AI-Driven AMS Application Management wird neu erfunden

Anbieter zum Thema

Mendix GmbH

Flexera Software GmbH

Yorizon GmbH & Co. KG

Application Management steht vor einem Wendepunkt. Klassische Modelle stoßen zunehmend an ihre Grenzen – nicht wegen fehlender Tools, sondern aufgrund der rasant steigenden Komplexität moderner IT-Landschaften. AI-Driven AMS ist die logische Antwort auf diese Entwicklung. Zugleich werden damit signifikante Effizienz­verbesser­ungen möglich, ohne dass der menschliche Faktor eliminiert wird.

Application Management Services (AMS) bilden seit Jahrzehnten das unsichtbare Fundament der Unternehmens-IT. Sie sorgen dafür, dass geschäftskritische Anwendungen rund um die Uhr und stabil laufen, Service-Level-Agreements (SLAs) eingehalten werden und Ausfallzeiten minimiert bleiben. Der Bereich AMS ist seit jeher mit großem Aufwand verbunden, den Unternehmen allein schon aus Kostengründen so gering wie möglich halten wollen.

In den vergangenen Jahren gab es hier auch verschiedene Entwicklungen und Optimierungen, die Unternehmen entscheidend entlastet haben. Dazu zählen etwa der Einsatz von Robotic Process Automation (RPA) und ganzheitlichen Monitoring-Lösungen, die systematische Analyse von Anwendungslandschaften oder auch die Nutzung von Offshoring-Angeboten. Doch diese Hebel sind heute weitgehend ausgeschöpft.

In typischen Großunternehmen umfassen IT-Landschaften oft 3.000 oder mehr Anwendungen, verknüpft über komplexe, oft historisch gewachsene Architekturen. Hybride Architekturen, Cloud-Migrationen und die zunehmende Integration von KI treiben die Komplexität exponentiell in die Höhe. Reaktive Ansätze – bei denen Incidents erst erkannt, analysiert und manuell behoben werden – sind in einer solchen Umgebung kaum mehr vernünftig umsetzbar, von einer möglichen Skalierung ganz zu schweigen. Genau hier setzt AI-Driven AMS an.

Vom reaktiven Betrieb zum intelligenten System

Künstliche Intelligenz (KI) ersetzt AMS nicht – sie definiert sie grundlegend neu, indem sie den Fokus von reaktiver Betriebs­stabilisierung hin zu proaktiver Serviceerbringung verschiebt und gleichzeitig Effizienz sowie Skalierbarkeit im Betriebsmodell steigert.

Der Übergang vom reaktiven zum proaktiven Modell erfolgt durch hybride Teams, in denen maschinelle Intelligenz das menschliche Fachwissen ergänzt. KI-Agenten übernehmen datenintensive und repetitive Aufgaben wie die 24/7-Analyse von Logfiles, die neutrale Ticket-Priorisierung (frei von menschlicher Subjektivität) oder die Erkennung von Anomalien, noch bevor Störungen auftreten. Darüber hinaus kann Predictive Analytics Muster aus Datenströmen extrahieren, präventive Maßnahmen vorschlagen und Workflows in Echtzeit optimieren.

Besonders wirkungsvoll sind agentenbasierte Systeme in sogenannten AI Factories. Einfache Agenten handhaben hier repetitive Prozesse, während komplexe Multi-Agenten-Orchestrierungen gesamte Service-Tower, also spezifische Servicebereiche und -funktionen orchestrieren – von der Überwachung über Schnittstellen bis hin zur Lösungsfindung. Dieses Modell erlaubt es erstmals, AI nicht punktuell, sondern industrialisiert und wiederverwendbar über mehrere Servicebereiche hinweg einzusetzen. Konzepte wie AIOps, die in der Infrastruktur bereits etabliert sind, finden hier ihre Erweiterung in das Application Management.

Ein wichtiges Merkmal der KI-getriebenen AMS ist zudem die Wissenssicherung durch Knowledge Retrieval, die das vorhandene interne Know-how universell zugänglich und ableitbar macht, was die Problemlösung beschleunigt. Das Know-how bleibt dadurch im Unternehmen. Ein Punkt darf dabei nie vergessen werden: Der Mensch nimmt immer eine zentrale Rolle ein: Als „Human in the Loop“ validiert, steuert, entscheidet und korrigiert er, insbesondere bei kritischen oder hochsensiblen Kontexten.

Der entscheidende Unterschied zu klassischen Auto­mati­sierungs­ansätzen liegt in drei Punkten:

• Skalierbarkeit: Statt isolierter Skripte entsteht ein orchestriertes Agenten-Ökosystem.

• Intelligenz statt Regeln: Systeme interpretieren Daten, statt starrer If-Then-Logik zu folgen.

