Die Begeisterung für Künstliche Intelligenz in der IT ist seit Langem außer Kontrolle geraten: Unternehmensführungen, Executives und operative Teams drängen darauf, KI in jeden Service-Management-Prozess zu integrieren, überzeugt davon, dass dies sofortige Effizienz, Automatisierung und Einsparungen bringen wird. Die Realität sieht häufig ernüchternd anders aus: Sobald KI-Anwendungen implementiert sind, gibt es nicht skalierte Pilotprojekte, schwer nachweisbare ROIs und KI-Agenten, die dort versagen, wo Prozesse fragil sind.
In den meisten Fällen liegt die Ursache dafür nicht in der Technologie selbst, sondern im organisatorischen Kontext, in den sie eingebettet wird. Der tatsächliche Effekt von KI auf das ITSM ist das Gegenteil der heute vorherrschenden Erzählung: Anstatt es zu ersetzen, führt KI das ITSM zu seinen Grundlagen zurück:
- Dokumentierte Workflows
- klare Verantwortlichkeiten
- Einhaltung der ITIL-Best-Practices
- operative Reife
Ohne diese Grundlagen ist jede Keife-Reife-Initiative im ITSM dazu verurteilt, Kosten und Komplexität statt Mehrwert zu erzeugen.
Was bedeutet KI-Reife im ITSM?
ITSM ist ein System of Record, verwaltet strukturierte Workflows und enthält den operativen Kontext der Organisation. Aus all diesen Gründen sollte es von Natur aus die Grundlage für KI im IT-Betrieb bilden. Damit sich dieses Potenzial jedoch in konkreten Wert verwandelt, muss das ITSM bestimmte Eigenschaften aufweisen.
KI-Reife im ITSM bedeutet in diesem Kontext, digital dokumentierte Prozesse, klare Verantwortlichkeiten, Einhaltung der ITIL-Best-Practices und messbare Indikatoren für operative Reife zu besitzen. Dies sind die Mindestvoraussetzungen, damit eine KI-Initiative im ITSM Mehrwerte und nicht lediglich zusätzliche Kosten generiert.
Der aktuelle Zustand des ITSM: fragile Implementierungen unter dem Druck der KI
Eine wachsende Zahl von Organisationen erweitert heute ihre ITSM-Plattform auf Workflows außerhalb der traditionellen IT: HR, Facilities, Security. In diesem Sinne bildet ITSM so etwas wie das Rückgrat der Unternehmensprozesse.
Das Problem ist, dass dieses Rückgrat in vielen Organisationen fragil ist.
Es gibt vier wiederkehrende Schwachstellen:
- Nicht dokumentierte Prozesse: Dieselben Workflows variieren von Team zu Team und operative Verfahren scheinen nur im Kopf der erfahrensten Mitarbeitenden zu existieren.
- Nicht definierte Verantwortlichkeiten: Es ist unklar, wer für einen Service, einen Prozess oder die Qualität eines Datensatzes verantwortlich ist.
- Geringe Einhaltung der ITIL-Best-Practices: Incident-, Problem-, Change- und Service-Request-Management folgen keinen homogenen und im Zeitverlauf konsistenten Mustern.
- Ungleiche operative Reife: Einige Teams arbeiten mit strukturierten Prozessen und formalisierten Verfahren, während andere reaktiv und nicht standardisiert vorgehen. Das Ergebnis ist eine Organisation, die insgesamt auf dem Niveau ihres am wenigsten reifen Teams funktioniert.
Dabei handelt es sich um bereits bestehende Probleme, die bisher handhabbar waren: Menschliche Mitarbeitende konnten dank Erfahrung und gesundem Menschenverstand prozessuale Unklarheiten überbrücken und sich an Ausnahmen anpassen. KI verändert die Spielregeln: Ein automatisierter Agent kann keine intelligenten Entscheidungen über einen nicht dokumentierten Prozess treffen, keine organisatorischen Lücken schließen und einen organisatorischen Reifegrad nicht kompensieren.
Ohne diese Voraussetzungen – dokumentierte Workflows, klare Verantwortlichkeiten, Einhaltung der ITIL-Best-Practices, operative Reife – legt KI die Instabilität des Prozesses offen, anstatt sie zu kompensieren. Was zuvor eine mehr oder weniger leicht absorbierbare Schwäche im Prozess war, wird so zum handfesten operativen Hindernis.
Das Versprechen der KI und die Realität der Zahlen
Die Marktdaten aus dem Jahr 2025 legen einen offensichtlichen Widerspruch frei: Einerseits ist die KI-Adoption weit verbreitet: Laut einer aktuellen Studie von EasyVista nutzen bereits 95 % der Enterprise-Organisationen KI im ITSM in irgendeiner Form, der Anteil bleibt auch bei KMU mit 90 % sehr hoch. Andererseits sehen die wirtschaftlichen Ergebnisse ganz anders aus.
