KI hilft heute vielen IT-Teams, Probleme schneller zu analysieren, Skripte zu erstellen oder kleine Automatisierungen umzusetzen. Das ist praktisch und oft effektiv. Kritisch wird es dort, wo eine Lösung zwar funktioniert, aber kaum verstanden, nicht dokumentiert und nicht sauber in die bestehende IT-Landschaft eingeordnet wird.
Schneller Output, wenig Überblick
Noch nie war es so einfach, in kurzer Zeit technische Lösungen zu erzeugen. Ein Prompt, ein generiertes Skript oder ein automatisierter Ablauf – und ein Problem scheint gelöst. Gerade im IT-Alltag ist das attraktiv. Wer unter Zeitdruck arbeitet, nimmt gern jede Hilfe an, die Fehler schneller eingrenzt, Routineaufgaben vereinfacht oder erste Lösungsansätze liefert.
Das eigentliche Risiko beginnt aber meist nicht bei der KI selbst, sondern beim Umgang mit dem Resultat. Eine Lösung kann funktionieren und trotzdem problematisch sein: dann nämlich, wenn niemand mehr genau weiss, wie sie entstanden ist, welche Annahmen dahinterstehen oder welche Auswirkungen sie auf andere Systeme haben könnte.
Wenn Funktionieren wichtiger wird als Verstehen
In der Praxis reicht es oft, dass etwas einfach läuft. Genau das kann später teuer werden. Wenn ein Techniker mit KI ein Skript erstellt, eine Konfiguration anpasst oder einen Ablauf automatisiert, spart das kurzfristig Zeit. Wird die Lösung aber weder sauber geprüft noch dokumentiert, entsteht schnell eine neue Abhängigkeit. Spätestens wenn etwas angepasst, skaliert oder an andere Personen übergeben werden muss, zeigt sich die Schwäche.
Das gilt nicht nur für IT-Teams. Auch in Fachbereichen entstehen immer mehr kleine Lösungen mit KI, Low-Code-Tools oder einer Art «Vibe Coding» – also dem spontanen Bauen kleiner Anwendungen mit Hilfe von KI, oft ohne sauberen Entwicklungsprozess. Wer technisch affin ist, erstellt sich schnell ein Hilfstool, eine Auswertung oder eine Automatisierung. Das wirkt innovativ und entlastend. Problematisch wird es dort, wo solche Lösungen ausserhalb von Standards, Verantwortlichkeiten und bestehenden Prozessen wachsen.
Hinzu kommt eine zweite Unsicherheit: In vielen Unternehmen wird KI bereits genutzt, bevor für alle klar geregelt ist, welche Tools erlaubt sind, welche Daten eingegeben werden dürfen und wie mit den Ergebnissen umzugehen ist. Gerade bei Code, Konfigurationsdaten oder geschäftsrelevanten Informationen reicht technischer Nutzen allein nicht aus. Wenn Orientierung fehlt, wächst mit dem Output auch das Risiko.
Was kurzfristig clever erscheint, kann langfristig neue Unsicherheit schaffen: unklare Logik, fehlende Testbarkeit, keine saubere Übergabe und wenig Transparenz über Abhängigkeiten. So entstehen nicht nur technische, sondern auch organisatorische Risiken.
Damit aus Tempo nicht neue Komplexität wird
Genau hier zeigt sich der Wert architektonischen Denkens. Es geht nicht nur um Strategien, Zielbilder oder Modelle, sondern darum, Veränderungen so einzuordnen, dass sie langfristig tragfähig bleiben. Dazu gehören Transparenz über Systeme und Abhängigkeiten, gemeinsame Leitplanken, klare Verantwortlichkeiten und ein Verständnis dafür, wie lokale Lösungen in den grösseren Zusammenhang passen.
KI kann Teams produktiver machen. Daran besteht für mich wenig Zweifel. Gerade deshalb braucht ihr Einsatz mehr als Begeisterung. Wer KI-generierte Lösungen übernimmt, sollte sie verstehen, prüfen, dokumentieren und in bestehende Strukturen einordnen. Sonst entstehen neue technische Schulden – einfach in modernerer Form.
Für mich liegt genau darin die eigentliche Herausforderung: KI beschleunigt nicht nur gute Lösungen, sondern auch schlechte Gewohnheiten. Wenn Geschwindigkeit wichtiger wird als Nachvollziehbarkeit, wächst der Output – aber nicht unbedingt die Qualität. Entscheidend ist deshalb nicht nur, was mit KI möglich ist, sondern was davon auch morgen noch nachvollziehbar, wartbar und verantwortbar bleibt.
Weiterführende Links zum Thema:
- NIST AI Resource Center – Offizielle Einstiegshilfe zu Framework, Playbook und weiteren Ressourcen rund um AI Risk Management.
- McKinsey: The state of AI: How organisations are rewiring to capture value – Zeigt, warum neben Technologie auch Governance und klare Verantwortlichkeiten entscheidend sind.
- ISACA: The Rise of Shadow AI – Ein guter Überblick über Risiken, die entstehen, wenn Mitarbeitende KI-Tools nutzen, bevor Regeln, Freigaben und Verantwortlichkeiten sauber geklärt sind.
- Chaos oder Struktur? Die Rolle eines CoE in der Low-Code-Strategie – Blogbeitrag aus dem HSLU «CAS Software Development with AI & NoCode»
«Dieser Blogbeitrag wurde mit Unterstützung von KI erstellt»
