AIに障害切り分けを全部やってもらった。。。。

AIに障害切り分けを全部やってもらった。が。。。 The SRE Backlog: 蔵出し事例共有会 / 2026.06.30
株式会社estie 徳原晋一 / SRE

自己紹介徳原晋一 SRE / Platform Engineering Observability（O11y）改善、プロダクト基盤づくり、必要に応じてセキュリティとか最近の関心：運用をAIでどうスケールさせるか
X: @wh_choco © 2026 estie, Inc. 2

今日話すこと 1. 作ったもの: 障害の一次切り分けを全部 AI (AWS DevOps Agent) に任せる仕組み 2.
効いた所と変わらなかった所 3. 次に取り組むもの仕組みそのものの詳細はブログにまとめています © 2026 estie, Inc. 4

作ったもの

作ったもの: アラートを起点に一次切り分けを自動化アラート（Datadog Monitor / ECS の異常終了など） ↓ EventBridge
に通知経路を集約 DevOps Agent が一次切り分けを自動実行 ↓ 調査完了 Slack のスレッドに「調査の過程＋根拠」を投稿これまで: 人通知が来たら、自分で順に確認: CloudWatch（Metrics / ログ） Datadog（APM） GitHub（直近の更新）いま: AI アラート起点で AIが一次切り分け原因が明確な障害は調査工数ほぼ0 それ以外も大幅に削減 © 2026 estie, Inc. 6

こだわった2点 1. 調査の「根拠」を残す原因候補だけでなく、何を見てそう判断したかも必ず出力確認した Datadog Monitor / AWSリソース・ログ
/ GitHub のコード・PR 確度の高い判断と、弱い推測を切り分ける AIは "それらしい答え" を返す。=> 追跡可能にしないと真偽が不明 2. 無駄に調査を走らせない同種アラートの連続発生は調査をスキップして無駄なコストを発生させない通知はするが、最初の調査スレッドへリンクを張る © 2026 estie, Inc. 7

使ってみて、わかったこと

効いた所：対応の「当たり前基準」が上がった ① すべてのアラートに、淡々と対応できるようにこれまで：忙しいとスルー / 復旧したら放置 → いまはAIが必ず一次切り分けコンテナ異常終了などは高精度で、修正に即つなげられる ②
SRE以外が見ても、調査を追える調査の流れ・使ったログ / コードへのリンクが残る（SREの調査フローを SKILL 化）「どこに何があるか」の認知負荷がなくなり、属人性も下がった © 2026 estie, Inc. 11

変わらなかった所：自動化できたのは「真ん中」だけ気づく人間アラートを見るアンテナはいまも人間頼み調べる AI が自動化今回できたのはここだけ
直す人間修復までつなげるかは見る人間次第両端の「気づく」「直す」は、いまも人間。 —— せっかくの変革期、全部 AI にやらせてみよう。 © 2026 estie, Inc. 12

次は修復の自動化へ一次切り分けの先 => 調査結果を起点に、修正まで繋げたい例：調査結果を入力に、Claude Code / Devin に修正PR作成を依頼ただし、プロダクト側と連携の設計が重要そう
すべての障害でコード修正が要るわけではない（外部依存の一時失敗、瞬間的な逼迫…）雑にやると「レビューすべきノイズPR」が増えるだけ PRを作るべき状況の判断基準と、どういう修正ならPRをAIがApproveしてMergeまで可能かを設計すること © 2026 estie, Inc. 13

まとめ開発がAIでスケールするなら、運用も同時にスケールさせたいでないと、組織のボトルネックが開発から運用に移るだけ SRE / Platform の運用知をAIに移植し、調べるを自動化
効いた所：認知負荷↓ / 当たり前基準↑ 変わらなかった所：気づく、直すは、まだ人間境界線を見極めながら、人間に残った直すの自動化へ estieでは絶賛採用を進めてます！カジュ面もやってるよ! © 2026 estie, Inc. 14

AIに障害切り分けを全部やってもらった。。。。

AIに障害切り分けを全部やってもらった。。。。

estie | エスティ

More Decks by estie | エスティ

Other Decks in Technology

Featured

Transcript