Die großen Softwareunternehmen wie beispielsweise Salesforce oder SAP bauen KI nahtlos in ihre Plattformen ein. Agentforce nutzt die Atlas Reasoning Engine, SAP integriert Joule tief in S/4HANA. Die Liste ließe sich praktisch beliebig fortsetzen und die Versprechen sind durchweg ähnlich: autonome Workflows, optimierte Prozesse, höhere Effizienz.

Das Problem liegt nicht in der Technologie, sondern darin, dass diese KI-Funktionen primär innerhalb proprietärer Ökosysteme optimiert funktionieren. Was als Produktvorteil verkauft wird, kann faktisch aber zu strategischer Abhängigkeit führen.

Konsequenzen eines Ökosystem-Lock-Ins

In geschlossenen Systemen wird KI nicht als universelles Werkzeug positioniert, sondern als Erweiterung der bestehenden Plattform. Salesforce bindet Agentforce an die Data Cloud und den Einstein Trust Layer, SAP integriert über die Sovereign Cloud.

In der Konsequenz werden Integrationen mit externen Systemen zwar technisch ermöglicht, ökonomisch und operativ jedoch häufig unattraktiv gestaltet. Jede Abweichung vom vorgesehenen Pfad erhöht die Komplexität und die Kosten. Die größte Schwierigkeit liegt meiner Meinung nach aber darin, dass die unternehmensweite Ende-zu-Ende-Prozessabbildung bei ökosystemorientierten KI-Lösungen nicht im Fokus steht.

Gartner prognostiziert, dass bis 2026 40 Prozent der Enterprise-Anwendungen AI-Agents enthalten werden. Ohne Interoperabilität bedeutet das zwar durchaus Innovation, aber eben auch eine verstärkte Fragmentierung. Unternehmen betreiben dann nicht ein KI-gestütztes System, sondern mehrere isolierte KI-Inseln, die nicht miteinander sprechen, bzw. wieder Schnittstellen- und „Übersetzungsdienste“ benötigen.

Dieser Lock-in verstärkt sich durch steigende Lizenzkosten. Die Anbieter priorisieren profitable KI-Features. Upgrades werden nicht optional, sondern faktisch notwendig, um auf wichtige Weiterentwicklungen Zugriff zu erhalten. Compliance-Anforderungen wie der EU AI Act oder GDPR werden durch herstellerspezifische Governance adressiert, was wiederum eine Fesselung an deren Roadmaps und neue Abhängigkeiten von überwiegend amerikanisch dominierten Softwareherstellern schafft.

In der Folge verlieren Unternehmen Verhandlungsspielraum, die Wechselkosten explodieren und Agilität nimmt ab.

Wäre die Ende-zu-Ende-Prozessabbildung nicht erstrebenswert?

Abgeschottete Ökosysteme verfestigen Daten-Silos. Das widerspricht dem Versprechen autonomer Agents, die umfassende Business-Kontexte benötigen.

Die Verwendung mehrerer zentraler Unternehmensanwendungen ist eher die Regel als die Ausnahme. Nutzt ein Unternehmen z.B. Salesforce für CRM-Aufgaben und SAP als ERP, verfügen beide Systeme über eigene KI-Agenten. Diese Agenten kennen jeweils nur ihren Prozess- und Daten-Ausschnitt. Ein Agent, der eine Kundenanfrage bearbeitet, sieht dann in der Regel nicht die aktuelle Produktionskapazität und ein Agent, der ein IT-Ticket verarbeitet, kennt die Vertragssituation des betroffenen Kunden gegebenenfalls nicht. Außerdem wird dadurch die Token-Abrechnung intransparenter, wodurch die Kostenkontrolle und Ergebnismessung erschwert werden.

Multi-Vendor-Szenarien erfordern deshalb maßgeschneiderte Integrationen. Gleichzeitig ist es wirtschaftlich durchaus nachvollziehbar, dass eine deutliche Mehrheit der Softwareanbieter ihre Preismodelle so gestalten, dass Abhängigkeiten zementiert werden. Die Integrationskomplexität erhöht nicht nur die Kosten dramatisch, sondern unterläuft im Extremfall das gesamte Wertversprechen.

