Unternehmen treiben den Einsatz künstlicher Intelligenz im IT-Betrieb voran. Doch je stärker Systeme von der Analyse zur eigenständigen Aktion übergehen, desto entscheidender werden Datenqualität, Nachvollziehbarkeit und kontrollierte Zugriffsrechte. Eine Befragung von NETSCOUT zeigt: Die technologische Dynamik ist groß – das operative Vertrauen hält damit noch nicht überall Schritt.
Künstliche Intelligenz entwickelt sich im IT-Betrieb zunehmend vom Assistenzwerkzeug zum operativen Akteur. Systeme korrelieren Warnmeldungen, analysieren Störungen, priorisieren mögliche Ursachen und unterstützen bei der Fehlerbehebung. Mit AIOps und sogenannten AgenticOps-Ansätzen rückt zudem ein Szenario näher, in dem KI-Systeme nicht nur Empfehlungen liefern, sondern innerhalb definierter Grenzen selbstständig Maßnahmen einleiten.
Damit verschiebt sich jedoch auch die zentrale Fragestellung. Entscheidend ist nicht mehr allein, ob KI im IT-Betrieb eingesetzt wird, sondern auf welcher Informationsbasis sie entscheidet, wie ihre Ergebnisse überprüft werden können und welche Eingriffe ihr in produktive Systeme erlaubt sind.
Genau hier zeigt die Studie „Observability, AI Readiness, and Operational Resilience“ von NETSCOUT eine erkennbare Lücke zwischen technischer Einführung und operativer Reife. Befragt wurden auf der Cisco Live 2026 knapp 950 IT-Fachkräfte und technische Entscheider. Die Ergebnisse zeichnen das Bild einer Branche, die KI breit erprobt und einführt, gleichzeitig aber mit fragmentierten Daten, begrenzter Transparenz und Vertrauensfragen ringt.
KI ist im IT-Betrieb angekommen
51,5 Prozent der Befragten arbeiten bereits an KI- oder LLM-Projekten im IT-Umfeld, testen entsprechende Anwendungen oder planen deren Einführung innerhalb der kommenden zwölf Monate. 17,2 Prozent haben solche Lösungen bereits produktiv im Einsatz, 16,0 Prozent befinden sich in der Test- oder Entwicklungsphase und 18,3 Prozent wollen kurzfristig starten. Weitere 31,3 Prozent diskutieren entsprechende Vorhaben.
Die Zahlen belegen eine breite technologische Dynamik. Sie sagen jedoch wenig darüber aus, wie weit Unternehmen bereit sind, operative Verantwortung tatsächlich an KI-Systeme abzugeben.
Zwischen einer KI, die Störungen klassifiziert, und einem System, das selbstständig Konfigurationen verändert oder Dienste neu startet, liegt ein erheblicher Unterschied. Mit jeder zusätzlichen Autonomiestufe steigen die Anforderungen an Datenqualität, Kontext, Berechtigungsmodelle und Kontrollmechanismen.
Die zentrale Voraussetzung für autonome IT-Prozesse ist daher nicht allein ein leistungsfähiges Modell. Sie ist ein belastbares Lagebild.
Die Vertrauensfrage ist vor allem eine Datenfrage
Die Studienergebnisse zeigen, dass die Hemmnisse für AIOps und AgenticOps eng miteinander verbunden sind. 27,2 Prozent der Befragten sehen eine Kombination verschiedener Faktoren als größte Herausforderung. Fehlende Echtzeittransparenz nennen 22,3 Prozent, mangelhafte Datenqualität oder unvollständigen Kontext 22,1 Prozent. 21,8 Prozent verweisen auf mangelndes Vertrauen in KI-Ausgaben, 21,6 Prozent auf isolierte operative Werkzeuge. Weitere 19,1 Prozent sehen eine zu große Menge wenig aussagekräftiger Telemetriedaten als Problem.
