オンコール負担なく生産稼働、常時エージェントが実現 — Resolve AI

AI が生んだ「開発の加速」が、なぜエンジニアをオンコール地獄に追いやるのか？常時稼働エージェントが解決する真の課題

AI によるコード生成ツールが普及し、開発速度は劇的に向上しました。しかし、その恩恵は裏返しになり、生産環境の複雑化とそれに伴うオンコール負担の増大という新たなボトルネックを生んでいます。Resolve AI の創設者である Justin Smith は、単なるモデルの実行ではなく、システム環境を継続的に学習・理解する「常時稼働エージェント」こそが、このジレンマを打破し、エンジニアをコード作成に集中させる唯一の解であると説きます。

開発速度向上の代償：70% の時間が「コード作成」以外に使われている

AI ツールの導入により、PR（プルリクエスト）は大型化し、非エンジニアによるコード投入も増えています。確かに生産性は向上しましたが、その結果として生じたのは、システム全体の複雑化です。

Justin は、ある調査研究を引用して衝撃的な事実を明かします。「エンジニアの時間の 70% が、実際にコードを書くことではなく、生産環境での実行や維持に費やされている」というのです。具体的には、プラットフォームの維持、インフラのスケーリング、インシデントのデバッグ、オンコール対応、ホットフィックスのリリース、アラートへの対応、手順書の更新、サービス復旧、他チームからの問い合わせ対応などが挙げられます。

「コーディング自体がボトルネックだったわけではありません。問題は、どのようにしてこれらのシステムを生産環境で動かすかという点にあり、それがますます難しくなっているのです」

AI によって生成されたコードは新たなバグや不具合を発生させやすく、それを処理するための適切な構造が整っていない現状があります。さらに、トークン制限の強化やコスト増といった経済的な制約も加わり、「フルスタック AI」への転換が急務となっています。これは単にモデルを使うことではなく、特定のドメインにおける文脈（コンテキスト）を理解し、モデルが何ができるかを把握することの重要性を意味します。

常時稼働エージェント：オンコールと日常業務の二重の負担を解消する

この課題に対し、Resolve AI が提唱するのは「常時稼働するエージェント」です。これは単発的なタスク実行ではなく、システム環境を学習・理解し続けるアーキテクチャです。

1. オンコールエージェント：アラートから根本原因まで自動化

オンコールは多くのエンジニアにとって「悪夢」です。数週間に一度の頻度で対応することになり、直近の変更点や関連する複雑なシステムを完全に把握していないまま対応を迫られることが多々あります。

Resolve のオンコールエージェントは、アラート発生からトリアージ（選別）、根本原因調査までを一貫して自動化します。単なるページ通知の受け身ではなく、AI エージェントが文脈を集約し、迅速に状況を把握することで、エンジニアの負担を劇的に軽減します。さらに、インシデントが組織全体に波及する大規模な事案になった際も、エージェントが各チーム間の連携を調整し、状況や影響範囲を同期させる役割を果たします。

2. バックグラウンドエージェント：「火災」以外の日常業務を処理

Justin は特に注目すべき点として、「バックグラウンドエージェント」の存在を挙げます。これは、明らかなアラート（火事）がない日常における運用タスクを担います。

• デプロイ監視: 正常にリリースされているかの確認
• モーニングレポート: システムの健康状態や P99 の遅延傾向などの定例報告
• キャパシティレポート: クォーター目標に対する進捗状況の確認
• 再発防止チェック: カスタマーからの苦情を待たず、自発的な健全性確認

これらの業務は、明確なジョブディスクリプションに明記されていないことが多く、エンジニアの頭の中に「この部分は大丈夫だろうか」というモヤモヤを抱えながら行われているケースが大半です。バックグラウンドエージェントは、こうした「見えない作業」を自動化し、エンジニアが本質的な開発活動に集中できる環境を作ります。

単なるモデル実行を超えて：環境理解と学習ループの重要性

AI エージェントが真に機能するためには、単にモデルを呼び出すだけでは不十分です。Justin は「モデル自体は非常に賢くなっている」と認めつつも、最大の課題は「環境の真の理解」にあると指摘します。

「システムの状態やサービス間の因果関係、ホットスポット（ボトルネック）の特定など、環境を理解し追跡することは極めて困難ですが、タスクを成功させるためには不可欠です」

システムは絶えず進化しており、昨日までの知識が今日では通用しないこともあります。そのため、Resolve AI は「学習システム」を中核に据えています。これは、システムの変化に合わせて継続的に状態を学び、因果関係を記憶する仕組みです。

単発的な判断ではなく、変化の激しい環境下でも正確な判断を下せるよう、システムの進化速度に追いつき続けるための学習ループが不可欠なのです。この「生産コンテキスト」こそが、ダッシュボードの数値を見るだけでなく、「この数値は不自然だ」という直感的な違和感を検知し、次の深層調査へと導く鍵となります。

柔軟なトリガーと既存ワークフローへのシームレス統合

最後に、これらのエージェントを実際の現場でどう活用するかという点です。Resolve AI は、スケジュール実行、イベントストリーム、メッセージベースなど多様なトリガーに対応しています。

重要なのは、Slack や MS Teams などの既存のコミュニケーションツールやワークフローにエージェントをシームレスに組み込むことです。これにより、新しいツールの習得コストや導入障壁を下げ、組織の生産性向上を即座に実現します。エンジニアは、コードを書くことに集中し、AI エージェントが裏側でシステムを監視・維持・学習する、理想的な協働体制が可能になります。

まとめ

AI による開発加速は、運用コストとオンコール負担という新たな課題を生みましたが、常時稼働し環境を理解するエージェントによって、この負のスパイラルを断ち切る道が開かれています。エンジニアが「コードを書くこと」に集中できる未来は、AI を単なるツールとして使うのではなく、システムの一部として自律的に動かすことで実現されるのです。