AI SRE für die Nachtschicht

Der Unterschied zwischen einem KI-Assistenten, der „fast“ funktioniert, und einem, der konsistent hochwertige Ergebnisse liefert, ist selten eine Frage der reinen Modellleistung. Stattdessen ist der Engpass in der Regel die Qualität und Struktur der bereitgestellten Anweisungen. Für DevOps- und SRE-Teams, die automatisierte Workflows erstellen, sind „magische Prompt-Tricks“ kein Ersatz für eine wiederholbare, technisch fundierte Struktur.

‍

Dieser Artikel bietet einen praktischen Plan für den Aufbau effektiver KI-Agenten und beschreibt eine sechsteilige Struktur, die Sie für verschiedene Aufgaben wiederverwenden können, um Zuverlässigkeit, Sicherheit und klare Ergebnisse zu gewährleisten.

Das Problem: Qualität der Anweisungen vs. Modellleistung

Wenn Sie jemals das Gefühl hatten, dass ein KI-Assistent die Erwartungen nicht erfüllt, liegt das Problem oft an mangelnder struktureller Disziplin. Vage Aufgaben führen unweigerlich zu vagen Ergebnissen. Um diese Lücke zu schließen, müssen Ingenieure Prompts nicht als clevere Nachrichten, sondern als leichtgewichtige Produktspezifikationen betrachten.

‍

Indem Sie Rollen, Inputs, Outputs und Einschränkungen mit der gleichen Strenge definieren, die auch in der Softwareentwicklung angewandt wird, erstellen Sie Agenten, die wesentlich einfacher zu integrieren, zu evaluieren und zu debuggen sind.

Das Sechs-Komponenten-Schema für Prompts

Das Herzstück jedes zuverlässigen Agenten ist ein Entwurf, der aus sechs wesentlichen Komponenten besteht. Diese Struktur stellt sicher, dass das Modell den notwendigen Kontext und die Grenzen hat, um komplexe Aufgaben zu erfüllen.

1. Rolle und Tonfall: Das „Wer“ und „Wie“ definieren

‍

Beginnen Sie damit, die Persona und den Kommunikationsstil festzulegen. Dies bestimmt die Perspektive, durch die die Entscheidungen, das Vokabular und die Wissenstiefe des Agenten geformt werden.

‍

Beispiel: „Agieren Sie als Senior SRE mit 10 Jahren Erfahrung in Incident Response und Postmortem-Analysen.“

2. Aufgaben-Definition: Handlungsorientierte Ziele

‍

Geben Sie das Ziel in einer klaren, handlungsorientierten Sprache an. Formulieren Sie präzise, was der Agent erreichen muss, um ein verwertbares Ergebnis zu liefern.

3. Regeln und Leitplanken: Grenzen setzen

‍

Geben Sie Einschränkungen und Qualitätsprüfungen explizit an, um Konsistenz zu gewährleisten.

• Do: Verwenden Sie Aufzählungspunkte für Listen.
• Don't: Geben Sie keine personenbezogenen Daten (PII) im Output aus.

4. Daten: Relevantes Wissen einfließen lassen

‍

Gute Prompts fungieren sowohl als Anweisung als auch als Input. Stellen Sie alle notwendigen Kontextinformationen, Metadaten-Blöcke oder spezifische technische Dokumentationen bereit, auf die sich der Agent beziehen soll.

5. Output-Struktur: „Erledigt“ definieren

‍

Sagen Sie dem Agenten genau, wie die Antwort aussehen soll (z. B. Markdown, JSON oder Tabellen).

6. Wichtige Erinnerung: Der Nordstern

‍

Wiederholen Sie die kritischsten Anforderungen am Ende des Prompts. Wiederholung verbessert die Einhaltung, insbesondere bei längeren, komplexeren Anweisungen.

Formatierung für Lesbarkeit und Debugging

Um es dem Modell zu erleichtern, den Anweisungen zu folgen – und Ihnen das Debugging zu ermöglichen – nutzen Sie Markdown-Formatierung:

• Markdown-Header: Verwenden Sie # und ##, um eine klare Hierarchie für Crawler und die KI gleichermaßen zu schaffen.
• Hervorhebung: Nutzen Sie Fettdruck, Zitatblöcke oder GROSSBUCHSTABEN für kritische Sicherheitsanweisungen.
• Querverweise: Erstellen Sie interne Bezüge zwischen den Abschnitten, um dem Modell zu helfen, verwandte Anweisungen logisch zu verknüpfen.

