1. Service Desk Plus und KI?

Viele Unternehmen stehen unter Druck, KI im IT-Betrieb einzuführen – oft ohne klare Vorstellung davon, welches Problem gelöst werden soll und welche Voraussetzungen dafür wirklich nötig sind. Das Ergebnis: hohe Erwartungen, aber enttäuschende Resultate. Eine Untersuchung des National Bureau of Economic Research (NBER) unter 6.000 Führungskräften in vier Ländern ergab, dass über 80 % der Unternehmen trotz aktiver KI-Nutzung keine messbaren Produktivitätsgewinne verzeichnen.

Dieser Artikel fasst zusammen, woran das oft liegt und welche sieben Voraussetzungen erfüllt sein sollten, bevor man KI produktiv im Service Desk einsetzt.

2. Die Ausgangslage: Dogma statt Planung

Viele Organisationen befinden sich in einer "KI-Dogma-Phase": Der Glaube, dass KI transformativ wirkt, wird als gegeben hingenommen – ohne durchdachte Planung dahinter. Der Denkfehler dabei: Nur weil KI bei einem anderen Unternehmen funktioniert hat, heißt das nicht, dass sie auch im eigenen Umfeld funktioniert. Unterschiedliche Daten, Prozesse und Reifegrade führen zu unterschiedlichen Ergebnissen.

Oft entsteht der Druck von oben ("Wir müssen jetzt KI nutzen"), ohne dass Klarheit über die eigentliche Fragestellung besteht: Welches Problem soll gelöst werden? Welche Kennzahl soll sich verbessern? Welcher Anwendungsfall passt zur eigenen Umgebung?

Der "Loop of Doom"

Ohne diese Klarheit entsteht ein wiederkehrendes Muster:

Handlungsdruck → überstürzte Umsetzung → schwache Ergebnisse → Schuldzuweisungen → erneuter Druck

Ein plakatives Beispiel: Bei Meta verfolgte ein Mitarbeiter ein internes Leaderboard zum KI-Token-Verbrauch über 85.000 Mitarbeitende hinweg. Innerhalb von 30 Tagen wurden 60 Billionen Tokens verbraucht – teils, weil Mitarbeitende KI-Modelle im Leerlauf laufen ließen, nur um in der Rangliste aufzusteigen. KI-Einführung ohne klaren Zweck ist teures Rauschen.

Um diesen Kreislauf zu durchbrechen, braucht es vor allem eines: Klarheit – darüber, welches Problem gelöst werden soll, wo KI tatsächlich helfen kann, und wie ein erfolgreiches Ergebnis aussieht.

3. Das unterschätzte Adoptionshindernis: Kontextlücke ("Friction")

Im Privatgebrauch überzeugt KI oft sofort – beim Verfassen von E-Mails, beim Zusammenfassen von Dokumenten. Im Unternehmensumfeld wirkt dieselbe Technologie hingegen häufig enttäuschend generisch. Der Grund dafür ist Reibung ("Friction"): die Lücke zwischen dem, was KI allgemein kann, und dem, was das eigene Unternehmen konkret braucht.

Beispiel Asset Management: Ein Asset-Manager fragt eine KI nach Vorschlägen zur Nachbeschaffung von Laptops. Die KI liefert plausible Modellempfehlungen, Preisrahmen und Kalkulationshilfen – kann aber weder den tatsächlichen Lagerbestand einsehen, noch das Beschaffungssystem abfragen, noch eine Bestellung auslösen. Die eigentliche Arbeit bleibt beim Menschen.

Das zugrunde liegende Problem ist nicht das Modell, sondern der fehlende Geschäftskontext: Die KI hat keinen Zugriff auf Inventarsystem, Beschaffungsworkflow oder Freigabeprozess. Die Lösung liegt nicht in einem besseren Prompt oder einem leistungsfähigeren Modell, sondern in einer KI, die handelt statt nur berät – Stichwort: agentische KI.

4. Das Versprechen agentischer KI

Agentische KI geht über reine Antworten hinaus: Sie führt Aktionen eigenständig aus. Im Asset-Management-Beispiel bedeutet das: Ein Inventar-Agent prüft den Bestand, ein Prognose-Agent berechnet den Bedarf, ein Beschaffungs-Agent erstellt die Bestellung, ein weiterer Agent formuliert die Freigabe-E-Mail und leitet sie an die richtigen Stakeholder. Aus einer generischen Antwort wird ein konkretes Ergebnis.

