ManageEngines Zuverlässigkeitspitch ist ein CFO-Gespräch, kein CTO-Gespräch

Die Frage, die jeder Plattformverantwortliche in Südostasien dieses Quartal seinem CFO stellen sollte, lautet nicht: Welches Modell soll lizenziert werden? – sondern: Wie viel des nächsten KI-Budgetzyklus wird von Modell-Zugangsentgelten zurück in die unspektakuläre Schicht darunter umgeleitet: Datenpipelines, Identitätsverwaltung und Observability. Das ist die Neuausrichtung, die Rajesh Ganesan, CEO von ManageEngine, während der Eröffnungskeynote der ManageEngine Southeast Asia User Conference in Jakarta diese Woche vorangetrieben hat. Es klingt nach Anbieter-Sprechblase. Wer genau liest, erkennt darin eine Beschaffungswarnung.

Die Zahlen

In der Keynote werden keine konkreten Geldbeträge genannt – und genau das ist die eigentliche Botschaft. Wie Back End News aus Jakarta berichtete, lenkte Ganesan die Aufmerksamkeit von Modellausgaben auf Infrastrukturbereitschaft und nannte Datenqualität als eine der größten Herausforderungen für Organisationen bei der Umsetzung von KI-Vorhaben. Für einen CEO, dessen Unternehmen IT-Management-Software verkauft, ist das markenkonform. Es ist meiner Einschätzung nach jedoch auch inhaltlich richtig – in einer Weise, die der Markt bisher nur langsam einpreist.

Man betrachte, was er dargelegt hat: Organisationen in ganz Südostasien beschleunigen die KI-Einführung, während sie weiterhin eine Mischung aus On-Premises-Systemen und Cloud-Diensten betreiben. Regierungen in der Region verschärfen die Regeln zur Datensouveränität, was bedeutet, dass der Speicherort von Daten heute eine rechtliche und nicht nur eine architektonische Frage ist. Steigende Rechenleistungsnachfrage und zunehmender Energieverbrauch von Rechenzentren wurden beide als praktische Einschränkungen für die Einführung genannt. Keine dieser Beobachtungen ist für sich genommen neu. Zusammengenommen beschreiben sie eine Kostenkurve, die sich in die falsche Richtung biegt – für alle, die davon ausgegangen sind, dass KI-Investitionen hauptsächlich GPU-Ausgaben betreffen.

Ganesan ordnete den aktuellen Moment als jüngste Phase eines längeren Bogens ein: Organisationen haben manuelle Prozesse digitalisiert, dann Workflows automatisiert und anschließend Mitarbeiter- und Kundenerlebnisse verbessert. Die nächste Phase, so sein Argument, sind Systeme, die mit minimaler menschlicher Eingriffe entscheiden und reagieren. Das ist der Autonomie-Pitch. Was diesen Zyklus von früheren Transformationsphasen unterscheidet, ist die Abhängigkeit: Autonomie erfordert ein Datensubstrat, das sauber genug ist, damit ein Modell darauf handeln kann, ohne dass ein Mensch zur Fehlerkorrektur eingreifen muss. „Wenn Ihre Daten nicht gut sind, werden Sie unabhängig von der Leistungsfähigkeit des KI-Modells keine Ergebnisse sehen", sagte er, „insbesondere keine Ergebnisse wie Autonomie, bei der das System sich um alles kümmern soll."

Die Implikation für die Kostenstruktur ist eindeutig: Jeder Euro, der für Frontier-Modell-Zugang ausgegeben wird, ohne eine entsprechende Investition in Datenqualität, Integration und Observability, erzeugt Demo-Output, aber keinen Produktions-Output. Finanzteams, die KI-Ausgaben bislang als eine einzige Budgetzeile behandelt haben, werden spätestens nach zwei Budgetzyklen feststellen, dass es sich um drei oder vier Positionen mit sehr unterschiedlichen ROI-Profilen handelt.

Was wirklich neu ist

Das wirklich neue Signal hier ist nicht, dass Zuverlässigkeit wichtig ist. Jeder, der ein Plattformteam durch ein Compliance-Audit geführt hat, wusste das. Was neu ist: Ein Anbieter aus der IT-Operations-Kategorie positioniert sich nun explizit gegen das Model-First-Narrativ – und tut das in einem Markt, in dem Hybrid-Deployment der Standard ist und nicht ein peinlicher Altzustand.

