Der umfassende Leitfaden zum Produktlebenszyklusmanagement

Teil 1 von 4, vom Mendix Community Round Table Niederlande in Amersfoort am 2. Juni 2026. Aus dem Abend ergaben sich vier Fragen: Was bleibt für den Berater zu tun, können wir uns darauf verlassen, dass ein Agent diese Arbeit erledigt, rechtfertigt die Plattform weiterhin ihre Wahl und wer kauft überhaupt noch?

Etwa zwanzig Mendix-Berater verbrachten einen Abend damit, über eine Sache zu streiten, selbst wenn sie dachten, es ginge um etwas anderes. Nicht darum, ob der Agent die App bauen kann. Wir sind uns weitgehend einig, dass er das kann. Die Diskussion drehte sich darum, was dann noch für uns zu tun bleibt.

Das war der Round Table am 2. Juni in Amersfoort. Drei Tische: Alpha, Delta und Foxtrot. Eine Liste mit 34 Aussagen über agentische KI, eine Live-App für Abstimmungen und eine großzügige Stunde, um sich auszutauschen. Sechzehn Teilnehmer stimmten ab, insgesamt 42 Stimmen. Was mich im Nachhinein beim Durchlesen besonders gefreut hat: Niemand an den Tischen geriet wirklich in Panik, ersetzt zu werden. Die Stimmung war nicht „Haben wir ausgedient?“, sondern „Was ist jetzt unsere Aufgabe?“

Worüber haben wir also eigentlich gestritten?

‍

Verstehen, analysieren, bauen

Ein Tisch brachte es auf den Punkt. Softwareentwicklung besteht aus drei mentalen Phasen: verstehen, analysieren, bauen. Der Weg von einer vagen Anforderung bis zum fertigen Produkt.

Hier kommt der unangenehme Teil. Der Agent wird sehr gut im Bauen. Im Tippen. Fast alles, was man über die nächsten Jahre sagen kann, hängt davon ab, was das mit den anderen beiden Phasen macht – oder eben nicht macht.

Eine Geschichte von Tisch Alpha machte es konkret. Ein Berater arbeitete an einem Projekt für ein Kundenportal, bei dem ein Unternehmen von Papierformularen auf eine Mendix-App umgestellt wurde. Der Product Owner hatte zwei Wochen damit verbracht, User Stories zu schreiben – saubere Stories; jedes Formular wurde in ein ordentliches Ticket verwandelt. Dann stellte jemand die Frage, die als Erstes hätte kommen müssen: Was verkaufen wir hier eigentlich? Automatisieren wir Papier oder automatisieren wir Prozesse? Wir automatisieren Prozesse. Die Stories waren falsch. Zwei Wochen sorgfältige Arbeit, auf das falsche Ziel ausgerichtet, und alles musste neu geschrieben werden.

Lassen Sie das nun durch einen Agenten laufen. Sie erhalten dieselben großartigen Stories, sagte er, aber nicht das Richtige. Schneller, sauberer und genauso falsch. Oder, wie der Tisch es ausdrückte: KI macht keinen Fehler. Sie tut genau das, was man ihr gesagt hat.

Das ist die ganze Diskussion in einer Anekdote. Der Agent vervielfacht Ihre Rahmensetzung. Wenn der Rahmen falsch ist, vervielfacht er auch das – und zwar in hoher Geschwindigkeit. Das eigentliche Problem zu verstehen und zu entscheiden, was es wert ist, gebaut zu werden, sind nicht die einfachen Teile, die man auf dem Weg zum Code schnell erledigt. Sie sind der Teil, der darüber entscheidet, ob der Code es wert war, geschrieben zu werden.

‍

Bedeutet das, dass nur die Senioren überleben?

Man könnte das alles als schlechte Nachricht für Junioren interpretieren. Wenn der Wert in der Urteilsfähigkeit liegt, überlässt man die Arbeit denen, die sie bereits haben, und lässt den Agenten den Rest erledigen. Der Raum war anderer Meinung. Auf die Frage, ob Teams jetzt nur noch Senior-Orchestratoren und keine Junioren mehr brauchen, sagten 80 % Nein. Die Begründung war einfach. Urteilsvermögen kommt nicht mit der Berufsbezeichnung. Man baut es auf, indem man die Arbeit macht, einschließlich der Teile, die eine Maschine jetzt für einen erledigen kann. Ein Team, das stillschweigend aufhört, Junioren auszubilden, wird in ein paar Jahren keine Senioren mehr haben, weil niemand mehr da ist, der gelernt hat, wie das Ganze eigentlich zusammenhängt.

