maßnahmen.

Bei accompio ist dieser Ansatz unter dem Namen Managed IT Operations gebündelt und umfasst konkret sechs Leistungsbereiche mit jeweils eigenen, klar abgegrenzten Services:

• Backup und Restore, mit Leistungen wie Managed Backup und Cloud Backup Storage
• Identity und Access, mit Leistungen wie Domain Services und Enterprise Password Management
• Monitoring, mit Managed Monitoring und Alerting sowie zentraler Security Logging
• Service Desk, mit Service Desk und Support nach definierten SLAs sowie Managed Application Service
• Asset Management, mit zentraler Verwaltung der IT Assets
• Governance, mit automatisierter Governance für strukturierte IT Administration

Full Managed oder Co-Managed: zwei Modelle von Managed IT Services

Managed IT Services lassen sich in zwei Modelle unterscheiden:

Full Managed Service, bei dem ein Managed Service Provider den gesamten IT-Betrieb übernimmt, und Co-Managed IT, bei dem der Provider eine bestehende interne IT-Abteilung gezielt ergänzt und entlastet.

Welche Vorteile bieten Managed IT Services?

Unternehmen, die IT-Aufgaben an einen Managed Service Provider auslagern, profitieren in der Praxis von folgenden Effekten:

Planbare Kosten

Managed IT Services werden in der Regel über eine monatliche Gebühr abgerechnet, wodurch IT Ausgaben besser budgetierbar werden als bei Einzelabrechnung von Störfällen.

Entlastung interner Teams

Interne IT Abteilungen müssen Routineaufgaben wie Monitoring und Patching nicht mehr selbst abdecken und können sich auf strategische Projekte konzentrieren.

Geringere Ausfallzeiten

Durch proaktives Monitoring werden potenzielle Störungen häufig erkannt, bevor sie den Betrieb beeinträchtigen.

Zugriff auf spezialisiertes Fachwissen

Gerade bei Themen wie IT Sicherheit oder Cloud Infrastruktur profitieren Unternehmen von Experten, die sich ausschließlich auf diese Bereiche konzentrieren.

So setzt accompio Managed IT Services in der Praxis um

Managed IT Services funktionieren nur, wenn ein Anbieter die dafür nötige Kontinuität und Personaltiefe tatsächlich vorhält. accompio bietet Managed Services bereits seit 2004 nach ITIL Standard an und beschäftigt aktuell rund 700 IT Experten an 19 Standorten in Deutschland, Österreich, Ungarn und Bulgarien.

Praxisbeispiel: Managed Cloud Operations bei SMA Solar Technology AG

Bei der SMA Solar Technology AG hat accompio ein eigenes Cloud Operating Team aufgebaut, das den laufenden Betrieb der Cloud Infrastruktur des Kunden dauerhaft verantwortet, ein gutes Beispiel für Managed Services im Tagesbetrieb statt nur in der Projektphase.

Sven Syborg, IT Architect Digital Platform Solutions und PO für das Team Cloud, Data und AI bei SMA, beschreibt das Ergebnis so:

„Dank accompio haben wir es geschafft, das betriebliche Hamsterrad zu durchbrechen und uns auf die Optimierung unserer Services zu konzentrieren. Die Veränderungen in unserer Zusammenarbeit haben bis heute Bestand und wir profitieren nach wie vor von den positiven Auswirkungen.“

– Sven Syborg, IT Architect Digital Platform Solutions bei SMA

Kalkulierbare Kosten in der Praxis

Diese Erfahrung bestätigt auch Stephan Neubauer, CEO der Venturetec Rotating Systems GmbH, in seiner Rückmeldung zur Zusammenarbeit mit accompio:

„Aufgrund der Komplexität und der steigenden Anforderungen bei der Betreuung und Integration unterschiedlichster Anwendungssysteme haben wir beschlossen, dieses Thema extern und in die Hände von Spezialisten zu geben. Diesen kompetenten Partner haben wir in der accompio gefunden. Ihr smart IT Konzept als ganzheitliche Lösung lässt uns Zeit für unsere eigentlichen Aufgaben und verschafft uns in allen IT Fragen Sicherheit bei klar kalkulierbaren Kosten.“

– Stephan Neubauer, CEO der Venturetec Rotating Systems GmbH

Unsere Lösung: IT Works 360 – Der nächste Schritt zu Full Managed IT Services

Sie möchten wissen, wie Full Managed IT in Ihrem Unternehmen aussehen kann?

Mit dem Produkt IT Works 360 erhalten Sie eine individuell konfigurierbare Full Managed IT-Lösung für den Mittelstand – abgestimmt auf Ihre Unternehmensgröße, Ihre Anforderungen und Ihren bestehenden IT-Betrieb.

