AIエージェントが24時間体制で本番障害の一次調査を自動化、人間の役割は「判断」のみに

AIエージェントの登場により、深夜のインシデント発生時における人間のエンジニアの役割を劇的に変えつつあります。従来はアラーム発生時のトリアージ(原因および影響範囲の特定)作業はエンジニアが担ってきましたが、トリアージをAIが肩代わりすることにより人間は最終的な意思決定に集中できるようになるというビジョンが現実味を帯びてきました。

How We Learned to Trust an AI Agent to Triage Production Incidents - Kiro
https://kiro.dev/blog/trust-agent-triage/

現地時刻で2026年8月16日の午前2時33分、AIエージェント搭載の開発プラットフォームを提供するKIROが扱うフロンティアモデルの一つで可用性アラームが発生し、本番環境でのレスポンスが処理の途中で停止しました。監視システムが自動的にチケットを発行したわずか13分35秒後にはAIエージェントが原因を特定し、エビデンスと推奨される次のアクションまでをまとめた診断結果をチケットに記録しました。人間のエンジニアがおこなったのはチケットに「エスカレーションを申請する」または「本番環境のバグに対処する」という一文を入力したことであり、つまり人間の役割は「完成した概要を読む」「概要に示された判断基準を精査する」「決定を下す」といったことでした。AIエージェントによる一連の対応が真夜中に行われたことを考慮すると、人間だけで同様の迅速な対応をするのは不可能であったと考えられます。

対応を行ったAIエージェントはKiro CLI上で動作しており、プロダクションチケットキューのトリアージを担当しています。今回発生したアラームを通じてKIROのフロンティアチームはエージェントを中心に仕事の進め方を再設計し、その能力を信頼するに至ったそうです。アラームが発生したならば誰かが「アラームは本物か」「何が原因なのか」「誰が影響を受けているのか」を判断する必要があります。適切なトリアージとは異なるロググループ・アカウント・クエリ言語にまたがる多数の仮説の中から最初に問うべき数個の質問を見つけ出す「仮説探索」であり、AIエージェントは様々なツールを活用してこの作業をおこなうことを得意としています。長年にわたって蓄積されてきた運用手順書・アラームWiki・インシデント後のメモはエージェントのコンテキストへの投資であったと考えることができます。エージェントが調査で得た知見を記録することで、システムに関する知識が継続的に蓄積されます。こうした作業を真夜中の疲れ果てた人間が同じようにこなすのは困難です。

システムの改善は、エンジニアがエージェントを指導し、エージェントが学習した内容を管理するループによって毎週行われます。

ループの回転を維持するのは4つのメカニズムです。

・修正は教訓に：各修正は一度保存され、将来のすべてのセッションに反映されます。また、エージェントはプロンプトのバグの要因となったドキュメントを修正します。
・調査は知識に：クローズされたチケットはアーカイブに集約され、将来のセッションで最初にクエリされます。
・エージェントがスキルを作成し人間がレビュー：新しいインシデントが発生するとエージェントは新しいプレイブックの草案を作成または更新し、エンジニアと夜間ジョブがコードベースのように管理します。
・エージェント間で状態を共有：複数のエージェントが同じインシデントを監視している場合でも、単一のアップストリームチケットのみを作成します。

ただしこの学習パイプラインも失敗することがあり、以前はセッション終了時に保留されていたテキストがそのまま修正ストアに書き込まれていたため、将来のセッションで誤った運用知識として学習されてしまう場合がありました。失敗を防ぐために書き込み前のスキーマ検証と夜間プルーニングが導入されました。KIROのフロンティアチームが得た学びをまとめると以下の通りとのこと。

・AIエージェントはドキュメントのバグをコンピューターの演算速度で引き継ぐ：セッションがうまくいかなかった場合「その場で修正」「誤解を招いた原因を究明」「ドキュメントを修正」の流れを徹底することが重要です。
・確信のある半分の答えは間違った答えよりも高くつく：エージェントは結論を述べる前に競合する仮説をテストし除外する必要があります。自動チェックにより従来は人間がレビューで検出していた多くのエラーが排除されました。
・簡潔さが信頼を築く：初期のエージェントは詳細な作業ステップを顧客に見えるスレッドに投稿していましたがノイズが多かったため、現在は短い要点のみをスレッドに投稿し、詳細はワークログに送られます。
・単一の自律設定はない：すべてのアクションには独自のルールが必要です。
・セキュリティはインフラストラクチャから：すべての無人セッションはデフォルトで読み取り専用であり管理者権限の要求はエラーとなります。各認証情報は1つのセッションのために発行され、エージェントが宣言したタスクにスコープが設定されるため、セッションは要求したAPIのみを呼び出すことができます。

現在AIエージェントはトリアージを担当していますが、将来的にはコードレビューのドラフト作成やしきい値調整による修復も行うようになると考えられています。オンコールローテーションは今後も存続しますが役割は変化し、エンジニアは深夜に調査を開始するのではなく完了した調査結果をレビューするようになります。オンコールエンジニアのページャーはエージェントが既に実行した作業の意思決定キューになりつつあります。一連の変化はフロンティアエンジニアの新しい生活の始まりであり、今後さらなる進化が期待されます。