Alle paar Jahre taucht die Behauptung auf, der klassische Linux-Sysadmin sei bald Geschichte. Früher sollte die Virtualisierung den Beruf erledigen, dann die Public Cloud, später Kubernetes und DevOps. Jetzt sollen es Sprachmodelle und agentische Helfer sein.
Ich halte das für eine bequeme Fehlannahme.
Wer Administration als das manuelle Zusammenklicken von Standard-Diensten, das Abtippen von Installationsanleitungen oder das dauerhafte Flicken einzelner Server per SSH begreift, hat recht: Diese Tätigkeiten gehören automatisiert. Wer jedoch Systeme betreibt, merkt schnell, dass Automatisierung die Arbeit nicht abschafft, sondern ihren Schwerpunkt verschiebt.
Deklarative Systeme heilen keine Fehlkonfigurationen
Früher hatte fast jede Maschine ihre eigenen historischen Altlasten. Man wusste nach zwei Jahren Betrieb oft nicht mehr genau, welches Paket nachinstalliert oder welche Konfigurationszeile unter /etc mal eben für einen Test geändert wurde.
Dass wir Server heute in Terraform, Ansible oder NixOS deklarativ beschreiben und über Pipelines ausrollen, ist ein handfester Fortschritt. Es schafft reproduzierbare Stände und verhindert Flüchtigkeitsfehler.
Infrastruktur-Code beschreibt jedoch nur den gewünschten Soll-Zustand. Er versteht weder die physische Umgebung noch die Seiteneffekte im laufenden System.
Wenn in einem Container-Cluster mit Docker oder Kubernetes der Datendurchsatz wegbricht, weil MTU und Kapselungs-Overhead im VXLAN-Overlay nicht zusammenpassen und Pakete fragmentiert oder verworfen werden, hilft kein weiteres Git-Commit. Wenn bei Lastspitzen die Conntrack-Tabelle des Netfilter-Subsystems vollläuft, stehen neue Verbindungen unter Umständen nicht mehr zuverlässig zur Verfügung.
Der Code rollt die Konfiguration nur aus. Die Ursache liegt im Netzwerk-Stack des Kernels.
KI-Assistenten generieren Text, keine Systemdiagnosen
Sprachmodelle sind nützliche Schreibhilfen. Sie spucken in Sekunden ein Bash-Gerüst für eine API-Abfrage aus, bauen reguläre Ausdrücke oder fassen lange Fehlermeldungen zusammen.
Über offene Standards wie das Model Context Protocol (MCP) lassen sich Anwendungen zudem strukturiert mit externen Ressourcen, Tools und Repositories verbinden. Das erleichtert es Werkzeugen, relevante Dokumentationen oder Schema-Definitionen in Prompts einzubinden.
Das ändert nichts daran, dass ein Sprachmodell auf statistischen Textmustern basiert. Es kennt die konkrete Produktionsumgebung nicht.
Ein Assistent schlägt bei I/O-Engpässen schnell eine Handvoll Kernel-Parameter vor. Die Syntax ist formal korrekt, die Erklärung klingt schlüssig. Solche Änderungen können sich mit einem eng gesetzten Cgroup-v2-Speicherlimit beißen. Ob daraus Speicherdruck oder ein OOM-Kill wird, zeigt erst die konkrete Last.
Ein generierter Vorschlag spart Tipparbeit. Ob er im konkreten Kernel, mit dem jeweiligen Dateisystem und unter echter Last funktioniert, muss die Person vor der Konsole prüfen.
Wenn Abstraktionen lecken
Solange alles im Regelbetrieb läuft, reichen Dashboards und Metrik-Graphen. Wenn Systeme unter Last unvorhergesehen reagieren, zeigen diese Abstraktionen oft nur noch Symptome.
Ein Service antwortet nicht, die CPU-Auslastung ist niedrig, aber der Load Average steigt. Dashboards zeigen in so einer Situation oft nur rote Warnlampen.
Die Ursachensuche landet dann verlässlich auf der Betriebssystemebene:
- Mit
straceoder eBPF-Tracing prüfen, ob Prozesse in blockierenden Systemaufrufen auf Storage-Locks oder I/O warten. - Über
/proc/pressure/memoryund/proc/pressure/ioprüfen, ob Speicher- oder I/O-Druck die Latenzen treibt. - Mit
ss -tinTCP-Zustände und wachsende Sendewarteschlangen prüfen; Paketverluste anschließend über Interface- und Kernel-Zähler eingrenzen.
Das sind keine Relikte. So meldet Linux seinen Zustand.
Andere Werkzeuge, dieselbe Mechanik
Die klassische Handarbeit an einzelnen Maschinen sollte heute nicht mehr der Normalfall sein. Niemand sollte Apache-Virtual-Hosts auf zehn Server kopieren müssen.
Daraus folgt aber nicht das Ende der Linux-Administration. Wer Systeme betreibt, schreibt heute mehr Code, arbeitet mit deklarativen Schemata und nutzt KI-Assistenten für Routineaufgaben. Wenn die Pipeline durchgelaufen ist und der Dienst trotzdem hakt, braucht es dasselbe Verständnis für Kernel, Speicher, Netzwerk und Dateisysteme wie vor zwanzig Jahren.