Leistungen von IT Works 360 ansehen 

Häufige Fragen zu Managed IT Services

Wie unterscheiden sich Managed IT Services von klassischem IT Support?

Klassischer IT Support reagiert auf Störungen, nachdem sie aufgetreten sind. Managed IT Services setzen auf laufendes Monitoring, damit Probleme im besten Fall erkannt werden, bevor sie den Betrieb beeinträchtigen.

Was kostet ein Managed IT Service?

Die Kosten hängen vom Umfang der übernommenen Aufgaben und der Anzahl der betreuten Systeme oder Arbeitsplätze ab und werden individuell im Service Level Agreement (SLA) festgelegt.

Ist meine IT bei einem Managed Service Provider noch selbst kontrollierbar?

Ja. Die Datenhoheit und die grundsätzliche Verantwortung verbleiben beim Unternehmen selbst, der Provider übernimmt die vertraglich vereinbarten Betriebsaufgaben.

KI im SOC liefert heute messbaren Mehrwert, aber in klar begrenzten Bereichen. Das vollautonome Security Operations Center ohne Menschen bleibt ein Herstellerversprechen, das in der Betriebsrealität nicht standhält. Sebastian Bittig, Director of Cyber Defense bei r-tec als Teil der accompio Gruppe, betreibt täglich Managed SOC Services für Unternehmen und erklärt, was KI bereits heute leistet, wo die Grenzen liegen und wie Entscheider den passenden Anbieter finden.

Das Wichtigste in Kürze

• KI verändert die Arbeit im Security Operations Center bereits heute. Besonders bei der Analyse großer Datenmengen, der Priorisierung von Alerts und der Aufbereitung von Informationen unterstützt sie Security-Teams spürbar und entlastet sie bei zeitaufwändigen Routineaufgaben.
• Die größten Potenziale liegen in der Unterstützung, nicht im Ersatz von Analysten. KI kann Zusammenhänge schneller erkennen und Informationen effizient aufbereiten, ersetzt jedoch weder Erfahrung noch sicherheitskritische Entscheidungen durch Menschen.
• Marketingversprechen und tatsächliche Fähigkeiten unterscheiden sich häufig deutlich. Nicht jede Lösung, die mit KI wirbt, liefert automatisch einen messbaren Mehrwert. Unternehmen sollten daher genau prüfen, welche Funktionen tatsächlich KI-basiert sind und welchen konkreten Nutzen sie im SOC-Alltag bieten.
• KI im SOC ist nicht dasselbe wie ein vollautonomes SOC. Die meisten Lösungen, die heute als „AI SOC“ vermarktet werden, sind Plattformen mit KI-gestützter Triage, keine autonomen Systeme.
• Autonome Alarmentscheidungen ohne menschliche Kontrolle sind noch zu riskant. KI kann halluzinieren, Fehler machen und echte Bedrohungen übersehen.
• Schlechte SOC-Prozesse werden durch KI nicht besser. Wer organisatorische Defizite mit Technologie überbrücken will, wird enttäuscht.
• Die Rolle des SOC-Analysten verändert sich fundamental: weniger manuelle und repetitive Aufgaben, mehr Kontrolle und Bewertung von KI-Ausgaben.

KI im SOC: Experteninterview mit Sebastian Bittig, Director of Cyber Defense bei r-tec (Teil der accompio-Gruppe)

Welche Einsatzmöglichkeiten für KI im SOC bereits funktionieren, wo künstliche Intelligenz an ihre Grenzen stößt und wie Unternehmen Marketingversprechen von echtem Nutzen unterscheiden können, erklärt Sebastian Bittig im vollständigen Video-Interview.

Video ansehen

Was bedeutet KI im SOC konkret?

Ein Security Operations Center, kurz SOC, überwacht die IT-Infrastruktur eines Unternehmens rund um die Uhr, erkennt Sicherheitsvorfälle und koordiniert die Reaktion darauf. KI im SOC bezeichnet den gezielten Einsatz von Machine Learning, automatisierten Analysewerkzeugen und Large Language Models, um Analysten bei diesen Aufgaben zu unterstützen.

Das Ausgangsproblem: Alert-Flut überfordert SOC-Teams

SOC-Teams sind heute nicht durch fehlende Daten limitiert, sondern durch deren Überfluss. Laut PwC erhalten SOCs täglich bis zu 50.000 Alarme, von denen 30 bis 40 Prozent unbearbeitet bleiben. Angriffe werden schneller, automatisierter und gezielter. Gleichzeitig fehlt qualifiziertes Personal: 71 Prozent der SOC-Analysten berichten laut PwC von Burnout.

Klassische regelbasierte Systeme lösen dieses Problem nicht, weil sie statisch reagieren und nur erkennen, was zuvor definiert wurde. KI setzt genau hier an, durch anomaliebasierte Erkennung und kontextbasierte Priorisierung.