Strukturierte Prompts machen bei Fehlern sofort ersichtlich, welche spezifische Anweisung den Fehler verursacht hat, was den Zeitaufwand für das Prompt Engineering erheblich reduziert.

Prompt-Vorlage

Hier ist die Vorlage, die Sie kopieren und einfügen können:

# Role / Tone‍You are a [role] with expertise in [domain].
Tone: [clear, concise, friendly, formal, etc.].‍

# Task DefinitionYour Goal: [one sentence describing the outcome]
Sucess looks like: [2–4 bullets describing what “good” means].‍

# Rules & Guardrails
Do: [required behaviors]
Don’t: [forbidden behaviors]
Quality checks: [accuracy, safety, policy, formatting, etc.]‍

# Data / ContexAudience: [who this is for]
Inputs: [paste text, metrics, constraints, examples]
Definitions: [key terms]‍

# Output Structure
Return your answer as:Format: [Markdown / Table / JSON]
Sections: [list exact headings]‍

# Key ReminderRepeat the two most important constraints here.

Fazit

Um effektive KI-Agenten zu entwickeln, muss man sich von dialogorientierten Prompts lösen und sich stattdessen auf technische Spezifikationen konzentrieren. Durch die Verwendung des Sechs-Komponenten-Entwurfs – Regel/Tonfall, Aufgabe, Regeln/Leitplanken, Daten, Ausgabestruktur und wichtige Hinweise – stellen Sie sicher, dass Ihre KI-Assistenten vorhersehbar, zuverlässig und produktionsreif sind.

Als ich KI (genauer: Cursor) zum ersten Mal fürs Coden nutzte, war ich schwer beeindruckt, von der Hochwertigkeit der generierten Code. Inzwischen, verstehe ich, warum es eines der am weitesten verbreiteten Tools für Softwareentwickler ist. Allerdings wurde mir mit regelmäßiger Nutzung klar, dass das Tool noch lange nicht perfekt ist. Die Effektivität hängt stark davon ab, wie du es einsetzt und in welchem Kontext. In diesem Blogpost möchte ich teilen, wie ich KI-Coding-Tools im Alltag nutze und wo sie aus meiner Sicht wirklich hilfreich sind.

Cursor für die Code-Navigation

Die Code-Navigation ist die für mich nützlichste Funktion. In jeder reifen Organisation gibt es irgendeine Form eines monolithischen Codebases, und sich darin zurechtzufinden ist nicht leicht – besonders, wenn du neu im Team bist. Wenn du weißt, wonach du suchst, kann KI sehr genaue Erklärungen liefern und dich zu den richtigen Dateien, Funktionen, Mustern usw. führen. Als ich im Juni 2025 bei ilert anfing, fand ich die Code-Navigation von Cursor und die Erklärung der Flows sehr hilfreich. Dadurch konnte ich mir Kontext rund um den Monolithen einfach erklären. Ohne das Tool hätte ich deutlich mehr Aufwand betreiben und stärker auf Teamkollegen zurückgreifen müssen, um offene Fragen zu klären.

Boilerplate-Code und Unit-Tests

Bei der Code-Generierung ist KI sehr effektiv beim Erstellen von Boilerplate-Code und beim Schreiben von Unit-Tests. Cursor baut Kontext für das gesamte Projekt auf und versteht bestehende Coding-Patterns und -Stile. Wenn du also etwas Triviales brauchst – neue DB-Tabellen und Entities anlegen, Testdaten generieren, Test-Setup aufsetzen oder Mocks entwickeln –, kann KI das leicht übernehmen, indem sie den bestehenden Code nachbildet. Ähnlich kann eine gute Menge an Unit-Tests generiert werden.

‍

Auch bei komplexeren Tests kann Cursor helfen. Jedoch zeigt mir meine bisherige Erfahrung, dass die Ergebnisse nicht immer exakt sind. Da das Erstellen von Boilerplate-Code durch KI abgedeckt ist, sind Implementierung und Testschreiben deutlich schneller geworden. Ein wichtiger Hinweis: Du solltest den erzeugten Code prüfen – insbesondere in geschäftskritischen Bereichen – und seine Korrektheit verifizieren. Bei Code-Generierung für hochsichere oder kritische Anwendungen bin ich zusätzlich vorsichtig.

