Jason Wojahn, CEO von KMS Technology – Interviewreihe

Jason Wojahn ist CEO von KMS Technology und verfügt über rund drei Jahrzehnte Erfahrung im Aufbau und in der Skalierung von Unternehmen für Technologiedienstleistungen im Enterprise-Bereich. Er gründete Thirdera mit und leitete das Unternehmen bis zur Übernahme durch Cognizant. Zuvor leitete er das globale ServiceNow-Geschäft von Accenture und hatte Führungspositionen bei Cloud Sherpas und IBM Global Services inne. Seine Arbeit konzentriert sich auf die Transformation von Unternehmen, Betriebsmodelle und darauf, Fortschritte im Bereich KI in messbare Geschäftsergebnisse umzusetzen.

KMS Technology ist ein Unternehmen für digitale Entwicklung, Daten und KI, das Organisationen dabei unterstützt, Software zu entwickeln, Anwendungen zu modernisieren, ihre Datengrundlagen zu stärken und KI produktiv einzusetzen. Das Leistungsangebot umfasst technische Beratung, Produktentwicklung, Data Engineering und die intelligente Automatisierung von Arbeitsabläufen. In diesem Interview spricht Wojahn über die „Umsetzungsökonomie“, die Kluft zwischen KI-Pilotprojekten und dem Produktiveinsatz, die Entscheidungsbefugnisse von Agenten und darüber, wie Unternehmen ihre Fortschritte anhand von Ergebnissen entlang des gesamten Prozesses messen können.

Du hast drei Jahrzehnte lang Technologieunternehmen im Enterprise-Bereich aufgebaut und skaliert – von der Weiterentwicklung von Navigis und der Leitung des globalen ServiceNow-Geschäfts von Accenture über den Aufbau von Thirdera bis hin zu deiner heutigen Rolle als CEO von KMS Technology. Wie haben diese Erfahrungen deine Sicht auf die Transformation von Unternehmen geprägt, und was hat dich an der Herausforderung gereizt, Organisationen dabei zu helfen, KI-nativ zu werden?

Ich begann bei IBM Global Services und leitete dort die Leistungserbringung für große Unternehmenskunden. Danach folgten Navigis, Cloud Sherpas, Accenture, Thirdera und Cognizant – fast alles davon im ServiceNow-Ökosystem.

Dabei fiel mir immer wieder dasselbe Muster auf: Jede neue Plattformwelle versprach Transformation, doch die Technologie entschied nur selten darüber, wer erfolgreich war. Erfolgreich waren die Unternehmen, die veränderten, wie die Arbeit tatsächlich durch die Organisation floss.

Die Jahre bei ServiceNow haben mir gezeigt, dass der Wert in Arbeitsabläufen steckt, nicht in Dashboards. Drei Jahrzehnte lang wurde Unternehmenssoftware immer besser darin, uns zu zeigen, was gerade geschah. Weitaus weniger gut war sie darin, etwas dagegen zu unternehmen. Diese Lücke schlossen die Menschen. Sie wurden zum unbezahlten Integrationsteam und übertrugen Arbeit von einem System ins nächste.

KI verändert das. Intelligenz wird zunehmend im Überfluss verfügbar. Knapp ist heute die Fähigkeit, sie in koordiniertes Handeln umzusetzen. Deshalb bin ich zu KMS gekommen: wegen der technischen Kompetenz, Systeme zu entwickeln, die Aufgaben erledigen, statt sie nur zu erfassen, und wegen der Chance, KI-nativ zu werden, statt lediglich KI einzusetzen.

Viele Unternehmen haben das Potenzial von KI mit Pilotprojekten erfolgreich demonstriert, tun sich aber schwer damit, diese frühen Erfolge in einen Mehrwert zu überführen, der sich im Produktivbetrieb skalieren lässt. Auf welche Hindernisse stoßen Organisationen am häufigsten, wenn sie über die Experimentierphase hinausgehen wollen, und warum treten diese Herausforderungen oft erst auf, nachdem sich die Technologie bewährt hat?

