KI verändert den IT-Betrieb

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.

Dieser Beitrag zeigt anhand konkreter Use Cases, wo KI im IT-Betrieb heute bereits produktiv eingesetzt werden kann – und was dabei zu beachten ist.

Use Case 1: Intelligentes Log-Monitoring und Anomalieerkennung

Klassisches Monitoring arbeitet mit statischen Schwellenwerten: Wenn CPU-Auslastung über 90 % steigt, wird ein Alert ausgelöst. Das Problem dieses Ansatzes ist bekannt – zu viele Fehlalarme, zu wenige kontextbezogene Informationen und keine Unterscheidung zwischen erwarteten Lastspitzen und echten Problemen.

KI-gestütztes Monitoring geht einen Schritt weiter: Ein Sprachmodell analysiert Logdaten nicht nur auf Schwellenwertüberschreitungen, sondern erkennt Muster, korreliert Ereignisse aus verschiedenen Quellen und unterscheidet zwischen bekannten Mustern (z. B. regelmäßiger Backup-Last) und unbekannten Anomalien.

In der Praxis kann ein KI-Agent kontinuierlich Log-Streams überwachen, auffällige Muster identifizieren, ähnliche historische Vorfälle recherchieren und eine Ersteinschätzung mit Lösungsvorschlägen direkt in das Incident-Ticket schreiben – noch bevor ein Mensch den Alert gesehen hat.

Relevante Technologien: Azure Sentinel, Microsoft Defender, Elastic Stack, Grafana Loki in Kombination mit LLM-Integration über API oder MCP.

Use Case 2: Automatisierte Ticket-Qualifizierung und -Weiterleitung

Im User Help Desk ist die Qualifizierung eingehender Tickets eine zeitaufwändige Routineaufgabe: Welche Kategorie? Welche Priorität? Welches Team ist zuständig? Fehlen Informationen, muss der Nutzer zurückgefragt werden.

KI kann diesen Prozess vollständig automatisieren. Ein LLM analysiert den Ticket-Text, erkennt das zugrundeliegende Problem, klassifiziert es nach definierten Kategorien, prüft anhand interner Wissensdatenbanken, ob eine bekannte Lösung existiert, und leitet das Ticket mit einer strukturierten Ersteinschätzung an das zuständige Team weiter – oder löst einfache Probleme direkt.

Das ANG-Projekt „Quality-Gate – Ticketqualifizierung" zeigt, dass dieser Ansatz in produktiven Umgebungen bereits erfolgreich eingesetzt wird. KI-gestützte Qualifizierung reduziert die Bearbeitungszeit pro Ticket, erhöht die Erstlösungsrate und entlastet First-Level-Teams von repetitiven Klassifizierungsaufgaben.

Relevante Systeme: ServiceNow, ServiceDeskPlus, Remedy, Valuemation – alle unterstützen API-Integration für KI-Anbindung.

Use Case 3: Wissensmanagement und automatisierte Dokumentation

IT-Teams leiden häufig unter veralteter oder lückenhafter Dokumentation. KI kann hier auf zwei Ebenen helfen: bei der Erstellung und bei der Nutzung von Dokumentation.

Dokumentationserstellung: KI-Agenten können aus Incident-Resolutions, Change-Protokollen und Monitoring-Events automatisch Wissensdatenbankeinträge erstellen. Was bisher manuell dokumentiert werden musste (und oft nicht dokumentiert wurde), entsteht als Nebenprodukt der Problemlösung.

Dokumentationsnutzung: Ein KI-Assistent, der Zugriff auf die interne Wissensdatenbank hat (via MCP oder RAG), kann Support-Mitarbeiter und Endnutzer gezielt mit relevanten Informationen versorgen – ohne dass diese selbst in Dokumentationen suchen müssen.

Use Case 4: Automatisiertes Incident-Handling

Agentic AI ermöglicht es, Standardvorfälle vollständig automatisiert zu bearbeiten. Ein typisches Szenario: Ein Monitoring-Alert meldet, dass ein Dienst nicht mehr antwortet. Ein KI-Agent führt daraufhin eigenständig folgende Schritte aus:

1. Prüfung der Systemlogs auf Fehlermeldungen
2. Vergleich mit bekannten Lösungsmustern aus der Wissensdatenbank
3. Ausführung eines definierten Restart-Playbooks
4. Prüfung, ob der Dienst wieder verfügbar ist
5. Erstellung eines Incident-Tickets mit vollständiger Dokumentation des Vorfalls und der ergriffenen Maßnahmen
6. Eskalation an einen menschlichen Operator, wenn das Problem nicht automatisch lösbar war

Dieser Prozess, der ohne KI 20–30 Minuten manueller Arbeit erfordert, kann durch einen Agenten in Minuten und ohne menschliches Eingreifen abgehandelt werden – bei gleichzeitig vollständiger Dokumentation.

Use Case 5: Patch- und Endpoint-Management

Endpoint-Management umfasst eine Vielzahl von Entscheidungen: Welche Patches sind kritisch? In welcher Reihenfolge werden Systeme aktualisiert? Welche Abhängigkeiten müssen berücksichtigt werden?

KI kann diese Entscheidungen unterstützen, indem sie CVE-Datenbanken auswertet, Patch-Informationen mit der eigenen Systemlandschaft korreliert und Priorisierungsempfehlungen auf Basis von Risikobewertungen liefert. In automatisierten Pipelines kann KI die Patch-Freigabe für unkritische Systeme selbstständig vorbereiten und dokumentieren.

Grundsätze für den KI-Einsatz im IT-Betrieb

Der produktive Einsatz von KI im IT-Operations erfordert klare Leitlinien:

• Human-in-the-Loop für kritische Aktionen: Nicht jede Aktion sollte vollständig automatisiert erfolgen. Eingriffe in Produktionssysteme, die nicht reversibel sind, sollten weiterhin menschliche Freigabe erfordern.
• Klare Eskalationspfade: KI-Agenten müssen wissen, wann sie eskalieren müssen – und das zuverlässig tun.
• Vollständige Auditierbarkeit: Alle KI-Entscheidungen und -Aktionen müssen protokolliert und nachvollziehbar sein.
• Inkrementeller Ausbau: Beginnen mit klar abgegrenzten, risikoarmen Use Cases (z. B. Ticket-Klassifizierung) bevor autonome Eingriffe in Systeme automatisiert werden.
• Fehlertoleranzen definieren: Was passiert, wenn der KI-Agent einen Fehler macht? Rollback-Mechanismen und klare Verantwortlichkeiten müssen vor dem Go-live definiert sein.

Fazit

KI im IT-Operations ist kein Zukunftsszenario mehr – die Technologie ist verfügbar, die Anwendungsfälle sind erprobt. Der entscheidende Erfolgsfaktor ist nicht das Modell, sondern die Integration: KI entfaltet ihren Mehrwert dort, wo sie in bestehende Prozesse, Systeme und Wissensdatenbanken eingebettet ist. Wer heute damit beginnt, klar abgegrenzte Use Cases zu automatisieren, legt den Grundstein für eine KI-gestützte IT-Operations-Strategie, die schrittweise ausgebaut werden kann.