Paradigmenwechsel in der Enterprise-IT: Warum KI das Ende der anwendungszentrierten Architektur erzwingt

Everpure-CEO Charles Giancarlo ist überzeugt: „Die Unternehmens-IT muss 50 Jahre alte Annahmen überdenken“

Die fundamentale Struktur der Unternehmens-IT steht vor ihrem größten Umbruch seit der Einführung der Cloud. Jahrzehntelang folgte die Infrastruktur einem ungeschriebenen Gesetz: Anwendungen stehen im Mittelpunkt, Daten sind ihr Nebenprodukt. Angesichts der rasanten Verbreitung von künstlicher Intelligenz (KI) und autonomen, agentenbasierten Systemen erweist sich dieses Modell zunehmend als Wachstumsbremse und Risikofaktor. Auf dem Pure Accelerate Summit in Las Vegas hat Everpure-CEO Charles Giancarlo eine grundlegende Neuordnung der Unternehmens-IT gefordert.

Der aktuelle Technologietrend hin zu Agentic AI – agentenbasierter KI, die eigenständig komplexe Geschäftsprozesse ausführen kann – legt die größte Schwachstelle traditioneller Silo-Architekturen schonungslos offen: Ihre wichtigsten Datenbestände sind in einer unüberschaubaren Anwendungslandschaft gefangen. Für Unternehmen bedeutet das mehr als eine technische Modernisierung: Sie müssen ihre über Jahrzehnte gewachsenen Annahmen zu Anwendungen, Datenkopien, Governance und Speicherinfrastruktur überprüfen.

Der Vorstoß kommt zu einem Zeitpunkt, an dem viele Unternehmen generative KI aus Pilotprojekten in produktive Umgebungen überführen wollen. Die praktischen Hürden liegen dabei weniger in den Modellen selbst als in der Qualität, Verfügbarkeit und Governance der zugrunde liegenden Daten.

Laut Gartner gehörten 2025 unter anderem Datenprodukte, Metadatenmanagement, multimodale Data Fabrics und agentenbasierte Analytik zu den prägenden Trends im Daten- und Analysemarkt. Damit rückt genau jene Ebene in den Fokus, die Giancarlo als bislang vernachlässigten Kern der Unternehmensarchitektur beschreibt. Er ordnet die aktuelle KI-Welle deshalb nicht als weiteres Software-Upgrade ein, sondern als Verschiebung der grundlegenden IT-Logik.

Das Erbe der App-Zentrierung

Giancarlos Ausgangspunkt ist eine historische Beobachtung: „Jede Computerrevolution ist im Kern architektonisch. Sie verändert das Verhältnis zwischen Software, Hardware, Kommunikation, Arbeitsspeicher und Datenspeicherung.“

In den vergangenen 30 Jahren dominierte der „Best-of-Breed“-Ansatz die IT-Beschaffung: Unternehmen wählten für jede Abteilung die jeweils spezialisierteste Software-as-a-Service- (SaaS) oder On-Premises-Lösung – sei es im Customer-Relationship-Management (CRM), Enterprise-Resource-Planning (ERP) oder Human Resources (HR). Das Ergebnis ist eine hochgradig fragmentierte Datenlandschaft.

Jede Applikation bringt ihre eigene Definition von Standardobjekten mit. Ein „Kunde“ im CRM-System unterscheidet sich datentechnisch oft grundlegend vom „Kunden“ im Abrechnungs- oder Logistiksystem. Um diese Diskrepanzen zu überbrücken, greifen IT-Abteilungen traditionell auf komplexe ETL-Pipelines (Extract, Transform, Load) zurück, die Daten kopieren, bereinigen und verschieben.

Dieser anwendungszentrierte Ansatz stößt bei modernen Datenanalysen und KI-Projekten an seine logischen Grenzen:

• Dateninkonsistenz: Mehrfache Datenkopien führen zwangsläufig zu veralteten oder widersprüchlichen Informationen.
• Hoher Integrationsaufwand: Ein Großteil der IT-Budgets fließt heute nicht in Innovationen, sondern in die Wartung von Schnittstellen und Datenpipelines.
• Mangelnde Echtzeitfähigkeit: Data Lakes und nachgelagerte Transformationen arbeiten meist im Batch-Verfahren und spiegeln nicht den aktuellen operativen Zustand wider.

Für generative KI und agentenbasierte Systeme ist diese Fragmentierung fatal. „In Geschäftsprozessen, Rechnungswesen sowie Forschung und Entwicklung reicht eine Genauigkeit von 95 Prozent schlichtweg nicht aus“, warnt Giancarlo. Wenn KI-Agenten auf Basis inkonsistenter Daten agieren, drohen Fehlentscheidungen mit direkten wirtschaftlichen Konsequenzen. Das klassische IT-Prinzip „Garbage in, garbage out“ gewinnt im Zeitalter autonomer Systeme eine neue, kritische Dimension.

Für Unternehmen bedeutet das: Datenqualität, Metadaten, Lineage und Zugriffskontrollen werden nicht mehr nur als Compliance-Themen behandelt, sondern als Voraussetzungen für produktive KI-Szenarien.