Ein Pilotprojekt belegt, dass das Modell funktioniert. Im Produktivbetrieb zeigt sich, ob die Organisation funktioniert.

Das sind zwei sehr unterschiedliche Prüfungen. Ein Pilotprojekt läuft mit sauberen, gezielt ausgewählten Daten, einer engagierten verantwortlichen Person und einem kleinen Team, das jede Lücke umgeht. Es ist darauf ausgelegt, die schwierigen Aspekte zu vermeiden.

Im Produktivbetrieb lassen sie sich nicht vermeiden. Jetzt muss der Agent auf fünf statt auf ein System zugreifen. Jemand muss für das Ergebnis verantwortlich sein, wenn etwas schiefgeht, entscheiden, was der Agent genehmigen darf, und die Kosten für seinen täglichen Betrieb tragen.

Deshalb treten diese Herausforderungen erst auf, nachdem sich die Technologie bewährt hat. Es waren nie technische Probleme. Es sind Probleme mit Daten, Integration, Zuständigkeiten und Entscheidungsbefugnissen – und das Pilotprojekt war so angelegt, dass es all diese Probleme umging.

Die Lösung besteht darin, Pilotprojekte nicht länger als Demos zu behandeln. Betrachtet das Pilotprojekt als erste Phase des Produktivbetriebs. Wählt einen wichtigen Arbeitsablauf aus, bindet ihn an die realen Systeme an, benennt eine verantwortliche Person und legt fest, was der Agent vom ersten Tag an entscheiden darf. Der Einstieg dauert länger, doch die Skalierung geht deutlich schneller.

Du hast einen Wandel hin zu einer „Umsetzungsökonomie“ beschrieben, in der der Wettbewerbsvorteil zunehmend davon abhängt, ob eine Organisation Intelligenz in koordiniertes Handeln umsetzen kann. Was bedeutet dieses Konzept in der Praxis, und wie verändert es die Herangehensweise von Unternehmen an KI-Investitionen?

Jede Arbeit durchläuft dieselbe Kette: Information, Erkenntnis, Entscheidung und Umsetzung.

Unternehmenssoftware konzentrierte sich jahrzehntelang auf die ersten beiden Schritte, und KI verbessert die ersten drei rasch. Bei der Umsetzung kommen die meisten Organisationen noch immer nicht voran – und genau hier verschiebt sich der Wettbewerbsvorteil.

In der Praxis bedeutet die Umsetzungsökonomie, dass Intelligenz nicht länger die knappe Ressource ist. Knapp ist vielmehr die Fähigkeit, Dinge zu erledigen. Zwei Unternehmen können dieselben Modelle, dieselben Daten und dieselben Erkenntnisse haben. Erfolgreich ist das Unternehmen, das diese Erkenntnisse in koordiniertes Handeln überführt – mit klar geregelten Entscheidungsbefugnissen und einer nachvollziehbaren Prüfspur.

Das verändert die Investitionsentscheidungen. Die meisten KI-Budgets fließen heute in Werkzeuge: KI-Copiloten, Assistenten und bessere Suchfunktionen. Sie machen einzelne Beschäftigte schneller. Doch ein KI-generierter Vorschlag, für den die Erstellung zehn Minuten dauert, kann trotzdem drei Tage auf die Genehmigung warten. Schnellere Aufgaben bedeuten nicht automatisch schnellere Ergebnisse.

Finanziert also Arbeitsabläufe statt Werkzeuge und beginnt mit einer anderen Frage. Nicht: „Wie machen wir diesen Mitarbeitenden um 20 % produktiver?“, sondern: „Welche Arbeit sollte keine menschliche Koordination mehr erfordern?“

Da sich KI von der Unterstützung einzelner Aufgaben hin zur autonomen Ausführung ganzer Arbeitsabläufe entwickelt: Wie müssen Unternehmen ihre bestehenden Prozesse, Entscheidungsstrukturen und Verantwortungsmodelle neu denken?

