Postmortems: Wertvolles Wissen, das oft ungenutzt bleibt
Nach jedem größeren Incident folgt das Postmortem: Eine strukturierte Analyse, was schiefgelaufen ist, warum es schiefgelaufen ist und wie ähnliche Vorfälle in Zukunft verhindert werden können. In gut geführten Engineering-Teams entstehen dabei detaillierte Dokumente – Timeline, Contributing Factors, Action Items.
Das Problem: Dieses Wissen bleibt oft in Dokumenten-Silos liegen. Sechs Monate später erinnert sich niemand mehr an den Vorfall vom letzten Sommer. Neue Teammitglieder haben keinen Zugang zu dieser institutionellen Geschichte. Und wenn ein ähnlicher Incident eintritt, wird das Rad neu erfunden.
KI-gestützte Postmortem-Analyse verspricht genau hier anzusetzen: Sie macht das in Störungsberichten gespeicherte Wissen durchsuchbar, vergleichbar und aktiv nutzbar.
Was KI aus einem Postmortem-Dokument extrahieren kann
Ein Sprachmodell, das auf einem Corpus von Postmortems trainiert oder gegen ihn prompt-gestützt arbeitet, kann verschiedene Arten von Informationen strukturiert herausarbeiten:
- Ursachenklassifizierung: Automatisches Einordnen der Root Cause in Kategorien wie Deployment-Fehler, Konfigurationsproblem, Kapazitätsengpass oder externe Abhängigkeit
- Ähnlichkeitssuche: Identifikation von früheren Incidents mit vergleichbaren Symptomen oder Ursachen
- Action-Item-Extraktion: Automatisches Herausziehen von Handlungsempfehlungen aus Freitext und Prüfung, ob sie jemals umgesetzt wurden
- Zeitmuster: Erkennung, ob bestimmte Incident-Typen gehäuft zu bestimmten Zeiten auftreten
- Team-Signale: Welche Teams waren am häufigsten beteiligt, welche Systeme sind Dauerquellen von Incidents
Praktische Ansätze für KI-gestützte Postmortem-Auswertung
RAG-basierte Wissensbasis
Retrieval-Augmented Generation (RAG) ermöglicht es, eine Sammlung von Postmortems so aufzubereiten, dass ein Sprachmodell sie durchsuchen und zitieren kann. Bei einem neuen Incident fragt das On-Call-Team die Wissensbasis: "Gibt es ähnliche Fälle wie das, was wir gerade sehen?" Das Modell liefert relevante Postmortems mit Zusammenfassung und Lösungsansatz.
Dieser Ansatz funktioniert besonders gut, wenn Postmortems strukturiert abgelegt werden: einheitliches Format, konsistente Schlagworte, klare Zeitstempel.
Automatische Zusammenfassung und Kategorisierung
Wenn jedes neue Postmortem automatisch zusammengefasst und kategorisiert wird, entsteht über Zeit eine strukturierte Wissensdatenbank ohne manuelle Pflege. Das Modell extrahiert beim Einpflegen bereits: Systemkategorie, Incident-Typ, Hauptursache, Dauer, betroffene Teams und offene Action Items.
Trend-Analyse über Zeiträume
Quartals- oder Jahresreviews profitieren stark von KI-gestützter Aggregation: Welche Ursachenkategorien haben sich gehäuft? Welche Action Items aus vergangenen Postmortems wurden nie implementiert und tauchen als Ursache wieder auf? Solche Muster sind im manuellen Review kaum sichtbar, für ein Sprachmodell aber leicht zu erkennen.
Qualität der Eingabedaten bestimmt die Qualität der Ausgabe
KI-gestützte Postmortem-Analyse steht und fällt mit der Qualität der zugrundeliegenden Dokumente. Teams, die unstrukturierte, lückenhafte oder inkonsistente Postmortems schreiben, werden von KI-Unterstützung wenig profitieren.
Empfehlungen für eine Postmortem-Struktur, die KI-Auswertung ermöglicht:
- Timeline als strukturiertes Format: Timestamp – Ereignis – Handlung – Verantwortliche Person, kein Fließtext
- Ursachen explizit benennen: Nicht nur "Der Service war langsam", sondern "Der Datenbankindex fehlte nach dem Schema-Migration-Fehler vom 08.10."
- Action Items mit Owner und Deadline: Ohne klare Verantwortlichkeit werden Action Items nie umgesetzt und tauchen als Muster in der KI-Analyse auf
- Tags und Metadaten: Betroffene Systeme, Incident-Kategorie und Schweregrad als strukturierte Felder, nicht im Fließtext
Sicherheit und Datenschutz bei der KI-Verarbeitung
Postmortems enthalten oft sensible Informationen: interne Systemarchitekturen, Zugangsdaten (manchmal versehentlich), personenbezogene Daten von Mitarbeitenden im Bereitschaftsdienst oder Kundendaten als Kontext eines Incidents.
Bevor Postmortems an externe KI-Dienste übergeben werden, müssen folgende Fragen beantwortet sein:
- Werden die Daten für das Training des Anbieters genutzt? Falls ja: Opt-out prüfen oder On-Premises-Lösung wählen
- Sind Kundendaten im Dokument enthalten, die DSGVO-relevant sind?
- Welche Mitarbeitenden-Daten sind im Dokument – und ist deren Verarbeitung durch KI mit dem Betriebsrat abgestimmt?
Viele Teams entscheiden sich daher für lokale Deployment-Varianten von Sprachmodellen oder nutzen Enterprise-Verträge mit expliziten Datenverarbeitungsvereinbarungen.
FreshCore als Lernschicht für Incident-Wissen
Monitoring-Plattformen wie FreshCore liefern wichtige Basisdaten für Postmortems: exakte Zeitstempel von Alerts, Verlauf von Uptime-Metriken, DNS-Anomalien, Server-Statusänderungen. Wenn diese Daten strukturiert in Postmortems eingebettet werden, verbessert das die Qualität der KI-Auswertung erheblich.
Ein Heartbeat-Monitor in FreshCore kann beispielsweise dokumentieren, wann ein automatischer Repair-Prozess zuletzt erfolgreich war – ein Detail, das in manuellen Postmortem-Beschreibungen oft fehlt, aber für die Ursachenanalyse entscheidend ist.
Fazit
KI-gestützte Postmortem-Analyse ist kein Ersatz für sorgfältige menschliche Reflexion nach einem Incident. Sie ist ein Werkzeug, das das kollektive Gedächtnis eines Engineering-Teams erweiterbar macht: Erfahrungen aus hundert vergangenen Incidents abrufbar zu halten, Muster sichtbar zu machen und Action Items nicht in Vergessenheit geraten zu lassen. Wer heute in strukturierte Postmortem-Daten investiert, schafft die Grundlage für eine lernende Organisation – mit oder ohne KI-Unterstützung.
Bildquelle: Unsplash / Sigmund
Quellen: Google SRE Workbook (2026 Edition), PagerDuty State of Incident Response 2026, CNCF Observability Working Group