Ohne einheitliche Datenrepräsentation kollabieren Modelle unter Komplexität und Enterprise-Nutzer zögern bei der Adoption, weil Erklärbarkeit und Vertrauen fehlen.

Die Alternative sind offene Standards

KI bietet enormes Potenzial für die Emanzipation von dominanten Anbietern, sofern sie auf offenen Standards basiert. Frameworks wie das Open Agentic Schema Framework (OASF) standardisieren Agent-Interoperabilität. Protokolle wie A2A (Agent-to-Agent) ermöglichen sichere, skalierbare Multi-Agent-Systeme ohne Lock-in. Ergänzend definiert das Model Context Protocol (MCP) eine standardisierte Schnittstelle, über die KI-Modelle kontrolliert und auditierbar auf externe Tools, APIs und Datenquellen zugreifen können, ohne dass diese fest in ein proprietäres Anwendungssystem eingebettet sein müssen.

Open-Source-Modelle wie z.B. LLaMA, Mistral und eine Vielzahl anderer verfügbarer Lösungen gewähren Transparenz, Anpassbarkeit und Kosteneffizienz. Decoupled-Architekturen trennen Data- von Transaktionsschichten und erlauben Flexibilität bei der Wahl der Plattformen.

Das sind keine theoretischen Möglichkeiten. Unternehmen, die auf neutrale Plattformen und offene Standards setzen, reduzieren ihre Integrationskosten um 40 bis 60 Prozent und behalten die Kontrolle über ihre Daten. Sie können Anbieter wechseln, ohne Systeme neu aufbauen zu müssen. Wer hat oder wollte nicht zumindest schon mal sein ERP- oder CRM-System wechseln?! Eine Ökosystem-basierte KI-Integration reduziert die Flexibilität für einen Wechsel nochmals dramatisch.

Im DACH-Mittelstand bedeutet das konkret, dass neutrale Plattformen Silos durchbrechen und echte Autonomie schaffen könnten. Das mag kurzfristig kein dominantes Kriterium sein, führt langfristig aber häufig zu einem „hätten wir das damals gewusst“.

Die konkreten Auswirkungen für den Mittelstand

Der Mittelstand steht vor einer klaren Entscheidung. Entweder akzeptiert er die Abhängigkeit von einem oder mehreren großen Anbietern mit allen damit verbundenen Vorteilen UND Risiken. Oder er setzt bewusst auf Lösungen, die Interoperabilität ermöglichen.

Das bedeutet nicht, auf Enterprise-Software zu verzichten, sondern bei der Auswahl einer KI-Lösung gezielt auf offene Schnittstellen, standardisierte Protokolle und die Möglichkeit hybrider Lösungen zu achten. Es bedeutet, KI-Funktionen nicht als untrennbaren Bestandteil einer Plattform zu akzeptieren, sondern als Komponente, die auch mit anderen Systemen funktionieren muss.

Für SaaS-Anbieter, die sich auf BPM, No-Code und konversationsorientierte Interfaces konzentrieren, liegt darin eine Positionierungschance. Plattformen, die offene Standards priorisieren, emanzipieren Entscheider von Vendor-Dominanz und ermöglichen tatsächlich hybride Lösungen.

Autonomie vs. Abhängigkeit

Die Skalierung von KI in abgeschotteten Ökosystemen kann meiner Überzeugung nach kurzfristig effizient sein, ist aber langfristig riskant. Autonomie entsteht durch offene Standards und dezentralisierte Agenten, die Prozesse über Silos hinweg orchestrieren. Ich möchte klarstellen, dass ich nichts gegen die genannten Anbieter habe und sie auch nur beispielhaft genannt sind. Die Programme stellen hervorragende ERP- und CRM-Lösungen dar. Eine durchgängige Prozessabbildung und die erfolgreiche KI-Umsetzung verdienen aber eine differenzierte Bewertung der bestmöglichen Vorgehensweise statt eines „na, wenn wir das System doch ohnehin schon einsetzen …“.

Dieser Artikel spiegelt die persönliche Fachmeinung des Autors wider und stellt keine Rechts- oder IT-Beratung dar. Die genannten Markennamen sind Eigentum der jeweiligen Inhaber und werden hier nur zu beschreibenden Zwecken genutzt.