Wie KI die Management-Probleme von SaaS erbt

alleenchik – Shutterstock.com

Mit dem Aufstieg von KI verschwinden andere Herausforderungen nicht – vor allem nicht im SaaS-Bereich, wo KI tiefe Spuren hinterlässt. Was einst als leise Revolution der Softwarebereitstellung begann, bildet heute die Grundlage, auf der KI-Lösungen entstehen.

Tatsächlich gibt es kaum eine KI-Anwendung, die ohne die Cloud auskommt. Modelle wie die von OpenAI, Anthropic, Google Gemini, AWS Bedrock oder Azure AI werden als AI-as-a-Service bereitgestellt. Sie nutzen dieselbe Infrastruktur wie SaaS: elastische Cloud-Ressourcen für Training und Inferenz, API-Zugriff und nutzungsbasierte Abrechnung. KI folgt damit dem Prinzip der „Infrastructure Inheritance“ – einem Ansatz, der beschreibt, wie KI auf den bestehenden Cloud-Mechanismen von SaaS aufbaut, allerdings mit deutlich höherer Rechenintensität.

Doch dieses Erbe bringt Altlasten mit sich. Mit der Integration von KI in SaaS-Plattformen verschwimmen die Grenzen zwischen Anwendung, Daten und Infrastruktur. Es entsteht eine hochdynamische, voneinander abhängige Umgebung – schneller, intelligenter, aber auch schwerer zu steuern.

Alte Schwächen in neuer Geschwindigkeit

KI hat die alten SaaS-Probleme nicht gelöst, sondern neu verteilt und in mancher Hinsicht sogar verstärkt. Die Herausforderungen einer fragmentierten Governance, intransparenter Kostenstrukturen und blinder Flecken in Sicherheit und Compliance spielen sich mit KI jedoch mit Maschinengeschwindigkeit ab. Dies äußerst sich in mehrerlei Hinsicht:

• Governance & Visibility

Governance war schon immer die Achillesferse von SaaS. Schon bevor KI ins Spiel kam, betrieben viele Unternehmen Dutzende von Cloud-Anwendungen, jede mit eigener Administrationskonsole, eigenem Datenmodell und eigenen Zugriffsrichtlinien.

KI hat diese Schwachstelle häufig unbehandelt übernommen. Viele SaaS-Anbieter integrieren generative KI unabhängig voneinander und schaffen damit ein Flickwerk überlappender Funktionen, die Tokens verbrauchen, Ergebnisse speichern und sensible Daten parallel verarbeiten. Das Ergebnis ist, was Analysten inzwischen Multi-AI Fragmentation nennen: ein wachsendes Geflecht autonomer KI-Dienste innerhalb verschiedener SaaS-Plattformen, die jeweils anders lernen und reagieren.

Veraltete Systeme verschärfen die Lage zusätzlich. Viele Legacy-Umgebungen verfügen nicht über die APIs oder Cloud-Anbindungen, die für eine saubere Integration moderner KI-Dienste nötig wären. Das führt zu doppelten Workflows, isolierten Datensilos und wachsender Komplexität.

Die Ironie liegt auf der Hand: KI sollte SaaS vereinfachen – doch ohne einheitliche Governance beschleunigt sie genau die Fragmentierung, die sie eigentlich beheben sollte.

• Wachsendes Kosten-Labyrinth

SaaS hat Software in ein Abonnementgeschäft verwandelt. Mit KI verschiebt sich dieses Modell erneut – und nicht immer zum Vorteil. Die Konvergenz von KI, SaaS und Cloud schafft ein finanzielles Spannungsfeld, in dem Innovation zugleich Lösung und Ursache neuer Komplexität ist. Während der Einsatz von KI-Lösungen weiter zunimmt, wächst auch die Sorge, in diesem Bereich bereits zu viel Geld auszugeben. Hinzu kommt, dass neue Preislogiken die Budgetplanung zusätzlich erschweren: Unterschiedliche Abonnementstufen, nutzungsabhängige Abrechnung oder ergebnisbasierte Modelle machen es für IT-Verantwortliche immer schwieriger, Kosten frühzeitig zu kalkulieren und transparent zu halten.

Das erinnert an die frühen SaaS-Jahre: vorhersehbare Kosten weichen variabler Nutzung – nur jetzt in deutlich größerem Maßstab. Laut dem Monetization Monitor von Revenera sehen 70 Prozent der Anbieter steigende Bereitstellungskosten als größte Hürde für Profitabilität. Beide Seiten spüren den Druck: Unternehmen kämpfen mit Kostenkontrolle, Anbieter mit Margen. Am Ende droht KI, denselben Fehler zu wiederholen, den SaaS einst teuer bezahlt hat – Innovation, die schneller wächst als die Governance.

