Was sind Agent-basierte Abläufe (AgenticOps)?

Von KI zu Agents: wie es dazu kam

Im Gegensatz zu herkömmlichen KI-gestützten IT-Abläufen (AIOps), die bei Warnmeldungen und Empfehlungen enden, geht AgenticOps noch einen Schritt weiter und verwendet KI-Agents, die Probleme analysieren und mit der Geschwindigkeit einer Maschine agieren. Die Belegschaft bleibt auf dem Laufenden und arbeitet nicht isoliert, sondern Seite an Seite mit Agents über eine gemeinsame Arbeitsumgebung, nicht über mehrere Oberflächen. Das Ergebnis ist eine neue Art von Domain-übergreifenden Prozessen: Probleme werden schneller verhindert oder gelöst, das Ticketaufkommen wird geringer und die IT passt sich in Echtzeit an. Jahrelang verhieß AIOps eine smartere IT, brachte jedoch vor allem bessere Warnmeldungen und ansprechendere Dashboards mit sich. Das ist nützlich, aber immer noch reaktiv. Das AIOps-Prinzip hörte bei der Erkennung auf, und die Problembehebung wurde den menschlichen Teams überlassen.

Die Weiterentwicklung:

• Regeln und Skripte (1980er bis 1990er Jahre): bedingungsbasierte Automatisierung (wenn/dann) für sich wiederholende Aufgaben.
• Machine Learning (2000er bis 2010er Jahre): Algorithmen zur Anomalie- und Mustererkennung
• Generative KI (Anfang 2020): Modelle, die sprachgewandte Erklärungen, Zusammenfassungen und Antworten liefern, aber immer noch reaktiv und auf Einzelantworten beschränkt sind.
• Agent-basierte KI (Mitte der 2020er Jahre): KI-Systeme, die als Agents agieren; d. h. autonome Entitäten, die schrittweise schlussfolgern, Aufgaben sequenzieren, auf Tools und Daten zugreifen und sich mit anderen Agents oder Menschen koordinieren können, um ein Ziel zu erreichen.

Was ist ein KI-Agent?

KI-Agents sind autonome Software-Entitäten, die nicht nur reagieren, sondern entscheiden und agieren. Im Gegensatz zu Chatbots oder Dashboards, die nur Informationen darstellen, verstehen Agents von Menschen zugeordnete Ziele und den Kontext, können Aufgaben planen und ausführen, sich an Bedingungen anpassen und kontinuierlich dazulernen.

Zuverlässige Agents für Unternehmen zeichnen sich durch fünf Attribute aus:

• Identität und Kontext: Agents haben eine klare Rolle, einen eindeutigen Zweck und Umfang.
• Schlussfolgern: Sie können komplexe Probleme aufschlüsseln, Alternativen abwägen und kontextbezogene Entscheidungen treffen.
• Skalierung: Sie arbeiten kontinuierlich über stets verfügbare Systeme hinweg.
• Sicherheit: Aktionen sind an Richtlinien, Berechtigungen und Prüfpfade gebunden.
• Betriebliche Effizienz: Durch die Kombination der Schlussfolgerungs- und Automatisierungskompetenzen reduzieren die Kundenserviceteams den manuellen Aufwand und erzielen schnellere Ergebnisse.

In ihrer Gesamtheit machen diese Eigenschaften Agents zu mehr als nur Assistenten. Sie sind Mitarbeitende und können sowohl mit anderen Agents als auch mit Menschen arbeiten, um Abläufe voranzutreiben.

Agent- und Orchestrierungsebenen

Agents agieren nicht isoliert. Manchmal übertragen sie Aufgaben direkt weiter, etwa an einen Monitoring-Agent, der Daten an einen Diagnose-Agent weitergibt. Oder an einen Agent für Korrekturmaßnahmen, der Ergebnisse in einem Learning-Agent protokolliert. All das sind unkomplizierte, begrenzte Interaktionen.

Wenn Workflows jedoch komplexer werden, kommt die Agent-Ebene ins Spiel. Sie verwaltet die Zusammenarbeit über mehrere Agents hinweg, die Aufteilung von Aufgaben, Parallelisierung von Arbeit, Abgleich abweichender Ergebnisse und Pflege des gemeinsam genutzten Kontextes umfasst. Die Agent-Ebene stützt sich auf Modelle – grundlegende, optimierte oder Domain-spezifische –, um die Agents dabei zu unterstützen, die Arbeit intelligent aufzuteilen und ihre Schlussfolgerungen zu koordinieren.

