Wie lassen sich komplexe Enterprise-Netzwerke effizienter betreiben, Störungen schneller erkennen und IT-Teams nachhaltig entlasten? Künstliche Intelligenz entwickelt sich im Netzwerkmanagement vom reaktiven Assistenten zum proaktiven Akteur. Im Interview vom AI-Summit erklärt Olaf Hagemann, Senior Director of Systems Engineering DACH bei Extreme Networks, wie KI Betriebsdaten analysiert, historische Performance-Werte einordnet und Netzwerkverantwortliche bei der Fehlersuche unterstützt.
Besonders spannend: Während klassische Chatbots auf Anfragen reagieren, können KI-Agenten Netzwerkumgebungen kontinuierlich überwachen und selbstständig auf Auffälligkeiten hinweisen. Extreme Networks berichtet von internen Benchmark-Tests, in denen sich die Zeiten für Fehlersuche und -behebung um bis zu 95 Prozent reduzieren ließen. Wie viel davon im praktischen Betrieb erreichbar ist, hängt von der jeweiligen Umgebung und dem Fehlerbild ab.
Doch mit zunehmender Autonomie steigen auch die Anforderungen an Observability, Governance und klare Berechtigungen. Denn analysieren und Empfehlungen geben ist das eine – eigenständig Änderungen an geschäftskritischen Netzwerken vorzunehmen, das andere. Wie viel Autonomie sollten KI-Agenten im Netzwerk erhalten? Wo bleibt der Mensch unverzichtbar, und wie verändert KI die Arbeit von Netzwerk-Teams? – Antworten von Olaf Hagemann.
Netzpalaver: Welche Rolle kann KI heute bereits im Betrieb komplexer Enterprise-Netzwerke übernehmen?
Olaf Hagemann: KI kann heute vor allem dort unterstützen, wo Netzwerk-Verantwortliche große Mengen an Betriebsdaten auswerten und Zusammenhänge erkennen müssen. Bei einer Störung müssen Netzwerk-Teams häufig aktuelle Netzwerkdaten, historische Performance-Werte und Informationen zu betroffenen Clients gemeinsam auswerten. Das kostet Zeit. KI kann diese Daten in Beziehung setzen, Abweichungen erkennen und Empfehlungen für die weitere Fehlersuche liefern.
Das geht über die Bearbeitung einzelner Störungen hinaus. Wenn aktuelle Netzwerkdaten mit historischen Referenzwerten verglichen werden, lassen sich Entwicklungen erkennen, die eine nähere Untersuchung verdienen. Teams erhalten dadurch früher Hinweise auf Handlungsbedarf. Auch der Zugang zu technischem Wissen, die Erstellung von Berichten und die Vorbereitung einer Support-Anfrage lassen sich unterstützen. Dabei müssen wir zwischen Analyse, Empfehlung und Ausführung unterscheiden. Dass ein System eine mögliche Ursache erkennt, bedeutet noch nicht, dass es eigenständig in das Netzwerk eingreifen sollte.
Netzpalaver: Was unterscheidet einen proaktiv arbeitenden KI-Agent von bisherigen Copilot- oder Chatbot-Ansätzen im Netzwerkmanagement?
Olaf Hagemann: Ein klassischer Chatbot reagiert zunächst auf eine Frage. Auch Copilot unterstützt typischerweise bei einer Aufgabe, die ein Mensch anstößt. Ein proaktiv arbeitender Agent analysiert dagegen fortlaufend die Netzwerkumgebung und weist auf relevante Veränderungen oder mögliche Probleme hin, ohne auf eine Nutzeranfrage zu warten. Teams erhalten dadurch konkrete Hinweise auf möglichen Handlungsbedarf, ohne jede Untersuchung selbst anstoßen zu müssen. Für eine belastbare Untersuchung benötigt das System Informationen darüber, welche Geräte und Nutzer betroffen sind, wie sich die Verbindung bisher verhalten hat und welche Netzwerkbedingungen aktuell vorliegen. Erst dieser Zusammenhang erlaubt es, aus einer Auffälligkeit einen gezielten Untersuchungsschritt abzuleiten.
Entscheidend ist, auf welche Daten und Werkzeuge ein System zugreifen kann, ob es mehrstufige Aufgaben bearbeitet und welche Aktionen es ausführen darf. Proaktivität bedeutet zunächst, selbstständig den Handlungsbedarf zu erkennen. Sie ist nicht gleichbedeutend mit uneingeschränkter Handlungsfreiheit. Ein Agent kann proaktiv analysieren und Empfehlungen geben, während die Freigabe einer Änderung weiterhin beim Menschen liegt.
Netzpalaver: Wo bringt KI aktuell tatsächlich einen messbaren Mehrwert? Wo sollte die Entscheidung weiterhin beim Menschen liegen?
Olaf Hagemann: Der Nutzen ist derzeit besonders greifbar bei der Informationsbeschaffung und der Fehlersuche. In internen Benchmark-Tests bei Extreme Networks konnten wir die Zeiten für Fehlersuche und -behebung um bis zu 95 Prozent reduzieren. Diese Ergebnisse wurden unter internen Testbedingungen erzielt. In der Praxis können sie je nach Netzwerkumgebung und Art des Problems unterschiedlich ausfallen. Sie verdeutlichen jedoch das Potenzial von KI, Abläufe bei der Fehlersuche zu beschleunigen. KI kann relevante Betriebsdaten schneller zusammenführen, die Eingrenzung möglicher Ursachen unterstützen und den manuellen Aufwand bei der Aufbereitung eines Vorfalls für den Support reduzieren. Auch der Zugriff auf Dokumentation und vorhandenes Wissen kann die Einarbeitung neuer Mitarbeitender erleichtern.
