Cornerstone OnDemand verkürzt Datenbankdiagnose mit Orion AI auf Amazon Bedrock um 78 Prozent

Von reaktivem Krisenmanagement zu koordinierten Agenten

Cornerstone OnDemand, Inc. bezeichnet sich als weltweit führenden Anbieter von Lösungen für die Qualifizierung von Belegschaften und betreut 140 Millionen Nutzer in 186 Ländern. Das Enterprise-DataOps-Team arbeitete laut dem AWS-Beitrag bislang reaktiv. Die Untersuchung eines Datenbank-Performanceproblems dauerte pro Vorfall rund 45 Minuten und verteilte sich auf mehrere Tools und Systemansichten.

Der Beitrag nennt vier wiederkehrende Schwachstellen:

• Untersuchungen von Datenbank-Performanceproblemen dauerten pro Vorfall etwa 45 Minuten.
• Workflows im Datenbank-Lebenszyklus erforderten zehn oder mehr manuelle Schritte, vom Verbindungsaufbau bis zur Statusmeldung.
• Das Reporting zwischen dem Site-Reliability-Engineering-Team (SRE) und dem Datenteam lief mit 15 Minuten Verzögerung.
• Redundante und sich überschneidende Alarme erzeugten Rauschen, das die wichtigen Signale überdeckte.

Die Folge: Ingenieure verbrachten ihre Zeit mit manueller Koordination, statt Probleme zu lösen.

So funktioniert Orion AI

Orion AI ist ein Multi-Agenten-System, in dem ein koordinierender Agent, der Meta-Orchestrator, Aufgaben in einer Hub-and-Spoke-Topologie an spezialisierte untergeordnete Agenten delegiert. Ingenieure nutzen es über eine Webanwendung, in der sie Fragen stellen und Aktionen freigeben. Die Agenten decken Infrastrukturüberwachung, Datenbankdiagnose, Operationen im Datenbank-Lebenszyklus, Kundenanalysen und wissensbasierten Support ab. Insgesamt setzt Orion AI 13 domänenspezifische Agenten ein.

Amazon Bedrock stellt den verwalteten Zugang zu Foundation-Modellen bereit, die Orchestrierung übernimmt Strands Agents, ein quelloffenes Framework von AWS für Agenten-Orchestrierung. Die Dienste laufen als Container auf Amazon Elastic Container Service. Zwei Leitprinzipien bestimmten den Aufbau: Datenschutz mit AWS-Kontrollen nach dem Modell der geteilten Verantwortung sowie eine enge Integration in bestehende Betriebswerkzeuge.

Beim Routing versucht das System zuerst einen Abgleich über Schlüsselwörter. Laut dem Beitrag werden rund 80 Prozent der Anfragen über einen In-Memory-Schnellpfad per Schlüsselwort in unter einer Millisekunde aufgelöst. Mehrdeutige Anfragen fallen auf eine semantische Suche mit Amazon Titan Text Embeddings V2 zurück. Wo ein direkter Tool-Aufruf nicht sinnvoll ist, ruft Amazon Bedrock Knowledge Bases die Betriebsdokumentation ab, sodass die Antworten auf freigegebenen Verfahren beruhen.

Gemessene Ergebnisse

Cornerstone nennt folgende Resultate:

• Dauer der Datenbankdiagnose: von 45 auf 10 Minuten, also 78 Prozent schneller.
• Manuelle Schritte im Lebenszyklus: von mehr als 10 Schritten auf 1 Interaktion, eine Reduktion um 70 Prozent.
• Reporting-Verzögerung zwischen SRE- und Datenteam: von 15 Minuten auf sofort.
• Redundante Alarme: Rückgang um 65 Prozent (Median).

Zuvor verbanden sich Ingenieure mit der betroffenen SQL-Server-Instanz, fragten Systemansichten nach Blockierungsketten und Wait-Typen ab, glichen Logs ab, um langlaufende Abfragen einzugrenzen, und korrelierten die Belege zu einer Hypothese über die Ursache. Heute teilen sich drei spezialisierte Agenten die Untersuchung, wobei jeder eine eigene Phase verantwortet. Orion AI ermittelt zudem die Grundursache, empfiehlt eine Korrektur und erstellt ein ausgefülltes Jira-Ticket, das dem richtigen Bereitschaftsingenieur zugewiesen wird. Damit schrumpft eine manuelle Übergabe in vier Schritten auf eine einzige Interaktion.

Bei den Alarmen setzt Orion AI laut dem Beitrag auf Deduplizierung, Schwellenwertfilter und signalübergreifende Korrelation. Von zehn Alarmen, die früher entstanden, erreichen die Ingenieure nur noch drei bis vier, und die Alarme gehen ohne zwischengeschaltete Alarmierungsebene direkt an die zuständigen Teams.

Designprinzipien zur Wiederverwendung

AWS hebt drei Entscheidungen hervor, die sich nach eigener Aussage auf andere Multi-Agenten-Projekte übertragen lassen:

• Agenten nach Domäne trennen, nicht nach Aufgabenkomplexität. Jeder Agent verfügt über eine schmale Auswahl an Tool-Integrationen für eine betriebliche Domäne. Das hält den Kontext des Modells fokussiert und verbessert die Treffsicherheit bei der Tool-Auswahl.
• Standardmäßig Schlüsselwort-Routing, bei Bedarf semantische Suche. So bleibt die Latenz niedrig, ohne bei schwierigeren Anfragen an Korrektheit einzubüßen.
• Konversationsgedächtnis auf Sitzungen begrenzen und bei Live-Metriken umgehen. Betriebliche Fragen lesen stets den aktuellen Systemzustand, was verhindern soll, dass veraltete Daten Echtzeitdiagnosen verfälschen.

In der Umsetzung mit Strands Agents ist der Hub ein einzelner Agent ohne Domänen-Tools, nur mit Routing- und Kontrollfluss-Tools. Die Spokes sind eigenständige Agenten, jeweils mit eigenem Modell, eigenen Domänen-Tools und lokalisiertem System-Prompt.

Was das bedeutet

Der Fall liefert Teams, die Datenbankbetrieb verantworten, eine konkrete Referenz für agentenbasierte Automatisierung, wobei die Zahlen vom Unternehmen selbst stammen. Aus Sicht der Ingenieure beschränkt sich die Arbeit darauf, Orion AI Anweisungen zu geben und die gemeldeten Ergebnisse zu prüfen. Der Beitrag merkt außerdem an, dass ein dreiköpfiges Team das System in sechs Monaten geliefert hat. Das deutet auf den Aufwand hin, den Cornerstone für diesen Ansatz benötigte.