Als alle drei gleichzeitig ausfielen

Am Morgen des 3. September 2026 passierte etwas, das laut Lehrbuch eigentlich nicht passieren sollte: ChatGPT, Claude und Grok fielen innerhalb weniger Stunden gleichzeitig aus. Drei Anbieter, drei unabhängige Infrastrukturen, drei unterschiedliche Unternehmen – und trotzdem für Stunden fast zeitgleich nicht erreichbar. Für jedes Unternehmen, das in den letzten Jahren brav "zwei Anbieter im Portfolio" als Absicherung gegen genau dieses Szenario aufgebaut hat, war der Tag eine unangenehme Lektion.

Denn genau das war das Versprechen: Wenn ChatGPT ausfällt, springt eben Claude ein. Wenn Claude Probleme hat, gibt es ja noch Grok oder Gemini. Diversifikation als Versicherung. Am 3. September 2026 hat diese Rechnung für viele Unternehmen nicht aufgegangen – nicht weil die Idee falsch war, sondern weil zwischen "einen zweiten Vertrag haben" und "tatsächlich ausfallsicher sein" eine ganze Architektur-Ebene fehlt, die in den seltensten Fällen mitgedacht wurde.

Der 3. September 2026: Drei Ausfälle, drei Ursachen, eine Lücke

Die Fakten der Reihe nach: OpenAI meldete einen Routing-Fehler, der nach rund 34 Minuten unter Kontrolle war, wobei sich Nacheffekte laut Statusseite über gut zwei Stunden zogen. Anthropic verzeichnete einen partiellen Ausfall bei den Claude-Modellen Mythos 5.1, Fable 5.1 und Opus 5, der etwa drei Stunden andauerte. xAI wiederum kämpfte mit einem Rechenzentrums-Ausfall in Memphis, der Grok für rund dreieinhalb Stunden beeinträchtigte. Laut Drittanbieter-Monitoring zeigte in diesem Zeitfenster sogar Googles Gemini-API kurzzeitig erhöhte Fehlerraten – wobei Google selbst dazu keinen eigenen Incident veröffentlichte, weshalb dieser Punkt vorsichtig zu behandeln ist.

Bemerkenswert ist nicht nur die zeitliche Überlappung, sondern das, was fünf Tage später noch fehlte: eine Erklärung. Keines der drei Unternehmen hatte zu diesem Zeitpunkt einen Root-Cause-Report veröffentlicht. AWS, Azure und Cloudflare – die naheliegendsten gemeinsamen Verdächtigen – meldeten an diesem Tag ausdrücklich keine eigenen Störungen. Die einfachste Erklärung, eine geteilte Basis-Infrastruktur, war damit vom Tisch. Was blieb, war die unbequemere Möglichkeit: drei tatsächlich unabhängige Fehler, die zufällig zur gleichen Zeit passierten.

Fünf Tage nach dem Vorfall gab es noch keinen offiziellen Root-Cause-Report von OpenAI, Anthropic oder xAI – und AWS, Azure sowie Cloudflare bestätigten unabhängig voneinander, an diesem Tag keine eigene Störung gehabt zu haben.

Genau das macht den Vorfall für die Resilienz-Diskussion so lehrreich. Es ging hier nicht um einen einzelnen Single Point of Failure, den man hätte identifizieren und beheben können. Es ging um das, was Statistiker als unabhängige, aber zeitlich korrelierte Ereignisse bezeichnen würden – und was für den Betrieb genau gleich aussieht wie ein gemeinsamer Ausfall: Der KI-Zugriff war weg, egal welchen der drei großen Anbieter man gebucht hatte. Wer ChatGPT und Claude parallel im Einsatz hatte, ohne eine automatisierte Umschaltung zwischen den beiden APIs gebaut zu haben, war trotzdem für Stunden ohne funktionierenden KI-Zugriff – die zweite Lizenz half nichts, weil niemand im Ernstfall manuell zwischen zwei Diensten hin- und hergeschaltet hat, während Kundenanfragen liegen blieben.

Die Portfolio-Illusion: Zwei Verträge sind keine Architektur

Der naheliegendste Reflex nach einem solchen Vorfall lautet: Dann eben noch einen dritten oder vierten Anbieter dazu. Mehr Diversifikation, mehr Sicherheit. Das klingt logisch, greift aber zu kurz. Ein Vertrag mit zwei oder drei KI-Anbietern ist eine Einkaufsentscheidung. Ausfallsicherheit ist eine Betriebsentscheidung. Die beiden haben wenig miteinander zu tun, solange niemand die technische Brücke dazwischen baut.

