Admins kleine Helfer

von Markus Nispel

Unternehmen diskutieren derzeit intensiv, wie künstliche Intelligenz Geschäftsprozesse effizienter gestalten kann – insbesondere mithilfe von KI-Agenten, die Routineaufgaben übernehmen. Der Hype überdeckt jedoch häufig die Realität: Zwischen Vision und produktivem Betrieb liegen zahl- reiche technische und organisatorische Hürden. Wir blicken daher unter die KI-Motorhaube und zeigen am Beispiel des Netzwerkmanagements, welche Voraussetzungen erfüllt sein müssen, damit KI-Agenten betriebsrelevante Abläufe zuverlässig automatisieren – und wo typische Fallstricke liegen.

Der Nutzen von KI in Unternehmensprozessen ist unbestritten. Viele Unternehmen testen derzeit KI-Assistenten für Mitarbeiter, Chatbots für Support und Vertrieb oder Agentic AI [1], also KI-Systeme, die selbstständig Aktionen wie etwa Hotelbuchungen ausführen.

Dennoch gehen die meisten Unternehmen vorsichtig vor. KI-Assistenten benötigen Zugriff auf personenbezogene Daten, um Mitarbeiter wirksam zu unterstützen. Gleichzeitig drohen bei Sales-Chatbots teure Pannen, wenn Nutzer die KI durch bösartige Eingaben wie Prompt Injection manipulieren.

Automatisierungsgrad im Netzwerkbetrieb festlegen

Ein Bereich, der sich besonders für KI-gestützte Automatisierung eignet, ist der IT-Betrieb (AI-assisted Operations, AIOps). Hier treffen zwei Faktoren aufeinander: Zum einen binden zahlreiche Routineaufgaben wertvolle Arbeitszeit. Zum anderen arbeiten IT-Teams aufgrund des akuten Fachkräftemangels häufig am Limit. Genau hier entsteht ein erhebliches Potenzial für KI im Netzwerkbetrieb – vorausgesetzt, IT-Verantwortliche führen die Technologie strukturiert und kontrolliert ein.

Künftige IT-Umgebungen werden zunehmend autonom agieren. Derzeit streben Unternehmen jedoch nicht an, sämtliche Prozesse vollständig zu automatisieren. Der Netzwerkbetrieb ähnelt in dieser Hinsicht dem autonomen Fahren: Moderne Fahrzeuge verfügen über zahlreiche KI-gestützte Assistenzsysteme wie Spurhalte-, Abstands-, Einpark- oder Notbremsassistenten. Dennoch behalten Fahrer die Kontrolle. Auch im Netzwerkbetrieb bleibt der "Human in the Loop" ein zentrales Element. Administratoren überwachen Entscheidungen, greifen bei Bedarf ein und tragen weiterhin die Verantwortung.

Bevor Unternehmen mit der technischen Umsetzung beginnen, müssen sie daher klären, welchen Automatisierungsgrad sie anstreben und welche Bereiche sie automatisieren wollen: Planung, Rollout, Betrieb, Dokumentation, Troubleshooting, Bearbeitung von Trouble-Tickets, Optimierung, dynamische Skalierung oder die Abwehr von Angriffen. Erst wenn diese strategischen Fragen beantwortet sind, lassen sich technische Detailentscheidungen sinnvoll treffen.

Zentrale Aspekte von AIOps

Beim Aufbau einer AIOps-Infrastruktur stehen IT-Verantwortliche vor einer Vielzahl von Entscheidungen. Welches Large Language Model (LLM) bildet die Grundlage für die KI-Agenten? Setzt das Unternehmen auf ein proprietäres oder ein Open-Source-Agenten-Framework? Bereits bei der Entwicklung eines einfachen ReAct-Agenten (Reasoning and Acting) ergeben sich weiterführende Fragen: Auf welche Wissensquellen darf der Agent zugreifen? Welche Instruktionen steuern sein Verhalten? Und welche Tools bereiten operative Daten so auf, dass Agenten damit zuverlässig arbeiten können?

Vier Aspekte sind dabei entscheidend: die Auswahl des LLMs, das Agenten-Framework, die Aufbereitung der Informationen und geeignete Tools. Fehler in einem dieser Bereiche reduzieren unmittelbar den praktischen Nutzen der Agenten. Die Unterschiede zwischen verfügbaren LLMs sind erheblich. IT-Verantwortliche können zwischen Modellen von OpenAI, Google Gemini, Anthropic oder zahlreichen weiteren Anbietern wählen. Die Erfahrung zeigt: Ausschlaggebend ist der konkrete Anwendungsfall. Zwar existieren Benchmarks zur Leistungsbewertung, doch diese liefern kaum belastbare Aussagen für den praktischen Einsatz. Unternehmen kommen daher nicht um eine systematische Experimentierphase herum.