Wo KI im SOC heute echten Mehrwert liefert

Sebastian Bittig, Director of Cyber Defense, beschreibt aus der täglichen Betriebsrealität bei r-tec vier Bereiche, in denen KI heute zuverlässig funktioniert:

Detektion

Machine Learning erkennt Angriffe seit Jahren anomaliebasiert. Das bedeutet: Ein SOC-Team muss im Vorfeld nicht wissen, wie ein Angriff im Detail aussieht. Das Modell lernt, was normales Verhalten in einer Umgebung bedeutet und schlägt Alarm, wenn etwas davon abweicht. Das ist ein struktureller Vorteil gegenüber regelbasierten Systemen, die nur bekannte Muster erfassen.

Priorisierung

In einem Managed SOC kommen täglich sehr viele Alarme gleichzeitig rein. KI kann dabei erheblich mehr Kontext einbeziehen als regelbasierte Systeme: Verhaltenskontext, Bedrohungsinformationen, Asset-Kritikalität und historische Muster fließen gleichzeitig in die Bewertung ein. Das Ergebnis ist eine deutlich präzisere Priorisierung, die Analysten auf die wirklich relevanten Alarme fokussiert.

Zusammenfassung und Kontextualisierung bei Incidents

Wenn ein Analyst einen Alarm bekommt, muss er ihn untersuchen, bewerten und einordnen. KI liefert dafür in kurzer Zeit eine strukturierte Zusammenfassung des Alarms inklusive relevanter Zusammenhänge. Was früher stundenlange manuelle Recherche bedeutete, lässt sich so auf eine fundierte Ersteinschätzung in Minuten komprimieren.

Natürlichsprachliche Suche

SOC-Analysten arbeiten mit vielen verschiedenen Tools, jedes mit eigener Abfragesyntax. KI ermöglicht es heute, in natürlicher Sprache zu suchen, statt systemspezifische Abfragesprachen beherrschen zu müssen. Die Frage „Hat sich Benutzer X an System Y zu einem bestimmten Zeitpunkt angemeldet?“ lässt sich direkt stellen, ohne die Syntax des jeweiligen SIEM-Systems zu kennen. Dieser Effizienzgewinn ist im täglichen Betrieb erheblich.

Wo KI im SOC an Grenzen stößt

Das vollautonome SOC bleibt ein Versprechen. Sebastian Bittig benennt die Grenze klar:

„Das ist überall dort der Fall, wo KI komplett eigenständige Entscheidungen treffen soll. Ich kann die KI nicht komplett alleine nutzen, um Alarme eigenständig abzuschließen, denn dadurch besteht die Gefahr, dass etwas übersehen wird.“
— Sebastian Bittig, Director of Cyber Defense bei r-tec (Teil der accompio-Gruppe)

Drei Grenzen sind besonders relevant:

Halluzinationen der KI

Auch wenn keine Fehler in den Eingangsdaten erkennbar sind, können KI-Systeme falsche Ergebnisse produzieren. Ein Modell, das mit lückenhafter Datenbasis arbeitet, füllt diese Lücken mitunter mit plausibel klingenden, aber falschen Schlussfolgerungen. Im SOC-Kontext bedeutet das, dass KI-Ausgaben kontinuierlich von Analysten überprüft werden müssen. Wer KI-Ergebnisse unkritisch übernimmt, riskiert ein falsches Sicherheitsgefühl.

Fehlende Datengrundlage

Die Zuverlässigkeit von KI-Systemen hängt maßgeblich von den Daten ab, auf denen sie operieren. Unstrukturierte, unvollständige oder nicht an die eigene Umgebung angepasste Daten führen nicht zu besseren Ergebnissen, sondern zu schnelleren Fehlern. Genau daran scheitern viele KI-Projekte im SOC. Das System wird eingeführt, aber nicht auf die spezifische Infrastruktur und Bedrohungslage kalibriert.

Schlechte Prozesse werden mit KI nicht automatisch besser

Ein SOC mit unklaren Verantwortlichkeiten, fehlenden Playbooks oder unzureichend qualifiziertem Personal profitiert kaum vom KI-Einsatz. KI verstärkt, was bereits vorhanden ist. Wer hofft, organisatorische Defizite mit Technologie zu überbrücken, wird enttäuscht. Die Grundlage muss stimmen, bevor KI ihren Mehrwert entfalten kann.

KI sinnvoll in bestehende SOC-Prozesse integrieren

Der größte Erfolg entsteht selten durch den Einsatz einer einzelnen KI-Lösung.

Viel wichtiger ist die Integration in bestehende Prozesse. KI sollte bestehende Workflows ergänzen, nicht ersetzen. Unternehmen profitieren insbesondere dann, wenn klare Verantwortlichkeiten bestehen und KI nachvollziehbar in Analyse-, Eskalations- und Entscheidungsprozesse eingebunden wird.

