--- title: Gremlin stellt Foresight AI für die Zuverlässigkeitsprüfung von Systemen bereit url: https://www.elseif.net/de/gremlin-stellt-foresight-ai-fur-die-zuverlassigkeitsprufung-von-systemen-bereit published: 2026-10-14T07:09:35+00:00 language: de section: Agenten source: https://www.infoq.com/news/2026/10/gremlin-foresight-ai/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global organizations: Gremlin, Intellyx, Google Cloud, Wix, Cloudflare, Amplify Partners publisher: elseif --- # Gremlin stellt Foresight AI für die Zuverlässigkeitsprüfung von Systemen bereit Gremlin hat die allgemeine Verfügbarkeit von Foresight AI angekündigt, einem agentischen Produkt, das Dienstleistungen auf potenzielle Ausfälle analysiert, Änderungen empfiehlt und Tests erneut ausführt, um zu überprüfen, ob eine Korrektur funktioniert. Das Produkt ist als Zusatzmodul für die Gremlin-Plattform verfügbar. Foresight AI ist so konzipiert, dass es Zuverlässigkeitsprüfungen durchführt, ohne dass jeder Entwickler zum Spezialisten für verteilte Systeme werden muss. Gremlin positioniert das Produkt als Antwort auf die schnellere, KI-gestützte Softwareentwicklung. Der CEO und Mitgründer von Gremlin argumentiert, dass mehr Code ohne enge menschliche Prüfung in die Produktion gelangt. Das Produkt teilt die Arbeit zwischen vier Agentenrollen auf. Ein Analyst sammelt Servicedaten und empfiehlt Tests, während ein Tester diese plant und ausführt. Ein Operator interpretiert fehlgeschlagene Tests und schlägt Maßnahmen zur Behebung vor. Ein technischer Programmmanager verfolgt die Testabdeckung, Zuverlässigkeitsrisiken und Verpflichtungen über Teams hinweg. Diese Rolle kann wöchentliche Berichte erstellen und Updates über Slack senden. Die Empfehlungen von Foresight AI basieren auf dem Failure Atlas von Gremlin. Das Unternehmen beschreibt dies als eine proprietäre Aufzeichnung, die aus Millionen von Fehlereinsprühungsexperimenten über mehr als zehn Jahre hinweg in zehntausenden von verteilten Systemen stammt. Gremlin erklärt, dass Systemdaten nicht verwendet werden, um ein großes Sprachmodell zu trainieren. Stattdessen nutzen die Agenten Plattformdaten und den Failure Atlas für Entscheidungen, wobei ein großes Sprachmodell für die Suche, Zusammenfassung und Erklärung von Ergebnissen eingesetzt wird. Die wichtigste technische Unterscheidung ist der geschlossene Validierungskreislauf. Wenn ein Test eine Schwäche aufdeckt, schlägt der Dienst eine Änderung vor und führt den ursprünglichen Test erneut aus. Gremlin erklärt, dass Foresight AI weder einen Test ausführt noch eine Behebung anwendet, ohne dass eine Genehmigung vorliegt. Dies hält einen Ingenieur für Änderungen verantwortlich, während viel der Analyse und Wiederholung darum herum automatisiert wird. Der Dienst erstellt auch Berichte und Dashboards aus Anfragen in natürlicher Sprache. Diese können Diagramme, Tabellen, Registerkarten und Links enthalten und sollen Änderungen in den Zuverlässigkeitswerten und die behandelten Risiken zeigen. Dies löst ein bekanntes Problem für Zuverlässigkeitsteams, da vermiedene Vorfälle nicht dieselben sichtbaren Beweise liefern wie Ausfälle. Ein Analyst von Intellyx beschreibt Beobachtungs- und KI-SRE-Produkte als nützlich, aber weitgehend reaktiv. Er argumentiert, dass sie normalerweise mit Telemetrie aus einem bereits eingetretenen Problem beginnen. Die Fehlereinsprühung geht einen anderen Weg, indem sie kontrollierte Fehlerbedingungen vor einem Vorfall erzeugt und aufzeichnet, wie ein Dienst darauf reagiert. Der Analyst warnt auch, dass ein Zuverlässigkeitsprogramm nicht einfach als Softwarepaket installiert werden kann. Nachhaltige Ergebnisse erfordern weiterhin eine gemeinsame Verantwortung und Rechenschaftspflicht über Ingenieurwesen und Management hinweg. Die Veröffentlichung steht neben anderen Bemühungen, automatisierte Resilienzprüfungen in Lieferpipelines zu bringen. Die Chaos-Engineering-Empfehlungen von Google Cloud empfehlen realistische Fehlerbedingungen, begrenzte Schadensumfänge und kontinuierliche Automatisierung. Wix hat auch beschrieben, wie KI in CI/CD für die Loginterpretation und Korrekturvorschläge verwendet wird, während Entscheidungen über die Bereitstellung und kritische Infrastruktur unter menschlicher Kontrolle bleiben. Diese Kontrollen ähneln der Genehmigungsgrenze in Foresight AI. Sie unterscheiden sich auch von autonomeren Modellen. Der Vorschlag für den Agent Development Lifecycle von Cloudflare stellt sich beispielsweise vor, dass Agenten mehr von Testen, Bereitstellung und Wartung verwalten. Gremlin verfolgt derzeit einen beaufsichtigten Ansatz, bei dem Agenten Tests und Änderungen vorschlagen, während Menschen diese genehmigen müssen. Ein Ingenieur argumentierte in einer breiteren Diskussion, dass Organisationen weiterhin Spezialisten benötigen, um Agenten zu konfigurieren, ihr Verhalten durch Metriken zu bewerten und sie anzupassen, wenn sich Modelle und Infrastruktur ändern. Dies stellt einen nützlichen Test für das beaufsichtigte Modell von Gremlin dar. Automatisierung kann wiederholige Arbeit reduzieren, aber sie schafft auch ein neues System, das Zuverlässigkeitsingenieure bewerten müssen. Ein General Partner von Amplify Partners verglich Foresight AI mit einem Trainer, der die Wiederholungen für einen ausführt. Dieser Kommentar erfasst den Schwerpunkt des Produkts auf wiederholtem Testen, obwohl die bisher vorgelegten Beweise von Gremlin und seinem Beta-Programm stammen. Das Unternehmen hat keine vergleichenden Genauigkeitsdaten, Falsch-Positiv-Raten oder detaillierte Beta-Ergebnisse veröffentlicht. Gremlin wurde von Ingenieuren mit Erfahrung bei Amazon und Netflix gegründet. Der CEO arbeitete zuvor an der Zuverlässigkeit bei beiden Unternehmen, während Chaos Monkey von Netflix die automatisierte Fehlereinsprühung popularisierte. Foresight AI erweitert diesen Ansatz vom Ausführen von Experimenten hin zur Auswahl von Tests, zur Interpretation ihrer Ergebnisse, zum Vorschlagen von Korrekturen und zur Überprüfung dieser Korrekturen über die Zeit. Diese Veröffentlichung folgt einer erfolgreichen Beta-Phase, in der die Technologie die Fähigkeit demonstrierte, Zuverlässigkeitsrisiken zu identifizieren und zu beheben, bevor sie Vorfälle verursachen.