Beschleunigtes Lernen neuer Technologien

‍

Ein weiterer Bereich, in dem ich KI hilfreich finde, ist der Umgang mit neuer Technologie. KI verkürzt die Zeit, die du brauchst, um neue Technologien zu meistern.

‍

ServiceNow-App

‍

Ich arbeitete an einer Marketplace-App für ServiceNow, mit dem ich zuvor nie gearbeitet hatte. Sich in ServiceNow einzuarbeiten, kann zeitaufwändig sein. Zu Beginn kannte ich nur die Aufgabe selbst, aber keine technischen Details über ServiceNow, seine Apps oder den Marketplace. Mit KI gibst du einfach an, welche Art von App du brauchst, und dass du neu in der ServiceNow-App-Entwicklung bist. Anschließend liefert dir die KI Schritte, um mit ServiceNow zu starten. Sie skizziert verschiedene Wege, eine App zu entwickeln, erläutert, welche Art von Code du schreiben musst, und erklärt auch, wie du eine App rein über Konfiguration erstellen kannst. Ohne KI-Tools hätte ich diese Konzepte letztlich auch gelernt – nach umfangreichen Google-Recherchen und dem Lesen vieler Quellen –, aber mit KI war es schneller, einfacher, prägnanter und effizienter. ChatGPT und ServiceNows internes Coding-Assistenz-Tool (ähnlich wie Cursor) halfen mir, die Plattform deutlich schneller zu verstehen, und ich konnte den POC vor der Deadline erstellen.

‍

Rust lernen

‍

Ähnlich musste ich für die Arbeit die Programmiersprache Rust lernen. Ich stellte fest, dass ChatGPT und Cursor die Einstiegshürden senken. Für alle, die Rust nicht kennen: Für Einsteiger ist die Sprache ziemlich anspruchsvoll – besonders, wenn du als Java-Programmierer einsteigst. Rusts einzigartiges Speichermanagement und das Borrowing-Konzept können einschüchternd sein.

‍

Grundsätzlich musst du zum Lernen einer Sprache Syntax, Keywords, Flows, Datentypen usw. verstehen. Die Basics von Syntax und Datentypen ließen sich leicht aus Java übertragen. Sobald du die Grundlagen verstanden hast, willst du mit Übungen loslegen, Fehler identifizieren, verstehen, warum sie auftreten, und sie beheben.

‍

Hier waren ChatGPT und Cursor besonders hilfreich:

‍

• Fehler entschlüsseln: Statt auf Stack Overflow zu suchen, bekam ich schnell detaillierte Erklärungen, warum der Fehler auftrat.
• Proaktives Lernen: Die KI listete neben meinen eigenen Fragen häufige Stolpersteine auf, die andere Entwickler hatten. Sie verstand, dass ich neu in Rust war, und ich fand es sehr nützlich, wichtige Fallstricke zu kennen, bevor ich auf sie stoße.
• Effiziente Suche: Das Internet ist ein Meer an Informationen. Du findest die Antwort irgendwann nach intensiver Suche und vielen Webseiten – aber KI liefert die passende Antwort für deinen spezifischen Fehler.

‍

KI hilft dir nicht nur beim Coden, sie hilft dir auch, dich weiterzuentwickeln. Sie senkt die Einstiegshürden für komplexe Technologien und ermöglicht es Entwicklern, in einer sich schnell wandelnden Branche Polyglotten zu bleiben.

Learnings

1. Gib genug Kontext für genauere Ergebnisse

‍

Kontext für deine Anforderungen zu liefern, ist entscheidend. Anders als Menschen stellt KI keine Rückfragen. Wenn die Anfrage vage ist, greift KI auf allgemeine, öffentliche Daten zurück und produziert Ergebnisse, die wenig akkurat sind. Wenn du hingegen besseren Kontext lieferst – z. B. Edge Cases, bevorzugte Libraries, klarere Business-Anforderungen –, produziert KI bessere Ergebnisse. Es kommt also darauf an, wie du fragst, wie präzise du deine Fragen formulierst und wie viele Informationen du zu deinem Problem bereitstellst.

