AI alle: Wie AI Unternehmenssoftware hyperpersonalisieren

Seit langem wird versucht, Technologie auch jenen zugänglich zu machen, die nicht programmieren können. Dieser Prozess hat sich langsam weiterentwickelt, von schwer verständlichen Low-Level-Programmiersprachen wie Assembler hin zu „High-Level“-Sprachen, die der natürlichen Sprache viel ähnlicher sind, wie beispielsweise Python. Nun durchbrechen wir diese Barriere, um vielleicht einen vollständig auf „natürlicher Sprache“ basierenden Programmierprozess zu erreichen. Tools wie Cursor AI haben AI eine Marktkapitalisierung von 100 Millionen Dollar, und der Begriff „Vibe Coding“ wird immer populärer.

Natürlich handelt es sich hierbei um einen extremen Hype, und ich glaube nicht, dass dies erfahrene Software- oder Data vollständig ersetzen wird. Aber darum geht es gar nicht – wir müssen diese Rollen gar nicht ersetzen. Letztendlich sind viele geschäftliche Anforderungen gar nicht so komplex; oft reicht eine gut aufgesetzte Excel-Tabelle völlig aus. Genau darin liegt der Mehrwert: Wir haben es Geschäftsteams ermöglicht, extrem schnell Produktprototypen zu erstellen, sei es eine neue Funktion in ihrem CRM-Prozess oder ein Formular zur Erfassung von Werten irgendwo in der Lieferkette.

Geschäftsteams werden in der Lage sein, ihre eigene „hyper-personalisierte“ Software zu entwickeln, die über die derzeitigen Excel-Tabellen hinausgeht. Dies entlastet die IT- und Entwicklerteams von der enormen Nachfrageflut und führt wahrscheinlich zu wesentlich besser validierten und aufbereiteten Anforderungen, was den Ingenieuren das Leben erheblich erleichtert. Die Herausforderung? Wie kann ein Unternehmen aus unternehmerischer Sicht diese Dezentralisierung steuern, ohne die Vorteile dieser AI einzuschränken, und gleichzeitig eine gute Governance etablieren?

Die Geschichte der Informatik lässt sich als stetiger Fortschritt in Richtung Benutzerfreundlichkeit betrachten. Frühe Programmierer arbeiteten direkt mit binärem Maschinencode, einem mühsamen Prozess, der fundierte technische Kenntnisse und äußerste Präzision erforderte. Die Assemblersprache bildete die erste Abstraktionsebene, gefolgt von prozeduralen Sprachen wie FORTRAN und COBOL, die die Programmierkonzepte den menschlichen Denkweisen näherbrachten.

Objektorientierte Sprachen wie Java und Python vereinfachten die Entwicklung weiter, indem sie den Code in konzeptionelle Objekte gliederten, die reale Entitäten widerspiegeln. Im letzten Jahrzehnt kam es zum Aufkommen von Low-Code- und No-Code-Plattformen, die visuelle Programmierschnittstellen einführten. Tools wie Microsoft Power Apps, Bubble und Zapier ermöglichten es Geschäftsanwendern, einfache Anwendungen über grafische Oberflächen zu erstellen, ohne herkömmlichen Code schreiben zu müssen.

Die Integration großer Sprachmodelle in die Entwicklung stellt einen Quantensprung gegenüber diesen Plattformen dar. Im Gegensatz zu ihren Vorgängern verstehen AI wie GitHub Copilot, Cursor AI und Claude den Kontext, können komplexe Funktionen anhand von Beschreibungen in natürlicher Sprache generieren und aus Interaktionsmustern lernen.

Der Begriff „Vibe Coding“ fasst diesen Paradigmenwechsel zusammen – die Fähigkeit, Absichten statt expliziter Anweisungen zu vermitteln. Ein Marketingmanager könnte beispielsweise einfach sagen: „Ich brauche ein Dashboard, das die Kampagnenleistung kanalübergreifend anzeigt und nach Datumsbereich und Zielgruppe gefiltert werden kann“, und erhält daraufhin funktionsfähigen Code.

Dieser Ansatz überbrückt auf beispiellose Weise die Kluft zwischen betriebswirtschaftlichem Denken und technischer Umsetzung. Der Geschäftsanwender muss sich nicht mit Variablen, Funktionen oder data auskennen – sondern lediglich mit dem geschäftlichen Problem, das er zu lösen versucht.