Hinzu kommt, dass die Wahl des Sprachmodells keine einmalige Entscheidung ist. LLMs sind statistische Modelle, die sich mit jeder neuen Version verändern. Diese Varianzen wirken sich unmittelbar auf das Verhalten von KI-Agenten aus. Ob ein Unternehmen beispielsweise GPT-4 oder GPT-5 einsetzt, beeinflusst Ergebnisse, Stabilität und Reproduzierbarkeit. IT-Verantwortliche müssen das eingesetzte Modell daher regelmäßig aktualisieren und die Auswirkungen auf bestehende Agenten sorgfältig überprüfen. Die Auswahl des LLMs erfordert somit einen kontinuierlichen Prozess des Change- und Qualitätsmanagements. Dieser Aufwand wird in der Praxis häufig unterschätzt.

Hosting und Betrieb der KI-Infrastruktur

Eng damit verknüpft ist die Frage, wo Unternehmen ihre KI-Infrastruktur betreiben. Aus Gründen der Datensicherheit und Datensouveränität entscheiden sich viele für einen lokalen Betrieb. In diesem Fall bauen Administratoren die Infrastruktur selbst auf. Zu Beginn bleibt jedoch oft unklar, welche Kapazitäten tatsächlich erforderlich sind. Hier drohen oft entweder unnötig hohe Kosten oder eine unzureichende Performance.

Das notwendige Know-how für die Dimensionierung und Skalierung – vom Proof of Concept bis zum unternehmensweiten Einsatz – müssen Unternehmen intern aufbauen oder extern einkaufen. In diesem Zusammenhang stellt sich häufig die Frage, ob ein Finetuning des Sprachmodells notwendig ist [2]. Für die meisten Umgebungen ist dies nicht erforderlich, kann jedoch aus strategischen Gründen sinnvoll sein. Gleiches gilt für den parallelen Einsatz mehrerer LLMs, abhängig davon, welche Aufgabe der jeweilige Agent erfüllen soll.

Auswahl eines Frameworks für KI-Agenten

Im nächsten Schritt wählen IT-Profis ein Framework für die Entwicklung von KI-Agenten aus [3]. Solche Frameworks unterstützen unter anderem Speicherverwaltung, API-Orchestrierung, Fehlerhandling und Toolintegration. Der Markt bietet sowohl kommerzielle Produkte als auch Open-Source-Optionen wie LangChain, LangGraph, CrewAI, n8n oder Microsofts Open-Source-Projekt AutoGen.

Auch hier gilt ein klarer Zyklus: auswählen, testen, betreiben, skalieren, aktualisieren. Insbesondere der Übergang vom Testbetrieb in die Produktion erweist sich als zeitintensiv. An dieser häufig unterschätzten Hürde scheitern viele KI-Projekte. Die Herausforderungen liegen nicht nur in technischen Fragen wie Speicherskalierung, Inferenzperformance oder Fehlertoleranz, sondern ebenso in Governance-Themen wie Datensicherheit, Compliance und Auditierbarkeit.

Unternehmenswissen für KI-Agenten nutzbar machen

Intelligente Agenten benötigen Zugriff auf aktuelle und verlässliche Unternehmensinformationen. Datenverfügbarkeit und Datenqualität sind daher zentrale Voraussetzungen. Für den KI-gestützten Netzwerkbetrieb bedeutet dies, dass eine vollständige und gepflegte Dokumentation der Umgebung vorliegen muss. Ebenso wichtig für das IT-Team ist ein funktionierendes Lifecycle-Management für diese Dokumentation.

Anschließend müssen IT-Teams der KI vermitteln, welche Teile der Dokumentation für welche Aktionen relevant sind. Hier kommt Retrieval-Augmented Generation (RAG) zum Einsatz [4]. Dokumente werden in Segmente (Chunks) unterteilt und mit Metadaten versehen. Sowohl beim Semantic Chunking [5] als auch beim Labeln existieren zahlreiche Stellschrauben, die die Qualität der Agenten maßgeblich beeinflussen.

Oft entsteht der Eindruck, ein ausreichend großes Kontextfenster erlaube es, sämtliche Daten direkt in ein LLM zu laden. Dieser Ansatz führt jedoch in die Sackgasse. Er mag bei kleinen Datenmengen funktionieren, scheitert aber bei umfangreichen Netzwerkdokumentationen mit zehntausenden oder gar hunderttausenden Dokumenten. Zudem bleibt offen, wer die kontinuierliche Aktualisierung der Daten sicherstellt.