Damit lässt sich mangelndes Vertrauen in KI nicht isoliert als Akzeptanzproblem betrachten. Wenn Datenquellen unvollständig sind, Abhängigkeiten zwischen Cloud-Diensten, Anwendungen und Netzwerken fehlen oder Monitoring-Systeme unterschiedliche Ausschnitte der Infrastruktur liefern, bleibt zwangsläufig auch die Analyse der KI lückenhaft.
Für Unternehmen entsteht daraus eine grundlegende Anforderung: KI-Entscheidungen müssen auf überprüfbare Evidenz zurückgeführt werden können.
Ein Analyst muss erkennen können, welche Signale zu einer Bewertung geführt haben, welche Abhängigkeiten berücksichtigt wurden und wie sicher eine Schlussfolgerung tatsächlich ist. Besonders bei automatisierten Eingriffen reicht eine plausible Antwort nicht aus. Gefordert ist eine nachvollziehbare Entscheidungskette.
Lange Störungszeiten zeigen den Handlungsdruck
Wie groß der Bedarf an besseren Analyse- und Entscheidungsprozessen ist, zeigt ein weiterer Befund der Studie. 56,2 Prozent der Befragten benötigen mehrere Stunden, um Performanceprobleme vollständig zu beheben. Bei 20,8 Prozent dauert die Lösung einen ganzen Tag oder länger. Nur 11,0 Prozent berichten von einer Behebung innerhalb weniger Minuten.
Damit wird die Mean Time to Resolution (MTTR) nicht nur zu einer technischen Kennzahl, sondern zu einem Faktor der operativen Resilienz.
Die Auswirkungen längerer Störungen reichen unmittelbar in das Geschäft hinein. 34,8 Prozent der Befragten nennen Produktivitätsverluste bei Beschäftigten als wichtigste Folge. 24,2 Prozent sehen Auswirkungen auf den Kundenservice, 17,6 Prozent ein Umsatzrisiko. Hinzu kommen potenzielle Mehrkosten, Reputationsschäden und regulatorische Konsequenzen.
KI kann an dieser Stelle erheblichen Nutzen entfalten. Sie kann Signale korrelieren, mögliche Ursachen priorisieren und bekannte Lösungswege schneller identifizieren. Doch auch hier gilt: Geschwindigkeit ersetzt keine belastbare Informationsbasis. Ein automatisiertes System, das auf unvollständige Daten zurückgreift, kann eine falsche Diagnose nicht nur schneller produzieren, sondern deren Folgen durch automatisierte Aktionen zusätzlich verstärken.
Observability wird zur Voraussetzung für KI-Autonomie
Fast zwei Drittel der Befragten messen deshalb der kontinuierlichen Überwachung von KI-Prozessen und KI-Services hohe Bedeutung bei. 38,0 Prozent bewerten sie als wichtig, weitere 27,0 Prozent als sehr wichtig.
Damit verändert sich auch die Rolle von Observability. Sie dient nicht länger nur dazu, klassische IT-Systeme zu überwachen. Zunehmend muss auch die KI selbst Gegenstand der Beobachtung werden.
Bei produktiven KI-Diensten reichen klassische Kennzahlen wie Verfügbarkeit und Antwortzeit nicht aus. Relevant sind ebenso Infrastrukturverbrauch, Datenzugriffe, technische Abhängigkeiten, Qualität der Ergebnisse und die Folgen ausgelöster Aktionen. Bei agentischen Systemen kommen weitere Fragen hinzu: Welche Entscheidung hat das System getroffen? Auf welcher Datenbasis? Welche Änderung wurde ausgeführt? Ist sie reversibel? Und an welchem Punkt ist zwingend ein menschlicher Eingriff erforderlich?
Damit entsteht die Notwendigkeit einer durchgängigen Nachweiskette vom Eingangssignal über Analyse und Bewertung bis zur ausgeführten Maßnahme.
