Der Fachkräftemangel in Rechenzentren ist auch ein Problem der technischen Kapazitäten

Die Personalstärke erklärt nur einen Teil des Drucks, der auf Teams für kritische Infrastrukturen lastet. Erfahrene Ingenieure verfügen über ein Wissen, dessen Aufbau Jahre dauert: welchen Sensoren sie vertrauen, warum eine Steuerungssequenz geändert wurde, wie sich Anlagen außerhalb der Auslegungsbedingungen verhalten und was das Team beim letzten Auftreten eines bekannten Fehlers gelernt hat. Ein Teil dieses Wissens fließt in Verfahren ein oder bleibt durch Schichtübergaben und Wartungsprotokolle erhalten. Ein anderer Teil bleibt implizites Erfahrungswissen.

Gleichzeitig muss diese Expertise auf immer mehr Infrastruktur verteilt werden. Das Uptime Institute berichtet, dass immer mehr Betreiber Spitzen-Rack-Dichten von 30 kW oder mehr verzeichnen. In einigen Einrichtungen integrieren die Teams für kritische Infrastrukturen zudem flüssigkeitsgekühlte KI-Infrastruktur neben Altsystemen, was ein bereits komplexes Umfeld um neue betriebliche Zusammenhänge und Einschränkungen erweitert. [Quellen: Uptime Institute, Global Data Center Survey 2026; etalytics, Next-level cooling for AI data centers, Januar 2026]  

Ein neuer Mitarbeiter erbt nicht am ersten Tag jahrelanges, standortspezifisches Wissen. Für einen wachsenden Rechenzentrumsbetreiber geht die Frage nach der Personalbesetzung daher über die reine Rekrutierung hinaus: Wie viel Infrastruktur kann die im Unternehmen bereits vorhandene Ingenieursexpertise effektiv unterstützen?

Warum binden gelöste Probleme weiterhin die Zeit erfahrener Ingenieure?

Weil das Ergebnis einer früheren Untersuchung oft leichter zu bewahren ist als die Überlegungen, die dazu geführt haben. Ein Bericht zeigt zwar, was repariert wurde, während die Annahmen, Vergleiche und der betriebliche Kontext, die zu dieser Entscheidung führten, teilweise bei den Personen verbleiben, die die Arbeit ausgeführt haben.

Ein wiederkehrendes Problem mit einer niedrigen Temperaturspreizung (Delta-T) in einem Kaltwasserkreislauf verdeutlicht dies. Die Diagnose erfordert möglicherweise die Kühllast, Vor- und Rücklauftemperaturen, Differenzdruck, Ventilstellungen, Pumpenansteuerung, Bypass-Durchfluss und kürzliche Änderungen an der Steuerung. Ein erfahrener Ingenieur erkennt das Muster oft schnell, sobald der richtige Kontext zusammengestellt ist. Genau dieser Punkt ist es jedoch, an dem sich die Arbeit meist staut.

Wenn ein ähnlicher Zustand sechs Monate später an einem anderen Kreislauf oder Standort auftritt, sind der vorherige Bericht und die Trenddiagramme möglicherweise noch verfügbar. Schwieriger zu bewahren ist jedoch, welche Messwerte als zuverlässig erachtet wurden, welche Betriebspunkte vergleichbar waren, welche Erklärungen bereits ausgeschlossen wurden und welche Grenzwerte die Entscheidung beeinflusst haben.

Wenn dieser analytische Pfad teils in der Dokumentation und teils in der Erfahrung der Person lebt, die die Untersuchung durchgeführt hat, erfordern bekannte Probleme weiterhin die Aufmerksamkeit von Experten. Von dem Spezialisten wird nicht unbedingt verlangt, ein neues technisches Problem zu lösen. Ein Großteil des Aufwands fließt in die Rekonstruktion des Kontextes, der erforderlich ist, um das technische Urteilsvermögen erneut anzuwenden.

Dasselbe Problem betrifft Eskalationen und Mentoring. Wenn ein Techniker einem erfahrenen Ingenieur einen Alarm und mehrere Rohdaten-Trends vorlegt, muss der Spezialist zunächst feststellen, was sich geändert hat, welche Beweise relevant sind und wo als Nächstes nachgeforscht werden muss. Ein besserer Ausgangspunkt lässt mehr Raum für technisches Urteilsvermögen, Diskussionen und Lernen, anstatt Zeit mit der grundlegenden Datenzusammenstellung zu verbringen.

Dokumentation bleibt wichtig, aber ein Bericht und wiederverwendbare Ingenieursarbeit sind nicht dasselbe. Die Wiederverwendbarkeit hängt auch davon ab, die Struktur der Untersuchung beizubehalten: die relevanten Anlagen und Messwerte, ihre physikalischen Zusammenhänge, die Bedingungen, die Vergleiche valide machen, das erwartete Systemverhalten und die Grenzwerte, die eine Entscheidung einschränken.

Für Unternehmen, die bereits um knappe technische Talente konkurrieren, liegt die Chance darin, weniger Zeit von Experten für die Rekonstruktion des betrieblichen Kontextes aufzuwenden und mehr für das technische Urteilsvermögen, das tatsächlich Erfahrung erfordert.

Wie kann mehr von dieser Ingenieursarbeit nachhaltig genutzt werden?

Rechenzentren generieren bereits große Mengen an Betriebsdaten durch Gebäudeleittechnik (GLT), Steuerungen, Zähler und Überwachungsplattformen. Die bessere Nutzung von Ingenieursexpertise hängt weniger davon ab, mehr Daten zu generieren, als vielmehr davon, bestehende Signale mit dem physikalischen System zu verknüpfen, das sie beschreiben.

