KI und Knowledge-Graphen transformieren das IT-Management

Statt IT-Domänen separat voneinander zu verwalten, braucht das IT-Management der Zukunft eine zentrale, datenbasierte Gesamtansicht. Ein digitaler Zwilling, basierend auf Graph-Technologie und Künstlicher Intelligenz, verspricht mehr Effektivität bei wachsender Komplexität.

Mit dem Wandel im IT-Management passen sich auch etablierte Plattformen an: Im IT-Service-Management (ITSM) sowie in der Software-Entwicklung und im Projektmanagement kommen verstärkt graph-basierte Ansätze zum Einsatz. Servicenow zum Beispiel erweitert seine Configuration Management Database (CMDB) kontinuierlich um graph-basierte Modelle, um IT-Assets und deren Abhängigkeiten dynamischer abzubilden. Atlassian verfolgt einen System-of-Work-Ansatz, bei dem mittels eines Graphmodells dargestellt wird, wie Teams zusammenarbeiten und Wert schaffen.

Was leistet Graphtechnologie, was klassische Datenmodelle nicht können? Die Stärke von Graphdatenbanken ist es, komplexe Datenstrukturen intuitiv und hoch performant abzubilden. Flexible Knowledge-Graphen stellen Informationen nicht tabellarisch, sondern als Netzwerke aus Entitäten (Knoten) und Beziehungen (Kanten) dar. Im Gegensatz zu traditionellen relationalen Datenbanken sind alle Beziehungen, auch die komplexesten, direkt modelliert und daher blitzschnell abrufbar. Eine ausdifferenzierte Graph Data Science stellt zudem zahlreiche Analysealgorithmen zur Verfügung.

All dies macht Graphdatenbanken besonders geeignet für Anwendungsfälle, in denen die Analyse von vielschichtigen Zusammenhängen und Abhängigkeiten im Fokus stehen. So auch im IT-Management. Die Kombination der flexiblen, dynamischen und skalierbaren Graphdatenbanken mit Generative Artificial Intelligence (GenAI) ermöglicht einen digitalen Zwilling der IT, der sich in Echtzeit an Veränderungen anpasst und ein ständig aktualisiertes, lebendiges Abbild der IT-Realität bietet.

Im Vergleich zur klassischen Configuration Management Database (CMDB) bieten Knowledge-Graphen einen deutlich umfassenderen und dynamischeren Blick auf IT-Systeme. Sie gehen über die Auflistung von physischen und virtuellen Assets hinaus und modellieren das gesamte Spektrum an Entitäten der IT-Landschaft einschließlich aller Beziehungen. Dazu gehören unter anderem Applikationen, Geschäftsprozesse, Software-Projekte, Abhängigkeiten zwischen Services, Sicherheitsrichtlinien (Policies), Change Requests, Support-Vorfälle (Incidents), Performance-Metriken, Log-Daten und sogar die eingebundenen Teams mitsamt ihrer jeweiligen Verantwortlichkeit.

Aus dem Analysewerkzeug wird eine neue Betriebsphilosophie

Die Kombination aus der Beziehungsintelligenz von Graphdatenbanken und der Mustererkennungsfähigkeit von Künstlicher Intelligenz legt den Grundstein für eine neue, datengetriebene und intelligent automatisierte Betriebsphilosophie, die sich durch eine Reihe von Merkmalen von der herkömmlichen Philosophie unterscheidet.

Kennzeichnend für diese Betriebsphilosophie sind automatisierte, kontextsensitive und prädiktive Entscheidungen. KI-Agenten, die auf dem Wissensfundus des IT-Knowledge-Graphen operieren, können für Menschen unsichtbare Muster und Anomalien in Echtzeit erkennen. Indem der Graph beispielsweise die Abhängigkeiten zwischen einer Anwendung, ihrer Infrastruktur und historischen Performance-Daten aufzeigt, ermöglicht er der KI, präzise Vorhersagen über Engpässe zu treffen. Dadurch kann er die Performance von Systemen vorausschauend optimieren und Ressourcen dynamisch zuweisen. Ein anderer KI-Agent auf Graph-Basis könnte proaktiv Maßnahmen zur Störungsvermeidung oder -behebung einleiten und automatisierte Fehlerbehebung anstoßen.

Ein weiteres Merkmal ist ein proaktives, ganzheitliches und dynamisches Risikomanagement. Durch die explizite und detaillierte Modellierung sämtlicher Abhängigkeiten im Graphen werden Schwachstellen, Single Points of Failure und Kaskadeneffekte bei Störungen, Sicherheitsvorfällen oder geplanten Änderungen frühzeitig sichtbar. Diese Transparenz ermöglicht es IT-Teams, potenzielle Risiken nicht nur zu identifizieren, sondern auch deren Auswirkungen über das gesamte System hinweg zu simulieren. Solche Simulationen auf dem Graphen führen zu einer wesentlich fundierteren Einschätzung von Risiken und einer gezielten Priorisierung von Gegenmaßnahmen.