Das übergeordnete Ziel: der "Zero-Touch Service Desk" – ein Service Desk, in dem KI-Agenten über den gesamten Tool-Stack hinweg selbstständig arbeiten (z. B. Alert erkennen → Major Incident anlegen → CMDB abfragen → Stakeholder benachrichtigen → Remediation anstoßen), sodass sich das Team auf Aufgaben konzentrieren kann, die tatsächlich menschliches Urteilsvermögen erfordern.

Der Weg dorthin erfordert jedoch klare Grundlagen. Wichtig für Service-Desk-Mitarbeitende: Ziel ist nicht der Ersatz von Teams, sondern die Verlagerung ihrer Arbeit hin zu Aufgaben mit höherem Mehrwert. Tickets, die keinen Menschen benötigt hätten, werden automatisch erledigt; Tickets mit Bedarf an menschlichem Urteilsvermögen erreichen die Fachkraft schneller und mit besserem Kontext.

5. Der 7-Stufen-Fahrplan

Schritt 1 – Datenqualität: Saubere Basis schaffen

KI deckt Schwächen in Ihrer Infrastruktur gnadenlos auf, statt sie zu kaschieren. Drei zentrale Datenquellen müssen stimmen:

• Ticketdaten: Konsistente Kategorisierung, Priorisierung und Routing sind Voraussetzung – sowohl für ML-basierte als auch für LLM-basierte Triage. Fehlerhafte historische Daten führen zu fehlerhaften Vorhersagen im großen Maßstab.
• Knowledge Base: Fehlende oder veraltete KB-Artikel führen zu Halluzinationen – überzeugend klingenden, aber sachlich falschen KI-Antworten. Ein aktueller, regelmäßig geprüfter KB-Bestand ist Pflicht; ein RAG-Modell (Retrieval-Augmented Generation), das auf die interne KB zugreift, verankert die Antworten im tatsächlichen Unternehmenskontext.
• CMDB: Eine veraltete CMDB liefert bei einer Root-Cause-Analyse falsche Grundlagen. Kontinuierliche Synchronisation aus allen IT-Management-Tools sowie ein Reconciliation-Mechanismus mit klaren Vorrangregeln (z. B. Monitoring-Tool für CPU-Auslastung, Endpoint-Management-Tool für Patch-Status) sind notwendig.

Kernaussage: Jede Datenlücke, die bisher manuell kompensiert wurde, wird durch KI sichtbar. Vor jedem Rollout: Bestandsaufnahme, was das Modell tatsächlich "gefüttert" bekommt.

Schritt 2 – Anwendungsfälle: Vom Problem, nicht von der Fähigkeit ausgehen

Bevor irgendetwas implementiert wird: Bestehende Service-Desk-Workflows kartieren, Engpässe identifizieren, sehen wo Anfragen "durchrutschen". Diese Erkenntnisse ergeben die passenden Anwendungsfälle. Empfehlenswert ist ein stufenweiser Ausbau:

Kernaussage: Beginnen Sie mit den Problemen, die Ihr Team am meisten Zeit kosten oder am häufigsten durch die Maschen fallen. Verknüpfen Sie jeden Anwendungsfall mit einer messbaren Kennzahl.

Schritt 3 – Vernetzung: KI als Lieferkette, nicht als Einzelsystem betrachten

Geschäftskontext lebt nicht im Modell, sondern im eigenen Tool-Stack. Ohne Zugriff darauf bleibt selbst das leistungsfähigste Modell "blind". Klassischerweise erfordert das für jedes Tool eine eigene API-Integration mit eigener Authentifizierung, eigener Datenstruktur und eigenen Tool-Definitionen – ein erheblicher technischer Aufwand.

Model Context Protocol (MCP), Ende 2024 von Anthropic eingeführt, löst dieses Problem als offener Standard: Statt für jedes Tool eine eigene Integration zu bauen, verbindet man sich über MCP, und der KI-Agent kann in Echtzeit auf Informationen zugreifen und Aktionen über alle angebundenen Systeme hinweg ausführen – inklusive automatisch bereitgestellter Tool-Definitionen.

Praxisbeispiel: Ein KI-Agent mit Zugriff auf Monitoring-Tool, ITSM-Plattform, Microsoft Teams und E-Mail erhält den Auftrag, neue Alarme zu prüfen, bei Relevanz einen Major Incident anzulegen, den CIO auf Teams zu informieren und ein Update per E-Mail zu entwerfen. Der Agent arbeitet die Schritte selbstständig ab, fragt vor kritischen Aktionen um Freigabe (Guardrail), erkennt Muster (z. B. 10 gleichzeitig ausgefallene Monitore als Hinweis auf einen defekten Poller statt zehn Einzelstörungen) und dokumentiert jeden Schritt nachvollziehbar.

