Die meisten KI-Pilotprojekte im ITSM werden als Erfolg bezeichnet und führen dann zu nichts. Ein solches Projekt läuft mit einem eng begrenzten Umfang, einem motivierten Team und enger Kontrolle, doch nichts davon überlebt den Übergang in eine Live-Umgebung im großen Maßstab. Die Zahlen aus der Branche bestätigen das. Die MIT-Studie von 2025 The GenAI Divide ergab, dass 95 % der KI-Pilotprojekte in Unternehmen keine messbare finanzielle Rendite erzielten. Ebenso berichtet Gartner über eine KI-Wertkrise.
Dieser Artikel untersucht die Lücke zwischen einem erfolgreichen Proof of Concept und etwas, auf das sich die gesamte Organisation verlassen kann, sowie die Voraussetzungen dafür, diese Lücke zu schließen, darunter:
- Warum Pilotprojekte erfolgreich sind und Implementierungen scheitern und was die Lücke zwischen beiden normalerweise beinhaltet
- Was in Bezug auf Ihre Prozesse, Daten und Governance gegeben sein muss, bevor Sie skalieren
- Wie Sie intern die Argumente für den Übergang vom Pilotprojekt in die Produktion aufbauen
- Wie ein schrittweiser Rollout aussieht und wie Sie den dafür erforderlichen organisatorischen Wandel verwalten
Warum Pilotprojekte erfolgreich sind und Implementierungen scheitern und was die Lücke zwischen beiden normalerweise beinhaltet
So viele Menschen stellen die Frage: Warum war unser Pilotprojekt erfolgreich und warum lief die anschließende Implementierung dann so schlecht? Die Realität ist, dass man beides nicht miteinander vergleichen kann.
Pilotprojekte werden in kontrollierten, sicheren und abgeschotteten Umgebungen durchgeführt. Der Umfang ist eng begrenzt, es gibt nur wenige Integrationen, in der Regel sind viele Menschen daran beteiligt und es liegt im Interesse aller, dass das Pilotprojekt gut läuft. Ein weiterer schützender Faktor ist, dass die Daten in den meisten Pilotprojekten begrenzt sind, um die Kontrolle zu behalten und sicherzustellen, dass das System nicht überlastet wird.
KI in Ihrer Live-Produktionsumgebung einzusetzen, ist eine völlig andere Angelegenheit. Das echte Leben ist weder kontrolliert noch sicher. Es ist unübersichtlich und kompliziert, und sobald wir Endnutzer ins Spiel bringen, gibt es deutlich mehr Variationen. Da KI als Verstärker wirkt, kann sich eine kontrollierte Situation äußerst schnell in Chaos verwandeln.
Was in Bezug auf Ihre Prozesse, Daten und Governance gegeben sein muss, bevor Sie skalieren
Datenqualität
Der Erfolg jeder AIOps-Implementierung hängt von der Datenqualität ab. Wenn unsere Daten also alles für uns sind, müssen sie sich im bestmöglichen Zustand befinden. Erstellen Sie einen klaren Plan für die Festlegung einer Baseline und das Management Ihrer Daten, damit sie korrekt sind und es auch bleiben.
Wenn Sie Schwierigkeiten haben, einen Ausgangspunkt zu finden, gehen Sie zurück zu Wert und Ergebnissen. Denken Sie über das Geschäftsergebnis nach, das Sie mit Ihrem AIOps-Projekt erreichen möchten. Wenn es um Kundenbindung geht, können Kundenzufriedenheits-Kennzahlen der erste Datenbereich sein, den Sie sich ansehen.
Wenn es um eine verbesserte Servicequalität geht, betrachten Sie Ihre Incident-, Problem-, Request- und Change-Daten. Mit einem fokussierten Ausgangspunkt können Sie einen priorisierten Datenqualitätsplan erstellen, der Ihre Geschäftsergebnisse unterstützt.
