Lagebericht Observability 2026: So geht Planbarkeit in der Ära von Agentic AI

Noch vor ein paar Jahren konnte man ziemlich genau vorhersagen, wie ein Incident in der Produktion ablaufen würde. Etwas war anders. Ein Signal verschlechterte sich. Das Team verfolgte die Spur zurück, bis man den Commit, die Konfiguration oder die Abhängigkeit fand, die den Fehler verursacht hatte. Das war harte Arbeit, aber die Spur war da und die Logik stimmte.

Diese Logik verschiebt sich gerade.

Es ist nicht so, dass unsere Systeme schlampiger geworden wären. Aber unsere Prozesse kommen der Realität moderner Architekturen kaum hinterher. Wir sind zu Systemen gelangt, die darauf ausgelegt sind, operative Entscheidungen in verteilten Umgebungen selbstgesteuert zu finden und auszuführen – zu Systemen, die so gedacht und gemacht sind, dass sie sich in Echtzeit selbst anpassen, statt wie früher absehbaren Pfaden zu folgen.

KI-Agenten, denen ein Ziel gegeben wird, finden ihren eigenen Weg dorthin.

Der Weg, den sie heute nehmen, ist wahrscheinlich nicht derselbe, den sie morgen wählen. Genau darum geht es. Und es geht darum, dass wir uns von einer Prämisse verabschieden, die lange als selbstverständlich galt: Dass wir ein System, wenn wir es einmal verstanden haben, auch künftig verstehen – solange wir nichts daran ändern.

Weil wir wissen wollten, wie Teams mit dieser neuen Realität klarkommen, haben wir 2050 ITOps- und Engineering-Fachleute aus 10 Ländern und 16 Branchen befragt. Die Ergebnisse haben wir im Lagebericht Observability 2026 gefasst. Der Untertitel: Neue Planbarkeit für die Ära der KI-Agenten.

Das Feld lässt sich klar zweiteilen: Die große Mehrheit der Unternehmen ist erst noch dabei, ihre Vorgehensweisen an die Gegenwart agentenbasierter KI anzupassen; eine kleinere Gruppe von Leadern hat ihre Prozesse bereits rund um KI-Agenten neu organisiert. Die Unternehmen in Deutschland sind hier auf einem guten Weg, doch einen wichtigen Schritt müssen sie erst noch gehen.

Der Anfang der Unvorhersehbarkeit

In den letzten zehn Jahren sind die Operations zunehmend unvorhersehbar geworden. Flüchtige Infrastrukturen, immer mehr Drittanbieter-Abhängigkeiten, das Tempo der Release-Zyklen – all das hat dazu geführt, dass wir keine klare Sichtachse mehr darauf haben, wie sich unsere Systeme verhalten werden. Dies hat sich aber eher nebenbei ergeben. Microservices sind nicht bewusst undurchschaubar konzipiert; das war ein Nebeneffekt, und wir haben gelernt, damit zu leben, so gut es geht.

Bei KI liegt die Sache anders. Nichtdeterminismus ist hier keine Eigenschaft, die wir wohl oder übel in Kauf nehmen und nach Möglichkeit mit technischen Mitteln beheben. Nichtdeterministisch ist vielmehr genau der Mechanismus, mit dem KI-Agenten ihre Schlussfolgerungen ziehen, sich verändern und handeln, ohne dass ein Mensch den nächsten Schritt vorgeben muss. Die Befragten unserer Studie sind sich der Verantwortung, die damit einhergeht, sehr wohl bewusst: Insgesamt fürchten 83 %, dass das Verhalten von KI-Agenten unbeabsichtigte Folgen haben könnte, in Deutschland sind es 81 %.

Die beste Antwort auf diese Sorge ist aber nicht vorsichtige Zurückhaltung. Es ist Transparenz.

Unter Kostendruck platzen alte Gewohnheiten

Es war eigentlich zu erwarten, dass bei den Antworten zum Kostendruck die KI-Infrastruktur die größte Rolle spielen würde. Davon war jedoch praktisch nicht die Rede – nur 6 % nennen sie als einen maßgeblichen Observability-Faktor.

Der wahre Übeltäter ist wohlbekannt: Übermäßig ­verrauschte Logs stehen ganz oben auf der Liste, das gilt weltweit (31 %) ebenso wie in Deutschland (33,5 %). Jahrelang haben wir „für alle Fälle“ Daten gesammelt, manchmal in solchen Mengen, dass die Budgets das nicht verkraftet haben. Jetzt gibt uns KI einen Grund, noch mehr Daten zu erfassen, und wir brauchen dringender denn je eine Data Fabric für die Operations.