Konkret bedeutet das: Ein Unternehmen, das ChatGPT für den Kundenservice-Chatbot und Claude für interne Dokumentenanalyse nutzt, hat zwei Anbieter im Portfolio – aber keine Redundanz. Fällt ChatGPT aus, hat niemand automatisch Claude für den Chatbot aktiviert. Es gibt keinen Circuit Breaker, der erkennt, dass ein Anbieter degradiert ist, und keine Fallback-Kette, die den Traffic automatisch umleitet. Es gibt schlicht zwei separate Systeme, die beide ausfallen können – und am 3. September 2026 sind eben beide gleichzeitig ausgefallen, plus ein dritter, den viele Unternehmen ebenfalls im Einsatz hatten.

Diese Lücke zwischen wahrgenommener und tatsächlicher Absicherung ist in Deutschland besonders ausgeprägt. Laut der DIHK-Digitalisierungsumfrage 2026 sehen sich rund zwei Drittel der befragten deutschen Unternehmen weitgehend oder vollkommen abhängig von einzelnen KI-Anbietern. 35 Prozent setzen bereits KI ein, weitere 34 Prozent planen dies innerhalb der nächsten drei Jahre. Gleichzeitig zeigt sich beim Thema Cloud-Abhängigkeit ein ganz ähnliches Muster: 85 Prozent der deutschen Unternehmen halten die US-Cloud-Abhängigkeit für zu hoch – nutzen die entsprechenden Dienste aber zu 71 Prozent trotzdem weiter. Das Bewusstsein für das Risiko ist da. Die Übersetzung in eine belastbare Architektur fehlt in den meisten Fällen.

Was die Multi-Cloud-Zahlen wirklich zeigen

Man könnte einwenden, dass mehr Anbieter statistisch trotzdem helfen – und das stimmt sogar, allerdings nur begrenzt. Branchendaten zeigen, dass Multi-Cloud-Umgebungen im Schnitt rund 17 Prozent weniger Gesamtausfälle verzeichnen als Single-Vendor-Deployments. Das ist ein echter, messbarer Effekt. Nur wird er von einem zweiten Effekt begleitet, der in der Diskussion oft untergeht: Mit steigender Anbieterzahl steigt auch die operative Komplexität, und diese Komplexität schlägt bei der Wiederherstellung zurück.

84 Prozent der Teams mit drei oder mehr Cloud-Anbietern hatten im letzten Jahr mindestens einen gescheiterten Recovery-Versuch – gegenüber 72 Prozent bei Teams mit ein bis zwei Anbietern. 60 Prozent aller befragten Teams brauchen sechs Stunden oder mehr für eine vollständige Wiederherstellung nach einem größeren Ausfall, nur 5 Prozent schaffen es unter einer Stunde. Mehr Anbieter im Portfolio senkt also die Wahrscheinlichkeit eines Ausfalls leicht – erhöht aber gleichzeitig das Risiko, dass die Wiederherstellung im Ernstfall scheitert, wenn niemand vorher geübt hat, wie im Fehlerfall tatsächlich umgeschaltet wird. Reine Anbieterzahl ersetzt keine Recovery-Architektur. Sie kann sie sogar erschweren, wenn jedes zusätzliche System eine eigene Schnittstelle, eigene Authentifizierung und eigene Fehlermodi mitbringt, die im Ernstfall niemand kennt.

Was diese Zahlen wirtschaftlich bedeuten, lässt sich an konkreten Größenordnungen festmachen. Branchenübergreifend liegen die durchschnittlichen Downtime-Kosten mittlerweile bei rund 8.600 US-Dollar pro Minute – 2022 waren es noch 5.600 US-Dollar. In Deutschland kosten schwerwiegende IT-Störungen im Schnitt 1,7 Millionen Euro pro Ausfallstunde, hochgerechnet rund 147 Millionen Euro pro Jahr; fast die Hälfte der deutschen Unternehmen meldet mindestens einen kritischen Ausfall pro Woche. Für ein mittelständisches Unternehmen mit rund 30 Mitarbeitenden kostet eine Stunde IT-Ausfall im Schnitt 20.000 bis 30.000 Euro. Diese Zahlen stammen aus unterschiedlichen Studien mit unterschiedlicher Methodik und sind nicht direkt vergleichbar – als grobe Größenordnung machen sie aber deutlich, dass ein KI-gestützter Prozess, der drei Stunden stillsteht, kein rein technisches Ärgernis ist, sondern eine Kostenposition.

