Blog
5 AI Use Cases, die den IT-Betrieb spürbar entlasten
Von Service Desk bis AIOps: AI kann IT-Organisationen entlasten, wenn Use Cases klar priorisiert und kontrolliert in bestehende Prozesse integriert werden.
Steigende Komplexität, wachsende Ticketvolumen, hohe Verfügbarkeitsanforderungen und ein spürbarer Fachkräftemangel: Der Druck im IT-Betrieb nimmt zu, während die Erwartungen an Geschwindigkeit und Qualität weiter steigen. Genau hier rückt AI in den Fokus. Viele IT-Organisationen prüfen, wie sie generative AI, AI-Agenten, Automatisierung und AIOps sinnvoll einsetzen können.
Die zentrale Frage lautet deshalb nicht mehr, ob AI im IT-Betrieb relevant ist. Entscheidend ist vielmehr: Wo bringt AI konkret Nutzen, ohne zusätzliche Komplexität oder unkontrollierte Risiken zu schaffen?
Genau hier lohnt sich ein strukturierter Blick auf passende Use Cases. Denn nicht jede AI-Idee ist automatisch ein guter Anwendungsfall. Entscheidend sind ein klarer Nutzen, verfügbare Daten, saubere Prozessintegration, Governance und eine realistische Umsetzung. Wer noch am Anfang der Use-Case-Identifikation steht, findet im atrete-Beitrag zur Implementierung von AI durch die richtigen Use Cases einen passenden methodischen Einstieg.
Blog
Implementierung von AI durch die richtigen Use-Cases
von Yannik Hauser
Dieser Beitrag knüpft daran an und zeigt fünf konkrete AI Use Cases auf, die für IT-Leiter besonders relevant sind.
Warum AI im IT-Betrieb Fokus braucht
AI wird im IT-Umfeld oft mit grossen Versprechen verbunden: weniger manuelle Arbeit, schnellere Reaktionen, bessere Entscheidungen, stabilerer Betrieb und geringere Kosten. Diese Ziele sind realistisch, sofern AI nicht isoliert als Tool betrachtet wird, sondern als Teil eines Betriebsmodells.
Im IT-Betrieb geht es selten nur um die Einführung eines Chatbots oder eines neuen Monitoring-Features. Es geht um die Frage, wie Daten, Prozesse, Automatisierung und menschliche Verantwortung zusammenspielen. Besonders bei kritischen IT-Prozessen muss klar sein, welche Aufgaben AI unterstützen darf, wo Entscheidungen freigegeben werden müssen und wie Ergebnisse überprüft werden.
Ein pragmatischer Einstieg beginnt deshalb mit einem begrenzten MVP: klein genug, um schnell Erfahrungen zu sammeln, aber strukturiert genug, um später skalierbar zu sein. Dieser Gedanke passt auch zum Design-Thinking-Ansatz in der IT-Automatisierung: Problem verstehen, Lösung fokussieren, früh testen und iterativ verbessern. Mehr dazu im Beitrag Design Thinking, IaC und Automatisierung.
Blog
Design Thinking & IaC-Automatisierung: Mit klarem Fokus schneller Wirkung erzielen
von Daniel Schweizer & Thomas Somogyi
Die folgende Use-Case-Map zeigt, welche fünf Anwendungsfelder sich für einen strukturierten Einstieg besonders eignen. Sie verbindet konkrete Entlastung im IT-Betrieb mit den Grundlagen, die für eine kontrollierte Umsetzung notwendig sind: Datenqualität, Governance, Security, Integration und Human-in-the-Loop.
Use Case 1 – AI-gestützter IT Service Desk und Self Service
Der IT Service Desk ist für viele Organisationen ein naheliegender Einstiegspunkt. Viele Anfragen wiederholen sich: Passwort-Reset, Zugriffsgesuche, Software Requests, einfache How-to-Fragen oder Statusabfragen zu bestehenden Tickets.
AI-gestützte Chatbots oder AI-Agenten können solche Standardanfragen vorqualifizieren, beantworten oder an den richtigen Support-Kanal weiterleiten. Dadurch wird der 1st Level Support entlastet, während Benutzer schneller eine erste Antwort erhalten.
Der Nutzen liegt nicht darin, den Support zu ersetzen. Vielmehr geht es darum, wiederkehrende Arbeiten zu reduzieren und die Qualität der Bearbeitung zu erhöhen. Besonders wertvoll wird der Use Case, wenn der AI-Agent auf eine gepflegte Wissensbasis zugreifen kann und sauber in ein ITSM-System integriert ist.
Zentral ist dabei eine klare Eskalationslogik: Kritische, unklare oder sicherheitsrelevante Anfragen werden automatisch an eine verantwortliche Person übergeben. So bleibt der Service Desk kontrollierbar und effizient.
