Was Agentic AI für den Rechenzentrumsbetrieb bedeutet

Ein Kühlturm deckt den Bedarf weiterhin ab, seine Leistung lässt jedoch seit einigen Tagen nach.

Es gibt keinen kritischen Alarm. Die Vorlauftemperaturen liegen innerhalb der Grenzwerte. Aus Sicht des Leitstands wirkt die Anlage stabil.

Die Wettervorhersage kündigt allerdings eine Phase mit hohen Außentemperaturen an. Setzt sich der Leistungsverlust fort, könnte die Kühlanlage über weniger Reserven verfügen, als das Betriebsteam erwartet.

Heute untersucht ein Ingenieur ein solches Problem, indem er Approach-Temperaturen, Lüfterdrehzahlen, Wasserdurchfluss, Ventilstellungen, die Leistung der Wärmetauscher, Wetterbedingungen und das Verhalten vergleichbarer Kühltürme gegenüberstellt. Auf dieser Grundlage beurteilt er, ob Verschmutzung, ein fehlerhafter Messwert, ein ungeeigneter Sollwert oder eine tatsächliche Laständerung die Ursache ist.

Die gleiche betriebliche Logik gilt auch für andere Kühlarchitekturen – etwa bei nachlassender Leistung von Trockenkühlern, ungenutzten Möglichkeiten zur freien Kühlung, einem zu niedrigen Delta-T in Kaltwassersystemen oder unerwartetem Verhalten von Coolant Distribution Units.

Genau bei solchen betrieblichen Herausforderungen kann Agentic AI einen echten Mehrwert liefern.

Nicht, weil ein KI-Modell die uneingeschränkte Kontrolle über die Kühlanlage erhalten sollte. Sondern weil mehrere klar abgegrenzte KI-Agenten zusammenarbeiten, um aus einem sich abzeichnenden Problem eine geprüfte, nachvollziehbare und verifizierbare Reaktion abzuleiten.

Genau das bedeutet Agentic AI für den Rechenzentrumsbetrieb.

Agentic AI ist mehr als ein Chatbot für das BMS

Der Zugriff auf Betriebsdaten über natürliche Sprache ist hilfreich.

Ein Betreiber möchte beispielsweise wissen, warum der Energieverbrauch der Kühlung gestiegen ist, welche Anlage die verfügbare Kapazität begrenzt oder ob freie Kühlung immer dann genutzt wird, wenn die Bedingungen es zulassen. Ein KI-Assistent kann dabei helfen, diese Informationen schneller zu finden und leichter zu verstehen.

Eine Frage zu beantworten, ist jedoch nicht dasselbe wie einen betrieblichen Workflow zu steuern.

Ein tatsächlich agentisches System arbeitet auf ein klar definiertes Ziel hin. Es wählt aus freigegebenen Funktionen aus, sammelt die erforderlichen Daten, bewertet mögliche Maßnahmen und entscheidet, welcher Schritt als Nächstes sinnvoll ist.

In einem Rechenzentrum sollte das nicht bedeuten, dass ein einziges universelles Modell sämtliche Entscheidungen trifft. Sicherer und praxisnäher ist eine Architektur aus mehreren spezialisierten Agenten mit klar begrenzten Zuständigkeiten.

Eine sinnvolle Unterscheidung lautet:

‍Agenten koordinieren Entscheidungen. Skills übernehmen klar abgegrenzte technische Aufgaben.

Ein Agent untersucht zum Beispiel die nachlassende Leistung eines Kühlturms. Zu seinen Skills gehören unter anderem die Validierung eines Sensors, der Vergleich ähnlicher Anlagen, die Berechnung der erwarteten Leistung, die Durchführung einer Digital-Twin-Simulation oder die Erstellung einer Handlungsempfehlung für den Betreiber.

Jeder Skill verfügt über einen klar definierten Zweck, festgelegte Ein- und Ausgaben sowie eine bestimmte Berechtigungsstufe. Der Agent kann diese Skills auswählen und koordinieren, darf jedoch nicht außerhalb der vom Betreiber freigegebenen Grenzen handeln.

Genau diese Trennung macht das System testbar, steuerbar und für kritische Infrastrukturen geeignet.