Eine Gartner-Umfrage unter mehr als 500 CIOs ergab, dass 72 % der Organisationen mit ihren KI-Investitionen gerade einmal die Gewinnschwelle erreichen oder sogar Geld verlieren. Die BCG-Studie Build for the Future 2025 mit 1.250 Unternehmen ist noch deutlicher: Nur 5 % schaffen es, durch den großflächigen Einsatz von KI substanziellen Wert zu generieren, während 60 % keinerlei materielle Wertschöpfung erleben. Eine Studie der MIT NANDA Initiative, die von Fortune aufgegriffen wurde, zeigt schließlich, dass 95 % der GenAI-Pilotprojekte in Unternehmen keinen messbaren Beitrag zur Gewinn- und Verlustrechnung liefern.
Die eigentliche Frage betrifft daher weniger die Funktionalität der KI an sich, als vielmehr die Gründe, warum sie in so vielen Anwendungsfällen keine konkreten Ergebnisse liefert. Die Antwort ist unbequem und muss direkt und zeitnah angegangen werden: KI scheitert aus operativen sowie prozessbezogenen und nicht aus rein technischen Gründen.
KI ist keine Abkürzung, sondern ein Verstärker
Eine der am weitesten verbreiteten und am meisten fehlgeleiteten Überzeugungen ist, dass KI Budget-Mängel, fehlende Kompetenzen oder mangelnde Prozess-Strenge kompensieren kann. Die zugrunde liegende Logik erkennt nur die halbe Wahrheit: KI ist für Arbeit, die Teams bereits gut beherrschen, äußerst nützlich, jedoch kann sie für nicht vorhandene Kompetenzen keinen Ersatz schaffen:
- Auf reife Prozesse angewendet, verbessert sie die Qualität.
- Auf fragile Prozesse angewendet, verstärkt sie das Chaos.
Keith Andes, Head of Product Marketing bei EasyVista, fasst die Situation in einem treffenden Bild zusammen: „Wenn die Weiterleitung zur Incident-Lösung heute inkonsistent ist, wird KI die Route nur noch schneller falsch einschlagen. Wenn die Configuration Management Database (CMDB) – das zentrale Repository, das die IT-Assets eines Unternehmens und ihre Beziehungen verfolgt – unordentlich ist, werden die von KI generierten Erkenntnisse schlicht das Hintergrundrauschen widerspiegeln.“
Es gilt das alte Prinzip Garbage in, garbage out, mit einem erschwerenden Umstand: Der Output der KI ist mit einem Anschein von Autorität versehen, der das Problem schwerer erkennbar macht.
Das 10–20–70-Prinzip von Boston Consulting Group quantifiziert diese Dynamik: Der Erfolg von KI hängt zu 10 % von Algorithmen, zu 20 % von Daten und Technologie und zu überwältigenden 70 % von Menschen, Prozessen und Kultur ab. Dieselbe Logik zeigt sich bei McKinsey “State of AI 2025” bestätigt: Unternehmen, die End-to-End-Workflows neu gestalten, bevor sie Modelle oder Tools auswählen, weisen eine fast dreimal höhere Wahrscheinlichkeit auf, signifikante finanzielle Renditen zu erzielen, als jene, die KI lediglich über bestehende Prozesse legen.
Die vier Säulen der KI-Reife im ITSM
Der Great ITSM Reset stellt eine bewusste und gezielte Rückkehr zu den Grundlagen des ITSM dar – eine notwendige Voraussetzung dafür, dass KI tatsächlich funktionieren kann. Es ist ein Konsolidierungsprozess, der Menschen, Prozesse und Daten einbezieht und Zeit sowie Disziplin erfordert, aber auch der einzige Weg, um KI-Investitionen in messbare und nachhaltige Ergebnisse umzuwandeln.
Die vier Säulen, auf denen diese Arbeit aufbaut, sind tief miteinander verbunden:
1. Digital dokumentierte Workflows
Ein KI-Agent kann keine Aufgabe ausführen, die er nicht sieht. Für jeden kritischen Service müssen Schritte, Entscheidungen, Auslöser und Abschlusskriterien in strukturierter Form innerhalb der ITSM-Plattform abgebildet werden. Dies ist das Konzept des Digital Twin der Arbeit: eine Darstellung davon, wie Arbeit wirklich abläuft, nicht wie man sich wünscht, dass sie abläuft.
2. Klare Verantwortlichkeit von Services, Prozessen und Daten
Ohne einen klar identifizierten Verantwortlichen ist jeder Service dazu bestimmt, sich im Laufe der Zeit zu verschlechtern. KI verschlimmert dieses Problem nur: Ohne klare Verantwortlichkeiten validiert niemand Ergebnisse oder greift ein, wenn Vorschläge systematisch falsch sind. Verantwortlichkeiten zu definieren – für Service, Prozesse oder die Wissensdatenbank – ist eine Governance-Voraussetzung, noch bevor es eine technologische ist.
