Altsysteme KI-ready machen: API-Layer statt Neustart
Ein Werkleiter im Automobilzulieferer sitzt in einem Dilemma. Sein 22 Jahre altes Produktionsplanungssystem funktioniert noch, aber es rechnet nicht voraus. Wenn eine Maschine häufiger ausfällt, merkt das System nichts – die nächste geplante Wartung läuft nach Plan. Ein modernes KI-System könnte Ausfallmuster erkennen und Wartung um Tage vorverlegen, würde 180 Stunden ungeplante Downtime pro Jahr sparen. Aber: Das alte System hat keine APIs. Neustart kostet 2 Millionen Euro. Doch es gibt eine Lösung, die viele übersehen: Ein API-Layer als Adapter.
Ein API-Layer macht alte Systeme KI-ready in 6-10 Wochen für 80-150k EUR, statt ein Neusystem 18-24 Monate und 2-4 Millionen EUR kostet. Der Adapter liest Daten aus dem Legacy-System, speist sie in ein KI-Modell, und schreibt Vorhersagen zurück. Das alte System bleibt unangetastet, wird aber plötzlich intelligent.
Warum API-Layer für Legacy statt Neusystem die schnellere Lösung ist
Vergleich der zwei Strategien: KI + API-Adapter auf Legacy braucht 6-10 Wochen, während Legacy ersetzen + modernes KI-System 18-24 Monate dauert. Komplexität: niedrig vs. hoch. Ausfallrisiko: minimal vs. maximal. Kosten: 80-150k EUR vs. 2-4 Millionen EUR. Fachkräfteaufwand: 2-3 Junior-Entwickler vs. 15-25 Spezialisten. Gewinn im Jahr 1: 40-60% der Potenziale vs. 20-30%.
Der Grund ist einfach: Wenn man nur KI haben will, braucht man nicht alles neue. Man braucht nur einen Kanal zwischen alt und neu.
Die technische Architektur: Wrapper, Gateway, Anti-Corruption Layer
Es gibt drei bewährte Muster. Muster 1: Wrapper um das Legacy-System. Das alte System bleibt exakt wie es ist, rundum wird eine moderne API gebaut, die alte Schnittstellen übersetzt. Vorteile: Legacy-System ist absolut sicher. Nachteil: Nur Datenlesen ist einfach, Zurückschreiben von KI-Vorhersagen kann komplex sein. Aufwand: 4-8 Wochen.
Muster 2: Message Queue als Puffer. Legacy und KI reden nicht direkt. Jede Änderung wird als Nachricht in eine Queue geschrieben. Vorteile: Sehr entkoppelt, ein System kann offline gehen ohne das andere zu brechen. Nachteil: Verzögerungen im Millisekundenbereich. Aufwand: 6-12 Wochen.
Muster 3: Anti-Corruption Layer. Das neue KI-System hat abstrakte Schnittstellen, der ACL übersetzt zwischen Legacy und KI-Erwartungen. Vorteile: KI kann unabhängig entwickelt werden. Nachteil: Zusätzlicher Layer, zusätzliche Wartung. Aufwand: 8-16 Wochen.
Fallbeispiel: Kunststoffverarbeiter mit Vorhersage-KI
Ein altes Produktionsplanungssystem konnte nicht vorhersagen, ob eine Charge heute fertig wird oder übermorgen (großes Durchsatzrisiko für Kunden). Umgesetzt: Anti-Corruption Layer mit Python. Das alte System weiß nicht, dass es KI nutzt. Es fragt nur eine REST-API ab. Die KI läuft völlig unabhängig. Resultat: Das alte System wurde in zwei Wochen KI-ready, ohne ein einziger Zeile des Originals zu ändern.
Häufige Fragen
Kann KI auf alt-Daten trainiert werden?
Ja, aber mit Vorsicht. Auf letzten 2-3 Jahren trainieren, nicht auf 20 Jahre alte Daten. Regelmäßig neu trainieren.
Wie lange dauert ein API-Layer typischerweise?
Abhängig von Komplexität: 4-10 Wochen für mittlere Systeme, wenn die Datenbankanbindung stabil ist.
Kostet der API-Layer später mehr Wartung?
Nein, weniger. Der API-Layer ist reiner Code, kann version-kontrolliert werden. Das alte System ist Hardware + proprietäre Logik.
Kann man später problemlos zum echten Neusystem updaten?
Ja, das ist der Plan. Der API-Layer ist ein Übergangsstadium. Nach 2-3 Jahren wechselt das KI-Modell nur den Datenprovider.
Welcher API-Adapter passt zu Ihrem System?
Unser Kostenrechner zeigt Ihnen, wann sich der API-Adapter amortisiert.
Kosten kalkulieren →Vom Pilot in den Regelbetrieb: Hosting, Berechtigungen und Rollout je Abteilung stehen auf der Seite KI-Implementierung.
Ein Problemfeld, mehrere Blickwinkel, alle enden in derselben Rechnung: dem LLM-Kostenrechner.
- Open-Source-KI-Modelle: vier Lizenzklauseln vor dem Einsatz
- VRAM-Rechnung: welche GPU für welches KI-Modell
- Quantisierung: was 4 Bit an Genauigkeit kosten
- Lokale KI vs. API: ab wann sich eigene Hardware rechnet
- Datenhoheit bei KI: vier Betriebsformen im Vergleich
- Legacy modernisieren ohne Neustart: Hybrid-Ansätze
