Das Fairness-Problem im Bereitschaftsdienst
On-Call ist für viele IT-Teams ein wunder Punkt. Wer zu häufig an der Reihe ist, erlebt Schlafentzug, erhöhten Stress und langfristigen Burnout. Wer zu selten eingesetzt wird, verliert das nötige Systemwissen für effektive Reaktionen im Ernstfall. Die Balance zu finden ist schwieriger als es klingt – in vielen Teams basiert die Rotation noch auf manuell gepflegten Tabellen oder einfachen Round-Robin-Verfahren, die individuelle Unterschiede, Wissensprofile und aktuelle Belastung komplett ignorieren.
KI-Unterstützung kann hier gezielt eingreifen: nicht um Entscheidungen zu ersetzen, sondern um relevante Daten sichtbar zu machen und Rotation fairer, vorhersehbarer und nachhaltiger zu gestalten.
Was ein faires Rotationssystem leisten muss
Bevor KI ins Spiel kommt, ist es wichtig zu verstehen, was „fair" in diesem Kontext bedeutet. Fairness bei On-Call-Diensten umfasst mehrere Dimensionen, die selten alle gleichzeitig berücksichtigt werden:
- Gleichmäßige Verteilung: Jedes Teammitglied sollte über einen längeren Zeitraum gleich viele On-Call-Schichten tragen – unabhängig von Senioritätsgefälle oder informellen Hierarchien im Team.
- Gewichtung nach Belastung: Wochenenddienste und Nachtalarme belasten deutlich mehr als reguläre Werktage und sollten bei der Planung stärker gewichtet werden.
- Zeitzonengerechte Zuweisung: In global verteilten Teams muss die Rotation die lokale Tageszeit berücksichtigen – nächtliche Alarms sollten nicht dauerhaft in dieselbe Zeitzone fallen.
- Verfügbarkeitsrespekt: Urlaub, Fortbildungen und bekannte Termine müssen in der Rotationsplanung abgebildet sein und dürfen nicht durch automatische Zuweisung überschrieben werden.
- Fatigue-Sensitivität: Wer in der letzten Schicht besonders viele oder intensive Alarms hatte, sollte nicht unmittelbar danach wieder eingeplant werden.
KI-gestützte Rotationsplanung in der Praxis
Moderne On-Call-Tools wie PagerDuty, OpsGenie, Grafana OnCall oder selbstgehostete Lösungen integrieren zunehmend KI-Funktionen, die über einfache Round-Robin-Verfahren hinausgehen. Gleichzeitig bauen Teams eigene Lösungen auf Basis von Optimierungsalgorithmen und Sprachmodellen auf.
Ein KI-gestütztes Rotationssystem kombiniert typischerweise mehrere Datenpunkte:
- Historische Alert-Daten: Wie viele und wie intensive Alarms hatte jede Person in der letzten Rotation? Ein Modell kann diese Daten interpretieren und eine Belastungsrechnung erstellen, die bei der nächsten Planung einfließt.
- Skill-Matching: Nicht jedes Teammitglied kennt jedes System gleich gut. Intelligente Rotation stellt sicher, dass vor bekannt kritischen Zeiträumen – etwa einem großen Deployment oder Monatsabschlüssen – erfahrene Personen eingeplant sind.
- Vorhersagebasierte Planung: Durch Auswertung historischer Alertmuster lässt sich einschätzen, wann ruhige und wann belastende On-Call-Phasen zu erwarten sind. Das hilft bei der vorausschauenden Verteilung schwieriger Schichten.
Fatigue-Tracking als Kernfunktion
Alert Fatigue ist gut dokumentiert und ein reales Betriebsrisiko: Wer zu lange zu viele Alerts erhält, beginnt, Alarme zu ignorieren oder verzögert zu reagieren. Fatigue-Tracking macht dieses Risiko messbar und steuerbar – bevor es zu tatsächlichen Reaktionsproblemen kommt.
Messbare Fatigue-Indikatoren umfassen:
- Anzahl der Alerts außerhalb regulärer Arbeitszeiten (Nacht- und Wochenendalarms)
- Häufigkeit von Weckalarmierungen und Veränderung der Reaktionszeiten im Schichtverlauf
- Verhältnis von actionable zu false-positive Alerts pro Person und Schicht
- Durchschnittliche Bearbeitungsdauer pro Incident als Indikator für nachlassende Effizienz
- Anzahl eskalierter Incidents als Signal für Überlastung oder Wissenslücken
KI-Modelle können diese Indikatoren kontinuierlich auswerten und frühzeitig warnen, wenn eine Person in die Fatigue-Zone gerät. Die Empfehlung könnte dann sein: früherer Schichtwechsel, Hinzuziehen einer Backup-Person oder temporäre Verringerung des Alert-Volumens durch besseres Routing.
