Von: Daniel Schmalz
Trägt Ihr heutiges Technologie- und Datenfundament das Gewicht Ihrer KI-Ambitionen?
Agentic AI scheitert in Unternehmen heute selten an den KI-Modellen, sie scheitert am Fundament. In diesem Blogartikel zeigen wir auf, warum Agentic AI-Piloten nicht skalieren und wie sich das beheben lässt.
Wer skalierende, vertrauenswürdige KI will, muss zwei unterschätzte Herausforderungen lösen: tief verwobene Legacy-Monolithen und fehlende Data Readiness.
Thoughtworks liefert dafür den durchgängigen, risikominimierten und KI-beschleunigten Pfad aus einer Hand: vom Monolithen über eine moderne, evolutionäre Zielarchitektur hin zu automatisiert erzeugten, agent-konsumierbaren Datenprodukten und damit zur echten Agentic AI-Readiness. Nicht als Kostenblock, sondern als Business Reimagination.
Die Ausgangslage: Alle wollen Agentic AI, nur wenige kommen dort an
Nahezu jeder Vorstand formuliert heute das Ziel, „AI-native“ zu werden: Autonome Agenten sollen End-to-end-Prozesse übernehmen, KI soll integraler Bestandteil der eigenen Produkte werden.
Der Anspruch ist richtig, doch die Realität sieht in den meisten Großunternehmen anders aus.
Was wir aktuell flächendeckend beobachten: Dutzende Proofs of Concept (POCs) entstehen parallel in unterschiedlichsten Abteilungen, ambitioniert, oft technisch beeindruckend, aber isoliert.
Der weitaus größte Teil dieser PoCs erreicht nie die Produktionsreife. Es entstehen keine messbaren Effizienzen mit P&L-Sichtbarkeit, keine skalierende KI im Betrieb, kein struktureller Wettbewerbsvorteil. Die Organisation lernt viel, aber sie verändert sich nicht.
Die Forschung zeichnet dasselbe Bild: Laut einer McKinsey-Umfrage schreiben 37% der Befragten KI zumindest einen gewissen Einfluss auf ihr Betriebsergebnis zu. Gleichzeitig zählen jedoch nur rund 6% zu den sogenannten High-Performer-Unternehmen.
Für Agentic AI im Speziellen sagt Gartner voraus, dass bis 2027 40% der Unternehmen autonome KI-Agenten herabstufen oder abschalten, weil Governance-Lücken erst nach Vorfällen im Produktivbetrieb auffallen.
Die Gründe dafür sind vielschichtig. Auf der Mindset-Ebene halten Führungskräfte an gewachsenen Strukturen und Ressourcenhoheiten fest, statt neue Methoden und Technologien als Chance zu begreifen.
Auf der Organisationsebene sind KI-Verantwortlichkeiten fragmentiert: Daten- und KI-Teams finden sich in Business-Domänen, im Bereich des Chief Data Officers, in der IT und in separaten Centers of Excellence, ohne durchgängiges Operating Model.
Die Technologieexperten bringen Methodenkompetenz, aber wenig Domänenkontext mit; die Business-Domänen bringen Fachkompetenz, aber zu wenig Umsetzungskompetenz.
Vibe Coding erzeugt dort zwar schnelle lokale PoCs, doch sobald es um die professionelle Integration in das Unternehmens-Ökosystem geht, stoßen die Silos an ihre Grenzen. Das Ergebnis: lokale Optimierung statt unternehmensweiter Skalierung.
Der am meisten unterschätzte Grund liegt jedoch tiefer, und zwar im Technologiefundament.
Warum Agentic-AI-Piloten scheitern: Zwei unsichtbare Herausforderungen im Technologiefundament
Legacy-Abhängigkeiten: In den meisten Unternehmen hängen zentrale Business Capabilities noch immer an gewachsenen Monolithen (Mainframe, Embedded Code, ABAP/SAP-Landschaften, historische Applikationen). Kleine Änderungen erzeugen große Änderungstickets und erheblichen Ressourceneinsatz, weil die Business-Logik über Jahrzehnte tief verwoben wurde.
Architekturveränderungen sind dadurch nur im Schneckentempo möglich, ein Tempo, das mit den Anforderungen einer Agentic AI-Readiness unvereinbar ist. Agenten brauchen zugängliche, entkoppelte, API-fähige Business Capabilities. Ein Monolith liefert das Gegenteil.
Data Readiness: Vertrauenswürdige KI braucht vertrauenswürdige Daten. Unternehmen wollen heute Geschwindigkeit. Use Cases sollen in Wochen live gehen, nicht in Jahren. Doch qualitativ hochwertige, konsumierbare, governte Daten sind der neue und bislang weithin unterschätzte Engpass entlang der gesamten Wertschöpfungskette.