Den IT-Engpass überwinden

Seit Jahrzehnten stehen Unternehmen vor derselben grundlegenden Herausforderung: Der Bedarf an Technologie übersteigt chronisch die Entwicklungskapazitäten. Untersuchungen von McKinsey zeigen, dass über 85 % der Unternehmen mehr Softwareentwicklungsanfragen haben, als sie erfüllen können, wobei sich der Rückstand bei nicht kritischen Projekten in der Regel auf 6 bis 12 Monate beläuft.

Dieser Engpass führt zu zahlreichen geschäftlichen Problemen:

• Verpasste Chancen: Die Marktbedingungen ändern sich, während Projekte in der Warteschlange stehen
• Schatten-IT: Frustrierte Abteilungen setzen nicht genehmigte Lösungen ein
• Ineffiziente Notlösungen: Mitarbeiter entwickeln manuelle Prozesse, um dies auszugleichen
• Verschwendeter strategischer Vorteil: Data Erkenntnisse bleiben ungenutzt

AI bewältigen diese Herausforderungen, indem sie es den Fachteams ermöglichen, viele ihrer technologischen Anforderungen selbst zu lösen. Anstatt sich in die Warteschlange der IT-Abteilung einzureihen, könnte ein Vertriebsteam beispielsweise ein eigenes Tool zur Visualisierung der Pipeline erstellen oder ein Marketingteam einen Tracker zur Messung der Kampagnenleistung entwickeln.

Die Ökonomie der demokratisierten Entwicklung

Die finanziellen Argumente für AI sind überzeugend. Die Entwicklung herkömmlicher Unternehmenssoftware folgt einem vorhersehbaren Muster, das sich in der Regel über Monate erstreckt und je nach Komplexität Kosten in Höhe von Tausenden bis Millionen Dollar verursacht. Der heimtückischste Kostenfaktor ist die Fehlausrichtung – das Endprodukt entspricht oft nicht den tatsächlichen Geschäftsanforderungen, weil Anforderungen bei der Umsetzung verloren gegangen sind.

AI verkürzen diesen Zyklus erheblich. Geschäftsteams können schnell iterieren und Lösungen innerhalb von Stunden statt Monaten testen. Dieser Ansatz:

• Senkt die Entwicklungskosten für einfache Anwendungen um 70–90 %
• Verkürzt die Zeit bis zur Bereitstellung von Monaten auf Tage oder Stunden
• Verbessert die Abstimmung zwischen geschäftlichen Anforderungen und technischen Lösungen
• Ermöglicht eine schnelle Iteration auf der Grundlage von Rückmeldungen aus der Praxis

Ein entscheidender Aspekt von AI in Unternehmensumgebungen ist ihre doppelte Funktion: einerseits die Automatisierung und andererseits die Notwendigkeit einer angemessenen Überwachung. Diese beiden Elemente bestimmen, wie AI im organisatorischen Kontext funktionieren.

Intelligente Automatisierung

AI eignen sich hervorragend für die Automatisierung sich wiederholender Aufgaben und Arbeitsabläufe, die zuvor menschliches Eingreifen erforderten. Im Gegensatz zu herkömmlichen Automatisierungstools, die starren Regeln folgen, können AI :

• Sich an Schwankungen bei data im Kontext anpassen
• Entscheidungen auf der Grundlage eines probabilistischen Verständnisses von Szenarien treffen
• Aus früheren Interaktionen lernen, um die Leistung zu verbessern
• Verarbeitung von Eingaben in natürlicher Sprache, ohne dass eine exakte Syntax erforderlich ist

Dank dieser intelligenten Automatisierungsfunktion können Geschäftsanwender immer komplexere Aufgaben an AI delegieren. So kann ein Agent beispielsweise nicht nur data , sondern auch die erste Analyse, die Erkennung von Anomalien und routinemäßige Entscheidungsprozesse automatisieren, wodurch sich die Mitarbeiter auf Ausnahmen und strategische Überlegungen konzentrieren können.

