KI im Unternehmenseinsatz verlässt das Labor und zeigt, wer ein Fundament hat und wer nur Präsentationsfolien
Der Moment, in dem eine Technologie den Pilotmodus verlässt und in den realen Betrieb übergeht, ist gleichzeitig der Moment, in dem fragile Architekturen sichtbar werden. Accenture wiederholt diese Botschaft seit Monaten in der Region: 2026 markiert das Jahr, in dem künstliche Intelligenz im Unternehmenseinsatz aufhört, ein internes Experiment zu sein, und zur Schnittstelle zum Kunden wird. Das Beratungsunternehmen präsentiert dies als Fortschritt der Branche. Es ist jedoch – wenn man genauer liest – auch eine präzise Beschreibung des Bruchs, der Unternehmen mit technologischem Rückgrat von jenen trennt, die auf ungeprüften Annahmen aufgebaut haben.
Anoop Sagoo, Geschäftsführer von Accenture für Südostasien, brachte es gegenüber dem Bangkok Post auf den Punkt: Die Akzeptanz von künstlicher Intelligenz bewege sich von der Experimentierphase hin zur groß angelegten Implementierung, wobei agentische Systeme und kundenseitig ausgerichtete Lösungen in den realen Betrieb eintreten. Die Aussage ist nicht neutral. Sie kommt von einer Firma, die sich ausdrücklich als Integrator dieses Schritts positioniert und alle Anreize hat, diesen Schritt als dringend, technisch anspruchsvoll und ohne externe Hilfe schwer umsetzbar erscheinen zu lassen. Das bedeutet jedoch nicht, dass die Diagnose falsch ist.
Drei Hürden, die zeigen, wo die eigentlichen Lücken liegen
Sagoo identifiziert drei Hindernisse, die die unternehmensweite Implementierung in großem Maßstab bremsen. Es lohnt sich, diese zu analysieren, denn jedes zeigt ein anderes Stück des Modells und einen Fehler anderer Natur auf.
Das erste Hindernis ist das Fehlen einer soliden Daten- und Infrastrukturbasis. KI-Pilotprojekte funktionieren in der Isolation: Sie haben saubere Daten, kontrollierte Umgebungen und dedizierte Teams. Die Skalierung auf den realen Betrieb erfordert Cloud-Migration, Anwendungsmodernisierung und standardisierte Datenumgebungen, die kein Pilotprojekt benötigt. Viele Unternehmen in der Region erreichten 2026 mit funktionierenden Pilotprojekten – ohne diese Infrastruktur gelöst zu haben. Das Pilotprojekt war real; das Versprechen der Skalierung hatte keine materielle Grundlage.
Das zweite Hindernis ist das Fehlen einer unternehmensbezogenen Wissensbasis, was Accenture das „KI-Gehirn" nennt. Damit ein KI-System in einem Unternehmenskontext präzise operieren kann, benötigt es Zugang zu internen Verfahren, Richtlinien, Arbeitsabläufen und Compliance-Regeln. Eine konversationelle KI, die die Compliance-Regeln des Unternehmens oder die Prozesse des Kundendienstes nicht kennt, kann nicht ohne Risiko vor echten Kunden eingesetzt werden. Diese Lücke ist weniger sichtbar als die technologische Infrastruktur, aber teurer zu schließen: Sie erfordert tiefgreifende organisatorische Arbeit, nicht nur Software.
Das dritte Hindernis ist Governance und Transformation der Belegschaft. Sagoo sagt es direkt: Viele Unternehmen unterschätzen das Ausmaß des organisatorischen Wandels, den die Einführung von künstlicher Intelligenz erfordert. Das ist kein Technologieproblem. Es ist ein Problem der operativen Architektur: Für Menschen konzipierte Arbeitsabläufe übertragen sich nicht automatisch auf Systeme, die autonome Agenten einschließen. Das Umgestalten dieser Abläufe, die Umschulung des Personals und der Aufbau von Kontrollen für eine verantwortungsvolle Nutzung erfordern Zeit und politischen Willen im Inneren des Unternehmens – beides wurde durch Pilotprojekte niemals auf die Probe gestellt.
Was diese drei Hindernisse zusammen offenbaren, ist nicht nur eine Liste ausstehender Aufgaben. Sie zeigen, dass die meisten KI-Pilotprojekte in Unternehmen bewusst so konzipiert wurden, um genau diesen drei Problemen auszuweichen. Es wurden Anwendungsfälle gewählt, die keine integrierten Daten erforderten, die nicht von tiefem institutionellem Wissen abhingen und die bestehende Arbeitsabläufe nicht gefährdeten. Sie waren erfolgreich, gerade weil sie den realen Betriebsbedingungen auswichen. Jetzt, da die Branche versucht zu skalieren, lassen sich diese Bedingungen nicht länger umgehen.
