Wer wartet, bis die CPU-Auslastung eines Systems 90 Prozent erreicht, bevor er skaliert, ist zu spät dran. Klassisches reaktives Capacity Planning führt zu einem bekannten Muster: Systeme laufen stabil, bis ein Wachstumsschub oder ein Lastspitze sie unerwartet überlastet. KI-gestütztes Capacity Planning dreht dieses Paradigma um – es prognostiziert zukünftigen Bedarf auf Basis historischer Muster, saisonaler Trends und externer Signale, bevor Engpässe entstehen.
Bildquelle: Pexels.com
Warum klassisches Capacity Planning an seine Grenzen stößt
Traditionelles Capacity Planning war oft eine Mischung aus Erfahrung, Faustregeln und übervorsichtiger Pufferplanung. IT-Teams rechneten mit Wachstumsfaktoren wie "wir erwarten 20 Prozent mehr Traffic im nächsten Quartal" – basierend auf Verkaufsprognosen oder historischen Wachstumskurven. Diese Ansätze haben zwei grundlegende Schwächen:
- Fehlende Granularität: Globale Wachstumsprognosen berücksichtigen keine Micro-Trends, keine Service-spezifischen Muster und keine externen Faktoren.
- Verzögerte Reaktion: Bis eine Kapazitätswarnung die richtigen Personen erreicht, Budgets genehmigt und Ressourcen provisioniert sind, können Wochen vergehen.
In modernen Cloud- und Microservice-Architekturen ist dieser Ansatz zunehmend unzureichend. Die Anzahl der zu planenden Services wächst, die gegenseitigen Abhängigkeiten werden komplexer, und Autoscaling schafft zwar Flexibilität, aber keine Vorhersehbarkeit.
Was KI-gestütztes Capacity Planning leisten kann
Zeitreihenprognose mit Machine Learning
Der Kern von KI-gestütztem Capacity Planning ist die Zeitreihenprognose: ML-Modelle analysieren historische Ressourcennutzung – CPU, Memory, Netzwerkdurchsatz, Datenbankverbindungen, Storage-Wachstum – und erstellen daraus präzise Prognosen für die nächsten Stunden, Tage oder Wochen. Moderne Zeitreihenmodelle wie Prophet, ARIMA-Varianten oder neuronale Netze (LSTM, Transformer) können dabei mehrere Dimensionen gleichzeitig berücksichtigen: Tagesgänge, Wochenmuster, saisonale Schwankungen und bekannte Ereignisse wie Produktlaunches oder Marketingkampagnen.
Das Ergebnis: SRE-Teams sehen nicht nur, wie viel Kapazität sie heute brauchen, sondern auch, wann sie in 14 Tagen an die Grenzen ihrer aktuellen Ressourcen stoßen werden.
Anomaliebasierte Kapazitätssignale
KI-Systeme erkennen Muster, die menschliche Analysten übersehen würden. Ein ungewöhnlich hoher Anstieg in der Datenbankgröße, der nicht mit dem Nutzertraffic korreliert; eine schleichende Zunahme der Latenz in einem Service, die noch kein Alert auslöst, aber auf wachsende Ressourcenknappheit hindeutet – diese frühen Warnsignale sind wertvoll, weil sie Planungszeit schaffen, bevor ein Problem entsteht.
Multi-Service-Abhängigkeitsmodellierung
In Microservice-Architekturen ist kein Service eine Insel. Wenn Service A wächst, steigt auch die Last auf Service B, C und D, die A aufruft. KI-gestützte Tools können diese Abhängigkeitsketten modellieren und ableiten, welche Downstream-Services von einem Wachstum in einem Upstream-Service betroffen sein werden. Das ermöglicht eine koordinierte Kapazitätsplanung über Servicegrenzen hinweg.
Integration von externen Signalen
Die stärksten Capacity-Planning-Systeme beschränken sich nicht auf interne Metriken. Sie integrieren externe Signale, die Kapazitätsbedarf beeinflussen:
- Business-Kalender: Bekannte Events wie Produktlaunches, Sale-Aktionen oder Messen werden als Faktoren in die Prognose eingebaut.
- Web-Analytics-Trends: Steigende organische Traffic-Zahlen aus SEO oder Ads signalisieren zukünftigen Kapazitätsbedarf.