• Outcomes statt Tätigkeiten: Der Fokus verschiebt sich von Ticketvolumen hin zu Mean Time to Repair (MTTR), SLA-Stabilität und Resilienz.

Schrittweise Transformation statt Big Bang

Bei der Einführung von AI-Driven AMS ist eine abrupte Umstellung – ein Big Bang – weder machbar noch risikofrei. Stattdessen empfehlen wir die Umsetzung eines Stufenplanes, der auf die individuelle Reife der IT-Umgebung abgestimmt ist. In der ersten Phase führt man dabei eine Baseline-Analyse durch: Wo entstehen 70 bis 80 Prozent der humanzentrierten, repetitiven Aufwände? Darauf aufbauend werden Quick Wins identifiziert, infrage kommen da zum Beispiel die Ticket-Triage oder der Aufbau eines Knowledge-Retrieval-Prozesses für den gezielten Abruf relevanter Informationen.

In der Pilotphase werden anschließend einfache Agenten in klar definierten Use Cases getestet, um schnelle Erfolge zu erzielen und Vertrauen aufzubauen. Bewährt sich dies, kann ein Unternehmen einen Service-Tower für den nächsten Schritt auswählen: Hier integriert es AI dann Ende-zu-Ende, aber immer unter menschlicher Aufsicht. Dort entfaltet AI ihren größten Nutzen, da sie End-to-End-Prozesse unterstützt und immer wieder optimiert. Abschließend wird AI als integraler Bestandteil des Betriebsmodells verankert, das heißt, nicht als isoliertes Tool, sondern als tragende Säule der Service Delivery. Dieser Ansatz berücksichtigt technologieorientierte oder domänenbasierte Strukturen und minimiert Risiken durch ein zielgerichtetes Risikomanagement, etwa indem der Start mit weniger kritischen Prozessen erfolgt.

Change Management als zentrale Herausforderung

Nicht übersehen werden darf, dass der wahre Wandel eher operativ und weniger rein technologisch stattfindet. Das bedeutet auch, dass das People Change Management entscheidend ist: Teams müssen ein neues Mindset entwickeln, um mit „digitalen Kollegen“ – KI-Agenten, die 24/7 arbeiten – zu kooperieren und neue Rollenbilder zu entwickeln. Der größte Fehler ist, KI als Tool einzuführen, anstatt das Betriebsmodell anzupassen.

Bei den technischen Hürden fallen insbesondere die Halluzinationen ins Gewicht, die durch ein kontinuierliches Retraining von KI-Modellen minimiert werden können. Auch Sicherheitsaspekte sind zu beachten: Hybride Modelle mit der Nutzung von Public-LLMs für die generische Breite und On-premises-Umgebungen für sensible Daten können dabei Unternehmenswissen zuverlässig und umfassend schützen.

Wirtschaftliche und operative Erfolge

Die Praxis bestätigt das Potenzial von AI-Driven AMS: In fortgeschrittenen von CGI betreuten Implementierungen ergeben sich 25 bis 40 Prozent Produktivitätssteigerungen durch die Eliminierung repetitiver Arbeit, eine bis zu 35 Prozent kürzere MTTR und 15 bis 25 Prozent geringere Betriebskosten auf Service-Tower-Ebene. Der größte Mehrwert entsteht dabei nicht durch einzelne Use Cases, sondern durch die Skalierung über gesamte Service-Tower hinweg. Die Vorteile wirken sich somit sowohl kaufmännisch (Kostensenkung) als auch operativ (Risikominimierung) aus.

Generell zeigt sich: Die Effizienz steigt durch den geringeren manuellen Aufwand, die Geschwindigkeit erhöht sich durch die schnellere Fehlerbearbeitung und die Stabilität wird durch die prädiktive Störungsvermeidung verbessert. Unternehmen können so auch die zunehmende Komplexität moderner IT-Landschaften leichter in den Griff bekommen. „Voice of our Clients“-Umfragen von CGI zeigen auch, dass dies ein entscheidendes Kriterium ist, denn die Reduzierung der Komplexität gehört neben der Budgetkontrolle zu den Top-Herausforderungen von Unternehmen.

AI-Driven AMS ist kein kurzfristiger Trend, sondern die logische Antwort auf die wachsende Komplexität moderner IT-Umgebungen. Es schafft die Grundlage für ein intelligentes, proaktives und skalierbares Betriebsmodell. Unternehmen stehen heute vor der Herausforderung, mehr Systeme, mehr Daten und höhere Erwartungen mit begrenzten Ressourcen zu bewältigen. Klassische Modelle stoßen hier an strukturelle Grenzen. Unternehmen, die diesen Wandel frühzeitig gestalten, verschaffen sich einen nachhaltigen strukturellen Vorteil. AI-Driven AMS ist also kein Trend – es wird zum neuen Standard im Application Management.

(ID:50892715)