Die meisten Prozesse in Unternehmen wurden an den Grenzen menschlicher Leistungsfähigkeit ausgerichtet. Informationen verbreiteten sich langsam, also führten wir Besprechungen ein. Entscheidungen mussten beaufsichtigt werden, also schufen wir Genehmigungsketten. Vieles von dem, was wir Prozess nennen, besteht in Wirklichkeit aus Übergaben zwischen Menschen.

Automatisiert man das einfach so, wie es ist, automatisiert man den Organisationsplan. Die Übergaben werden schneller, aber nicht weniger.

Das Umdenken beginnt bei den Entscheidungen, nicht bei den Aufgaben. Erfassen Sie für jeden Arbeitsablauf die darin enthaltenen Entscheidungen. Was kann ein Agent empfehlen? Was kann er entscheiden? Was kann er selbstständig ausführen? Wo muss ein Mensch eingreifen?

Befugnisse beziehen sich auf Entscheidungen, nicht auf ganze Arbeitsabläufe. Ein Agent kann beispielsweise uneingeschränkt damit betraut sein, eine Rechnung abzugleichen, und dennoch für jede Zahlung oberhalb eines festgelegten Grenzwerts die Genehmigung eines Menschen benötigen.

Die Verantwortung verschwindet nicht. Sie wird klarer. Menschen und Agenten tragen gemeinsam die Verantwortung für die Ausführung: Agenten erledigen die Arbeit, Menschen legen die Befugnisse fest, kümmern sich um Ausnahmefälle und tragen die Verantwortung für das Ergebnis. Jeder Agent braucht eine namentlich benannte verantwortliche Person, und jede Aktion sollte nachvollziehbar und, wo möglich, rückgängig zu machen sein.

Führungskräfte koordinieren nicht mehr die Arbeit, sondern gestalten die Systeme, die sie ausführen.

Bei KMS Technology liegt Ihr Schwerpunkt darauf, traditionelles Digital Engineering in eine KI-native Unternehmensumsetzung zu verwandeln. Wie sieht dieser Wandel intern aus, und wie geht KMS vor, um KI, Datenplattformen und intelligente Workflow-Orchestrierung zu integrieren und messbare Geschäftsergebnisse zu erzielen?

Wir wenden dieselben Überlegungen zuerst auf uns selbst an. KMS ist als Unternehmen für Digital Engineering gewachsen. Unser nächstes Kapitel ist die KI-native Umsetzung im Unternehmen: entwickeln, modernisieren und betreiben – mit Menschen und Agenten, die gemeinsam Verantwortung für die Ausführung tragen. Die Ergebnisse zeigen sich beim Zeit- und Arbeitsaufwand:

Entwickeln. Evergreen Telehealth wollte eine Telemedizinplattform auf Basis agentischer KI und des Gesundheitsdatenstandards FHIR entwickeln lassen. Auf dem Markt gab es nichts Vergleichbares. Unser Team und die Entwickler von Evergreen arbeiteten KI-nativ und integrierten Claude in Anforderungen, Design, Entwicklung und Tests. So brachten sie die Kernplattform in 75 Arbeitstagen vom Konzept in den Produktivbetrieb. Dazu gehörten drei Apps (Web, iOS und Android), vier Live-Integrationen (EHR, Identitätsprüfung, Zahlungen und Apotheken) sowie zwei produktive Agenten. Das Vorgehen wurde von Menschen gesteuert und durch KI beschleunigt. Agenten entwarfen User Stories, generierten Code und führten Tests aus. Die Entwickler verantworteten die Architektur, die Zuordnung der klinischen Daten und alle entscheidenden Beschlüsse.