Tools, Semantik und Agentenketten

Bei den Tools – also den Mechanismen, über die KI-Agenten auf Daten und APIs zugreifen – ist entscheidend, dass diese die Datenstruktur des Unternehmens korrekt abbilden. Ein einfaches Beispiel: In einem Kliniknetzwerk existiert ein Switch mit dem Namen "Krankenhaus 5". Ohne semantisches Modell kann die KI nicht erkennen, dass es sich um einen Switch und nicht um ein Gebäude handelt.

Solche Zusammenhänge erschließen sich einem LLM nicht automatisch. Deshalb müssen sich KI-Teams mit grundlegenden Konzepten wie Taxonomie, Ontologie, semantischem Datenmodell und Knowledge Graph befassen. Eine Taxonomie klassifiziert Objekte hierarchisch, etwa nach Thema oder Zeitraum. Eine Ontologie definiert darüber hinaus Kategorien, Eigenschaften und Beziehungen zwischen Entitäten und schafft damit ein kontrolliertes Vokabular für die KI.

Eine konsistente Ontologie bildet die Grundlage für ein funktionierendes semantisches Datenmodell. Ein Knowledge Graph stellt diese Beziehungen konkret dar und ermöglicht es der KI beispielsweise zu verstehen, wie Wi-Fi-Access-Points mit Access- und Core-Switches zusammenhängen oder Fragen wie "Welche meiner WLAN-Access-Points sind Wi-Fi-7-fähig?" korrekt zu beantworten.

Eine weitere Stolperfalle besteht in der Verkettung mehrerer Agenten. Arbeiten diese nacheinander, multiplizieren sich Fehlerquoten. Selbst wenn ein einzelner Agent eine Genauigkeit von 95 Prozent erreicht, sinkt die Gesamtpräzision bei längeren Ketten deutlich. Nach fünf Schritten bleiben nur noch rund 77 Prozent korrekte Ergebnisse. Für Agenten, die Konfigurationsänderungen im Netzwerk vornehmen, ist das nicht akzeptabel. IT-Verantwortliche sollten daher kurze Agentenketten bevorzugen und den "Human in the Loop" konsequent beibehalten.

Netzwerkplattformen mit integrierter KI

Beim Autofahren kauft kaum jemand ein Fahrzeug ohne Assistenzsysteme, um diese später selbst nachzurüsten. Stattdessen wählen Käufer ein Modell, das die gewünschten Funktionen bereits integriert. Das gleiche Prinzip gilt für moderne Netzwerkplattformen. Integrierte KI-Assistenten und -Agenten gehören hier zunehmend zum Standard [6].

Mit einer geeigneten Plattform erhalten IT-Teams ein Netzwerkmanagement, das sie ab dem ersten Tag durch integrierte KI-Bots und -Agenten unterstützt. Idealerweise lassen sich zusätzliche KI-Werkzeuge aus dem Partnerökosystem des Anbieters strukturiert einbinden. Auf diese Weise vermeiden Unternehmen ein unkoordiniertes Nebeneinander einzelner KI-Projekte und schaffen eine Grundlage für herstellerübergreifendes AIOps – ohne langwierige und kostenintensive Experimentierphasen.

Fazit

Der mithilfe von KI-Agenten automatisierte IT-Betrieb beschleunigt Arbeitsabläufe und kann die Zukunft des IT-Managements erheblich beeinflussen. Der Aufbau eigener AIOps-Kapazitäten ist jedoch komplex und fehleranfällig. Die Herausforderungen reichen vom Betrieb der KI-Infrastruktur über die Auswahl geeigneter LLMs und Agenten-Frameworks bis hin zu Fragen der Semantik, der RAG-Implementierung und der Tool-Integration. Statt eines Do-it-yourself-Ansatzes kann es daher sinnvoll sein, auf eine Netzwerkplattform mit integrierter, erprobter und erweiterbarer KI-Funktionalität zu setzen. Die KI übernimmt dabei Assistenzaufgaben – die Verantwortung bleibt jedoch beim Administrator, der den Betrieb steuert und den Überblick behält.

KI-Agenten im Netzwerkbetrieb

Admins kleine Helfer

Automatisierungsgrad im Netzwerkbetrieb festlegen

Automatisierungsgrad im Netzwerkbetrieb festlegen

Zentrale Aspekte von AIOps

Hosting und Betrieb der KI-Infrastruktur

Auswahl eines Frameworks für KI-Agenten

Unternehmenswissen für KI-Agenten nutzbar machen

Tools, Semantik und Agentenketten

Netzwerkplattformen mit integrierter KI

Fazit