Wissenstransfer bei Schichtübergaben
Eine häufig unterschätzte Schwachstelle im On-Call-Betrieb ist die Schichtübergabe. Was weiß die folgende Schicht über den aktuellen Systemzustand? Welche Incidents laufen noch? Welche temporären Workarounds wurden eingespielt und müssen wieder zurückgebaut werden?
Sprachmodelle können hier als Synthesizer wirken: Sie lesen Incident-Tickets, Alert-Historien und Notizen der abgelaufenen Schicht und erstellen automatisch eine strukturierte Übergabenotiz. Das reduziert den Informationsverlust bei Schichtwechseln erheblich und verkürzt die Einarbeitungszeit der nächsten Schicht.
Typische Inhalte einer KI-generierten Übergabenotiz:
- Offene oder kürzlich gelöste Incidents mit aktuellem Status und zuständiger Person
- Temporäre Konfigurationsänderungen, die noch aktiv sind und rückgebaut werden müssen
- Systeme, die erhöhte Aufmerksamkeit benötigen – z.B. nach einem Deployment oder einer Schemaänderung
- Geplante Wartungsarbeiten in den nächsten Stunden und zuständige Ansprechpartner
- Eskalationskontakte für spezifische Systeme oder Domänen, falls Probleme eskalieren
Integration mit Monitoring und Alert-Routing
On-Call-Scheduling und Alert-Routing sind eng miteinander verknüpft. Wer in der Rotation steht, muss genau für den richtigen Satz von Alerts erreichbar sein. KI-gestützte Systeme können diese Verknüpfung dynamisch gestalten:
- Alert-Schwellenwerte werden nach aktueller Teamkapazität angepasst – wenn das Team bereits stark belastet ist, werden weniger kritische Alarms geclustert statt sofort weitergeleitet.
- Alerts werden anhand des Schicht-Skill-Profils geroutet – komplexe Datenbankprobleme gehen bevorzugt an jemanden mit nachgewiesener Datenbank-Erfahrung, nicht einfach den nächsten in der Liste.
- Heartbeat-Monitoring und Statusseiten lassen sich nahtlos mit dem Rotationsplan verknüpfen, sodass der aktuelle On-Call-Kontakt bei relevanten Ausfällen klar erkennbar ist – für das Team und für interne Stakeholder.
Was Teams heute konkret umsetzen können
Der Einstieg in KI-gestütztes On-Call-Management muss nicht als großes Projekt beginnen:
- Daten systematisch erfassen: Wer On-Call-Belastung nicht erfasst, kann sie nicht auswerten. Erster Schritt ist die Datengrundlage – welche Person hatte wann wie viele Alarms und wie lange hat die Bearbeitung gedauert.
- Fatigue-Score definieren: Einigen Sie sich im Team auf wenige messbare Indikatoren und berechnen Sie einen Belastungs-Score pro Schicht. Dieser Score fließt in die nächste Rotationsplanung ein und macht bisher unsichtbare Ungleichgewichte sichtbar.
- KI-Übergabenotizen als Pilot starten: Automatisierte Schichtübergaben sind ein guter Einstiegspunkt – klarer Nutzen, geringes Risiko, schnell umsetzbar und vom Team leicht nachvollziehbar.
- Tools evaluieren: PagerDuty, OpsGenie, Grafana OnCall und Rootly bieten zunehmend KI-gestützte Scheduling-Funktionen – ein Vergleich lohnt sich vor einer aufwendigen Eigenentwicklung.
Fazit
Fairer On-Call-Betrieb ist keine Luxusfrage, sondern eine Voraussetzung für langfristige Teamgesundheit und Systemzuverlässigkeit. Wer Bereitschaftsdienste über Jahre hinweg fair und nachhaltig gestalten will, braucht Daten – und KI-Unterstützung bei Rotation, Fatigue-Tracking und Schichtübergaben kann dabei konkret helfen. Entscheidend ist, dass eingesetzte Metriken transparent kommuniziert und gemeinsam mit dem Team weiterentwickelt werden. Nur so entsteht Akzeptanz für datengestützte On-Call-Planung, die Menschen entlastet statt zusätzlich zu kontrollieren.
Bildquelle: Neilius (Neil Martin), gemeinfrei, via Wikimedia Commons
Quellen: Google SRE Book (Kapitel 11: Being On-Call), PagerDuty Incident Management Documentation, Grafana OnCall Documentation, FIRST EPSS