Sobald Ihre Daten überprüft wurden, stellen Sie sicher, dass sie für die Nutzung durch KI optimiert sind, zum Beispiel durch Standardbereiche für numerische Daten und Namenskonventionen für Kategorie-Daten, damit die KI sie konsistent erkennen kann.
Ein letzter Punkt, den Sie bei der Datenqualität berücksichtigen sollten, ist, dass es sich dabei nicht um eine einmalige Aufgabe handelt. Genau wie bei der ITIL-Practice der kontinuierlichen Verbesserung sind Daten nicht statisch. Im Fall von AIOps sind Ihre Daten ein zentraler Input; sie werden sich weiterentwickeln, wenn das Unternehmen im Laufe der Zeit wächst und sich verändert.
Deshalb ist jetzt der richtige Zeitpunkt, Systeme zur Überwachung wichtiger Qualitätsindikatoren zu implementieren und über Ihren Event-Management-Prozess Warnmeldungen einzurichten, die Support-Teams erhalten, wenn sich die Daten diesen Schwellenwerten nähern. Indem wir Datenqualität und Datenmanagement als kontinuierlichen Lebenszyklus behandeln, können wir eine nachhaltige Grundlage für die Bereitstellung von AIOps schaffen.
Legen Sie eine Baseline für Ihre Prozesse fest
Stellen Sie sicher, dass Ihre Prozesse zweckmäßig und mit Blick auf Skalierbarkeit konzipiert sowie auf dem neuesten Stand sind und kürzlich überprüft wurden. Alles beginnt mit Menschen, Daten und Prozessen. Wenn die Grundlagen nicht vorhanden sind, wird Ihr AIOps-Projekt Schwierigkeiten haben, weil es Lücken geben wird. Bevor Sie über die Pilotphase hinausgehen, sollten Sie Ihre Prozesse überprüfen und sicherstellen, dass sie weiterhin die erforderlichen Ergebnisse liefern.
Wenn Sie sich nicht die Zeit nehmen, Ihre Prozesse zu betrachten, werden Ihnen Dinge entgehen und Sie werden am Ende versuchen, Prozessverbesserungen nachträglich einzubauen, während Sie sich mitten in Ihrer AIOps-Implementierung befinden – und glauben Sie mir, wenn ich sage, dass das niemand möchte.
Verstehen Sie die Komplexität Ihrer Umgebung
Jedes IT-Ökosystem ist anders, aber viele Organisationen haben eine IT-Landschaft, die ungefähr aus Cloud-Services, On-Premises-Infrastruktur, SaaS-Plattformen, Containern, APIs, Endpoints, Netzwerken, Unternehmensanwendungen, intern entwickelten oder anderen individuellen Anwendungen, Druckern, AV-Equipment und etwa 47 verschiedenen Stellen besteht, an denen Dinge unbemerkt Feuer fangen können.
Das ist eine ganze Menge, und da KI bereits vorhandene Risiken verstärken kann, müssen wir sicherstellen, dass wir unser Haus in Ordnung haben und uns um Systemschwachstellen wie fragmentierte Daten, fehlerhaften Code oder umständliche Workflows kümmern. So kann die KI ihre Arbeit machen und die Servicebereitstellung verbessern, anstatt zusätzliche Risiken zu schaffen.
Governance
Sorgen Sie für die richtigen Leitplanken und Verantwortlichkeiten, damit alles auf Kurs bleibt. Beim Übergang vom Pilotprojekt in die Produktion müssen Sie ein umfassendes Governance-Framework etablieren, das Dateneigentümerschaft, Verantwortlichkeiten für die Datenqualität, Change-Enablement-Prozesse und klare Eskalationsverfahren definiert. Ein zentraler Grundsatz der Governance ist die Datenqualität, denn wenn KI Entscheidungen treffen soll, die Auswirkungen auf unsere Live-Umgebung haben, möchten wir, dass diese auf den richtigen Informationen basieren.
