Operational Time Dividend Operative Aufgaben im großen Maßstab automatisieren

Infrastrukturteams mangelt es selten an Rechenleistung oder Monitoring-Daten. Ihnen fehlt es vor allem an Zeit für wertschöpfende Aufgaben, denn im täglichen Betrieb herrscht zu viel Ablenkung. Künstliche Intelligenz kann hier als Multiplikator dienen und das lästige Grundrauschen deutlich verringern.

Nächtliche Alarme zu untersuchen, ein Runbook neu zu schreiben, das nur noch ein einziger Admin versteht, oder die IT-Umgebung vor dem nächsten Vorfall abzusichern – das sind Aufgaben, die viel Zeit erfordern. Doch die ist in den allermeisten Engineering-Teams Mangelware.

Mehr Personal einzustellen, löst dieses Problem nicht, denn die Arbeit selbst ist so strukturiert, dass sie Ressourcen schneller verbraucht, als neue Fachkräfte eingestellt werden können. Was die Struktur jedoch verändern kann, sind Tools, die routinemäßige, operative Aufgaben im großen Maßstab automatisieren. Die so zurückgewonnene Zeit nennt sich Operational Time Dividend: Jede Stunde, die von reaktiven Aufgaben zurückgewonnen wird, ist eine Stunde, die erneut in den Aufbau, in die Absicherung und in die Weiterentwicklung kritischer Infrastruktur investiert werden kann.

Die Operational Time Dividend messbar machen

Um diesen Effekt messbar zu machen, benötigen Unternehmen eine klare Definition, was reaktive Arbeit eigentlich ist. In den meisten Teams fällt sie in drei Kategorien:

• Erkennung und Triage (Identifizierung, welche Teile der IT-Infrastruktur ausgefallen sind, und wie weit sich das Problem ausgebreitet hat)

• Incident Response und Remediation (Wiederherstellung des Betriebs)

• Nachbereitung von Vorfällen (Dokumentation, Root-Cause-Analysen und Aufgaben, die es nie in den Sprint-Backlog schaffen)

Ohne KI-gestützte Werkzeuge verbringen Senior Engineers routinemäßig 40 bis 60 Prozent ihrer Zeit mit dieser reaktiven Arbeit. Das kommt daher, weil die IT-Umgebungen schneller gewachsen sind als die Prozesse zu ihrer Verwaltung. Nach Einführung KI-gestützter Tools für den Betrieb wandeln sich die aussagekräftigen Kennzahlen jedoch. Die wichtigsten sind dann:

• Mean Time to Detect (MTTD): Sie gibt an, wie schnell das System Anomalien im Vergleich zur früheren manuellen Identifikation erkennt.

• Mean Time to Respond (MTTR): Dieser Wert zeigt an, wie viel dieser Zeit nun auf Entscheidungsfindung statt auf Datensammlung entfällt.

• Alert-to-Action-Verhältnis: Diese Kennzahl zeigt, welcher Prozentsatz der Alarme tatsächlich zu operativen Maßnahmen führt, statt als Rauschen unterdrückt zu werden.

• Engineer Focus Hours: Sie gibt die Zeit pro Woche an, die Verantwortliche für proaktive Verbesserungen statt für reaktives „Firefighting“ aufwenden.

KI als Multiplikator: Wie das in der Praxis aussieht

Auf die Nachvollziehbarkeit folgt logischerweise die praktische Steigerung der Effizienz von Teams. Im Infrastrukturbetrieb funktioniert KI als Multiplikator und steigert die Leistung von Teams, indem sie Workflows übernimmt, die sich negativ auf die Effizienz auswirken: etwa das Zusammenführen von Kontext aus unterschiedlichen Systemen, die Korrelation von Signalen über verschiedene Monitoring-Domänen hinweg und das Herausfiltern verwertbarer Erkenntnisse aus den Datenmengen, die moderne Umgebungen kontinuierlich erzeugen.

