Gartner® NetOps Research: De toekomst van NetOps is agentisch
Waarom Agentic NetOps tegen 2030 de meeste netwerkactiviteiten zal aansturen.
Breedbandinternet, wifi en de eerste smartphones zorgden ervoor dat het netwerkverkeer binnen bedrijven in 2004 de grens van het toelaatbare overschreed. MPLS VPN's bestreken plotseling meer locaties dan welke engineer dan ook mentaal kon overzien. Storingen troffen meerdere domeinen en kennis van binnenuit bleek ontoereikend.
Twintig jaar later lossen AI-agenten netwerkproblemen op met de snelheid van een machine... maar dat is alleen omdat elke voorgaande generatie automatisering een specifieke beperking heeft opgelost. NetBrainDe evolutie van volgt dat pad: van het visualiseren van topologie, naar het coderen van expertise, naar het valideren van intentie, naar agenten die doelen begrijpen.
Laten we eens kijken naar elke generatie die heeft geleid tot de onvermijdelijke evolutie van AI als cruciaal onderdeel van moderne NetOps, en hoe netwerkteams zich kunnen voorbereiden op het tijdperk van agentische AI.
Eerste generatie: toen zichtbaarheid de bottleneck werd (kaartgebaseerde automatisering, 2004-2010)
De dagelijkse werkzaamheden in het begin van de jaren 2000 hielden in dat je apparaat voor apparaat inlogde en de context mentaal reconstrueerde. Dat werkte prima totdat netwerken honderden apparaten op meerdere locaties omvatten. Wanneer er iets kapot ging, moesten technici de topologie reconstrueren aan de hand van hun geheugen, verouderde Visio-diagrammen en gefragmenteerde documentatie.
Automatisering op basis van kaarten loste het contextprobleem op. NetBrainHet eerste platform combineerde CLI-automatisering met dynamische topologie-ontdekking: een levend diagram ondersteund door een digitale tweeling. Ingenieurs konden paden visualiseren, apparaatconfiguraties ophalen en afhankelijkheden in realtime bekijken, in plaats van te zoeken in statische documenten.
Automatisering kreeg ruimtelijk inzicht. Commando's begrepen direct waar een apparaat zich in het grotere geheel bevond. Net zo belangrijk was dat netwerkkennis niet langer in de hoofden van individuele engineers zat, maar in een gedeeld, doorzoekbaar systeem werd opgeslagen. Hierdoor werd context gecentraliseerd in plaats van verspreid over scripts en spreadsheets.
Tweede generatie: Van kaarten naar herbruikbare logica (Qapp-gebaseerde automatisering, 2011-2015)
Virtualisatie veranderde de regels. De topologie kon veranderen zonder dat iemand de fysieke hardware aanraakte. Het netwerk dat een engineer op maandag zag, kon er op woensdag anders uitzien, niet vanwege een herontwerp, maar omdat de werkbelasting was verplaatst. Maps losten het probleem "waar bevindt alles zich?" op, maar het oplossen van problemen bleef afhankelijk van individuele experts die hun eigen commandoreeksen uitvoerden, gedocumenteerd in persoonlijke notitieboekjes of eenmalige scripts.
Incidenten deden zich voor bij virtuele switches, firewalls en vroege cloudgateways. Dezelfde patronen herhaalden zich (VPN-configuratiefouten, QoS-problemen, asymmetrische routering), maar de diagnoseprocedures bleven binnen de gangbare kenniskringen.
NetBrainDe tweede generatie introduceerde low-code Qapps: deelbare diagnostische modules die draaiden op de digitale tweeling. Ingenieurs stelden controles en data-extracties samen met behulp van bouwstenen in plaats van voor elk scenario aangepaste scripts te schrijven. De Qapp paste die controles aan aan de topologie die de digitale tweeling tijdens de uitvoering detecteerde.
Automatisering evolueerde van "laat me de lay-out zien" naar "laat me zien wat ik moet controleren en in welke volgorde". Toen een senior engineer een beproefde probleemoplossingsprocedure in een Qapp codeerde, kon het hele team deze gebruiken. Expertise werd software.