ManageEngine hat Pläne vorgestellt, sein Portfolio zu einer einheitlicheren Plattform zusammenzuführen, die Service Management, Endpoint Management, Identity and Access Management, Security Operations, Observability und Analytics umfasst. Die Zia-KI-Technologie wird plattformübergreifend eingebettet, um Routineaufgaben zu automatisieren, die Sicherheit zu verbessern, Workflows zu orchestrieren und IT-Teams bei schnelleren Entscheidungen zu unterstützen. Ohne den Marketingglanz beschreibt das eine Konsolidierungsstrategie, die genau auf die operative Oberfläche abzielt, an der KI-Agenten in der Produktion entweder erfolgreich sein oder scheitern werden.

Hier ist der Grund, warum das für die Build-vs-Buy-Entscheidung relevant ist: Ein Plattformteam, das autonome oder semi-autonome Workflows aufbaut, benötigt Identitäts-, Endpoint-Telemetrie-, Service-Ticket- und Observability-Daten, die dasselbe Schema sprechen. Wenn diese von sechs Anbietern stammen, scheitert das KI-Projekt leise an den Integrationskosten. Wenn sie von einem stammen, erhält man Lock-in-Risiko, aber einen kohärenten Event-Bus. Keine Antwort ist universell richtig. Die Wahl muss jedoch von Plattformverantwortlichen 2026 getroffen werden, nicht erst 2028. Referenzarchitekturen wie das Google Cloud Framework und offene Standards wie OpenTelemetry existieren genau deshalb, damit Teams Flexibilität bewahren können, während sie dennoch konsolidieren. Teams, die diese Standards für schnelles Vorankommen umgehen, werden beim nächsten Anbieter-Renegotiating dafür bezahlen.

Das zweite wirklich neue Element ist der Pragmatismus-Pitch. „Einfachheit wird nach wie vor sehr wichtig sein", sagte Ganesan. „Sie müssen nicht auf die absoluten Top-Optionen setzen. Können Sie pragmatische Entscheidungen treffen? Praktische Entscheidungen, wie die Nutzung verschiedener Modelle oder kleiner Modelle für spezifische Geschäftsfunktionen?" Das ist eine direkte Absage an die Annahme, dass das Frontier-Modell immer die richtige Beschaffungsoption ist. Für regulierte Branchen hat das Argument für kleinere, funktionsspezifische Modelle echtes Gewicht: günstigere Inferenz, einfachere Bewertung, engere Datengrenzen und ein deutlich einfacheres Gespräch mit dem General Counsel darüber, wohin Eingaben und Ausgaben übertragen werden.

Was für Engineering-Teams bereits eingepreist ist

Die meisten erfahrenen Ingenieure kennen das Datenqualitätsargument bereits. Es ist seit etwa 2017 die Pointe jedes ML-Projekt-Retrospektivs. Was noch nicht eingepreist ist – meiner Einschätzung nach – sind die organisatorischen Konsequenzen.

Wenn Autonomie von Zuverlässigkeit abhängt und Zuverlässigkeit von Daten plus Identität plus Observability plus Integration, dann ist das Team, das diese Funktionen besitzt, nun auf dem kritischen Pfad für die KI-Roadmap. In den meisten Fintech- und iGaming-Plattformorganisationen, die ich kenne, sind diese Funktionen verstreut: Data Engineering berichtet an Analytics, IAM ist unter Security angesiedelt, Observability liegt beim SRE-Team und Integration ist eine gemeinsame Verantwortung, die niemand wirklich trägt. Das funktioniert gut, wenn das Ergebnis ein Dashboard ist. Es bricht, wenn das Ergebnis ein Agent ist, der in die Produktion eingreift.

Die Konsequenz für den Arbeitsmarkt liegt auf der Hand: Die Nachfrage nach erfahrenen Plattformingenieuren, die Datenqualität, IAM und Observability übergreifend beherrschen, ohne für jede Schema-Änderung drei Tickets zu benötigen, wird das Angebot bis zur zweiten Hälfte von 2026 übersteigen. Die Vergütung für dieses Profil steigt bereits, und Kandidaten, die diesen Anspruch glaubwürdig vertreten können, erhalten aggressive Gegenangebote. Teams, die davon ausgegangen sind, ein paar Prompt-Engineers einzustellen und die KI-Initiative damit als besetzt zu betrachten, erleben ein schwieriges Q4.