‍

Beispiel 1. File-Processing-Standards

‍
In meinem vorherigen Unternehmen implementierten wir einen File-Processing-Workflow. Die Anforderung war, die Datei zu lesen, zu verarbeiten und ins S3-Archiv zu verschieben. Die KI erzeugte Code, der Dateien mit Javas modernem NIO-Path-API las, während unser Standard FileReader vorschrieb. Das ist ein subtiles, aber wichtiges Beispiel dafür, wie Ergebnisse nicht mit Organisationsstandards konsistent sein können.

‍

Beispiel 2. Unit-Tests: Fehlender Business-Kontext

‍
Ähnlich bei Unit-Tests: Wenn du Anweisungen gibst wie „Schreibe einen Unit-Test für die Methode“, erzeugt KI grundlegende Tests, die einfache Entscheidungszweige und Happy Paths abdecken. Ohne explizit formulierte Erwartungen – Business-Regeln, Edge Cases, Fehlszenarien usw. – werden kritische Randfälle oft nicht berücksichtigt. KI kann nicht erkennen, welche Fälle wirklich zählen. Das Ergebnis: Tests wirken vollständig, bieten in realen Projekten aber nur begrenztes Vertrauen.

‍

Kontext zu liefern ist essenziell, um genaue Ergebnisse zu bekommen. Selbst wenn du es nicht sofort tust, wirst du es am Ende nachholen, weil du mit den Ergebnissen unzufrieden bist. Zeit in präzise, gut definierte Informationen zu investieren, ist kein Extraufwand – es ist schlicht die bessere Praxis. Klarer Kontext ermöglicht der KI, Code zu generieren, der nutzbarer und produktionsreifer ist.

‍

2. KI kann halluzinieren – Verifikation ist wichtig

‍

Mit Halluzinationen meinen wir Fälle, in denen KI Code oder Erklärungen erzeugt, die plausibel wirken, aber falsch sind. Das ist mir beim Bauen einer ServiceNow-Anwendung mehrfach begegnet. Das zeigt: Du kannst dich nicht blind auf die Antworten verlassen – Verifikation und Tests sind essentiell.

‍

Beispiel 1: Sealed Objects und ServiceNow-Einschränkungen

‍
In einem Szenario musste die Anwendung einen externen REST-Call machen. ServiceNow stellt dafür das Objekt sn_ws bereit. Der von der KI generierte Code nutzte das Objekt theoretisch korrekt und entsprach gängigen REST-Aufrufmustern.

In der Laufzeit schlug die Implementierung jedoch mit dem Fehler „Cannot change the property of a sealed object“ fehl. Trotz mehrerer Iterationen konnte die KI die Ursache nicht diagnostizieren. Weitere Untersuchung zeigte: Bestimmte ServiceNow-Objekte sind „sealed“ und auf spezifische Ausführungskontexte beschränkt. Diese Objekte können nicht instanziiert oder modifiziert werden – sie müssen innerhalb von Plattformkomponenten genutzt werden. Das ist eine plattformspezifische Einschränkung, die aus generischen Beispielen nicht offensichtlich ist und von der KI nicht gehandhabt wurde.

‍

Beispiel 2: Zyklische Vorschläge

‍
In einem anderen Fall funktionierte die von der KI vorgeschlagene Lösung nicht. Weitere Prompts lieferten Alternativen, die das Problem ebenfalls nicht lösten. Nach mehreren Iterationen begann die KI, bereits genannte Ansätze zu wiederholen – wie in einer Schleife. An diesem Punkt musste ich zur offiziellen API-Dokumentation und einer tieferen Analyse der Plattformkomponenten zurückkehren, um das Problem zu lösen.

‍

KI kann ungültige Ergebnisse erzeugen oder Libraries mit Schwachstellen vorschlagen. Daher ist es entscheidend, Ergebnisse zu validieren – besonders bei sicherheitsrelevantem oder geschäftskritischem Code.

‍

3. KI ist oft sehr ausschweifend – fordere Prägnanz ein

‍

KI-Systeme liefern standardmäßig sehr ausführliche Antworten. Das kann fürs Lernen hilfreich sein, ist aber nicht immer ideal für den Arbeitsalltag in der Softwareentwicklung. In der Praxis arbeiten wir oft unter Zeitdruck, wo Geschwindigkeit wichtiger ist als Detailtiefe. Als Coding-Assistent ist knapper Output meist effektiver. Lange Erklärungen, übermäßige Kommentare oder mehrere Alternativen können dich ausbremsen. Wenn du explizit um eine knappe Antwort bittest, produziert die KI Ergebnisse, die sich schneller bewerten und leichter nutzen lassen.

