2028 wird nicht deshalb ein prägendes Jahr für die Unternehmens-IT, weil einzelne Technologien plötzlich neu wären. Die Technologietrends der Unternehmens-IT 2028 entstehen vielmehr aus Entscheidungen, die viele Organisationen heute unter Zeitdruck treffen: Wie weit darf KI eigenständig handeln? Welche Cloud-Abhängigkeiten sind akzeptabel? Und wie lässt sich Sicherheit in eine Infrastruktur einbauen, die sich permanent verändert?
Für CIOs, CISOs, CTOs und Architekten liegt die Herausforderung darin, nicht jede neue Fähigkeit isoliert zu bewerten. Entscheidend ist das Zusammenspiel aus Architektur, Betriebsmodell, Datenzugriff, Resilienz und Regulierung. Wer 2028 handlungsfähig sein will, muss diese Ebenen jetzt gemeinsam gestalten.
Technologietrends der Unternehmens-IT 2028: Die Verschiebung zum Betriebsmodell
Der auffälligste Trend ist keine einzelne Plattform, sondern die Verlagerung von Projektlogik zu dauerhaften Produkt- und Plattformmodellen. Viele Unternehmen haben Cloud, Container und DevOps eingeführt, betreiben sie aber weiterhin als Sammlung heterogener Einzelinitiativen. Das erzeugt Wahlfreiheit auf dem Papier, in der Praxis jedoch hohe kognitive Last, uneinheitliche Sicherheitskontrollen und schwer steuerbare Kosten.
Bis 2028 wird sich stärker durchsetzen, was heute oft unter Platform Engineering diskutiert wird: interne Plattformen, die Teams einen klaren, abgesicherten und beobachtbaren Weg in die Produktion bieten. Das bedeutet nicht, Entwicklungsteams zu zentralisieren oder technische Entscheidungen vollständig vorzuschreiben. Es bedeutet, wiederkehrende Entscheidungen zu standardisieren – etwa Identitäten, Secrets, CI/CD-Policies, Observability, Infrastruktur-Templates und Freigabeprozesse.
Der Zielkonflikt bleibt real. Eine zu starre Plattform wird umgangen und bremst Produktteams. Eine zu offene Plattform verlagert Komplexität in jedes einzelne Team. Gute Plattformen behandeln deshalb Developer Experience als Steuerungsgröße, ohne Security und Compliance zu optionalen Zusatzschritten zu machen.
AI-native Development verändert die Lieferkette
KI-gestützte Entwicklung wird bis 2028 zum normalen Bestandteil vieler Engineering-Workflows gehören. Ihr Wert liegt nicht nur darin, Code schneller zu erzeugen. Relevanter sind Tests, Dokumentation, Refactoring, Analyse von Incidents und die Suche durch große Codebasen. Gerade in gewachsenen Anwendungslandschaften kann das Teams helfen, implizites Wissen sichtbar zu machen.
Die Risiken liegen in derselben Lieferkette. Generierter Code kann fehlerhafte Annahmen, unsichere Abhängigkeiten oder Lizenzrisiken übernehmen. Wenn KI Systeme, Konfigurationen und Pull Requests analysiert, entstehen zudem neue Zugriffswege auf Quellcode, Geheimnisse und interne Architekturinformationen. Die Frage ist daher nicht, ob Entwickler KI nutzen dürfen. Sie lautet: Welche Daten dürfen in welchem Kontext verarbeitet werden, welche Prüfungen bleiben verpflichtend und wie wird die Herkunft von Artefakten nachvollziehbar?
Software Supply Chain Security wird damit stärker mit Entwicklungsproduktivität zusammenwachsen. Signierte Artefakte, nachvollziehbare Build-Provenance, automatisierte Dependency-Prüfungen und klare Regeln für Modellzugriffe sind keine Spezialthemen mehr. Sie werden Teil eines belastbaren Engineering-Standards.