Kernaussage: Organisationen, die den größten Nutzen aus KI ziehen, sind nicht die mit den leistungsfähigsten Modellen, sondern die mit den am besten vernetzten Umgebungen.

Schritt 4 – Modellwahl: Wissen, welches Modell im Zentrum steht

Drei Aspekte sind vor der Modellwahl zu klären:

1. Flexibilität: Die Modell-Landschaft entwickelt sich schnell. Fragen Sie Ihren ITSM-Anbieter, ob eine Bindung an ein einzelnes Modell besteht oder ob ein "Bring Your Own Key"-Ansatz (eigener API-Schlüssel bei einem KI-Anbieter) möglich ist.
2. Datenhoheit: Wo liegen Ihre Daten, sobald sie an ein KI-Modell übermittelt werden? Bei Drittanbietern verlässt die Datenverarbeitung Ihre eigene Infrastruktur – relevant insbesondere unter DSGVO-Anforderungen. Zusätzlich klären: Wer kontrolliert die Daten (eigener ITSM-Anbieter vs. externer KI-Anbieter mit neuem Data-Processing-Agreement) und trainiert das Modell auf Ihren Daten? Bei den meisten Enterprise-/API-Tarifen großer Anbieter: nein – aber das ist vertraglich zu prüfen, insbesondere bei sensiblen Daten.
3. KI-Gateway-Schicht: Eine Sicherheitsschicht zwischen ITSM-Plattform und KI-Modell kann personenbezogene Daten (z. B. Name, Mitarbeiter-ID in einem Passwort-Reset-Ticket) vor der Übermittlung maskieren und nach der Verarbeitung wiederherstellen – so gelangen sensible Rohdaten nie unmaskiert an das Modell.

Kernaussage: Die meisten Organisationen übernehmen ihre Modellwahl standardmäßig vom ITSM-Anbieter. Diese Entscheidung sollte bewusst getroffen und die Flexibilität für spätere Anpassungen sichergestellt werden.

Schritt 5 – Token-Nutzung: Als eigenständigen Kostenposten behandeln

Anders als klassische Softwarelizenzen mit fixen Kosten basiert KI-Nutzung meist auf tokenbasierter, verbrauchsabhängiger Abrechnung. Mehr automatisierte Workflows bedeuten mehr Tokens und höhere Kosten.

Warnendes Beispiel: Uber führte im Dezember 2025 KI-Coding-Tools für rund 5.000 Ingenieure ein. Bereits Mitte April war das gesamte Jahresbudget für KI aufgebraucht – ohne dass ein klarer Zusammenhang zwischen dem sprunghaften Token-Verbrauch und einem messbaren Mehrwert für Kunden hergestellt werden konnte.

Empfohlen wird der Aufbau von Transparenz über:

• Verbrauch je Modell/Agent – welche Workflows treiben den Verbrauch?
• Modell-Sizing – passt das eingesetzte Modell zur Komplexität der Aufgabe? Leichtgewichtige Modelle für Routineaufgaben, Premium-Modelle nur, wo tatsächlich nötig.
• Kosten pro Ergebnis – nicht nur die Gesamtausgaben verfolgen, sondern Kosten je abgeschlossenem Workflow, um zu erkennen, was sich zu skalieren lohnt.

Kernaussage: Token-Ausgaben wachsen leise im Hintergrund, bis sie kaum mehr zu ignorieren sind. Frühzeitige Transparenz verhindert böse Überraschungen.

Schritt 6 – Guardrails: Grenzen setzen, die KI nicht überschreiten darf

Ein KI-Agent im Service Desk kann Change Requests erstellen, Accounts provisionieren, Tickets schließen und teils Skripte direkt gegen Systeme ausführen. Vier Ebenen an Kontrollmechanismen sind zu berücksichtigen:

1. Prompt-basierte Anweisungen: Der übliche Ausgangspunkt, aber kein vollständiges Sicherheitsnetz – unklare oder unvollständige Anweisungen (z. B. fehlender Hinweis, dass ein neuer Mitarbeiter ein externer Dienstleister ist) können zu übermäßigen Berechtigungen führen.
2. Autorisierung: Der Agent sollte stets mit den Berechtigungen der Person handeln, in deren Auftrag er tätig wird – nicht pauschal mit Admin-Rechten.
3. Tool-Zugriff und Umfang: Jedes angebundene Tool ist eine potenzielle Tür. Jeder Agent sollte gezielt nur auf die Tools und Zugriffsebenen (Lesen/Schreiben/Löschen) beschränkt werden, die sein konkreter Workflow tatsächlich benötigt.
4. Identitäts- und Governance-Verwaltung für KI-Agenten: Jeder Agent erhält eine eigene Identität, ein eigenes Berechtigungsprofil und einen eigenen Audit-Trail – analog zur Verwaltung menschlicher Mitarbeitender. So lassen sich Anomalien erkennen und schnell korrigieren.