3. Einhaltung der ITIL-Best-Practices
ITIL-Praktiken sind die gemeinsame Sprache, die Prozesse vorhersehbar, messbar und wiederholbar macht. Wenn Incident-, Problem-, Change- und Configuration-Management homogenen Mustern folgen, generiert die ITSM-Plattform strukturierte Daten von hoher Qualität – und genau diese Daten sind der Rohstoff, den KI verwendet. Das ITIL-4-Framework selbst betont, dass Wert nicht aus der formalen Übernahme von Prozessen entsteht, sondern aus ihrer Konsistenz im Zeitverlauf.
4. Messbare operative Reife
Reife ist kein Status, der irgendwann zur Selbstverständlichkeit wird, sondern eine messbare Bedingung. Sie ist zum Beispiel anhand folgender Faktoren ersichtlich:
- konsistente Lösungszeiten
- kontrollierte Wiedereröffnungs-Raten
- CMDB-Genauigkeit
- verifizierte Compliance
Eine aktuelle Gartner-Umfrage zeigt einen deutlichen Unterschied zwischen reifen und nicht reifen Organisationen: Bei ersteren bleiben 45 % der KI-Initiativen mindestens drei Jahre in Produktion, gegenüber 20 % bei Organisationen mit geringer Reife.
Wie man den Reset konkret beginnt
Ein Reset bedeutet, KI nachhaltig einzuführen und zu nutzen, ohne ihre Adoption zu verlangsamen. Das Ziel ist es, die operativen Voraussetzungen zu schaffen, damit KI echte und messbare Mehrwerte generiert.
Drei praktische Schritte helfen dabei, den Weg einzuschlagen:
- Einen oder zwei hochvolumige und bereits stabile Workflows identifizieren: Dies sind die natürlichen Kandidaten für die ersten KI-Anwendungsfälle: Ticket-Routing anhand zuverlässiger Kategorien, automatische Zusammenfassungen auf Basis verifizierter Inhalte und automatische Ticket-Zusammenfassungen auf Basis strukturierter Daten.
- Erst bereinigen, dann automatisieren, KI zuletzt anwenden: Der erste Schritt ist die Digitalisierung des Workflows im System of Record. Der zweite Schritt ist die Automatisierung mit einfachen und vorhersehbaren Regeln für alles, was sich mit Anweisungen nach dem Muster „Wenn X eintritt, tue Y“ handhaben lässt. Nur für komplexere Aktivitäten ist es sinnvoll, KI einzuführen.
- Metriken festlegen: Ohne einen anfänglichen Satz von KPIs – wie durchschnittliche Lösungszeit, Genauigkeit und Benutzerzufriedenheit – lässt sich nicht ermitteln, inwiefern KI Ergebnisse liefert.
Technologien wie EV Pulse AI von EasyVista sind darauf ausgelegt, genau diese Art von Ansatz zu unterstützen und zu stärken, indem KI in strukturierte ITSM-Workflows integriert wird – durch definierte Anwendungsfälle, klar ablesbare Metriken und eine kontinuierliche menschliche Aufsicht über jede kritische Entscheidung.
KI macht Prozessdisziplin nicht überflüssig, sondern setzt sie als Funktionsbedingung voraus. In dieser Perspektive ist der Great ITSM Reset selbst ein Element der Innovation – der Weg, über den IT-Organisationen ihre KI-Reife im ITSM entwickeln und sich in den kommenden Jahren weiterentwickeln können.
FAQs
1. Was bedeutet KI-Reife im ITSM?
Es bedeutet, digital dokumentierte Prozesse, klare Verantwortlichkeiten, Einhaltung der ITIL-Best-Practices und messbare Indikatoren für operative Reife zu besitzen. Dies sind die Mindestvoraussetzungen, damit eine KI-Initiative im ITSM Mehrwerte generiert und keine zusätzlichen Kosten verursacht.
2. Warum scheitern so viele KI-Initiativen im ITSM?
Weil KI auf fragile Prozesse, inkonsistente Daten und nicht dokumentierte Workflows angewendet wird. Studien von BCG und McKinsey zeigen, dass bei 60 % der Unternehmen KI keinen materiellen Wert generiert und 95 % der Pilotprojekte für generative KI keinen messbaren ROI liefern. Die Ursache ist fast nie technologischer, sondern fast immer organisatorischer Natur.
3. Müssen Prozesse perfekt sein, bevor man mit KI beginnt?
Nein, aber man sollte mit KI in Bereichen beginnen, wo Prozesse bereits stabil sind. KI funktioniert als Beschleuniger konsistenter und robuster Workflows, nicht als Lösung für chaotische Workflows. Das Prinzip lautet: erst bereinigen, dann mit Regeln automatisieren, KI nur dort einsetzen, wo sie wirklich gebraucht wird.
4. Welche Beziehung besteht zwischen ITIL und KI?
ITIL-Praktiken liefern die gemeinsame Sprache und die Datenstruktur, die KI benötigt, um zuverlässig zu funktionieren. Je höher die ITIL-Reife, desto solider ist die Grundlage, auf der intelligente Automatisierungen und KI-Agenten aufgebaut werden können.