KI-Produktivierung & Observability bei E.ON

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. Das klingt nach zwei Baustellen. Es ist eine: KI-gestützter Betrieb ist nur so gut wie die Telemetrie, über die er nachdenkt, und E.ONs Telemetrie war auf sechs Monitoring-Tools verteilt.

Sechs Tools über IT, OT und Netzbetrieb, keines mit dem vollständigen Bild. Dezentrale Erneuerbare machten das Netz quartalsweise volatiler, Alert Fatigue zermürbte die Bereitschaftsteams, und jeder Incident begann mit demselben Ritual: herausfinden, welchem der sechs Bildschirme man glauben darf.

Der Reflex in jeder großen Organisation ist, Tool Nummer sieben zu beauftragen — das eine, das die anderen endlich ablöst. Eine Variante dieser Wette hatte ich früher in meiner Laufbahn selbst platziert und bezahlt: eine technisch bessere Plattform, die ins Stocken geriet, weil Teams jahrelange Scripts, Integrationen und Muskelgedächtnis um die alten Tools gewickelt hatten. Bei E.ON haben wir deshalb niemandes Workflow ersetzt, sondern darunter konsolidiert. OpenTelemetry wurde der einheitliche Standard für Traces, Metrics und Logs — herstellerneutral by design — mit New Relic als Plattformschicht: APM, Infrastructure Monitoring, Kubernetes Auto-Discovery via eBPF, KI-gestützte Ursachenanalyse.

Am härtesten habe ich nicht fürs Tooling gekämpft, sondern für semantische Konventionen — die unglamouröse Arbeit, Teams dazu zu bringen, Dinge konsistent zu benennen. Maschinen können nicht korrelieren, was Menschen inkonsistent beschriften, und jede KI-Diagnostik-Ambition scheitert zuerst an diesem Felsen.

KI für kritische Infrastruktur ist kein Modellproblem, sondern ein Governance- und Delivery-Problem. Die MLOps-Pipelines, die wir bauten — automatisiertes Testen statt manueller Release-Schritte — verkürzten das Modell-Deployment um 45 % und senkten Produktions-Incidents um 60 %. Die Customer-Service-LLMs verarbeiten heute 2 Mio.+ monatliche Interaktionen bei 92 % Genauigkeit. Und 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 cross-funktionale Arbeitsgruppe — Observability, Betrieb, Data Science — prüfte, ob die gesammelten Metriken tatsächlich auf definierte SLOs abbilden. Der Pilot musste seinen Wert in Zahlen beweisen, denen die Operatoren bereits vertrauten.

Pathpoint verknüpfte Customer Journeys, Bestellprozesse und Backend-Services mit gemeinsamen KPIs, Netzbetreiber bekamen Echtzeit-Zustandsschätzung und Engpasserkennung. Ein Incident kam nicht mehr als „dieser Service ist down" an, sondern als „das betrifft X Kunden im Abrechnungsprozess". Die Priorisierungsdiskussionen wurden merklich kürzer.

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

• KI in Produktion für 8 Mio.+ Energiekunden: 2 Mio.+ monatliche LLM-Interaktionen bei 92 % Genauigkeit
• 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

Diese Muster sind Teil von The AI-native Platform Playbook — fünf Prinzipien für die Produktivierung von LLMs in KRITIS-regulierten Umgebungen.