Das Profil, das immer wieder genannt wurde, war nicht der „Experte“, sondern der T-Shaped-Mitarbeiter. Ein Projekt mit fünf T-Shaped-Leuten schlägt ein Projekt mit fünf Experten, wie ein Berater es ausdrückte: Leute, die das Business und das Testing hinterfragen, anstatt nur zu sagen: „Ich möchte einfach nur reine Entwicklung machen.“ Der Agent macht dieses Bedürfnis nicht überflüssig. Wenn überhaupt, verstärkt er es.

‍

Was haben wir also immer wieder als den eigentlichen Wert bezeichnet?

Wenn man das Rauschen herausfiltert, tauchte in verschiedenen Räumen und mit unterschiedlichen Worten dieselbe Antwort auf. Der Wert war nie wirklich die Geschwindigkeit.

Stattdessen nannten sie die unspektakulären, beständigen Dinge. Das Modell, das zwei Leute gemeinsam lesen können. Der Dialog zwischen Business und IT, der sich darum entspinnt. Selbst wenn die KI das Ganze generiert, sagte ein Berater, ist es gut, dass man auf eine lesbare Anwendung zurückgreifen und sie gemeinsam durchgehen kann. Wenn ein Produktionsfehler zu einer ungünstigen Zeit auf Ihrem Schreibtisch landet, möchten Sie einen Ablauf, den Sie lesen können – auch wenn ein Agent ihn geschrieben hat.

Dieses lesbare Modell ist ein Teil dessen, was weiterhin in unserer Hand liegt: das Gespräch zu führen und die Verantwortung für das zu übernehmen, was ausgeliefert wird. Ob das auch das dauerhafte Argument für Mendix als Plattform ist – die Frage, die den Raum am stärksten spaltete –, ist ein Streit für einen anderen Tag.

‍

Das klingt zunächst einmal bequem. Ist es aber nicht.

Eines sollte Sie wachsam halten, und das ist nicht das, was Sie vielleicht erwarten. Die neue Breite birgt ein neues Risiko. T-förmige Kompetenzen sind gut, bis es zu viel des Guten wird. Bitten Sie eine KI um einen Datumsbereichs-Picker, und sie wird freudig einen auf GitHub finden und installieren – zusammen mit allem, was jemand darin versteckt hat. Wie es ein Berater ausdrückte: Sie haben einen Info-Stealer auf Ihrer Website, ohne es zu wissen. Sie sind ein wenig zu T-förmig geworden. Der Agent greift auf Tools zu, die Sie nie geprüft haben, und die Verantwortung für das, was er sich geholt hat, liegt weiterhin bei Ihnen.

Deshalb war die beste Idee des Abends auch nicht, dem Agenten blind zu vertrauen. Es ging um Grenzen: Geben Sie ihm nur Lesezugriff, händigen Sie ihm nicht das Werkzeug für gefährliche Aktionen aus und lassen Sie einen Menschen die Aufgaben prüfen, die sich nur schwer rückgängig machen lassen. Schützen Sie das Irreversible, nicht den Agenten. Und, wie der Gastgeber der Runde festhielt: Diese Schranke gilt für jetzt, nicht für immer. Sie wird zweifellos fallen. Vertrauen muss man sich verdienen, Schranken werden abgebaut, und der vorsichtige Konsens von heute hat ein Verfallsdatum.

‍

Was wird also aus dem Berater?

Auf jeden Fall weniger ein Entwickler. Der Agent übernimmt das Bauen, und das ist auch gut so. Was bleibt, ist der Teil, der schon immer die eigentliche Arbeit war – der Teil, hinter dem wir uns manchmal durch das Tippen versteckt haben: herauszufinden, welche App es wert ist, gebaut zu werden; das Gespräch zwischen den Menschen mit dem Problem und dem System, das es lösen soll, zu führen; zu entscheiden, was sicher automatisiert werden kann; und in der Lage zu sein, das, was veröffentlicht wird, zu lesen und dafür geradezustehen.

Der Agent kann die App schreiben. Er kann Ihnen jedoch nicht sagen, welche App es wert ist, geschrieben zu werden, und er wird nicht im Raum sein, wenn die falsche App live geht. Das, so stellt sich heraus, war schon immer der eigentliche Job.

Das ist die erste von vier Fragen, die der Abend aufgeworfen hat. Die nächste liegt direkt darunter: Wenn der Agent das Bauen übernimmt, können wir ihm dabei vertrauen? Mehr dazu beim nächsten Mal.

Wir haben eine Handvoll der 34 Aussagen geschafft. Der Rest liegt noch auf Halde. Was, wenn wir das Gespräch online fortsetzen? Lassen Sie mich wissen, ob Sie daran interessiert wären, dann überlege ich mir ein passendes Format dafür.

‍

Ursprünglich veröffentlicht hier.

