Майже всю кар'єру DevOps для мене означав писати YAML. Десь у 2026-му я перестав — і натомість почав вчити інфраструктуру думати. Звучить як слайд із вендорського стенду, тож скажу точніше: я взявся побудувати AI-платформу для DevOps — справжню інфраструктуру, яка ловить аномалії, передбачає збої і діє на них просто у проді. Не демо з конференції. Не робот на слайді. Те, що працює на живих клієнтах і реальних грошах.
Це чесна версія того, як усе минуло, включно з тією частиною, якої не показують у кейноуті.
Від гасіння пожеж до передбачення
Старий цикл знайомий кожному, хто носив пейджер. З'являється аномалія, спрацьовує алерт, людина розбирається, людина вирішує, людина лагодить. Поки ти прокинешся настільки, щоб прочитати дашборд, інцидент уже коштував тобі грошей.
Цикл, який я хотів, виглядав інакше. З'являється аномалія — система зіставляє її з історичними патернами, пропонує фікс, людина підтверджує. А якщо впевненість висока, лагодить сама і логує все для розбору. Мета була не прибрати людей. Мета — перестати будити їх через проблеми, які система і так розуміє.
Стек
Стек я тримав свідомо нудним там, де нудьга безпечна, і цікавим лише там, де це виправдано.
- Python — шар інтелекту: логіка кореляції, оркестрація моделей, рушій рішень.
- Terraform — сама інфраструктура, щоб кожна зміна, яку пропонує платформа, була планом, який людина може прочитати.
- Azure OpenAI — міркування: пошук патернів по логах і метриках, які людина не втримає в голові.
Terraform важив більше, ніж здається. Оскільки кожна дія лягає як Terraform plan, пропозиція AI — не чорна скринька, що мутує хмару. Це дифф. Його можна прочитати, відхилити або дати виконати. Саме це рішення і зробило всю затію захищуваною на рев'ю.
Trust but verify
Принцип, на якому побудована вся платформа, — trust but verify. Дії я розділив за радіусом ураження.
Низькоризикове виконується саме: проставити теги, приспати непродакшн-оточення на ніч, ужати dev-базу, за якою ніхто не стежить. Усе, що чіпає продовий нетворкінг чи скейлінг, проходить через гейт із ручним підтвердженням. Кожне рішення — автоматичне чи через гейт — логується і піддається перевірці. Якщо хтось спитає, чому платформа зробила це о третій ночі, відповідь є: з таймстампом і причиною.
Оптимізація costs окупилася першою
Я чекав, що зіркою буде детект аномалій. А зал першим виграв шар costs.
AI пройшовся по 200+ ресурсах і знайшов гроші, які ми перестали помічати. VM, що простоюють 24/7 без жодної причини, яку хтось пам'ятає. Роздуті інстанси, які можна опустити на тир — і жоден користувач не помітить. Ворклоади, яким потрібні лише робочі години, але які тарифікуються цілодобово. Забуті снапшоти, що тихо капають у рахунок. За перший прохід набралося близько $40K на місяць намарно.
Ось що мені тут по-справжньому цікаво: люди це впускають, бо звикають до статус-кво. Інстанс завжди був такого розміру. VM завжди була ввімкнена. Звичка засліплює. У моделі такого перекосу немає, і вчиться вона на патернах твоєї конкретної інфраструктури, а не на generic-бенчмарках із вайтпейпера.
Демо, яке змінило розмову
Довести технологію було важко. Переконати стейкхолдерів, що «інфраструктура, яка сама ухвалює рішення» — не наукова фантастика, зайняло приблизно вдвічі довше.
Спрацювала зрештою не діаграма. Спрацював реплей. Минулого кварталу витік пам'яті коштував команді чотирьох годин діагностики, перш ніж ми його знайшли і пропатчили. Я згодував платформі ті самі умови. Вона впізнала патерн за 11 секунд і запропонувала рівно той фікс, який ми тоді докотили руками.
Після цього сперечатися ніхто не став.
Що змінилося насправді
Через пару місяців цифри, що мали значення, були не про AI. Вони були про людей.
- Mean time to detection впав із хвилин до секунд.
- False positive rate знизився приблизно на 60% — та сама цифра, що реально рятує чергового від alert fatigue.
- Нічних пейджів стало вдвічі менше.
- Команда почала висипатися.
Останнє на дашборд не винесеш, але саме воно хвилює мене найбільше.
Де я проводжу межу
Я не вірю в повністю автономний прод. Я вірю в систему, яка сама тягне нудну, очевидну, зрозумілу роботу, а неоднозначні, дорогі й незворотні рішення віддає людині з повним контекстом. Межа між auto-fix і human-in-the-loop не зафіксована. Вона рухається в міру того, як система заслуговує довіру, — по одному перевіреному рішенню за раз.
Нам не потрібно більше інструментів. Інструментів вистачає. Нам потрібні системи, які вчаться в інфраструктури, якою керують, — і дисципліна дати їм це довести, перш ніж віддавати ключі.