Der Betrieb ist die teuerste Phase — und AIOps die reifste KI-Disziplin

Der Betrieb bindet über den Lebenszyklus 60 bis 80 Prozent des Aufwands — und ist zugleich der am wenigsten bearbeitete Block. AIOps, die Anwendung von KI auf Operations-Probleme, gilt methodisch als die reifste KI-Disziplin im gesamten Lebenszyklus: Die zugrunde liegenden Verfahren sind seit Jahren peer-reviewt belegt.

Wofür es spricht: Rootly 2025 nennt für KI-gestütztes Incident-Management 30 bis 70 Prozent schnellere Lösungszeiten; dieses Buch rechnet konservativ mit rund 40 Prozent. Der Hebel liegt in der Diagnose-Phase, die empirisch den größten Einzelblock der Mean Time to Restore ausmacht — genau dort, wo KI Logs korreliert und Root-Cause-Hypothesen aufstellt, statt dass ein Senior-Engineer manuell sucht.

Wogegen es spricht: Die Outcome-Evidenz dieser Phase ist die dünnste im ganzen Buch — die Wirkungszahlen sind fast durchgängig Anbieter-Selbstauskünfte, keine unabhängig geprüften Studien. Hinzu kommt ein methodisches Paradox: Ausgerechnet die Diagnose-Phase, in der KI den größten MTTR-Hebel hat, ist auch die, in der Voll-Autonomie am riskantesten ist — eine konfidente, aber falsche Root-Cause-Hypothese, die automatisch eine Remediation auslöst, verschlimmert den Vorfall statt ihn zu beheben. Die Konsequenz: Autonomie an die Diagnose-Konfidenz und die Reversibilität der Aktion koppeln, nicht an die Incident-Klasse allein — Vollautomatik nur, wenn eine Aktion in Sekunden rückholbar und durch mehrere Signale bestätigt ist.

Wer AIOps als Black Box installiert, die „alles regelt”, riskiert genau diesen Fall. Wer sie an Konfidenz und Reversibilität koppelt, holt sich den größten und langlebigsten Hebel des gesamten Lifecycles.

→ Mehr zum Buch und zum Kapitel „Betrieb”