Ein wesentlicher Bestandteil Ihrer Governance-Strategie sollte die Implementierung regelmäßiger Qualitätsprüfungen mit definierten Metriken sein, damit Ihre Daten möglichst korrekt, vollständig und aktuell bleiben. Erstellen Sie vertrauenswürdige Datenkataloge, die abbilden, welche Daten Sie haben, woher sie stammen und wie sie Ihr ITSM-Tool unterstützen. So können Sie genau erkennen, wo Entscheidungen geprägt, beeinflusst oder still und leise in die falsche Richtung gelenkt werden.
Weisen Sie Ihren Datensätzen klare Verantwortlichkeiten zu, mit Data Ownern für die Rechenschaftspflicht und dedizierten Data Stewards, die für die Förderung der Datenqualität verantwortlich sind. Wir haben bereits über Qualitäts-KPIs und Warnschwellen gesprochen, aber Governance muss sich auch auf Remediation-Prozesse und Richtlinien zur Datenaufbewahrung erstrecken.
Sobald KI in die Produktion übergeht, müssen Organisationen auch deutlich ernsthafter über Auditierbarkeit und die Verantwortung für Entscheidungen nachdenken. Wenn ein KI-Modell einen Alarm unterdrückt, einen Change auslöst oder die Priorität eines Incidents herabsetzt, müssen die Beteiligten verstehen, warum diese Entscheidung getroffen wurde, wer den Automatisierungsgrad genehmigt hat und wer weiterhin für das Ergebnis verantwortlich ist, wenn etwas schiefläuft. Die Ausrede „Die KI war’s“ wird bei einem Major-Incident-Review oder Audit nicht besonders gut funktionieren. Es ist wie beim Outsourcing eines Teils unseres IT-Angebots: Wir können die täglichen Aufgaben auslagern, aber die Verantwortung bleibt bei uns.
Sie müssen außerdem regulatorische Risiken und Verpflichtungen im Umgang mit Daten berücksichtigen, insbesondere wenn operative Daten Kunden-, Finanz- oder sensible Informationen enthalten können. Governance-Frameworks sollten definieren, wie Daten abgerufen, verwendet, verwaltet und geschützt werden, ebenso wie Kontrollen zur Verantwortlichkeit von Lieferanten, wenn Drittanbieter-Plattformen oder Managed Service Provider Teil des AI-Ops-Ökosystems sind.
Genau wie die Datenqualität und eine kontinuierliche Verbesserung kann Governance nicht als einmalige Aufgabe behandelt werden, die während der Implementierung abgeschlossen wird. Wir müssen Veränderungen einplanen, denn KI-Modelle und unsere Produktionsumgebungen werden sich im Laufe der Zeit weiterentwickeln. Wir müssen Prozesse für die Überprüfung der Effektivität, die Neubewertung von Risiken und die Validierung des fortlaufenden Nutzens aufbauen, wenn AIOps auch dann vertrauenswürdig bleiben soll, wenn es fest in den täglichen Betrieb integriert ist.
Wie Sie intern die Argumente für den Übergang vom Pilotprojekt in die Produktion aufbauen
Beim Versuch, vom Pilotprojekt in die Produktion überzugehen, ist es wichtig, eine überzeugende Argumentationsgrundlage zu haben, damit Sie über eine vereinbarte Baseline verfügen und die Implementierungsphase auf Kurs halten können.
Eine starke Argumentationsgrundlage umfasst die folgenden Faktoren:
1. Konzentrieren Sie sich auf den Wert und definieren Sie anhand solider KPIs und Metriken, wie Erfolg aussieht
Quantifizieren Sie den ROI und den geschäftlichen Nutzen. Machen Sie es spezifisch für Ihre Organisation. Jetzt ist nicht der Zeitpunkt für Standardkennzahlen wie „verbesserte operative Effizienz“ oder „besserer IT-Support“. Schauen Sie sich an, was für Ihre Organisation und ihre Menschen wichtig ist, und arbeiten Sie von dort aus weiter.
Das führt uns direkt zu klaren, datengestützten KPIs und Metriken wie weniger Alert Noise, schnellerer Triage, höherer Genauigkeit beim Routing von Incidents und Requests, einer reduzierten MTTR, einer verbesserten Reaktion auf Major Incidents und einer besseren Employee Experience. Ihr Pilotprojekt war Ihre Baseline, nutzen Sie also die von Ihnen aufgebauten Messgrößen, um beim Übergang in die Produktion das nächste Niveau zu erreichen.