Jede KI-Diskussion in der Industrie dreht sich derzeit um dieselbe unangenehme Frage: Wir haben investiert, wir haben Pilotprojekte durchgeführt, wir haben Demos gezeigt, wo bleibt der Mehrwert? Auf der Realize LIVE 2026 gab Siemens die Antwort. Sie heißt Intelligence Center X (ICX), und für alle, die auf Mendix aufbauen, ist dies der Moment, in dem die Plattform eine neue Rolle einnimmt: vom Low-Code-Entwicklungstool zum agentischen Herzstück der industriellen KI-Strategie von Siemens.

‍

Von der Vision zum Produkt: Realize LIVE 2026

Siemens-CEO Roland Busch hat 2026 auf jeder großen Bühne eine klare Botschaft vermittelt: Industrielle KI verlässt das Labor. Siemens liefert, in seinen Worten, „KI-native Fähigkeiten, Intelligenz, die durchgängig in Design, Engineering und Betrieb eingebettet ist“ – keine KI als aufgesetzter Assistent, sondern Intelligenz, die fest in die Art und Weise verwoben ist, wie Produkte entworfen, gebaut und betrieben werden.

Auf der Realize LIVE Americas 2026 in Detroit (1.–4. Juni) wurde aus dieser Botschaft ein Produkt. Vor rund 3.000 Anwendern und Partnern kündigte Tony Hemmelgarn, President und CEO von Siemens Digital Industries Software, das Intelligence Center Xan: eine Software zur Orchestrierung industrieller KI, die darauf ausgelegt ist, KI von isolierten Experimenten in skalierbare, kontrollierte Geschäftsergebnisse zu verwandeln – mit der Mendix-Plattform als Kern.

Einige Wochen später, auf der Realize LIVE EMEA in Amsterdam, war das Thema allgegenwärtig. Egal, ob es um Teamcenter, Opcenter, Simulation oder Mendix selbst ging, jede Diskussion kehrte immer wieder zur gleichen Frage zurück: Wie machen wir unsere Prozesse intelligent, sicher, skalierbar und mit dem Nachweis, dass es funktioniert?

‍

Das eigentliche Problem: Vier Lücken zwischen KI-Ambition und KI-Mehrwert

Warum ein neues „Center“ neben Teamcenter X, Simcenter X und Opcenter X? Weil KI-Initiativen branchenübergreifend immer wieder an denselben vier Punkten ins Stocken geraten.

‍

Lücke Nr. 1 – Software-Agenten sind anfällig

Agentische KI ist gerade deshalb so leistungsfähig, weil sie autonom handelt und genau darin liegt auch ihr Risiko. Ein Agent, der Unternehmensdaten liest und Aktionen auslöst, kann durch veraltete Daten, manipulierte Eingaben oder mehrdeutige Anweisungen in die Irre geführt werden. Hemmelgarn zitierte in Detroit einen Kunden-CEO: „Das Letzte, was ich in meinem Unternehmen brauche, ist, dass eine KI auf einen 20 Jahre alten SharePoint-Ordner zugreift und sich dort festbeißt.“ Ein Agent, der selbstbewusst auf Basis nicht vertrauenswürdiger Daten handelt, ist keine Automatisierung, sondern ein Haftungsrisiko.

‍

Lücke Nr. 2 – Schatten-KI und mangelnde Kontrolle

Teams warten nicht auf die IT. Ingenieure binden ihre eigenen Copiloten an, Abteilungen abonnieren Einzellösungen, und in der Qualitätssicherung läuft bereits ein Modell, das niemand genehmigt hat. Das Schatten-IT-Problem der frühen Cloud-Ära wiederholt sich bei der KI, nur schneller und mit höheren Risiken. Das Ergebnis: unkontrollierte Agenten, die die IT weder sehen, absichern noch abschalten kann.

‍

Lücke Nr. 3 – Workflows und Agenten ohne Audit-Trail

Wenn ein Mensch eine Änderung genehmigt, protokolliert das PLM-System, wer, wann und warum dies getan hat. Wenn ein KI-Agent jedoch empfiehlt, Kosten zu übernehmen, anstatt ein Bauteil neu zu konstruieren, wer hat das freigegeben? Auf welcher Datengrundlage? Unter Einhaltung welcher Richtlinien? Die meisten KI-Experimente können diese Fragen nicht beantworten, was sie für regulierte Branchen disqualifiziert.

‍

Lücke Nr. 4 – Fragmentierte Sichtbarkeit über das gesamte Portfolio

Selbst Unternehmen mit erfolgreichen KI-Anwendungsfällen können diese meist nicht als Ganzes überblicken. Ein Modell in der Fertigung, ein Agent in der Lieferkette, ein Copilot in der Entwicklung, jeder mit eigener Datenanbindung, eigenem Verantwortlichen und eigener Erfolgsdefinition. Es gibt keinen zentralen Ort, an dem ersichtlich ist, welche Agenten existieren, was sie tun dürfen und welchen Mehrwert sie liefern.

