KI im Netzwerkbetrieb: Warum Unternehmen gleichzeitig Tempo machen und bremsen

Aus dem Pilotprojekt ist Regelbetrieb geworden

Die Zahlen sind eindeutiger, als viele erwarten würden: Mehr als drei Viertel der befragten Unternehmen setzen KI-gestützte Netzwerklösungen bereits produktiv ein. Gut jedes vierte Unternehmen beschreibt seinen Netzwerkbetrieb sogar als vollständig KI-integriert oder autonom. Nur eine kaum messbare Minderheit hat aktuell keine Pläne in dieser Richtung.

Die Frage lautet also nicht mehr, ob KI in den Netzwerkbetrieb einzieht, sondern in welcher Rolle, mit welchen Leitplanken und mit welchen Partnern. Wer daraus die richtigen Schlüsse zieht, gewinnt einen strategischen Vorteil. Wer sie ignoriert, baut sich neue Abhängigkeiten ein.

Vier Widersprüche, die man kennen sollte

Das Interessanteste an der Erhebung sind nicht die Zustimmungswerte, sondern die Spannungen dahinter. Vier davon prägen die aktuelle Diskussion.

Erstens: mehr Angriffsfläche und trotzdem Zuversicht. Eine deutliche Mehrheit erwartet, dass KI Netzwerke angreifbarer macht, und rund sechs von zehn Befragten halten dafür ein grundlegend anderes Sicherheitskonzept für notwendig. Gleichzeitig glauben etwa zwei Drittel, dass die Verteidigung im Wettlauf mit KI-gestützten Angriffen letztlich die Nase vorn behält. Diese vorsichtige Zuversicht ist bemerkenswert, und sie entlastet niemanden von der Aufgabe, Architektur und Governance nachzuziehen.

Zweitens: Misstrauen gegenüber KI-Entscheidungen bei hoher Delegationsbereitschaft. Fehlerhafte automatische Sicherheitsentscheidungen zählen zu den größten Sorgen. Dennoch würden rund sieben von zehn Befragten akzeptieren, dass ein KI-System bei einem erkannten Angriff wesentliche Teile des Netzes eigenständig isoliert, vorausgesetzt, ein definierter Konfidenzschwellenwert ist erreicht. Das ist kein Widerspruch aus Nachlässigkeit, sondern ein Hinweis darauf, wie zentral saubere Schwellenwert-Architekturen und dokumentierte Eskalationspfade geworden sind.

Drittens: Expertise vorhanden und doch die größte Sorge. Die überwältigende Mehrheit bescheinigt sich selbst das nötige Inhouse-Know-how für den Betrieb autonomer Netzwerke. Gleichzeitig nennen zwei Drittel als größtes Risiko genau das Gegenteil: eine KI-Einführung ohne die Fähigkeit, sie anschließend sauber zu beherrschen. Plausible Erklärung: Man traut sich den laufenden Betrieb zu, fürchtet aber die Einführungsphase, also Architekturentscheidungen, Integration und die Auswahl der richtigen Partner.

Viertens: Partner gesucht, Kontrolle behalten. Externe Unterstützung ist ausdrücklich gewünscht, Modelltraining und Sicherheitsüberwachung stehen ganz oben auf der Liste dessen, was Unternehmen gerne abgeben würden. Bei einem Punkt hört die Bereitschaft jedoch abrupt auf: Die Nachweis- und Auditpflicht für KI-Sicherheitsentscheidungen soll im eigenen Haus bleiben. Das ist die vielleicht wichtigste Erkenntnis für jede Sourcing-Entscheidung. Betrieb ist delegierbar, Rechenschaft nicht.

Wo KI heute tatsächlich Wirkung zeigt

Der häufigste Einsatzbereich ist wenig überraschend der Kundenservice mit intelligenten Assistenzsystemen. Praktisch gleichauf folgt jedoch die Erkennung und Abwehr von Sicherheitsbedrohungen, und direkt danach ein Feld, das für Netzwerkverantwortliche unmittelbar relevant ist: Kapazitätsplanung und Prognose.

Klassische Kapazitätsplanung arbeitete mit historischen Auslastungswerten und Erfahrungsmustern. Genau daran scheitert sie heute. Cloud-Nutzung, vernetzte Geräte und KI-Anwendungen selbst erzeugen Lastprofile, die sich der Fortschreibung entziehen, mit der Folge von Engpässen, Performance-Einbrüchen und im Extremfall Ausfällen. Wie schnell das Netz zur Engstelle wird, zeigt sich meist erst unter Last. KI-gestützte Verfahren prognostizieren den Bedarf deutlich präziser und verschieben Netzwerkmanagement von der Reaktion in die Vorausschau.

Weitere verbreitete Anwendungsfelder:

• Optimierung von Funknetzen und vorausschauende Wartung
• Automatisierte Richtliniensteuerung in SD-WAN- und SASE-Umgebungen
• Management satellitengestützter Anbindungen, mit zunehmender Verbreitung

Jede dieser Anwendungen hat eine gemeinsame Voraussetzung: belastbare, durchgängig messbare Konnektivität. Ein Prognosemodell, das auf lückenhaften Telemetriedaten aus fünf Ländern und drei Carriern arbeitet, liefert keine verlässlichen Ergebnisse. Intelligenz im Overlay ist nur so gut wie das Underlay, auf dem sie aufsetzt, und genau dieses Underlay ist in global verteilten Umgebungen selten aus einer Hand zu bekommen. Wie KI-fähige Netzwerke aufgebaut werden, entscheidet sich deshalb unterhalb der Modellebene.

