AI-Shoring ist nicht Offshoring 2.0
Warum AI-Shoring nicht dieselbe Arbeit mit günstigerer digitaler Arbeitskraft erledigt, sondern die Aufgabenteilung zwischen internen Experten, Providern und AI neu gestaltet.
Wenn über AI-Shoring gesprochen wird, klingt es manchmal wie die nächste Stufe des Offshorings: dieselbe Arbeit, dieselben Prozesse, nur diesmal mit günstigerer digitaler Arbeitskraft. Diese Sicht greift zu kurz.
AI-Shoring ist kein neues Sourcing-Ziel. Es ist ein neues Betriebsmodell. Es beantwortet nicht nur die Frage, wo Arbeit erledigt wird, sondern vor allem, welche Arbeit automatisiert werden kann, welches Wissen intern bleiben muss und welche Fähigkeiten ein externer Provider weiterhin beitragen soll.
Vom Verschieben zum Neugestalten
Klassisches Offshoring verschiebt standardisierte Tätigkeiten in Regionen mit niedrigeren Kosten. Prozesse werden beschrieben, in Tickets zerlegt, über Service Levels gesteuert und an einen Provider übergeben. Das kann funktionieren – erzeugt aber häufig Distanz zwischen technischer Ausführung und architektonischer Verantwortung.
AI-Shoring darf dieses Muster nicht einfach mit AI Agents wiederholen. Sonst entsteht statt eines Offshore Black Box lediglich ein AI Black Box.
Die bessere Frage lautet: Wie teilen wir Arbeit sinnvoll auf?
- AI übernimmt wiederkehrende Klassifikation, Vorprüfung und Dokumentation.
- Deterministic Automation führt klar begrenzte Standardänderungen aus.
- Interne Experten verantworten Architektur, Risiken, Ausnahmen und Business Context.
- Provider liefern Engineering-Kompetenz, Plattformen und Skalierung – nicht nur Bearbeitungskapazität.
Beispiel Firewall & IP Connectivity
Bei Firewall- und Connectivity-Services kann AI Requests klassifizieren, Konfigurationen gegen Policies prüfen, Abhängigkeiten sichtbar machen, Dokumentation aktualisieren und Compliance-Nachweise vorbereiten. Sie kann bekannte Muster erkennen und einen standardisierten Change vorbereiten.
Die kritischen Entscheidungen bleiben jedoch näher am Unternehmen: Welche Trust Boundaries gelten? Welche Kommunikationsbeziehungen sind grundsätzlich erlaubt? Welche Ausnahme ist vertretbar? Welche technische Schuld wird bewusst akzeptiert? Wie wirkt eine Änderung auf Resilience und Security Architecture?
Damit verschiebt sich der Schwerpunkt interner Teams. Weniger Zeit fließt in repetitive Ticketarbeit; mehr Zeit steht für komplexes Design, Automation, Security und die technische Begleitung neuer Produkte zur Verfügung.
Wissen ist kein Nebenprodukt
Das eigentliche Risiko im Outsourcing war nie nur die externe Bearbeitung. Es war der schleichende Verlust von Kontext: Entscheidungslogik, Abhängigkeiten, historische Ausnahmen und praktische Erfahrung wanderten zum Provider. AI-Shoring bietet die Chance, dieses Wissen wieder als strategischen Vermögenswert zu behandeln.
Dafür müssen Architektur, Daten, Decision Criteria und Knowledge Bases bewusst unter eigener Kontrolle bleiben. Prompts, Policies, Testfälle, Logs und Evaluation sind Teil des Betriebsmodells – nicht technische Details des Providers.
Die Rolle des Providers verändert sich
Ein Provider bleibt wichtig, aber sein Wertbeitrag ändert sich. Gefragt sind weniger viele Hände für Standardtickets, sondern Engineering-Kompetenz, sichere Agent-Plattformen, Integration und Unterstützung bei ungewöhnlichen Störungen. Der Provider wird vom Capacity Partner zum Capability Partner.
Die Verantwortung für Zielarchitektur, Policies, Risikobereitschaft und die Grenzen der AI-Autonomie bleibt beim Unternehmen. Wer diese Punkte abgibt, hat nicht AI-Shoring betrieben, sondern nur eine neue Abhängigkeit aufgebaut.
Die Leitfrage
AI-Shoring beginnt deshalb nicht mit „Wie viele Tickets kann AI übernehmen?“, sondern mit drei Fragen:
- Welche Entscheidungen sind so klar und überprüfbar, dass sie automatisiert werden können?
- Welches Wissen benötigen wir intern, um Architektur und Risiko verantwortlich zu steuern?
- Welche externen Fähigkeiten ergänzen uns, ohne unsere Handlungsfähigkeit zu ersetzen?
Richtig umgesetzt ist AI-Shoring kein Personalabbauprogramm. Es ist der Versuch, repetitive Arbeit zu automatisieren, wertvolles Wissen zurückzugewinnen und die Zusammenarbeit zwischen Menschen, AI Agents und Providern neu zu entwerfen.
Quellen und Vertiefung
- International Labour Organization: Generative AI and Jobs (2025)
- Erik Brynjolfsson u. a.: Forschung zu Generative AI at Work, NBER
- Fabrizio Dell’Acqua u. a.: Navigating the Jagged Technological Frontier
- OECD: AI Exposure und AI Meets Trade
- World Economic Forum: Future of Jobs Report 2025
- Marc Wiedemann: Forschung zu Backsourcing und Knowledge Retention