AI Restacking: Warum jetzt die Architektur zählt, nicht mehr nur das Modell

Die Beratungsbranche hat einen neuen Begriff: AI Restacking. Gemeint ist damit, KI nicht mehr als zusätzliches Werkzeug zu behandeln, sondern in alle Ebenen eines Unternehmens einzubetten, von der Geschäftsstrategie über die Daten bis zur technischen Infrastruktur. Klingt nach der nächsten Marketing-Welle? Zum Teil ist es das auch. Aber unter dem neuen Namen steckt eine reale Verschiebung, die ich in meinen eigenen Projekten längst beobachte: Die Frage ist nicht mehr, welches KI-Modell man einsetzt, sondern wie man es sauber mit dem Rest des Unternehmens verdrahtet.

Was hinter dem Begriff steckt

AI Restacking beschreibt eine Neuordnung auf vier Ebenen. Auf der Geschäftsebene wird KI vom Werkzeug zum Bestandteil strategischer Entscheidungen. Auf der Datenebene lösen lernende, sich selbst aktualisierende Datenplattformen die klassischen, statischen Data Warehouses ab. Auf der Anwendungsebene entstehen modulare, ereignisgesteuerte Systeme mit fest eingebauten KI-Komponenten statt nachträglich angeflanschter Chatbot-Widgets. Und auf der technischen Ebene braucht es cloud-native, anpassungsfähige Infrastruktur mit eigenen Pipelines für Training und Betrieb von Modellen. Der gemeinsame Nenner: KI wird nicht mehr oben draufgesetzt, sondern durchzieht alle vier Ebenen gemeinsam.

Der Unterschied zur klassischen IT-Modernisierung

Klassische Unternehmensarchitektur richtet IT-Systeme einmalig an Geschäftszielen aus und passt sie dann in größeren Abständen an. Restacking denkt die Architektur als lernendes System, das sich fortlaufend anhand von echtem Nutzungsverhalten und aktuellen Daten verändert. Das ist mehr als Semantik. Es bedeutet, dass Architekturentscheidungen nicht mehr einmal getroffen und dann für Jahre festgeschrieben werden, sondern regelmäßig auf den Prüfstand gehören, so wie man heute auch Software in kurzen Zyklen weiterentwickelt statt in Jahresprojekten.

Warum die Architektur wichtiger wird als das Modell

Vor einem Jahr drehte sich die Diskussion bei meinen Kunden fast ausschließlich um die Modellwahl: GPT, Claude, Gemini oder ein offenes Modell, welches ist besser, welches passt zu uns? Diese Frage stellt sich heute seltener, weil sich die Fähigkeiten der führenden Modelle stark angeglichen haben. Der eigentliche Wettbewerbsvorteil entsteht inzwischen auf der Ebene der Orchestrierung: Wie verknüpft man mehrere KI-Werkzeuge und Datenquellen sinnvoll miteinander? Ein Standard, der dabei sichtbar an Bedeutung gewinnt, ist das Model Context Protocol, kurz MCP, über das ich an anderer Stelle ausführlicher geschrieben habe. Es reduziert den Aufwand, jedes Werkzeug einzeln mit jedem Agenten zu verdrahten, erheblich.

Was passiert, wenn Unternehmen diesen Schritt überspringen

In der Praxis sehe ich vor allem drei Muster, wenn Unternehmen KI-Werkzeuge einfach auf die bestehende Architektur draufsetzen, ohne sie neu zu denken. Erstens fehlt oft eine belastbare Datenebene. Ein KI-Agent ist nur so gut wie der Kontext, den er tatsächlich abrufen kann, und ohne strukturierte, zugängliche Daten scheitern viele Projekte still und unspektakulär, meist ohne dass jemand öffentlich darüber spricht. Zweitens fehlt die Governance: Wer keine klare Berechtigungsstruktur und keine Protokollierung einbaut, bekommt spätestens beim ersten Compliance-Audit oder beim ersten Produktionsvorfall ein Problem, das sich im Nachhinein deutlich teurer beheben lässt als vorher. Drittens entstehen technische Altlasten durch fest einprogrammierte Prompts und fehlende Standardschnittstellen, ziemlich genau das Muster, das ich sonst bei gewachsenen Delphi- oder VB6-Anwendungen sehe, nur eben mit KI-Bausteinen statt mit zwanzig Jahre altem Code.

Was das für den Mittelstand bedeutet

Die großen Analysehäuser sprechen bei diesem Thema meist von Konzernstrukturen, aber die Grundprinzipien gelten genauso für kleinere Unternehmen, nur in kleinerem Maßstab. Wichtig ist vor allem, mit dem einfachsten Muster zu beginnen, das das eigentliche Problem löst, statt gleich eine Multi-Agenten-Architektur aufzubauen, nur weil es gerade der Trend ist. Für die meisten Aufgaben reicht eine einfache Verkettung weniger Schritte völlig aus. Ebenso wichtig: die vorhandene Dateninfrastruktur zuerst nutzbar machen, bevor in etwas komplett Neues investiert wird, und eine minimale Governance festlegen, bevor einem Agenten mehr Eigenständigkeit eingeräumt wird, nicht erst danach. Das ist im Kern das, was ich unter guter KI-Integration verstehe: nicht das größtmögliche System, sondern eines, das zur tatsächlichen Größe und den tatsächlichen Prozessen des Unternehmens passt.

AI Restacking ist als Begriff neu, die dahinterliegende Erkenntnis nicht: Ein KI-Werkzeug ist nur so gut wie das Fundament, auf dem es steht. Wer dieses Fundament ignoriert, bekommt früher oder später ein teureres Problem als vorher. Wer es von Anfang an mitdenkt, spart sich genau diesen Umweg.