Der eigentliche Engpass heißt Vertrauen, nicht Technik

Als größte Bremse für die KI-Einführung nennen die Befragten nicht Kosten und nicht fehlende Technologie, sondern Sicherheits-, Datenschutz- und Datenqualitätsfragen. Auf Platz zwei folgen technische Integrationsprobleme, ausdrücklich einschließlich Altsystemen und Anbieterabhängigkeit. Erst danach kommen regulatorische Unsicherheit und Fachkräftemangel.

Besonders aufschlussreich ist, wo das Misstrauen konkret ansetzt: Am kritischsten bewerten Unternehmen Managed-Anbieter, die Daten mehrerer Kunden in gemeinsamen Modellen zusammenführen. Knapp dahinter rangieren die Sicherheitspraktiken der KI-Anbieter selbst. Die praktische Folge, die viele Befragte beschreiben: Die Einführung verlangsamt sich, Ressourcen fließen in Due Diligence und Compliance, und manche Unternehmen meiden externe Anbieter lieber ganz. Das ist selten die wirtschaftlich beste Antwort, aber eine verständliche.

Für den DACH-Raum verschärft sich dieses Bild zusätzlich. Datenhoheit, Verarbeitungsort und die Nachvollziehbarkeit automatisierter Entscheidungen sind hier keine Nebenbedingungen, sondern harte Anforderungen, regulatorisch wie in der internen Revision.

Warum das Netzwerk zunächst teurer wird

Eine Erkenntnis dürfte in Budgetgesprächen für Diskussion sorgen: Die Befragten erwarten bis 2028 nicht sinkende, sondern im Schnitt um rund zwölf Prozent steigende Kosten im Netzwerkbetrieb durch KI. Das widerspricht dem ursprünglichen Effizienzversprechen, ist bei genauem Hinsehen aber schlüssig.

KI im Unternehmen ist netzwerkhungrig. Sie verlangt mehr Kapazität, konsistentere Performance und engere Cloud-Anbindungen. Dazu kommen die Betriebskosten der KI-Modelle selbst: Rechenleistung, Speicher, Datenaufbereitung, Integration und qualifiziertes Personal. Die realistische Rechnung lautet daher nicht, dass KI Netzwerkkosten spart, sondern: Ohne intelligente Steuerung wären die Kosten für schlecht ausgelastete Bandbreite und überdimensionierte Reserven noch höher. Ergänzend zeigt eine vielbeachtete MIT-Untersuchung, dass die große Mehrheit generativer KI-Pilotprojekte keinen messbaren finanziellen Effekt nachweist, ein Argument für sorgfältige Auswahl, nicht gegen KI.

Wenn KI die Netzwerkkosten kurzfristig erhöht, wird der Einkauf der Konnektivität selbst zum entscheidenden Ausgleichsfaktor. Genau hier liegt in der Praxis der größte ungenutzte Hebel: Preisniveaus für Business-Internet, DIA, Ethernet und Standortvernetzung unterscheiden sich zwischen Carriern erheblich, bei identischer technischer Leistung.

Wer entscheidet und wer verantwortet

Bemerkenswert ist, wie hoch KI-Entscheidungen inzwischen angesiedelt sind. Am häufigsten sollen technische und Sicherheitsleitung gemeinsam entscheiden, an zweiter Stelle steht die Geschäftsführung selbst. Netzwerkarchitektur ist damit endgültig ein Thema der Unternehmenssteuerung und kein Fachthema der IT-Abteilung. Wie stark Netzwerksouveränität dabei zur Führungsfrage wird, zeigt sich in jeder Vertragsverhandlung.

Für die operative Verantwortung zeichnet sich ein klares Muster ab: Ein gemeinsames Modell aus internem Team und externem Partner liegt vorn, ein Drittel will die Steuerung ausschließlich im eigenen Haus behalten. Bei der Auditfähigkeit kippt das Bild noch weiter nach innen. Übersetzt in Anforderungen an Verträge heißt das: Wer KI-gestützten Netzwerkbetrieb einkauft, braucht durchsetzbare Auskunfts-, Protokollierungs- und Nachweisrechte, nicht nur ein Service Level für Verfügbarkeit.

Bei der Frage nach der KI-Strategie im Netzwerkbetrieb ist ein Modell klar in Führung: ein hybrider Ansatz über mehrere Partner hinweg. Deutlich dahinter folgen Hyperscaler-Plattformen und spezialisierte Managed-Service-Anbieter. Die Logik dahinter ist nachvollziehbar, kein einzelner Anbieter deckt alle Anforderungen ab. Der hybride Ansatz hat allerdings einen bekannten Preis: Komplexität. Mehrere Partner bedeuten mehrere Steuerungslogiken, mehrere Datenquellen, mehrere Vertragswerke und mehrere Eskalationswege. Genau die Nebenwirkung, die Anbieterwildwuchs auch in klassischen Netzen erzeugt.

Auflösen lässt sich dieser Zielkonflikt nur mit einer klaren Orchestrierungsschicht: einem Partner, der die Anbieterlandschaft konsolidiert, ohne selbst Anbieter zu sein, und der damit kein Eigeninteresse an einer bestimmten technischen Lösung hat. Aus Sicht global aufgestellter Unternehmen mit mehreren Standorten stehen sich drei Modelle gegenüber:

Als transformativste Technologien der nächsten Jahre gelten prognostische und simulationsbasierte Verfahren, also Analytik und digitale Zwillinge, knapp vor autonomen, selbstheilenden Netzen und generativer KI für Netzwerkdesign. Bei der Frage, wer das Feld bis 2030 dominiert, fällt die Antwort deutlich aus: Die Hyperscaler werden vorn erwartet, klassische Telekommunikationsanbieter dagegen kaum. Offen bleibt allerdings, ob große Plattformbetreiber die Datenhoheit und lokale Präsenz liefern können, die viele Unternehmen aus Compliance-Gründen benötigen.