30 www.net-im-web.de 6-7/2026 KI-basierte NetOps dungen. Gerade in sicherheitskritischen Infrastrukturen ist das problematisch, weil mangelnde Transparenz die Auditierbarkeit erschwert und Sicherheits- oder Compliance-Risiken verstärken kann. Die Untersuchung zeigt außerdem einen klaren Zusammenhang zwischen Datenqualität und Erfolg von KI-gestütztem Netzwerkmanagement. Höheres Vertrauen in die eigenen Netzwerkdaten geht in der Studie mit mehr Erfolg, höherem Vertrauen in KI-Ergebnisse, größerer Offenheit für Tool-Konsolidierung und mehr Bereitschaft zu Closed-Loop-Ansätzen einher. Datenprobleme mindern Vertrauen Eine mangelhafte Datenqualität hat gravierende Auswirkungen auf den KI-Einsatz für das Netzwerkmanagement. So besitzen nur etwas über 30 Prozent der Befragten vollständiges Vertrauen in die Einsichten und Informationen, welche die KI für das Netzwerkmanagement liefert. Über 60 Prozent haben aktuell hingegen noch wenig Vertrauen. Eine niedrige Datenqualität erzeugt also eine Vertrauenslücke, die dazu beiträgt, dass Unternehmen KI nicht oder nicht intensiv für NetOps nutzen. Hinzu kommt ein Transparenzproblem: Wenn Teams nicht nachvollziehen können, auf welcher Datenbasis Empfehlungen entstehen oder wie belastbar diese Informationen sind, wird KI im Betrieb schneller als Black Box wahrgenommen. Genau diese fehlende Nachvollziehbarkeit ist in Infrastruktur- und Datacenter-Umgebungen ein Risiko – nicht nur für den operativen Betrieb, sondern auch für Security und Compliance. Herausforderung Datenqualität Die Befragten nennen vor allem diese Datenqualitätsprobleme, die die Effektivität von KI im Netzwerkmanagement beeinträchtigen: Fehler bei der Datensammlung, Probleme bei der Datenspeicherung, inkonsistente Datenformate unterschiedlicher Anbieter, blinde Flecken im Netzwerk, Datensilos und Konflikte sowie bösartige Aktivitäten wie Datenmanipulationen. Damit benennt die Studie genau jene Schwachstellen, die sich durch KI nicht automatisch auflösen, sondern sich in vielen Fällen sogar deutlicher auswirken können. Für Training und Inferenz der KI halten die Befragten insbesondere Network Flows, Konfigurationsinformationen sowie DDI Daten zur Netzwerkadressierung für wichtig. Insbesondere diese DDI-Daten liefern, richtig genutzt, wertvolle Echtzeitinformationen über den Zustand der Infrastruktur. Sie sollten eine Single Source of Truth bilden, auf die Netzwerkadministratoren, Cloud-Teams und Sicherheitsexperten immer aktuell zugreifen können. Datenqualität verbessern Mit diesen vier Schritten können Unternehmen die Qualität ihrer DDI-Daten verbessern: erstens umfassende Datenerkennung in einem automatisierten Prozess, zweitens die Verbesserung der DDI-API-Qualität, drittens die weitreichende Integration von DNS- und DHCP-Services unterschiedlicher Anbieter in die IP-Adressverwaltung und viertens eine engere Zusammenarbeit zwischen dem Kernteam für DDI und dem Cloud-Team. Bisher sind nur 41 Prozent der Befragten mit den DDI-APIs vollständig zufrieden. Über die Hälfte der Befragten aus dem DDI-Bereich wünscht sich zudem mehr Einfluss auf DDI-Implementierung in der Cloud. Unabhängig davon, welche Architektur und welche Tools Unternehmen wählen, sollten sie ihre Datenbasis unter Qualitäts- und Zugangsgesichtspunkten systematisch bewerten. Wichtige Fragen sind dabei: Können alle relevanten Anbieter in der Infrastruktur Daten an die ausgewählten KI-Tools liefern? Gibt es proprietäre Formate, die mit der eigenen KI-Strategie nur eingeschränkt kompatibel sind? Und lassen sich die Ergebnisse der KI ausreichend auditieren und verifizieren? Für die erfolgreiche Etablierung von KI-Lösungen im Netzwerkmanagement müssen Unternehmen außerdem ausreichend Budget bereitstellen – unabhängig davon, ob sie Lösungen von Drittanbietern einsetzen oder eigene Modelle trainieren. Ebenso wichtig ist der Aufbau Höheres Vertrauen in die eigenen Netzwerkdaten geht in der Studie mit mehr Erfolg, höherem Vertrauen in KI-Ergebnisse, größerer Offenheit für Tool-Konsolidierung und mehr Bereitschaft zu Closed-Loop-Ansätzen einher (Grafiken: Infoblox)
RkJQdWJsaXNoZXIy MjE2Mzk=