IT運用では、アラートの確認、関連ログの検索、過去事例の参照、チケット作成、初回報告など、多くの情報収集と定型作業が発生します。特に夜間や障害が集中した時間帯には、担当者が複数ツールを移動しながら状況を整理するだけでも負荷になります。
AIエージェントは、こうした一次対応を支援できる可能性があります。一方で、生成した回答をそのまま顧客に送ったり、本番環境で自動的にコマンドを実行したりする運用にはリスクがあります。必要以上のログにアクセスさせることも避けなければなりません。
導入設計では、AIに任せる作業と、人が管理する判断・実行を明確に分けます。
障害の最初の15分で、AIに任せても戻せる作業は何か。反対に、誤った場合の影響が大きく、人の承認を外せない作業は何か。この境界から導入範囲を決めます。
AIエージェントと従来の自動化の違い
従来の自動化は、条件と処理を事前に定義し、同じ入力に対して決められた動作を行うことが得意です。例えば、特定プロセスの停止を検知したら再起動する処理が該当します。
AIエージェントは、自然言語の手順書、過去チケット、複数のログなどを参照し、状況に応じて情報を整理したり、次の確認手順を提案したりできます。ただし、出力は常に正しいとは限らないため、確定的なルールと同じようには扱えません。
両者を組み合わせる場合、定型的で安全性を検証できる実行は従来の自動化に任せ、曖昧な情報の整理や候補提示にはAIを使います。そのうえで、人による承認と最終判断を残す構成が考えられます。
読み取りと候補提示から任せる
アラートの集約と関連付け
同じ原因から複数のアラートが発生している可能性を示し、担当者が確認すべき順番を整理します。最終的な重大度は、事業影響を把握できる人が判断します。
ログと変更履歴の要約
対象時間帯のエラー、直前のデプロイ、構成変更、関連チケットを収集し、一次調査の材料を提示します。参照元へのリンクを残し、担当者が原文を確認できることが必要です。
Runbookと過去事例の検索
アラート内容に関連する手順書や過去の障害を提示します。古い手順や別環境の手順を誤って使わないよう、対象システム、版、更新日を管理します。
チケットと初回報告の下書き
検知時刻や影響、確認内容、実施作業、次回の更新予定をテンプレートに沿って整理します。担当者が事実関係と公開範囲を確認してから送信します。
次の確認作業の提案
情報が不足している場合に、追加で確認すべきメトリクスやログを提案します。提案は調査を支援するものであり、原因を確定するものではありません。
本番変更と対外報告は人が判断する
少なくとも導入初期は、次の業務をAI単独で実行させない設計が安全です。
- 本番環境の設定変更
- データの削除、更新、復元
- サービス停止やフェイルオーバー
- 顧客や経営層への障害報告
- 重大度の最終決定
- セキュリティ事故の判定
対象システムの重要度、ロールバック可能性、影響範囲に応じて承認レベルを設定します。
安全な導入に必要な7つの統制
1. 参照データの範囲
どのログ、チケット、手順書にアクセスできるかを定義します。個人情報、認証情報、顧客データを必要以上に入力しない設計が必要です。
2. 最小権限
読み取り、提案、実行を別の権限として管理します。AIが使うアカウントと人のアカウントも区別します。
3. 根拠の表示
要約や提案には、参照したログ、Runbook、チケットを示し、担当者が検証できるようにします。
4. Human-in-the-loop
重要な判断、外部送信、本番変更の前に人の承認を入れます。誰が何を承認したかを記録します。
5. 監査ログ
AIが参照した情報、生成した提案、実行要求、承認、結果を追跡できるようにします。
6. フォールバック
AIが利用できない、出力が不確か、参照先が古い場合に、人が従来の手順で対応できるようにします。
7. 評価と改善
導入前のテストデータと実運用のレビューで、誤った提案、見落とし、不要なエスカレーションを確認します。利用範囲を段階的に広げます。
導入の進め方
- 現在の一次対応フローと負荷を可視化する
- 低リスクで反復の多い作業を選ぶ
- 参照データとアクセス権限を限定する
- 過去インシデントで提案精度を評価する
- 人のレビュー付きで本番利用する
- 誤りと例外を記録し、対象範囲を調整する
- 十分に検証された定型作業だけ自動実行を検討する
最初の対象としては、チケット分類、関連資料の検索、初回報告の下書きなど、失敗しても人が確認・修正できる作業が適しています。
効果を測る指標
AI導入の効果は、利用回数ではなく運用成果で測ります。
- 検知から担当者確認までの時間
- 一次情報収集にかかる時間
- 正しいRunbookを提示できた割合
- 人による修正が必要だった割合
- 誤った提案と不要なエスカレーション
- 担当者の時間外負荷
自動化率だけを追うと、安全性や品質を損なう可能性があります。人の判断を支援し、復旧と報告を安定させられたかを評価します。
AIの候補提示と人の判断を組み合わせる
導入候補を評価するなら、読み取り専用のテスト環境で、過去インシデントのログ要約と関連Runbookの候補提示を試します。担当者が修正した箇所、見落とし、確認時間を記録すれば、自動実行に進む前の適用可能性を評価できます。AMELAのIT運用支援 24/7へのご相談では、AIで支援する情報収集・候補提示と、専門エンジニアやサービスマネージャーが担う判断・承認の境界から整理します。
AIの適用範囲は、システムの重要度、データ、権限、既存手順を確認したうえで個別に設計します。