Microsoft setzt KI-Agenten in Lieferkette und Flottenbetrieb von Azure ein

Lean before AI: erst den Prozess in Ordnung bringen

Borkar beschreibt die Azure-Infrastruktur als zusammenhängendes System, in dem Entscheidungen bei Silizium und Systemdesign beeinflussen, wie Hardware beschafft, installiert und betrieben wird. Ihre Organisation deckt die gesamte Spanne ab, von Systemarchitektur und Design über Lieferkette und Bereitstellung bis zum Flottenbetrieb, verteilt auf mehr als 80 Azure-Regionen und 500 Rechenzentrumsstandorte.

Die zentrale Lehre laute laut Microsoft, dass eine KI-Transformation bei der Arbeit beginnt und nicht bei der Technologie. Wer KI auf einen fragmentierten Prozess setze, so Borkar, beschleunige womöglich nur die Fragmentierung. Bevor KI hinzukam, haben die Teams ihre Arbeitsabläufe erfasst und vereinfacht, eine gemeinsame Datenbasis mit Qualitäts-, Governance- und Zugriffskontrollen aufgebaut und jene Entscheidungen bestimmt, für die weiterhin Menschen verantwortlich bleiben müssen. Microsoft nennt diesen Ansatz „Lean before AI“.

Bedarfsplanung, Auftragsabwicklung und Logistik

Jeden Monat prognostizieren die Teams der Bedarfsplanung den Infrastrukturbedarf von Azure für Jahre im Voraus und berücksichtigen dabei Kundennachfrage, regionale Anforderungen, installierte Kapazität und Außerbetriebnahmen. Änderte sich ein Plan, konnte die Ursachensuche bedeuten, Informationen aus mehreren Systemen abzugleichen.

Inzwischen setzt Microsoft einen Multi-Agenten-Workflow ein, der Signale wie Verschiebungen im Installationsbestand, regionale Nachfrage und Änderungen bei Außerbetriebnahmen auswertet und den Planern zeigt, was sich wo und warum geändert hat. Arbeiten, die früher fünf bis sieben Werktage dauerten, lassen sich laut Unternehmen jetzt in Stunden erledigen, mitunter in weniger als 20 Minuten. Über mehr als fünf monatliche Planungszyklen hinweg verzeichnete das gesamte Bedarfsplanungsteam rund 50 Prozent weniger manuellen Aufwand, in ausgewählten Workflows sank die Durchlaufzeit um bis zu 75 Prozent.

• Auftragsabwicklung: Ein intelligenter Assistent sammelt Informationen zu Hindernissen bei der Rack-Lieferung sowie zu kompatiblen oder inkompatiblen Materialien und spart bis zu 55 Prozent der Untersuchungszeit.
• Logistik: Ein KI-gestützter Agent führt Daten zu Luft-, Land- und Seewegen zusammen, sodass Teams Geschwindigkeit, Kosten und CO₂-Bilanz gegeneinander abwägen und Emissionen prognostizieren können.

Das Lieferketten-Team bewegt sich nun in Richtung durchgängiger Multi-Agenten-Workflows, die Stücklistenerstellung, Kapazitätsbereitstellung, Ersatzteilmanagement, Capacity Docking sowie Vertriebs- und Betriebsplanung (Sales and Operations Execution) abdecken.

Ausfallprognose für die gesamte Flotte

Sobald Hardware im Einsatz ist, rückt die Zuverlässigkeit über Millionen von Knoten in den Mittelpunkt. Microsoft will das Flottenmanagement nach eigenen Angaben vom reaktiven Krisenmodus zu einem geschlossenen Regelkreis weiterentwickeln, der Defekte verhindert, Ausfälle vorhersagt und Hardware automatisch wieder in Betrieb nimmt, wobei die Ingenieure die Kontrolle über Produktionsentscheidungen behalten.

Die Azure-Ausfallprognose und -erkennung nutzt KI, um Telemetriedaten der Flotte zu analysieren und sich abzeichnende Ausfallmuster früher zu erkennen. Microsoft meldet 92 Prozent weniger festplattenbedingte Unterbrechungen virtueller Maschinen und 53 Prozent kürzere Reparaturzeiten bei außer Betrieb genommenen Knoten. Für Rack-Manager liefert die Prognose bis zu drei Tage Vorwarnzeit, was eine proaktive Wiederherstellung ermöglicht und Reparaturen bei außer Betrieb genommenen Systemen um 40 Prozent senkt.

Außerdem prüft das Unternehmen seine Flotte regelmäßig, um Hardware zu finden, die anfällig für stille Datenkorruption (Silent Data Corruption) ist, bevor Kunden-Workloads darauf laufen. Zudem entstehen Workflows, die den Kontext erhalten, während fehlerhafte Hardware Untersuchung und Wiederherstellung durchläuft, und dabei Zuständigkeit, Maßnahme, Ergebnis und nächsten Schritt festhalten, mit Richtlinien und Freigabekontrollen für Eingriffe in die Flotte.

Ein Lernkreislauf und Lehren aus Fehlschlägen

Der größere Nutzen liegt laut Borkar in der Verknüpfung dieser Bausteine. Die Bedarfsplanung beeinflusst die Beschaffung, die Logistik bestimmt, wann Kapazität im Rechenzentrum eintrifft, und die Telemetrie der Flotte liefert eine weitere Lernquelle. Diese Erkenntnisse können in die nächste Generation von Silizium, System- und Rack-Design einfließen und Zulieferern Informationen für bessere künftige Komponenten geben.

Microsoft berichtet auch, was nicht funktioniert hat. Wer KI auf einen Teil eines fragmentierten Prozesses anwendet, kann diese Aufgabe beschleunigen und zugleich anderswo Mehrarbeit erzeugen, etwa wenn ein nachgelagertes Team die Ausgabe eines Agenten von Hand interpretieren oder umformatieren muss. Das hat verändert, wie das Unternehmen Erfolg misst: Die Teams betrachten nun den gesamten Workflow, also wegfallende Arbeit, neu entstehende Arbeit und die Qualität der Entscheidung, statt nur die Aufgabe, die ein Agent übernimmt.

Für Azure-Kunden lautet das erklärte Ziel eine zuverlässigere Infrastruktur, bei der weniger Unterbrechungen ihre Workloads erreichen. Die Zahlen stammen aus Microsofts eigener Berichterstattung und wurden nicht unabhängig überprüft.