Data Primacy: Die Umkehrung der IT-Hierarchie

Um die Effizienz von KI im Unternehmen skalierbar zu machen, fordern Analysten und Branchenlenker eine radikale Umkehrung des Paradigmas: weg von der Anwendung, hin zu den Daten. Dieses Modell, auch als Data Primacy bezeichnet, stellt Daten als primäres, selbstbeschreibendes Unternehmens-Asset in den Mittelpunkt. Anwendungen werden in dieser Architektur zu austauschbaren Werkzeugen, die auf eine zentrale, maßgebliche Datenquelle zugreifen – das System of Record.

Die Umsetzung von Data Primacy basiert im Kern auf drei architektonischen Prinzipien:

1. Semantik direkt an der Datenebene: Die Bedeutung und der Kontext von Daten dürfen nicht länger im Code der jeweiligen Anwendung eingeschlossen sein. Daten müssen „selbstbeschreibend“ werden. Durch die Verknüpfung von Metadaten und semantischen Beschreibungen direkt auf der Speicherebene wird sichergestellt, dass jedes System und jeder KI-Agent die Daten ohne vorherige Transformation korrekt interpretieren kann.
2. Erhaltung statt Duplizierung: Die Praxis, für jedes neue Analysewerkzeug oder KI-Modell eine neue Datenkopie anzulegen, ist weder wirtschaftlich noch regulatorisch tragbar. Data Primacy verlangt eine einzige, unternehmensweit gesteuerte Quelle für Echtzeitdaten, die allen autorisierten Anwendungen konsistent zur Verfügung steht.
3. Datenbasierte Governance: In einer Welt, in der KI-Agenten systemübergreifend agieren, greifen rein anwendungsbasierte, rollenbasierte Zugriffskontrollen (RBAC) zu kurz. Governance muss direkt in die Datenebene integriert werden. Der Zugriff erfolgt dynamisch und kontextbezogen – basierend auf den Attributen der Daten selbst, der Identität des Agenten und dem Zweck der Abfrage.

Entscheidend ist aus seiner Sicht eine Datenbasis, die vom Unternehmen gesteuert, verwaltet und verstanden wird – und die von mehreren Anwendungen und Agenten für unterschiedliche Zwecke genutzt werden kann.

Technologische Infrastruktur für die datenzentrierte Ära

Der Übergang zu einer datenzentrierten Architektur erfordert auch auf Infrastrukturebene neue Ansätze. Unternehmen investieren verstärkt in Lösungen, die physische Datensilos logisch aufheben.

Wie Anbieter auf diesen Bedarf reagieren, zeigt sich am Beispiel von Everpure. Das Unternehmen hatte sich 2026 von Pure Storage in Everpure umbenannt und die Übernahme von 1touch abgeschlossen. Damit will sich der Anbieter stärker von klassischer Speicherinfrastruktur hin zu Datenmanagement, Klassifizierung, Kontextualisierung und KI-Bereitstellung bewegen.

Giancarlo verweist dabei auf die Enterprise Data Cloud des Unternehmens. Nach Darstellung von Everpure soll sie Speicherressourcen über Protokolle, Speicherebenen und Workloads hinweg als einheitliche Datenebene verwaltbar machen. Eine darüberliegende Steuerungsebene soll Richtlinien, Sicherheitsvorgaben und Lebenszyklusinformationen mit den Daten verknüpfen – unabhängig von deren physischem Speicherort.

Zusätzlich gewinnen Technologien zur automatisierten Datenklassifizierung an Bedeutung.

Unternehmenskunden sollten bei der Beschaffung künftig vor allem darauf achten, ob sich Datenbestände tatsächlich konsolidieren, Zugriffskontrollen konsistent durchsetzen und KI-Workloads mit aktuellen, erklärbaren und qualitätsgesicherten Daten versorgen lassen. Der Anspruch reicht damit über Storage-Effizienz hinaus: Everpure positioniert die Datenebene als operative Grundlage für KI, Governance und geschäftskritische Workflows.

Das neue Organisationsmodell für IT-Führungskräfte

Die technologische Neuausrichtung zieht tiefgreifende Veränderungen für die Organisation von IT-Teams nach sich. Die Rollen von Chief Technology Officers (CTOs), Chief Data Officers (CDOs) und Infrastrukturverantwortlichen verschieben sich. Stand bisher die Optimierung einzelner Aufgaben und Anwendungen im Fokus, verlagert sich der Schwerpunkt nun auf das Management ergebnisorientierter, datengetriebener Workflows.

Für IT-Entscheider bedeutet dies, dass die Datenstrategie nicht länger der Softwarebeschaffung folgt. Vielmehr muss zuerst eine unternehmensweite Datenarchitektur definiert werden, an der sich künftige Software- und KI-Investitionen ausrichten müssen. Unternehmen, die diesen Schritt vollziehen, schaffen die Grundlage für agile, widerstandsfähige und präzise automatisierte Geschäftsprozesse im KI-Zeitalter.

Giancarlo fasst diese Verschiebung als Aufforderung an Unternehmen zusammen, Daten nicht länger als Nebenprodukt einzelner Anwendungen zu behandeln: „Alle sprechen über die Bedeutung von Daten. Jetzt ist es an der Zeit, Daten in den Mittelpunkt zu stellen. Alles andere wird folgen“, sagte er zum Abschluss seines Vortrags.