Unser ursprünglicher ADC09-Beitrag enthält eine pragmatische Feststellung: Nicht alle Anwendungen lassen sich ohne Weiteres in standardisierte Bereitstellungsmodelle einordnen. Einige erfordern individuelles Routing, spezialisierte Integrationen oder eine besondere Handhabung, die über die standardmäßigen Lastverteilungs- und Sicherheitsmuster hinausgeht. Die Schlussfolgerung ist ebenso pragmatisch: Wenn Sie versuchen, jede Anwendung in dasselbe Schema zu pressen, beeinträchtigen Sie entweder ihre Funktionsfähigkeit oder verursachen zusätzlichen Betriebsaufwand. Die Lösung war schon immer eine programmierbare Bereitstellungsebene, die Anpassungen ermöglicht, ohne alles neu schreiben zu müssen.
Diese Prämisse gilt nach wie vor.
Was sich geändert hat: KI hat die Zahl der Anwendungen, die sich auf diese Weise verhalten, drastisch erhöht. Was früher Randfälle waren, wird schnell zur Norm.
KI-Systeme sind nicht statisch. Sie sind modular aufgebaut, kontextgesteuert und erfüllen Anfragen zunehmend autonom. Das bedeutet, dass „maßgeschneidert“ nicht länger nur ein Merkmal einiger weniger Anwendungen ist, sondern ein Merkmal der Architektur selbst.
Auswirkungen individueller Anforderungen an KI-Anwendungen
Auswirkungen auf die Verfügbarkeit
In herkömmlichen Systemen erschwerten individuelle Anforderungen häufig die Verfügbarkeit, da sie benutzerdefinierte Logik für Routing und Failover mit sich brachten. Standardmuster setzen ein vorhersehbares Verhalten voraus. Weicht eine Anwendung davon ab, müssen die Verfügbarkeitsstrategien entsprechend angepasst werden.
KI verlagert die Herausforderung von der Weiterleitung von Anfragen hin zum Treffen von Entscheidungen.
Eine Anfrage an ein KI-System ist keine einfache Transaktion. Sie kann die Auswahl eines Modells, das Abrufen von Kontext, die Anwendung von Richtlinien, die Generierung einer Antwort und möglicherweise den Aufruf zusätzlicher Dienste oder Tools umfassen. Jeder dieser Schritte kann unabhängig von den anderen erfolgreich sein oder fehlschlagen und unterschiedlichen Einschränkungen wie Latenzgrenzwerten, Kostenlimits oder regulatorischen Anforderungen unterliegen.
Das bedeutet, dass es bei der Verfügbarkeit nicht mehr nur darum geht, ob ein Endpunkt erreichbar ist. Entscheidend ist vielmehr, ob das System die gesamte Kette von Entscheidungen, die zur Bearbeitung der Anfrage erforderlich sind, erfolgreich ausführen kann.
Es kann vorkommen, dass in einem System jede Komponente technisch einwandfrei funktioniert, die Anwendung jedoch keine Antwort liefern kann. Ein Modell ist möglicherweise verfügbar, darf aber für einen bestimmten Datensatz nicht verwendet werden. Ein Abrufschritt kann Daten zurückgeben, die aufgrund von Richtlinien nicht verwendet werden dürfen. Ein Agent kann einen Workflow starten, ihn aber nicht abschließen, weil eine erforderliche Aktion blockiert ist.
Dadurch entsteht eine andere Art von Herausforderung für die Verfügbarkeit. Bei herkömmlichen Failover-Mechanismen wird davon ausgegangen, dass sich die Anfrage an eine andere Stelle weiterleiten lässt. In KI-Systemen muss jedoch häufig ein alternativer Weg gefunden werden, um die Aufgabe abzuschließen. Dies erfordert eine dynamische Entscheidungsfindung in der Bereitstellungsschicht und nicht nur Redundanz in der Infrastruktur.