„AI ist ein Hilfsmittel, das unterstützt, aber es ersetzt auf keinen Fall bestehende SOC-Prozesse. AI muss in vorhandene Prozesse integriert werden. Nach jetzigem Stand sind wir noch weit von einem vollautonomen SOC entfernt.“
— Sebastian Bittig, Director of Cyber Defense bei r-tec (Teil der accompio-Gruppe)

Woran Unternehmen seriöse KI-Lösungen erkennen

Nicht jede Lösung, die mit KI wirbt, bietet automatisch einen echten Mehrwert. Vor einer Investition sollten Unternehmen deshalb unter anderem folgende Fragen stellen:

• Welche Aufgaben übernimmt die KI tatsächlich? Viele Lösungen werben mit KI, ohne klar zu benennen, welche Funktionen wirklich KI-basiert sind und welche klassische Regelautomatisierung.
• Wie werden Entscheidungen nachvollziehbar erklärt? Transparente Modelle sind Voraussetzung für Vertrauen.
• Welche Datenbasis wird verwendet? KI ist nur so gut wie die Daten, auf denen sie basiert. Fehlende oder schlechte Trainingsdaten führen zu unzuverlässigen Ergebnissen.
• Welche messbaren Verbesserungen wurden in Kundenprojekten erzielt? Allgemeine Versprechen ohne belegbare Anwendungsfälle sind ein Warnsignal.
• Welche Aufgaben verbleiben bewusst beim Analysten? Seriöse Anbieter benennen genau, wo ihr System an Grenzen stößt.

Für die technische Bewertung empfiehlt sich die Messung von drei Metriken: Genauigkeitsquote (wie oft trifft die KI die richtige Einschätzung?), Halluzinationsrate (wie oft erfindet das Modell Informationen?) und Output-Latenz (wie schnell liefert die KI verwertbare Ergebnisse?). Nur wer diese Kennzahlen kennt, kann den tatsächlichen Mehrwert beurteilen. Wer KI-Lösungen für das Security Operations Center bewerten möchte, sollte sich nicht von Marketingversprechen leiten lassen, sondern auf nachvollziehbare Einsatzszenarien und messbaren Mehrwert achten.

Unsere Leistungen im Bereich Cyber Security und AI as a Service unterstützen Unternehmen dabei, passende Lösungen einzuordnen und KI sinnvoll in bestehende Security-Prozesse zu integrieren.

KI-Lösungen für Ihre SOC-Strategien

accompio unterstützt Unternehmen dabei, KI-Technologien objektiv zu bewerten und passgenau in bestehende SOC-Strategien einzubinden.

Zu unseren Leistungen

Wie sich die Rolle des SOC-Analysten verändert

Der fundamentale Wandel betrifft nicht die Technologie, sondern die Menschen. Der Job des SOC-Analysten verändert sich mit KI grundlegend. In Zukunft wird die Fähigkeit immer wichtiger, KI-Ausgaben kritisch zu bewerten, komplexe Angriffsmuster zu interpretieren und Entscheidungen zu treffen, die ein Modell alleine nicht treffen kann. Laut PwC steigt die Analysten-Produktivität in KI-gestützten SOCs um Faktor 3 bis 5, was bedeutet: derselbe Analyst deckt mehr ab, nicht dass weniger Analysten gebraucht werden.

KI im SOC im deutschsprachigen Kontext

Der Einsatz von KI im SOC wirft im DACH-Raum ein zusätzliches Spannungsfeld auf: Je mehr KI im SOC operiert, desto mehr wird die KI selbst zur potenziellen Angriffsfläche. Angreifer nutzen zunehmend KI-Schwachstellen, um Detektionssysteme zu täuschen oder Modelle gezielt mit falschen Daten zu beeinflussen.

Für Unternehmen in Deutschland kommt der regulatorische Kontext hinzu: NIS-2 und DORA erhöhen die Anforderungen an Nachweisbarkeit und Transparenz in Security-Prozessen. KI-Entscheidungen müssen revisionssicher nachvollziehbar sein, was Blackbox-Ansätze strukturell problematisch macht. Wer KI im SOC einsetzt, muss erklären können, wie eine Entscheidung zustande gekommen ist, und zwar nicht nur intern, sondern im Zweifel auch gegenüber Aufsichtsbehörden.

Ausblick und Fazit

Die Entwicklung im SOC geht klar in eine Richtung: KI-Agenten werden zunehmend enger in bestehende Produkte integriert. Viele Hersteller haben damit bereits begonnen, die Qualität dieser Integration variiert jedoch stark. Das vollautonome SOC ist ein realistisches Ziel für die Zukunft, aber kein Zustand, der demnächst erreicht wird. Der Weg dorthin verläuft schrittweise, über immer mehr automatisierte Teilbereiche bei gleichzeitig menschlicher Kontrolle.