Agentische KI als Stresstest des operativen Modells
Über Pilotprojekte hinaus positioniert Accenture die agentische künstliche Intelligenz als nächste Schwelle der Komplexität. Im Gegensatz zur herkömmlichen generativen KI, die auf menschliche Anweisung hin Fragen beantwortet oder Inhalte erstellt, treffen agentische Systeme Entscheidungen, koordinieren mehrere Agenten und führen komplexe Aufgaben autonom aus – von der Verwaltung von Marketingkampagnen bis zur Optimierung von Lieferketten. Das Versprechen ist real. Der strukturelle Spannungspunkt ebenso.
Ein im realen Betrieb eingesetztes agentisches System hat keinen Menschen, der jeden Schritt überprüft. Das bedeutet, dass Datenfehler, Modellverzerrungen und Lücken in den Governance-Richtlinien nicht erkannt werden, bevor Schaden entsteht – sondern danach. Für ein Unternehmen mit fragmentierten Daten, ohne eine integrierte institutionelle Wissensbasis und mit einer Belegschaft, die nicht umgeschult wurde, um mit autonomen Agenten zu arbeiten, beschleunigt der Einsatz agentischer KI die Abläufe nicht. Er legt sie offen.
Dies ist die Lesart, die Accenture nicht explizit formuliert, die aber von der eigenen Diagnose der drei Hindernisse impliziert wird: Der Übergang zur agentischen KI ist gleichzeitig der größte Werthebel und der stärkste Verstärker struktureller Schwächen. Unternehmen, die die Infrastruktur gelöst haben, die geregelte Wissensbasen aufgebaut und ihre Arbeitsabläufe neu gestaltet haben, können sie nutzen, um operative Zyklen zu komprimieren, die früher Wochen dauerten. Diejenigen, die das nicht getan haben, machen sie zu einem Fehlervektor in großem Maßstab.
Accenture hat intern zwischen 70 und 100 KI-Agenten in den Bereichen Personal, Finanzen und Marketing eingesetzt. In Thailand nutzte das Unternehmen künstliche Intelligenz, um 7.000 Praktikumsbewerbungen für 70 Stellen zu sichten. Das sind keine Kundendaten: Es sind Daten der Firma selbst. Was sie zeigen, ist, dass die Einführung nicht nur eine Verkaufsbotschaft ist. Accenture baut interne Belege dafür auf, dass die von ihr propagierte Architektur unter realen Bedingungen funktioniert. Das eliminiert nicht das kommerzielle Interesse an der Diagnose, macht sie aber in operativer Hinsicht überprüfbar.
Datensouveränität als Positionierungsfilter, nicht nur als Regulierungsfrage
Eine der interessantesten Dimensionen der Accenture-Analyse in der Region ist jene rund um souveräne künstliche Intelligenz. Sagoo beschreibt ein regionales Rennen, in dem Regierungen um die Kontrolle über ihre eigenen Daten, Modelle und Infrastruktur wetteifern, angetrieben durch geopolitische Spannungen und Bedenken hinsichtlich der Datenspeicherung. Singapur führt bei administrativer Aufsicht und fortgeschrittenen Richtlinien. Malaysia stellt die Frage, ob ausländische Rechenzentren mit hohem Ressourcenbedarf ausreichend wirtschaftliche Erträge bieten. Indonesien hält an seinem Fokus auf Datenlokalisierung fest. Thailand nutzt seine strategische Position, um sowohl westliche als auch chinesische Technologieakteure anzuziehen.
Aus der Perspektive des Geschäftsmodells von Accenture betrachtet ist das Phänomen der souveränen KI nicht nur ein regulatorischer Trend: Es ist ein Segmentierungsmechanismus. Unternehmen, die Anforderungen an die Datenspeicherung erfüllen müssen, die unter strengen Branchenregulierungen operieren oder die explizite geopolitische Sensibilitäten haben, können nicht einfach die günstigste oder verfügbarste KI-Lösung übernehmen. Sie benötigen Architekturen, die spezifische Kontroll- und Lokalisierungsbedingungen erfüllen. Das verengt das Feld qualifizierter Anbieter und erhöht den Wert von Integratoren, die diese Komplexität navigieren können.
Die Zusammenarbeit, die Accenture im Februar 2026 mit Mistral AI ankündigte – obwohl auf Europa ausgerichtet –, zeigt in diese Richtung: Das explizite Argument war, Organisationen in die Lage zu versetzen, in Richtung groß angelegter KI-Implementierungen mit strategischer Autonomie voranzuschreiten, ohne von einem einzigen Infrastrukturanbieter abhängig zu sein. Dieses Argument hat auch in Asien Gewicht, wo die Abhängigkeit von einem einzigen Cloud-Anbieter oder einem einzigen Modellanbieter zu einer regulatorischen oder geopolitischen Schwachstelle werden kann. Accenture baut ein Angebot auf, das technische Fähigkeit mit dem Management von Souveränitätsrisiken verbindet. Für bestimmte Kundensegmente rechtfertigt diese Kombination einen Preis und eine langfristige Beziehung, die kein Plattformanbieter allein anbieten kann.
