Warum eine offene KI-Architektur die Zukunft von GPM sichert

Kaum vergehen ein paar Tage, schon erscheint wieder ein KI-Modell, das schneller, günstiger oder leistungsfähiger ist als sein Vorgänger. Ein Luxusproblem – solange man sein Prozessmanagement nicht bereits fest an eines dieser Modelle gekettet hat und der Boden plötzlich ins Wanken gerät.

Genau diese Spannung – das Beste aus einer sich rasant entwickelnden Technologie herausholen zu wollen, ohne sich an einen einzelnen Baustein zu binden – entwickelt sich zu einer der zentralen Fragen im GPM. Hier setzt die Idee einer offenen KI-Architektur an, und es lohnt sich, genauer hinzuschauen, warum sie am Ende wichtiger sein könnte als jedes einzelne Modell, für das man sich entscheiden könnte.

GPM hilft Unternehmen dabei, die Art und Weise, wie Arbeit erledigt wird, zu verstehen, zu verbessern, auszuführen und zu steuern – von der Prozessgestaltung bis zur Automatisierung und dem laufenden Betrieb. Es existiert, damit Unternehmen mit ihren eigenen Zielen genauso Schritt halten können wie mit sich wandelnden Regulierungen und Märkten.

KI ist nur die jüngste dieser Veränderungen, und Prozessteams setzen sie bereits aktiv ein: um Prozesse schneller zu erstellen und zu analysieren, um Compliance und kontinuierliche Verbesserung zu unterstützen, und zunehmend auch, um einzelne Prozessschritte während der Laufzeit anzustoßen. Richtig eingesetzt, nimmt sie Routinearbeit ab und macht Prozesswissen leichter zugänglich.

Damit KI verlässliche Ergebnisse liefert, braucht sie jedoch das Prozesswissen, das in der GPM-Plattform steckt: die Modelle, Rollen, Regeln und Kontrollen, die beschreiben, wie ein Unternehmen tatsächlich funktioniert. Bleibt dieses Wissen korrekt und gut gepflegt, hat die KI eine solide Grundlage, auf der sie aufbauen kann.

Tipp: Erfahren Sie anhand eines Praxisbeispiels, wie Unternehmen mithilfe von KI Prozesse optimieren können.

GPM erfüllt viele Funktionen, und jede bringt eigene Anforderungen an KI mit:

• Prozessanalysten wollen Prozesse schneller erstellen und verfeinern, mit einer Dokumentation, die mithält.
• Compliance-Teams brauchen eine sichere Analyse sensibler Prozess- und Kontrolldaten.
• Teams für operative Exzellenz suchen Verbesserungsvorschläge, die wirklich zu ihrem Kontext passen.
• Automatisierungs- und Betriebsteams wollen KI, die zuverlässig hilft, automatisierte Prozessschritte aufzubauen und auszuführen.
• Transformationsverantwortliche wünschen sich einfacheren Zugriff auf Wissen über Prozesse und das gesamte Unternehmen hinweg.
• IT- und Plattformverantwortliche brauchen KI, die sich an IT-Richtlinien und die unternehmensweite KI-Strategie hält – mit eingebauter Governance.

Diese Bedürfnisse ziehen in unterschiedliche Richtungen. Manche Aufgaben verlangen nach den leistungsstärksten Cloud-Modellen, während sensible Daten oft ein privates oder lokal betriebenes Modell erfordern, das Informationen innerhalb der eigenen Umgebung hält. Wiederkehrende, hochvolumige Aufgaben laufen dagegen effizienter mit einem kleinen, kostengünstigen Modell. Über alle Anwendungsfälle, Kostenprofile und Compliance-Anforderungen hinweg gibt es kein Modell, das alles abdeckt.

Der Markt bestätigt das eindrücklich: Ständig kommen neue Modelle hinzu, Preise und Leistungsfähigkeit verändern sich fortlaufend – wer seine Strategie auf ein einziges Modell aufbaut, verbaut sich damit den Zugang zur nächsten Option, die sich für die eigene Situation als besser, günstiger oder konformer erweisen könnte.

GPM steht im Zentrum von Betrieb, Compliance und Transformation. Wer seine KI dabei an einen einzigen Anbieter bindet, konzentriert damit ein erhebliches Risiko an einer einzigen Stelle. Dieses Risiko zeigt sich gleich an mehreren Fronten – bei Preisen und Verfügbarkeit ebenso wie beim Datenschutz und der regulatorischen Compliance, aber auch bei der Modellleistung, internen IT-Richtlinien und der langfristigen Kontrolle über die eigene Roadmap.

Die Kostenschwankungen sind bereits heute spürbar: Der 2026 SaaS Management Index von Zylo zeigt, dass 78 % der IT-Verantwortlichen mit unerwarteten Kosten durch KI– oder verbrauchsbasierte Preismodelle konfrontiert waren, während die durchschnittlichen Ausgaben für KI-native Anwendungen innerhalb eines einzigen Jahres um 108 % gestiegen sind. Da sich Preise und Vertragsbedingungen auch nach Vertragsabschluss ändern können, wird die Budgetplanung dadurch deutlich schwieriger.

Auch die Verfügbarkeit ist ein Risikofaktor: Hängen die eigenen Prozesse von einem einzigen KI-Dienst ab und fällt dieser aus, wird daraus schnell ein handfestes Business-Continuity-Problem – ganz ohne Ausweichmöglichkeit. Und wer erst einmal tief mit einem einzigen Anbieter integriert ist, zahlt später einen hohen Preis, wenn er wieder davon wegkommen will.

