Auslastung bezeichnet den prozentualen Anteil der genutzten Kapazität an der insgesamt verfügbaren Kapazität eines Systems, einer Ressource oder eines Prozesses. Sie ist das Verhältnis von Ist-Verarbeitung zu Maximalkapazität: Eine Auslastung von 80 Prozent bedeutet, dass ein System 80 Prozent seiner maximalen Verarbeitungskapazität in einem definierten Zeitraum tatsächlich nutzt – 20 Prozent Reservekapazität sind verfügbar.
Auslastung = (tatsächlich verarbeitetes Volumen ÷ maximale Kapazität) × 100. Sie ist eine der wichtigsten operativen Kennzahlen für automatisierte Systeme: Zu niedrige Auslastung deutet auf Überkapazität und unnötige Kosten hin. Zu hohe Auslastung deutet auf Kapazitätsengpässe hin, die zu Wartezeiten, Qualitätseinbußen und erhöhter Fehleranfälligkeit führen.
Die drei Auslastungszonen
Auslastungs-Spektrum: unter- bis überlastet
0–60 %
60–85 %
85–100 %+
Unterauslastung – Überkapazität, unnötige Kosten
Optimale Zone – effizient, mit Puffer für Lastspitzen
Überlastung – Wartezeiten, Fehler, instabiler Betrieb
Auslastung in automatisierten Systemen
- Worker-Auslastung: Wie stark sind die Worker-Instanzen eines Workflows ausgelastet? Liegt die Auslastung dauerhaft über 85 Prozent, sollte skaliert werden
- API-Auslastung: Wie nah ist das System an den Rate-Limits externer APIs? Eine hohe API-Auslastung macht das System anfällig für Throttling
- Queue-Auslastung: Wie voll ist die Queue im Verhältnis zu ihrer Kapazität? Eine dauerhaft volle Queue signalisiert, dass mehr Verarbeitungskapazität benötigt wird
- Speicherauslastung: Wie viel des verfügbaren Speichers wird genutzt? Hohe Speicherauslastung kann zu Performance-Einbußen oder Systemabstürzen führen
Auslastung und Kapazitätsplanung
Auslastungsdaten sind die Grundlage für proaktive Kapazitätsplanung. Wenn die Auslastung eines Systems im Trend steigt – z. B. weil das Vorgangsvolumen monatlich um 8 Prozent wächst – kann berechnet werden, wann die kritische 85-Prozent-Grenze erreicht wird, und entsprechende Skalierungsmaßnahmen können rechtzeitig eingeleitet werden. Reaktive Kapazitätsplanung (nur handeln, wenn die Grenze bereits überschritten ist) führt zu Engpässen und SLA-Verletzungen.
Praxisbeispiel
Ein automatisierter Bestellworkflow läuft auf zwei Worker-Instanzen. Monitoring-Daten der letzten 30 Tage: Durchschnittliche Auslastung 71 Prozent (optimale Zone). Monatsende: Auslastungs-Peak von 94 Prozent über 3 Tage – Überlastungszone, Queue-Tiefe steigt auf 380. Analyse: Am Monatsende gehen 3,4× so viele Bestellungen ein wie im Durchschnitt. Maßnahme: Auto-Scaling-Regel eingerichtet – wenn Auslastung > 80 Prozent für mehr als 10 Minuten, wird automatisch eine dritte Worker-Instanz gestartet. Beim nächsten Monatsende: Peak-Auslastung 78 Prozent, Queue-Tiefe max. 42. Problem gelöst durch datenbasierte, proaktive Kapazitätsanpassung.