Operational Intelligence fügt diesen Kontext hinzu. In etaONE® können Anlagen und Betriebsdaten innerhalb physikalischer Systemtopologien strukturiert werden, während digitale Zwillinge die relevanten physikalischen und betrieblichen Zusammenhänge modellieren. Die aktuelle Leistung kann dann in Bezug auf den Anlagenzustand, die Last, die Umgebungsbedingungen und das erwartete Systemverhalten bewertet werden. Bestehende GLT- und Steuerungsinfrastrukturen bleiben Teil der Betriebsumgebung, anstatt ersetzt zu werden. etalytics, etaONE®-Plattform  

Bei wiederkehrenden Problemen wie einer zu geringen Temperaturspreizung (Delta-T) bietet dieser Systemkontext eine fundiertere Ausgangsbasis für die weitere Untersuchung. Ingenieure können direkt mit aktuellen Messwerten, den betroffenen Anlagen, deren Systemzusammenhängen und den jeweiligen Betriebsbedingungen arbeiten, anstatt sich mühsam anhand alter Trenddiagramme ein neues Bild machen zu müssen.

Knappe Ressourcen dort einsetzen, wo es darauf ankommt

Ein Großteil der Ingenieurskapazität wird bereits dadurch gebunden, dass erst entschieden werden muss, welche Abweichungen überhaupt Aufmerksamkeit erfordern.

Die Pumpeneffizienz ändert sich beispielsweise ganz natürlich mit der Verschiebung des Betriebspunktes. Eine Veränderung wird erst dann aussagekräftig, wenn die tatsächliche Leistung von dem abweicht, was unter vergleichbaren Bedingungen zu erwarten wäre. etaONE® nutzt dieses Prinzip bei der Erkennung von Abweichungen, indem es Soll- und Ist-Verhalten vergleicht, die Abweichungen nach ihrer betrieblichen Relevanz priorisiert und sie direkt mit den betroffenen Signalen, dem Zeitpunkt und dem Betriebskontext verknüpft. Quelle: etalytics, Automatisierte Risiko- und Abweichungserkennung]  

Das ist für ein ohnehin stark beanspruchtes Team in kritischen Anlagen entscheidend, denn eine weitere Alarm-Warteschlange schafft keine neuen Kapazitäten. Wenn Software nur zusätzlichen Lärm, nicht fundierte Empfehlungen oder noch mehr Prüfaufwand erzeugt, verlagert sie den Engpass lediglich. Nützliche Operational Intelligence sollte Teams dabei unterstützen, schneller Kontext zu erfassen und die Aufmerksamkeit der Spezialisten gezielt auf die Zustände zu lenken, die eine Untersuchung erfordern.

Für weniger erfahrene Mitarbeiter bedeutet dies, dass sie bei einer Eskalation auf eine bessere Beweisgrundlage zurückgreifen können. Über Schichtwechsel hinweg bleibt mehr Kontext einer Untersuchung erhalten. Und standortübergreifend verfügen Teams über eine solidere Basis, um bewährte Analysemethoden anzuwenden und dabei gleichzeitig die spezifischen Anlagen und Betriebsbedingungen vor Ort zu berücksichtigen.

Es gibt jedoch eine Grenze, ab der das Personalproblem nicht mehr allein durch Automatisierung gelöst werden sollte. Das Uptime Institute warnt davor, dass schlecht integrierte KI und Automatisierung zum Abbau von Fachwissen führen können, wenn das Personal zu weit von operativen Entscheidungen entfremdet wird. Die Empfehlungen betonen daher die Bedeutung kontinuierlicher Schulungen, den Erhalt eines ganzheitlichen Systemverständnisses und die Förderung des Austauschs zwischen Nachwuchskräften und Fachexperten. Quelle: Uptime Institute, Vermeidung von Kompetenzverlust bei zunehmendem KI-Einsatz, 3. September 2026]  

Rekrutierung, Ausbildung und Mentoring bleiben daher unverzichtbar. Die Rolle der Technologie ist begrenzter, aber umso wertvoller: Sie reduziert die vermeidbare Zusammenstellung von Kontext, bewahrt die Struktur wiederkehrender Ingenieursarbeit und hilft Teams dabei, ihre knappe Expertise dort einzusetzen, wo sie den größten Mehrwert bietet.

Mit dem Wachstum von Rechenzentrumsportfolios hängt die Ingenieurskapazität maßgeblich davon ab, wie viel des vorhandenen Wissens und der analytischen Vorarbeit eines Teams wiederverwendet werden kann, ohne jede Untersuchung von Grund auf neu beginnen zu müssen.

Erleben Sie die zugrunde liegende Technologie im Live-Betrieb eines Rechenzentrums

Im Rechenzentrum von Telehouse Deutschland in Frankfurtkombiniert etaONE® digitale Zwillingsmodellierung, prädiktive Analysen und automatisierte Sollwertoptimierung innerhalb vordefinierter Betriebsgrenzen. Die Optimierung berücksichtigt dabei auch standortspezifische Rahmenbedingungen, wie etwa nächtliche Lärmschutzvorgaben, die die Flexibilität der Kühltürme einschränken.

An einer von fünf Kühleinheiten konnte das Projekt eine Senkung des Stromverbrauchs um 10,4 % nachweisen, indem der optimierte Betrieb zwischen dem 14. April und dem 5. August 2026 mit historischen Zeiträumen bei vergleichbarem Wärmebedarf und ähnlichen Umgebungsbedingungen verglichen wurde. [Quelle: Telehouse Deutschland & etalytics, Telehouse Deutschland senkt Stromverbrauch für Kühlung durch KI-gestützte Optimierung um 10,4 %, 9. September 2026]  

Lesen Sie die Erfolgsgeschichte von Telehouse

‍