Aufsichtsvorschriften

Trotz ihrer Fähigkeiten benötigen AI eine angemessene menschliche Überwachung – ein entscheidender Aspekt bei der Implementierung in Unternehmen. Zu den wirksamen Überwachungsmodellen gehören:

• Human-in-the-Loop: Für kritische Prozesse, bei denen jede AI vor der Ausführung einer menschlichen Überprüfung bedarf
• Human-on-the-Loop: Für Routineprozesse, bei denen AI autonom AI , Menschen jedoch die Leistung überwachen und eingreifen können
• Human-over-the-loop: Für risikoarme Prozesse, bei denen Menschen die Gesamtleistung regelmäßig überprüfen

Das geeignete Überwachungsmodell hängt von der Risikotoleranz, den regulatorischen Anforderungen und dem Reifegrad des AI ab. Unternehmen müssen die Vorteile der Automatisierung sorgfältig gegen den Bedarf an Überwachung abwägen, um Fehler, Verzerrungen oder eine Diskrepanz zu den Geschäftszielen zu vermeiden.

Unternehmenssoftware folgt traditionell einem „One-size-fits-most“-Ansatz. Große Systeme wie CRM-, ERP- und HRIS-Plattformen bieten zwar Konfigurationsmöglichkeiten, schreiben aber letztlich standardisierte Arbeitsabläufe für verschiedene Geschäftsbereiche vor. Diese Standardisierung sorgt zwar für Effizienz, geht jedoch zu Lasten optimaler Prozesse für spezifische Kontexte.

Die Hyper-Personalisierung kehrt dieses Paradigma um. Anstatt Geschäftsprozesse an die Einschränkungen der Software anzupassen, passen sich hyper-personalisierte Anwendungen an die individuellen Anforderungen bestimmter Abteilungen, Rollen oder sogar einzelner Personen an.

Betrachten Sie diese gängigen Szenarien, in denen AI eine Hyper-Personalisierung ermöglichen:

• Ein Supply-Chain-Analyst, der ein dynamisches Tool zur Bestandsprognose entwickelt, das data, historische Verkaufszahlen und Lieferzeiten der Lieferanten integriert
• Ein Kundenservice-Team, das eine Wissensdatenbank mit semantischen Suchfunktionen aufbaut, um die Problemlösung zu beschleunigen
• Personalverantwortliche, die eine Onboarding-Anwendung für Mitarbeiter entwickeln, die Schulungen je nach Rolle und Erfahrung individuell anpasst
• Vertriebsmitarbeiter, die maßgeschneiderte Visualisierungs-Dashboards erstellen, um ihre spezifischen Leistungskennzahlen zu verfolgen

Diese Beispiele haben eines gemeinsam: Es handelt sich um wertvolle Geschäftsinstrumente, die zwar keine formelle Priorisierung durch die IT rechtfertigen, aber die Effizienz der Abteilungen erheblich steigern. Ein CIO drückte es so aus: „Wir ersetzen unser ERP-System nicht durch AI Code, sondern versetzen unsere Geschäftsanwender in die Lage, die Probleme der letzten Meile zu lösen, die immer ganz unten auf unserer Prioritätenliste landen.“

Der Vorteil dieses Ansatzes besteht darin, dass Lösungen von denjenigen entwickelt werden, die die geschäftlichen Probleme am besten verstehen. Herkömmliche Unternehmenssoftware hat Schwierigkeiten mit diesem Grad an Individualisierung, da die Entwicklungskosten linear mit der Komplexität der Personalisierung steigen. AI verändern diese Gleichung grundlegend, indem sie personalisierte Software wirtschaftlich rentabel machen.

Die zentrale Herausforderung für Unternehmen besteht darin, die Demokratisierung mit angemessenen Kontrollmechanismen in Einklang zu bringen. Zu restriktive Rahmenbedingungen treiben die Nutzer zurück in die Schatten-IT, während zu freizügige Ansätze das Risiko bergen, organisatorisches Chaos zu verursachen.

Erfolgreiche Unternehmen setzen in der Regel mehrstufige Governance-Modelle mit abgestuften Kontrollmechanismen ein, die auf den Eigenschaften der jeweiligen Anwendungen basieren:

Stufe 1 – Sandbox-Umgebung: Anwendungen mit geringem Risiko und eingeschränktem data sowie begrenztem Benutzerumfang. Dazu können persönliche Produktivitätswerkzeuge, einfache Dashboards mit vorab genehmigten data oder Prototyp-Anwendungen zur Konzeptvalidierung gehören.