‍

Wie Intelligence Center X diese Lücken schließt: vier Komponenten, eine Vertrauensebene

Intelligence Center X betrachtet diese Lücken als ein einziges architektonisches Problem und vereint vier Funktionen auf einer zentral gesteuerten Basis. Wer Mendix kennt, kennt bereits die Hälfte des Stacks.

‍

1. Wissensgraph mit Graph Studio

Graph Studio erstellt den unternehmensweiten Wissensgraphen: Es verknüpft Daten aus Entwicklung, Fertigung, Lieferkette und Service und baut eine Ontologie zwischen ihnen auf, ein lebendiges semantisches Modell, das jedem Datenpunkt Bedeutung und Zusammenhänge verleiht. Vorgefertigte industrielle Ontologien beschleunigen den Start. Diese Kontextschicht schließt Lücke Nr. 1, da Agenten auf Basis vernetzter, aktueller und vertrauenswürdiger Daten agieren, anstatt auf veraltete Kopien in Data Lakes zurückzugreifen.

2. Maschinelles Lernen mit AI Studio

In AI Studio entwickeln, trainieren und betreiben Data Scientists und Ingenieure Modelle für maschinelles Lernen, die direkt auf den durch den Wissensgraphen kontextualisierten Daten basieren. Anstatt Daten in eine weitere isolierte ML-Umgebung zu exportieren, werden die Modelle nativ mit dem verwalteten Graphen verbunden. So erben Vorhersagen denselben Kontext und dieselbe Herkunft wie die Daten, mit denen sie trainiert wurden.

3. Agentenbasierte Entwicklung mit Mendix

Hier wird Intelligenz handlungsfähig und hier spielt Mendix seine Stärken aus. Teams erstellen Anwendungen und KI-Agenten, die Erkenntnisse in die Praxis umsetzen: von Human-in-the-Loop-Apps in der Fertigung bis hin zu autonomen Agenten für Routineentscheidungen und allem dazwischen. Agenten werden wie jedes andere Mendix-Artefakt modelliert, versioniert und bereitgestellt, sind für die IT sichtbar und von Anfang an kontrolliert. Das ist die strukturelle Antwort auf Schatten-KI (Lücke Nr. 2): Ein sanktionierter, produktiver Ort für die Entwicklung von Agenten ist einem Verbot immer überlegen. Und für bestehende Mendix-Landschaften ist die Integration in die ICX-Tools erfreulich unkompliziert. Ihre Apps, Module und DevOps-Pipelines verbinden sich über Standard-Konnektoren und das Model Context Protocol (MCP) mit dem Kontext von Graph Studio und den Modellen von AI Studio – ganz ohne aufwendige Migration.

‍

4. Prozess-Orchestrierung mit Mendix Workflows

Einzelne Agenten erstellen Aufgaben, orchestrierte Agenten schaffen Mehrwert. Mendix Workflows koordiniert Menschen und Agenten in durchgängigen Geschäftsprozessen: Ein Agent erkennt eine Anomalie, ein Workflow leitet das Ergebnis weiter, ein Mensch genehmigt die Maßnahme, ein Agent führt sie aus. Jeder Schritt ist Teil einer nachvollziehbaren Prozessdefinition, genau das macht KI von einem Experiment zu einem echten Betriebsmodell.

Das Fundament: eine Enterprise-Trust-Layer. Alles, was darauf aufbaut, nutzt eine gemeinsame Vertrauensebene, die die Lücken Nr. 3 und Nr. 4 schließt und das System unternehmenstauglich macht. Sie bietet:

• Leitplanken, die festlegen, was Agenten und Menschen tun dürfen und wann ein Mensch eingreifen muss
• Nachvollziehbarkeit durch lückenlose Protokollierung jeder Aktion, sodass jede Entscheidung einen Verantwortlichen, einen Zeitstempel und eine Datenherkunft hat
• Sicherheit auf Basis einer penetrationsgetesteten Plattform mit gehärteter Laufzeitumgebung und Anomalieerkennung in Echtzeit
• Gebrauchsfertige Governance mit Richtlinien, integriertem DevOps, Identity & Access Management sowie dem Control Center als zentrale Steuerungseinheit für das gesamte Portfolio

‍

Der Beweis: Vivix

Das ist keine Theorie. Vivix Vidros Planos, Brasiliens führender Flachglashersteller, hat seine Vorzeige-Initiative „Smart Furnace Monitoring“ zur Überwachung eines 120-Millionen-Dollar-Ofensauf Basis von fast 30 Mendix-Anwendungen realisiert, die OT- und IT-Daten aus SAP S/4HANA, Siemens Industrial Edge und Snowflake miteinander verknüpfen. Darüber thront ihr KI-gestützter „Virtual Engineer“: ein Assistent, der Produkt-, Produktions- und Prozessdaten sammelt und den Qualitäts- und Produktionsteams maßgeschneiderte Vorschläge unterbreitet, damit sie proaktiv statt reaktiv handeln können. Die Lösung basiert auf Mendix, Amazon Bedrock und Claude von Anthropic.