Ein Muster, das sich wiederholt: geteilte Infrastruktur, geteilte Risiken

Der 3. September 2026 ist kein Einzelfall, sondern der jüngste Eintrag in einer Reihe ähnlicher Vorfälle, die zeigen, wie eng scheinbar unabhängige KI- und Cloud-Dienste tatsächlich miteinander verwoben sind. Am 12. Juni 2025 legte ein Cloudflare-Ausfall von 2 Stunden und 28 Minuten unter anderem Workers AI lahm – Ursache war ein Drittanbieter-Speicherdienst hinter Cloudflares Workers KV, der ausfiel und damit weitere Dienste wie Access, Gateway, Images, Stream, Turnstile und Zaraz mitriss.

Am 20. Oktober 2025 sorgte eine latente Race-Condition im DNS-Management von DynamoDB in der AWS-Region US-EAST-1 für einen Ausfall, der laut Analysen über 1.000 bis 2.500 Unternehmen weltweit betraf, 113 AWS-Dienste in Mitleidenschaft zog und über 11 Millionen Downdetector-Meldungen weltweit auslöste. Die akute Kernstörung dauerte rund drei Stunden, Nacheffekte und Backlogs zogen sich jedoch bis zu 15 Stunden hin. Und am 18. November 2025 legte ein fehlgeschlagenes Konfigurations-Update bei Cloudflare für rund drei Stunden gleichzeitig ChatGPT, X, Discord, Spotify und weitere große Plattformen lahm.

Das Muster, das sich durch diese Vorfälle zieht, ist eindeutig: Viele vermeintlich unabhängige Dienste teilen sich CDN-Anbieter, DNS-Infrastruktur, Storage-Backends oder Rechenzentren. Selbst wenn – wie am 3. September 2026 – am Ende keine gemeinsame Ursache gefunden wird, zeigt die schiere Häufigkeit solcher zeitlich überlappenden Störungen, dass die Wahrscheinlichkeit für gleichzeitige Ausfälle mehrerer Anbieter höher ist, als eine naive Risikorechnung ("Anbieter A und Anbieter B fallen niemals am selben Tag aus") annehmen würde. Wer seine gesamte Resilienz-Strategie auf dieser naiven Annahme aufbaut, baut auf Sand.

Was die längerfristige Verfügbarkeits-Statistik zeigt

Der Vorfall vom 3. September 2026 wirkt auf den ersten Blick wie ein statistischer Ausreißer – drei große Anbieter, die an einem einzigen Tag gleichzeitig ausfallen, sollte laut naiver Wahrscheinlichkeitsrechnung extrem selten sein. Ein Blick auf die längerfristige Verfügbarkeits-Historie einzelner Anbieter relativiert diese Einschätzung allerdings. Laut Auswertungen von Drittanbieter-Statusseiten lag die ChatGPT-Uptime historisch im Bereich von rund 99,3 Prozent – das entspricht im Schnitt etwa fünf Stunden Downtime pro Monat, verteilt auf einzelne, meist kurze Vorfälle. Eine aktuellere Messung zum 1. September 2026, bezogen auf ein 90-Tage-Fenster, zeigte zwar 99,96 Prozent Verfügbarkeit ohne größere Störung – doch dieselbe Monitoring-Quelle registrierte für die vergangenen zwölf Monate auch einen einzelnen, offenbar überwiegend intermittierenden API-Ausfall von rund elf Tagen Länge, bei einer mittleren Recovery-Zeit von etwa neun Stunden und 44 Minuten.