Use Case 2 – AIOps für proaktive Überwachung und Incident Handling
AIOps ist einer der stärksten Use Cases für AI im IT-Betrieb. Klassisches Monitoring arbeitet häufig mit statischen Schwellenwerten, einzelnen Dashboards und vielen isolierten Alerts. In komplexen IT-Umgebungen reicht das oft nicht mehr aus.
AI kann Logs, Events, Metriken und Monitoring-Daten über verschiedene Quellen hinweg analysieren. Dadurch lassen sich Anomalien früher erkennen, Incidents besser klassifizieren und mögliche Ursachen schneller eingrenzen. Statt starrer Grenzwerte können dynamische Schwellenwerte den Normalzustand eines Systems berücksichtigen und Abweichungen melden, bevor daraus eine Störung entsteht. Der Mehrwert liegt nicht in einem weiteren Dashboard, sondern in der besseren Korrelation von Signalen aus unterschiedlichen Systemen.
Ein Beispiel: Statt einen CPU-Alarm, einen Netzwerkfehler oder einen Storage-Engpass isoliert zu melden, kann ein AIOps-Ansatz Muster erkennen, betroffene Services identifizieren und über Fault Identification & Diagnostics die wahrscheinlichste Fehlerquelle eingrenzen. Je nach Reifegrad entstehen daraus automatisierte Tickets, priorisierte Handlungsempfehlungen oder vorbereitete Remediation-Schritte.
Ein praxisnahes Beispiel dafür lieferte der Virtual AI Event «Künstliche Intelligenz im IT-Betrieb». Im Fokus stand dabei kein klassischer Service-Desk-Chatbot, sondern ein AI-gestützter Operations-Workflow: Alerts und Betriebsdaten werden zusammengeführt, relevante Informationen aus Monitoring, Logs und ITSM-Kontext angereichert, mögliche Ursachen eingegrenzt und ein Ticket mit Kontext, Confidence und Lösungsvorschlägen für IT Operations vorbereitet.
Rückblick Virtual AI Event
Künstliche Intelligenz im IT-Betrieb
Use Case 3 – Automatisierte IT Operations, Runbooks und wiederkehrende Tasks
Viele IT-Teams verbringen einen erheblichen Teil ihrer Zeit mit wiederkehrenden Aufgaben: Ticket Routing, Standardchecks, Skripterstellung, Provisioning, De-Provisioning, Reportings oder einfache Betriebsabklärungen.
AI kann solche Tätigkeiten unterstützen, indem sie Runbooks vorbereitet, Scripts vorschlägt, Informationen zusammenführt oder strukturierte Arbeitsschritte auslöst. Besonders im Zusammenspiel mit bestehenden Automatisierungsplattformen, CI/CD-Prozessen und Infrastructure as Code entsteht hier ein grosser Hebel.
Entscheidend ist dabei ein kontrollierter Einsatz. In produktiven IT-Umgebungen sollte AI keine Änderungen unkontrolliert ausführen. Sinnvoller ist ein abgestuftes Modell: AI analysiert, schlägt vor, dokumentiert und bereitet vor. Kritische Ausführungen werden durch definierte Freigaben, Rollenmodelle und Auditierbarkeit abgesichert.
Damit wird AI nicht zum Risiko, sondern zu einem Beschleuniger für standardisierte Betriebsprozesse, sofern das Fundament stimmt. Wie strukturierte Automatisierung, Versionierung und kontrollierte Umsetzung diese Grundlage schaffen, zeigt der Beitrag CI/CD und Infrastructure as Code.
Blog
CI/CD und IaC
von Thomas Somogyi
Use Case 4 – AI-basiertes Wissensmanagement und Dokumentation
Veraltete Dokumentation ist ein bekanntes Problem in vielen IT-Organisationen. Wissen liegt in Tickets, E-Mails, Chatverläufen, Wikis, Runbooks, Monitoring-Systemen oder gar direkt bei einzelnen Schlüsselpersonen. Im Alltag führt das zu Abhängigkeiten, längeren Einarbeitungszeiten und wiederholten Abklärungen.
AI kann helfen, dieses Wissen besser nutzbar zu machen. Tickets können zusammengefasst, Incident-Learnings strukturiert, Runbooks vorbereitet oder Knowledge-Base-Artikel generiert werden. Auch interne Support-Bots können Mitarbeitenden helfen, relevante Informationen schneller zu finden.
Der Nutzen ist besonders hoch, wenn bestehende Informationen zwar vorhanden, aber schlecht auffindbar oder uneinheitlich dokumentiert sind. AI kann hier Struktur schaffen und Wissen skalierbarer machen.