2. Erstellen Sie einen technischen Blueprint
Dieser umfasst Monitoring-Tools, Datenquellen, Service-Beziehungen aus der CMDB, Sicherheitskontrollen, Automatisierungsgrenzen und Integrationspunkte. Ein solider Blueprint bildet die technische Landschaft, operative Abhängigkeiten und Skalierbarkeitsaspekte ab und ermöglicht es Support-Teams, AIOps-Implementierungen bestmöglich zu nutzen.
3. Managen Sie Risiken
Das Risikomanagement bei AIOps-Implementierungen erfordert von Organisationen, Innovation und Geschwindigkeit mit operativer Kontrolle und den organisatorischen GRC-Verpflichtungen in Einklang zu bringen. Arbeiten Sie mit Ihrer Organisation zusammen, um ein dediziertes AI-Ops-Risikoregister zu erstellen, damit Risiken erfasst, diskutiert, priorisiert und entsprechende Maßnahmen ergriffen werden können.
4. Bauen Sie ein nachhaltiges Betriebsmodell auf
Dazu gehören die Festlegung klarer Verantwortlichkeiten, ein angemessenes Modell-Management mit der dazugehörigen operativen Unterstützung, die Verantwortung für die Datenqualität und die Integration kontinuierlicher Verbesserung in den Arbeitsalltag. Es bedeutet auch, kontinuierlich zu überwachen, anzupassen, zu hinterfragen und zu verfeinern, wie KI-Empfehlungen zustande kommen. Denn operative Umgebungen verändern sich, geschäftliche Prioritäten verschieben sich und was in diesem Moment gut genug ist, könnte still und leise zu einem zukünftigen Risiko werden, wenn wir die Dinge nicht im Blick behalten.
5. Gestalten Sie Ihren Ansatz menschenzentriert
Es ist nur allzu leicht, sich von der glänzenden neuen Technologie mitreißen zu lassen, aber wenn Sie Ihren Ansatz stärker menschenzentriert gestalten, verbessern Sie das Engagement Ihrer Mitarbeiter und erhöhen die Unterstützung für die Implementierung. Wenn Sie vom Pilotprojekt in die Produktion übergehen, sollten Sie Ihre Schritte mit Blick auf Ihre Mitarbeiter gestalten: repetitive Aufgaben reduzieren, Transparenz verbessern und Entscheidungen beschleunigen, denn genau diese Dinge helfen Ihren Technikern dabei, unter Druck effektiver auf Probleme zu reagieren.
Eine ehrliche, klare Kommunikation über KI-Empfehlungen, die Einbindung operativer Teams in den Rollout und der Aufbau von Vertrauen durch praktischen Mehrwert im Arbeitsalltag sind entscheidend dafür, dass KI als Unterstützung für Menschen wahrgenommen wird und nicht als etwas, das ihnen aufgezwungen wird.
Wie ein schrittweiser Rollout aussieht und wie Sie den dafür erforderlichen organisatorischen Wandel steuern
Ein schrittweiser Rollout-Plan gibt dem Unternehmen Zeit, sich an das Konzept von AIOps zu gewöhnen und Risiken zu reduzieren.
Ein schrittweiser Rollout könnte ungefähr wie folgt aussehen:
Phase 1: Shadow Mode
Dies ist die Phase „Die KI sitzt still in der Ecke und beweist, dass sie sich benehmen kann“. Die Plattform ist angebunden, beobachtet Events, erkennt Muster, generiert Empfehlungen und versucht generell, alle zu beeindrucken. Aber entscheidend ist, dass sie noch keine operativen Entscheidungen in der Live-Umgebung trifft. Ihre Support-Teams behalten weiterhin die vollständige Kontrolle.
