Instacart、オンコールエンジニア支援の AI アシスタント「Blueberry」を公開
本文の状態
日本語全文を表示中
詳細モードで約6分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
InfoQ AI/ML
Instacart はオンコールエンジニアの調査を支援する AI アシスタント「Blueberry」を導入し、14 年以上にわたるインシデント履歴を基盤として診断精度を大幅に向上させた。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月8日 00:52
AI深層分析
キーポイント
AI エージェントによる自動診断の実装
アラート発生時に約 10 のサブエージェントを並列起動し、3 分以内に根因仮説を生成するシステムを構築した。
長期的な履歴データによる精度向上
14 年以上にわたるインシデント履歴を学習させることで、診断精度を 60% 台から 90% 台後半へと大幅に引き上げた。
Slack 統合によるワークフローの最適化
既存の Slack チャンネル内で情報を収集・仮説生成を行うため、エンジニアが作業環境を離れる必要がない設計となっている。
組織固有の知識と連携によるAIアーキテクチャ
Blueberryは汎用言語モデルに依存せず、インシデント履歴やログ、デプロイ情報などの内部ソースを結合して運用知識を提供する。
ツール認識型アプローチと人間の責任維持
エージェントは関連システムから情報を取得しながら調査状態を保持し、診断や緩和の決定権は依然としてエンジニアが持つ。
重要な引用
Blueberry, an AI-assisted incident response system designed to help on-call engineers investigate and troubleshoot production issues faster.
The company attributed improvements in diagnostic accuracy to grounding the system with more than 14 years of incident history, which helped improve results from the mid-60% range to the high 90% range.
According to Kundu, when an alert is triggered, Blueberry launches approximately 10 subagents in parallel and generates a grounded root cause hypothesis directly in the Slack thread where engineers are working.
"Blueberry has proven to be a force multiplier in harnessing AI to help transform on-call and help us quickly troubleshoot and mitigate complex issues in production."
編集コメントを表示
編集コメント
この事例は、単なるチャットボットの導入ではなく、組織の暗黙知である長年のインシデント履歴を AI に学習させることで実効性を高める「Agentic AI」の実用化の好例である。エンジニアが既存のコミュニケーションツールから離れることなく支援を受けられる設計は、現場への導入障壁を下げる重要な指針となる。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Instacart は、オンコールエンジニアが生産環境の問題をより迅速に調査・トラブルシューティングできるよう支援する AI 支援型インシデント対応システム「Blueberry」を導入しました。このシステムは複数の AI エージェント、運用データ、過去のインシデント知識を活用し、発生した問題の文脈提供や根本原因の仮説提示を通じてエンジニアを支援します。
大規模な運用現場でよく見られる課題への対応として開発されました。多くの場合、エンジニアは診断を開始する前に、サービス所有者の特定、デプロイ履歴の確認、ログやメトリクスの分析、ドキュメント検索、過去のインシデントとの症状比較など、状況把握のための情報収集に時間を費やしてしまいます。
Instacart によると、Blueberry は 4 月に 270 を超える Slack チャンネルで約 25,000 回の診断実行を行いました。同社は、14 年以上にわたるインシデント履歴をシステムに統合したことで診断精度が向上し、結果が 60% 台後半から 90% 台後半へと改善されたと説明しています。
Blueberry は Slack ベースのインシデントワークフローと連携しており、エンジニアは既存のコミュニケーションチャネルから離れることなく問題調査が可能です。このシステムは情報収集や仮説生成、デバッグ支援を通じてエンジニアをサポートしますが、生産環境への自動変更を行うものではありません。
Instacart の CTO、アニルバン・クンドゥ氏は、Blueberry を同社が取り組む広範なエージェント型 AI システムの一部として位置づけています。クンドゥ氏によると、アラートが発生すると、Blueberry は約 10 個のサブエージェントを並列で起動し、エンジニアたちが作業中の Slack スレッド内で根拠のある根本原因仮説を直接生成します。このシステムは通常、最初の調査結果を約 3 分以内に提供します。
Slack のスレッドスクリーンショット：Blueberry による自動トリアージ（出典：Instacart ブログ投稿）
このアーキテクチャは、AI の推論能力と組織固有の運用知識を融合させています。汎用的な言語モデルに頼るのではなく、Blueberry はエージェントをインシデント履歴やサービス所有権データ、ログ、デプロイ情報、その他のデバッグ信号といった社内リソースに接続します。
堅牢でツール認識型のハッチ：本番環境のパス、サイドマウントされた MCP カタログ、永続化された状態、そしてレビューによる改善ループ（出典：Instacart Blog Post）
本番環境の運用で AI システムを利用する際の重要な設計上の課題は、推奨事項が信頼できる文脈に基づいていることを保証することです。Blueberry はツール認識型のアプローチを採用しており、エージェントは接続されたシステムから情報を取得しつつも、調査の状態を維持します。診断、緩和策の決定、復旧作業については、エンジニア自身が責任を負います。
Instacart のエンジニアリング担当バイスプレジデントである Siby Alappatt 氏は、このシステムがオンコールのトラブルシューティングと緩和を改善したと述べています。
Blueberry は、AI を活用してオンコール体制を変革し、本番環境での複雑な問題を迅速にトラブルシューティングおよび緩和する上で、強力な増倍器として実証されました。
このシステムはまた、インシデント対応中に作成された運用知識の維持にも注力しています。過去のインシデントやチーム固有の文脈を取り込むことで、Blueberry は将来の調査において過去の運用経験を活用可能にします。
Instacart のソフトウェアエンジニアリングディレクターである Alan Wong は、Blueberry がオンコール担当者の調査のスタート地点を変えることを強調しました。このシステムは、詳細な分析が始まる前に必要な情報を提供します。空の状態から調査を始めるのではなく、エンジニアはログやデプロイ情報、関連するシステム情報など、収集されたコンテキストを起点に作業を開始できます。
Instacart の Blueberry での経験は、運用における効果的な AI システムがモデルの能力だけでなく、運用コンテキスト、専門的なワークフロー、ツール連携、フィードバックループといった周囲のエンジニアリング基盤にも依存していることを示しています。このシステムは 1 か月で約 25,000 回の診断パスを処理し、報告されたワークフローの成功率は 99.9% に達しました。また、MCP ツールの呼び出し回数は 58,000 回を超え、約 60 のチームプロファイルに対応しています。
著者について
リーラ・クムリ
リーラはスターバックスのリードソフトウェアエンジニアです。スケーラブルなクラウドネイティブシステムや分散プラットフォームの構築において深い専門知識を持ちます。彼女はリワードプラットフォーム全体でアーキテクチャ、納品、運用の卓越性を主導し、システムの近代化、スケーラビリティの向上、信頼性の強化に向けた取り組みを率いています。
技術的なリーダーシップに加え、リーラは組織の AI チャンピオンも務めています。LLM ベースのツールを活用して開発者の生産性やワークフローを改善する機会を発見し、AI 導入におけるベストプラクティスの確立に取り組んでいます。
彼女は本番環境で使えるシステムの構築、開発者体験の向上、そしてエンジニアが技術面と戦略面の両面で成長できるよう指導することに情熱を注いでいます。関心のある分野は、プラットフォームエンジニアリング、分散システム、開発者の生産性、そして技術的なソリューションをビジネスや製品の目標にどう結びつけるかです。
もっと見る 閉じる
原文を表示
Instacart has introducedBlueberry, an AI-assisted incident response system designed to help on-call engineers investigate and troubleshoot production issues faster. The system uses multiple AI agents, operational data, and historical incident knowledge to provide engineers with additional context and root cause hypotheses during production incidents.
