IT-Betrieb: Störungen in Minuten analysieren statt in Stunden

Ein IT-Dienstleister mit 80 Mitarbeitenden betreibt die kritische IT-Infrastruktur von 40 mittelständischen Kunden — Server, Netzwerke, Backups, Cloud-Anbindungen. Bei einem Incident prasseln innerhalb von Minuten hunderte Log-Einträge, Monitoring-Alarme und Support-Tickets ein. Die On-Call-Techniker mussten sich manuell durch diese Datenmenge kämpfen, um die Ursache zu finden. Jede Stunde Ausfall kostet Kunden im Schnitt 12.000 €.

Das Rauschproblem

Nicht jeder Alarm ist ein echter Incident. 70 % der Monitoring-Warnungen im Nachhinein sind Rauschen — zu niedrig gesetzter Schwellenwert, bekanntes Verhalten, oder bereits automatisch behoben. Die restlichen 30 % sind real, aber oft erst nach 45–90 Minuten manueller Analyse identifiziert.

KI-gestützter Incident Copilot mit SoverIQ

SoverIQ Stack wird mit dem Monitoring-System, dem Ticket-System und den Log-Aggregatoren des Dienstleisters verbunden — alles on-premises. Bei einem Alarm analysiert das System automatisch:

• Logs der betroffenen Systeme der letzten 4 Stunden
• Korrelation mit aktuellen Deployments und Änderungen
• Ähnliche historische Incidents aus der Ticket-Datenbank
• Abhängigkeitsgraph: Welche anderen Systeme sind potenziell betroffen?

Das Ergebnis ist ein strukturierter Incident-Brief an den On-Call-Techniker — mit den drei wahrscheinlichsten Root-Cause-Hypothesen, vorgeschlagenen ersten Diagnoseschritten und Verweisen auf ähnliche gelöste Incidents.

Ergebnis

Mean Time to Identify (MTTI) sank von 67 auf 11 Minuten. Fehlalarme, die Techniker nachts weckten, sanken um 58 %. Die Kundenzufriedenheit (gemessen als SLA-Erfüllungsrate) stieg von 91 % auf 98 %. Die On-Call-Belastung der Techniker sank messbar — ein entscheidender Faktor bei der Mitarbeiterbindung.