Voorbij automatisering: wat AI verandert in IT‑operaties

Ruis in monitoring verminderen

Een van de gebieden waarin we een aanzienlijke verbetering hebben gezien, is monitoring.

Grote technologische omgevingen genereren een aanzienlijk aantal meldingen, en niet alle meldingen vereisen hetzelfde niveau van aandacht. Dubbelle meldingen, tijdelijke anomalieën en gebeurtenissen met lage prioriteit kunnen onnodige ruis veroorzaken, waardoor het voor teams moeilijker wordt om problemen te identificeren die een daadwerkelijke operationele impact kunnen hebben.

Door AI‑gedreven anomaliedetectie en ruisonderdrukking in onze monitoringomgeving te integreren, hebben we een reductie van 75 % in monitoringruis bereikt.

Voor het team betekent dat minder tijd besteden aan onnodige meldingen en meer tijd aan het onderzoeken van de issues die aandacht vereisen. Het helpt ons ook om ongebruikelijke patronen eerder te identificeren en geeft engineers betere informatie wanneer ze een incident gaan onderzoeken.

Dit is een gebied waar AI bijzonder nuttig is omdat het grote hoeveelheden informatie snel kan verwerken. Maar zodra iets ongewoons is geïdentificeerd, vereist het begrijpen van de oorzaak en de potentiële impact vaak nog steeds iemand die de omgeving kent.

Verbeteren van routinematige IT‑operaties

We gebruiken ook automatisering om routinematige endpoint‑activiteiten te beheren via een AI‑ondersteund Remote Monitoring and Management‑platform.

Dit omvat gebieden zoals patchorchestratie, gezondheidscontroles, gescripte remediatie en op afstand probleemoplossing.

Voorheen lag de patch‑naleving routinematig onder de 50 %, grotendeels door de handmatige werklast en de schaal van de omgeving. Met het AI‑ondersteunde RMM‑framework bereikt de naleving nu het 95e percentiel.

Die verbetering heeft ons geholpen de endpoint‑stabiliteit te versterken en de blootstelling aan bekende kwetsbaarheden verminderen, terwijl we ook de hoeveelheid repetitief werk dat engineers handmatig moeten beheren, hebben verminderd.

Het is een goed voorbeeld van waar automatisering zinvol is. Het proces is voorspelbaar; het moet consequent plaatsvinden en moet werken over duizenden endpoints.

De technologie kan een groot deel van die activiteit op de achtergrond beheren, terwijl het team zich richt op uitzonderingen, escalaties en kwesties die een diepere analyse vereisen.

Waar mensen nog steeds het verschil maken

Niet elk IT‑probleem volgt een voorspelbaar patroon.

Onze teams werken over verschillende infrastructuuromgevingen, netwerken, systemen en klantvereisten. Een probleem dat in eerste instantie eenvoudig lijkt, kan soms meerdere afhankelijkheden hebben of coördinatie tussen verschillende teams vereisen.

AI kan helpen anomalieën te identificeren, informatie te analyseren en mogelijke oorzaken aan het licht te brengen, maar het team moet nog steeds begrijpen wat er gebeurt in een bredere omgeving.

Dat wordt bijzonder belangrijk wanneer een probleem meerdere systemen treft, of wanneer de technisch voor de hand liggende oplossing gevolgen kan hebben elders.

Hier speelt ervaring een rol.

Een engineer die de omgeving begrijpt, kan verder kijken dan een individuele melding en overwegen wat er is veranderd, welke systemen verbonden zijn, of soortgelijke problemen eerder zijn voorgekomen, en welke impact een specifieke actie kan hebben op de bredere operatie.

Voor ons werkt AI het best wanneer het die engineer betere informatie geeft om mee te werken, in plaats van hen volledig uit het proces te verwijderen.

Ondersteuning van een omgeving met hoge vraag

De schaal van de omgeving betekent dat we manieren moeten vinden om de capaciteit te vergroten zonder simpelweg de hoeveelheid handmatig werk te verhogen.

Automatisering heeft hierbij geholpen.

Routinematige endpoint‑activiteiten kunnen consistent op de achtergrond plaatsvinden. Monitoringtools kunnen signalen filteren en consolideren voordat ze bij engineers terechtkomen. Voorspellende mogelijkheden kunnen helpen potentiële problemen eerder te identificeren, terwijl geautomatiseerde remediatie bekende problemen kan aanpakken zonder te wachten op handmatige tussenkomst.