Für autonome Systeme wird Observability damit selbst zu einer Sicherheitsfunktion.
Zugriffsrechte bestimmen den Handlungsspielraum
Damit KI-Systeme im IT-Betrieb tatsächlich Mehrwert schaffen können, benötigen sie Zugang zu operativen Werkzeugen und Daten. 61,9 Prozent der Befragten halten einen sicheren Zugriff von KI-Assistenten und automatisierten Workflows auf entsprechende Ressourcen für wichtig oder sehr wichtig.
Gerade dieser Zugriff verlangt jedoch klare Grenzen.
Ein KI-System, das ausschließlich Logdaten analysiert, verursacht ein anderes Risikoprofil als ein Agent, der Konfigurationen ändern, Dienste neu starten oder Sicherheitsregeln modifizieren darf. Unternehmen müssen deshalb zwischen lesenden, empfehlenden und schreibenden Berechtigungen unterscheiden.
Technisch bedeutet dies unter anderem rollenbasierte Zugriffskontrollen, das Prinzip der minimal erforderlichen Rechte, Protokollierung sämtlicher Aktionen, definierte Freigabestufen sowie Rückfall- und Wiederherstellungsmechanismen.
Sinnvoll ist ein abgestuftes Autonomiemodell: KI beobachtet zunächst, anschließend empfiehlt sie Maßnahmen, führt standardisierte Aktionen nach Freigabe aus und erhält erst bei ausreichender Evidenz und klar definierten Grenzen begrenzte autonome Handlungsmöglichkeiten.
Autonomie wird damit nicht als binäre Entscheidung verstanden, sondern als kontrolliert erweiterbarer Handlungsspielraum.
Nicht die Datenmenge, sondern der Kontext entscheidet
Für die Qualität KI-gestützter Entscheidungen ist schließlich entscheidend, welche Daten zur Verfügung stehen und wie sie miteinander verknüpft werden.
39,5 Prozent der Befragten nennen Metriken, Events, Logs und Traces – häufig als MELT zusammengefasst – als primär genutzte Observability-Daten. 21,6 Prozent setzen vor allem auf Packet Captures, 18,8 Prozent auf Flow-Daten und 9,7 Prozent auf Deep Packet Inspection (DPI).
Bemerkenswert ist allerdings die strategische Bewertung von DPI: 41,2 Prozent halten die Technologie für wichtig, weitere 23,1 Prozent für sehr wichtig. Insgesamt schreiben ihr damit 64,3 Prozent eine hohe Bedeutung zu.
Der Befund verweist auf eine zentrale Herausforderung moderner Observability-Architekturen. Einzelne Telemetriequellen liefern jeweils nur einen Ausschnitt des tatsächlichen Systemzustands. Netzwerkdaten können zusätzliche Evidenz bereitstellen, Kommunikationsbeziehungen sichtbar machen und helfen, Fehler über mehrere technische Domänen hinweg nachzuvollziehen.
Entscheidend ist daher nicht, möglichst viele Daten zu sammeln. Entscheidend ist ihre Qualität, Korrelation und Kontextualisierung.
Gerade bei tiefgehender Netzwerkinspektion müssen Unternehmen zudem Datenschutz, Zweckbindung und Berechtigungskonzepte berücksichtigen. Mehr Sichtbarkeit ist nur dann ein Sicherheitsgewinn, wenn der Zugriff auf diese Informationen selbst kontrolliert bleibt.
Sechs Prioritäten für einen belastbaren KI-Betrieb
Aus den Ergebnissen lassen sich sechs zentrale Handlungsfelder ableiten:
- Transparenz vor Autonomie: Abhängigkeiten zwischen Anwendungen, Netzwerken, Cloud-Diensten und Infrastruktur müssen sichtbar sein, bevor KI operative Eingriffe übernehmen darf.
- Datenquellen korrelieren: MELT-, Flow-, Paket- und weitere Betriebsdaten sollten so zusammengeführt werden, dass ein konsistentes Lagebild entsteht.