Ganz ehrlich: Diese Phase ist so wichtig, weil Sie hier normalerweise feststellen, dass Ihre Monitoring-Daten mehr Noise enthalten als erwartet, dass einige der CI-Beziehungen in der CMDB bestenfalls fragwürdig sind oder dass in Ihrer Integrationsschicht mehrere Tools wegen derselben Sache Alarm schlagen.
Sie verstehen, worum es geht: Der Shadow Mode verschafft Ihnen den nötigen Freiraum, um Szenarien zu testen, Modelle anzupassen und zu verfeinern, die Datenqualität zu verbessern und Vertrauen aufzubauen, ohne Ihre Techniker zu stressen oder Service-Unterbrechungen zu riskieren. Er hilft den Support-Teams außerdem dabei, sich in einer sicheren Umgebung mit den Empfehlungen vertraut zu machen.
Betrachten Sie es als eine Phase nach dem Motto: „Lassen Sie die KI erst Vertrauen aufbauen, bevor sie etwas Wichtiges anfasst.“
Phase 2: Begrenzter Umfang
Sobald die KI einen gewissen Mehrwert bewiesen und aufgehört hat, alle in Angst und Schrecken zu versetzen, besteht der nächste Schritt darin, sie vorsichtig in kontrollierte Produktionsszenarien einzuführen. In diesem Schritt beginnt AI Ops normalerweise bei Dingen wie der Duplizierung von Alerts, Ticket-Zusammenfassungen, Routing-Empfehlungen und Vorschlägen zur Ursachenanalyse zu unterstützen.
Der entscheidende Begriff lautet hier „kontrollierte Einführung“: Sie halten Menschen weiterhin fest in die Entscheidungsfindung eingebunden, beginnen aber damit, AIOps einen Teil der repetitiven operativen Belastung abnehmen zu lassen, mit der Support-Teams täglich zu tun haben.
In dieser Phase geht es vor allem darum, Vertrauen zu schaffen. Ihre Techniker müssen sehen, dass KI-generierte Ergebnisse nützlich sind; IT-Führungskräfte brauchen Belege dafür, dass das Projekt einen Mehrwert liefern kann, und Ihr GRC (Governance, Risk & Compliance)-Team muss wissen, dass die Kontrollen funktionieren.
Es ist außerdem die Phase, in der wir festlegen, was passiert, wenn die KI in einer kontrollierten Umgebung etwas falsch macht.
Phase 3: Vollständiger Produktivbetrieb
Auch bekannt als die Phase, in der AIOps nicht mehr nur das Pilotprojekt, sondern Teil des normalen operativen Alltags geworden ist. Governance-Modelle sind etabliert, Verantwortlichkeiten klar und Prozesse zur Sicherstellung der Datenqualität vorhanden. Support-Teams verstehen die Technologie und fühlen sich bei ihrer Nutzung zunehmend sicher. Die Organisation verfügt über genügend Vertrauen, um Automatisierung und prädiktive Fähigkeiten dort, wo es sinnvoll ist, auszuweiten und zu skalieren.
In dieser Phase wird all die Arbeit wichtig, die wir rund um Governance geleistet haben, denn autonome Remediation klingt in einer Hersteller-Demo großartig, aber die Realität sieht ganz anders aus, wenn die KI um 2 Uhr morgens entscheidet, etwas Wichtiges in der Produktionsumgebung neu zu starten. Was wir im Gedächtnis behalten müssen, ist, dass ein vollständiger Produktivbetrieb nicht bedeutet, dass die Arbeit abgeschlossen ist. AIOps ist keine Fähigkeit nach dem Motto „implementieren und das Beste hoffen“.
Das Einzige, von dem wir mit absoluter Sicherheit wissen, dass es stimmt, ist, dass sich die Dinge im Laufe der Zeit verändern und weiterentwickeln werden. Deshalb sind erfolgreiche Organisationen in der Regel diejenigen, welche die Ergebnisse noch lange nach dem Abklingen der anfänglichen Begeisterung über den Rollout kontinuierlich anpassen, überprüfen, verwalten und hinterfragen.