Stufe 2 – Abteilungslösungen: Anwendungen, die bestimmte Geschäftsfunktionen mit mäßiger data erfüllen. Die Governance umfasst Peer-Reviews, vereinfachte Sicherheitsbewertungen und grundlegende Dokumentationsanforderungen.

Stufe 3 – Unternehmensanwendungen: Geschäftskritische Lösungen mit sensiblen data weitreichenden Auswirkungen auf das Unternehmen. Diese Anwendungen erfordern eine formelle Sicherheitsüberprüfung, Leistungstests, Dokumentation und eine Übergangsplanung für den langfristigen Support.

Dieser mehrstufige Ansatz gewährleistet eine angemessene Kontrolle und bewahrt gleichzeitig die Schnelligkeit und Flexibilität, die die AI Entwicklung so wertvoll machen.

Bei der Auswahl von Plattformen für die AI Entwicklung sollten Unternehmen auf Anbieterabhängigkeit achten. Viele Plattformen bieten proprietäre Umgebungen, die die Migration von Anwendungen oder die Integration in andere Systeme erschweren können. Unternehmen sollten Lösungen den Vorzug geben, die offene Standards nutzen, data bieten und klare Ausstiegsmöglichkeiten vorsehen. Der Markt für diese Tools entwickelt sich rasant weiter, und die Aufrechterhaltung der Flexibilität, sich an neue Optionen anzupassen, ist entscheidend für den langfristigen Erfolg.

Die neue Arbeitsteilung im technischen Bereich

Mit der zunehmenden Reife der AI Entwicklung erleben wir eine grundlegende Neugestaltung der Rollen im Bereich der Unternehmenstechnologie. Anstelle einer binären Unterscheidung zwischen „technischen“ und „nicht-technischen“ Mitarbeitern entwickeln Unternehmen ein Spektrum an Kompetenzen zur Schaffung von Technologien:

Geschäftsentwickler: Fachexperten, die mithilfe von AI Lösungen für spezifische geschäftliche Anforderungen entwickeln. Diese Personen verfügen über ein tiefgreifendes Verständnis ihrer Geschäftsprozesse, haben jedoch möglicherweise nur begrenzte technische Kenntnisse. Mit AI können sie Dashboards, automatisierte Workflows und einfache Anwendungen erstellen, für die bisher die Mitwirkung von Entwicklern erforderlich war.

Citizen-Developer: Geschäftsanwender mit ausgeprägtem technischem Interesse, die als Bindeglied zwischen den Abteilungen und der IT fungieren. Diese Personen entwickeln in der Regel ein tieferes Verständnis für die Prinzipien des Software-Designs und sind in der Lage, komplexere Lösungen zu entwickeln. Oft werden sie zu internen Fürsprechern und Mentoren, die ihren Kollegen dabei helfen, AI effektiv zu nutzen.

Technische Berater: IT-Fachleute, die sich von der reinen Programmierung hin zur Förderung und Begleitung geschäftsorientierter Entwicklung verlagern. Sie etablieren Governance-Rahmenwerke, erstellen wiederverwendbare Komponenten und beraten in Fragen der Architektur und Sicherheit. Anstatt Engpässe zu verursachen, werden sie zu Multiplikatoren, die die Entwicklungskapazitäten des Unternehmens erweitern.

Fachingenieure: Spezialisierte Entwickler, die sich auf komplexe Systeme, Infrastruktur und geschäftskritische Anwendungen konzentrieren. Anstatt Zeit mit einfacheren Abteilungsanwendungen zu verbringen, widmen sie sich technisch anspruchsvollen Problemen, die fundiertes Fachwissen erfordern.

Diese Entwicklung spiegelt die Entwicklung im Bereich data wider. Vor zwanzig Jahren wurde der Großteil data von spezialisierten Analysten durchgeführt; heute ist data eine in allen Unternehmensbereichen verbreitete Kompetenz, wobei sich Spezialisten auf die komplexesten analytischen Herausforderungen konzentrieren.