Darüber befindet sich die Orchestrierungsebene. Diese Ebene stellt sicher, dass Aktionen in der richtigen Reihenfolge und innerhalb klarer Richtlinienleitlinien ausgeführt werden, wie das Sammeln von Telemetrie vor Beginnen der Diagnose oder die Validierung von Korrekturen vor Korrekturmaßnahmen. Die Orchestrierung ist zwar Workflow-gesteuert, sie kann aber auch Modelle nutzen, um die Absicht des Bedieners zu interpretieren, Schritte zu validieren und Denkpfade zu erstellen.

Innerhalb der Orchestrierungsebene stellt das Model Context Protocol (MCP) das verbindende Element bereit. Im Gegensatz zu herkömmlichen APIs, deren Integration benutzerdefiniert und begrenzt ist, standardisiert MCP die Art und Weise, wie Agents mit Modellen, Tools und Daten verbunden werden. So erhalten Agents eine konsistente Möglichkeit, die benötigten Ressourcen sicher zu erkennen, darauf zuzugreifen und zu nutzen. Dadurch werden Interaktionen flexibler, skalierbar und kontrollierter als nur Punkt-zu-Punkt-Integrationen.

Die Agent- und Orchestrierungsebene bilden zusammen die Struktur, die autonome Aktionen zuverlässig, erklärbar und wiederholbar macht.

Gründe für AgenticOps

Die moderne IT ist zu komplex, zu schnell und zu fragmentiert, als dass sich menschliche Mitarbeiter allein darum kümmern könnten. AIOps verbesserte zwar die Sichtbarkeit, hörte jedoch bei Warnmeldungen und Empfehlungen schon auf. Deshalb müssen wir von AIOps auf AgenticOps umsteigen.

AgenticOps und AIOps im Vergleich

Kurz gesagt: Durch AIOps kann die IT Probleme schneller erkennen. AgenticOps ermöglicht es der IT jedoch, diese Probleme zu lösen – und zwar mit der Geschwindigkeit und Skalierbarkeit, die moderne Umgebungen erfordern.

Der Cisco Ansatz

Der Cisco Ansatz

Der Cisco Ansatz für AgenticOps besteht darin, Telemetrie, Intelligence und Zusammenarbeit in einem einzigen, kohärenten Framework zu vereinen. Dabei geht es insbesondere darum, Agents für Unternehmen zuverlässig zu machen, damit sie den Kontext verstehen, sicher agieren und nahtlos mit menschlichen BedienerInnen zusammenarbeiten.

• Identität und Kontext: In Cisco AI Canvas hat jeder Agent eine definierte Rolle – Monitoring, Diagnose, Korrekturmaßnahmen, Learning –, um Workflows nachvollziehbar, überprüfungsfähig und kollaborativ zu machen.
• Schlussfolgern: Das Deep Network Model wird mit Betriebsdaten von Cisco aus über 40 Jahren trainiert, darunter CCIE-Wissen, Produktionstelemetrie und Cisco Einblicke. Dadurch können Agents genaue und detaillierte Schlussfolgerungen ziehen, was bei anderen Modellen nicht gelingt.
• Skalierung: Die Cisco Plattform umfasst die Bereiche Campus, Zweigstelle, Cloud und Edge. Agents nutzen Telemetrie aus dem gesamten Cisco Ecosystem, einschließlich Cisco Meraki, ThousandEyes und Splunk, in Maschinengeschwindigkeit. Da für alle Cisco Produkte MCP-Server eingerichtet sind, profitieren Agents von einer standardisierten, skalierbaren Möglichkeit, auf die benötigten Tools und Daten zuzugreifen.
• Sicherheit: Jede Aktion wird durch einen verschlüsselten Zugriff, eine transparente Architektur und Denkpfade gesteuert. BedienerInnen behalten den Überblick und können die Aktionen jederzeit validieren, genehmigen oder übergehen.
• Betriebliche Effizienz: Cisco AI Assistant und AI Canvas bieten eine Arbeitsumgebung in natürlicher Sprache, in der Menschen und Agents in Echtzeit zusammenarbeiten und mehrere Oberflächen durch ein einheitliches digitales Erlebnis ersetzt werden.