Die neue Betriebsphilosophie zeichnet sich ferner aus durch signifikant gesteigerte Entwicklerproduktivität und beschleunigte Innovationszyklen. Entwickler und DevOps-Teams erhalten eine klare und aktuelle Sicht auf die Systemlandschaft. Das Verständnis von Microservice-Interaktionen, Datenflüssen zwischen Komponenten, API-Nutzungsmustern und Infrastrukturabhängigkeiten wird vereinfacht. Außerdem profitiert das Unternehmen von dynamischer, adaptiver und automatisierter Governance und Compliance. Compliance-Vorgaben und interne Sicherheitsvorschriften können direkt im IT-Knowledge-Graphen modelliert und ihre Einhaltung automatisiert validiert werden. Abweichungen und potenzielle Verstöße werden in Echtzeit erkannt, gemeldet und den Verursachern zugeordnet.

Hinzu kommen optimierte Kostenkontrolle, Ressourcennutzung und Kostentransparenz. Werden im Graphen konsequent mit Assets, Services und deren Kostenstellen, Budgets, Projekten und letztlich mit Geschäftsprozessen und Produkten verknüpft, entsteht eine bisher unerreichte Transparenz der IT-Kosten. Dies ermöglicht eine datengestützte Optimierung der Ausgaben, eine verursachergerechte Umlage und eine klare Darstellung des Wertbeitrags der IT.

Es gibt einige Best Practices für IT-Führungskräfte

Die beschriebenen Potenziale einer Graphen- und KI-gestützten IT-Betriebsphilosophie sind immens und transformativ. Um sie in die Realität umzusetzen und die Weichen für eine zukunftsfähige IT zu stellen, sind folgende Maßnahmen empfehlenswert:

Der erste Schritt ist, alle Begrifflichkeiten zu klären und Eigentümerschaft, Verantwortung und Governance zu definieren und zu verankern. Es muss allen Beteiligten klar sein, wer die Verantwortung (Ownership) für den Aufbau, die Pflege, die Datenqualität und die Entwicklung des IT-Knowledge-Graphen trägt. Unterstützend wirkt ein Governance-Gremium aus Vertretern aller relevanten Bereiche (Architektur, Betrieb, Sicherheit, Entwicklung, Business). Arbeitsgrundlage im Umgang mit dem Graphen sind klare Zuständigkeiten, Rollen, Prozesse und rollenbasierte Zugriffe.

Dann gilt es, den IT-Knowledge-Graph als offene Integrations- und Kollaborationsplattform zu etablieren. Der Graph sollte von Beginn an als eine offene und erweiterbare Plattform gedacht werden, die Daten aus verschiedensten Quellen integriert und über Domänen-, Abteilungs- und Tool-Grenzen hinweg nutzbar macht. Das geht am besten mit standardisierten Schnittstellen (zum Beispiel über GraphQL oder offene APIs) und einem föderierten Datenmodell.

Wichtig ist, strategisch und nachhaltig in KI- und Graph-Kompetenzen zu investieren. Der Aufbau von Know-how im Umgang mit Graphdatenbanken (wie Beherrschung von Abfragesprachen wie Cypher und Kenntnis von Graph-Datenmodellierungsprinzipien) und den darauf aufbauenden KI-Anwendungen (zum Beispiel Graph Machine Learning und Natural Language Processing) ist unverzichtbar. Die Grundlage dafür schaffen Schulungen, Einübung des datenbasierten Lernens und nachhaltige Prozesse für die Datenpflege und Modellentwicklung.

Ferner sollten alle Verantwortlichen Datenqualität als kontinuierliche Kernaufgabe verstehen. Ihre Pflege sollte intelligent automatisiert werden. Die Aussagekraft, der Nutzen und die Akzeptanz eines jeden IT-Knowledge-Graphen stehen und fallen mit der Qualität, Konsistenz und Aktualität der darin enthaltenen Daten und Beziehungen. Darum sind klare Prozesse und Verantwortlichkeiten für die Datenvalidierung, -bereinigung und -anreicherung wichtig. Zielführend sind KI-gestützte, automatische Überwachung, Bewertung und Verbesserung der Graphdaten.

Insgesamt ist es empfehlenswert, mit agilen Pilotprojekten zu starten, schnell Mehrwert zu generieren und iterativ zu wachsen: Es ist einfacher und letztlich überzeugender, mit überschaubaren Pilotprojekten zu starten, die einen schnell sichtbaren Mehrwert für einen spezifischen Anwendungsfall versprechen. Auf Basis dieser Erfahrung werden der Graph und seine Anwendungsfelder dann schrittweise erweitert.

Wer die Komplexität meistert, gestaltet die IT-Zukunft

Zunehmend erkennen IT-Verantwortliche die Notwendigkeit, von reaktiven Verwaltungsmodellen zu proaktiven, wissensbasierten Steuerungsmechanismen überzugehen. Im Zentrum dieser Transformation stehen Modelle auf Basis von Knowledge-Graphen und KI. Gemeinsam ermöglichen diese Technologien ein neues, intelligentes Betriebssystem für die IT – eine Steuerungsebene, die alle Komponenten der IT verbindet und ihr Zusammenspiel wie ein Orchester dirigiert.

Dieses System kann die IT als Ganzes transparenter, agiler und resilienter gestalten. Es kann vorausschauen, lernen und in Echtzeit optimieren. Und es kann das komplexe, dynamische und oft verborgene Wissen des Unternehmens für intelligente Automatisierungsprozesse nutzbar machen sowie handlungsrelevante Erkenntnisse bereitstellen. Von diesen Fähigkeiten wird in den kommenden Jahren abhängen, ob eine IT-Landschaft zum agilen, resilienten und innovativen Enabler für das Unternehmen wird.