(Dieser Artikel wurde ursprünglich aufForbes.com veröffentlicht.)
Yu Fang ist Mitbegründer und CTO bei Sonatus und hat sich auf verteilte Systeme und durch das „ AI “ ermöglichte Fahrzeugarchitekturen spezialisiert.
Jahrzehntelang basierte Unternehmenssoftware auf einem einfachen Prinzip: Man entwickelte ein Produkt und verkaufte es an zahlreiche Unternehmen. Man denke nur an Microsoft Office, SAP oder Lotus Notes. Die Kernsoftware war so konzipiert, dass sie breit einsetzbar war. Die Anpassung an individuelle Bedürfnisse war eher Sache des Kunden.
Diese Prämisse war sinnvoll, als Software noch teuer und zeitaufwendig zu entwickeln war. Man konnte es sich nicht leisten, für jeden Kunden eine eigene Lösung zu schreiben. Standardisierung war die einzig wirtschaftlich sinnvolle Entscheidung. Diese Logik gilt heute nicht mehr, da sich die wirtschaftlichen Rahmenbedingungen bei der Softwareentwicklung grundlegend geändert haben.
Die Kosten einer Einheitslösung
Standardsoftware birgt seit jeher versteckte Kosten, die sich in Zeitverlust und Fehlern niederschlagen, die entstehen, wenn ein Standardprodukt an einen speziellen Anwendungsfall oder Arbeitsablauf angepasst werden muss. Diese Kosten sind real. Sie tauchen lediglich nicht auf einer Rechnung auf.
In Branchen mit komplexen Anwendungsfällen und Arbeitsabläufen kann sich diese Belastung summieren und noch verstärken. Ein Paradebeispiel hierfür ist die Diagnose von Fahrzeugproblemen. Große nordamerikanische Erstausrüster (OEMs) verfügen über Garantierückstellungen in Höhe von über 40 Milliarden US-Dollar. Allein im ersten Quartal 2026 wurden 12,1 Millionen Fahrzeuge in den USA zurückgerufen, wobei 47 % der Fehler durch drahtlose Software-Updates behoben wurden. Generische Werkzeuge, die für den durchschnittlichen Anwendungsfall konzipiert sind, können den spezifischen Anwendungsfall nicht lösen.
Wenn ein Fahrzeug in eine Werkstatt einrollt, steht der Techniker vor einem Diagnose-Rätsel. Er weiß, dass sich das Fahrwerk ungewöhnlich verhalten hat, aber warum? Ein Bauteilausfall? Ein Softwarefehler? Allgemeine Diagnosewerkzeuge decken zwar das Symptom auf, aber selten die Ursache. Das Ergebnis ist oft ein langwieriger, manueller Prozess – und wenn ein Techniker in den Ruhestand geht, geht sein Fachwissen mit ihm aus der Tür.
Was „maßgeschneidert“ heute bedeutet
AI hat die Wirtschaftlichkeit der Softwareentwicklung grundlegend verändert – nicht schrittweise, sondern strukturell.
Maßgeschneiderte Lösungen waren früher teuer, weil die Softwareentwicklung nur langsam vorankam. Diese Einschränkung verliert zunehmend an Bedeutung. „ AI “ beschleunigt nun die Entwicklung durch Codegenerierung, Mustererkennung und automatisierte Workflow-Gestaltung. Was früher Monate an Entwicklungszeit erforderte, lässt sich nun in einem Bruchteil dieser Zeit planen und umsetzen.
Doch Geschwindigkeit allein ist nicht das entscheidende Argument für Individualisierung. Das wichtigere Argument ist, dass eine von „ AI “ getriebene Transformation in der bestehenden Realität des Kunden verankert sein muss – in seinen Daten, Tools und Arbeitsabläufen. Man ersetzt nicht alles und zwingt das Unternehmen nicht dazu, alles von Grund auf neu zu lernen. Man integriert „ AI “ in das, was bereits vorhanden ist. Man holt den Prozess dort ab, wo er stattfindet, und macht ihn schneller, konsistenter und skalierbarer.
Stellen Sie sich das einmal so vor: Sowohl eine leere Tabelle als auch eine vorkonfigurierte Vorlage dienen dazu, Zahlen zu speichern. Aber die Vorlage – die bereits auf Ihr Unternehmen zugeschnitten ist und die richtigen Felder und Formeln enthält – liefert Ihnen das Ergebnis innerhalb von Minuten statt Stunden. Wenden Sie dieses Prinzip nun auf einen Diagnose-Workflow, einen Qualitätsprozess für Lieferanten oder ein Flottenüberwachungssystem an. Der Unterschied zwischen einem allgemeinen Ausgangspunkt und einem speziell entwickelten liegt in der operativen Umsetzung, nicht in der Optik.
Zwei parallel ablaufende Transformationen
Ein auf „ AI “ basierender Ansatz für maßgeschneiderte Lösungen kann zwei Transformationen ermöglichen, die mit generischer Software in der Vergangenheit nur schwer gleichzeitig zu erreichen waren.
