Moderne Organisationen generieren durch Ticket-Systeme, Incident-Reports und Supportanfragen eine enorme Menge an operativer Daten, die wertvolle Hinweise auf systemische Probleme, wiederkehrende Schwachstellen und die Leistung von Teams enthalten. Doch die Auswertung dieser unstrukturierten Daten ist oft schwierig, da klassische Ticket-Plattformen primär für Workflows, nicht für Analyse ausgelegt sind. Strukturierte Felder sind inkonsistent, freie Textfelder unordentlich, und Beziehungen zwischen Tickets bleiben oft unerfasst. NVIDIA hat daher innerhalb seiner IT-Abteilung das AI-Agenten-System ITelligence entwickelt, das die fortschrittliche Sprachverarbeitung von NVIDIA Nemotron-Modellen mit der leistungsstarken Abfragefähigkeit von Graphdatenbanken verbindet. Ziel ist es, tiefgreifende, kontextbasierte Erkenntnisse aus unstrukturierten Support-Tickets zu gewinnen und komplexe Muster, Anomalien und Wurzelursachen zu identifizieren. Die Architektur basiert auf einem modularen, skalierbaren Datenpipeline-System, das aus mehreren Schritten besteht. Zunächst werden Daten aus ITSM-Systemen, Endgeräteinventaren und Identitätsquellen über batchbasierte ETL-Jobs in eine Graphdatenbank geladen. Dort werden Entitäten wie Benutzer, Tickets, Geräte oder Gruppen als Knoten und deren Beziehungen (z. B. „ERSTELLT_VON“, „ZUGEWIESEN_AN“) als Kanten modelliert. Diese Struktur ermöglicht komplexe, mehrschrittige Abfragen – etwa die Analyse von Verbindungen zwischen einem Ticket, seinem Bearbeiter, dessen Vorgesetzten und dem betroffenen Gerät – in einer einzigen Anfrage, was in relationalen Datenbanken kaum möglich wäre. Anschließend werden die Tickets durch Enrichment-Jobs mit zusätzlichen Kontextinformationen wie Benutzerrolle, Standort oder Gerätealter angereichert. Für die Wurzelursachenanalyse (RCA) wird ein LLM-Pipeline eingesetzt, die jeweils einzelne Tickets analysiert und präzise, comma-separated Schlüsselwörter für die Ursache extrahiert (z. B. „YubiKey“, „Passkey“). Dabei zeigte das llama-3_3-70b-instruct-Modell über NVIDIA NIM die besten Ergebnisse. Die generierten RCAs werden als neue Eigenschaften im Graphen gespeichert und ermöglichen eine präzise Gruppierung jenseits traditioneller ITSM-Kategorien. Auf dieser Basis laufen Insight-Generierungs-Jobs, die LLMs nutzen, um systemische Muster zu erkennen: MTTR-Analysen identifizieren verzögerte Lösungen, CSAT-Feedbacks zeigen Kundenzufriedenheitsprobleme, und häufige RCA-Muster offenbaren tiefgreifende strukturelle Schwächen. Besonders wertvoll ist die Analyse von Tickets neuer Mitarbeiter, die Onboarding-Hürden aufdecken. Diese Erkenntnisse werden an Manager, Teams oder Service-Owner gebunden und direkt im Kontext präsentiert. Ein verteilter Alerting- und Liefermechanismus überwacht KPIs wie MTTR oder CSAT in Echtzeit. Bei Abweichungen werden automatisch Benachrichtigungen mit Kontext und Handlungsempfehlungen an die zuständigen Personen gesendet. Zudem werden regelmäßige, personalisierte AI-Newsletter generiert, die auf die jeweilige Organisation oder Führungsebene zugeschnitten sind. Um die Nutzbarkeit zu gewährleisten, wurde auf eine interaktive Dashboard-Plattform (Grafana) gesetzt, nicht auf eine RAG-basierte Chatbot-Schnittstelle. Denn bei komplexen, relationalen Datenmodellen führt eine natürlichsprachliche Abfrage oft zu mehrdeutigen oder fehlerhaften Cypher-Abfragen, was zu frustrierenden Interaktionen führt. Stattdessen wird ein AI-generierter Zusammenfassungs-Service integriert: Sobald ein Benutzer Filter im Dashboard setzt (z. B. „RCA = Treiber, Gruppe = X“), wird die Auswahl an eine API gesendet, die die passenden Tickets abruft, eine strukturierte Prompt-Text generiert und über NVIDIA NIM eine präzise, executive Summary zurückgibt – inklusive häufigster Symptome, Lösungsschritte und Handlungsempfehlungen. Dies automatisiert die manuelle Ticket-Triage und liefert sofortige, handlungsorientierte Erkenntnisse. Industrieexperten loben den Ansatz als wegweisend für die Transformation von IT-Operations: „Dies ist ein Paradigmenwechsel – von reaktiver Ticketbearbeitung zu proaktiver, datengetriebener Optimierung“, sagt ein IT-Leiter bei einem globalen Technologieunternehmen. Die Architektur ist domain-agnostisch und kann auf Sicherheitsvorfälle, Kundensupport oder Facility Management übertragen werden. Mit NVIDIA Nemotron und der Kombination aus Graphdatenbanken und präzisem Prompt-Engineering schafft ITelligence ein skalierbares, intelligentes System, das aus operativer Lärm klare, handfeste Erkenntnisse macht.