Aufgrund der sich stetig verändernden Angriffslage ist der Einsatz von KI im SOC aber schon heute unverzichtbar. Angreifer nutzen zunehmend selbst KI, um Angriffe zu automatisieren, Detektionssysteme zu umgehen und neue Schwachstellen schneller zu finden. Wer auf der Verteidigungsseite auf KI verzichtet, arbeitet mit einem strukturellen Nachteil.

KI wird das Security Operations Center nachhaltig verändern. Sie beschleunigt Analysen, reduziert manuellen Aufwand und unterstützt Analysten bei immer komplexeren Angriffsszenarien. Der entscheidende Erfolgsfaktor bleibt jedoch die Kombination aus leistungsfähiger Technologie, etablierten Prozessen und erfahrenen Security-Experten. Wer KI gezielt als Unterstützung versteht und nicht als Allheilmittel, kann bereits heute einen echten Mehrwert für sein SOC schaffen. r-tec und accompio begleiten Unternehmen bei genau diesem Schritt.

Sebastian Bittig
Director of Cyber Defense, r-tec

Über den Autor

Sebastian ist Security-Experte und hat im Bereich Managed SOC Services für Unternehmen Lösungen und Trends im Blick.

LinkedIn

FAQ: Häufige Fragen zu KI im SOC

Was ist der Unterschied zwischen KI im SOC und einem vollautonomen SOC?

KI im SOC bezeichnet den unterstützenden Einsatz von Machine Learning und KI-Werkzeugen für Aufgaben wie Detektion, Priorisierung und Zusammenfassung. Ein vollautonomes SOC würde ohne menschliche Eingriffe eigenständige Sicherheitsentscheidungen treffen. Das ist heute technisch nicht reif und operativ zu riskant, weil die Gefahr besteht, dass echte Bedrohungen übersehen werden.

Wo bringt KI im SOC heute den größten Mehrwert?

Der größte Nutzen entsteht dort, wo Security-Teams täglich große Mengen an Ereignissen analysieren müssen. KI hilft dabei, Alerts zu priorisieren, sicherheitsrelevante Informationen zu kontextualisieren, Incident Investigations zu beschleunigen und wiederkehrende Aufgaben zu automatisieren. Dadurch können sich Analysten stärker auf komplexe Sicherheitsvorfälle und strategische Entscheidungen konzentrieren.

Kann KI die Zahl der Security-Alerts reduzieren?

Nicht direkt. KI erzeugt keine geringere Anzahl an Sicherheitsereignissen, kann jedoch dabei helfen, diese effizienter zu bewerten. Moderne KI-Lösungen unterstützen dabei, Fehlalarme schneller zu erkennen, ähnliche Ereignisse zusammenzufassen und kritische Vorfälle besser zu priorisieren. Dadurch sinkt der manuelle Aufwand für Security-Teams, auch wenn die Anzahl der eingehenden Alerts häufig gleich bleibt.

Welche Grenzen hat KI im Security Operations Center?

KI arbeitet auf Basis vorhandener Daten und Modelle. Bei völlig neuen Angriffsmethoden, unternehmensspezifischen Besonderheiten oder strategischen Sicherheitsentscheidungen stößt sie an ihre Grenzen. Auch Fehlbewertungen sind möglich, weshalb KI-Ergebnisse stets nachvollziehbar sein und von erfahrenen Analysten überprüft werden sollten.

Lohnt sich KI im SOC auch für mittelständische Unternehmen?

Ja, vorausgesetzt die grundlegenden Security-Prozesse sind bereits etabliert. Gerade mittelständische Unternehmen profitieren davon, wenn KI wiederkehrende Analyseaufgaben übernimmt und bestehende Teams entlastet. Voraussetzung ist eine sinnvolle Integration in vorhandene Prozesse sowie eine qualitativ hochwertige Datenbasis.

Lohnt sich KI auch für mittelständische Unternehmen?

Ja. Vorausgesetzt, die grundlegenden Security-Prozesse sind bereits etabliert. Gerade mittelständische Unternehmen profitieren davon, wenn KI wiederkehrende Analyseaufgaben übernimmt und bestehende Security-Teams entlastet. Voraussetzung ist jedoch eine sinnvolle Integration in vorhandene Prozesse sowie eine qualitativ hochwertige Datenbasis.

Worauf sollten Unternehmen bei KI-Security-Lösungen achten?

Unternehmen sollten hinterfragen, welche Funktionen tatsächlich KI-gestützt sind und welchen konkreten Mehrwert sie im Alltag liefern. Wichtige Kriterien sind nachvollziehbare Entscheidungen, transparente Modelle, die Integration in bestehende SOC-Prozesse sowie messbare Verbesserungen bei Analysegeschwindigkeit, Priorisierung oder Incident Response. Allgemeine AI-Versprechen ohne belastbare Anwendungsfälle sollten kritisch bewertet werden.

