Resolve AI revolutioniert die KI-gestützte Fehlerbehebung in Echtzeit

Die rasante Verbreitung von KI-gestützter Codegenerierung hat die Softwareentwicklung revolutioniert. Doch während Entwicklerteams heute deutlich mehr Code produzieren als noch vor zwei Jahren, bleibt die Fehlerbehebung in Produktionsumgebungen eine manuelle und oft zeitraubende Herausforderung. Das kalifornische Startup Resolve AI, das kürzlich eine Finanzierung von 125 Millionen US-Dollar bei einer Bewertung von einer Milliarde US-Dollar abschließen konnte, setzt nun mit einer innovativen Plattform neue Maßstäbe für die Automatisierung von Incident-Response-Prozessen.

Mit der jüngsten Erweiterung seines Portfolios führt Resolve AI ein völlig neues Konzept ein: ein Team spezialisierter KI-Agenten, die gemeinsam und in Echtzeit Produktionsausfälle analysieren. Während herkömmliche Lösungen oft einen einzelnen Agenten einsetzen, der ähnlich wie ein menschlicher On-Call-Engineer agiert, setzt die neue Architektur auf eine koordinierte Zusammenarbeit mehrerer Agenten. Diese spezialisieren sich auf unterschiedliche Aspekte der Fehlerdiagnose, überprüfen gegenseitig ihre Hypothesen und bauen vollständige Kausalketten von der Ursache bis zur sichtbaren Störung auf. Laut internen Benchmarks des Unternehmens führt dieses System zu einer mehr als zweifachen Steigerung der Genauigkeit bei der Ursachenanalyse im Vergleich zu früheren Versionen.

„Stellen Sie sich einen einzelnen Agenten vor, der wie ein menschlicher On-Call-Engineer arbeitet“, erklärt Spiros Xanthos, CEO und Mitgründer von Resolve AI, im exklusiven Gespräch mit VentureBeat. „Unsere neue Plattform setzt stattdessen ein ganzes Team von Agenten ein, die ähnlich wie ein menschliches Debugging-Team zusammenarbeiten. Das hat die Qualität der Ergebnisse verdoppelt.“

Echte Testfälle belegen die Leistungsfähigkeit der KI-Agenten

Die behauptete Genauigkeitssteigerung von 200 % klingt beeindruckend – doch wie wird sie gemessen? Xanthos betont, dass die Evaluierung auf intern entwickelten Benchmarks basiert, die komplexe, realistische Szenarien abbilden. Diese Tests umfassen Hunderten von Fällen, die typische Produktionsausfälle bei großen Technologieunternehmen simulieren. Dazu gehören Beispiele aus Unternehmen wie Coinbase, Salesforce, DoorDash und Zscaler, die alle zu den Kunden von Resolve AI zählen.

„Diese Tests sind extrem anspruchsvoll und spiegeln die Komplexität wider, mit der unsere Enterprise-Kunden täglich konfrontiert sind“, so Xanthos. „Es handelt sich nicht um Kundendaten, sondern um künstlich erzeugte Szenarien, die reale Herausforderungen nachbilden.“ Die Agenten des Systems agieren nun als erste Ansprechpartner für jede Produktionsstörung und können innerhalb von fünf Minuten eine erste Einschätzung liefern – noch bevor ein menschlicher Ingenieur überhaupt involviert ist. DoorDash konnte durch den Einsatz der Lösung die Zeit bis zur Ursachenfindung um bis zu 87 % reduzieren, wie das Unternehmen bereits öffentlich kommuniziert hat.