Die Bank als Validierung und der Einzelhandel als nächste Wette
Der Finanzsektor führt die KI-Einführung in der Region an, angetrieben durch nachhaltige Technologieinvestitionen und den Wettbewerbsdruck durch Digital- und Virtualbanken. Das ist kein Zufall. Banken haben drei strukturelle Bedingungen, die die Skalierung von KI erleichtern: reichlich vorhandene und relativ strukturierte historische Daten, wiederholbare Prozesse mit klaren Regeln und eine Regulierung, die paradoxerweise dazu zwingt, zu dokumentieren, was die Systeme tun. Genau diese drei Bedingungen fehlen anderen Sektoren noch.
Der Einzelhandel und die Energiewirtschaft erscheinen als Sektoren mit hohem Potenzial, befinden sich aber in früheren Phasen. Im Einzelhandel weist Sagoo darauf hin, dass der Konsummarkt Thailands von KI-gestützten Innovationen profitieren könnte, die China bereits im Einzelhandel implementiert. Der Verweis ist nicht dekorativ: Der chinesische E-Commerce nutzt seit Jahren künstliche Intelligenz für Personalisierung, prädiktives Bestandsmanagement und Echtzeit-Preisoptimierung in einem Maßstab, den die meisten Akteure in Südostasien noch nicht erreicht haben. Die Lücke liegt nicht an verfügbaren Werkzeugen, sondern an integrierten Daten und dem organisatorischen Willen, Abläufe neu zu gestalten, die seit Jahrzehnten anders funktionieren.
Im Energiebereich ist das Argument spezifischer: Videoanalyse, Betriebsdaten und Sensoren zur Vorhersage von Geräteausfällen und zur Optimierung der Wartung. Dies ist ein Anwendungsfall, bei dem agentische KI gegenüber menschlicher Überwachung einen klaren Vorteil hat: Sie kann gleichzeitig mehr Signale verarbeiten, als ein Ingenieursteam überwachen kann. Aber es ist auch ein Anwendungsfall, bei dem ein Fehler physische und nicht nur kommerzielle Konsequenzen hat. Die Governance des Systems ist nicht optional; sie ist die Voraussetzung für den Einsatz.
Was das Adoptionsrennen allein nicht garantiert
Patama Chantaruck, Generaldirektorin von Accenture in Thailand, fasst die Position des Landes in einer Formulierung zusammen, die Aufmerksamkeit verdient: Thailand habe den Ehrgeiz, künstliche Intelligenz einzusetzen, um das Kundenerlebnis zu verbessern, die operative Resilienz zu stärken und Wachstum freizusetzen, aber der Erfolg werde davon abhängen, Strategie mit Ausführung zu verbinden und die notwendigen Grundlagen aufzubauen, um die Wirkung zu skalieren.
Die zweite Hälfte dieses Satzes ist wichtiger als die erste. Der regionale Ehrgeiz in Bezug auf künstliche Intelligenz ist dokumentierbar: nationale Strategien, Investitionen in Cloud-Infrastruktur, Ausbildungsprogramme, sich entwickelnde regulatorische Rahmenbedingungen. Was dieser Ehrgeiz jedoch nicht garantiert, ist die Ausführungsfähigkeit auf der Ebene des einzelnen Unternehmens. Ein Unternehmen kann in einem Land mit fortgeschrittener KI-Politik operieren und dennoch fragmentierte Daten, undokumentierte Prozesse und eine nicht umgeschulte Belegschaft haben. Die nationale Politik löst nicht die interne Architektur des Unternehmens.
Accenture weiß das und baut seinen Ansatz genau um diese Lücke herum auf. Das Unternehmen konkurriert nicht auf dem Markt für KI-Modelle oder Cloud-Infrastruktur. Es konkurriert auf dem Markt der Ausführung: in der Fähigkeit, eine Organisation von einer Architektur, die für den Betrieb ohne künstliche Intelligenz konzipiert wurde, hin zu einer zu bewegen, die sie in großem Maßstab, mit Governance, mit integrierten Daten und mit einer Belegschaft betreiben kann, die ihre neue Rolle versteht. Das ist ein Raum mit hohem Wert und hoher Reibung, bei dem der Eintrittspreis das institutionelle Vertrauen ist, das über Jahre hinweg durch die Präsenz bei denselben Kunden aufgebaut wurde.
Die Daten, die die Firma selbst präsentiert, weisen in eine präzise Richtung: Unternehmen, die mindestens eine strategische KI-Initiative skaliert haben, sind fast dreimal so wahrscheinlich wie ihre Mitbewerber, Erträge zu erzielen, die die Erwartungen übertreffen. Das ist kein Argument darüber, wer die fortschrittlichste Technologie hat. Es ist ein Argument darüber, wer die Architektur hat, damit diese Technologie unter realen Bedingungen funktioniert. Diese Unterscheidung – zwischen dem Zugang zu künstlicher Intelligenz und der Struktur, um sie zu betreiben – ist die Trennlinie zwischen den Unternehmen, die den Zyklus nutzen werden, und denen, die weiterhin KMU-Pilotprojekte ohne messbaren Ertrag anhäufen werden.
