AI für SRE: Warum Automatisierung das Ziel ist und KI nur ein Werkzeug

Was geschehen ist: Die Debatte um die Rolle von KI im SRE

Das Schlagwort „AI SRE“ suggeriert gegenwärtig in vielen Fachkreisen, dass künstliche Intelligenz in naher Zukunft die menschliche Arbeit im Site Reliability Engineering (SRE) weitgehend ersetzen könnte. Severin Neumann, Head of Community bei Bronto und Mitglied des OpenTelemetry Governance Committee, stellt sich entschieden gegen diese Sichtweise. In seinem Vortrag auf der Konferenz „Mastering Observability“ im April 2026 betonte er, dass KI nicht das eigentliche Ziel der technologischen Entwicklung sein sollte. Vielmehr müsse sie als eines von vielen Werkzeugen betrachtet werden, um die Zuverlässigkeit von Systemen schrittweise und methodisch zu automatisieren. Neumann schlägt vor, den Fokus von einer KI-zentrierten Sichtweise hin zu einem „AI for SRE“-Ansatz zu verschieben. Diese sprachliche Nuance ist für ihn von entscheidender Bedeutung, da sie den Blick auf das gesamte Spektrum des Site Reliability Engineerings lenkt. SRE ist in dieser Definition weit mehr als die bloße Reaktion auf akute Störungen oder das „Firefighting“ bei Systemausfällen. Es umfasst ein breites Aufgabenfeld, das von der präzisen Instrumentierung über die strategische Kapazitätsplanung bis hin zur proaktiven Risikoprävention reicht. Die eigentliche Incident Response stellt dabei lediglich den letzten Ausweg dar, nicht den Kern der Disziplin.

Die Einzelheiten: Einblicke in das CNCF-Referenzmodell

Um die Frage nach dem richtigen Einsatz von Werkzeugen systematisch zu beantworten, arbeitet die CNCF TAG Operational Resilience an einem Referenzmodell mit dem Titel „Levels of Service Reliability Automation“. Mario Fahlandt, der ehemalige Leiter der TAG, beschreibt dieses Whitepaper als einen Versuch, operative Autonomie abzubilden – von reaktiven Prozessen bis hin zu Systemen, die sich selbst heilen können. Das Modell ist als eine zweidimensionale Matrix strukturiert. Die horizontale Achse definiert den Automatisierungsgrad in fünf Stufen: Manual, Automatic, Assisted, Guided und Autonomous. Die vertikale Achse hingegen listet die wesentlichen Reliability-Aktivitäten auf: Instrumentation, Reliability Implementation, Incident Prevention beziehungsweise Risk Prevention sowie Incident Response. In den einzelnen Zellen dieser Matrix werden spezifische Anforderungen und Fähigkeiten definiert. Ein Beispiel: Bei der Instrumentierung reicht die Spanne von der manuellen Einbindung über OpenTelemetry-SDKs auf der Stufe „Manual“ bis hin zur dynamischen Instrumentierung auf Basis von Laufzeitsignalen in der Stufe „Autonomous“. Dieses Framework soll Teams eine gemeinsame Landkarte bieten, um den Fortschritt über verschiedene Domänen hinweg messbar und planbar zu machen, statt lediglich allgemeine Reifegrade für die gesamte Organisation festzulegen.

Hintergrund: Die Entwicklung der operativen Autonomie

Der Ansatz von Neumann und der CNCF entspringt der Erkenntnis, dass klassische Reifegradmodelle in der Praxis oft zu kurz greifen. Während herkömmliche Frameworks eine Organisation häufig als Ganzes einem Level wie „Initial“ oder „Optimizing“ zuordnen, erlaubt das neue Modell eine granulare Betrachtung. Ein Team kann beispielsweise bei der Instrumentierung bereits einen hohen Automatisierungsgrad erreicht haben, während es bei der Incident Response noch auf einer manuellen Stufe arbeitet. Diese Differenzierung bildet die Realität in komplexen IT-Umgebungen deutlich präziser ab. Die Inspiration für dieses Modell stammt teilweise aus dem Bereich des autonomen Fahrens, wo die SAE-Levels ebenfalls eine klare Abstufung der Autonomie ermöglichen. Neumann betont, dass die Entwicklung hin zu mehr Autonomie kein Selbstzweck ist, sondern die Qualität der Reliability-Arbeit nachhaltig verbessern soll. Die historische Entwicklung zeigt, dass ohne eine fundierte Basis – etwa durch standardisierte Telemetrie – jede Form der Automatisierung auf wackeligen Beinen steht. Die Arbeit am Whitepaper ist ein laufender Prozess, zu dem Neumann die Community ausdrücklich zur Mitarbeit einlädt, um ein praxisnahes und robustes Instrument für die Branche zu schaffen.