So sieht ein agentischer Kühlungsworkflow bei führenden Betreibern aus

Führende Rechenzentren kombinieren bereits heute digitale Zwillinge, Predictive Analytics und KI-gestützte Entscheidungsunterstützung, um ihren Kühlbetrieb zu verbessern. Ein agentischer Workflow baut auf diesen erprobten Funktionen auf und koordiniert sie mithilfe klar abgegrenzter KI-Agenten.

Beim Beispiel des Kühlturms beginnt die Reaktion des Systems nicht mit einer Änderung des Sollwerts. Zunächst wird geprüft, ob überhaupt genügend belastbare Informationen vorliegen, um tätig zu werden.

1. Betriebsdaten validieren

Ein Datenqualitätsagent prüft die relevanten Messwerte.

Er vergleicht die Ein- und Austrittstemperaturen des Kühlturms, Durchflussmessungen, Lüfterbefehle und Umgebungsbedingungen. Dabei sucht er nach fehlenden Daten, unplausiblen Veränderungen und Widersprüchen zwischen zusammengehörigen Sensoren.

Deuten die Daten darauf hin, dass der vermeintliche Leistungsverlust durch einen driftenden Temperatursensor verursacht wird, sollte der Workflow an dieser Stelle enden. Der nächste richtige Schritt ist dann die Überprüfung des Sensors – nicht die Optimierung der Kühlung.

Dahinter steckt ein wichtiges Prinzip: Das System muss zu dem Ergebnis kommen können, dass die vorhandenen Informationen noch nicht ausreichen.

2. Die wahrscheinliche Ursache diagnostizieren

Sind die Daten verlässlich, vergleicht ein Diagnoseagent die tatsächliche Leistung des Kühlturms mit seinem erwarteten physikalischen Verhalten.

Er stellt die betroffene Anlage vergleichbaren Einheiten unter ähnlichen Bedingungen gegenüber. Benötigt ein Kühlturm deutlich mehr Lüfterleistung, um die gleiche Wärmemenge abzuführen, ist das ein stärkerer Hinweis auf eine tatsächliche Leistungsminderung.

Das Ergebnis ist mehr als nur ein Anomaliewert.

Der Betreiber benötigt eine Bewertung, aus der hervorgeht:

• was sich verändert hat,
• wann die Veränderung begonnen hat,
• welche Ursachen am wahrscheinlichsten sind,
• welche Daten diese Einschätzung stützen,
• und wie sicher sich das System bei seiner Bewertung ist.

An diesem Punkt wird KI hilfreicher als ein weiterer Alarm. Sie liefert den betrieblichen Kontext.

3. Die Auswirkungen vorausschauend bewerten

Der nächste Agent richtet den Blick nach vorn.

Anhand der Wettervorhersage, der erwarteten IT-Last und des aktuellen Zustands der Kühlanlage bewertet er, ob die nachlassende Leistung des Kühlturms während der bevorstehenden Hitzeperiode zu einem Kapazitäts- oder Effizienzproblem führen könnte.

Heute verfügt die Anlage möglicherweise noch über ausreichend Kühlleistung. Das bedeutet jedoch nicht automatisch, dass dies auch in drei Tagen noch der Fall sein wird.

Der Prognoseagent stellt deshalb eine deutlich wertvollere Frage:

‍In welchem Betriebszustand wird sich das System befinden, wenn die Bedingungen anspruchsvoller werden und keine Änderungen vorgenommen werden?

Damit entwickelt sich der Workflow von einer reinen Fehlererkennung hin zu betrieblicher Vorausschau.

4. Mögliche Maßnahmen testen

Ein Simulationsagent bewertet mögliche Reaktionen im physikbasierten digitalen Zwilling.

Denkbar wären beispielsweise eine veränderte Reihenfolge beim Betrieb der Kühltürme, Anpassungen des Lüfterbetriebs, andere Kühlwassertemperaturen oder die Planung einer Wartung noch vor Beginn der Hitzeperiode.

Jede Option bringt Zielkonflikte mit sich. Eine höhere Lüfterdrehzahl kann die thermische Reserve wiederherstellen, verbraucht aber mehr Strom. Die Zuschaltung eines weiteren Kühlturms kann die Wärmeabfuhr verbessern, erhöht jedoch möglicherweise den Pumpenbedarf. Eine Änderung der Zieltemperatur des Kühlwassers kann sich wiederum auf die Leistung der Kältemaschinen in anderen Teilen der Anlage auswirken.

