Die Analyse von Performance-Problemen scheitert in der Praxis selten am völligen Fehlen von Daten, sondern häufiger an deren Verfügbarkeit, Granularität und konsistenter Interpretation.

Gerade im Oracle-Umfeld existieren mit Statspack, AWR/ASH, Wait Events, SQL-Analysen, Trace-Dateien und Betriebssystemmetriken zahlreiche Datenquellen. Gleichzeitig gibt es klare Grenzen: Ein Teil der Diagnosemöglichkeiten ist lizenzrechtlich eingeschränkt, und etablierte Werkzeuge wie Statspack oder AWR liefern oft nur eine zu grobmaschige Sicht, um kurzzeitige, volatile oder mehrdimensionale Probleme zuverlässig zu erklären.

Der Vortrag zeigt, wie sich künstliche Intelligenz und insbesondere Large Language Models in eine Root-Cause-Analysis-Pipeline einbinden lassen, um die Ursachensuche bei Performance-Problemen weitgehend zu automatisieren und daraus fundierte Lösungsansätze abzuleiten. Im Mittelpunkt steht die systematische Überführung von Expertenwissen in einen reproduzierbaren Analyseprozess: von der Hypothesenbildung über die gezielte Korrelation technischer Indizien bis hin zur Priorisierung wahrscheinlicher Ursachen und möglicher Gegenmaßnahmen.

Anhand praxisnaher Beispiele wird erläutert, wie eine solche Pipeline mit unvollständigen, grob granularen und heterogenen Daten umgeht, wo ihre Grenzen liegen und welchen konkreten Mehrwert sie im operativen Alltag bietet. Der Fokus liegt auf der Performance-Analyse im Oracle-Umfeld, die vorgestellten methodischen Prinzipien lassen sich jedoch auch auf andere Plattformen übertragen.