Jeden zweiten Tag landet eine Marketing Mail eines EAM Anbieters im Postfach. Betreffzeilen wie „How can Architects and CIOs transform processes using AI?“, „Automate your EA with AI“ schallen es uns von den Vendoren entgegen. Das Versprechen klingt attraktiv: KI füllt Lücken im Inventar und ergänzt fehlende Beschreibungen.
Während dies zweifelsohne nützlich ist dreht Wolfang Keller in seinem Artikel „KI und EAM: Die falschen Fragen“ einenPerspektivenwechsel vor: Enterprise Architekten sollten sich besser mit der Frage beschäftigen, welchen Beitrag die Architektur für den KI-Einsatz leisten kann, anstatt die neuesten KI-Tool-Gimmicks auszuprobieren.
Das Context Window ist limitiert
Moderne LLM-Systeme wirken wie Alleskönner. Tatsächlich aber unterliegen sie harten technischen Grenzen. Das Context Window ist limitiert. CPU Nutzung, Last, Latenz und Speicherverbrauch sind reale Kostenfaktoren. Je mehr ungefilterte, unstrukturierte oder redundante Informationen verarbeitet werden müssen, desto schlechter werden die Ergebnisse. Desto mehr neigen die Modelle zu Halluzinationen.
Deshalb ist es nicht sinnvoll, möglichst viele Daten einzusaugen und der KI vor die Nase zu werfen. Entscheidend sind wenige, gezielte Schnittstellenaufrufe, klar strukturierte Informationen und eine hohe Datenqualität. Nur dann lässt sich MCP kontrolliert einsetzen und „Context Rot“ verhindern (dabei wird das Context Window überfrachtet und die Qualität der Aussagen der LLMs nimmt ab bis hin zu Halluzinationen).
EAM als Grundlage für den effizienten KI-Einsatz
Genau hier liegt der eigentliche Auftrag von Enterprise Architektur. Nicht die Automatisierung von Modellinhalten ist der Hebel, sondern die Arbeit an den Voraussetzungen für einen effizienten KI-Einsatz. EAM dient also als Instrument, um Systeme, Daten und Schnittstellen so zu strukturieren, dass KI überhaupt sinnvoll eingesetzt werden kann. Wolfgang Keller schlägt dafür ein KI Readiness Assessment vor.
KI Readiness Assessment
Konkret geht es bei der KI-Readiness um vier Attribute, die mit jedem Informationssystem gepflegt werden und die eine bewusste Steuerung von KI-Initiativen ermöglichen:
- KI Relevanz des Systems
Nicht jedes System muss KI fähig sein. Dieses Attribut beschreibt, ob ein System für aktuelle oder geplante KI Use Cases überhaupt relevant ist. Es schafft Fokus und verhindert breit gestreuten Aktionismus. - API Readiness
KI Agenten leben von klaren, performanten und stabilen Schnittstellen. Dieses Attribut bewertet, ob solche APIs existieren oder mit vertretbarem Aufwand bereitgestellt werden können. Wenige saubere Aufrufe sind wichtiger als maximale Abdeckung. - Datenqualität
KI ist nur so gut wie ihre Daten. Dieses Attribut bewertet Konsistenz, Vollständigkeit und Aktualität der Daten in den Quellsystemen. Es macht sichtbar, wo KI zuverlässig arbeiten kann und wo strukturelle Risiken bestehen. - Compliance Anforderungen
In regulierten Umfeldern sind Nachvollziehbarkeit und Auditierbarkeit zentral. Dieses Attribut verankert Anforderungen an Erklärbarkeit und Reproduzierbarkeit explizit im Architekturmodell und verhindert spätere Überraschungen.
Basis hierfür ist natürlich ein Inventar aller KI-Applikationen, wie z.B. von der FINMA vorgeschlagen.
ITMC TakeAway
Während viele Anbieter aktuell die KI gestützte Automatisierung von EAM Modellen propagieren, liegt der eigentliche Wert an einer anderer Stelle: Architektur schafft die Grundlagen für KI auf Basis strukturierter Systeme, datensparsamer APIs und MCP Schnittstellen und Transparenz darüber, wo welche Daten in welcher Qualität vorliegen. EAM wird damit vom Dokumentationsinstrument zum Steuerungsinstrument für KI. Das reduziert Context Rot, senkt Kosten und erhöht die Qualität von KI-Antworten.