Kernaussage: Fähigkeiten ohne Kontrolle sind ein Risiko, das mit jedem neuen Workflow wächst. Guardrails und Data-Loss-Prevention-Strategien gehören von Beginn an dazu.

Schritt 7 – Menschen zuerst: Das Team bleibt der zentrale Erfolgsfaktor

Die Sorge "Ersetzt KI meinen Job?" ist berechtigt und sollte offen adressiert werden. Ein Team, das sich bedroht fühlt, wird die Technologie umgehen, unterlaufen oder ignorieren – unabhängig davon, wie gut sie technisch funktioniert.

Empfehlungen:

• Stärken und Grenzen ehrlich benennen: KI verarbeitet Daten schneller und arbeitet rund um die Uhr – aber Fähigkeit ist nicht dasselbe wie Urteilsvermögen. Institutionelles Wissen und das Gespür für Situationen, die "nicht stimmen", bleiben menschliche Kompetenzen.
• Übergangsphase transparent kommunizieren: In der Anfangszeit bedeutet KI-Einführung für das Team faktisch zwei Aufgaben – die eigentliche Arbeit sowie das Prüfen und Korrigieren von KI-Ausgaben. Jede Korrektur verbessert das System.
• Team frühzeitig einbinden: Fragen, welche Aufgaben das Team am liebsten abgeben würde; die unterstützende Stufe zeigen, bevor die agentische Stufe eingeführt wird; Transparenz darüber schaffen, was Agenten tun und warum.

Kernaussage: Ein Team, das versteht, wofür KI tatsächlich da ist, wird sie weiterentwickeln, statt sie zu bremsen. Kulturwandel ist Teil des Implementierungsplans – nicht ein Thema, das sich "von selbst" nach dem Go-live regelt.

6. Abschließende Einordnung

KI-Readiness ist in erster Linie keine Technologiefrage. Modelle sind leistungsfähig, Werkzeuge verfügbar – entscheidend sind die Daten, die das Modell speisen, die angebundenen Systeme, die gesetzten Guardrails und das Team, das mit der KI zusammenarbeitet.

Wichtig bei der Bewertung von Angeboten: Nicht jede als "agentisch" vermarktete Lösung ist es auch. Workflows, die auf festen Regeln und vordefinierten Pfaden laufen, sind Automatisierung. Echte Agenten hingegen bewerten Situationen, ziehen die richtigen Systeme heran und entscheiden eigenständig über die nächste Aktion. Dieser Unterschied lohnt eine kritische Nachfrage bei Anbietern und Demos.

Der eigentliche Mehrwert entsteht nicht durch mehr Einzelwerkzeuge, sondern durch den Übergang von isolierten KI-Insellösungen zu vernetzter Intelligenz, bei der Kontext über Teams hinweg geteilt wird und sich das System mit jeder Interaktion verbessert.

7. Kurzübersicht: Die sieben Schritte

1. Datenqualität – Ticketdaten, Knowledge Base und CMDB bereinigen und pflegen
2. Anwendungsfälle – klein starten, vom konkreten Problem ausgehen, schrittweise ausbauen
3. Vernetzung – KI mit dem Tool-Stack verbinden (z. B. via MCP)
4. Modellwahl – Flexibilität, Datenhoheit und Gateway-Schutz sicherstellen
5. Token-Nutzung – Verbrauch und Kosten transparent nachverfolgen
6. Guardrails – Berechtigungen, Tool-Zugriff und Agenten-Identitäten sauber begrenzen
7. Menschen zuerst – Team frühzeitig einbinden, Ängste ernst nehmen, Übergangsphase offen kommunizieren

8. Support

Wenn Sie den Einsatz von KI-Funktionen in ServiceDesk Plus (z. B. Zia-Funktionen, Triage, Agenten-Workflows) planen und Unterstützung bei der Standortbestimmung, Datenaufbereitung oder Anwendungsfall-Priorisierung benötigen, steht Ihnen unser Team gerne beratend zur Seite.

Team NESTEC ManageEngine

Quelle: ManageEngine ServiceDesk Plus – E-Book "A no-fluff 7-step readiness playbook for AI-first ITSM teams", www.manageengine.com/service-desk