
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
Programmergebnisse
- 2 Mio.+ monatlich
- 45 % schneller
- 6 → 1

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. Die Arbeit hatte zwei Schwerpunkte: KI für 8 Mio.+ Energiekunden in Produktion bringen und das Observability-Fundament reparieren, auf dem sie aufbaute. 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 setzte das E.ON-Programm bei der Konsolidierung unterhalb der Tools an. 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 stärksten haben wir auf semantische Konventionen gedrängt, damit Teams Dinge einheitlich benennen. Automatische Korrelation funktioniert nur mit Labels, die zusammenpassen, und davon hing die für später im Programm geplante KI-Diagnostik ab.
KI in Produktion unter KRITIS
Für kritische Infrastruktur ist KI in Produktion vor allem Governance- und Delivery-Arbeit. Die MLOps-Pipelines des E.ON-Programms ersetzten manuelle Release-Schritte durch automatisiertes Testen, und die Zeit für das Modell-Deployment sank um 45 %, während Produktions-Incidents um 60 % zurückgingen. 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 erprobte das E.ON-Programm 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.


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
The AI-native Platform Playbook beschreibt, wie das Programm entschied, was ein Agent allein tun durfte und welche Guardrails dafür nötig waren.
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 tragen wir diese Unterscheidung ein, bevor wir eine der beiden Einordnungen als minimales Risiko behandeln. Der Abstand zwischen einem grünen Werkzeug und einem Kunden, der nicht fertig wird, ist das Thema von Warum dein SaaS-Observability-Stack dich anlügt.