Infrastructure as Code (IaC) wird häufig als Thema großer Tech-Konzerne wahrgenommen – mit riesigen Cloud-Umgebungen und dedizierten DevOps-Teams. Dabei profitieren gerade mittelständische Unternehmen erheblich von automatisierter Infrastrukturverwaltung, oft mit überschaubarem Einstiegsaufwand.
Kubernetes gilt mittlerweile als Quasi-Standard für die Orchestrierung containerisierter Anwendungen. Für viele mittelständische IT-Abteilungen bleibt die Technologie jedoch ein Buch mit sieben Siegeln – zwischen Hype und echtem Nutzen liegt oft eine spürbare Unsicherheit. Dabei lohnt sich der Blick auf die Grundlagen, bevor eine Einführung ansteht.
Unternehmen sammeln heute mehr Daten als je zuvor – aus ERP-Systemen, CRM-Anwendungen, IoT-Sensoren und unzähligen weiteren Quellen. Doch Daten allein schaffen keinen Mehrwert. Erst ein sauber betriebenes Data Warehouse (DWH) macht aus der Datenflut eine verlässliche Entscheidungsgrundlage. In der Praxis zeigt sich jedoch: Viele DWH-Umgebungen leiden nicht an fehlenden Tools, sondern an fehlender Betriebsdisziplin.
Künstliche Intelligenz hat in vielen Unternehmen zuerst in kreativen und analytischen Bereichen Einzug gehalten – Texterstellung, Datenanalyse, Code-Assistenz. Der IT-Betrieb folgt nun mit einer Wucht, die die Arbeitsweise von IT-Teams grundlegend verändert. Die Kombination aus Agentic AI, Large Language Models und standardisierten Integrationsprotokollen wie MCP macht es möglich, Routineaufgaben im IT-Operations zu automatisieren, die bisher zwingend menschliches Eingreifen erforderten.
Der Einsatz von KI-Sprachmodellen über Cloud-Dienste ist schnell und unkompliziert – aber er bringt ein grundlegendes Problem mit sich: Daten verlassen das Unternehmensnetz. Für viele Anwendungsfälle – interne Dokumente, Kundendaten, Quellcode, Finanzdaten – ist das keine akzeptable Option. Lokale KI-Modelle schaffen Abhilfe: Das Modell läuft auf eigener Infrastruktur, kein Token verlässt die eigene Umgebung.
Large Language Models (LLMs) sind KI-Modelle, die auf der Basis enormer Textmengen trainiert wurden und natürliche Sprache verstehen, erzeugen und verarbeiten können. Sie bilden das Kernstück moderner KI-Assistenten, automatisierter Textsysteme und – wie im Beitrag zu Agentic AI beschrieben – autonomer KI-Agenten.
Das Model Context Protocol (MCP) ist ein offener Standard zur Kommunikation zwischen KI-Modellen und externen Datenquellen oder Werkzeugen. Entwickelt und veröffentlicht von Anthropic im November 2024, löst MCP ein fundamentales Problem moderner KI-Systeme: Sprachmodelle sind von sich aus isoliert – sie kennen keine Unternehmensdaten, können keine APIs aufrufen und haben keinen Zugriff auf aktuelle Informationen. MCP schafft eine standardisierte Brücke zwischen dem KI-Modell und der Außenwelt.
Jira und Confluence gehören zu den meistgenutzten Kollaborations- und Projektmanagement-Plattformen in Unternehmen. Doch trotz ihres großen Funktionsumfangs stoßen viele Teams früher oder später an die Grenzen der Standardkonfiguration. Genau hier setzt ScriptRunner an: ein leistungsstarkes Plugin des Herstellers Adaptavist, das tiefgreifende Anpassungen und Automatisierungen direkt in Atlassian-Produkten ermöglicht.
Agentic AI – zu Deutsch etwa: agentische künstliche Intelligenz – beschreibt KI-Systeme, die nicht nur auf einzelne Eingaben reagieren, sondern eigenständig mehrstufige Aufgaben planen, ausführen und dabei flexibel auf veränderte Rahmenbedingungen reagieren. Im Gegensatz zu klassischen KI-Assistenten, die eine Anfrage erhalten und eine Antwort liefern, handeln agentische Systeme zielorientiert: Sie zerlegen komplexe Aufgaben in Teilschritte, wählen geeignete Werkzeuge aus, führen diese aus und überprüfen das Ergebnis – und das ohne menschliche Intervention bei jedem Einzelschritt.
Der Begriff leitet sich vom englischen Wort “agent” (Handelnder, Vertreter) ab. Ein KI-Agent ist ein System, das in seiner Umgebung wahrnimmt, entscheidet und handelt – kontinuierlich und auf ein übergeordnetes Ziel hin ausgerichtet.
RFID steht für Radio Frequency Identification – ein Verfahren zur kontaktlosen automatischen Identifikation von Objekten mittels Funkwellen. Ein RFID-System besteht aus zwei Grundkomponenten: dem Transponder (auch Tag oder Label genannt), der am zu identifizierenden Objekt angebracht wird, sowie dem Lesegerät (Reader), das die gespeicherten Informationen drahtlos ausliest.
RFID-Tags können passiv oder aktiv sein. Passive Tags haben keine eigene Stromversorgung – sie beziehen ihre Energie aus dem elektromagnetischen Feld des Lesegeräts und haben eine nahezu unbegrenzte Lebensdauer. Aktive Tags besitzen eine eigene Batterie, senden kontinuierlich Signale aus und sind über deutlich größere Distanzen lesbar.