Verschärft wird das Problem durch Legacy-Daten-Ökosysteme wie DataStage oder Teradata: batch-lastig statt Echtzeit, betriebsintensiv, schlecht cloud-fähig, mit starker Tool- und Vendor-Bindung sowie Kosten, die mit dem Datenvolumen wachsen, ohne dass die Architektur flexibler wird.
Die historisch gewachsenen Integrations- und Verarbeitungslogiken dieser ETL-Stacks (Extract, Transform, Load) sind eine große Hürde für jede ernsthafte KI-Einführung.
Der notwendige Perspektivwechsel, um Modernisierung zum Wachstumshebel zu machen
Viele Modernisierungsinitiativen werden gar nicht erst gestartet oder wiederholt verschoben, weil sie aus Business-Sicht zunächst “nur Kosten" verursachen. Diese Perspektive greift zu kurz.
Die klassischen Modernisierungstreiber wie Kostenreduktion, Talent-Risiken, operative Agilität oder Reduktion von Vendor-Abhängigkeiten bleiben gültig. Doch inzwischen tritt eine neue Klasse von Motivatoren in den Vordergrund, die wir unter dem Begriff Business Reimagination zusammenfassen:
Agent-native Architekturen und AI-native Workflows
Die Fähigkeit, sich proaktiv auf schnell wandelnde Kundenerwartungen und Marktdynamiken einzustellen
Echtzeit-Operations
Sicherheit: KI-Systeme spüren Schwachstellen immer besser auf. Moderne Systeme lassen sich besser absichern, deshalb wird der Umstieg zur Sicherheitsfrage.
Modernisierung ist damit keine Kostenposition mehr. Sie ist Risikominderung, Wachstumshebel und die Eintrittskarte in das Agentic AI-Zeitalter.
Die Lösung für erfolgreich skalierende Agentic AI-Piloten: Eine Wertschöpfungskette, drei Stufen
Thoughtworks hat die Modernisierung von Monolithen hin zu modernen, KI-fähigen Umgebungen in den letzten Jahren nicht nur kontinuierlich weiterentwickelt, sondern den Markt dabei aktiv geprägt, vom Mainframe über Embedded Code und Applikationen bis zu ABAP/SAP und Legacy-Daten-Ökosystemen.
Unser End-to-End-Offering folgt einer klaren Logik:
Monolith → moderne Zielarchitektur → moderne Datenarchitektur & Data Readiness → skalierende Agentic AI
Stufe 1: AI-first Legacy Modernization, geringeres Risiko, schnellere Umsetzung
1. Legacy-Bestand mit AI-first Reverse Engineering verstehen
Eine der größten Herausforderungen bei jeder Modernisierung ist das Verstehen des Bestands: Code, den im Unternehmen niemand mehr vollständig durchdringt und der kaum dokumentiert ist. Thoughtworks analysiert den Legacy-Code automatisiert und überführt ihn in einen Knowledge Graphen sowie eine detaillierte Spezifikation:
Architekturdesigns
Abhängigkeiten
APIs
Zuordnung von Code zu Funktionen und Business Capabilities
Das reduziert Aufwand, Durchlaufzeit und damit das Gesamtinvestment signifikant und schafft nebenbei die Dokumentation, die seit Jahren fehlte.
2. Eine Zielarchitektur entwerfen, die trägt
Modern, flexibel, sicher und evolutionsfähig. Es hilft, dass Thoughtworks das Microservices-Konzept nicht nur miterfunden (Fowler & Lewis, Sam Newmans "Building Microservices"), sondern über Jahre hinweg bei Kunden weiterentwickelt hat: Dekomposition entlang von Business Capabilities mit Domain-Driven Design, gerahmt durch die Prinzipien der Evolutionary Architecture.
3. Den Monolithen schrittweise mit Strangler Fig ablösen
Kritische Systeme werden nicht in einem riskanten Big Bang ersetzt, sondern schrittweise "umwachsen": Neue Capabilities entstehen parallel zum Altsystem, übernehmen sukzessive Funktionalität und lösen den Monolithen kontrolliert ab, während der Betrieb weiterläuft.
Dieses von Martin Fowler (Chief Scientist bei Thoughtworks) geprägte Pattern und die daraus entstandenen Patterns of Legacy Displacement bilden das methodische Rückgrat jeder Thoughtworks-Modernisierung.
Stufe 2: Data Readiness, vom Engpass zum Beschleuniger
1. Data Products in Stunden statt Wochen bauen
Thoughtworks hat vor rund sechs Jahren Data Mesh erfunden. Aus vielen Enterprise-Implementierungen hat sich ein Industriestandard herauskristallisiert: Data Products. Das sind Produkte, die Wert, Datenqualität und Konsumierbarkeit für andere Unternehmensteilnehmer direkt integrieren.
Das Problem: Die manuelle Entwicklung einfacher Datenprodukte dauert Tage, komplexe Datenprodukte benötigen ca. 12 Wochen oder mehr.
