HPE Zerto baut agentisches On-Premises-Fehlersuchsystem auf Amazon Bedrock auf

HPE Zerto hat ein agentisches Fehlersuchsystem entwickelt, das in der On-Premises-Umgebung eines Kunden läuft und dabei Amazon Bedrock nutzt, um seine Reasoning-Schicht zu betreiben. Das System verbindet eine natürlichsprachliche Oberfläche mit Live-Disaster-Recovery-Daten, Produktdokumentation und betrieblichen Tools und soll Resilienz-Teams dabei helfen, Probleme zu untersuchen, ohne manuell zwischen Dashboards und Support-Materialien wechseln zu müssen.

Die Architektur, die in einem AWS Machine Learning Blog-Beitrag detailliert beschrieben wird, spiegelt eine praktische Einschränkung für Enterprise-KI wider: Der Modelldienst mag cloudbasiert sein, aber sensible operative Kontexte und die Tool-Ausführung müssen in der Nähe der Kundeninfrastruktur bleiben. HPE Zerto zufolge wird das System als Pod innerhalb des Zerto-Produkts bereitgestellt und über die bestehende Betriebsoberfläche aufgerufen.

Für KI-Entwickler und Enterprise-Technologieteams ist die wichtige Entwicklung weniger ein neuer Chatbot als vielmehr die Grenze, die HPE Zerto um ihn gezogen hat. Agenten können über den aktuellen Zustand der Umgebung nachdenken und relevantes Wissen abrufen, doch ihr Zugriff wird durch lokale APIs, Retrieval-Systeme und Sicherheitskontrollen vermittelt. Dieses Design soll einen KI-Assistenten bei Ausfällen und Konfigurationsproblemen nützlich machen, ohne ein Allzweckmodell zu einem unbeschränkten Operator werden zu lassen.

Eine Multi-Agenten-Ebene, die mit Live-Wiederherstellungsdaten verbunden ist

Laut dem AWS Machine Learning Blog verwendet das System Agenten, die mit Strands Agents erstellt wurden. Diese Agenten laufen als On-Premises-Pod und können auf drei Hauptinformationsquellen zugreifen: lokal gespeicherte Gesprächshistorie, interne Tools und externes Wissensretrieval.

Der interne Werkzeugpfad wird über einen lokalen Model Context Protocol-Server bereitgestellt. Dieser Server ermöglicht strukturierten Zugriff auf Zerto Manager APIs und erlaubt dem Agenten, Live-Informationen aus der Kundenumgebung zu prüfen, statt sich nur auf statische Dokumentation oder die Beschreibung eines Vorfalls durch einen Benutzer zu verlassen.

Der externe Pfad nutzt Amazon Bedrock Knowledge Bases, um öffentliche Dokumentation, Runbooks und anderes Betriebsmaterial abzurufen. Diese Kombination ist bedeutsam, weil die Fehlersuche bei Disaster-Recovery-Systemen normalerweise sowohl den aktuellen Zustand als auch prozeduralen Kontext erfordert. Ein Alarm kann zeigen, was ausfällt, während ein Runbook oder Produktleitfaden die sichere Abfolge erklärt, um das Problem zu untersuchen oder zu beheben.

Die Oberfläche ist in die bestehende Zerto-Benutzererfahrung eingebettet. HPE Zerto sagt, dass Server-Sent Events verwendet werden, um den Untersuchungsfortschritt an den Benutzer zu streamen und Zwischenaktivitäten offenzulegen, statt auf eine einzelne endgültige Antwort zu warten. Zu den genannten Anwendungsfällen gehören das Beantworten von Konfigurationsfragen, Hilfe bei der Behebung von Gesundheitsproblemen, Unterstützung bei Einrichtung und Funktionsadoption sowie die Zusammenfassung von Risiken, Service-Level-Agreement-Exposition oder Wiederherstellungsbereitschaft.

Das bedeutet jedoch nicht, dass das Modell die gesamte Wiederherstellungsumgebung unabhängig steuert. Die Quelle beschreibt ein System, das darauf ausgelegt ist, über die ihm bereitgestellten Tools zu denken, zu handeln und zu reagieren. Die praktische Sicherheit der Bereitstellung hängt daher von den Berechtigungen, der Validierungslogik und den Aktionsgrenzen rund um diese Tools ab – Details, die der AWS-Beitrag auf architektonischer Ebene bespricht, aber nicht vollständig als Produktionsleistungsbericht quantifiziert.