Modernisieren. Ein weiteres Beispiel: Ein maritimes Softwareunternehmen musste eine Plattform ersetzen, die es mehr als 20 Jahre lang vor Ort betrieben hatte. Das Unternehmen konnte eine langwierige, traditionelle Neuentwicklung nicht rechtfertigen, bevor die Investoren Fortschritte sahen. Deshalb führten wir einen auf sechs Wochen begrenzten, agentengestützten Entwicklungsprozess durch. Die Anforderungen des Kunden wurden als Kontext hinterlegt, sodass die Agenten anhand der Spezifikation entwickelten, anstatt lediglich Code zu generieren. Das Team lieferte etwa 800 Teamstunden aufgewendet und damit 35 bis 45 Prozent des MVP-Umfangs – gegenüber einer ursprünglichen Schätzung von 6.000 bis 8.000. Agenten schrieben den Code und mehr als 5.000 Unit-Tests. Die Entwickler legten die Leitplanken fest und beurteilten die Qualität.

Betreiben. Seitdem hat Evergreen seine Agentenarchitektur auf das gesamte Unternehmen ausgeweitet. Überwachende Agenten kontrollieren das System; Menschen bleiben eingebunden, um Ergebnisse zu bewerten und Probleme zu beheben.

Wir schreiben nicht einfach nur schneller Code. Wir verändern, wie viel Arbeit ein Team erledigen kann.

Bei allen drei Beispielen tragen Menschen und Agenten gemeinsam die Verantwortung für die Ausführung. Agenten übernehmen wiederkehrende Aufgaben. Unsere Entwickler und die Teams unserer Kunden verantworten die Entscheidungen, die Ausnahmefälle und das Ergebnis.

Dieser Wandel ermöglicht es uns auch, mit der Umsetzung eine größere Wirkung zu erzielen. Das ist der Unterschied zwischen KI-nativer und KI-gestützter Umsetzung.

Unternehmensweite KI-Systeme müssen zunehmend auf Informationen aus fragmentierten Legacy-Anwendungen, Cloud-Plattformen und Datenumgebungen zugreifen. Wie groß ist die Herausforderung, diese Systeme miteinander zu verbinden, und welche architektonischen Grundlagen sollten Unternehmen schaffen, bevor sie KI-gesteuerte Arbeitsabläufe in großem Maßstab einführen?

Das ist die zentrale Herausforderung. Die meisten Unternehmen haben kein KI-Problem. Sie haben ein Fragmentierungsproblem, das durch KI unmöglich zu übersehen ist.

Sehen Sie sich an, wie die Arbeit heute erledigt wird. Jemand findet Informationen in einer Anwendung, läuft in einer anderen einer Genehmigung hinterher und kopiert das Ergebnis in eine dritte. Die Menschen bilden die Integrationsschicht. Ein Agent kann diese Arbeit nur erledigen, wenn er auf diese Systeme zugreifen, den Kontext verstehen und mit den passenden Berechtigungen handeln kann.

Deshalb sind die Grundlagen wichtiger als das Modell. Vier Dinge kommen zuerst:

• eine moderne Datenarchitektur, die Agenten einen verlässlichen Kontext bietet
• eine Integrationsschicht, über die Agenten systemübergreifend handeln können, statt Daten nur auszulesen
• Identitäts- und Berechtigungskonzepte, die für Agenten und nicht nur für Menschen ausgelegt sind
• Überwachung, damit Sie sehen können, was jeder Agent getan hat und warum

Auch der Technologie-Stack wird schlanker. Datenplattformen übernehmen zunehmend operative Aufgaben, Workflow-Plattformen werden intelligenter und Anwendungen kommen ohne eigene Benutzeroberfläche aus. Wenn ein Workflow den gesamten Stack durchlaufen kann, warum sollte der Nutzer das noch müssen?

Warte nicht auf die perfekte Architektur. Such dir einen wichtigen Workflow aus und modernisiere alles, womit er in Berührung kommt. Dann nimm dir den nächsten vor.

Wenn KI-Agenten damit beginnen, Entscheidungen zu treffen und Maßnahmen in allen Geschäftsbereichen auszuführen, gewinnen Fragen zu Governance, Rechenschaftspflicht und menschlicher Aufsicht zunehmend an Bedeutung. Wie sollten Unternehmen entscheiden, welche Entscheidungen sie an KI delegieren können und welche unter menschlicher Kontrolle bleiben müssen?