Die Zukunft der beruflichen Weiterbildung

Entgegen einigen Prognosen dürfte die AI Entwicklung den Bedarf an professionellen Softwareentwicklern kaum verringern. Vielmehr wird sie deren Arbeitsschwerpunkt auf höherwertige Tätigkeiten verlagern:

Plattform-Engineering: Aufbau und Wartung der Infrastruktur, die eine AI Entwicklung ermöglicht. Dazu gehören die Erstellung sicherer data , die Einrichtung von Überwachungssystemen und die Entwicklung von Testframeworks, die Geschäftsanwender unterstützen.

Entwicklung komplexer Systeme: Schwerpunkt auf geschäftskritischen Anwendungen, die fundiertes technisches Fachwissen, hohe Leistung oder eine ausgefeilte Architektur erfordern. Diese Systeme bilden die Grundlage, auf der unternehmensspezifische Anwendungen aufbauen können.

Technische Beratung: Wir fungieren als Berater, die Geschäftsteams bei architektonischen Entscheidungen, Integrationsherausforderungen und Sicherheitsaspekten unterstützen. Diese beratende Rolle nutzt technisches Fachwissen und befähigt gleichzeitig die Geschäftsanwender, ihre eigenen Lösungen umzusetzen.

Anwendungserweiterung: Identifizierung erfolgreicher Abteilungsanwendungen, die auf Unternehmensniveau „hochgestuft“ werden sollten, und deren Weiterentwicklung, um die organisatorischen Standards hinsichtlich Sicherheit, Skalierbarkeit und Wartbarkeit zu erfüllen.

Diese Transformation eröffnet sowohl für Fachleute aus dem betriebswirtschaftlichen als auch aus dem technischen Bereich neue Möglichkeiten. Die betriebswirtschaftlichen Teams gewinnen die Autonomie, ihre Probleme selbst zu lösen, während sich die technischen Teams auf Herausforderungen konzentrieren können, die ihren speziellen Fähigkeiten entsprechen. Das Ergebnis ist eine effizientere Nutzung von Fachkräften und eine insgesamt schnellere Schaffung von geschäftlichem Mehrwert.

Für einzelne Fachkräfte bedeutet dieser Wandel, dass sie sich anpassen müssen. Geschäftsanwender müssen grundlegende Kenntnisse in den Bereichen Software-Design-Thinking, data und Sicherheitsbewusstsein erwerben. Technische Fachkräfte müssen ihre Kompetenzen in den Bereichen Beratung, Schulung und Architektur ausbauen. Unternehmen, die in diese Fähigkeiten investieren, werden sich erhebliche Wettbewerbsvorteile in Bezug auf Agilität und Innovation verschaffen.

Die Demokratisierung der Softwareentwicklung durch AI stellt einen der bedeutendsten Wandel in der Unternehmenstechnologie des letzten Jahrzehnts dar. Unternehmen, die diesen Wandel bewusst annehmen, können enorme Vorteile in Bezug auf Agilität, Personalisierung und Innovation erzielen.

Um diesen Wandel erfolgreich zu bewältigen, müssen scheinbar widersprüchliche Anforderungen in Einklang gebracht werden: die Befähigung der Geschäftsanwender bei gleichzeitiger Wahrung einer angemessenen Governance, die Förderung von Innovation bei gleichzeitiger Gewährleistung der Sicherheit sowie die Unterstützung der Dezentralisierung bei gleichzeitiger Vermeidung von Fragmentierung.

Für Führungskräfte in der Wirtschaft ist die Botschaft klar: Bei der AI Entwicklung geht es nicht darum, das eigene Technologieteam zu ersetzen, sondern darum, den Kreis derjenigen zu erweitern, die an der Entwicklung von Technologien beteiligt sind. Durch die durchdachte Implementierung dieser Funktionen können Unternehmen das seit langem angestrebte Ziel erreichen: wirklich personalisierte Software, die sich an ihre individuellen Bedürfnisse anpasst, anstatt ihnen eine Anpassung in die entgegengesetzte Richtung aufzuzwingen.

Die Zukunft der Unternehmenssoftware liegt nicht in Einheitslösungen oder gar hochgradig konfigurierbaren Plattformen – sie liegt in einem Ökosystem aus maßgeschneiderten, AI Anwendungen, die von denjenigen entwickelt werden, die sie auch nutzen. Unternehmen, die sich dieser Zukunft stellen, werden ein leistungsstarkes neues Instrument für Innovation, Effizienz und Wettbewerbsvorteile an ihrer Seite haben.