Welche Aufgaben kann KI im SOC automatisieren?

KI eignet sich insbesondere für die Voranalyse von Alerts, die Anreicherung von Sicherheitsereignissen mit Kontextinformationen, die Zusammenfassung großer Datenmengen, die Unterstützung bei der Investigation sowie die Erstellung erster Handlungsempfehlungen. Vollständig autonome Sicherheitsentscheidungen sind dagegen derzeit nur in klar definierten und kontrollierten Szenarien sinnvoll.

Wird KI Cyberangriffe künftig eigenständig erkennen und stoppen?

KI verbessert die Erkennung von Bedrohungen kontinuierlich und kann automatisierte Reaktionen auf definierte Ereignisse auslösen. Dennoch gibt es aktuell keine Lösung, die alle Angriffe zuverlässig selbstständig erkennt und vollständig ohne menschliche Kontrolle abwehrt. Ein modernes Security Operations Center kombiniert deshalb KI-Unterstützung mit erfahrenen Analysten und etablierten Sicherheitsprozessen.

Wie entwickelt sich KI im SOC in den nächsten Jahren?

In den kommenden Jahren wird KI vor allem bei der Analyse, Kontextualisierung und Automatisierung weiter an Bedeutung gewinnen. Security-Analysten werden zunehmend durch intelligente Assistenten unterstützt, die Informationen schneller bereitstellen und Routineaufgaben übernehmen. Gleichzeitig bleiben menschliche Expertise, fundierte Prozesse und klare Governance zentrale Voraussetzungen für ein wirksames Security Operations Center.

Kaum ein Thema wird in Unternehmen gerade so intensiv diskutiert wie Künstliche Intelligenz. Viele Projekte scheitern dabei nicht an der Technologie, sondern an Entscheidungen, die lange vor dem ersten Piloten getroffen werden. Leonard Püttmann, Solutions Architect für KI bei accompio, erklärt aus der täglichen Projektarbeit heraus, worauf es von Anfang an ankommt.

Das Wichtigste in Kürze

• KI-Projekte scheitern am häufigsten, weil Unternehmen mit dem falschen Ausgangspunkt, häufig der Technologie, statt mit den konkreten Business-Herausforderungen beginnen.
• Laut Schätzung von Leonard Püttmann liegen in mindestens 80 Prozent der Fälle, in denen die Skalierung scheitert, Datenprobleme zugrunde.
• Erste messbare Ergebnisse von KI-Projekten sind häufig schon nach 90 Tagen sichtbar.
• Relevante KPIs für KI-Projekte sind: Genauigkeitsquote, Halluzinationsrate und Output-Latenz.
• Viele Unternehmensdokumente sind für Menschen erstellt und nicht direkt von KI-Systemen verarbeitbar. Daher muss die Datenqualität vor dem Technologieeinsatz geprüft und ggf. neu strukturiert werden.
• Eine modulare Systemarchitektur verhindert, dass neue KI-Modelle bestehende Prozesse gefährden.
• Die Akzeptanz in den Fachbereichen ist ein wesentlicher Erfolgsfaktor für die Einführung von KI.
• Eine realistische Roadmap verhindert Aktionismus und schafft die Grundlage für nachhaltige Wettbewerbsvorteile.

KI ohne Hype: Experteninterview mit Leonard Püttmann, Solution Architect bei accompio AI

Erhalten Sie interessante Einblicke in KI-Neuheiten und Trends im Interview mit unserem Solutions Architect für Künstliche Intelligenz, Leonard Püttmann. Schauen Sie jetzt kostenlos das Interview in voller Länge an!

Video ansehen

Warum Technologie der falsche Ausgangspunkt ist

Der häufigste Denkfehler bei KI-Projekten ist laut Leonard Püttmann, dass Unternehmen die Technologie zum Ausgangspunkt machen. KI ist kein Selbstzweck, sondern ein Hebel für bestehende Prozesse, Daten und Menschen im Unternehmen.

Der richtige Einstieg beginnt mit einer Frage, die unabhängig von KI beantwortet werden muss:

Was sind die größten Pain-Points im Unternehmen?

Je nach Unternehmensbereich fällt diese Antwort unterschiedlich aus. Erst wenn das geklärt ist, folgt die Frage, welche Technologien dabei sinnvoll eingesetzt werden können und wo der Einsatz einen sinnvollen Mehrwert bringt.

Diese Reihenfolge ist entscheidend. Unternehmen, die zuerst in Technologie investieren und dann nach passenden Anwendungsfällen suchen, laufen Gefahr, nach drei Monaten mit spannenden, aber geschäftlich wirkungslosen Projekten dazustehen. Gescheiterte KI-Initiativen nähren im Unternehmen kritische Stimmen und erschweren spätere Projekte erheblich.

