Anthropic hat eine umfassende Post-Mortem-Analyse zu einem mehrstündigen Ausfall des Claude-Dienstes veröffentlicht, von dem weltweit Tausende von Kunden betroffen waren. Das Dokument liefert eine detaillierte technische Erklärung der Grundursache, des Zeitverlaufs, der Auswirkungen und der Abhilfemaßnahmen und veranschaulicht die Engineering-Transparenz, die heute von Anbietern von KI-Diensten im Unternehmensumfeld erwartet wird.

Zeitverlauf des Vorfalls. Der Ausfall begann um 14:23 UTC, als ein Datenbankcluster einen unerwarteten Lastanstieg erlebte: 14:23 dramatischer Anstieg der Latenz der primären Datenbank; 14:31 automatisches Failover auf die Replik ausgelöst; 14:35 auch die Replik überlastet; 14:42 unvorhersehbares Request-Routing durch die Load Balancer; 15:00 vollständiger Ausfall erklärt; 15:30 Grundursache identifiziert; 16:45 Abhilfemaßnahmen und teilweise Wiederherstellung; 18:50 vollständige Wiederherstellung. Gesamtdauer: 4 Stunden 27 Minuten.

Grundursache: kaskadierender Datenbankausfall. Das Post-Mortem identifiziert eine Fehlkonfiguration des Load Balancers als Auslöser: Eine am Vortag ausgerollte Konfigurationsänderung veränderte den Algorithmus zur Traffic-Verteilung und konzentrierte die Anfragen ungleichmäßig auf bestimmte Shards (Last 3- bis 4-mal über dem Normalwert), was kaskadierende Failovers auf unterdimensionierte Repliken auslöste. Kritischer Fehler: Die Änderung wurde ohne Lasttests ausgerollt, die den Produktions-Traffic simulieren.

Unzureichendes Monitoring. Die Analyse deckt blinde Flecken auf: zu hoch angesetzte Alarmschwellen bei der Latenz pro Shard, nicht überwachte Ungleichgewichte in der Lastverteilung, unzureichende Failover-Prüfungen (Replikkapazität wurde nicht verifiziert), Fehlen synthetischer End-to-End-Tests.

Auswirkungen auf Kunden. Etwa 47.000 aktive Nutzer direkt betroffen, 3,2 Millionen API-Anfragen fehlgeschlagen, ~2,1 Mio. USD an potenziellen Umsatzauswirkungen bei Kunden. Betroffen waren Enterprise-API-Kunden, Nutzer der claude.ai-Weboberfläche, mobile Anwendungen sowie Integrationspartner.

Abhilfemaßnahmen und Prävention. Anthropic implementiert: verpflichtende Lasttests für jede Konfigurationsänderung, verbessertes Monitoring (Metriken pro Shard, Tracking der Lastverteilung), verbessertes Failover (Verifizierung der Replikkapazität), circuit breakers (graduelle Degradierung statt vollständigem Ausfall), 40 % Kapazitätsmargen, automatisiertes Rollback sowie Chaos Engineering.

Entschädigung. Anteilig zur Dauer berechnete SLA-Gutschriften, erweiterte Gutschriften als geschäftliche Geste, direkte Kommunikation durch die Account-Teams.

Bedeutung. Das Post-Mortem spiegelt die Engineering-Werte von Anthropic wider: radikale Transparenz, Verantwortlichkeit, eine lernorientierte Haltung, kontinuierliche Verbesserung. Alle großen KI-Anbieter hatten bereits Ausfälle zu verzeichnen (OpenAI, Google, AWS Bedrock); Kunden bewerten zunehmend nicht das Fehlen von Ausfällen, sondern die Qualität der Reaktion darauf. Der Vorfall bestätigt Bedenken auf Unternehmensseite: das Risiko der KI-Abhängigkeit, die Bedeutung von SLAs, Multi-Provider-Strategien und Fallback-Mechanismen.