Die Ergebnisse haben die Diskussion über das „Pilot-Fegefeuer“ beendet: eine 85-prozentige Reduzierung der Zeit für die Lösung von Produktionsproblemen, 6.000 Stunden manuelle Arbeit pro Jahr eingespart, die Bearbeitungszeit von Kundenbeschwerden von fünf Tagen auf unter einen Tag verkürzt und eine bis zu 4-mal schnellere Bearbeitung bei qualitätsbezogenen Untersuchungen, ausgezeichnet mit dem Siemens Techcellence Award und einem AWS GenAI Gamechanger Award. Mendix ist die Ebene, die Intelligenz handlungsfähig macht und vernetzte Daten und Modelle in Anwendungen verwandelt, die Menschen täglich nutzen.

Mendix 11.12: Das erste LTS-Release für den produktiven Einsatz von Agenten

Angekündigt rund um die Realize LIVE EMEA, Mendix 11.12 macht das Versprechen von KI-Agenten endlich produktionsreif, denn es ist die erste Long-Term Support (LTS)-Version von Mendix 11, die erste LTS seit 10.24. Das ist wichtiger als jedes einzelne Feature.

Die Best Practice bei Mendix ist eindeutig: Produktivanwendungen gehören auf LTS-Versionen. So erhalten Sie eine stabile, langfristig unterstützte Basis, anstatt monatlichen Releases hinterherzujagen. Bisher mussten Teams, die die Agenten-Funktionen von Mendix nutzen wollten, auf unsicherem Boden bauen. Mit 11.12 erreicht die Agenten-Entwicklung erstmals LTS-Niveau. Das bedeutet, Sie können Agenten erstellen und in die Produktion überführen, wobei Sie dieselbe Release-Disziplin anwenden wie bei Ihren geschäftskritischen Anwendungen. Das Release enthält außerdem das Agents Kit 2.0 mit dem Agent Editor in Studio Pro, integrierte MCP-Server- und Client-Komponenten, enorme Leistungssteigerungen (25–40 % schnellere Projektladezeiten, bis zu 6x schnellere Fehlerprüfung, bis zu 8x schnellere lokale Deployments) sowie eingebettete Mendix-Workflows in Teamcenter Active Workspace.

‍

Highlight in Mendix 11.12: Maia

Der wichtigste Grund, warum 11.12 einen echten Quantensprung darstellt, ist Maia, der KI-Assistent von Mendix, der nun tief in den gesamten Entwicklungslebenszyklus integriert ist.

Beschreiben Sie die Lösung, und Maia hilft Ihnen bei der Umsetzung. Sie starten mit einer Absicht statt mit einem leeren Blatt: Sie erklären, was die Lösung tun soll (Prozess, Daten, Ergebnis), und Maia generiert die passende Struktur. Maia Plan wandelt dies in Epics und User Stories um (die direkt in Ihr Jira-Backlog fließen), und Maia Make beginnt mit der Implementierung der definierten Aufgaben in Studio Pro. Sie geben die Richtung vor; Maia entwirft.

Der Wert von Maia liegt nicht in einem einmaligen Code-Dump. Maia arbeitet während des gesamten Entwicklungsprozesses an Ihrer Seite, unterstützt Sie aktiv, schlägt nächste Schritte vor, übernimmt repetitive Aufgaben und erkennt Lücken, während Sie die volle Kontrolle über das Design behalten. Es ist wie ein kompetenter Pair-Programmer, der nie müde wird, die Standardarbeit zu erledigen.

Zudem macht Low-Code die Ergebnisse überprüfbar. Was Maia produziert, ist ein Mendix-Modell und kein unübersichtlicher Code. Ein Modell ist weitaus einfacher zu lesen, zu prüfen und zu verstehen als handgeschriebener Code. Sie sehen den Microflow, die Seite, den Workflow und das Datenmodell auf einen Blick und können sofort beurteilen, ob alles korrekt ist. Genau das ist der Kernvorteil von Low-Code im KI-Zeitalter: KI ermöglicht Unternehmen ein hohes Tempo, während Menschen die Ergebnisse sinnvoll verifizieren können. Geschwindigkeit ohne Blackbox.

Eine persönliche Anmerkung zu Live-Demos. Es hat meine eigene Erfahrung verändert. Früher bedeutete eine Live-Demo, während des Sprechens zu programmieren und zu hoffen, dass nichts schiefgeht. Heute bereite ich User Stories im Voraus vor, führe sie während der Demo einfach aus und führe das Publikum entspannt durch jede Aufgabe und deren Ergebnis. Die Demo hat sich von einem Drahtseilakt in ein Gespräch verwandelt, vom Arbeiten unter Druck hin zum souveränen Erklären.