Auswirkungen auf die Skalierbarkeit
Der ursprüngliche Eintrag verdeutlicht, wie schwierig es ist, Anwendungen zu skalieren, die auf maßgeschneiderten Integrationen basieren. Jede zusätzliche Abhängigkeit erhöht die Komplexität, und die Skalierung erfordert häufig zusätzlichen Entwicklungsaufwand, um diese Integrationen effektiv zu verwalten. KI verstärkt diesen Effekt, da sie von Grund auf auf der Kombination verschiedener Komponenten beruht.
Eine KI-gestützte Anwendung kann auf mehreren Modellen, Vektordatenbanken, APIs und externen Datenquellen basieren. Die Kombination dieser Elemente ist nicht fest vorgegeben. Sie kann sich je nach Anfrage, Nutzer oder Kontext ändern. Diese Variabilität wird zum entscheidenden Faktor für die Skalierbarkeit.
Bei der Skalierung geht es nicht mehr nur darum, mehr Anfragen pro Sekunde zu verarbeiten. Vielmehr müssen pro Anfrage mehr Kombinationen unterschiedlicher Verhaltensweisen bewältigt werden.
Wenn jede Variante im Anwendungscode implementiert werden muss, wird das System schnell unüberschaubar. Änderungen werden riskant, Bereitstellungen verlangsamen sich und die Anwendung wird zu einem Flickenteppich aus bedingter Logik.
Damit wird derselbe Lösungsansatz wie bei herkömmlichen Anwendungen noch wichtiger. Die Variabilität wird aus der Anwendung heraus in die Bereitstellungsschicht verlagert. Aus Routing-Entscheidungen werden Orchestrierungsentscheidungen. Die Einbindung von Diensten wird zur dynamischen Komposition. Die Bereitstellungsschicht übernimmt die Aufgabe, für jede Anfrage die passende Kombination von Komponenten auszuwählen.
Ohne diesen Wandel bricht die Skalierbarkeit unter der Last ihrer eigenen Komplexität zusammen.
Auswirkungen auf die betriebliche Effizienz
Individuelle Anforderungen haben den Betriebsaufwand schon immer erhöht. Jede Ausnahme muss gepflegt werden. Jede Anpassung schafft eine weitere potenzielle Fehlerquelle. Mit der Zeit entsteht so ein System, das schwieriger zu verwalten ist und sich langsamer weiterentwickeln lässt. Das sind betriebliche Altlasten, deren Anhäufung durch KI beschleunigt wird.
Das System verarbeitet nicht mehr nur vordefinierte Abläufe, sondern erzeugt sie selbst. Unterschiedliche Prompts können unterschiedliche Ausführungspfade auslösen. Agenten können Aktionen auf eine Weise miteinander verknüpfen, die nicht im Voraus explizit konzipiert wurde. Regelmäßig werden neue Modelle und Dienste eingeführt, die jeweils eigene Merkmale und Einschränkungen aufweisen.
Dadurch entsteht ein ständiger Strom von Veränderungen, den Betriebsteams berücksichtigen müssen.
Wenn sich diese Schwankungen nur durch Änderungen am Anwendungscode oder durch Aktualisierungen statischer Konfigurationen bewältigen lassen, wird das System anfällig. Die Teams verbringen ihre Zeit damit, auf Sonderfälle zu reagieren, anstatt das System als Ganzes zu verwalten. Zwischen den Umgebungen entstehen Inkonsistenzen. Das Verhalten driftet auseinander.
Die betriebliche Effizienz hängt somit davon ab, ob sich die Kontrolle über diese Variabilität zentralisieren lässt. Die Bereitstellungsschicht muss stabilisierend wirken, Unterschiede ausgleichen und in einem ansonsten dynamischen System einheitliche Richtlinien durchsetzen. Andernfalls führen individuelle Lösungen schnell ins Chaos.
Best Practices für die Verwaltung individueller Anforderungen
Programmierbarkeit als zentrale Kernfunktion
Programmierbarkeit bleibt der Schlüssel zur Umsetzung individueller Anforderungen – ob für KI, traditionelle oder moderne Technologien oder <hier die nächste Generation einfügen>. Anstatt die Logik fest in Anwendungen zu verankern, wird eine programmierbare Schicht in den Bereitstellungspfad integriert, die sich an unterschiedliche Anforderungen anpassen lässt.