- KI selbst überwachen: Neben Verfügbarkeit und Performance müssen Datenzugriffe, Ergebnisqualität, Entscheidungen und ausgeführte Aktionen nachvollziehbar bleiben.
- Berechtigungen konsequent begrenzen: Rollenmodelle, Least-Privilege-Prinzip, Audit-Trails und Rückfallmechanismen gehören zur Grundarchitektur agentischer Systeme.
- Autonomie stufenweise erweitern: Von Analyse über Empfehlung und freigegebene Aktionen bis zur begrenzten Selbstständigkeit sollte jede Stufe messbare Qualitäts- und Abbruchkriterien besitzen.
- Nutzen an Resilienz messen: Entscheidend sind nicht die Zahl eingesetzter KI-Werkzeuge, sondern kürzere Störungszeiten, geringere Ausfallfolgen und stabilere Geschäftsprozesse.
Studie liefert vor allem Einblick in komplexe IT-Umgebungen
Die Ergebnisse sollten zugleich im Kontext ihrer Stichprobe gelesen werden. Je nach Frage flossen zwischen 937 und 950 Antworten in die Auswertung ein. Befragt wurden Teilnehmende der Cisco Live 2026, darunter insbesondere Enterprise-Architekten, Netzwerkbetriebsspezialisten und IT-Führungskräfte.
55,7 Prozent der Befragten arbeiten in Unternehmen mit mehr als 5.000 Beschäftigten, 37,6 Prozent sogar in Organisationen mit über 10.000 Mitarbeitenden.
Die Untersuchung bildet daher vor allem die Perspektive großer und technisch komplexer IT-Umgebungen ab. Sie ist keine repräsentative Erhebung über sämtliche Branchen und Unternehmensgrößen. Hinzu kommt, dass NETSCOUT selbst Anbieter von Netzwerk-, Observability- und Sicherheitslösungen ist. Die Ergebnisse liefern deshalb ein relevantes Stimmungsbild einer fachlich geprägten Zielgruppe, sollten jedoch nicht ohne Weiteres auf den Gesamtmarkt übertragen werden.
Fazit: Vertrauen muss technisch begründet werden
Der nächste Entwicklungsschritt von KI im IT-Betrieb entscheidet sich nicht allein an leistungsfähigeren Modellen. Je mehr operative Verantwortung Systeme übernehmen, desto wichtiger werden nachvollziehbare Entscheidungen, verlässliche Daten und klar definierte Handlungsspielräume.
Observability erhält damit eine neue Funktion. Sie soll nicht mehr nur erklären, warum eine Anwendung langsam oder ein Dienst ausgefallen ist. Sie muss künftig auch nachvollziehbar machen können, warum eine KI zu einer bestimmten Einschätzung gelangt und weshalb sie eine bestimmte Maßnahme ausgelöst hat.
Für Unternehmen bedeutet das: Vertrauen in KI darf kein Vorschuss sein. Es muss durch Architektur entstehen – durch Evidenz, Transparenz, begrenzte Rechte und überprüfbare Entscheidungen.
Erst dann kann aus KI-gestützter Automatisierung belastbare operative Autonomie werden.
Die Studie auf einen Blick
Titel: Observability, AI Readiness, and Operational Resilience
Herausgeber: NETSCOUT Systems, Inc.
Erhebungsumfeld: Cisco Live 2026
Stichprobe: je nach Fragestellung 937 bis 950 IT-Fachkräfte und technische Entscheider
Schwerpunkte: Observability, operative Resilienz, KI-/LLM-Reife, AIOps und AgenticOps
Besonderheit: Mehr als die Hälfte der Befragten arbeitet in Unternehmen mit über 5.000 BeschäftigtenQuelle: NETSCOUT, „Observability, AI Readiness, and Operational Resilience“, Cisco Live 2026 Survey, 2026.