‍

Mendix als MCP-Server für andere Tools

Maia ist der integrierte Weg, aber nicht der einzige. Da 11.12 MCP-Unterstützung bietet, kann eine Mendix-Anwendung als MCP-Server fungieren und ihre Logik, Daten und Workflows als Tools bereitstellen, die von anderen KI-Clients aufgerufen werden können. Sie sind nicht an einen einzigen Assistenten gebunden: Ihre kontrollierten Mendix-Funktionen können von jedem beliebigen Agenten oder Tool Ihrer Wahl genutzt werden, während sie weiterhin hinter der ICX-Vertrauensebene laufen. Genau das ist der Unterschied zwischen einem KI-Feature und einer offenen, interoperablen KI-Plattform.

‍

Integration und Orchestrierung von KI-Agenten mit Mendix

Diese Offenheit gilt auch in die andere Richtung. Mendix stellt nicht nur Tools bereit, sondern nutzt sie auch selbst: Über den MCP-Client lassen sich externe KI-Agenten und -Dienste nahtlos in Ihre Anwendungen integrieren. So können Sie die besten Agenten verschiedener Anbieter kombinieren und, was noch wichtiger ist, diese über Mendix Workflows orchestrieren. Anstatt einer losen Ansammlung eigenständiger Agenten erhalten Sie koordinierte Prozesse mit menschlicher Kontrolle. Mendix steuert, welcher Agent wann zum Einsatz kommt, regelt die Übergaben zwischen Mensch und Maschine und stellt sicher, dass jede Aktion innerhalb einer kontrollierten und revisionssicheren Umgebung stattfindet. Mendix fungiert somit als Dirigent Ihrer hybriden Belegschaft und nicht nur als ein weiteres Instrument darin.

‍

Mein persönliches Fazit

Intelligence Center X ist für mich ein wirklich überzeugendes Konzept: Es verknüpft Daten aus unterschiedlichsten Systemen und macht sie für eine Vielzahl von Szenarien nutzbar, allen voran für KI. Mendix spielt dabei die zentrale Rolle. Die Kombination aus agentenbasierter Entwicklung und Low-Code macht den entscheidenden Unterschied. Sie ermöglicht es, KI-gestützte Lösungen schnell zu erstellen, aber gleichzeitig deren Funktionsweise zu überprüfen, zu steuern und ihr zu vertrauen. Genau dieses Gleichgewicht aus Geschwindigkeit und Zuverlässigkeit ist es, was Unternehmenssoftware heute braucht. Damit ist Mendix ein starker Partner für verlässliche und effiziente Softwarelösungen im Zeitalter der industriellen KI.

Ein Großteil unserer täglichen Arbeit besteht darin, Informationen zu sammeln, Ressourcen zu durchsuchen, dieselben Ideen in unterschiedliche Formate zu bringen oder Diskussionen zusammenzufassen. Diese Art von Routinearbeit führt ganz natürlich dazu, dass Menschen nach Wegen suchen, Zeit zu sparen, Wiederholungen zu vermeiden und mit weniger Reibungsverlusten zu einem nützlichen Ergebnis zu kommen. Und agentische KI präsentiert sich als mächtige Abkürzung, die in der Lage ist, einen groben Gedanken in eine ausgefeilte E-Mail, ein Meeting in eine prägnante Zusammenfassung oder einen manuellen Arbeitsablauf in einen automatisierten Schritt zu verwandeln.

Für viele Teams ist genau das die Falle: die Annahme, dass KI-Chatbots und Copiloten zu der gleichen Art von konzeptioneller Arbeit fähig sind, die Menschen instinktiv leisten, wenn sie ein vages Ziel in sinnvolle Teile zerlegen und auf ein nützliches Ergebnis hinarbeiten. Und sie werden letztlich auf die falsche Weise bequem.

KI-Einführung beginnt mit realistischen Erwartungen

Das öffentliche Versprechen rund um die Einführung von KI suggeriert so etwas wie einen universellen Denkpartner. Ein System, das Ziele verstehen, Kontext interpretieren und Probleme ähnlich wie ein erfahrener Kollege bearbeiten kann. Doch das könnte nicht weiter von der Wahrheit entfernt sein.

KI ist ein Vorhersagemodell, kein System mit Verständnis

Im Kern sagt KI wahrscheinliche Fortsetzungen voraus. Sie versteht weder Ihr Geschäftsmodell noch Ihre operativen Rahmenbedingungen oder die Zusammenhänge zwischen den beweglichen Teilen in Ihrem Unternehmen so, wie ein Mensch es tut. Sie weiß nicht, warum eine Ausnahme wichtiger ist als eine andere, warum ein Prozess in seiner jetzigen Form existiert oder welche Kompromisse hinter einer Entscheidung stehen, sofern diese Dinge nicht explizit gemacht werden.