Bei KI ist dies unerlässlich, da sich KI-Systeme schnell weiterentwickeln. Neue Modelle werden eingeführt, Richtlinien ändern sich, Datenquellen verlagern sich und neue Interaktionsmuster entstehen. All das lässt sich zum Zeitpunkt der Entwicklung nicht vorhersehen, und Sie können es sich nicht leisten, Anwendungen bei jeder Änderung neu zu erstellen.
Eine programmierbare Bereitstellungsschicht ermöglicht es Ihnen, Anpassungen direkt im laufenden System vorzunehmen. Sie können Anfragen prüfen, kontextabhängiges Routing anwenden, Ein- und Ausgaben ändern und Dienste nach Bedarf hinzufügen oder entfernen. Noch wichtiger ist, dass Sie dies anwendungsübergreifend einheitlich umsetzen können.
An diesem Punkt ähnelt die Anwendungsbereitstellung weniger einer reinen Infrastrukturaufgabe und mehr einer Steuerungsebene. Es geht nicht nur darum, Datenverkehr weiterzuleiten. Vielmehr wird gezielt beeinflusst, wie sich das System verhält.
Die Datenverkehrssteuerung wird zur Entscheidungsweiterleitung
Bei der herkömmlichen Anwendungsbereitstellung liegt der Schwerpunkt darauf, den Datenverkehr an das richtige Ziel zu leiten. Bisher lautete die Frage stets: „Wohin soll diese Anfrage weitergeleitet werden?“ KI macht daraus eine differenziertere Frage: „Wie lässt sich diese Anfrage am besten erfüllen?“
Manchmal bedeutet das, anhand von Latenz, Kosten oder Compliance-Anforderungen zwischen mehreren Modellen auszuwählen. In anderen Fällen wird die Anfrage um zusätzlichen Kontext angereichert, bevor sie an ein Modell gesendet wird. Manchmal wird die KI auch vollständig umgangen und die Anfrage an einen deterministischen Dienst weitergeleitet, der eine präzisere oder regelkonforme Antwort liefern kann.
Bei der Entscheidung geht es nicht mehr nur um den Standort, sondern um die Ausführung.
Dieser Wandel macht das Routing zu einer übergeordneten Funktion. Es ist nun dafür verantwortlich, aus einer Reihe möglicher Funktionen den Pfad auszuwählen, den die Anfrage durchlaufen soll. Das bedeutet auch, dass die Bereitstellungsschicht nicht nur Einblick in die Netzwerkbedingungen benötigt. Sie muss auch Richtlinien, Kontext und gewünschte Ergebnisse berücksichtigen.
Dies ist eine natürliche Weiterentwicklung dessen, wofür ADC09 schon immer eingetreten ist. Wenn Anwendungen besondere Anforderungen haben, muss sich die Bereitstellungsschicht entsprechend anpassen. KI hebt lediglich die Ebene an, auf der diese Anpassung erfolgt.
Fazit
Programmierbarkeit als Fähigkeit trägt seit jeher einer einfachen Tatsache Rechnung: Anwendungen sind nicht einheitlich, und die Infrastruktur muss ihren Unterschieden gerecht werden. An dieser Tatsache hat sich nichts geändert.
KI erhöht sowohl die Häufigkeit als auch die Komplexität dieser Unterschiede. Systeme werden dynamischer, modularer und stärker von Entscheidungen zur Laufzeit abhängig. Die Vorstellung eines „standardisierten“ Anwendungspfads lässt sich immer schwerer aufrechterhalten.
Die Antwort ist dieselbe wie eh und je, doch sie ist dringlicher geworden.
Sie benötigen Programmierbarkeit in der Bereitstellungsschicht. Sie benötigen eine zentrale Kontrolle darüber, wie Anfragen verarbeitet, weitergeleitet und erfüllt werden. Und Sie müssen sich an neue Anforderungen anpassen können, ohne bei jeder Änderung Anwendungen neu schreiben zu müssen.
