noris network Barcamp · 20. Juni 2026

AI im IT-Joballtag Mehr ausprobieren, weniger raten

Ein praktischer 20-Minuten-Talk über KI als kontrollierbares Werkzeug für Betrieb, Migrationen, Labs und souveräne Infrastruktur.

bett.ag x.com/fbettag hackerone.com/fbettag

Wer ich bin

Franz Bettag Polyglot Engineer seit 2001

25 Jahre Consulting und Umsetzung für Enterprise bis Fortune 500: On-Prem, Cloud, Security, AI und Entwicklung in 30+ Sprachen.

2011-2013 Alle 3 großen sozialen Netzwerke

Bezahlte Produktionsarbeit für Plattformen, die damals das öffentliche Internet geprägt haben.

2013 Wall Street

HFT Block-Trade-Optimierung, kritische Performance-Probleme und ein $2M+ Accounting-Fehler.

2013 Nordstrom / HauteLook

Push-Infrastruktur für Flash Sales: 10M+ gleichzeitige Pushes, von Tagen auf Minuten.

2014-2019 kleinanzeigen.de

Solo IT-Mädchen-für-alles neben dem CEO. Plattform neu gebaut, 30M+ monatliche Nutzer, Exit zu eBay.

Seit Kleinanzeigen

Ich wollte wissen, was mit KI technisch möglich ist

Q4 2025: eigener AI-Harness für technische Forschung.

Q1 2026: zufällig #2 VDP Researcher für Deutschland auf HackerOne.

Keycloak CVE-2026-1190

2x ClickHouse RBAC Bypass

3x Amazon VDP Takeover

Ruby on Rails Finding

Opera SIP / VoIP Takeover

Der Prompt, der nie funktioniert

Mach mir unsere IT sicher.
Keine False Positives.
Keine Rückfragen.

Migriere mal GitLab.
Ohne Downtime.
Lies einfach die Docs.

Wenn das funktionieren würde, sollte man nervös werden.

Mein Ziel heute

Mehr Lust auf KI. Aber kontrolliert und überprüfbar.

Nicht so

Produktion als Experimentierfläche.

Riesenprompt statt Kontextarbeit.

Verantwortung an das Modell delegieren.

Sondern so

Read-only zuerst.

Lab oder Staging für mutige Schritte.

Mensch entscheidet, Maschine arbeitet Schleifen ab.

Arbeitsmodell

KI ist gut in Schleifen, nicht in Wundern

Lesen

Repos, Configs, Logs, Runbooks, Doku.

Vergleichen

Versionen, Varianten, Diff, Migrationspfade.

Ausprobieren

Labs, Testpipelines, Staging, Simulationsdaten.

Erklären

Was ist kaputt? Was wurde geändert? Welche Annahme stimmt nicht?

Die Maschine darf schnell sein. Die Entscheidung bleibt beim Menschen.

Beispiel 1

Migrationen sind oft Kontextarbeit

01 Ist-Zustand erfassen

Versionen, Charts, Runner, Datenbank, Agenten, Secrets.

02 Upgradepfad prüfen

Keine Sprünge raten. Zwischenstände und Voraussetzungen lesen.

03 Logs lesen lassen

Fehler nicht wegklicken. Ursache, kleinste Änderung, erneut prüfen.

04 Mensch gibt frei

Backup, Rollback, Change-Kontext, dann erst weiter.

Du bist fertig, wenn Pipeline grün ist, Pods laufen und curl 200 zurückgibt.

Beispiel 2

Kritische Ops-Schleifen laufen heute nebenbei

Früher GitLab-Updates im Urlaub waren echter Stress

Heute /loop 1d läuft auf managed GitLab-Instanzen

Nicht magisch Lange genug verfeinert, bis der Ablauf stabil war

Wichtig Logs lesen, Health prüfen, Rollback kennen

Lokale Modelle

Nicht SOTA. Genau deshalb interessant.

Für viele IT-Aufgaben brauche ich nicht immer das beste Modell der Welt. Ich brauche ein Modell, das ich oft und lokal fragen kann.

Nachteile langsamer, fehlerhafter, weniger magisch

Vorteile offline, kostenlos pro Versuch, intern nutzbar

Passt für Logs, Configs, Runbooks, Lab-Setups, Variantenvergleich

Kurze Bitte von außen

16 GB VRAM sind charakterbildend.

36 GB+ VRAM sind Fürsorge.

Mehr VRAM für Mitarbeiter

Je mehr lokale Modelle ausprobiert werden können, desto schneller wird aus "geht irgendwie" ein echtes Arbeitswerkzeug.

Ausblick

Wenn AI kritisch wird, zählt der ganze Datenweg

Wo läuft das Modell?

Lokal, im Rechenzentrum, in Private Cloud oder bei noris.net im GPU-Pool.

Wie sicher ist der Transport?

Private Netze, sichere Tunnel und quantensichere Schlüsselwege.

Wer kontrolliert Nutzung?

Rollen, Budgets, Logs, Freigaben und API-Zugänge.