Als Ergebnis kann KI zwar schnell, aber dennoch oberflächlich sein. Sie generiert möglicherweise etwas, das vollständig aussieht, während sie die Mechanismen ignoriert, die für das Unternehmen tatsächlich von Bedeutung sind.

KI kann professionell klingen und dennoch falsch liegen

Einer der Gründe, warum KI so überzeugend wirkt, ist, dass sie Informationen mit Selbstvertrauen präsentiert. Sie schreibt klar und strukturiert Argumente gut, doch flüssige Ergebnisse sollten nicht mit Fachwissen verwechselt werden.

Ein erfahrener Profi in jedem Fachbereich wird die KI in der Regel dort übertreffen, wo Nuancen, Kontext und Konsequenzen eine Rolle spielen. Er kann erkennen, was fehlt, hinterfragen, was nicht zusammenpasst, und feststellen, wann eine Antwort zwar technisch plausibel, aber praktisch falsch ist. KI hingegen kann halluzinieren oder wichtige Unterschiede einebnen.

Mehr Kontext macht KI nicht automatisch besser

Das Modell versteht Informationen nicht so wie ein Mensch. Es weiß nicht von sich aus, welches Detail strategisch wichtig ist, welche Beziehung zwischen den Eingabewerten tatsächlich das Ergebnis beeinflusst oder welche Ausnahme schwerer wiegen sollte als das allgemeine Muster. Wenn zu viel Kontext ohne klare Struktur, Priorisierung oder Rahmensetzung hinzugefügt wird, werden wichtige Informationen durch zweitrangige oder schwache Signale verwässert, und das Ergebnis spiegelt lediglich oberflächliche Korrelationen wider.

Deshalb bleibt die strategische Auswahl weiterhin eine menschliche Verantwortung.

Die menschliche Rolle bei KI-Strategie und -Implementierung

Eine ordnungsgemäß strukturierte und gesteuerte KI-Strategie macht aus agentischer KI erst ein echtes System statt nur einer Abkürzung. Diese Struktur entsteht jedoch nicht durch das Modell selbst, sondern durch den Anwender. Er bestimmt, welche Informationen relevant sind, was ignoriert werden kann, was das eigentliche Ziel ist und welche Rahmenbedingungen das Ergebnis prägen sollen. KI trifft diese Entscheidungen von sich aus nicht gut – zumindest nicht zuverlässig im aktuellen Entwicklungsstand.

Aus diesem Grund sollte jeder Austausch zwischen Mensch und Agent von fünf wesentlichen Elementen geleitet werden:

1. Ein klar abgesteckter Rahmen

KI arbeitet am besten, wenn die Aufgabe so präzise definiert ist, dass das System genau weiß, was von ihm erwartet wird und was außerhalb seines Zuständigkeitsbereichs liegt. Ohne klare Grenzen neigt KI zu allgemeinen, generischen Antworten, die zwar vollständig wirken, aber keinen operativen Mehrwert bieten.

Ein System, das einen Service-Workflow unterstützen soll, muss beispielsweise wissen, ob es eine Antwort entwirft, ein Problem klassifiziert, Informationen extrahiert oder den nächsten Schritt empfiehlt.

2. Ein definierter Prozess

KI ist am effektivsten, wenn sie einen bestehenden Prozess unterstützt, anstatt einen zu ersetzen, der nie richtig definiert wurde. Wenn der Workflow selbst unklar, inkonsistent oder von undokumentierten Workarounds abhängig ist, wird die KI diese Unklarheiten lediglich widerspiegeln, statt sie zu beheben.

Hier überschätzen Unternehmen die Technologie oft. Sie gehen davon aus, dass das Modell Prozesslücken ausgleichen kann, während es diese in der Praxis meist noch verstärkt.

3. Eine Definition von Qualität

Wenn niemand festlegt, wie „gut“ aussieht, kann die KI dies nicht zuverlässig liefern. Qualität muss explizit definiert werden. Das bedeutet, festzulegen, welches Maß an Genauigkeit akzeptabel ist, welche Fehler kritisch sind, was eine manuelle Prüfung auslösen sollte und wo die Kosten eines Fehlers zu hoch für bloße Vermutungen sind.

In der Kundenkommunikation kann „gut“ Klarheit und Konsistenz bedeuten. Bei regulierten Dokumentationen geht es eher um Rückverfolgbarkeit und Compliance. In einem internen Support-Workflow steht vielleicht die Geschwindigkeit im Vordergrund, bei der ein Mensch Ausnahmen prüft. KI kann diese Standards nicht eigenständig zuverlässig ableiten.

4. Kuratierter Kontext

Kontext ist nur dann wertvoll, wenn er relevant, strukturiert und zum richtigen Zeitpunkt verfügbar ist. Das bedeutet, die Eingaben auszuwählen, die die Aufgabe tatsächlich beeinflussen, irrelevante Daten auszuschließen und die Zusammenhänge zwischen den Eingaben so verständlich wie möglich zu gestalten.