Derde generatie: van diagnostiek tot complete workflows (Runbook-Op basis van automatisering, 2016-2019)
Halverwege de jaren 2010 was het netwerk gefragmenteerd geraakt. Multicloud-architecturen betekenden dat applicatieverkeer in één transactie AWS, Azure, on-premise datacenters en filiaalvestigingen kon passeren. Kubernetes en microservices introduceerden connectiviteitspatronen die voortdurend veranderden. SD-WAN veranderde de manier waarop filialen verbinding maakten met cloudbronnen.
Qapps kon afzonderlijke diagnoses goed uitvoeren, maar incidenten vereisten steeds vaker coördinatie tussen teams, zoals de beveiligingsafdeling die het beleid valideerde, cloud engineers die de connectiviteit controleerden en netwerkteams die de netwerkverbindingen in kaart brachten. Elke groep gebruikte andere tools en volgde andere procedures. Het herstellen van de service betekende dat meerdere stappen handmatig en onder tijdsdruk moesten worden samengevoegd.
RunbookOp - gebaseerde automatisering orkestreerde complete workflows in plaats van geïsoleerde taken. runbook zou configuraties kunnen ophalen, padanalyse kunnen uitvoeren, de intentieconformiteit kunnen controleren en de bevindingen in een herhaalbare volgorde kunnen documenteren. Omdat runbookOmdat ze op de digitale tweeling werkten, pasten ze zich automatisch aan de werkelijke topologie aan.
RunbookHet systeem codeerde de exacte stappen die een senior engineer tijdens een storing zou volgen, waardoor dat proces voor iedereen toegankelijk werd. De beperking lag niet langer bij individuele expertise.
4e Generatie: Toen elk scenario onmogelijk te scripten werd (Intent-Based Automation, 2020-2023)
Door de pandemie werd thuiswerken gedwongen organisaties hun connectiviteit vrijwel van de ene op de andere dag te herzien, waarbij ze sterk leunden op VPN, SD-WAN en cloudgateways. SASE- en Zero Trust-architecturen integreerden beveiligingsbeleid direct in de connectiviteitsinfrastructuur. Observatieplatformen begonnen alles wat ze konden vastleggen te streamen, waardoor teams werden overspoeld met telemetrie.
Met rolling cloud-implementaties, dynamische beveiligingsbeleidsregels en voortdurend veranderende verkeerspatronen werd het onmogelijk om elke workflow voor elk faalscenario vooraf te scripten. Zelfs met goed ontworpen runbookHet aantal mogelijke scenario's was te groot. Teams moesten weten of het netwerk nog steeds voldeed aan de verwachtingen van het bedrijf, en niet alleen hoe ze moesten reageren als er iets misging.
Intent-based automation Het model werd omgedraaid. Ingenieurs definieerden de gewenste resultaten (bereikbaarheidseisen, segmentatieregels, prestatiedrempels, nalevingsbeleid) en lieten het systeem valideren of die intenties ook in het daadwerkelijke netwerk werden nageleefd. NetBrainDe vierde generatie is gebouwd op zijn digitale tweeling om deze intenties te coderen en ze automatisch te controleren aan de hand van de realtime topologie en status.
Ingenieurs concentreerden zich op het definiëren van beleid en succescriteria in plaats van elke specifieke controle op te sommen. Automatisering werd continue verificatie in plaats van reactieve probleemoplossing. Dit legde de basis voor wat AI nodig had: een systeem dat al begreep hoe "correct" eruitzag, klaar voor agents die konden beredeneren hoe het hersteld kon worden.
5e generatie: Van automatisering naar autonoom redeneren (2024– )
Intent-based automation Er werd verduidelijkt hoe "goed" eruitziet, maar er bleef een hiaat bestaan. Het detecteren van een schending van de intentie vereiste nog steeds dat engineers handmatig logboeken, paden, beleidsregels en historische wijzigingen moesten samenvoegen tijdens stressvolle incidenten. Het systeem kon problemen signaleren, maar mensen moesten ze nog steeds oplossen.