Wie eine belastbare KI-Strategie aufgebaut ist

Leonard Püttmann beschreibt im Interview drei aufeinanderfolgende Phasen:

Phase 1: Problem definieren

Unabhängig von Technologie identifizieren, was das größte Problem im Unternehmen ist. Dabei ist es wichtig, verschiedene Perspektiven einzuholen, weil unterschiedliche Personen im Unternehmen unterschiedliche Antworten geben.

Phase 2: Technologische Möglichkeiten prüfen

Welche Systeme und Technologien stehen zur Verfügung? Wie lassen sie sich für das definierte Problem einsetzen? Hier geht es darum, bestehende Systemlandschaften zu verstehen und zu prüfen, wo neue Komponenten sinnvoll ergänzt werden können.

Phase 3: Ausrollen

Nicht als einmaliger Rollout, sondern so konzipiert, dass das Projekt über die gesamte Organisation hinweg skalierbar ist. Das erfordert von Anfang an eine Architektur, die Blaupausen schafft, also wiederkehrende Muster identifiziert und auf andere Unternehmensteile überträgt.

Der Unterschied zu isolierten Pilotprojekten: Wer von Beginn an plant, wohin das Projekt skaliert werden soll, trifft bessere Entscheidungen bei Daten, Systemarchitektur und Ressourcen.

„Man sollte sich nicht von der Technologie als erstes leiten lassen, sondern eher von den Problemen im Unternehmen.“
— Leonard Püttmann, Solution Architect bei accompio AI

Wie KI-Projekte gemessen werden

KI-Ergebnisse sind messbar. Leonard Püttmann nennt drei KPIs, die bei accompio in KI-Projekten eingesetzt werden:

Genauigkeitsquote

Fachleute bewerten die Antworten der KI in definierten Szenarien. Dieser Wert zeigt, ob die KI zuverlässig richtige Ausgaben liefert.

Halluzinationsrate

Wie oft erfindet das Modell Informationen, die nicht in den zugrunde liegenden Daten vorhanden sind? Für Unternehmensanwendungen sollte dieser Wert im Nullkommabereich liegen.

Output-Latenz

Wie schnell liefert die KI verwertbare Ergebnisse? Besonders in Bereichen, die schnelle Antworten erfordern, ist Geschwindigkeit ein eigenständiger Qualitätsfaktor.

Der Zeitrahmen für erste Ergebnisse: nach maximal 90 Tagen sollte etwas Greifbares und Messbares vorliegen. In der Praxis liegen erste auswertbare Ergebnisse oft schon nach mehreren Wochen vor. Das ermöglicht früh zu erkennen, ob ein Projekt in die richtige Richtung geht.

Warum Skalierung so häufig scheitert

Viele KI-Projekte kommen nie über die Pilotphase hinaus. Das liegt laut Leonard Püttmann in mindestens 80 Prozent der Fälle an Datenproblemen: Ein kleiner Pilot kommt mit wenig Daten aus, aber sobald das Projekt auf weitere Unternehmensteile ausgedehnt wird, fehlen die Daten, die Datenbanken oder die Systemschnittstellen.

Die Lösung beginnt vor dem ersten Piloten: Wer von Anfang an plant, in welche Unternehmensteile und Prozesse ein KI-Projekt später ausgerollt werden soll, kann rechtzeitig klären, welche Daten dafür notwendig sind und wie der Zugang dazu gesichert wird. Dafür braucht es eine enge Zusammenarbeit mit den IT-Fachkräften des Unternehmens, die die betroffenen Systeme kennen.

Eigene Entwicklung oder externe Lösung?

Die accompio-Philosophie ist eindeutig: Unternehmen sollen sich auf ihr Kerngeschäft konzentrieren. Eigene KI-Plattformen zu entwickeln ist für die meisten Unternehmen kein sinnvoller Einsatz von Ressourcen.

Sinnvoller ist der Ansatz, eine bestehende Systemlandschaft um eine neue Plattform zu ergänzen und dabei die Schnittstellen so zu gestalten, dass Systeme reibungslos miteinander kommunizieren. Das schützt auch vor Vendor-Lock-in: Wer seinen KI-Anbieter wechseln oder ergänzen möchte, riskiert dabei keine Unterbrechung laufender Prozesse.

AI as a Service ist dabei eine Option, die verschiedene KI-Modelle zugänglich macht und in bestehende Systemlandschaften integriert werden kann.

Lassen Sie uns eine KI-Strategie entwickeln

accompio bietet umfassende Lösungen, damit Sie KI-Potenziale für sich nutzen können. Wir begleiten Sie von Beginn an.

