Was sollten Sie eigentlich als Erstes automatisieren?

Die meisten Netzbetreiber und Dienstleister, mit denen wir sprechen, haben dasselbe Bild vor Augen: Eine KI, die die Arbeitsabläufe übernimmt, bei denen Menschen heute zwischen Systemen hin- und herklicken, nach den richtigen Informationen suchen und Daten von einer Oberfläche in eine andere kopieren. Ein Fallmanagement, das sich von selbst abwickelt. Bereitstellung ohne manuelle Schritte. Fehlerbehebung, die auf die Ursache hinweist, anstatt nur anzuzeigen, dass etwas nicht stimmt. Ein Unternehmen, das Fragen zu seinem eigenen Geschäft beantworten kann, ohne dass zuvor jemand einen Bericht erstellen muss.

Das ist eine vernünftige Vision. In den meisten Fällen ist sie heute auch technisch möglich.

Und doch stehen viele noch still. Nicht aus Mangel an Willen und auch nicht, weil die Technologie noch zu unausgereift wäre. Es liegt daran, dass die nächste Frage schwer zu beantworten ist: Wo fangen wir an, und wie funktioniert das in der Praxis?

Die Frage, die alles zum Stillstand bringt

Zuletzt haben wir das von einem Kunden gehört, der es in etwa so formulierte: Wenn es eine klare Zielvorstellung und einen Projektplan gibt, ist die Entscheidung einfach. Ohne beides lässt sich jede einzelne Investition nur schwer rechtfertigen. Sollen wir eine neue API kaufen? Eine Integration? Eine Datenplattform aufbauen? Zu welchem Zweck und in welcher Reihenfolge?

Das Ergebnis ist meist, dass gar keine Entscheidung getroffen wird. Man zieht sich zurück, um intern zu besprechen, in welche Richtung es gehen soll, und die Entscheidungen werden aufgeschoben. Nicht, weil jemand Nein gesagt hat, sondern weil niemand zu etwas Konkretem Ja sagen konnte.

Was fehlt, ist selten der Ehrgeiz. Es ist vielmehr das Wissen darüber, an welchen Stellen in den eigenen Abläufen Automatisierung tatsächlich etwas bewirkt und was nötig ist, um dorthin zu gelangen.

Warum es schwieriger ist, als es klingt

KI in einer Betreiberumgebung muss mit Systemen arbeiten, die nie für KI konzipiert wurden. Altsysteme. Datenbanken, die die Geschichte mehrerer Systemgenerationen enthalten. APIs, die für die Integration zwischen zwei bekannten Parteien entwickelt wurden, nicht für einen Agenten, der offene Fragen stellt. Authentifizierungsebenen, Berechtigungsmodelle und Prozesse, die im Laufe der Zeit organisch gewachsen sind.

Hinzu kommt, dass die Informationen verstreut sind. Die Netzwerkplanung weiß, wo die Glasfaser verläuft und wo sie physisch verlegt ist. Das OSS weiß, was bereitgestellt wurde und was einen Alarm auslöst. Das BSS weiß, wofür der Kunde bezahlt. Jedes System hat für sich genommen Recht.

Das funktioniert, solange ein Mensch dazwischen steht. Erfahrene Mitarbeiter wissen, welches System in einem bestimmten Fall zum Tragen kommt, was im Kommentarfeld wirklich steht und welche Daten ignoriert werden können. Es ist unsichtbare Arbeit, die selten dokumentiert wird und oft nicht einmal bewusst erfolgt.

Ein Bot erledigt diese Arbeit nicht. Er liest, was tatsächlich geschrieben steht, und nicht, was jemand gemeint hat, dass dort stehen sollte. Wenn die Automatisierung also versagt, liegt das in der Regel nicht daran, dass das Modell zu schwach ist. Es liegt daran, dass die Geschäftslogik eher in den Menschen als in den Systemen verankert ist.

Das ist auch aus einem ganz anderen Grund ein Risiko, das man ernst nehmen sollte. Was passiert an dem Tag, an dem diese Person das Unternehmen verlässt?