The system was built to address a common challenge in large-scale operations: engineers often spend the early stages of an incident collecting context before they can begin diagnosis. This includes identifying service ownership, reviewing deployments, analyzing logs and metrics, searching documentation, and comparing symptoms against previous incidents.
Instacart reported that Blueberry executed approximately 25,000 diagnostic passes in April across more than 270 Slack channels. The company attributed improvements in diagnostic accuracy to grounding the system with more than 14 years of incident history, which helped improve results from the mid-60% range to the high 90% range.
Blueberry integrates with Slack-based incident workflows, allowing engineers to investigate issues without leaving existing collaboration channels. The system assists engineers by gathering information, generating hypotheses, and supporting debugging rather than automatically making production changes.
Instacart CTOAnirban Kundu described Blueberry as part of the company’s broader exploration of agentic AI systems. According to Kundu, when an alert is triggered, Blueberry launches approximately 10 subagents in parallel and generates a grounded root cause hypothesis directly in the Slack thread where engineers are working. The system typically provides this initial investigation output within about three minutes.
The architecture combines AI reasoning with organization-specific operational knowledge. Instead of relying only on general-purpose language models, Blueberry connects agents with internal sources such as incident history, service ownership data, logs, deployments, and other debugging signals.
A key design challenge for AI systems used in production operations is ensuring recommendations are grounded in reliable context. Blueberry uses a tool-aware approach where agents retrieve information from connected systems while maintaining investigation state. Engineers remain responsible for diagnosis, mitigation decisions, and remediation.
Siby Alappatt, Vice President of Engineering at Instacart, said the system has improved on-call troubleshooting and mitigation
Blueberry has proven to be a force multiplier in harnessing AI to help transform on-call and help us quickly troubleshoot and mitigate complex issues in production.
The system also focuses on preserving operational knowledge created during incident response. By incorporating historical incidents and team-specific context, Blueberry helps make previous operational experience available during future investigations.
Alan Wong, Director of Software Engineering at Instacart, highlighted that Blueberry changes the starting point for on-call engineers by providing relevant information before deeper analysis begins. Instead of starting from an empty investigation path, engineers can begin with collected context such as logs, deployments, and related system information.
Instacart’s experience with Blueberry highlights that effective AI systems for operations depend not only on model capability but also on the surrounding engineering framework, including operational context, specialized workflows, tool integrations, and feedback loops. The system processed approximately 25,000 diagnostic passes in one month, with a reported 99.9% workflow success rate, more than 58,000 MCP tool dispatches, and support for around 60 team profiles.
About the Author
Leela Kumili
Leela is a Lead Software Engineer at Starbucks with deep expertise in building scalable, cloud-native systems and distributed platforms. She drives architecture, delivery, and operational excellence across the Rewards Platform, leading efforts to modernize systems, improve scalability, and enhance reliability.
In addition to her technical leadership, Leela serves as an AI Champion for the organization, identifying opportunities to improve developer productivity and workflows using LLM-based tools and establishing best practices for AI adoption. She is passionate about building production-ready systems, enhancing developer experience, and mentoring engineers to grow in both technical and strategic impact. Her interests include platform engineering, distributed systems, developer productivity, and bridging technical solutions with business and product goals.
Show moreShow less
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み