„Wenn ein Problem auftritt, kann es mehrere Minuten dauern, bis ein Ingenieur seinen Laptop startet und sich verbindet“, erklärt Xanthos. „Die durchschnittliche Mean Time to Repair (MTTR) liegt oft im Bereich von mehreren zehn Minuten, manchmal sogar Stunden – je nach Schweregrad. Eine Verbesserung von über 80 % bedeutet, dass der Prozess vier- bis fünfmal schneller abläuft. Das ist ein Quantensprung, den wir mit KI, Tools oder Observability allein nie erreicht hätten.“

Wie KI-Agenten sich gegenseitig überprüfen und Halluzinationen vermeiden

Ein zentrales Risiko beim Einsatz von Large Language Models (LLMs) in hochkritischen Umgebungen ist ihre Neigung, plausible, aber falsche Antworten zu generieren. Im Kontext eines laufenden Produktionsausfalls könnte eine solche Fehlleitung dazu führen, dass ein Team wertvolle Zeit mit der Suche nach einer nicht existierenden Ursache verschwendet, während die Störung weiter besteht.

Xanthos räumt dieses Problem offen ein: „Das ist ein weit verbreitetes Phänomen bei herkömmlichen Modellen. Sie versuchen immer, eine Antwort zu liefern – selbst wenn die Datenlage unzureichend ist. In solchen Fällen geben sie die plausibelste Antwort, die jedoch oft falsch ist.“

Resolve AI begegnet dieser Herausforderung mit einem mehrschichtigen Überprüfungssystem: Jeder Agent, der eine Hypothese untersucht, muss jede verwendete Beweisquelle explizit zitieren und diese einem zweiten Agenten zur unabhängigen Prüfung vorlegen. Zudem muss der untersuchende Agent eine vollständige Kausalkette konstruieren, während andere Agenten aktiv nach Lücken in der Argumentation suchen, um die Theorie zu widerlegen.

„Oft widerlegen die Agenten sich gegenseitig, weil sie Lücken in der Logik finden“, erklärt Xanthos. „Es gibt mehrere Ebenen der Verteidigung und agentenbasierten Kontrollen, die sicherstellen, dass Resolve AI zuverlässig arbeitet und keine irreführenden Schlussfolgerungen zieht.“

Ein weiterer entscheidender Aspekt ist die Fähigkeit des Systems, Unsicherheit transparent zu kommunizieren. „Der Maßstab, um zu behaupten, ‚Ich habe die Lösung‘, ist extrem hoch“, betont Xanthos. „In Fällen, in denen keine eindeutige Ursache gefunden wird, gibt das System folgende Rückmeldung: ‚Hier sind die Beweise, die ich gefunden habe. Es gibt drei oder vier mögliche Ansätze, aber ich konnte das Problem nicht vollständig beweisen.‘ Ein System, das in Produktionsumgebungen eingesetzt wird, darf kein ‚Black Box‘-Verhalten an den Tag legen.“ In Bereichen, in denen falsche Antworten direkte operative Konsequenzen haben, ist eine gut kalibrierte Unsicherheit wertvoller als eine selbstsichere, aber fehlerhafte Aussage.

Hintergrund-Agenten: KI-Systeme, die nie „Off-Duty“ gehen

Neben der Incident-Response erweitert Resolve AI sein Portfolio um eine neue Klasse von Hintergrund-Agenten, die kontinuierlich Produktionsumgebungen überwachen. Diese Agenten arbeiten im Hintergrund, ohne jemals „Off-Duty“ zu gehen, und erkennen potenzielle Probleme, bevor sie zu kritischen Ausfällen eskalieren.

Die Plattform integriert sich nahtlos in bestehende Entwicklungs- und Operations-Workflows und ermöglicht es Engineering-Teams, mit KI-Agenten in Echtzeit zusammenzuarbeiten. Durch die Kombination aus präventiver Überwachung und automatisierter Fehlerbehebung sollen Unternehmen nicht nur Ausfallzeiten reduzieren, sondern auch die Effizienz ihrer Teams steigern. Die neue Architektur markiert damit einen wichtigen Schritt in Richtung einer vollständig automatisierten, KI-gestützten Softwarewartung – eine Vision, die Resolve AI mit seiner jüngsten Innovation ein Stück näher rückt.

Die Zukunft der Softwareentwicklung wird zunehmend von KI geprägt sein – nicht nur in der Erstellung von Code, sondern auch in dessen Wartung und Fehlerbehebung. Mit Plattformen wie der von Resolve AI könnte die Ära der manuellen On-Call-Schichten bald der Vergangenheit angehören.