In der Fertigung könnte das bedeuten, Maschinenstatus, Auftragsbeschränkungen und Wartungsfenster gegenüber allgemeinen historischen Daten zu priorisieren, während in einem kommerziellen Prozess das System auf Kontohistorie, Produktregeln und dem aktuellen Workflow-Status basieren sollte.

5. Kontrollierte Einführung

KI sollte nicht in einem einzigen Schritt von einem vielversprechenden Ergebnis zur vollständigen Autonomie übergehen. Bevor einem System im operativen Betrieb vertraut wird, müssen Teams es in der Praxis testen, die Ergebnisse mit menschlichen Einschätzungen vergleichen und festlegen, wo eine manuelle Überprüfung weiterhin erforderlich ist.

Lassen Sie die KI zunächst parallel zum Menschen laufen, um den Workflow zu unterstützen, Muster aufzudecken, ihre Zuverlässigkeit unter Beweis zu stellen und die Leistung zu überwachen im Laufe der Zeit. Teams müssen sehen, wo das System gut funktioniert, wo es versagt, welche Fehler sich wiederholen und wann Änderungen im Kontext oder im Modellverhalten Anpassungen erfordern. Nur so lässt sich Vertrauen aufbauen.

Ein praxisorientierter Rahmen für die Implementierung von KI im Unternehmen

Viele KI-Implementierungsprojekte geraten ins Stocken, weil Unternehmen zu früh auf Agenten setzen. Bei CLEVR beobachten wir dies häufig, wenn Prozesse noch nicht klar definiert sind und das Vertrauen noch nicht fest im Arbeitsablauf verankert ist. Deshalb haben wir eine sechsstufige Methodik für Unternehmen entwickelt, die sich auf die agentische Zukunft vorbereiten.

Es ist derselbe Rahmen, den wir in unserem Beratungsprozess nutzen, um die KI-Reife zu bewerten, strukturelle Lücken zu identifizieren und den richtigen nächsten Schritt auf dem Weg zu fortschrittlicheren agentischen Systemen zu definieren:

1. Die Arbeit verstehen

Betrachten Sie, wie der Prozess in der Praxis tatsächlich abläuft – einschließlich manueller Workarounds, Ausnahmen und informeller Schritte, die in keinem Organigramm auftauchen.

2. Die echten Chancen finden

Identifizieren Sie Bereiche, in denen KI einen echten Mehrwert schaffen kann, ohne unnötige Risiken einzugehen (z. B. Prozesse mit wiederkehrendem Aufwand, vorhersehbaren Engpässen oder wertvoller Zeit, die durch manuelle Arbeit verloren geht).

3. Bewusst gestalten

Legen Sie fest, was die KI tun soll, welche Informationen sie benötigt und was weiterhin in menschlicher Hand bleiben muss.

4. Definieren, was „gut“ bedeutet

Bestimmen Sie, wie eine akzeptable Leistung aussieht, welche Fehler relevant sind, welche Ergebnisse überprüft werden müssen und wo die Kosten eines Fehlers zu hoch für bloße Annäherungen sind.

5. Zuerst parallel zum Menschen arbeiten

Dies ermöglicht es, Ergebnisse zu vergleichen, Fehlermuster zu erkennen und zu lernen, wo die menschliche Überprüfung den größten Mehrwert bietet.

6. Überwachen und verbessern

Die leistungsfähigsten KI-Systeme verbessern sich, weil sie beobachtet, angepasst und auf Basis bewährter Anwendungsfälle skaliert werden, anstatt davon auszugehen, dass sie vom ersten Tag an fertig sind.

Machen Sie Ihre KI-Strategie zu Ihrem entscheidenden Hebel

KI kann einen einzigartigen Wettbewerbsvorteil schaffen, aber nur, wenn sie mit Struktur, Kontext und einer klaren Definition von Erfolg eingesetzt wird. Das gilt besonders für Unternehmen, die über einfache Prompts hinausgehen und sich auf Agenten, Automatisierung und autonomere Systeme konzentrieren. Mit über 30 Jahren Erfahrung in der digitalen Transformation und einem starken Portfolio in den Bereichen KI-Agenten, KI-Lösungen und Automatisierung CLEVR hilft Unternehmen dabei, diese ersten Schritte mit Klarheit zu gehen.

Vom Verständnis, wo KI Mehrwert schaffen kann, über die Konzeption des richtigen Anwendungsfalls bis hin zur Erstellung einer Roadmap für fortschrittlichere agentische Systeme – wir helfen dabei, erste Ambitionen in praktischen Fortschritt zu verwandeln. Schritt für Schritt, Anwendungsfall für Anwendungsfall, mit verlässlichen Ergebnissen.

‍