Denn in einer KI-gesteuerten Architektur sind maßgeschneiderte Lösungen nicht länger eine Ausnahme, die bei der Konzeption gesondert berücksichtigt werden muss.
Es ist das Betriebsmodell, auf das Sie Ihre Architektur ausrichten.
Erfahren Sie mehr über die 10 größten Herausforderungen bei der Anwendungsbereitstellung für Unternehmen weltweit.
Über den Autor
Lori MacVittie ist Distinguished Engineer und Chief Evangelist im Office of the CTO von F5 und verfügt über umfassende Expertise in den Bereichen Anwendungsbereitstellung, Automatisierungsstrategie und Infrastruktur. Sie ist dafür bekannt, Komplexität verständlich zu machen – ob sie Leitplanken für KI-Agenten definiert, fragile Multicloud-Architekturen analysiert oder die Grenzen skalierbarer Systeme auslotet. Sie verfügt über mehr als dreißig Jahre Branchenerfahrung in der Anwendungsentwicklung, IT-Architektur sowie im Netzwerk- und Systembetrieb. Bevor sie zu F5 kam, war sie als mehrfach ausgezeichnete Technologie-Redakteurin tätig. MacVittie hat einen Masterabschluss in Informatik und ist eine produktive Autorin, deren Veröffentlichungen die Bereiche Sicherheit, Cloud und Unternehmensarchitektur abdecken. Außerdem spielt sie leidenschaftlich gern Brett- und Videospiele und vertritt mit voller Überzeugung klare Ansichten zum Thema Käse.
Weitere Blogbeiträge von Lori Mac VittieÄhnliche Blogbeiträge
Top 10 der KI-App-Bereitstellung: Mangelnde Sicherheit und Einhaltung gesetzlicher Vorschriften
KI erweitert Compliance über die Absicherung von Zugriffspfaden und Datenspeichern hinaus auf die Steuerung des Laufzeitverhaltens – einschließlich Modellzugriff, Abrufkontext, Ausgaben und Agentenaktionen. Daher müssen Kontrollen näher an die Inferenz rücken.
Was sind die Top 10 der Anwendungsbereitstellung?
Mit der Top-10-Liste für die Anwendungsbereitstellung möchte F5 Unternehmen dabei unterstützen, Herausforderungen bei der Bereitstellung und Absicherung von Anwendungen, APIs und generativer KI zu bewältigen.
KI-App-Bereitstellung – Top 10: Inkompatible Bereitstellungsrichtlinien
Nicht aufeinander abgestimmte Richtlinien werden zu Auslösern für KI-Ausfälle: Inkonsistente Failover-Mechanismen, Zeitüberschreitungen, Grenzwerte und Sicherheitskontrollen führen zu schleichenden Fehlern, unvollständigen Ergebnissen und je nach Endpunkt unterschiedlichen Resultaten.
Top 10 der KI-Anwendungsbereitstellung: Unzureichender Umgang mit Latenz
KI macht Latenz zu einem Vertrauensproblem und nicht nur zu einer Frage der Performance: Langsame Antworten eines „Assistenten“ wirken wie Zögern oder Versagen, und tokenreiche Prompts und Ausgaben erhöhen den Arbeitsaufwand selbst bei einwandfrei funktionierenden Systemen.
KI-App-Bereitstellung – Top 10: Nicht optimierte Datenverkehrssteuerung
KI stellt herkömmliche Annahmen zur Datenverkehrssteuerung infrage: Backends sind nicht austauschbar, die Kosten variieren und Agenten verzweigen sich unvorhersehbar – daher muss das Routing Modell, GPU-Zustand und Datenlokalität berücksichtigen.
KI-App-Bereitstellung – Top 10: Unzureichende Datenverkehrskontrollen
Herkömmliche Ratenbegrenzungen und Drosselungsmechanismen erfassen das tatsächliche Schadensausmaß nicht. KI-Workloads verteilen sich auf Modelle, Vektordatenbanken und Dienste und führen so zu Latenzspitzen, kaskadierenden Ausfällen und wiederholten Anfragen.