‍

Das ist besonders wichtig bei Routinetätigkeiten wie kleinen Utility-Methoden, Refactoring, dem Generieren von Unit-Tests und der Erkundung bestehender Projekte. In diesen Fällen brauchst du meist umsetzbaren Code, nicht ein Tutorial. Ein Prompt wie „Gib eine prägnante Lösung mit minimaler Erklärung“ kann die Ergebnisse deutlich verbessern und Zeit sparen.

‍

Ausführlichkeit ist nicht per se schlecht, aber nicht immer effektiv. Indem du prägnanten Output einforderst, leitest du die KI an, genau das zu liefern, was du schneller brauchst.

Fazit

KI hat meine Arbeit als Software Engineer spürbar verändert. Sie hilft mir bei der Code-Navigation, beim Lernen neuer Technologien, beim Schreiben von Dokumentation und steigert meine Produktivität. Perfekt ist sie nicht, aber ich bin überzeugt, dass sie sich stark verbessern wird. Für mich ist sie ein hilfreicher Assistent – ein weiteres Werkzeug in deinem Repertoire.

Dieser Artikel erklärt, warum KI-gesteuerte Automatisierung bei der Reaktion auf Vorfälle jetzt realisierbar ist. Teams können endlich repetitive und zeitkritische Reaktionsaufgaben sicher an KI-Agenten delegieren, die mit Kontextbewusstsein und menschlicher Aufsicht arbeiten. Das Ergebnis sind schnellere Reaktionen, eine höhere Serviceverfügbarkeit und weniger Alarmmeldungen – ohne Kontrollverlust.

‍

Da diese Funktionen nun bei realen Vorfällen zum Einsatz kommen, verlagert sich die Frage natürlich von ob Automatisierung möglich ist zu wie sie sinnvoll eingeführt und gesteuert werden sollte.. Der Agentic Incident Management Guide befasst sich mit diesem nächsten Schritt und beschreibt praktische Rahmenbedingungen, Einführungsstrategien und Beispiele aus der Praxis, die zeigen, wie SRE- und DevOps-Teams die Reaktion auf Vorfälle effektiv und sicher automatisieren können.

Fehlstarts der Automatisierung

Automatisierung ist seit Jahrzehnten ein wichtiger Bestandteil der Technologiestrategie. Sie wurde in unzählige Roadmaps und Transformationsinitiativen aufgenommen, doch die wirklich weit verbreitete, KI-gestützte Automatisierung hat oft die Erwartungen nicht erfüllt. Frühe Versuche stießen aufgrund fragiler Tools, mangelnder Kontextwahrnehmung und einer Betriebskultur, die noch nicht bereit war, autonomen Systemen zu vertrauen, an ihre Grenzen.

‍Die Technologie hat endlich aufgeholt

Der Hauptgrund für die heutige Realisierbarkeit der Automatisierung ist die erhebliche Verbesserung der KI-Fähigkeiten. Automatisierung ist nicht mehr auf starre, regelbasierte Skripte beschränkt. Moderne Modelle des maschinellen Lernens, insbesondere große Sprachmodelle (LLMs), bieten Kontextverständnis, probabilistische Entscheidungsfindung und adaptives Lernen. Dadurch können Automatisierungssysteme in Umgebungen funktionieren, die früher zu komplex oder unvorhersehbar waren.

Ebenso wichtig ist die Entwicklung der technologischen Infrastruktur. Cloud-native Plattformen, weit verbreitete APIs und zuverlässige Orchestrierungsframeworks ermöglichen der KI den sofortigen Zugriff auf Daten und die Steuerung über verteilte Systeme hinweg. Vor einem Jahrzehnt gab es diese Konnektivität noch gar nicht.

‍

Auch Verbesserungen bei Auto-Scaling, Observability und Telemetrie reduzieren das Risiko erheblich. Vollständige Transparenz, verbesserte Log-Korrelation und ruboste CI/CD Pipelines machen es möglich, Automatisierung in großem Maßstab einzusetzen und gleichzeitig die Auswirkungen und die Wiederherstellung sorgfältig zu steuern. Das Ergebnis ist nicht nur eine intelligentere, sondern auch eine sicherere Automatisierung.