Warum das On-Premises-Bereitstellungsmodell wichtig ist

Die Zielnutzer von HPE Zerto verwalten Cyber-Resilienz, kontinuierlichen Datenschutz und Disaster Recovery über Hybrid- oder Multi-Cloud-Umgebungen hinweg. In solchen Umgebungen können Betriebsdaten den Zustand geschützter Workloads, Replikationsstatus, Warnungen, Ereignisse, Standortbeziehungen und Wiederherstellungsbereitschaft umfassen. Die vom Unternehmen beschriebene Herausforderung besteht darin, dass diese Informationen über Oberflächen und Dokumentation fragmentiert sind, was Entscheidungen während Ausfällen oder Cybervorfällen verlangsamt.

Das Ausführen der agentischen Ebene innerhalb der Kundenumgebung adressiert einen Teil dieses Problems. Der Assistent kann direkt neben den Systemen platziert werden, die er prüfen muss, während die Sitzungsverlaufshistorie lokal gespeichert wird und das Produkt über die vertraute Verwaltungsoberfläche zugänglich bleibt. Für Unternehmen kann das die Bereitstellung vereinfachen und die Notwendigkeit verringern, operativen Kontext in eine separate externe Anwendung zu verlagern.

Die Modellebene ist dennoch auf Amazon Bedrock angewiesen. AWS sagt, dass HPE Zerto den Dienst wegen des kontrollierten Zugriffs auf Foundation Models, der Möglichkeit zur Bewertung verschiedener Modelle und der Integration mit Guardrails, Observability und Retrieval-Diensten ausgewählt hat. HPE Zerto nutzt außerdem Amazon Bedrock Guardrails, um Richtlinien-, Compliance- und Sicherheitskontrollen auf Prompts und generierte Ausgaben anzuwenden.

Diese hybride Anordnung veranschaulicht ein Bereitstellungsmuster, das für Enterprise-KI zunehmend relevant ist: Der Datenzugriff und die Ausführung bleiben nahe am System of Record, während eine verwaltete Modellplattform für Inferenz und Modellauswahl verwendet wird. Das kann Flexibilität bieten, schafft aber auch Abhängigkeiten zwischen dem lokalen Produkt, dem Netzwerkpfad zu den Modelldiensten, der Qualität des Retrievals und den Berechtigungen, die jedem Agenten gewährt werden.

Belege und Behauptungen stammen weiterhin vom Anbieter

Die verfügbare Evidenz ist eine AWS Machine Learning Blog-Fallstudie, die um die Architektur von HPE Zerto herum geschrieben wurde. Sie bestätigt die beschriebenen Komponenten und den Bereitstellungsansatz, liefert jedoch keine unabhängige Validierung der Fehlersuchgenauigkeit, Antwortlatenz, Kundenakzeptanz, Reduzierung des Support-Ticket-Volumens oder messbarer Verbesserungen der Wiederherstellungszeit.

Behauptungen über schnellere, besser informierte Wiederherstellungsentscheidungen und geringere operative Belastung sollten daher als beabsichtigte Ergebnisse des Systems und nicht als unabhängig verifizierte Resultate gelesen werden. Die Quelle legt auch nicht fest, welche Foundation Models in der Produktion verwendet werden, wie das Model Routing gehandhabt wird oder wie oft Agenten direkte Aktionen ausführen dürfen, statt lediglich Empfehlungen an einen Operator zurückzugeben.

Ein zweiter AWS Machine Learning Blog-Beitrag über Intuits Intuit EWOK Agent bietet einen verwandten Referenzpunkt, aber keinen zusätzlichen Beleg über HPE Zerto. Intuit beschreibt einen Agenten, der Failover-Anfragen in einfacher Sprache in validierte Workflows übersetzt, während ein deterministisches Ausführungssystem die Infrastrukturänderungen vornimmt. Intuit sagt, Teams hätten dieses System acht Monate lang verwendet, und berichtet, dass unterstützte Wiederherstellungs-Workflows in etwa 20 Minuten abgeschlossen werden können, aber das sind Intuits eigene Behauptungen über seine separate Plattform.

Die beiden Fälle teilen ein breiteres Gestaltungsprinzip: Ein KI-Modell interpretiert die Absicht und wählt aus begrenzten Fähigkeiten, während deterministische Systeme Richtlinien durchsetzen und risikoreiche Operationen ausführen. Dieses Muster ist übertragbarer als jeder spezifische Benchmark, doch Organisationen sollten es dennoch gegen ihre eigenen Datenqualitäts-, Ausfallmodus- und Änderungsmanagement-Anforderungen testen.