All diese Funktionen und Cisco machen AgenticOps zu einer Multidaten-Lösung im Zusammenspiel mit NetOps und SecOps und werden durch ein speziell entwickeltes Modell unterstützt. Die Lösung verfügt zudem über eine Autonomie, der Sie vertrauen können.

In der Praxis

Stellen Sie sich eine Verzögerung bei einer Zweigstelle vor:

• Ein Monitoring-Agent erkennt Anomalien in der ThousandEyes Telemetrie.
• Ein Diagnose-Agent korreliert diese Ergebnisse mit Cisco Meraki Wireless-Protokollen und Splunk Einblicken.
• Bei diesem komplexeren Workflow koordiniert die Agent-Ebene mehrere Agents, indem sie Aufgaben aufteilt, Pfadverfolgungen parallel ausführt und Ergebnisse abgleicht.
• Hierbei nutzen Agents das Cisco Deep Network Model und wenden Domain-spezifische Schlussfolgerungen an, um Muster und Ursachen zu erkennen, die generischen Modellen möglicherweise entgehen.
• Die Orchestrierungsebene sequenziert mithilfe des MCP den nächsten Schritt gemäß der Richtlinie: die Validierung der Daten, bevor die Korrekturmaßnahmen durchgeführt werden.
• Die Ursache des Problems wird deutlich: ein falsch konfigurierter Router auf einem redundanten Pfad.
• Ein Agent für Korrekturmaßnahmen schlägt eine validierte Korrektur vor. Mittels Cisco AI Assistant nehmen TechnikerInnen eine Prüfung vor und genehmigen den Vorgang, und der Agent wendet die Lösung automatisch an.
• Ein Learning-Agent zeichnet den Workflow auf und aktualisiert den Denkpfad, damit sich das System das nächste Mal verbessern kann.

Der gesamte Prozess wird in AI Canvas angezeigt: Telemetrie, Schlussfolgerungen, Aktionen und Validierungen finden sich alle an einem Ort. Das Cisco Deep Network Model liefert die Intelligence, die Agents erledigen die Hauptarbeit, und die Menschen behalten die Kontrolle.

Ergebnis: keine Krisenzentrale, kein Rätselraten, keine Verzögerung. Das Problem wird einfach mit Maschinengeschwindigkeit zuverlässig und transparent gelöst.

Risiko und Verantwortung

Agents können in Sekundenschnelle reagieren, aber Vertrauen muss man sich erst verdienen. Deshalb ist bei Cisco jede Aktion erklärbar, transparent und umkehrbar. Heute behalten Sie die Kontrolle. Wenn sich mit der Zeit Vertrauen entwickelt, können Sie der KI mehr Aufgaben übertragen, da ihre Autonomie von Anfang an auf Vertrauenswürdigkeit ausgelegt war.

Cisco baut diesen Pfad absichtlich ein:

• Eine transparente Architektur, verschlüsselter Zugriff und Prüfpfade gewährleisten die Verantwortlichkeit.
• Das Deep Network Model liefert Domain-spezifische Ergebnisse auf Expertenebene.
• Die MCP-Server standardisieren und sichern die Verbindung von Agents zu Tools und Daten.

All diese Eigenschaften machen AgenticOps nicht zu einem ungeprüften Automatisierungsvorgang, sondern zu einem vertrauenswürdigen Framework für Autonomie.

Der Weg in die Zukunft

AgenticOps bietet mehr als nur schnelle Korrekturen – es ist das Betriebssystem für die IT der Zukunft. Digitale Zwillinge, Abweichungserkennung und kontinuierliches Lernen sorgen dafür, dass in Betriebsabläufen weniger reaktiv Brände gelöscht, sondern proaktiv Probleme vermieden werden. Je mehr Vertrauen aufgebaut wird, umso mehr Aufgaben können Agents übernehmen. Ihre einzelnen Schritte werden dann weniger überwacht und sie können zur autonomen Lösungsfindung übergehen, die stets erklärbar, transparent und kontrolliert bleibt.

Cisco schafft bereits die Grundlagen dafür. Durch die Vereinheitlichung von Telemetrie, Schlussfolgerung und Zusammenarbeit über Netzwerke, Clouds und Sicherheitseinrichtungen hinweg entwickeln wir Autonomie, die in großem Umfang vertrauenswürdig ist.

Die Verlagerung ist klar: AIOps hat Ihnen dabei geholfen, Probleme zu erkennen. Aber AgenticOps hilft Ihnen, diese Probleme zu bewältigen.