Künstliche Intelligenz

KI-gestützte Codegenerierung verspricht Geschwindigkeit — doch ohne klare Architekturgrenzen entstehen Risiken statt Ergebnisse. Generierter Code ist nicht per se sicher, wartbar oder testbar. Entscheidend ist der Rahmen, in dem er erzeugt wird: Präzise Architekturvorgaben schränken die Möglichkeiten so ein, dass ganze Fehlerklassen strukturell ausgeschlossen sind. Wie das in der Praxis funktioniert — und warum A12 dabei als Sicherheitsnetz wirkt.

Agentic Coding verspricht drastisch schnellere Softwareentwicklung – doch ohne Anpassung des Software Development Lifecycle (SDLC) drohen Qualitätsverlust und Integrationschaos. Warum das V-Modell im Zeitalter agentischer Entwicklung ein überraschendes Comeback erlebt und wie Quality Gates, Traceability und ein neues Engineering-Verständnis den Unterschied machen.

Alle Unternehmen arbeiten gerade an KI-Piloten, haben Use Cases definiert, Tools im Einsatz und einige arbeiten bereits KI-gestützt in Workflows oder mit Agenten. Die Erwartung ist klar: schneller werden, effizienter arbeiten, aktuelle Probleme lösen. Aber in der Realität zeigt sich, wenn KI tatsächlich funktioniert, ein Muster, das viele so nicht erwartet haben. Es geht dann nicht mehr um Effizienz. Unsere These: KI beschleunigt Arbeit nicht automatisch, sondern legt schonungslos offen, wo die Organisation unklar ist.

KI-Tools versprechen schnelle Testautomatisierung – doch ohne Teststrategie, saubere Architektur und Engineering-Kompetenz entstehen instabile Tests, wachsende Wartungskosten und unkontrollierter Wildwuchs. Der Artikel zeigt, warum KI ein Verstärker ist, aber kein Ersatz für methodisches Vorgehen und strukturelles Design.

Die IBM-Aktie brach an einem Tag um 13 Prozent ein – ausgelöst durch einen einzigen Blogpost: Anthropic kann mit Claude Code COBOL-Legacy-Systeme automatisiert modernisieren, was bisher Jahre und ganze Beraterheere erforderte. Die Börse hat verstanden, was das bedeutet. Aber haben es auch die Unternehmen verstanden, die auf diesen Systemen sitzen?

Code ist billig. Software nicht. In einer Welt, in der KI Code in Minuten erzeugen kann, liegt die eigentliche Herausforderung nicht darin, schneller zu tippen – sondern darin, Systeme zu bauen, die über Jahre hinweg zuverlässig, sicher und wartbar sind. Erfahre, warum Enterprise-Erfahrung die neue Währung der Softwareentwicklung ist. Ein Kommentar von Jan Jikeli, Head of AI bei mgm technology partners.

Unternehmen und Institutionen stehen vor der Herausforderung, die Möglichkeiten moderner KI schnell in Produkte zu integrieren und gleichzeitig Datenschutz, Compliance und klare Verantwortlichkeiten zu gewährleisten. Drei Betriebswege – Public API, Cloud im eigenen Tenant und On-Premise – bieten unterschiedliche Vor- und Nachteile. Der Beitrag zeigt, wofür sie sich eignen, welche Grenzen zählen und wie sie über ein API-Gateway und Agent-Orchestrierung zu einer belastbaren Hybrid-Architektur kombiniert werden können.

Künstliche Intelligenz entwickelt sich in rasantem Tempo. Jeden Monat entstehen neue Modelle, Tools und Plattformen. Unternehmen stehen dadurch vor der Frage: Welche Innovationen lohnen sich für den produktiven Einsatz – und welche besser nicht? Genau hier setzt das mgm Enterprise AI Radar 2025 an.

Viele Unternehmen starten mit KI – doch die meisten Prototypen bleiben im Pilotstadium stecken. Der Grund liegt selten in der Technologie, sondern in fehlender Strategie, Organisation und Kultur. Wir zeigen praxisnah, welche Schritte jetzt entscheidend sind, damit KI vom Einzelprojekt zum nachhaltigen Werttreiber wird.

Ob Mittelstand oder Großunternehmen, Produktion, Handel, Dienstleistung oder Kommunikation: KI-Lösungen vereinfachen Prognosen, optimieren interne Prozesse und ermöglichen neue, datenbasierte Geschäftsmodelle. Gleichzeitig entstehen rechtliche, ethische...