Ein System liefert nur einen Teil der Antwort

Solange eine Frage innerhalb eines einzigen Systems bleibt, ist sie überschaubar. Das Problem entsteht, wenn die Frage Informationen aus mehr als einem System erfordert – was bei den wichtigsten geschäftlichen Fragen fast immer der Fall ist. Ein paar Beispiele verdeutlichen das Problem:

Können Sie heute sehen, wie viele Kunden Sie gewinnen und wie viele Sie verlieren? Nicht im Nachhinein, in einem Bericht, den jemand für eine Quartalsbesprechung erstellt hat, sondern kontinuierlich. Und können Sie sehen, wie Kunden zwischen den Dienstanbietern in Ihrem Netzwerk wechseln und wie sich das auf die Abrechnung auswirkt? Für einen Netzbetreiber mit einem Großhandelsgeschäft sind das grundlegende Informationen. Dennoch bleibt diese Frage überraschend oft unbeantwortet, da die Antwort sowohl aktuelle Daten als auch historische Daten aus Bestellungen, dem Dienstleistungsbestand und der Abrechnung erfordert.

Können der Kundenservice oder das NOC erkennen, was tatsächlich die Ursache für eine Störung ist? Nicht nur, dass der Dienst ausgefallen ist – das ist sichtbar. Sondern wo genau der Fehler liegt, welche Kunden betroffen sind und ob er mit laufenden Arbeiten zusammenhängt. Die Antwort gibt es zwar, aber sie verteilt sich auf das Alarmmanagement, die Netzwerkdokumentation, das Ticketingsystem und die laufenden Einsätze vor Ort.

In beiden Fällen ist der Kernpunkt derselbe. Kein einzelnes System kann eine vollständige Antwort liefern. Die Frage erstreckt sich über mehrere Systeme, und wer sie beantwortet, muss in der Lage sein, auf alle zuzugreifen, zu verstehen, wie die Daten miteinander zusammenhängen, und zu wissen, welche Quelle Vorrang hat, wenn sie sich widersprechen.

Hier kommt die Idee einer einheitlichen KI-Ebene ins Spiel. Einige unserer Kunden denken bereits in diese Richtung, manche konkreter als andere: eine Ebene, die mit der Netzwerkplanung, OSS, CRM, der Abrechnungslösung und anderen BSS-Anwendungen kommunizieren und das Gesamtbild zusammenstellen kann, anstatt dass dies jedes Mal manuell von einer Person erledigt werden muss.

Doch eine solche Schicht ist nur so gut wie die Daten, mit denen sie gespeist wird. Verweise zwischen den Systemen müssen stimmen. Derselbe Kunde muss in jedem Schritt erkennbar sein. Und jedes angeschlossene System muss einen gemeinsamen Standard hinsichtlich Datenqualität und Zugriff erfüllen – andernfalls ist die Antwort nur noch schneller falsch.

Fünf Fragen, die Sie bei Ihrem nächsten internen Meeting stellen sollten

Die Diskussion über KI beginnt fast immer mit dem Modell. Die Arbeit beginnt jedoch mit dem Arbeitsablauf. Bevor Sie sich für eine Technologie entscheiden, stellen Sie diese Fragen zu einem Arbeitsablauf, von dem Sie bereits wissen, dass er aufwendig ist:

1. Welchen Prozess versuchen wir zu verbessern, und was kostet uns das heute?

2. Wo befinden sich die Daten, die für Entscheidungen in diesem Arbeitsablauf benötigt werden?

3. Welches System bestimmt das Ergebnis – mit anderen Worten: Wer hat das letzte Wort, wenn die Daten voneinander abweichen?

4. Was wird noch manuell erledigt, und warum?

5. Welcher Teil der heutigen Lösung bremst uns tatsächlich aus?

Betrachten Sie einen Arbeitsablauf nach dem anderen. Bereitstellung. Fehlerbehebung. Verwaltung ungenutzter Glasfaserleitungen. Abrechnungsdaten.

Die Antworten lassen sich in der Regel in drei Kategorien einteilen. Manche Workflows sind näher an der Automatisierung als erwartet, da die Daten tatsächlich vorhanden sind und den Anforderungen genügen. In anderen Fällen sind die Daten zwar vorhanden, aber unvollständig oder weisen Qualitätsprobleme auf, um die sich bisher niemand kümmern musste, da eine Person die Lücken im Laufe der Zeit geschlossen hat. Und manche lassen sich noch überhaupt nicht automatisieren, da entscheidende Informationen nur im Kopf einer Person oder in einem Freitextfeld vorhanden sind.