Dit geeft het team meer capaciteit om zich te richten op servicecontinuïteit, escalaties en complexere technische problemen.

Het verandert ook de manier waarop we productiviteit in IT‑operaties bekijken. Het voordeel is niet alleen dat een taak sneller wordt voltooid. Het is dat engineers meer tijd beschikbaar hebben voor werk waarbij hun ervaring een grotere impact kan hebben.

Governance blijft belangrijk

Naarmate AI en automatisering capabeler worden, wordt governance steeds belangrijker.

Er moet duidelijkheid zijn over welke activiteiten geautomatiseerd kunnen worden, wanneer een engineer moet ingrijpen en wie verantwoordelijk is wanneer een geautomatiseerd proces zich niet gedraagt zoals verwacht.

Dit is vooral belangrijk in grote technologische omgevingen. Een geautomatiseerde actie die over duizenden endpoints wordt toegepast, kan een veel grotere impact hebben dan een actie die op een individuele machine wordt uitgevoerd.

Om die reden hebben we nog steeds duidelijke escalatieroutes, gedefinieerde toegangslevels en passende controles rond geautomatiseerde activiteiten.

Deze benadering is consistent met het National Institute of Standards and Technology’s AI Risk Management Framework, dat de voortdurende monitoring van AI-systemen benadrukt, evenals duidelijk gedefinieerde verantwoordelijkheden en processen voor menselijk toezicht en interventie.

Voor ons gaat governance niet over het vertragen van het gebruik van AI. Het gaat erom dat we AI met vertrouwen en verantwoordelijkheid kunnen inzetten in een live operationele omgeving.

De rol van de IT‑engineer evolueert

Naarmate meer routinematige activiteiten geautomatiseerd worden, verandert ook de rol van de engineer.

Technische kennis blijft essentieel, maar er is steeds meer waarde in het kunnen interpreteren van informatie, het begrijpen van afhankelijkheden en het onderzoeken van problemen die geen voor de hand liggend antwoord hebben.

Engineers moeten ook de tools waarmee ze werken begrijpen. Als een AI‑ondersteund systeem een actie aanbeveelt, moet de verantwoordelijke persoon voldoende kennis van de omgeving hebben om te weten of die aanbeveling logisch is.

Dit maakt training een belangrijk onderdeel van AI‑adoptie.

Onze teams moeten begrijpen wat de technologie kan, waar de beperkingen liggen en wanneer iets anders moet worden geëscaleerd of onderzocht.

NIST beveelt bovendien aan om duidelijk de verantwoordelijkheden te definiëren voor mensen die AI‑systemen bedienen en toezien, naast passende trainings- en vaardigheidsnormen.

Wat we tot nu toe hebben geleerd

Onze ervaringen tot nu toe hebben aangetoond dat sommige van de meest bruikbare toepassingen van AI in IT‑operaties relatief praktisch zijn.

De 75 % vermindering van monitoring‑geluid betekent dat engineers minder tijd besteden aan onnodige meldingen. Het verplaatsen van patch‑compliance van onder de 50 % naar het 95e percentiel heeft de consistentie van endpoint‑beheer versterkt. Automatisering over meer dan 10.000 endpoints helpt ons een omgeving te beheren die anders een aanzienlijke hoeveelheid repetitieve handmatige activiteit zou vereisen.

Tegelijkertijd blijven de complexere delen van IT‑operaties sterk afhankelijk van mensen.

Technologie kan een ongewoon patroon identificeren of een bekende oplossing automatiseren. Een ervaren engineer begrijpt de bredere omgeving, de betrokken afhankelijkheden en de potentiële impact van de genomen beslissing.

Dat evenwicht wordt steeds belangrijker nu AI een onderdeel wordt van de dagelijkse IT‑operaties.

Voor mij is de waarde van AI heel praktisch. Het helpt ons schaal te beheren, geeft onze teams beter inzicht en verwijdert een deel van het repetitieve werk dat tijd kan wegnemen van belangrijkere vraagstukken.

Technologie wordt steeds capabeler, maar de ervaring van de mensen die de omgeving beheren blijft even belangrijk.