Der erste Punkt ist die Operationalisierung menschlichen Fachwissens. Das Wissen, die Entscheidungsmuster und die diagnostischen Urteile erfahrener Ingenieure lassen sich zunehmend in „ AI “-Systemen erfassen und unternehmensweit zur Verfügung stellen. Das Ergebnis sind größere organisatorische Kapazitäten, Wissen, das geteilt statt in Silos gespeichert wird, und Fachwissen, das sich vermehrt, anstatt aus dem Unternehmen abzuwandern.
Der zweite Punkt ist die Umwandlung manueller Arbeitsabläufe in agentenbasierte Arbeitsabläufe. Viele betriebliche Prozesse sind nach wie vor darauf angewiesen, dass Menschen Entscheidungen koordinieren, Aufgaben zwischen Systemen weiterleiten und routinemäßige Ausnahmen beheben. Agentenbasierte Arbeitsabläufe verlagern einen größeren Teil dieser Koordination auf AI und ermöglichen so Prozesse, die zunehmend autonom, anpassungsfähig und skalierbar sind, dabei aber weiterhin innerhalb festgelegter Rahmenbedingungen ablaufen.
Maschinelle Intelligenz treibt agentische Arbeitsabläufe an. Gemeinsam schaffen sie die Voraussetzungen für Produktivitätssteigerungen, die über die Automatisierung einzelner Aufgaben hinausgehen und die Art und Weise, wie Arbeit erledigt wird, grundlegend verändern.
Warum „ AI “ allein nicht ausreicht
Allgemeine KI („ AI “) ist leistungsfähig, leicht zugänglich und entwickelt sich rasant weiter. Für die meisten Umgebungen mit hohen Risiken reicht sie allein jedoch nicht aus.
Und zwar aus folgendem Grund: Die allgemeine „ AI “ (Naturspracherkennung) eignet sich hervorragend zum Erkennen von Mustern und zum Abrufen von Informationen, die semantisch einer Frage ähneln. Sie kann zusammenfassen, was in vergleichbaren Situationen funktioniert hat. Ohne ein Modell Ihrer Produkte, Prozesse und Ihres Betriebsumfelds kann sie jedoch nicht zuverlässig bestimmen, womit sich ein bestimmter Fehler unter bestimmten Bedingungen beheben lässt.
Das ist keine Einschränkung von „ AI “ als Kategorie. Es handelt sich vielmehr um eine Einschränkung von „ AI “, dem das für die Aufgabe erforderliche Fachwissen und der operative Kontext fehlen.
AI hingegen nutzt ein speziell dafür entwickeltes System, das auf strukturierter Suche basiert und die Beziehungen zwischen Systemen und Komponenten versteht – nicht nur oberflächliche Ähnlichkeiten. Es kombiniert fachspezifische Daten, den betrieblichen Kontext und technisches Wissen, um die Diagnose zu verbessern, seinen Ansatz je nach Komplexität des Einzelfalls anzupassen und institutionelles Wissen zu erfassen, das andernfalls verloren gehen könnte, wenn erfahrene Mitarbeiter das Unternehmen verlassen.
Der neue Standard
Maßgeschneiderte Lösungen sind kein Luxus mehr, der nur großen Budgets und langen Zeitplänen vorbehalten ist. Für Unternehmen, die in komplexen Umgebungen mit hohem Risiko tätig sind, stellen sie zunehmend einen der effektivsten Wege in die Zukunft dar, auch wenn der richtige Ansatz nach wie vor vom jeweiligen Anwendungsfall, der vorhandenen Infrastruktur und der organisatorischen Bereitschaft abhängt.
OEMs, die Milliarden für Garantie- und Rückrufkosten ausgeben, haben selten einen Mangel an Software. Die Herausforderung besteht darin, dass ein Großteil ihrer Software darauf ausgelegt ist, Informationen zu verwalten, und nicht darauf, die spezifischen Fehlermodi, den technischen Kontext und die Service-Workflows zu verstehen, die diese Kosten verursachen.
Ich bin davon überzeugt, dass die Unternehmen, die diese Lücke schließen, dies durch die Entwicklung von Lösungen erreichen werden, die auf ihrer betrieblichen Realität basieren, und indem sie „ AI “ in jene Prozesse einbringen, bei denen sich Fehler in Form von Rückrufaktionen und sinkenden Margen niederschlagen.
Bevor Sie also in ein weiteres Allzweck- AI -Tool investieren, sollten Sie sich fragen, wo Fachwissen, komplexe Arbeitsabläufe und institutionelles Wissen die größten Reibungspunkte verursachen. Dies sind oft die besten Kandidaten für speziell entwickelte Lösungen AI. Prüfen Sie anschließend, ob die zugrunde liegenden Daten strukturiert und zugänglich genug sind, um eine Lösung zu trainieren, und ob bestehende Tools und Arbeitsabläufe die Integration unterstützen können, ohne dass eine vollständige Ablösung erforderlich ist.
Maßgeschneiderte Software war früher die Ausnahme, doch ich glaube, dass sie mittlerweile zum Standard wird – nicht, weil sich die Ziele geändert haben, sondern weil sich die wirtschaftlichen Rahmenbedingungen gewandelt haben. Für Unternehmen, die bereit sind, herauszufinden, wo maßgeschneiderte Lösungen den größten Mehrwert bieten, und entsprechend vorzugehen, bieten sich erhebliche Chancen.