Zu unseren Leistungen

Organisationsstruktur und Change Management

KI-Projekte verändern Rollen, Prozesse und Verantwortlichkeiten. Leonard Püttmann empfiehlt, von Anfang an eine Person zu definieren, die das Projekt begleitet. Dieser AI-Owner muss die Technologie nicht in- und auswendig kennen, aber die Organisation verstehen: Wer sind die relevanten Ansprechpartner? Wie reagieren die Mitarbeitenden auf neue Technologien?

„Man muss einkalkulieren, dass sich mit KI Rollen, Prozesse, die Verantwortlichkeiten, alles im Unternehmen ein bisschen verändert.“
— Leonard Püttmann, Solution Architect bei accompio AI

Für agilere Organisationen kann eine hybride Struktur sinnvoll sein, bei der es einen zentralen Ansprechpartner gibt, aber zusätzlich in jedem Team einen „Champion“, der KI-Fragen intern beantworten kann.

Change Management ist dabei kein optionaler Zusatz. Viele Mitarbeitende haben noch nicht mit KI gearbeitet und haben konkrete Sorgen oder unrealistische Erwartungen. Beides lässt sich durch frühzeitige Gespräche und das Zeigen konkreter Ergebnisse adressieren. Wer diese Phase überspringt, riskiert, dass eine technisch erfolgreiche Lösung intern nicht akzeptiert und damit nicht genutzt wird.

Langfristig wettbewerbsfähig bleiben: Modulare Resilienz

KI-Modelle entwickeln sich schnell weiter. Neue Architekturen und Möglichkeiten erscheinen in kurzen Abständen. Unternehmen, die ihre Systeme so aufgebaut haben, dass ein Modellwechsel die gesamte Prozesslandschaft in Mitleidenschaft zieht, stehen nach zwölf Monaten vor einem vollständigen Neustart.

Leonard Püttmann spricht hier von modularer Resilienz: Das System ist so aufgebaut, dass einzelne Bausteine ausgetauscht werden können, ohne dass der Rest der Prozesse und Systeme davon betroffen ist. Das schützt Investitionen in bestehende Infrastruktur und erlaubt es, neue Modelle zu integrieren, ohne von vorne anzufangen.

FAQ: Häufige Fragen zur Umsetzung von KI-Projekten im Unternehmen

Wie lange dauert es, bis KI erste Ergebnisse liefert?

Nach Einschätzung von Leonard Püttmann, Solutions Architect für Künstliche Intelligenz bei accompio, sollten erste messbare Ergebnisse nach maximal 90 Tagen vorliegen. In vielen Projekten sind erste auswertbare Daten bereits nach wenigen Wochen verfügbar. Vollständige Qualität ist nach 90 Tagen noch nicht zu erwarten, aber eine klare Richtungsaussage schon.

Womit sollte ein Unternehmen bei KI konkret beginnen?

Der erste Schritt ist die Identifikation des größten Problems im Unternehmen und die Klärung, welche Daten zur Lösung dieses Problems vorhanden sind. Erst dann folgt die Technologieentscheidung. Dieser Ablauf verhindert, dass Ressourcen in technisch spannende, aber geschäftlich wirkungslose Projekte fließen.

Was ist der Unterschied zwischen einem Pilotprojekt und einem skalierbaren KI-Einsatz?

Ein Pilot testet eine Technologie isoliert. Skalierbare KI-Projekte sind von Anfang an so konzipiert, dass Blaupausen entstehen, also wiederkehrende Muster, die auf andere Unternehmensteile übertragen werden können. Der Unterschied liegt nicht in der Größe des Projekts, sondern in der Architekturentscheidung am Anfang.

Wann sollte ein Unternehmen KI selbst entwickeln und wann externe Lösungen nutzen?

KI-Plattformen selbst zu entwickeln ist für die meisten Unternehmen kein sinnvoller Einsatz. Zielführender ist es, bestehende Systemlandschaften durch neue Plattformen zu ergänzen und dabei Schnittstellen so zu gestalten, dass Anbieter später gewechselt werden können, ohne laufende Prozesse zu gefährden.

Welche Rolle übernimmt der AI-Owner in einem Unternehmen?

Der AI-Owner begleitet KI-Projekte organisatorisch. Diese Person muss die Technologie nicht technisch vollständig beherrschen, aber die Organisation kennen, Ansprechpartner koordinieren und Change-Management-Aufgaben übernehmen. In größeren oder agileren Unternehmen kann diese Rolle durch „Team-Champions“, also KI-Ansprechpartner pro Abteilung, ergänzt werden.

Leonard Püttmann
Solution Architect, accompio AI

Über den Autor

Leonard ist Lösungsarchitekt im Bereich KI, insbesondere mit Fokus auf intelligentes Wissensmanagement und der Nutzung von Large Language Models (LLMs).

LinkedIn