Ob daraus ein messbarer Mehrwert entsteht, sollte ein Unternehmen anhand seiner eigenen Betriebsdaten prüfen. Geeignete Größen sind beispielsweise die Zeit bis zur Eingrenzung einer Ursache, die Dauer bis zur Wiederherstellung eines Dienstes und der manuelle Aufwand pro Vorgang. Dabei zählt vor allem auch die Qualität: Eine schnelle Empfehlung bringt wenig, wenn sie falsch ist oder unnötige Änderungen auslöst. Deshalb gehören die Verlässlichkeit der Ergebnisse und erforderliche Nacharbeiten in die Bewertung.
Entscheidungen, die weitreichende Auswirkungen auf Verfügbarkeit, Sicherheit oder Geschäftsprozesse haben, müssen beim Menschen bleiben. Das betrifft beispielsweise Änderungen an Zugriffsregeln oder an zentralen Netzwerkverbindungen. Klar abgegrenzte Routineaktionen mit geringem Risiko können für eine automatische Ausführung geeignet sein, sofern das Unternehmen diese Abläufe vorab geprüft und ausdrücklich zugelassen hat. Diese Grenze muss jedes Unternehmen für seine Umgebung festlegen. Sie lässt sich nicht allein aus den Fähigkeiten eines KI-Modells ableiten.
Netzpalaver: Warum werden Kontext, Observability und Governance wichtiger, je autonomer KI im Netzwerk agiert?
Olaf Hagemann: Weil aus einer fehlerhaften Einschätzung eine konkrete Änderung im Betrieb werden kann. Wenn KI nur eine Empfehlung liefert, kann ein Administrator sie vor der Umsetzung prüfen. Wenn ein Agent autonom handelt, müssen die nötigen Informationen und Kontrollmechanismen bereits vorhanden sein. Kontext hilft, eine Beobachtung richtig einzuordnen. Eine erhöhte Netzwerkauslastung kann beispielsweise auf ein Problem hindeuten, aber auch zu einem erwarteten Betriebsablauf gehören. Ein Agent benötigt deshalb Informationen über die betroffenen Geräte, Anwendungen und Netzwerkverbindungen sowie historische Vergleichswerte. Dabei muss er auch die Zusammenhänge zwischen Nutzern, Geräten, Anwendungen und Services berücksichtigen.
Observability bedeutet, den Betriebszustand und die Auswirkungen von Aktionen anhand geeigneter Daten nachvollziehen zu können. Unternehmen müssen nachvollziehen können, was ein Agent tut, warum er eine Empfehlung gibt und ob seine Aktionen den gewünschten Effekt hatten. Die Protokollierung von Aktivitäten und Entscheidungen schafft die nötige Nachvollziehbarkeit für Überprüfungen und Audits. Verlässliche Ergebnisse und nachvollziehbare Begründungen sind entscheidend, um Vertrauen aufzubauen und zu beurteilen, wann der Handlungsspielraum eines Agenten erweitert werden kann.
Governance legt fest, was der Agent tun darf, welche Freigaben erforderlich sind und wer die Verantwortung trägt. Dazu zählen eine eindeutige technische Identität für jeden Agenten und rollenbasierte Zugriffsrechte. Jeder Agent darf nur auf die Daten und Werkzeuge zugreifen, die er für seine Aufgabe benötigt. Ebenso muss nachvollziehbar sein, welche Informationen einer Aktion zugrunde lagen und welche Richtlinie sie erlaubte. Je größer der Handlungsspielraum, desto genauer müssen diese Grenzen und Verantwortlichkeiten definiert sein.
Netzpalaver: Wie verändert sich dadurch langfristig die Rolle von Netzwerkverantwortlichen und IT-Teams?
Olaf Hagemann: Ein Teil der Arbeit wird sich von der manuellen Informationssuche und wiederkehrenden Analyse hin zur Gestaltung und Überwachung automatisierter Abläufe verlagern. Netzwerk-Teams werden stärker festlegen, welche Ziele erreicht werden sollen, welche Aktionen zulässig sind und wann eine Entscheidung eskaliert werden muss. Dazu gehört auch, die Qualität der Daten und die Ergebnisse der KI regelmäßig zu prüfen.
Technisches Fachwissen bleibt dafür unverzichtbar. Netzwerkexperten müssen die Architektur, Abhängigkeiten und möglichen Folgen vorgeschlagener Änderungen verstehen, um Empfehlungen fundiert bewerten zu können. KI kann vorhandenes Wissen leichter zugänglich machen. Die Verantwortung für den Netzwerkbetrieb bleibt jedoch bei den dafür zuständigen Menschen. Deren Erfahrung ist gerade bei Ausnahmen oder widersprüchlichen Informationen entscheidend.
Hinzu kommt die Fähigkeit, KI-Ergebnisse kritisch zu beurteilen. Eine plausible Antwort ist nicht zwangsläufig verlässlich. Verantwortliche müssen erkennen können, ob die Datengrundlage ausreicht, ob Schlussfolgerungen nachvollziehbar sind und wann weitere Prüfungen erforderlich werden.
Durch die Automatisierung von Routineaufgaben kann KI Netzwerk-Teams mehr Spielraum für strategische Prioritäten geben – von der Prävention und der Kapazitätsplanung bis zur Weiterentwicklung des Netzwerks. Ein zuverlässiger Netzwerkbetrieb bildet zudem eine wichtige Grundlage für den breiteren Einsatz von KI im Unternehmen. Dieser Übergang erfordert allerdings Schulungen und angepasste Prozesse. Die Einführung eines Agenten allein verändert noch kein Betriebsmodell.
#ExtremeNetworks