In Umgebungen, in denen das Monitoring auf Netzwerk-Performance-Tools, Application-Delivery-Controllern, Endpoint-Management- und Sicherheitsplattformen basiert, kann das manuelle Zusammenstellen des Triage-Kontexts pro Incident zwischen 20 Minuten und mehreren Stunden dauern. KI-gestützte Schnittstellen in natürlicher Sprache verkürzen dieses Zeitfenster erheblich. Mit einem einzigen Prompt kann ein Admin gleich mehrere Informationen aus verschiedenen Ebenen der IT-Infrastruktur abfragen und erhält zusammengefasste, priorisierte Antworten aus den entsprechenden Datenquellen. Der Verantwortliche wechselt damit vom Zusammenstellen des Kontexts hin zur Bewertung von Schlussfolgerungen, was mit zunehmender Komplexität der Umgebung exponentiell mehr Zeitressourcen freimacht.

Und auch im Hinblick auf die Infrastrukturautomatisierung hilft generative KI mit der Fähigkeit, natürliche Sprache zu verstehen: Früher bedurfte es der Übersetzung einer Absicht in konkrete Skriptsprachen oder Konfigurationsformate, was einen Großteil der Zeit verschlang. Heute beschreibt ein Admin das gewünschte Ergebnis in natürlicher Sprache, woraufhin das System die Absicht interpretiert, die passende Logik erzeugt, eine temporäre Testumgebung startet, die Ergebnisse validiert und sie anschließend zur menschlichen Prüfung und Freigabe präsentiert. Komplexe Automatisierung wird damit für mehr Administratoren und Netzwerkverantwortliche zugänglich – nicht nur für diejenigen mit tiefgehender Skripting-Expertise. Erfahrene Experten können anspruchsvolle Logik in einem Bruchteil der bisherigen Zeit generieren und validieren. Zudem wird institutionelles Wissen codifiziert, getestet und konsistent wiederverwendbar gemacht, das zuvor nur einzelnen Personen vorbehalten war.

KI-gestützte Optimierung der Erkennungssysteme

Künstliche Intelligenz hilft aber nicht nur bei proaktiver Arbeit der IT-Verantwortlichen, sondern kann selbst auch als proaktiver digitaler Kollege eingesetzt werden. Alert Fatigue birgt beispielsweise reale operative Risiken, denn wenn Umgebungen täglich Tausende von Ereignissen erzeugen, beginnen IT-Teams das Grundrauschen zu ignorieren. Das führt dazu, dass sie manchmal echte Signale übersehen. An dieser Stelle hilft die KI-gestützte Optimierung von Erkennungssystemen. Durch die Analyse historischer Erkennungsdaten empfiehlt das System proaktiv Anpassungen an Sensitivitätsschwellen sowie Filterparametern und zeigt Administratoren vor der Anwendung jeder Änderung die prognostizierten Auswirkungen auf das Event-Volumen.

Ein Admin kann so bewerten, ob eine vorgeschlagene Anpassung die Anzahl der Events für eine bestimmte Erkennungsmethode von über tausend auf einige hundert reduzieren würde; er kann einschätzen, ob dieser Kompromiss zur Risikohaltung der Umgebung passt, und die Empfehlung mit vollständiger Transparenz annehmen oder ablehnen. Die Abdeckung der Erkennung bleibt erhalten, während das Volumen, das menschliche Verarbeitung erfordert, erheblich sinkt.

Vom reaktiven Spezialisten zum Intent-gesteuerten Operator

KI-gestütztes Tooling für den Betrieb verändert allerdings nicht nur die Geschwindigkeit der Incident-Bearbeitung, sondern insbesondere auch die Rolle der Infrastruktur-Verantwortlichen selbst. Statt ihre Zeit überwiegend mit reaktiven und repetitiven Aufgaben zu verbringen, verschiebt sich der Fokus hin zur Definition von Zielen und Rahmenbedingungen. Die KI übernimmt in diesem Zusammenhang die technische Umsetzung, während Admins stärker strategisch und entscheidungsorientiert arbeiten.

Dadurch entstehen neue Kernkompetenzen wie Systemdenken, das Bewerten von KI-Empfehlungen und das präzise Formulieren von Anforderungen an KI-Systeme. Admins agieren zunehmend wie Manager von digitalen Assistenten und KI-Agenten: Sie steuern Ergebnisse, prüfen Entscheidungen und setzen ihr Fachwissen gezielt dort ein, wo menschliches Urteilsvermögen unverzichtbar bleibt. Die Zeit dafür haben sie ja – dank ihrer digitalen Mitarbeiter.

Über den Autor

Frank Cotto ist Field CTO bei Progress Software.

(ID:50892795)