Agentic AI braucht Grenzen, nicht nur Fähigkeiten
Der Schritt von Assistenzsystemen zu Agenten ist für die Unternehmens-IT besonders folgenreich. Ein Assistent beantwortet Fragen oder erstellt Vorschläge. Ein Agent kann Aufgaben planen, Werkzeuge aufrufen, Daten abfragen und definierte Aktionen ausführen. Im IT-Betrieb sind plausible Einsatzfelder erkennbar: Ticket-Triage, Korrelation von Events, Runbook-Ausführung, Bereitstellung standardisierter Ressourcen oder die Voranalyse von Sicherheitsmeldungen.
Gerade deshalb reicht ein Chat-Interface mit Unternehmensdaten nicht aus. Sobald Systeme handeln können, werden Berechtigungen, Nachvollziehbarkeit und Fehlergrenzen zur Architekturfrage. Ein Agent mit weitreichendem Zugriff kann effizient sein – oder mit einer fehlerhaften Schlussfolgerung Schaden skalieren.
Für produktive Szenarien brauchst Du daher ein abgestuftes Modell. Niedrigriskante Tätigkeiten dürfen stärker automatisiert werden als Änderungen an produktiven Systemen, Identitäten oder Finanz- und Vertragsdaten. Tool-Zugriffe sollten minimal gehalten, Aktionen protokolliert und kritische Schritte mit Freigaben versehen werden. Wichtig ist auch die Trennung zwischen Anweisung, Kontext und Berechtigung: Dass ein Modell eine Aufgabe sprachlich versteht, darf ihm nicht automatisch zusätzliche Rechte geben.
Das ist kein Plädoyer für manuelle Kontrolle an jeder Stelle. Es ist ein Plädoyer für kontrollierbare Autonomie. Je klarer Prozessgrenzen, Datenklassifikation und Verantwortlichkeiten definiert sind, desto eher lassen sich Agenten sinnvoll in Betrieb und Entwicklung einsetzen.
Souveränität wird zur Architekturentscheidung
Digitale Souveränität wird 2028 weniger als abstrakte Standortdebatte behandelt werden können. Sie betrifft konkrete Abhängigkeiten: von Hyperscalern, proprietären Datenformaten, Identitätsdiensten, Modellen, Halbleiter-Lieferketten und Managed Services. Eine vollständige Unabhängigkeit ist für die meisten Unternehmen weder realistisch noch wirtschaftlich sinnvoll. Dennoch ist es riskant, kritische Fähigkeiten so zu beziehen, dass Wechsel, Prüfung oder Wiederanlauf praktisch unmöglich werden.
Souveränität ist deshalb kein Binärwert. Für manche Workloads reichen vertragliche Zusicherungen, Verschlüsselung und klare Ausstiegsoptionen. Bei besonders schutzbedürftigen Daten oder kritischen Prozessen können andere Betriebsmodelle nötig sein – etwa dedizierte Umgebungen, europäische Betriebsoptionen oder selbst kontrollierte Schlüsselverwaltung. Die angemessene Lösung hängt von Schutzbedarf, Regulierung, Betriebsfähigkeit und Kosten ab.
Architektonisch zählt vor allem Portabilität an den richtigen Stellen. Offene Schnittstellen, dokumentierte Datenmodelle, exportierbare Logs und getestete Exit-Pläne sind wertvoller als der pauschale Anspruch, jede Anwendung jederzeit in jede Cloud verschieben zu können. Diese vollständige Austauschbarkeit bleibt häufig teuer und theoretisch.
Cyberresilienz wird messbar und betriebsnah
Security-Programme verschieben sich von der Frage, ob ein Angriff verhindert wurde, zur Frage, wie gut die Organisation unter Angriff handlungsfähig bleibt. Ransomware, Angriffe auf Lieferketten, kompromittierte Identitäten und Fehlkonfigurationen werden nicht durch eine einzelne Kontrollschicht gelöst. Der entscheidende Unterschied liegt in Erkennung, Eindämmung und Wiederherstellung.