Diese Einzelwerte stammen von Drittanbieter-Statusseiten und sind nicht offiziell von OpenAI bestätigt – Definitionen von „Ausfall" unterscheiden sich zwischen solchen Diensten teils erheblich, weshalb sie eher als Größenordnung denn als exakte Kennzahl zu lesen sind. Trotzdem zeichnen sie ein konsistentes Bild: Auch ein einzelner, isoliert betrachtet zuverlässiger Anbieter hat regelmäßig kürzere Unterbrechungen und gelegentlich längere, teilweise Störungsphasen. Bezieht man das auf ein Portfolio aus zwei oder drei Anbietern, wird klar, warum ein Vorfall wie der vom 3. September 2026 kein einmaliger Betriebsunfall ist, sondern der statistisch erwartbare Fall, wenn mehrere Systeme mit jeweils eigener, aber ähnlich gearteter Ausfallwahrscheinlichkeit über einen längeren Zeitraum parallel betrieben werden. Für die Praxis bedeutet das: Wer seine Resilienz-Planung auf der Annahme aufbaut, ein gleichzeitiger Ausfall mehrerer Anbieter sei ein Jahrhundertereignis, unterschätzt die tatsächliche Häufigkeit solcher Überlappungen systematisch.

Was echte Ausfallsicherheit technisch bedeutet

Die gute Nachricht: Für dieses Problem gibt es etablierte, seit Jahren erprobte technische Muster – sie stammen aus der klassischen verteilten Systemarchitektur und lassen sich direkt auf LLM-Infrastruktur übertragen. Der erste Baustein ist Retry mit Exponential Backoff: Bei einem 429- oder 5xx-Fehler wird die Anfrage automatisch mit steigenden Wartezeiten erneut versucht, typischerweise bis zu dreimal – bei einem 4xx-Fehler dagegen nicht, weil dort das Problem in der Anfrage selbst liegt und ein Wiederholen nichts ändert.

Der zweite Baustein ist der Circuit Breaker: Ein Mechanismus, der erkennt, wenn ein Anbieter erkennbar degradiert ist – etwa weil eine bestimmte Fehlerquote innerhalb eines Zeitfensters überschritten wird –, und daraufhin automatisch aufhört, weitere Anfragen an diesen Anbieter zu schicken, statt jede einzelne Anfrage erneut ins Leere laufen zu lassen. Der dritte Baustein ist die gestaffelte Fallback-Kette zwischen Modellanbietern: Schlägt Anfrage eins bei Anbieter A fehl, geht sie automatisch an Anbieter B, dann gegebenenfalls an Anbieter C – ohne dass ein Mensch manuell eingreifen muss.

Entscheidend ist dabei ein vierter, oft vergessener Baustein: ein definierter Degraded Mode. Statt bei einem Ausfall den kompletten Funktionsumfang zu verlieren, läuft das System mit reduziertem Funktionsumfang weiter – ein Kundenservice-Chatbot etwa beantwortet dann nur noch Standardanfragen aus einer Wissensdatenbank, statt komplett offline zu gehen, während komplexere Anfragen in eine Warteschlange wandern und automatisch nachbearbeitet werden, sobald ein Anbieter wieder verfügbar ist. So entsteht aus einem Totalausfall ein spürbar reduzierter, aber funktionierender Betrieb – der Unterschied zwischen drei Stunden Stillstand und drei Stunden mit eingeschränktem, aber laufendem Service.

Für ein Unternehmen bedeutet das konkret: Ein Support-Team, das einen KI-gestützten Chatbot einsetzt, sollte nicht nur einen zweiten Anbieter im Vertrag haben, sondern eine Middleware-Schicht, die Anfragen automatisch zwischen Anbietern verteilt, degradierte Dienste erkennt und blockiert, und bei einem Totalausfall aller angebundenen Anbieter in einen vordefinierten Warteschlangen-Modus wechselt, statt Kundenanfragen einfach ins Leere laufen zu lassen. Das ist der Unterschied zwischen einem Portfolio und einer Architektur – und genau diese Architektur-Ebene ist es, die am 3. September 2026 bei den meisten betroffenen Unternehmen gefehlt hat.

Ein konkretes Beispiel macht den Unterschied greifbar: Ein IT-Dienstleister mit 25 Mitarbeitenden nutzt einen KI-Agenten, um eingehende Support-Tickets zu klassifizieren, Standardanfragen automatisch zu beantworten und nur komplexere Fälle an menschliche Mitarbeitende weiterzureichen. Ohne Resilienz-Architektur sieht der Ablauf am 3. September 2026 so aus: Der Agent sendet eine Anfrage an ChatGPT, erhält einen Fehler, versucht es erneut, erhält wieder einen Fehler – und weil kein Fallback definiert ist, bleibt das Ticket unbeantwortet liegen, bis jemand manuell eingreift. Bei einem Team, das mehrere Stunden mit reduzierter Erreichbarkeit arbeitet, stauen sich in dieser Zeit Dutzende Anfragen auf, die anschließend alle gleichzeitig abgearbeitet werden müssen.

