KI-Ursachenanalyse verlagert sich von Modelllogik zur Kontexttechnik

Eine wachsende Zahl von Observability-Ingenieuren ist der Ansicht, dass die Denkfähigkeit großer Sprachmodelle nicht mehr der Engpass für eine KI-gestützte Ursachenanalyse (Root Cause Analysis, RCA) ist; das drängendere Problem ist die Verarbeitungspipeline, die bestimmt, welche Daten an das Modell übergeben werden. Die meiste KI-RCA-Arbeit lässt sich in zwei Kategorien einteilen: agentenbasierte Designs, die dem Modell Werkzeuge geben, um autonom zu untersuchen, und deterministische Designs, die im Vorfeld Korrelationen zwischen Signalen herstellen und einen vorkonfigurierten Kontext liefern. Die Forschung von Coroot, unter der Leitung des Ingenieurs Nikolay Sivko, unterteilt den Prozess in zwei Aufgaben: das Denken über präsentierte Daten und das "Datenerfassungs-Framework", das entscheidet, welche Daten an das Modell gehen. Coroots Pipeline korreliert Signale zu Erkenntnissen und übergibt sie dem Modell als einen einzigen fokussierten Kontext, wodurch Agentenschleifen vermieden werden und Fehler dem Modell selbst zugeordnet werden können. Sivko baute ein Szenario mit Chaos Mesh NetworkChaos auf, um Latenz zwischen einem Verzeichnisdienst und seiner PostgreSQL-Datenbank zu injizieren, was langsame Abfragen und 502-Fehler mit irreführenden Signalen verursachte. Er testete elf Modelle mit demselben Prompt (ca. 9800 Tokens) und bat jedes, die Ursache, die Kausalkette und eine sofortige Lösung zu liefern. Die Spitzenmodelle Claude Opus 4.8, GPT-5.5 und Gemini 3.1 Pro bestanden und identifizierten das Experiment und die Notwendigkeit, es und seinen Cron-Job zu löschen. Unter den kleineren Modellen war Gemma 4 31B das einzige selbst gehostete Modell, das die Ursache identifizierte, während die größeren Modelle Qwen3.6 35B und Qwen3 Coder Next versagten. Agentenbasierte Ansätze haben Vorteile, wie das Erkennen unerwarteter Signale, aber sie leiden in der Produktion unter Problemen der Debuggbarkeit, wie die Fälle von ZenML und Incident.io zeigen. Viele Praktiker bevorzugen inzwischen deterministische Workflows mit einem schmalen LLM-Schritt wegen der Zuverlässigkeit und geringeren Token-Kosten. Sivko merkt an, dass ein einzelner kurzer Aufruf an Spitzenmodelle nur wenige Cent kostet, da die Korrelationsanalyse vor dem Aufruf durchgeführt wird; er glaubt, dass der Denkteil "im Wesentlichen gelöst" ist und der aktuelle Fokus darauf liegt, den richtigen und kompakten Kontext vorzubereiten. Dies steht im Einklang mit dem breiteren Trend des Kontext-Engineerings, da die Anleitungen von Anthropic, LangChain und Mezmo die Bedeutung eines minimalen, signalschwachen Kontextsatzes für LLM-basiertes Denken und Observability betonen.