Bis 2028 wird Cyberresilienz stärker an überprüfbaren Fähigkeiten gemessen werden: Wie schnell lassen sich privilegierte Zugänge sperren? Können kritische Anwendungen aus sauberen, getesteten Backups wiederhergestellt werden? Sind Abhängigkeiten zwischen Services, Datenbanken, Identitäten und Netzwerkpfaden bekannt? Und funktionieren Notfallprozesse auch dann, wenn zentrale Kollaborations- oder Identitätssysteme betroffen sind?
Das fordert eine engere Verbindung von Security Operations, SRE, Infrastrukturteams und Fachverantwortlichen. Observability darf nicht bei Performance-Metriken enden. Telemetrie, Asset-Transparenz und Ereigniskorrelation müssen helfen, technische Auswirkungen auf Geschäftsprozesse zu erkennen. Gleichzeitig gilt: Mehr Daten sind nicht automatisch bessere Erkennung. Ohne priorisierte Use Cases, Datenqualität und geübte Abläufe wächst vor allem das Rauschen.
Regulatorische Anforderungen verstärken diese Entwicklung. Vorgaben zu Cyberresilienz, Meldewegen, Drittparteirisiken und Governance erhöhen den Druck, Verantwortlichkeiten sauber zu dokumentieren. Wer Compliance nur als Nachweisprojekt behandelt, wird doppelte Prozesse aufbauen. Sinnvoller ist es, Anforderungen in Architekturstandards, Kontrollkataloge und den regulären Betriebsrhythmus zu übersetzen.
Daten- und AI-Governance wird zur Produktdisziplin
Viele Organisationen verfügen über mehr Datenplattformen als belastbare Antworten auf einfache Fragen: Welche Daten sind verlässlich? Wer verantwortet ihre Qualität? Unter welchen Bedingungen dürfen sie für Analytik oder Modelle genutzt werden? Mit generativer und agentischer KI wird diese Lücke sichtbarer, weil Modelle Datenfehler, unklare Berechtigungen und widersprüchliche Begriffe sehr schnell in Ergebnisse übertragen.
Eine wirksame Governance muss deshalb näher an den Datenprodukten und Prozessen liegen. Zentral vorgegebene Prinzipien für Klassifikation, Zugriff, Aufbewahrung, Qualität und Nachvollziehbarkeit sind notwendig. Die fachliche Verantwortung für Bedeutung und Qualität kann jedoch nicht vollständig in ein zentrales Governance-Team ausgelagert werden.
Auch bei KI-Modellen reicht eine einmalige Freigabe nicht. Modelle, Prompts, Datenquellen, Werkzeuge und Einsatzkontexte verändern sich. Für kritische Anwendungen brauchst Du eine laufende Bewertung von Risiken, Leistungsfähigkeit und Veränderungen im Nutzungsmuster. Dabei gilt ein nüchterner Maßstab: Nicht jede KI-Anwendung benötigt dieselben Kontrollen. Aber jede Anwendung braucht Kontrollen, die zu ihrem Schadenpotenzial passen.
Was Du vor 2028 entscheiden solltest
Die kommenden Jahre sind kein Anlass, eine starre Zielarchitektur bis ins Detail festzuschreiben. Technologie, Regulierung und Anbieterlandschaften werden sich weiter bewegen. Dennoch gibt es Entscheidungen, die sich später nur mit hohem Aufwand korrigieren lassen: Identitätsarchitektur, Datenzugriffsmodelle, zentrale Plattformfähigkeiten, Recovery-Strategie, Lieferkettenkontrollen und der Umgang mit strategischen Abhängigkeiten.
Beginne dort, wo Dein Unternehmen ohnehin Komplexität spürt: bei langsamen Freigaben, unklaren Berechtigungen, schlecht testbaren Wiederanläufen oder KI-Experimenten ohne klaren Datenrahmen. Genau dort zeigen sich die Technologietrends der Unternehmens-IT 2028 zuerst – nicht in Prognosefolien, sondern in den Reibungen des täglichen Betriebs.
Die sinnvollste Vorbereitung ist deshalb kein großes Transformationsprogramm mit möglichst vielen Schlagworten. Schaffe Entscheidungen, Standards und Übungen, die Deine Teams auch dann tragen, wenn sich die konkrete Technologie schneller ändert als der Plan.