‍Die Betriebskultur hat sich weiterentwickelt

Technologie allein reicht nie aus. Die zweite wichtige Veränderung war kultureller Natur. Der Aufstieg von DevOps und SRE hat die Einstellung der Teams zur Automatisierung verändert. Dieselben Teams, die sich einst gegen die Automatisierung sträubten, sehen darin nun eine Möglichkeit, Konsistenz zu gewährleisten, unnötige Arbeit zu reduzieren und Ergebnisse zu beschleunigen.

‍

Schuldfreie Nachbesprechungen und fortlaufende Verbesserungsmethoden fördern Experimente und Wiederholungen, wodurch die Automatisierung wachsen und sich anpassen kann. Die SRE-Prinzipien – Reduzierung manueller Arbeit, Verwaltung von Fehlerbudgets und Ausrichtung der Aufgaben an Service Level Objectives (SLOs) – unterstützen auf natürliche Weise eine schrittweise und gut gesteuerte Automatisierung.

‍

In diesem Umfeld wird KI nicht als Ersatz für Ingenieure angesehen, sondern als Partner, der das menschliche Urteilsvermögen verbessert, die mentale Belastung verringert und es den Teams ermöglicht, sich auf wichtigere Aufgaben zu konzentrieren.

‍

‍Risiken wurden zu einem zentralen Designprinzip

Einer der meistübersehenen Faktoren für KI-gestützte Automatisierung ist der moderne Umgang mit Risiko. Heutige Automatisierungs-Frameworks sind auf eine schrittweise Einführung ausgelegt. Rollouts können gestaffelt erfolgen, Aktionen lassen sich in Echtzeit nachverfolgen, und automatisierte Rollback-Strategien gehören inzwischen zum Standard. Berechtigungen, Richtlinien und Freigabeprozesse werden als Code definiert – klar formuliert, testbar und wiederholbar.

‍

Ebenso wichtig ist, dass KI-gestützte Systeme heute großen Wert auf Observability und Erklärbarkeit legen. Aktionen sind auditierbar, reversibel und messbar. Diese Transparenz verändert die Wahrnehmung von KI: weg von einer Black Box hin zu einem verlässlichen operativen Partner. Durch enge Feedback-Schleifen können Teams Auswirkungen kontinuierlich bewerten und Probleme beheben, bevor sie eskalieren.

‍Die Vorteile zeigen sich bereits

Dank der Kombination aus ausgereifter Technologie, einer weiterentwickelten Kultur und integrierten Sicherheitsvorkehrungen können Unternehmen die Automatisierung zuversichtlich vorantreiben. Teams, die KI-gesteuerte Automatisierung einsetzen, profitieren bereits von konkreten Vorteilen:

‍

• Deutlich reduzierte MTTR dank KI-gestützter Ursachenanalyse und automatisierten Korrekturen
• ‍Geringere Betriebskosten, da Routineaufgaben und Skalierungen automatisch verwaltet werden
• Erhöhte Zuverlässigkeit und Konsistenz durch weniger menschliche Fehler
• Erhöhte Innovationsfähigkeit, da Ingenieure weniger Zeit mit sich wiederholenden Aufgaben verbringen und sich mehr auf geschäftskritische Arbeiten konzentrieren können

‍

Das Ergebnis sind eine schnellere Behebung von Vorfällen, eine verbesserte Servicezuverlässigkeit und eine spürbare Steigerung der Teamzufriedenheit.

Fazit

‍KI-gesteuerte Automatisierung ist heute nicht aufgrund eines einzelnen Durchbruchs realisierbar, sondern aufgrund einer seltenen Konstellation. Fortschrittliche KI-Fähigkeiten, produktionsreife Infrastruktur, DevOps- und SRE-gesteuerte kulturelle Veränderungen und ein disziplinierter Umgang mit Risiken sind gemeinsam gereift. Der nächste Schritt besteht darin, diese konvergente Entwicklung in der Produktion umzusetzen. Der Agentic Incident Management Guide von ilert untersucht, wie Teams KI-gesteuerte Automatisierung kontrolliert und schrittweise bei realen Vorfällen anwenden können. Hier wird Automatisierung vom Wunsch zum Wirklichkeit.