Peter Wiederkehr

Über 190’000 Zeilen Next.js 10 / React 17, nur Web, überführt in eine neue Codebasis, die Web und native Mobile ausliefert – die mobilen Apps entstanden aus der Migration selbst, nicht danach. Das alte Frontend wurde im Juli 2026 in Produktion abgeschaltet; die Arbeit lag bei einem Engineer. Es lief als Pipeline, nicht als Rewrite: Agenten folgten den Imports des Altsystems, um zu finden, was ein Feature tatsächlich berührte, und hielten dessen beobachtbares Verhalten in einer plattformneutralen Spezifikation fest – Geschäftsregeln, User Stories, API-Inventar, State –, aus der Planung und Umsetzung arbeiteten. Die Spezifikation schrieb ein Agent, der den Legacy-Code nie las, sodass nichts durch Nachahmung übernommen wurde; ein separater Paritätsdurchgang verglich Alt gegen Neu, Bereich für Bereich, und jede Lücke ging zur Entscheidung an einen Menschen. Einundzwanzig Features durchliefen sie. Herausgekommen ist keine Portierung, sondern eine Codebasis, die dafür gebaut ist, von Agenten bearbeitet zu werden – und dieselbe Pipeline, die sie migriert hat, baut heute darauf weiter.

Wie ein System betrieben wird, ist normalerweise Wissen und nichts Materielles: welche Einstellungen ein Dienst braucht, wo seine Daten liegen, was in Produktion nie geschehen darf – und es liegt bei dem, der es aufgesetzt hat. Hier beschreibt sich die Plattform stattdessen selbst, sodass jede Operation aus dieser Beschreibung abgeleitet wird, statt aus dem Gedächtnis getippt zu werden, und die Regeln, die Produktion schützen, gelten, weil sie festgeschrieben sind und nicht erinnert werden. Genau das macht die Arbeit für Agenten ausführbar: Ein Agent kann deployen, den laufenden Stand prüfen, ein Secret rotieren oder eine Datenbank wiederherstellen, weil die Parameter auf dem Papier stehen und nicht in einem Kopf. Er kann nicht nur ausführen, sondern auch untersuchen – Produktionslogs und Telemetrie lesen und die Produktionsdatenbanken über Verbindungen abfragen, die bauartbedingt nur lesen können, wobei diese Eigenschaft selbst geprüft wird, indem Schreibversuche fehlschlagen müssen. Die Grenze ist bewusst gesetzt: Operationen, die etwas zerstören können, verlangen einen Menschen am Terminal und bieten keinen Schalter, das zu überspringen. Alles zu automatisieren war nie das Ziel – alles explizit zu machen schon, und die Automatisierung folgt daraus.

Das Ziel war, dass die Einführung der Plattform kein zusätzliches Personal bedeutet. Arbeit, für die ein Kunde sonst jemanden einstellen müsste, geschieht im Produkt: den Text schreiben und schärfen, der ein Erlebnis verkauft, ihn übersetzen, die passenden Bilder erzeugen, einen Anbieter oder einen Event im Web recherchieren, Social-Media-Beiträge innerhalb der Grenzen jeder Plattform verfassen, Menschen mit dem zusammenbringen, was wirklich zu ihnen passt, und prüfen, was Nutzer einreichen, bevor es live geht. Jede dieser Aufgaben wurde früher von Hand erledigt; heute wird sie geprüft statt produziert – und genau das erlaubt es einem Kunden, das Geschäft auf der Plattform wachsen zu lassen, ohne das Team wachsen zu lassen, das es betreibt. Die Modelle dahinter stammen von mehreren Anbietern, pro Fähigkeit ausgewählt und per Konfiguration austauschbar statt durch einen Rewrite, und die Kosten jedes Aufrufs werden pro Anfrage erfasst – was die Produktivität kostet, ist damit eine Zahl und keine Vermutung.

KI gut zu nutzen ist eine Fähigkeit, kein Thema – und die Fähigkeit trägt über jedes Werkzeug hinweg. Ein dreistündiger Grundlagenkurs für Business-Professionals, gebaut auf diesem Gedanken: acht Module, von einem tragfähigen Bild dessen, was KI eigentlich ist, über Anweisungen, die funktionieren, bis zu Privatsphäre-Einstellungen und den Arten, wie KI danebenliegt – Halluzination, Bias, vorschnelles Zustimmen – live gezeigt in ChatGPT, Claude und Gemini nebeneinander, in einfacher Sprache. Das Ziel ist bewusst das Grundwissen: die Prinzipien so verstanden, dass wer tiefer einsteigen will, festen Boden unter sich hat.

Der Auftrag des Teams lief über den ganzen Software-Entwicklungszyklus: evaluieren, welche KI-Anbieter und Werkzeuge das Unternehmen einsetzen soll – und wo. Verantwortete darin das Tooling für agentisches Coding – eine halbjährige Evaluation, die in einer Entscheidung endete: Claude Code von Anthropic. Baute darauf einen zweitägigen Praxiskurs und hielt ihn fünfmal vor rund 80 Software Engineers, mit abgeschlossenem Train-the-Trainer-Handover.