• Das Zeitalter der Shadow AI

SaaS hat schon früh gezeigt, wie schnell Fachabteilungen an der IT vorbei handeln können. Anwendungen wurden dezentral beschafft, Budgets zersplitterten, und die IT verlor den Überblick über Nutzung und Compliance.

Mit KI wiederholt sich dieses Muster – nur schneller. Schatten-KI beschreibt, wenn Fachbereiche eigenständig KI-Tools einsetzen oder bestehende SaaS-Anwendungen um KI-Funktionen erweitern, ohne die IT oder das Sicherheitsteam einzubeziehen. Jede dieser unkontrollierten Integrationen bringt eigene Datenrichtlinien, Speicherorte und Kostenmetriken mit. Was früher fragmentierte Budgets waren, sind heute fragmentierte Datenflüsse.

Das Ergebnis ist ein wachsender Blind Spot: Compliance-Teams wissen oft nicht, wo Eingaben verarbeitet, Modellausgaben gespeichert oder sensible Daten offengelegt werden. Shadow AI ist kein Sicherheitsvorfall im klassischen Sinn – sondern ein Managementversagen, das sich unbemerkt über ganze Organisationen ausbreitet.

High-Fidelity Data: KI-ROI messbar machen

SaaS war schon immer datengetrieben, doch KI verwandelt diese Abhängigkeit in Überlast. Modelle greifen auf Kunden-, Log- und Transaktionsdaten zu, die nie für generative Zwecke gedacht waren. Mit jeder neuen Datenquelle wächst die Menge schneller als die Qualität – und die Grenze zwischen Erkenntnis und Rauschen verschwimmt.

Ein Großteil der Unternehmen investieren inzwischen in Datenqualitätsinitiativen, um KI zu unterstützen, doch fast die Hälfte hat keinen vollständigen Überblick über ihre Datenflüsse. Wenn Ausgangsdaten inkonsistent oder schlecht gemanagt sind, potenziert jede Ausgabe den Fehler. Berichte, Prognosen und Empfehlungen wirken präzise – beruhen aber auf brüchigen Grundlagen. Ohne High-Fidelity-Data – kuratiert, geprüft und kontextualisiert – schärft KI keine Entscheidungen, sondern beschleunigt falsche.

Besser verstehen, was im IT-Ökosystem passiert

Für CIOs bedeutet die Annäherung von SaaS und KI weit mehr als eine technologische Entwicklung. Sie verändert die Art und Weise, wie IT gesteuert und bewertet wird. Jeder Zugewinn an Intelligenz schafft neue Anforderungen an Transparenz – und jede Automatisierung bringt neue Formen von Intransparenz mit sich. Die Aufgabe besteht nicht mehr darin, schneller zu handeln, sondern besser zu verstehen, was im eigenen IT-Ökosystem wirklich passiert.

Wer diesen Überblick zurückgewinnen will, muss an drei zentralen Stellschrauben drehen. Erstens: Plattformkonsolidierung. Nach Jahren der Tool-Flut schlagen IT-Verantwortliche eine neue Richtung ein: Viele planen in den nächsten zwei Jahren die Zusammenführung ihrer Management- und Visibility-Plattformen. Das Ziel ist nicht weniger Anbieter, sondern weniger Blind Spots – durch vereinheitlichte Daten zu Kosten, Nutzung und Compliance über SaaS-, Cloud- und KI-Systeme hinweg.

Zweitens: FinOps als Governance-Disziplin. Ein Großteil der CIOs baut ihre FinOps-Praxis aus, um Finanzen und Betrieb enger zu verzahnen. Ziel ist es, den KI-Verbrauch nicht länger als nur als Kostenstelle, sondern als echten Werttreiber zu positionieren.

Drittens: Datenqualität als strategisches Mandat. Fast alle Unternehmen investieren bereits in Datenqualitätsinitiativen, doch nur wenige verfügen über ein konsistentes Rahmenwerk, um Integrität und Herkunft zu messen. Verlässliche Daten sind nicht nur Voraussetzung für KI, sie sind ihr einziger Schutzmechanismus.

Die Aufgabe für 2026 ist klar: Innovation und Kontrolle müssen im Gleichgewicht bleiben. Sichtbarkeit ist dabei kein Nice-to-have, sondern die Voraussetzung für Stabilität und Widerstandsfähigkeit im IT-Betrieb. (mb)