Ich würde zunächst die Frage anders stellen. Nicht: „Kann KI das?“ Die Antwort lautet immer häufiger: Ja. Die bessere Frage ist: „Wer hat ihr die Erlaubnis zum Handeln erteilt?“

Fähigkeit und Zugriff sind keine Befugnis. Wenn ein Agent eine Rückerstattung genehmigen, einen Produktionsplan ändern oder Ausgaben freigeben kann, muss jemand die Grenzen festlegen.

Ein praktischer Maßstab sind Kosten und Umkehrbarkeit. Eine Entscheidung, die häufig anfällt, auf Regeln beruht und sich leicht rückgängig machen lässt, eignet sich gut für eine Delegation. Eine Entscheidung mit weitreichenden Folgen, die unumkehrbar ist oder die Beziehung zu einem Kunden prägt, sollte ein Mensch treffen.

Eine Delegation muss man sich außerdem verdienen. Beginnt damit, dass Agenten Empfehlungen aussprechen und ein Mensch sie genehmigt. Mit zunehmender Evidenz kann dieser Mensch vom Genehmigen jeder einzelnen Maßnahme dazu übergehen, das System zu überwachen und Ausnahmefälle zu bearbeiten.

Das Ziel ist nicht, in jede Schleife einen Menschen einzubinden, sondern in die richtigen. Daten liefern den Kontext. Modelle ziehen Schlussfolgerungen. Agenten führen Maßnahmen aus. Menschen legen die Befugnisse fest und tragen die Konsequenzen.

Sie haben bei Accenture und Cognizant große Geschäftsbereiche für Unternehmensplattformen geleitet. Um den Betrieb dort auszubauen, mussten Technologie, Menschen und Prozesse in globalen Organisationen aufeinander abgestimmt werden. Welche Lehren aus diesen Erfahrungen lassen sich auf die heutigen KI-Transformationsbemühungen übertragen – insbesondere dann, wenn Widerstände in der Organisation oder überholte Betriebsmodelle zu größeren Hindernissen werden als die Technologie selbst?

Am meisten habe ich durch Integration gelernt. Bei Cloud Sherpas, später bei Accenture und schließlich bei Cognizant habe ich jahrelang daran gearbeitet, Organisationen zusammenzuführen. Unterschiedliche Kulturen, Liefermodelle, Anreizsysteme und Regionen mussten als ein gemeinsames Plattformgeschäft funktionieren.

Die Technologie war selten der Engpass. Es war das Betriebsmodell.

Drei Lehren lassen sich unmittelbar auf die KI-Transformation übertragen.

Erstens: Widerstand ist meist rational. Menschen schützen das, woran ihre Leistung gemessen wird. Führt Agenten ein, während Teams weiterhin an Arbeitsstunden, Mitarbeiterzahl und Aktivität gemessen werden, bekommt ihr zwar Befolgung, aber keine Veränderung. Ändert die Maßstäbe, und das Verhalten wird sich anpassen.

Zweitens müssen Entscheidungsbefugnisse klar festgelegt sein. Bei jeder Integration waren die schwierigsten Gespräche diejenigen darüber, wer was entscheidet. Durch KI lässt sich diese Frage nicht mehr umgehen, denn einige der Entscheidungsträger sind keine Menschen mehr.

Drittens muss klar sein, was gleich bleibt. Menschen können Veränderungen besser annehmen, wenn sie verstehen, warum sie stattfinden, und wissen, was sich nicht ändern wird.

Die KI-Transformation ist ein Wandel des Betriebsmodells, bei dem auch Technologie zum Einsatz kommt. Führungskräfte, die sie als bloße Softwareeinführung behandeln, werden enttäuscht sein.

Herkömmliche Kennzahlen für den Erfolg von KI konzentrieren sich oft auf Nutzungsraten, Produktivitätssteigerungen und eingesparte Zeit. Welche Kennzahlen sollten Führungskräfte priorisieren, um festzustellen, ob KI die Geschäftsausführung tatsächlich verbessert, und wie können Unternehmen zwischen schrittweisen Effizienzgewinnen und einem bedeutenden operativen Wandel unterscheiden?