Mit der Data Product Workbench hat Thoughtworks seine Erfahrung kodifiziert und stark automatisiert: Einfache Datenprodukte entstehen in Stunden, komplexe in maximal zwei Wochen. Der Ansatz bleibt konsequent use-case-getrieben und arbeitet retrospektiv, vom Use Case über aggregierte bis zu source-aligned Datenprodukten.
Ein AI-native Data Product Designer entwirft die Produkte auf Basis von Open Data Product Standards; Human-in-the-Loop bleibt über Attribute, Datenqualitätsparameter und editierbare Spezifikationen jederzeit gewährleistet.
Anschließend werden die Datenprodukte automatisiert entwickelt (Spec-driven Development) und in die Zielumgebung deployed, inklusive automatisch generierter CI/CD-Pipelines (Continuous Integration and Continuous Delivery), Repositories und Medaillon-Architektur.
Im Betrieb sind die kuratierten Datenprodukte über MCP-Konnektoren (Model Context Protocol) direkt von AI-Agenten konsumierbar und werden inklusive Metadaten automatisiert im Kunden-Datenkatalog registriert und gepflegt.
2. Legacy-Daten-Ökosysteme automatisiert migrieren
Für DataStage-, Teradata- und vergleichbare Landschaften hat Thoughtworks den AI-powered Legacy Data Migration Accelerator entwickelt. Er analysiert die Legacy-Datenlandschaft tiefgreifend und automatisiert die Migration in moderne Zielplattformen, als standardisiertes, skalierbares und wiederholbares Delivery-Modell. Die Ergebnisse:
Bis zu 60-fach höhere Migrationsgeschwindigkeit
Übersetzung und Transformation von Data Pipelines in wenigen Stunden
Bis zu 90% kürzere Gesamtdurchlaufzeit
Manuelle Nacharbeit entfällt weitgehend, die Skalierung über große Legacy-Landschaften wird effizient möglich und es entsteht die Grundlage für Near-Real-Time Data Streams zur Versorgung von KI-Anwendungen und -Modellen.
Aus der Praxis: Unieuro, Italiens führender Consumer-Electronics-Händler, stand vor Hunderten undokumentierter Data Pipelines und einer Migration auf Google Cloud Platform, die manuell Jahre gedauert hätte.
Mit dem AI-Accelerator wurden Code-Übersetzung und Dokumentationsgenerierung automatisiert. Die Migration wurde bis zu 60-mal schneller als der manuelle Weg, ein Mehrjahresprojekt schrumpfte auf wenige Monate, und Unieuro verfügt heute über eine skalierbare Plattform als Fundament der europäischen Expansion.
Stufe 3: Skalierende Agentic AI auf einem Fundament, das trägt
Erst auf dieser Basis wird Agentic AI vom PoC-Theater zur Betriebsrealität:
Entkoppelte, API-fähige Business Capabilities, die Agenten orchestrieren können
Kuratierte, qualitätsgesicherte Datenprodukte, die Agenten über MCP direkt konsumieren
Near-Real-Time-Datenströme für Echtzeit-Operations
Eine evolutionäre Architektur, die mit jeder neuen KI-Generation mitwächst, statt ihr im Weg zu stehen
Die Mehrwerte auf einen Blick
Von PoC zu P&L: KI-Initiativen erreichen Produktionsreife und erzielen messbare, skalierende Effizienzen, statt in Silos zu versanden.
Risiko kontrolliert: Strangler Fig und Patterns of Legacy Displacement sichern kritische Systeme während der gesamten Transformation. Kein Big Bang, das Betriebsrisiko bleibt unter Kontrolle.
Geringeres Investment: AI-first Reverse Engineering, Data Product Workbench und Data Migration Accelerator verkürzen Durchlaufzeiten (Datenprodukte in Stunden statt Tagen; komplexe Produkte in zwei statt 12 Wochen; Datenmigration bis zu 60-mal schneller, Gesamtdurchlaufzeit um bis zu 90% reduziert).
Wissen zurückgewonnen: Automatisierte Knowledge Graphen, Spezifikationen und Dokumentation beenden die Abhängigkeit von schwindendem Expertenwissen.
Zukunftssicher und sicher: Eine agent-native, evolutionäre Zielarchitektur mit modernem Security-Standing, bereit für Echtzeit-Operations und jede kommende KI-Generation.
Thought Leadership: Strangler Fig, Microservices, Evolutionary Architecture, Data Mesh. Die Konzepte, auf denen dieses Offering basiert, hat Thoughtworks selbst geprägt und über Jahre in die Enterprise-Realität übersetzt.
Die Frage ist also nicht mehr, ob Ihr Unternehmen Agentic AI einsetzen wird, sondern ob Ihr Fundament dafür bereit ist. Und wenn nicht: Wie lange können Sie es sich noch leisten, mit der Antwort zu warten?
Hinweis: Die in diesem Artikel geäußerten Aussagen und Meinungen sind die der Autor:innen und spiegeln nicht zwingend die Position von Thoughtworks wider.