Mit einer Resilienz-Architektur läuft derselbe Vorfall anders ab: Der Circuit Breaker erkennt nach den ersten fehlgeschlagenen Anfragen, dass ChatGPT degradiert ist, und blockiert für die nächsten Minuten automatisch weitere Anfragen an diesen Anbieter, statt Zeit mit aussichtslosen Wiederholungsversuchen zu verschwenden. Die Fallback-Kette leitet neue Anfragen automatisch an Claude weiter – fällt auch dieser Anbieter aus, wie es am 3. September 2026 der Fall war, schaltet das System in den Degraded Mode: Einfache, gut dokumentierte Standardfragen werden weiterhin aus einer lokalen Wissensdatenbank beantwortet, komplexere Anfragen werden automatisch in eine Warteschlange einsortiert und mit einer automatischen Rückmeldung versehen, dass eine Antwort in Kürze folgt, sobald wieder ein Anbieter verfügbar ist. Sobald einer der angebundenen Anbieter wieder stabil erreichbar ist, arbeitet das System die Warteschlange automatisch ab, priorisiert nach Wartezeit, ohne dass jemand manuell nachsortieren muss. Der Unterschied zwischen beiden Szenarien ist nicht die Anzahl der Verträge im Portfolio, sondern ausschließlich die Architektur-Ebene, die zwischen dem Agenten und den einzelnen Anbietern liegt.

Was das für Ihren Betrieb bedeutet

Die weltweiten KI-Ausgaben werden laut Gartner-Prognose 2026 auf rund 2,59 Billionen US-Dollar steigen – ein Plus von 47 Prozent gegenüber 2025, wovon mehr als 45 Prozent auf KI-Infrastruktur wie IaaS, Server, Netzwerk und Chips entfallen. Für 2027 werden bereits bis zu 3,49 Billionen US-Dollar erwartet. KI-Infrastruktur wird also nicht kleiner, unauffälliger oder weniger kritisch – sie wird größer, komplexer und damit auch anfälliger für genau die Art von Vorfällen, die am 3. September 2026 sichtbar wurden.

Für den deutschen Mittelstand heißt das: Die Frage ist nicht mehr, ob man KI einsetzt – laut DIHK planen zusätzlich zu den bereits aktiven 35 Prozent weitere 34 Prozent der Unternehmen den Einsatz binnen drei Jahren. Die Frage ist, ob der Betrieb so aufgebaut ist, dass ein dreistündiger Ausfall bei einem einzelnen Anbieter – oder, wie am 3. September 2026 gezeigt, bei mehreren gleichzeitig – den eigenen Geschäftsbetrieb lahmlegt oder nur kurz spürbar bremst. "Zwei Anbieter im Portfolio" ist ein guter erster Schritt. Er wird aber erst zu echter Ausfallsicherheit, wenn Retry-Logik, Circuit Breaker, Fallback-Ketten und ein definierter Degraded Mode von Anfang an Teil der Architektur sind – nicht als nachträgliche Reparatur nach dem nächsten Vorfall, sondern als Grundlage, auf der jede KI-Agenten-Lösung von Beginn an aufgebaut wird.

Was den 3. September 2026 im Rückblick so lehrreich macht, ist nicht die Frage, ob so ein Vorfall noch einmal passiert – die längerfristige Verfügbarkeits-Statistik einzelner Anbieter legt nahe, dass ähnliche Überlappungen eher wahrscheinlicher als unwahrscheinlicher werden, je mehr KI-Dienste parallel im Einsatz sind. Die eigentliche Frage ist, ob der nächste Vorfall wieder zu einem mehrstündigen Stillstand führt oder zu einem kaum spürbaren, automatisch abgefederten Übergang in einen reduzierten Betriebsmodus. Diese Entscheidung fällt nicht am Tag des Ausfalls, sondern lange vorher – in der Architektur, die ein Unternehmen aufbaut, bevor der erste Fehler überhaupt auftritt.