Der digitale Zwilling bietet eine sichere Umgebung, um diese Optionen miteinander zu vergleichen, bevor sie Auswirkungen auf den realen Betrieb haben.

Ziel ist nicht, eine einzelne Komponente zu optimieren. Gesucht wird die Maßnahme, die für das gesamte Kühlsystem das beste Ergebnis liefert.

Der Sicherheitsagent muss auch Nein sagen dürfen

Sobald eine bevorzugte Strategie feststeht, prüft ein Sicherheits- oder Zuverlässigkeitsagent, ob sie mit den betrieblichen Vorgaben der Anlage vereinbar ist.

Dabei werden unter anderem folgende Punkte kontrolliert:

• Temperatur- und Druckgrenzwerte,
• die erforderliche Mindestreserve der Kühlung,
• die Verfügbarkeit der Anlagen,
• Steuerungs- und Zugriffsberechtigungen,
• der zulässige Anwendungsbereich des Modells,
• widersprüchliche Steuerbefehle,
• sowie definierte Rückfallbedingungen.

Liegt eine vorgeschlagene Maßnahme außerhalb eines validierten Betriebsbereichs, darf sie nicht umgesetzt werden.

Ist die Sicherheit der Bewertung zu gering, muss das System eine Entscheidung des Betriebspersonals anfordern.

Fehlt ein kritischer Messwert, sollte keine Empfehlung ausgegeben werden.

In kritischen Infrastrukturen gehört es zu einem verantwortungsvollen Betrieb, Unsicherheit sichtbar zu machen.

Ein Agent, der eine Empfehlung zurückhalten kann, ist in einer kritischen Infrastruktur sicherer als ein System, das darauf ausgelegt ist, unter allen Umständen eine Antwort zu liefern.

Die Betreiber entscheiden, wie eine Maßnahme umgesetzt wird

Hat ein Vorschlag alle relevanten Prüfungen bestanden, erhält der Betreiber eine kompakte und verständliche Zusammenfassung:

• Was voraussichtlich passieren wird
• Was die Ursache des Problems ist
• Welche Maßnahme empfohlen wird
• Welche Wirkung zu erwarten ist
• Welche Randbedingungen geprüft wurden
• Wie sicher sich das System bei seiner Bewertung ist
• Ob eine Freigabe durch den Betreiber erforderlich ist

Der gleiche Workflow kann unterschiedliche Automatisierungsgrade unterstützen.

An einem Standort gibt das System möglicherweise ausschließlich eine Empfehlung aus. An einem anderen bereitet es eine Sollwertänderung vor, die vor der Umsetzung bestätigt werden muss. Ein validierter Workflow mit geringem Risiko könnte langfristig auch automatisch innerhalb eines eng definierten Betriebsbereichs ausgeführt werden.

Entscheidend ist, für jede einzelne Entscheidung den passenden Automatisierungsgrad zu wählen.

Das ist wichtig, weil Betreiber weiterhin vorsichtig damit umgehen, einer KI direkten Zugriff auf geschäftskritische Infrastruktur zu gewähren. Laut der Uptime-Institute-Umfrage von 2025 ist die Akzeptanz von KI bei der Analyse von Sensordaten und der vorausschauenden Wartung höher als bei der direkten Änderung von Sollwerten oder Anlagenkonfigurationen. (Uptime Institute Global Data Center Survey 2025)

Agentische Betriebsmodelle müssen Vertrauen deshalb durch nachvollziehbare Ergebnisse aufbauen – nicht durch Versprechen.

Die Verifizierung schließt den Regelkreis

Der Workflow ist nicht abgeschlossen, sobald eine Empfehlung ausgegeben oder ein Sollwert geändert wurde.

Ein Verifizierungsagent muss die tatsächliche Reaktion des Systems mit dem erwarteten Ergebnis vergleichen.

