IT-Störungen aus denen die KI lernen lässt.

Wenn ein IT-System ausfällt, beginnt eine hektische Phase: Menschen telefonieren, schreiben in mehreren Chat-Kanälen parallel, öffnen Tickets, schauen in Logs und versuchen, den Betrieb wiederherzustellen. Ist die Störung behoben, sollte eigentlich die wichtigste Phase folgen — die nüchterne Aufarbeitung, das Post-mortem, aus dem das Unternehmen lernt, damit derselbe Fehler nicht wiederkehrt. Genau diese Aufarbeitung bleibt im Alltag oft liegen oder wird oberflächlich erledigt, weil das Rekonstruieren der Ereignisse mühsam ist: Man muss verstreute Chat-Verläufe, Log-Einträge mit unterschiedlichen Zeitstempeln und Ticket-Kommentare zu einer stimmigen Zeitleiste zusammenfügen. KI kann diese undankbare Fleißarbeit übernehmen und einen ersten, schuldfreien Post-mortem-Entwurf liefern. Dieser Beitrag zeigt, wie das funktioniert, welche Zeitersparnis realistisch ist, warum die schuldfreie Haltung entscheidend ist und wo die Methode auf menschliches Urteil angewiesen bleibt.

Warum die Aufarbeitung so oft liegen bleibt.

Nach einer Störung sind alle erschöpft und froh, dass es vorbei ist. Der Druck, der vorher auf der Wiederherstellung lag, ist weg — und damit auch die Energie, sich noch einmal durch die Ereignisse zu wühlen. Das nächste Tagesgeschäft wartet. So bleibt das Post-mortem liegen oder schrumpft auf ein paar Stichworte, die später niemandem mehr helfen.

Hinzu kommt die schiere Mühe der Rekonstruktion. Die relevanten Informationen liegen verstreut: ein Strang im Chat-Tool, ein anderer in einem zweiten Kanal, technische Details in den Logs, der Verlauf der Maßnahmen im Ticket. Diese Quellen haben unterschiedliche Zeitstempel, unterschiedliche Sprache, unterschiedliche Detailtiefe. Sie zu einer kohärenten Geschichte zu verweben kostet Stunden.

Der Preis des Liegenlassens ist hoch. Wiederholungsfehler sind teuer — ein Ausfall, der zum zweiten oder dritten Mal aus demselben Grund passiert, hätte vermieden werden können. Das Post-mortem ist genau das Instrument, das diese Wiederholung verhindert. Wenn es nicht entsteht, geht das Wissen aus dem Vorfall verloren.

Wie KI die Zeitleiste aus dem Chaos rekonstruiert.

Der erste und mühsamste Schritt jeder Aufarbeitung ist die Zeitleiste: Was geschah wann, in welcher Reihenfolge, ausgelöst wodurch? Genau hier spielt KI ihre Stärke aus, weil sie große Mengen unstrukturierter Quellen lesen, nach Zeit ordnen und verdichten kann.

Praktisch führt das Modell die verschiedenen Quellen zusammen und erstellt einen chronologischen Ablauf:

• Erkennung: Wann und wie wurde die Störung bemerkt — durch eine Überwachung, einen Kundenanruf, einen Mitarbeiter?
• Eskalation: Wann wurde wer hinzugezogen, wann das richtige Team alarmiert?
• Diagnose: Welche Hypothesen wurden geprüft, was war eine Sackgasse, was führte zur Ursache?
• Behebung: Welche Maßnahme stellte den Betrieb wieder her, wann war die Störung beendet?

Aus dieser Zeitleiste lassen sich wichtige Kennzahlen ableiten — etwa die Zeit bis zur Erkennung und die Zeit bis zur Wiederherstellung. Diese Werte sind nicht nur Statistik, sie zeigen über mehrere Vorfälle hinweg, wo der Prozess klemmt: Wird zu spät erkannt? Zu spät eskaliert? Dauert die Diagnose zu lange? Die KI macht diese Muster sichtbar, die im Einzelfall untergehen.

Vom Rohmaterial zum schuldfreien Entwurf.

Ein gutes Post-mortem ist schuldfrei — im Fachjargon blameless. Es fragt nicht „Wer hat den Fehler gemacht?“, sondern „Welche Umstände haben es möglich gemacht, dass dieser Fehler passieren konnte?“. Diese Haltung ist kein Wohlfühl-Detail, sondern die Voraussetzung dafür, dass Menschen offen erzählen, was wirklich geschah. Wo Schuldzuweisung droht, wird beschönigt und verschwiegen — und das Lernen stirbt.

KI kann hier überraschend hilfreich sein, weil sie keinen Beteiligten kennt und keine Interessen verfolgt. Der von ihr erzeugte Entwurf beschreibt nüchtern, was geschah, ohne die Sprache der Schuldzuweisung. Eine entsprechende Anweisung sorgt dafür, dass Formulierungen sachlich bleiben: „Die Konfigurationsänderung wurde ohne Gegenprüfung ausgerollt“ statt „Person X hat vergessen, gegenzuprüfen“.

Der Entwurf umfasst typischerweise eine Zusammenfassung, die Auswirkung auf den Betrieb, die Zeitleiste, die wahrscheinliche Ursache und Vorschläge für Maßnahmen. Wichtig: Es ist ein Entwurf. Er nimmt die Fleißarbeit ab und liefert eine vollständige Struktur, die das Team dann mit seinem Kontextwissen prüft, korrigiert und schärft. Die KI schreibt die erste Fassung, nicht die letzte.

Die Ursachenanalyse — Stärke und klare Grenze.

Die Frage nach der eigentlichen Ursache — der Root Cause — ist der heikelste Teil. Hier ist eine ehrliche Einordnung entscheidend, weil genau hier die größte Versuchung lauert, der KI mehr zuzutrauen, als sie leisten kann.