Was ebenfalls eingepreist, aber unterschätzt ist, ist der Datensouveränitäts-Aufpreis. Der Fokus südostasiatischer Regierungen auf den Speicher- und Verarbeitungsort von Daten verändert die Deployment-Topologie für jedes grenzüberschreitende Produkt. Die gemischte On-Premises-plus-Cloud-Ausrichtung, die Ganesan beschrieb, ist kein Übergangszustand, sondern der Zielzustand. Ingenieure, die für Cloud-only konzipiert haben, werden refaktorieren müssen.

Die Gegenmeinung

Die kritische Lesart ist, dass ein Anbieter-CEO seinen Kunden sagt, mehr von dem zu kaufen, was sein Anbieter verkauft – verpackt als strategischer Rat. Daran ist etwas Wahres. ManageEngine profitiert direkt, wenn Unternehmen entscheiden, dass die Antwort auf KI-Bereitschaft eine einheitliche IT-Management-Plattform mit eingebetteter KI ist. Jeder Konsolidierungspitch in der Geschichte von Unternehmenssoftware hat dieses Drehbuch genutzt.

Das interessantere Gegenargument ist technischer Natur. Wenn kleine, funktionsspezifische Modelle plus bessere Daten-Infrastruktur wirklich der pragmatische Weg sind, werden die Gewinner möglicherweise gar nicht die Plattformkonsolidierer sein. Es könnten die Teams sein, die sehr gut darin werden, beste Open-Source-Komponenten zu kombinieren: eine solide Postgres-Schicht mit gutem Replikations-Disziplin, OpenTelemetry-native Observability und einige kleine, auf internen Daten fine-getunte Modelle. Dieser Stack ist günstiger, portabler und – wichtig – weniger dem Roadmap-Risiko des Anbieters ausgesetzt.

Meine ehrliche Einschätzung: Beide Wege können für unterschiedliche Unternehmen richtig sein. Ein 200-köpfiges Fintech ohne dedizierte IT-Ops-Funktion wird aus einer einheitlichen Suite mehr Nutzen ziehen als aus dem Zusammensetzen von zehn Open-Source-Tools. Eine 2.000-köpfige Plattformorganisation mit echten Infrastrukturkapazitäten wird das Lock-in innerhalb von zwei Vertragszyklen bereuen. Der Fehler liegt darin anzunehmen, das eigene Unternehmen sei dasjenige, das keine Wahl treffen muss.

Die Stakeholder-Frage dieser Woche

Der Stakeholder, der hier die Führung übernehmen muss, ist der VP Engineering, nicht der Chief AI Officer. Die Frage, die der VP Engineering diese Woche auf die Agenda des Führungsteams setzen sollte, ist direkt: Welcher Prozentsatz unseres KI-Budgets für die nächsten 12 Monate entfällt auf Modellzugang und Inferenz, und welcher Prozentsatz auf die Daten-, Identitäts- und Observability-Schicht, gegen die diese Modelle tatsächlich laufen werden? Wenn das Verhältnis schlechter als etwa 1:2 zugunsten der zugrundeliegenden Plattformarbeit ist, ist der Projektplan aspirativ, nicht operativ. Das ist ein Gespräch, für das der CFO im Juli dankbar sein wird – und nicht erst im Januar.

Wichtigste Erkenntnisse

• Ganesans Jakarta-Keynote stellt KI-Bereitschaft als Infrastrukturbeschaffungsfrage neu dar, wobei Datenqualität als einer der größten Blocker für Autonomieergebnisse genannt wird.
• ManageEngines Schritt, Service Management, Endpoint, IAM, Security Operations, Observability und Analytics unter einer Plattform mit eingebetteter Zia-KI zu vereinen, ist ein direkter Konsolidierungsvorstoß gegen Multi-Anbieter-IT-Ops-Stacks.
• Südostasiens Mischung aus On-Premises und Cloud, kombiniert mit verschärften Datensouveränitätsregeln, macht Hybrid zur stabilen Zielarchitektur, nicht zu einer Übergangsphase.
• Der pragmatische Pitch, kleine, funktionsspezifische Modelle statt Frontier-Optionen zu verwenden, bietet Engineering-Teams in regulierten Branchen echte Kosten-, Evaluierungs- und Regulierungsvorteile.
• Teams, die in den nächsten 90 Tagen KI-Plattformen bewerten, sollten sich fragen, ob ihre Daten-, Identitäts- und Observability-Schichten autonome Entscheidungsfindung unterstützen können – und nicht, ob sie den richtigen Modellanbieter gewählt haben.