Zusammenfassung

  • Interne Tests von NETSCOUT ergaben laut Unternehmen mehr als 25 Prozent weniger KI-Token als bei reinen MELT-Daten. Eine entsprechende Nettoersparnis beim Kunden ist nicht belegt.
  • Der Anbieter positioniert aufbereiteten Netzwerkkontext als Grundlage für unterschiedliche KI- und Analysewerkzeuge. Konfigurierbare Datenaufbereitung gab es schon vor dem September-Update.

Wer Unternehmens-KI einkauft, kauft nicht nur Rechenleistung. Auch die Auswahl und Aufbereitung dessen, was ein Modell überhaupt zu sehen bekommt, kostet Geld. Auf diesen vorgelagerten Arbeitsschritt zielt NETSCOUT mit der am 3. September beschriebenen Erweiterung seiner Datenplattform. Aus beobachtetem Paketverkehr soll kompakter, kontextreicher Smart Data für betriebliche Analysen und Unternehmens-KI entstehen.

Die ökonomische Verheißung stützt das Unternehmen mit eigenen Tests. Chief Operating Officer Sanjay Munshi nennt einen um mehr als 25 Prozent geringeren Token-Verbrauch gegenüber Daten, die allein aus Metriken, Ereignissen, Logs und Traces bestehen, kurz MELT. Zugleich sei die Mean Time to Knowledge, MTTK, um mehr als 75 Prozent gesunken. Angaben zu Modellen, Aufgaben, Stichprobenumfang, absoluten Zeiten und vergleichbar geprüfter Ergebnisqualität fehlen in der Mitteilung. Das begrenzt die Aussagekraft, widerlegt aber nicht die Tests.

Für eine Kaufentscheidung dürfen die beiden Werte nicht größer gemacht werden, als sie sind. Weniger Token betreffen einen Teil des Aufwands. Erfassung, Datenaufbereitung, Speicherung, Integration und Betreuung verschwinden dadurch nicht. Und MTTK misst den Weg zur Erkenntnis über ein Problem, nicht dessen vollständige Behebung. NETSCOUT ordnet diese Zeit in einem früheren Fachbeitrag ausdrücklich als eine von vier Phasen des Lösungsprozesses ein. Aus dem gemeldeten Rückgang folgt keine gleich hohe Verkürzung der gesamten Ausfallzeit.

Der interessante Teil der Plattform ist deshalb die Arbeitsteilung. Laut Produktbeschreibung entstehen durch Paketinspektion und Analytik am Beobachtungspunkt strukturierte, angereicherte Metadaten. Betriebliche Bedeutung soll vor einer Datenreduktion extrahiert und anschließend als dichterer Kontext bereitgestellt werden. Nachgelagerte Systeme müssten Ereignisse dann weniger mühsam aus getrennten Datensätzen zusammensetzen. NETSCOUT beschreibt diese Grundlage als Ergänzung bestehender Werkzeuge, nicht als deren zwingenden Ersatz.

Darin liegt ein möglicher Markt für wiederverwendbare Vorarbeit. Mehrere Analysewerkzeuge oder Modelle können denselben aufbereiteten Kontext nutzen. Ob sich das lohnt, lässt sich aber nur an einer vergleichbaren Aufgabe und einem brauchbaren Ergebnis messen. Ein kleinerer Eingabetext allein sagt nicht, ob dieselbe Frage ebenso verlässlich und insgesamt günstiger beantwortet wurde.

Auch der zeitliche Neuheitsanspruch braucht Präzision. Bereits die Mitteilung vom 19. Februar für Kommunikationsanbieter beschrieb Omnis AI Streamer: Signale werden extrahiert, zusammengefasst und beschriftet; über einen Playbook Builder können Betreiber Datenströme gestalten. Für ausgewählte Feeds ist eine zusätzliche Anreicherung mit maschinellem Lernen vorgesehen. Der Kunde ist demnach nicht bloß Empfänger einer allein vom Anbieter bestimmten Auswahl. September erweitert die Argumentation für Unternehmens-KI und nennt interne Messwerte, belegt aber keinen vollständigen Neustart der Technik.

Offen bleiben der Preis dieses Angebots, eine nachgewiesene Nettoersparnis eines Kunden und zusätzlicher Umsatz daraus. Ebenso wenig ist aus beobachteten Paketen gewonnener Kontext automatisch eine vollständige Beschreibung aller Betriebszustände.

NETSCOUT versucht, vor der eigentlichen Modellanalyse eine dauerhafte Rolle einzunehmen. Für Käufer entscheidet sich deren Wert daran, ob sie Kosten, Auswahlregeln und Resultate dieses Arbeitsschritts nachvollziehen können.