Nutzung und eingesparte Zeit sind Eingangskennzahlen. Sie zeigen, dass Menschen das Werkzeug verwenden, nicht aber, ob das Unternehmen dadurch schneller vorankommt.

Wenn ein Entwickler zwei Stunden einspart, die Veröffentlichung aber weiterhin eine Woche lang auf eine Überprüfung wartet, hat sich für den Kunden nichts geändert. Schnellere Aufgaben bedeuten nicht automatisch schnellere Ergebnisse.

Ich würde drei Arten von Kennzahlen priorisieren:

• Zeitraum vom Bedarf bis zum Ergebnis: Wie lange es von einer Anfrage bis zum Resultat dauert – vom Anfang bis zum Ende.
• Wartezeiten im Arbeitsablauf: Wie lange Entscheidungen dauern und wie viel Zeit durch Übergaben und Warteschlangen zwischen Teams verloren geht.
• Arbeit ohne Koordination: Wie viel eines Workflows ohne menschliche Koordination abläuft, während sich Menschen auf Urteilsvermögen und Ausnahmefälle konzentrieren.

Verknüpft diese Kennzahlen anschließend mit den Geschäftsergebnissen: den Kosten für die Leistungserbringung, der Qualität und dem Umsatz.

Der Test für einen Wandel ist einfach: Wurde die Aufgabe schneller erledigt oder hat sich der Workflow verändert? Schrittweise Verbesserungen beschleunigen denselben Prozess. Ein Wandel beseitigt Schritte, Übergaben und Genehmigungen, die nicht mehr nötig sind.

Messt die Zeit vom Bedarf bis zum Ergebnis. Findet heraus, wo die Arbeit ins Stocken gerät. Beseitigt die Ursache dafür.

Wie wird sich Ihrer Ansicht nach in den nächsten drei bis fünf Jahren das Verhältnis zwischen KI, Unternehmenssoftware und menschlichen Arbeitskräften entwickeln? Erwarten Sie eine Zukunft, in der KI-native Systeme herkömmliche Unternehmensabläufe grundlegend ersetzen, und was sollten Führungskräfte heute tun, um sich auf diesen Wandel vorzubereiten?

Dreißig Jahre lang sagte uns Unternehmenssoftware, was gerade geschah. In den nächsten drei bis fünf Jahren wird sie zunehmend die Arbeit erledigen.

Was KI ersetzen wird, ist Koordination: das Hinterherlaufen, Kopieren, Weiterreichen und Nachfassen, das den Großteil des Tages der meisten Menschen ausfüllt. Die Menschen werden sich stärker auf Urteilsvermögen, Ausnahmefälle, Beziehungen und die Verantwortung für Ergebnisse konzentrieren. Das ist eine bessere Nutzung menschlicher Expertise, erfordert aber neue Fähigkeiten, die Führungskräfte gezielt aufbauen müssen.

Was sollten Führungskräfte heute tun? Wählen Sie einen Arbeitsablauf mit weitreichenden Folgen aus und erfassen Sie die darin enthaltenen Entscheidungen. Bereinigen Sie die zugrunde liegenden Daten. Legen Sie fest, was der Agent entscheiden darf, und benennen Sie die Person, die für das Ergebnis verantwortlich ist. Gehen Sie anschließend zum nächsten Arbeitsablauf über.

Unternehmen, die KI als Werkzeug betrachten, werden effizienter. Unternehmen, die sich um sie herum neu organisieren, werden größere Hebelwirkung erzielen. KI ist nicht die Strategie. Entscheidend ist die Umsetzung.

Vielen Dank für das großartige Interview. Leserinnen und Leser, die mehr über KI-native Unternehmensumsetzung, intelligente Arbeitsabläufe und den Übergang von KI-Pilotprojekten zum produktiven Einsatz erfahren möchten, sollten KMS Technology besuchen.