Warum AI Infrastrukturwissen zurück ins Unternehmen bringen kann
AI-Shoring als Capability Strategy: Wie Unternehmen repetitive Arbeit automatisieren und gleichzeitig Wissen, Architektur und Entscheidungsfähigkeit zurückgewinnen.
Über Jahre folgte Infrastructure Outsourcing einer klaren wirtschaftlichen Logik: Arbeit wurde standardisiert, in Tickets zerlegt und an große Delivery Center übergeben. Der Kostenvorteil entstand vor allem durch Labor Arbitrage. Das funktionierte besonders gut bei wiederkehrenden Tätigkeiten – doch oft wanderte mit der Ausführung auch das praktische Wissen aus dem Unternehmen.
AI verändert diese Logik. Nicht, weil ein Agent einfach der „nächste günstigere Operator“ wäre, sondern weil Arbeit feiner zerlegt und Wissen anders verfügbar gemacht werden kann.
Vom Ticket zur Entscheidungskette
Ein scheinbar einfacher Firewall Request enthält viele Arbeitsschritte:
- Intent verstehen,
- Vollständigkeit prüfen,
- Anwendung und Owner identifizieren,
- Quelle, Ziel und Port validieren,
- Zonen und Trust Boundaries bestimmen,
- vorhandene Regeln und Objekte suchen,
- Routing und DNS-Abhängigkeiten prüfen,
- Security Policies anwenden,
- Risiko und Blast Radius bewerten,
- Change, Test und Rollback planen,
- freigeben und ausführen,
- den tatsächlichen Outcome verifizieren und dokumentieren.
Im traditionellen Modell verteilt sich diese Kette auf Requester, Service Desk, Offshore Engineer, Security, Network Team und Change Management. Menschen sind die Integration Layer zwischen Ticketing, CMDB, IPAM, DNS, Firewalls, Routing und Monitoring.
Ein AI Agent kann Kontext aus diesen Quellen sammeln, Widersprüche erkennen, einen Plan erstellen und Evidence vorbereiten. Damit sinkt nicht nur die Bearbeitungszeit. Die bislang in Übergaben verborgene Decision Logic wird explizit und testbar.
Der strategische Vermögenswert hinter dem Ticket
Der Wert liegt nicht im Ticket selbst, sondern im Wissen dahinter:
- Warum existiert diese Zone?
- Welche Kommunikationsmuster sind gewollt?
- Welche Ausnahme wurde aus welchem Grund akzeptiert?
- Welche Systeme hängen indirekt an diesem Pfad?
- Welcher Test zeigt, dass ein Change erfolgreich und sicher ist?
Diese Informationen bilden Operational Knowledge. Wenn sie ausschließlich in den Köpfen eines Provider-Teams oder in proprietären Tools liegen, verliert das Unternehmen Handlungsfähigkeit.
AI-Shoring trennt deshalb drei Ebenen:
- Tasks: konkrete Arbeitsschritte, die automatisiert oder extern ausgeführt werden können.
- Knowledge: Architektur, Policies, Abhängigkeiten, Historie und Ausnahmen.
- Capability: die Fähigkeit, Wissen anzuwenden, Entscheidungen zu treffen und den Service weiterzuentwickeln.
Tasks können flexibel verteilt werden. Knowledge und Capability brauchen bewusste interne Ownership.
Context ist die eigentliche Infrastruktur der AI
Ein leistungsfähiges Modell reicht nicht. Für verlässliche Infrastructure Operations benötigt der Agent aktuellen, strukturierten Context:
- Target Architecture und Segmentation Model,
- Security und Connectivity Policies,
- Naming, Addressing und Object Standards,
- Application Dependencies und Ownership,
- Configuration State und Change History,
- Incidents, Known Errors und bewährte Patterns,
- aktive Exceptions mit Ablaufdatum,
- Risk Classes und Approval Rules.
Diese Context Layer sollte nicht beiläufig aus alten Tickets entstehen. Sie ist ein Produkt mit Owner, Qualitätskriterien, Lifecycle und Zugriffskontrolle.
Von Labor Arbitrage zu Capability Leverage
Generative AI zeigt besonders bei gut verstandenen, begrenzten Aufgaben große Produktivitätsgewinne. Die Forschung von Dell’Acqua und Kollegen beschreibt eine „jagged technological frontier“: Innerhalb geeigneter Aufgaben erledigten Teilnehmer mehr Arbeit, schneller und mit höherer Qualität. Außerhalb dieser Grenze sank jedoch die Wahrscheinlichkeit einer korrekten Lösung.
Für Infrastructure Operations folgt daraus ein nüchterner Grundsatz:
AI aggressiv dort einsetzen, wo Aufgaben verstanden, begrenzt und verifizierbar sind. Menschen dort stärken, wo Context, Judgment und Accountability entscheiden.
AI soll also nicht jede Entscheidung treffen. Sie soll die kognitive Last repetitiver Analyse reduzieren und Experten mehr Zeit für Architektur, schwierige Störungen, Security und Improvement geben.
Welche Fähigkeiten intern bleiben sollten
Eine AI-Shored Organisation braucht eine starke Retained Organization. Dazu gehören:
- Architecture und Engineering Standards,
- Security und Risk Management,
- Data und Operational Knowledge Ownership,
- AI und Automation Governance,
- Evaluation, Test und Observability,
- komplexes Problem Solving und Major Incident Leadership,
- Provider- und Ecosystem-Steuerung.
Das verlangt neue Rollenprofile. Service Owner benötigen mehr technisches Verständnis. Engineers benötigen mehr Automation-, Policy- und Data-Kompetenz. Governance muss näher an den produktiven Workflow rücken.
Provider bleiben – aber ihr Wert verändert sich
Provider verlieren nicht automatisch ihre Bedeutung. Sie können Plattformen betreiben, Agent Engineering liefern, Integrationen bauen, Spezialwissen bereitstellen und 24/7 Resilience ermöglichen. Der Unterschied liegt im Zielbild: weg vom Verkauf vieler Bearbeitungsstunden, hin zur gemeinsamen Entwicklung einer belastbaren Capability.
Verträge müssen deshalb Knowledge Transfer, Transparenz, Portability und Engineering Outcomes belohnen. Ein Provider, der jede Verbesserung in einer proprietären Black Box einschließt, arbeitet gegen das Ziel von AI-Shoring.
Fünf Fragen für den Einstieg
- Welche wiederkehrenden Entscheidungen sind heute bereits ausreichend verstanden?
- Welches Wissen existiert nur bei einzelnen Personen oder beim Provider?
- Welche Datenquellen bilden den tatsächlichen Betriebszustand zuverlässig ab?
- Welche Entscheidungen müssen aus Risiko- oder Architekturgründen intern bleiben?
- Wie messen wir, ob AI nicht nur Tickets beschleunigt, sondern Capability stärkt?
AI-Shoring ist damit weder reines Insourcing noch eine neue Form des Outsourcings. Es ist eine Capability Strategy: repetitive Arbeit automatisieren, Experten stärken und das für sichere Entscheidungen notwendige Wissen wieder unter eigene Kontrolle bringen.
Quellen und Vertiefung
- Aktuelle Forschung zu AI-Shoring und Knowledge Retention
- Ajay Agrawal u. a., Harvard Business Review: AI und Decision Economics
- Fabrizio Dell’Acqua u. a.: Navigating the Jagged Technological Frontier