Was KI gut kann: aus den Quellen Hypothesen ableiten, zeitliche Zusammenhänge aufzeigen, auf Korrelationen hinweisen — etwa dass kurz vor dem Ausfall eine bestimmte Änderung ausgerollt wurde. Das ist wertvoll, weil es die Diskussion auf konkrete Spuren lenkt, statt im Allgemeinen zu bleiben.

Was KI nicht zuverlässig kann: aus Korrelation auf Kausalität schließen. Dass zwei Ereignisse zeitlich zusammenfielen, beweist nicht, dass das eine das andere verursacht hat. Die echte Ursache erfordert oft tiefes Systemverständnis und manchmal gezieltes Nachstellen, das nur Menschen mit Domänenwissen leisten. Ein verbreiteter Fehler wäre, die plausibelste von der KI vorgeschlagene Ursache vorschnell als die wahre zu übernehmen. Die KI liefert gute Kandidaten — die Bestätigung bleibt Aufgabe der Ingenieure, die das System wirklich kennen.

Aus Vorfällen werden Runbooks und Prävention.

Der eigentliche Wert eines Post-mortems liegt nicht im Dokument, sondern in den Konsequenzen. Aus einem Vorfall sollten konkrete, nachverfolgbare Maßnahmen entstehen — und genau hier kann KI über den Einzelfall hinaus helfen.

Erstens unterstützt sie beim Ableiten von Maßnahmen: Aus der Zeitleiste lässt sich erkennen, an welcher Stelle der Prozess hakte, und daraus ein konkreter Verbesserungsvorschlag formulieren — etwa eine fehlende Überwachung, eine zu langsame Eskalation, eine ungeprüfte Änderung.

Zweitens kann sie aus wiederkehrenden Vorfällen Runbooks entwerfen — also Schritt-für-Schritt-Anleitungen für den Wiederholungsfall. Wenn ein bestimmtes Problem zum zweiten Mal auftritt, sollte beim dritten Mal eine erprobte Anleitung bereitliegen.

Drittens entsteht über viele aufgearbeitete Vorfälle hinweg eine Wissensbasis. Tritt eine neue Störung auf, kann die KI auf ähnliche frühere Vorfälle hinweisen: „Etwas Vergleichbares gab es vor vier Monaten, damals lag es an …“. Dieser Rückgriff auf die eigene Historie ist oft schneller als jede frische Diagnose — vorausgesetzt, die Post-mortems wurden konsequent gepflegt. Ohne diese Pflege gibt es nichts, worauf die KI zurückgreifen könnte.

Grenzen, Datenschutz und der Faktor Vertrauen.

Drei Punkte verdienen eine nüchterne Betrachtung. Erstens die Datenqualität. Die KI kann nur rekonstruieren, was dokumentiert wurde. Wenn entscheidende Schritte mündlich am Telefon besprochen und nie festgehalten wurden, fehlen sie in der Zeitleiste. Ein gutes Post-mortem-System ist daher auch ein Anreiz, während des Vorfalls mehr schriftlich festzuhalten.

Zweitens der Datenschutz und die Vertraulichkeit. Logs und Chat-Verläufe können sensible Informationen enthalten — personenbezogene Daten, Sicherheitsdetails, interne Aussagen. Die Verarbeitung muss kontrolliert und datenschutzkonform erfolgen, gerade wenn ein externes Modell im Spiel ist. Diese Frage gehört vor den ersten Einsatz geklärt.

Drittens das Vertrauen und die schuldfreie Kultur. KI kann einen schuldfreien Entwurf liefern, aber sie kann keine Kultur schaffen. Wenn im Unternehmen Vorfälle weiterhin zu Schuldzuweisungen führen, hilft kein noch so neutraler Text. Die Technik unterstützt eine gute Fehlerkultur, sie ersetzt sie nicht. Und das fertige Post-mortem muss am Ende von Menschen verantwortet werden — die KI liefert den Entwurf, die Beteiligten tragen die Schlussfassung.

Einstieg, Aufwand und realistischer Nutzen.

Ein guter Einstieg beginnt klein: bei den größeren Vorfällen, die ohnehin ein Post-mortem verdienen, und mit den Quellen, die bereits sauber vorliegen — typischerweise Chat-Verläufe und Tickets. Die Log-Anbindung kommt hinzu, sobald der Nutzen sichtbar ist.

Für einen ersten Anwendungsfall im Mittelstand liegt der Einrichtungsaufwand häufig im Bereich von 15.000 bis 45.000 Euro, abhängig davon, wie viele und wie heterogene Quellen angebunden werden. Laufende Kosten bewegen sich oft zwischen 400 und 2.000 Euro im Monat. Diese Werte sind Richtgrößen und hängen stark von der Datenlandschaft ab.

Der Nutzen zeigt sich an zwei Stellen. Unmittelbar spart die KI Stunden Rekonstruktionsarbeit pro Vorfall — die Aufarbeitung wird überhaupt erst gemacht, statt zu unterbleiben. Mittelfristig, und das ist der größere Hebel, sinken die Wiederholungsfehler, weil aus jedem Vorfall tatsächlich Konsequenzen entstehen. Die ehrlichste Erwartung lautet: KI macht die Aufarbeitung machbar und konsistent. Ob daraus echtes Lernen wird, hängt davon ab, ob das Unternehmen die abgeleiteten Maßnahmen auch umsetzt.

Bei Ihnen bleibt die Aufarbeitung von IT-Störungen regelmäßig liegen und dieselben Fehler kehren wieder? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Vorfalls-Quellen, Ihre Fehlerkultur und die Datenschutzlage und legen einen schlanken Einstieg fest, der die Aufarbeitung endlich machbar macht.