Die Beteiligten: Akteure und Institutionen im Diskurs

Im Zentrum der aktuellen Diskussion steht Severin Neumann, der durch seine Rolle als Head of Community bei Bronto und seine Tätigkeit im OpenTelemetry Governance Committee tief in der Materie verwurzelt ist. Als Co-Maintainer der OpenTelemetry-Dokumentation ist er maßgeblich an der Gestaltung von Standards beteiligt, die für die Interoperabilität von Systemen essenziell sind. Die Cloud Native Computing Foundation (CNCF) fungiert hierbei als organisatorischer Rahmen. Innerhalb der CNCF ist es insbesondere die „TAG Operational Resilience“, die das Referenzmodell vorantreibt. Mario Fahlandt, als ehemaliger Leiter dieser Gruppe, hat das Konzept des Whitepapers maßgeblich mitgeprägt. Auch die Konferenz „Mastering Observability“ sowie die „CLC-Konferenz“ (Cloud Native & Platform Engineering Conference), die für November 2026 in Mannheim geplant ist, dienen als wichtige Plattformen für den Austausch zwischen Software-Architekten, DevOps-Experten und Platform-Engineering-Teams. Diese Akteure bilden das Ökosystem, in dem die Standards für die Zukunft der Systemzuverlässigkeit ausgehandelt und definiert werden.

Einordnung: Warum KI allein nicht ausreicht

Einzuordnen ist die Kritik von Neumann als notwendiges Korrektiv zu einem überhitzten Markt. Den Berichten zufolge besteht die Gefahr, dass Unternehmen blind in LLMs investieren, ohne die notwendigen Grundlagen in der Telemetrie geschaffen zu haben. Neumann warnt eindringlich vor den Grenzen von Large Language Models: Sie leiden unter Halluzinationen, einem fehlenden Kausalverständnis und hohen Kosten für Inferenz und Rechenleistung. Zudem sind sie nicht für Echtzeit-Aufgaben optimiert. Ein zentraler Punkt der Einordnung ist die Unterscheidung zwischen Prävention und Reaktion. Hohe Autonomie bei der Incident Response, ohne dass das Risiko vorher präventiv minimiert wurde, führt laut Neumann lediglich zu einem „effizienteren Firefighting“. Wahre Stabilität entsteht durch die Vermeidung von Vorfällen, nicht durch deren schnellere Behebung. Die Einordnung der KI als bloßes Werkzeug – neben klassischen Machine-Learning-Modellen, deterministischen Regeln und Lintern – ist daher ein Plädoyer für technologischen Pragmatismus. Die Qualität einer KI-Lösung hängt demnach untrennbar von der Qualität der Daten ab, die ihr zur Verfügung stehen. Schlechte Telemetrie führt zwangsläufig zu schlechten Entscheidungen der KI, was im schlimmsten Fall Kettenreaktionen auslösen kann.

Offene Fragen: Was noch geklärt werden muss

Obwohl das CNCF-Modell einen klaren Rahmen bietet, bleiben in der Praxis zahlreiche Fragen offen. Der Quelltext benennt explizit die Herausforderung, wie genau die juristische Einordnung von SRE-Tools unter dem EU AI Act im Einzelfall auszusehen hat. Es ist derzeit nicht abschließend geklärt, welche spezifischen Monitoring-Systeme exakt als „Hochrisiko-KI-Systeme“ eingestuft werden, da dies eine projektspezifische Prüfung erfordert. Zudem bleibt die Frage der konkreten Umsetzung der „menschlichen Aufsicht“ nach Artikel 14 des EU AI Act in hochgradig autonomen Systemen eine Herausforderung. Wie genau müssen Not-Aus-Mechanismen gestaltet sein, um bei einem automatisierten Eingriff in kritische Infrastrukturen effektiv zu greifen? Auch die Frage, wie man das „Alert Noise“-Problem ohne die bloße Verlagerung der Komplexität auf LLMs dauerhaft löst, bleibt ein aktives Forschungsfeld. Der Quelltext lässt offen, welche spezifischen ML-Methoden jenseits von LLMs sich als Goldstandard für die Detection und Klassifikation in der breiten Masse durchsetzen werden. Die Lücke zwischen der theoretischen Matrix und der täglichen Implementierung in heterogenen Legacy-Systemen ist ein weiterer Punkt, der in der weiteren Arbeit der CNCF adressiert werden muss.

Wie es weitergeht: Ausblick und Termine

Die Arbeit an der Standardisierung der Reliability-Automatisierung schreitet voran. Ein wichtiger Fixpunkt im Kalender ist die CLC-Konferenz, die vom 11. bis 12. November 2026 in Mannheim stattfindet. Dort werden Themen wie „Agentic AI“, digitale Souveränität und die Fortschritte bei den SRE-Frameworks weiter vertieft. Für Entwickler und Teams bedeutet dies, dass sie sich aktiv in die Gestaltung des CNCF-Whitepapers einbringen können. Die Entwicklung des Referenzmodells „Levels of Service Reliability Automation“ wird als fortlaufender Prozess verstanden, der sich an den praktischen Erfahrungen der Community orientiert. Unternehmen, die KI-Komponenten einsetzen, müssen zudem die regulatorischen Anforderungen des EU AI Acts sowie nationale Vorgaben, etwa durch die BaFin oder die Bundesnetzagentur, im Blick behalten. Die kommenden Monate werden zeigen, wie sich die Governance-Prozesse für autonome Systeme in der Praxis etablieren und ob die Industrie den Fokus tatsächlich von der reinen Begeisterung für LLMs hin zu einer ganzheitlichen, telemetrie-basierten Automatisierungsstrategie verschieben kann.