In dieser Gewohnheit des Datensammelns steckt aber noch eine zweite Falle – eine, die noch größere Sorgen bereitet. Wenn nämlich der technische Ausstoß die Arbeitsweise bestimmt, dann stellen die Teams niemals den Zusammenhang mit den geschäftlichen Ergebnissen her.

Gerade in Deutschland ist dies ein wunder Punkt, denn hier verbinden nur 31 % ihre Telemetriedaten mit klaren geschäftlichen Zielen – das sind deutlich weniger als im Gesamtdurchschnitt, der bei 46 % liegt. Zugleich sagen nur 44 % der deutschen Teams, dass Telemetriedaten ein Schlüsselfaktor in den strategischen Planungsprozessen ihres Unternehmens sind – weltweit ist das bei 54 % bereits der Fall.

Deutschland vor dem entscheidenden Schritt

Dabei zeigen die Studiendaten, dass deutsche Unternehmen sogar großes Interesse an einem fähigen KI-Monitoring und entsprechender Telemetrie haben:

• 91 % der deutschen Befragten nennen KI-Monitoring als Priorität.

Dieses Interesse rührt offenbar von einem tief gefühlten Mangel her. Denn die bisherigen Observability-Tools werden als nicht ausreichend beschrieben:

• 61,5 % der Befragten aus Deutschland müssen eingestehen, dass sie keine KI-Workload-Metriken messen können, 53,5% haben Observability-Tools, die nicht für das KI-Monitoring ausgelegt sind.

Wenn dieser Mangel behoben ist, sollte es in Deutschland in einem zweiten Schritt darum gehen, die Telemetriedaten in die Prozesse von betriebswirtschaftlicher Entscheidungsfindung und Business-Strategie zu überführen – hier klafft im Vergleich noch eine spürbare Lücke. Denn strategische Planung ohne operative Telemetriedaten bleibt spekulativ. Wenn das System jede Kundeninteraktion aufzeichnet, aber mit diesen Daten nicht die Roadmap erreicht, dann stimmt etwas nicht – und zwar lange vor irgendeinem Incident.

Zu schaffen ist dieser Sprung am ehesten dadurch, dass die Unternehmen in Deutschland einen Praxistipp beherzigen, der ebenfalls im Lagebericht 2026 zu finden ist: „Brückenmetriken“ identifizieren.

Heißt: gemeinsame KPIs identifizieren, die technische Zustände in geschäftliche Auswirkungen übersetzen und die von beiden Seiten, von geschäftlicher wie von technischer Seite, verstanden werden. Zu berücksichtigen wäre in der Länderbetrachtung allerdings, dass unter den deutschen Befragten die Finanzdienstleister deutlich stärker vertreten sind (18,5 %) als etwa die Fertiger (10 %).

Die Unternehmen in Deutschland sind gleichwohl auf einem guten Weg. Die erhobenen Daten deuten stark darauf hin, dass mit zunehmendem KI-Reifegrad auch das Problembewusstsein wächst. Das würde erklären, warum trotz explizit festgehaltener Mängel die überwiegende Mehrheit der Befragten (75,5% und mehr) ihre Performance in praktisch allen Bereichen als stark einschätzt – der Spitzenwert liegt bei Kundenzufriedenheit (93 %).

Dass die Observability-Teams in Deutschland relativ selten über Kostendruck und Kapazitätsengpässe klagen, ist ebenfalls ein gutes Zeichen. Auch sind die Teams namentlich in puncto Datenschutz besser sensibilisiert als die Teams in anderen Ländern: 73,5 % stufen Transparenz in puncto KI-Datenschutz als sehr wichtig ein; der weltweite Durchschnitt liegt 67 %.

Dass sich dies im weiteren Reifeprozess auszahlen dürfte, zeigt ein Blick auf die Gruppe der Leader, die effektives Management von KI-Datenschutz- und Compliance-Risiken zu 89 % als Pluspunkt für sich verbuchen.

Sehen wir uns an, wer diese Leader sind und was sie anders machen.

Leader behalten unvorhersehbare Systeme im Griff

Die erfolgreichen Leader zeichnen sich durch drei Vorgehensweisen aus: Erstens setzen sie agentische KI zur Problemlösung und -prävention ein – und zwar regelmäßig, nicht nur punktuell. Zweitens ist KI für sie mehr als nur ein weiteres Monitoring-Instrument; sie haben vielmehr ihr Observability-Spektrum erweitert und überschauen damit die Parameter einer wirksamen Kontrolle des Agentenverhaltens und der Einhaltung von Rahmenregeln: Modellqualität, Kosten, Verbrauch, Sicherheit und Datenschutz. Und drittens lassen die Leader ihre Telemetriedaten direkt in die Geschäftsplanung einfließen.