Die meisten Unternehmen setzen aus genau diesen Gründen längst auf Multi-Cloud-Strategien. Für Multi-Model-KI gilt dieselbe Logik: Es geht um die Freiheit, die eigene KI-Strategie weiterzuentwickeln, ohne dabei das GPM-Fundament zu gefährden.

Eine offene Architektur für KI macht die GPM-Plattform unabhängig von einem einzelnen Anbieter, Modell oder Bereitstellungsweg. Sie bündelt das Unternehmenswissen an einem Ort und lässt KI-Modelle über offene Schnittstellen darauf zugreifen – sodass kein einzelner Anbieter jemals die Kontrolle über die Prozessintelligenz eines Unternehmens übernimmt.

Die GPM-Plattform wird so zur stabilen Wissensschicht des Unternehmens, während die KI-Modelle darüber liegen und austauschbar bleiben. Taucht ein leistungsstärkeres Modell auf, ändert sich eine Regulierung oder verschieben sich die Kosten, passt man einfach die KI an – das Prozesswissen darunter bleibt unberührt.

ADONIS folgt genau diesem plattformunabhängigen Ansatz. Unternehmen wählen die KI-Konfiguration, die zu ihren Zielen passt – ob eingebettete Cloud-Unterstützung, unternehmenseigene Cloud-Infrastruktur, lokale Bereitstellung oder die Fähigkeiten eines bestimmten Modells. Das KI-Ökosystem von ADONIS umfasst derzeit Cloud-Modelle wie OpenAI, Azure OpenAI, Amazon Bedrock, Google Gemini und Anthropic Claude, ebenso wie europäische Modelle wie Mistral, die lokal über Ollama betrieben werden können. Da sich für jeden Anwendungsfall ein anderes Modell konfigurieren lässt, können Unternehmen die Wahl gezielt auf die jeweilige Aufgabe abstimmen – etwa ein Modell für die Dokumentenextraktion, ein anderes für die Analyse.

Das ist eine ebenso strategische wie technische Entscheidung. Die Kontrolle darüber, wie KI in die eigene GPM-Umgebung einzieht, bleibt beim Unternehmen – und die Prozessintelligenz bleibt vernetzt, wiederverwendbar und bereit für alles, was an Modellen noch kommen mag.

Ein großes Sprachmodell verfügt über breites Allgemeinwissen, weiß aber wenig darüber, wie ein konkretes Unternehmen tatsächlich arbeitet. Um nützliche, verlässliche Antworten zu liefern, braucht es Zugang zu vertrauenswürdigem operativem Wissen: zu Prozessen und den dahinterliegenden Rollen und Verantwortlichkeiten, zu Anwendungen, Risiken und Kontrollen sowie zu den Übergaben, Abhängigkeiten und Entscheidungspunkten, die all das miteinander verbinden.

Hier kommt GPM ins Spiel. Techniken wie Retrieval-Augmented Generation (RAG) verbinden ein Modell mit den eigenen Unternehmensdaten, sodass seine Antworten faktisch fundiert bleiben – IBM beschreibt dies als eine Möglichkeit, Modellen Zugriff auf internes Wissen zu geben, um genauere, domänenspezifische Ergebnisse zu erzielen. Fehlt dieser Kontext, kann ein Modell Antworten liefern, die plausibel klingen, aber schlicht falsch sind. Mit dem richtigen Kontext dagegen kann KI zuverlässig beantworten, wer einen bestimmten Prozessschritt freigibt oder welche Kontrolle ein bestimmtes Risiko abdeckt.

Indem GPM diesen Kontext strukturiert und governance-konform bereithält, verschafft es der KI genau die geschäftliche Realität, die sie braucht, um wirklich nützlich zu sein.

KI entwickelt sich von isolierten Einzelwerkzeugen hin zu Assistenten und Agenten, die über viele Systeme hinweg gleichzeitig handeln. Damit das zuverlässig funktioniert, braucht es einen gemeinsamen Standard dafür, wie Modelle mit diesen Systemen verbunden werden – genau das leistet das Model Context Protocol (MCP). Anthropic hat MCP 2024 als offenen Standard eingeführt, um KI-Modelle mit externen Daten und Tools zu verbinden; OpenAI, Google und Microsoft haben den Standard seither übernommen. Im Dezember 2025 wechselte MCP zur Agentic AI Foundation unter dem Dach der Linux Foundation und steht damit auf herstellerneutralem Boden.

MCP folgt demselben Grundprinzip wie die offene Architektur: Unternehmenswissen bleibt strikt getrennt vom KI-Modell oder Agenten, der es nutzt. Zugriffskontrolle und Protokollierung erfolgen an der Verbindungsstelle statt im Modell selbst – jedes Modell lässt sich austauschen, ohne dass sich ändert, wer worauf zugreifen darf. In diesem Setup fungiert ADONIS als governance-konforme Wissensschicht für Prozesse, auf die KI-Systeme zugreifen – unabhängig von einem einzelnen Anbieter.

Das Tempo der KI-Entwicklung wird sich nicht verlangsamen. Was heute führend ist, wird morgen nur eine von vielen Optionen sein – und Unternehmen, die sich heute fest an ein einziges Modell binden, werden morgen viel Zeit damit verbringen, diese Entscheidung wieder rückgängig zu machen. Der beste Weg, diesem Tempo standzuhalten, besteht darin, das eigene Fundament gar nicht erst davon abhängig zu machen.

Genau darauf ist ADONIS ausgelegt: Die Prozessintelligenz bleibt als stabiler Kern bestehen, während die angebundene KI ausgetauscht, aktualisiert oder neu ausgerichtet werden kann, sobald eine bessere Option verfügbar ist – bereit für alles, was als Nächstes kommt.