- Deployment-Pläne: Geplante neue Features, die signifikant mehr Last erzeugen, können in die Planung eingeflossen werden, bevor sie live gehen.
- Marktentwicklungen: Externe Wachstumssignale aus dem Markt – etwa ein Konkurrenzprodukt, das den Markt verlässt – können als Planungsannahme integriert werden.
SLO-basierte Kapazitätsplanung
Ein besonders wertvoller Ansatz ist die Verknüpfung von Capacity Planning mit Service Level Objectives (SLOs). Statt Kapazität pauschal zu planen, definieren SRE-Teams, welche Latenz und Verfügbarkeit sie garantieren müssen. Das KI-System leitet daraus ab, wie viel Kapazität notwendig ist, damit diese SLOs unter den prognostizierten Lastbedingungen eingehalten werden können.
Das ändert die Planungslogik fundamental: Nicht "wie viel Reserve haben wir?" ist die Frage, sondern "wie viel Kapazität brauchen wir, um unsere Serviceversprechen zu halten?" Das führt zu gezielteren Investitionen und vermeidet sowohl Over-Provisioning als auch riskantes Under-Provisioning.
Automatisierung des Provisioning-Prozesses
KI-gestütztes Capacity Planning kann nicht nur prognosen, sondern bei entsprechender Integration auch direkt handeln. Wenn ein Modell erkennt, dass ein Service in achtundvierzig Stunden seine Kapazitätsgrenzen erreichen wird, kann es automatisch:
- Eine Provisionierungsanfrage in der Cloud-Infrastruktur auslösen
- Ein Ticket im Change-Management-System erstellen
- Das zuständige Team über den prognostizierten Kapazitätsbedarf informieren
- Eine Empfehlung für das Cost-Optimum zwischen Autoscaling und Reserved-Instances erstellen
Wichtig: Automatisches Provisioning sollte mit menschlicher Überprüfung oder zumindest klaren Schwellenwerten kombiniert werden. Vollautomatisches Skalieren ohne Governance-Mechanismen kann zu unerwarteten Kosten führen.
Kostentransparenz durch KI
Capacity Planning und Kostenplanung sind untrennbar verbunden. KI-gestützte Systeme können nicht nur den Ressourcenbedarf prognostizieren, sondern auch die Kosten dafür transparent machen – inklusive des Vergleichs verschiedener Optionen: Autoscaling vs. Reserved Capacity, Multi-Cloud-Verteilung, Spot-Instance-Nutzung für nicht-kritische Workloads. Das gibt IT-Teams und Engineering-Managern eine gemeinsame Grundlage für Kapazitäts- und Budgetentscheidungen.
Herausforderungen bei der Einführung
Die Einführung KI-gestützter Capacity-Planning-Systeme ist kein Plug-and-Play-Prozess. IT-Teams sollten folgende Herausforderungen einplanen:
- Datenqualität und -kontinuität: ML-Modelle benötigen lange, konsistente Zeitreihen. Lücken in der Metrik-Historie, Umbenennungen von Services oder Infrastrukturwechsel können Modelle stören.
- Modellpflege: Geschäftsmodelle ändern sich, Nutzungsmuster wandeln sich. KI-Modelle müssen regelmäßig neu trainiert oder zumindest validiert werden, um nicht auf veralteten Annahmen zu basieren.
- Organisatorische Akzeptanz: Engineering-Teams müssen Capacity-Prognosen vertrauen, bevor sie Entscheidungen darauf basieren. Das erfordert Erklärbarkeit der Modelle und eine Eingewöhnungsphase mit manueller Überprüfung.
Fazit
KI-gestütztes Capacity Planning ist eine der reifsten Anwendungen von Machine Learning in der IT-Operations. Es schafft echten Mehrwert: weniger reaktive Notfall-Skalierungen, bessere Ressourcenauslastung, niedrigere Infrastrukturkosten und höhere Servicequalität. SRE-Teams, die heute in Prognose-Fähigkeiten investieren, schaffen die Grundlage für eine Reliability-Kultur, die nicht von kurzfristigen Krisen getrieben wird, sondern vorausschauend plant. Das ist der Übergang von reaktivem Betrieb zur echten Site Reliability Engineering.
Quellen: Google SRE Workbook – Capacity Planning; Gartner – AIOps Market Guide 2025; AWS Blog – Predictive Scaling with Machine Learning; Datadog – The State of Cloud Costs 2026