Auswirkungen für Entwickler und Unternehmenskäufer

Für Entwickler hebt HPE Zertos Ansatz das Grounding als Integrationsproblem statt als Übung im Prompt-Schreiben hervor. Der Agent benötigt zuverlässigen Zugriff auf den aktuellen Produktstatus, ein definiertes Tool-Schema, relevante Dokumentation und genug Sitzungskontext, um nicht wiederholt Informationen abzufragen, die im Gespräch bereits verfügbar sind. Ein lokaler MCP-Server kann eine strukturierte Schnittstelle bereitstellen, wird aber auch zu einem kritischen Kontrollpunkt für Authentifizierung, Autorisierung, Protokollierung und API-Kompatibilität.

Für Unternehmenskäufer sind die wichtigsten Evaluierungsfragen operativer Natur. Kann das System einen veralteten Alarm von einem aktuellen Zustand unterscheiden? Zitiert oder zeigt es die Quelle einer Empfehlung an? Können Administratoren Tools nach Rolle und Umgebung begrenzen? Was passiert, wenn das Modell nicht verfügbar ist, das Retrieval-Ergebnis unvollständig ist oder die angeforderte Behebung das Datenverlust-Risiko erhöhen könnte? Der AWS-Beitrag legt die Architektur dar, beantwortet aber nicht alle diese Beschaffungs- und Governance-Fragen.

Der Wert des Systems dürfte dort am höchsten sein, wo Teams mit hoher Informationsdichte und unterschiedlicher Operator-Erfahrung konfrontiert sind. Eine natürlichsprachliche Ebene kann die Zeit verkürzen, die nötig ist, um Kontext zusammenzustellen und Symptome zu erklären, insbesondere für weniger erfahrene Administratoren. Doch bei Disaster Recovery ist hilfreiche Erklärung nicht dasselbe wie sichere Ausführung. Jeder Schritt von der Diagnose zur Behebung braucht explizite Berechtigungen, Bestätigungsschritte, Audit-Trails und einen verlässlichen Rückfall auf menschliche Operatoren.

Worauf als Nächstes zu achten ist

Die nächsten aussagekräftigen Signale werden Belege für eine Bereitstellung über die Architekturbeschreibung hinaus sein. HPE Zerto könnte klarstellen, ob der Assistent allgemein verfügbar ist, welche Produkteditionen und Umgebungen ihn unterstützen und ob Kunden die Modellauswahl oder Tool-Berechtigungen konfigurieren können.

Entwickler sollten auch auf veröffentlichte Messungen zu Antwortgenauigkeit, Retrieval-Qualität, falschen Empfehlungen, eingesparter Zeit bei der Vorfalluntersuchung und der Rate, mit der Benutzer vorgeschlagene Aktionen akzeptieren oder ablehnen, achten. Diese Metriken würden zeigen, ob das System die operative Arbeit verbessert, statt lediglich eine Konversationsoberfläche hinzuzufügen.

Auf der Plattformseite bleibt die Modelflexibilität ein wichtiger Test. HPE Zerto sagt, dass Amazon Bedrock die Bewertung über Foundation Models hinweg auf Basis von Qualität, Latenz und Kosten ermöglicht. Vergleiche aus der Praxis, Bereitstellungsrichtlinien und klarere Details zu Datenresidenz und Verhalten bei Netzwerkausfällen würden Unternehmen helfen zu beurteilen, ob diese Flexibilität einen praktischen Vorteil bringt.

Creati.ai-Perspektive

Das System von HPE Zerto ist ein nützliches Beispiel dafür, wo Enterprise Agentic AI konkret wird: innerhalb eines bestehenden Betriebsprodukts, verbunden mit Live-Zuständen und eingeschränkt durch die APIs und Kontrollen, die bereits die Umgebung regeln. Der stärkste Teil des Designs ist die Trennung zwischen einer dialogorientierten Reasoning-Schicht und den zugrunde liegenden betrieblichen Schnittstellen des Produkts.

Die schwierigere Frage ist der Beweis. In der Disaster Recovery muss ein Agent nicht nur daran gemessen werden, ob er einen Alarm erklären kann, sondern auch daran, ob seine Anleitung aktuell, prüfbar und unter Druck sicher ist. Solange HPE Zerto oder seine Kunden keine Ergebnisdaten veröffentlichen, versteht man die Ankündigung am besten als glaubwürdiges Bereitstellungsmuster und als zu bewertende Architektur – noch nicht als Beweis dafür, dass Agenten den Wiederherstellungsbetrieb بالفعل gelöst haben.