Grote taalmodellen werden rond 2023 praktisch bruikbaar voor bedrijven. Deze modellen konden tickets lezen, CLI-output analyseren, gebeurtenissen correleren en hypotheses formuleren, veel sneller dan mensen, mits ze beschikten over een rijk datamodel. Een volwaardige digitale tweeling, gecodificeerde intenties en AI-redenering die op machinesnelheid kon werken, konden eindelijk samenwerken.
NetBrainDe vijfde generatie voegt een agentlaag toe bovenop de digitale tweeling en de Golden Intents. AI-agenten kunnen een doel opnemen ("herstel de toegang tot deze applicatie zonder het beveiligingsbeleid te schenden"), de huidige status van het netwerk onderzoeken en de benodigde diagnostische en herstelstappen kiezen of samenstellen binnen vooraf gedefinieerde grenzen.
Routinematige probleemoplossing en verificatietaken worden steeds sneller uitgevoerd. Agenten escaleren alleen wanneer ze op onduidelijkheden, tegenstrijdige intenties of beleidsgrenzen stuiten. Ingenieurs ontwerpen die grenzen, definiëren nieuwe intenties en verfijnen de kennis waarop agenten vertrouwen. De rol wordt het beschrijven van hoe processen zich moeten gedragen, in plaats van ze handmatig uit te voeren.
Hoe NetOps zich kan voorbereiden op agentische AI
Netwerken strekken zich tegenwoordig uit over meerdere clouds, externe locaties en beveiligingsdomeinen. Handmatige probleemoplossing en ad-hoc scripts kunnen dit tempo niet meer bijbenen. Elke onopgeloste ticketwachtrij en elk terugkerend incidentpatroon wijst erop dat de huidige generatie automatisering zijn limiet heeft bereikt. Technici besteden tijd aan het reconstrueren van paden, het correleren van logboeken en het opnieuw uitvoeren van bekende controles, werk dat machines betrouwbaar aankunnen.
Gartner® voorspelt: "Tegen 2030 zullen AI-agents de meest gangbare methode zijn voor het uitvoeren van netwerkactiviteiten, tegenover een minimale toepassing eind 2025."
Al meer dan tien jaar is het GUI-dashboard de belangrijkste interface – een venster op switches, firewalls en cloudverbindingen. Maar volgens brancheonderzoek van Gartner® verdwijnt dat venster.
Er vindt een grote verschuiving plaats die niet alleen de tools die netwerkteams gebruiken, maar ook de manier waarop de teams werken en waar ze hun expertise op moeten richten, zal herdefiniëren.
De verschuiving naar AI met agenten maakt de rol van netwerkengineers niet overbodig... maar herdefinieert deze. Engineers worden strategische orkestrators in plaats van dagelijkse operators. De expertise blijft cruciaal. Nu is deze gericht op het definiëren van beleid, het ontwerpen van grenzen voor AI-systemen en het afhandelen van uitzonderingen die agenten niet kunnen oplossen. Het menselijk vermogen versterken, niet vervangen.
NetBrainHet traject van biedt een praktisch migratiepad. Dezelfde architectonische keuzes die kaartgebaseerde en runbook-gebaseerde automatisering effectief (dynamic mappingEen gestructureerde aanpak voor het oplossen van problemen en een rijk netwerkdatamodel vormen de basis voor AI-agenten die doelen begrijpen en binnen vastgestelde kaders handelen. Organisaties kunnen stapsgewijs moderniseren, wetende dat elke stap de omgeving voorbereidt op AI-gestuurde processen.
Voor teams die klaar zijn om te onderzoeken hoe ze agentische mogelijkheden veilig kunnen testen en zich cultureel kunnen voorbereiden op deze verschuiving, biedt Gartner een uitgebreidere handleiding om NetOps voor te bereiden op agentische AI.
GARTNER is een handelsmerk van Gartner, Inc. en/of haar dochterondernemingen.
Gartner, De toekomst van NetOps is agentisch, door Andrew Lerner, Mike Leibovitz, John Watts, Jonathan Forest, 5 januari 2026