Alle drei Antworten sind nützlich. Die erste gibt Ihnen einen Ausgangspunkt. Die zweite liefert Ihnen eine konkrete Maßnahmenliste anstelle eines vagen Gefühls, dass Ihre Daten ein Chaos sind. Die dritte zeigt Ihnen, was in die Systeme übertragen werden muss, bevor Automatisierung überhaupt in Betracht kommt.

Es beginnt mit dem Fundament

Wenn wir dies mit Kunden aufarbeiten, stellen wir es meist als Stapel dar.

Ganz unten befinden sich die Daten in den Systemen. Darüber liegen das Datenmodell und die Prozesse – also das, was darüber entscheidet, ob Qualität überhaupt möglich ist. Dann folgt der Zugriff in Form einer Datenschicht und klar definierter APIs. Danach kommen Sicherheit und Berechtigungen, denn eine KI-Antwort muss darauf basieren, was der jeweilige Nutzer sehen darf. Und ganz oben auf dem Fundament steht das, was wir Vertrauen nennen: Ein Begriff hat eine Definition und ist nicht von der Interpretation eines Kollegen abhängig, eine Zahl lässt sich bis zu ihrer Quelle zurückverfolgen, und die Antwort ist dieselbe, egal ob die Frage aus einem Bericht oder von einem Mitarbeiter stammt.

Erst darüber kommt die Nutzung – Analytik und Automatisierung. Und ganz oben steht die Zielvision des Kunden selbst: Was soll automatisiert werden und in welcher Reihenfolge?

Wert wird von oben nach unten definiert. Stärke entsteht von unten nach oben. Deshalb ist die Reihenfolge entscheidend.

Aber – und das ist wichtig – Sie müssen nicht auf eine fertige Zielvision warten, um loszulegen. Sobald Informationen sichtbar und zuverlässig sind, können Sie damit arbeiten – lange bevor ein Workflow durchgängig vollautomatisiert ist. Die Erkennung von Kundenabwanderung ist wertvoll, auch wenn die Reaktion darauf noch manuell erfolgt. Und sie erleichtert die Formulierung der Zielvorstellung, denn Sie sehen dann, wie das Geschäft tatsächlich funktioniert, anstatt nur davon auszugehen, wie es Ihrer Meinung nach funktioniert.

Was wir tun

Wir bauen ein Data Warehouse auf, das genau für diesen Zweck konzipiert ist – mit Definitionen und Rückverfolgbarkeit, die sowohl für das Berichtswesen als auch für automatisierte Arbeitsabläufe geeignet sind. Und wir entwickeln MCPs – Schnittstellen, die es einer KI ermöglichen, das System auf kontrollierte Weise abzufragen, wobei dieselben Definitionen wie im Rest der Plattform verwendet werden.

Wir lösen nicht alle internen Prozesse unserer Kunden für sie, und wir können keine Daten ergänzen, die nie erfasst wurden. Diese Verantwortung bleibt beim Unternehmen. Aber wir können aufzeigen, wo die Lücken liegen, welche Kosten dadurch in Form von nicht automatisierbaren Arbeitsabläufen entstehen und welche Reihenfolge der Maßnahmen die größte Wirkung erzielt.

Wo stehen Sie?

Wir würden gerne Ihre Sichtweise erfahren. Wenn Sie bereits über eine KI-Strategie verfügen und eine Vorstellung davon haben, wo Sie ansetzen können, würden wir gerne mehr darüber erfahren. Falls nicht, sind Sie in guter Gesellschaft – und wir können Ihnen dabei helfen, zu ermitteln, wo Sie heute stehen und welche Arbeitsabläufe am ehesten automatisiert werden können.

Nehmen Sie Kontakt mit uns auf, dann vereinbaren wir ein Gespräch.

Von Ulf Engstrand – Leiter Forschung und Entwicklung, Victor Andersson – BI-Produktmanager, Antymos Dag – BI-Softwareentwickler, Netadmin Systems

Weiterführende Links:

Die KI-Bereitschaftslücke in der Telekommunikation mit API-First-OSS/BSS-Plattformen schließen

Das Potenzial von KI mit Netadmin MCPs ausschöpfen

Netadmin MCP-Services

Netadmin Professional Services