Zum Inhalt springen
Illustration zur Fallstudie E.ON

KI-Produktivierung & Observability bei E.ON

KI-Produktivierung für 8 Mio.+ Energiekunden unter KRITIS. Sechs Monitoring-Tools zu einer Plattform konsolidiert. 2 Mio.+ monatliche LLM-Interaktionen.

KI in Produktion im Enterprise-Maßstab. Eine Observability-Plattform über IT, OT und Netz mit agentischer Diagnostik.

  • Skalierbarkeit
  • Sicherheit
  • Zuverlässigkeit
  • Observability
Website besuchenöffnet eine externe Website in einem neuen TabAlle Arbeiten

Programmergebnisse

2 Mio.+ monatlich
45 % schneller
6 → 1
Illustration: zwei Papierhügel, verbunden durch eine Stromleitung

Zwei Aufträge, eine Abhängigkeit

E.ON betreibt 1,6 Millionen Kilometer Energienetz für 47 Millionen Kunden in 17 Ländern. Fällt etwas aus, sitzen Menschen im Dunkeln. Mein Engagement hatte zwei Aufträge: KI für 8 Mio.+ Energiekunden in Produktion bringen und das Observability-Fundament darunter reparieren. Der zweite erwies sich als Voraussetzung für den ersten. KI-gestützter Betrieb arbeitet auf Telemetrie, und E.ONs Telemetrie war auf sechs Monitoring-Tools verteilt.

Unter den bestehenden Workflows konsolidieren

Sechs Tools über IT, OT und Netzbetrieb, keines mit dem vollständigen Bild. Dezentrale Erneuerbare machten das Netz quartalsweise volatiler, und Alert Fatigue zermürbte die Bereitschaftsteams. Die sechs herauszureißen hätte jahrelange Scripts, Integrationen und eingeübte Abläufe rund um diese Tools entwertet, also haben wir darunter konsolidiert. OpenTelemetry wurde der einheitliche, herstellerneutrale Standard für Traces, Metrics und Logs, mit New Relic als Plattformschicht: APM, Infrastructure Monitoring, Kubernetes Auto-Discovery via eBPF, KI-gestützte Ursachenanalyse.

Am härtesten habe ich für semantische Konventionen gekämpft: dafür, dass Teams Dinge einheitlich benennen. Automatische Korrelation funktioniert nur auf Labels, die zusammenpassen, und die KI-Diagnostik, die wir später bauen wollten, hing daran.

KI in Produktion unter KRITIS

Für kritische Infrastruktur ist KI in Produktion vor allem Governance- und Delivery-Arbeit. Die MLOps-Pipelines, die wir bauten, ersetzten manuelle Release-Schritte durch automatisiertes Testen; die Zeit für das Modell-Deployment sank um 45 %, Produktions-Incidents gingen um 60 % zurück. Die Customer-Service-LLMs verarbeiten heute 2 Mio.+ monatliche Interaktionen. Alles davon liefert innerhalb des regulatorischen Rahmens: BSI-C5-Kontrollen, NIS2, KRITIS/IT-SiG 2.0, mit DSFA-Dokumentation für jede KI-gestützte Verarbeitung von Kundendaten.

Auf dieser Baseline pilotierten wir die agentische Schicht: MCP-verbundene LLMs gegen New Relic in AWS und Azure, für automatisierte Diagnostik und Remediation mit Human-in-the-Loop-Guardrails. Eine Arbeitsgruppe aus Observability, Betrieb und Data Science prüfte, ob die gesammelten Metriken auf definierte SLOs abbilden, sodass der Pilot seinen Wert in Zahlen beweisen musste, denen die Operatoren bereits vertrauten.

Illustration: kleine Papierskalen, die zu einer großen zusammenfinden
Illustration: eine gehisste rote Papierfahne mit leerem Anhänger

Alerts, die den Geschäftsimpact benennen

Pathpoint verknüpfte Customer Journeys, Bestellprozesse und Backend-Services mit gemeinsamen KPIs, Netzbetreiber bekamen Echtzeit-Zustandsschätzung und Engpasserkennung. Ein Incident kam früher als „dieser Service ist down“ an. Heute kommt er als „das betrifft X Kunden im Abrechnungsprozess“ an, und die Priorisierungsdiskussionen wurden kürzer.

Skalieren ohne Flaschenhals

Self-Service-Dashboards und Templates brachten Observability zu tausenden Nutzern, ohne dass ein zentrales Team zur Warteschlange wurde. Ein wiederverwendbares Onboarding-Playbook für Collectors, Alerts, SLOs und Dashboards bedeutete: Neue Teams erreichen produktionsreife Observability in Tagen.

KI in Produktion und eine Observability-Plattform

  • KI in Produktion für 8 Mio.+ Energiekunden: 2 Mio.+ monatliche LLM-Interaktionen
  • 45 % schnelleres Modell-Deployment und 60 % weniger Produktions-Incidents durch MLOps-Pipelines mit automatisiertem Testen
  • Sechs Monitoring-Tools zu einer OpenTelemetry-Plattform über IT, OT und Netz konsolidiert
  • Agentische Diagnostik mit MCP-verbundenen LLMs pilotiert, abgesichert durch Human-in-the-Loop-Guardrails
  • BSI-C5-, NIS2- und KRITIS-konforme Governance mit DSFA-Dokumentation

Wie wir entschieden haben, was ein Agent allein tun darf, und wie die Guardrails darum aussahen, steht in The AI-native Platform Playbook.

Energie ist die Branche, die Anhang III kritische Infrastruktur nennt, wenn ein System eine Sicherheitskomponente des Netzes ist. Die Kundenservice-Modelle in diesem Mandat sind eine eigene Einordnung. Im EU-AI-Act-Produkt-Schnellcheck trage ich diese Unterscheidung ein, bevor ich eine der beiden als minimales Risiko behandle. Der Abstand zwischen einem grünen Werkzeug und einem Kunden, der nicht fertig wird, ist das Thema von Warum dein SaaS-Observability-Stack dich anlügt.

Stehen Sie vor einer ähnlichen Situation?

Ein Projekt starten

Nächstes Projekt

PVS-Integrationen und Embedded Finance bei Nelly Solutions skalieren