Ein jährliches Programm, um die Menschen zu finden, die das Unternehmen gezielt in bestimmte Positionen entwickeln sollte: eine Kohorte von 20–25 Personen pro Durchgang, jeweils von der direkten Führungskraft vorgeschlagen, für zwei Tage zusammengebracht, geschult zu Themen wie Führung, dem Schreiben und Präsentieren einer Offerte oder dem Schärfen eines USP, und anschliessend beurteilt. Die Beurteilung verband Gruppenarbeit – ein Team, das eine fiktive Offerte erarbeitete und präsentierte – mit individuellen Rollenspielen: eine reale Arbeitssituation, im Raum durchgespielt, um zu sehen, wie sich die Person darin verhält. Mehr als zehnmal durchgeführt, über 200 Personen haben es durchlaufen.

Die ti&m Banking Suite als neues eBanking für die Esprit Netzwerk AG und alle 24 Banken ihres Verbunds. Ein neues eBanking ist zuerst ein Integrationsprojekt: die Kernsysteme, Prozesse und Daten jeder einzelnen Bank mussten darin aufgehen, jede der 24 Banken hatte ihre eigene Vorstellung davon, wie das aussehen sollte, und alle diese Vorstellungen mussten einfliessen; dazu musste das alte eBanking abgelöst und umgeschaltet werden – alle 24 parallel. Über 270’000 eBanking-Kunden wurden überführt, über ein eigens gebautes Migrationsmodul, weil in diesem Massstab nichts Manuelles funktioniert – das grösste Multi-Tenant-Deployment der Suite.

Eine Bank auf Avaloq – und das klarste Beispiel dafür, wie die Banking Suite gebaut war: modular, sodass eine Bank die Module nimmt, die sie will, und behält, was sie bereits betreibt. Baloise hatte eine eigene, weit entwickelte Chat-Plattform; diese wurde in das eBanking integriert, statt durch das Chat-Modul der Suite ersetzt zu werden – so nah, dass im Gebrauch keine Nahtstelle sichtbar wird.

Tambas in der deutschen Niederlassung, Finnova in der Schweizer – beide in eine einzige Instanz der ti&m Banking Suite integriert, als getrennte Mandanten. Dazu brachte VZ eine grosse Landschaft eigener Anwendungen mit, die das eBanking als eigene Teile darstellen musste: Beratungsmandate aus den internen Systemen von VZ, Execution-only-Mandate aus den Ansichten der Suite – nach aussen in beiden Fällen ein Produkt.

Ein erster Kunde ist der Punkt, an dem ein Produkt zum Produkt wird. Bank CIC arbeitete auf Avaloq; jede Lücke, die sich gegenüber einem echten Kernbankensystem zeigte, wurde innerhalb der Auslieferung geschlossen, und was live ging, wurde zur Plattform, auf der jede spätere Bank aufsetzte.

Ein Nummernkonto war damals das bestgehütete Gut einer Schweizer Bank: ein Konto, dessen Inhaber selbst innerhalb der Bank fast niemand kennen durfte. Lead Engineer für die Anwendung zur Verwaltung dieser Konten bei der Credit Suisse und für ihre Integration auf die Plattform; die Plattform selbst baute ein anderes Team. Die Geheimhaltung war die Anforderung: jede Schicht, von der Anwendung bis zur Plattform darunter, gebaut auf ein Sicherheitsniveau deutlich über dem, was Banking-Software ohnehin erfüllen muss – denn zu schützen war hier die Identität des Kunden selbst.

Zweimal auf Jive gebaut, einer Social-Collaboration-Plattform – zuerst für eine Bank, dann für das eigene Unternehmen. Für die Credit Suisse: eine Plattform, auf der die Bank an ihre externen Vermögensverwalter publizierte und mit ihnen am selben Ort arbeitete – mit dem vollen Funktionsumfang für Zusammenarbeit statt eines Einwegkanals. Diese Kundenarbeit machte das Werkzeug zur bekannten Grösse, und daraus folgten Konzept und Planung, um es als Firmen-Intranet von ti&m zu etablieren, damals rund 300 Menschen: Sites und Spaces nach dem gebaut, wie die Organisation tatsächlich arbeitete, Rechte und Zugriffe, die entschieden, wer was sieht, die Inhalte der alten Lösung migriert, die Anforderungen jeder Abteilung eingearbeitet – und Schulung und Support, die die Plattform im Alltag verankerten.

Eines der ersten Kundenprojekte, bei ti&m: COMAR – die Common Marketing Architecture Roadmap – bei Novartis, ein Programm rund um Data Warehousing, Business Intelligence und Reporting. Die Frage dahinter ist einfach gestellt und schwer berechnet: Welchen Anteil an jedem Markt halten die Produkte von Novartis? Um sie zu beantworten, mussten Informationen zu Medikamenten und Verkaufszahlen aus vielen Quellen in ein Warehouse zusammengeführt, in Data Marts und Cubes modelliert und von dort berichtet werden. Mehr als ein Jahr davon ging in die ETL-Prozesse, die das Warehouse speisten – neben der Datenmodellierung, die die Zahlen überhaupt erst vergleichbar machte.