Hat sich die Leistung des Kühlturms verbessert? Wurde die erforderliche thermische Reserve wiederhergestellt? Ist der Gesamtenergieverbrauch der Anlage gesunken oder wurde der Verbrauch lediglich in ein anderes Teilsystem verlagert? Hat das Modell die Reaktion korrekt vorhergesagt?

Die Antworten auf diese Fragen bestimmen, wie es weitergeht.

War die Strategie erfolgreich, kann das System das Ergebnis dokumentieren und das gewonnene Betriebswissen für vergleichbare Situationen speichern. Weicht die tatsächliche Reaktion von der Prognose ab, müssen gegebenenfalls das Modell oder die Diagnose angepasst werden. Nähert sich die Anlage einem definierten Grenzwert, muss das System zur freigegebenen Rückfallstrategie zurückkehren.

So entsteht ein kontinuierlicher betrieblicher Regelkreis:

‍Beobachten. Diagnostizieren. Vorausschauen. Simulieren. Validieren. Handeln. Verifizieren. Lernen.

Der Wert von Agentic AI liegt nicht nur darin, eine Maßnahme empfehlen zu können. Entscheidend ist, dass das System auch nach der Umsetzung nachvollziehen und bewerten kann, was tatsächlich passiert ist.

Mit einem klar abgegrenzten Workflow beginnen

Agentische Betriebsmodelle müssen nicht mit einem vollständig autonomen System für das gesamte Rechenzentrum starten.

Die besten ersten Anwendungsfälle sind in der Regel klar genug begrenzt, um sie zuverlässig steuern zu können, gleichzeitig aber komplex genug, dass eine kontinuierliche maschinengestützte Analyse einen echten Mehrwert bietet.

Geeignete Beispiele wären:

• eine nachlassende Kühlturmleistung erkennen und darauf reagieren,
• ungenutzte Möglichkeiten zur freien Kühlung untersuchen,
• die Ursache eines zu niedrigen Delta-T identifizieren,
• Änderungen des Pumpendrucks bewerten,
• oder das Kühlsystem auf eine prognostizierte Spitzenlast vorbereiten.

Jeder Workflow kann zunächst im reinen Lesemodus getestet werden, bevor Schreibzugriffe freigegeben werden. Die Betreiber können die zugrunde liegenden Daten prüfen, die Empfehlungen mit ihren eigenen Entscheidungen vergleichen und festlegen, unter welchen Bedingungen die nächste Automatisierungsstufe vertretbar ist.

Das ist ein praxisnaher Weg von der KI-gestützten Assistenz hin zu agentischen Betriebsmodellen.

Was heute schon möglich ist – und was als Nächstes kommt

Die Grundlagen für agentische Betriebsmodelle sind bereits vorhanden. Physikbasierte digitale Zwillinge, systemweite Optimierung, sichere Integration in die Anlagensteuerung und kontinuierliche Verifizierung erzielen schon heute messbare Ergebnisse im realen Betrieb.

Der nächste Entwicklungsschritt besteht darin, diese erprobten Funktionen über klar abgegrenzte KI-Agenten zu koordinieren. Diese entscheiden je nach Situation, welche Analyse-, Simulations- oder Optimierungsfunktion benötigt wird, führen die erforderlichen Betriebsinformationen zusammen und begleiten den Workflow von der ersten Beobachtung bis zum verifizierten Ergebnis.

Dieses Betriebsmodell zeichnet sich in führenden Rechenzentren bereits ab. Der Wettbewerbsvorteil entsteht nicht länger allein durch den Einsatz einzelner KI-Tools. Entscheidend ist, sie zu einem koordinierten betrieblichen Workflow zusammenzuführen, der Betreiber dabei unterstützt, schneller, sicherer und fundierter zu entscheiden.

Das Ergebnis ist weder eine uneingeschränkt autonome Steuerung noch ein weiterer Chatbot, der an das BMS angebunden wird. Stattdessen entsteht ein koordiniertes Team digitaler Spezialisten. Jeder von ihnen hat eine klar definierte Aufgabe, verlässliche technische Skills und eindeutige betriebliche Grenzen – und arbeitet gemeinsam mit den Menschen, die für die Anlage verantwortlich sind.

Für Rechenzentrumsbetreiber ist genau das die Bedeutung von Agentic AI. Für alle anderen zeigt es, in welche Richtung sich die Branche entwickelt.