In Kombination ermöglichen diese drei Vorgehensweisen einen ganz anderen strategischen Ansatz.

Leader fokussieren sich auf die Bereiche, in denen Probleme heute entstehen. Leader sind nicht besser im Monitoring von Rechenleistung und Hauptnetzwerken (so etwas beherrschen kompetente Teams auch so). Die Unterschiede liegen am Edge und bei der KI-Logik, wo die Customer Experience derzeit am anfälligsten ist. Praktisch alle Leader (94 %) sind einigermaßen oder sehr zuversichtlich, was ihre Fähigkeiten betrifft, Probleme auf Edge- oder Branch-Network-Ebene zu isolieren – im übrigen Feld sind es nur etwa zwei Drittel. Wenn es um den Umgang mit KI-Problemen geht, ist der Abstand der Leader auf den ersten Blick zwar nicht übermäßig groß – auch wenn die Teams der Spitzengruppe zuversichtlicher (68 %) sind als der Rest (56 %) –, doch in diesen zwölf Prozentpunkten steckt ein entscheidender Unterschied: Fortgeschrittene KI-Anwender wissen genau, womit sie es zu tun haben, ihr Selbstvertrauen beruht auf praktischer Erfahrung. Weniger erfahrene Teams neigen eher dazu, ihre Fähigkeiten zu überschätzen, weil sie noch gar nicht auf die wahre Komplexität agentischen Verhaltens gestoßen sind.

Leader gehen mit ihren Daten diszipliniert um. Sie wägen den Nutzen ihrer Daten gegen den Kostenaufwand der Datenvorhaltung ab. Leader setzen Sampling und Routing weitaus entschlossener ein als der Rest des Feldes, sie investieren damit in hochwertige Signale statt in verrauschte Rohdaten. Und sie schaffen durch diese Selektion ­– auch wenn das paradox erscheint – nicht weniger, sondern mehr Transparenz, denn die Leader geben mehr als doppelt so häufig (30 %) wie die übrigen Befragten (13 %) an, dass alle ihre Observability-Daten leicht zugänglich und sofort abfragbar sind. Das schlägt sich dann auch im Geschäftsergebnis nieder: Die Leader geben 2,4x häufiger als andere Befragte an, dass der Observability-ROI die Erwartungen deutlich übertrifft, und über die Hälfte der Leader (54 %) zieht daraus einen jährlichen Geschäftswert von mindestens $ 5 Millionen.

Leader gewinnen die Kontrolle zurück, indem sie sich der Komplexität stellen. Das ist der eigentliche Dreh- und Angelpunkt des Erfolgs. Für die Leader ist das Monitoring von KI-Workloads tatsächlich schwieriger, 57 % geben an, dass ihre Arbeit dadurch komplexer geworden ist (Vergleichswert: 38 %). Aber das ist etwas, was sie bewusst in Kauf nehmen, und es zahlt sich aus. 91 % der Leader haben Zuständigkeit und Verantwortung für das KI-Monitoring klar festgelegt – deutlich mehr als der Rest (59 %). Und ebenso deutlich können mehr Leader (76%) als andere Befragte (41%) ihre KI-Ausgaben genau kontrollieren.

Governance erscheint von außen immer als Bremsklotz. In Wirklichkeit ist Governance jedoch genau der Grund dafür, dass diese Teams schneller vorankommen als andere, die ihre Kontrollen von Incident zu Incident improvisieren. Und die Teams spüren das positiv im Tagesbetrieb: Leader sagen deutlich häufiger, dass sie sich dank KI mehr der Innovation widmen können, während routinemäßige Wartungsaufgaben in den Hintergrund treten – 37 % stimmen dem voll und ganz zu, im übrigen Feld sind es nur 22%.

Observability wird zum Leitstern auf der KI-Reise

Was wir nicht sehen können, das können wir auch nicht steuern. Und die Qualität dessen, was künstliche Intelligenz leisten kann, steht und fällt mit der Qualität der Datengrundlagen.

Observability ist heute die Kunst, das Verhalten agentenbasierter KI in belastbares Wissen zu verwandeln. Dann können wir unseren Agenten echte Arbeit anvertrauen und unsere KI-Ausgaben strikt an messbaren geschäftlichen Nutzen koppeln. Teams, die zögern und erst klar sehen wollen, bevor sie investieren, ziehen die Sache falschherum auf. Erst umgekehrt wird ein Schuh draus: Klarheit entsteht aus Observability.

Der vollständige Lagebericht Observability 2026 steht ab sofort zum Download bereit: inkl. sämtlicher Ergebnisse, Schlaglichter auf ausgewählte Länder und Branchen sowie Empfehlungen unserer Fachleute für die Reise in die Zukunft agentenbasierter KI.