KI-gestütztes Monitoring: Wenn virtuelle Kollegen mitwachen

KI-gestütztes Monitoring wird oft als Zukunftsversprechen verkauft. Bei Xidras ist es tägliche Praxis: Virtuelle Kollegen beobachten unsere Systeme rund um die Uhr, erkennen Auffälligkeiten, bevor sie zum Problem werden, und übergeben die Entscheidung an echte Techniker, sobald es wirklich zählt. Dieser Artikel beschreibt, wie dieser Übergang von starren Schwellenwert-Alarmen zu KI-gestützter Anomalieerkennung konkret funktioniert – und wo seine Grenzen liegen.

Von Schwellenwerten zu Anomalien

Klassisches Monitoring arbeitet mit festen Schwellenwerten: CPU über 90 %, Speicher über 85 %, Antwortzeit über 500 Millisekunden – Alarm. Das Prinzip ist einfach, aber blind für Kontext. Ein Shop-System, das jeden Montagmorgen kurzzeitig auf 88 % CPU springt, weil der wöchentliche Report läuft, löst denselben Alarm aus wie ein System, das durch einen echten Fehler in eine Endlosschleife läuft. Beide sehen für einen starren Schwellenwert gleich aus – für einen Menschen, der den Kontext kennt, sind sie es nicht.

KI-gestützte Anomalieerkennung lernt stattdessen das normale Verhalten jedes einzelnen Systems über Zeit: welche Lastspitzen üblich sind, wann sie auftreten, wie schnell sich Werte normalerweise wieder normalisieren. Ein Alarm wird nicht mehr ausgelöst, weil ein Wert eine feste Zahl überschreitet, sondern weil ein Muster vom gelernten Normalzustand abweicht – zur falschen Zeit, in falscher Kombination, oder mit einer Dynamik, die untypisch ist. Das reduziert sowohl übersehene echte Probleme als auch unnötige Fehlalarme deutlich.

Alarm-Müdigkeit

Alarm-Müdigkeit ist eines der am meisten unterschätzten Risiken im klassischen Monitoring. Ein Team, das täglich Dutzende Alarme bekommt, von denen die meisten harmlos sind, entwickelt zwangsläufig eine Routine des Ignorierens – nicht aus Nachlässigkeit, sondern aus schierer kognitiver Notwendigkeit. Das gefährliche Ergebnis: Der eine Alarm, der tatsächlich kritisch ist, geht in der Masse unter.

KI-Vorfilterung adressiert genau dieses Problem. Statt jede Schwellenwert-Überschreitung an einen Menschen weiterzureichen, bewertet das System zunächst selbst, wie ungewöhnlich und wie relevant ein Ereignis ist, gruppiert zusammenhängende Symptome zu einem einzigen Vorfall statt zwanzig Einzelalarmen, und eskaliert nur, was wirklich menschliche Aufmerksamkeit braucht. Das Team bekommt weniger, aber relevantere Meldungen – und kann sich auf die verlassen, die tatsächlich ankommen.

Mensch-KI-Rollenteilung bei Xidras

Bei uns beobachten virtuelle Kollegen die Systeme unserer Kunden durchgehend: Metriken, Logs, Latenzen, Fehlerraten – ohne Pause, ohne Nachtschicht-Müdigkeit. Sie erkennen Abweichungen, korrelieren sie über mehrere Systeme hinweg und bereiten eine erste Einschätzung vor: was ist passiert, wie wahrscheinlich ist es relevant, welche Systeme sind betroffen.

Die Entscheidung, was daraus folgt, bleibt bei echten Technikern. Ob ein Failover ausgelöst wird, ob ein Kunde informiert werden muss, ob es sich um einen bekannten, unkritischen Effekt handelt – das sind Entscheidungen, die Erfahrung, Verantwortung und oft auch Kenntnis der individuellen Kundensituation erfordern, die eine KI nicht hat und nicht haben soll. Die virtuellen Kollegen liefern die Vorarbeit: schneller erkannt, besser vorsortiert, mit klarem Kontext. Die Techniker treffen die Entscheidung. Diese Aufteilung ist bewusst so gestaltet – nicht, weil KI die Entscheidung nicht technisch treffen könnte, sondern weil Verantwortung für den Kunden bei einem Menschen liegen soll, der dafür geradesteht.

Grenzen von KI-Monitoring

KI-gestütztes Monitoring ist kein Ersatz für gute Grundarchitektur. Ein System, das schlecht instrumentiert ist – zu wenige Metriken, keine strukturierten Logs, keine sinnvollen Traces – liefert der KI nicht genug Signal, um zuverlässig zwischen normal und anomal zu unterscheiden. Genauso wichtig: Anomalieerkennung braucht Zeit, um "normal" zu lernen. Bei neuen Systemen oder nach größeren Architekturänderungen ist die Erkennung für eine Übergangsphase weniger präzise, bis genug Verhaltensdaten vorliegen.

Und schließlich: KI erkennt Abweichungen von einem gelernten Muster – sie versteht nicht automatisch, warum eine Abweichung geschäftlich wichtig ist. Ein leichter Anstieg der Antwortzeit kann technisch harmlos, aber geschäftlich kritisch sein, wenn er ausgerechnet während einer laufenden Kampagne auftritt. Dieses geschäftliche Verständnis einzubringen bleibt Aufgabe der Menschen, die das System betreuen.

Wie der Einstieg in der Praxis aussieht

Unternehmen, die von reinem Schwellenwert-Monitoring auf KI-gestützte Anomalieerkennung umsteigen möchten, müssen nicht alles auf einmal umstellen. Ein sinnvoller Einstieg beginnt bei den Systemen mit der höchsten Alarmfrequenz – dort, wo Alarm-Müdigkeit am stärksten spürbar ist – und lässt die KI dort zunächst parallel zum bestehenden Monitoring mitlaufen, ohne selbst zu eskalieren. So lässt sich über einige Wochen beobachten, wie gut die Anomalieerkennung das tatsächliche Systemverhalten trifft, bevor sie echte Verantwortung für Alarmierung übernimmt. Diese Übergangsphase ist wichtig: Vertrauen in ein neues Monitoring-System entsteht nicht durch ein Versprechen, sondern durch nachvollziehbare Treffer über Zeit.

Genauso wichtig ist die Frage, was mit einem Alarm passiert, sobald er beim Menschen ankommt. Ein KI-System, das zwar gut vorsortiert, dessen Ergebnisse aber in einem Postfach versanden, das niemand regelmäßig prüft, bringt keinen Mehrwert. Die Eskalationskette – wer wird wann auf welchem Kanal informiert, und wer trägt außerhalb der Bürozeiten die Verantwortung – muss genauso sauber definiert sein wie die technische Erkennung selbst. KI-Vorfilterung ersetzt keine funktionierende Rufbereitschaft, sie macht sie nur deutlich seltener notwendig.

Fazit

KI-gestütztes Monitoring verändert nicht, wer am Ende verantwortlich ist – sondern wie gut vorbereitet diese Entscheidung getroffen wird. Virtuelle Kollegen, die durchgehend beobachten, korrelieren und vorsortieren, geben echten Technikern genau das, was sie brauchen, um schneller und präziser zu handeln, statt in einer Flut von Rohalarmen zu ertrinken. Der entscheidende Unterschied zu reinem Marketing-Versprechen: Bei uns ist das keine Zukunftsvision, sondern die Art, wie wir die Systeme unserer Kunden schon heute betreuen.