Trotzdem braucht es Qualitätssicherung. AI kann zwar eingesetzt werden, um Dokumentation zu erstellen oder zu aktualisieren, sollte aber nicht unkontrolliert als einzige Wissensquelle gelten. Fachliche Prüfung, klare Ownership und ein etablierter Review-Prozess bleiben entscheidend.
Use Case 5 – Predictive Maintenance und Kapazitätsplanung
Der fünfte Use Case verschiebt den IT-Betrieb von reaktiv zu vorausschauend. Während AIOps den aktuellen Zustand überwacht und auf Störungen reagiert, nutzen Predictive Maintenance und Kapazitätsplanung historische Betriebsdaten, um zukünftige Engpässe und Ausfälle früher sichtbar zu machen.
Typische Anwendungsfelder sind drohende Systemausfälle, Kapazitätsengpässe bei Compute, Storage oder Netzwerk sowie absehbarer Wartungsbedarf an kritischen Komponenten. Über Trendanalysen lassen sich Auslastung und Wachstum über die Zeit abschätzen, sodass Erweiterungen und Investitionen geplant werden können, bevor ein Engpass den Betrieb trifft.
In unserem Webinar «Daten und KI für moderne Netzwerkinfrastrukturen» wurde diese vorausschauende Sicht eingeordnet, von der Beschreibung des Ist-Zustands über die Vorhersage künftiger Bedürfnisse bis zu konkreten Handlungsempfehlungen.
Aufzeichnung Webinar
Daten & KI für moderne Netzwerke
Dabei ist wichtig: Predictive Maintenance ist kein magisches Frühwarnsystem. Die Qualität hängt stark von Datenlage, Messpunkten, Historie und Modellvalidierung ab. Nicht jeder Ausfall kündigt sich frühzeitig an. Manche Komponenten fallen plötzlich aus, ohne dass zuvor belastbare Indikatoren sichtbar waren. Unvollständige Daten, fehlende Messpunkte oder ausserordentliche Events können zusätzlich zu falschen Einschätzungen führen.
Richtig eingesetzt wird Predictive Maintenance jedoch zu einem Führungsinstrument für IT-Leiter. Sie unterstützt einen planbareren Betrieb, bessere Investitionsentscheide und eine vorausschauendere Kapazitätsplanung.
Welche Use Cases zuerst?
Nicht jede Organisation sollte mit demselben Use Case starten. Entscheidend sind Ausgangslage, Datenqualität, Prozessreife, Risiko und erwarteter Nutzen.
| Use Case | Zielbild | Gute MVP-Eignung, wenn… |
| IT Service Desk / Self Service | Weniger Tickets, bessere User Experience | Viele wiederkehrende Standardanfragen bestehen |
| AIOps / Incident Handling | Stabilerer Betrieb, schnellere Reaktion | Monitoring-, Log- und Eventdaten verfügbar sind |
| Operations Automation | Weniger manuelle Arbeit, weniger Fehler | Runbooks und Freigabelogik klar definiert sind |
| Wissensmanagement | Wissen skalierbar machen | Relevante Quellen und Review-Prozesse vorhanden sind |
| Predictive Maintenance | Proaktiver Betrieb, bessere Planung | Historische Daten und Messpunkte belastbar sind |
Ein guter Startpunkt ist meistens dort, wo Nutzen, Datenverfügbarkeit und Umsetzbarkeit zusammenkommen. Häufig eignet sich ein klar begrenzter MVP besser als ein grosses Transformationsprogramm. Durch diesen Ansatz lassen sich Annahmen prüfen, Datenqualität bewerten, Risiken erkennen und Akzeptanz aufbauen.
Pragmatisch starten, kontrolliert skalieren
AI kann den IT-Betrieb spürbar entlasten. Der Nutzen entsteht jedoch nicht automatisch durch den Einsatz neuer Tools. Entscheidend sind die richtigen Use Cases, eine saubere Datenbasis, klare Prozesse, Governance, Security und eine bewusste Human-in-the-Loop-Logik.
Für IT-Leiter bedeutet das: AI sollte nicht als isoliertes Technologieprojekt gestartet werden, sondern als gezielte Weiterentwicklung des IT-Betriebs. Service Desk, AIOps, Operations Automation, Wissensmanagement und Predictive Maintenance bieten dafür konkrete Ansatzpunkte.
atrete unterstützt IT-Organisationen dabei, geeignete AI Use Cases zu identifizieren, realistisch zu bewerten und pragmatisch umzusetzen. Von der Potenzialanalyse über Architekturdesign und Sourcing bis zur Umsetzung eines MVP verbinden wir technisches Verständnis, unabhängige Beratung und Erfahrung im IT-Betrieb.
Möchten Sie herausfinden, welche AI Use Cases in Ihrer IT-Organisation den grössten Nutzen versprechen? Wir unterstützen Sie dabei, aus Ideen konkrete und umsetzbare Vorhaben zu machen.
