Perkembangan kecerdasan buatan telah mengubah cara tim pengembang menghasilkan kode. Satu persen pengembang aktif yang memanfaatkan AI kini mampu menghasilkan 46 kali lebih banyak baris kode per hari dibandingkan pengguna median. Akibatnya, kompleksitas sistem produksi meningkat dengan kecepatan yang belum pernah terjadi sebelumnya. Site Reliability Engineering (SRE) menghadapi tantangan baru karena kegagalan tidak lagi bersifat lokal dan mudah dilacak.
Selama puluhan tahun, debugging dianggap sebagai masalah spasial. Kegagalan pada layanan tertentu biasanya ditangani oleh tim yang memiliki layanan tersebut. Model ini efektif selama insiden tetap berada dalam satu batas kepemilikan. Namun, kode yang dihasilkan AI mempercepat pembuatan layanan, dependensi, dan jalur deployment sehingga kegagalan sering muncul di tempat yang berbeda dari sumbernya.
Insiden multi-hop menjadi semakin umum. Misalnya, API checkout mengalami timeout tanpa ada indikasi kesalahan di dalam layanan itu sendiri. Penyebab sebenarnya mungkin berasal dari perubahan skema pada layanan antrean yang diterapkan dua hari sebelumnya. Setiap tim melihat metrik mereka normal, sehingga tidak ada yang menerima notifikasi. Situasi ini menunjukkan bahwa bukti telemetri berlimpah, tetapi menghubungkan petunjuk menjadi rantai kausal memerlukan waktu yang signifikan.
AI dapat berperan sebagai alat untuk merakit konteks secara cepat. Ia mampu menguji hipotesis, melacak dependensi, membandingkan insiden saat ini dengan kejadian sebelumnya, dan menyingkirkan penjelasan yang tidak sesuai dengan waktu atau radius dampak. Peran ini mengurangi waktu yang biasanya dihabiskan 20 menit pertama insiden untuk mengumpulkan bukti dan memetakan sistem.
Keputusan akhir tetap berada di tangan insinyur manusia. Mereka menilai kekuatan bukti, menimbang risiko rollback, memutuskan apakah perlu membangunkan tim lain, serta memilih antara mitigasi cepat atau investigasi mendalam. AI tidak menggantikan penilaian ini karena tidak memiliki pengetahuan tentang arsitektur spesifik organisasi.
Salah satu dampak penting yang perlu diperhatikan adalah pergeseran alokasi perhatian insinyur senior. Dengan AI menangani sebagian beban pemecahan masalah, mereka dapat mengalokasikan waktu untuk menyederhanakan arsitektur yang rapuh dan memperbaiki instrumentasi di area yang sering gelap selama insiden. Hal ini juga memungkinkan umpan balik pengetahuan produksi ke dalam proses pengembangan.
Selain itu, organisasi perlu mempertimbangkan integrasi AI dengan platform observabilitas yang sudah ada. Tanpa koneksi ke data historis insiden dan perubahan deployment, model AI akan beroperasi dalam ruang hampa. Pendekatan ini mendukung pembuatan sistem yang lebih mudah dipahami dan tidak terlalu bergantung pada kehadiran pakar tertentu.
Tujuan utama bukan menghilangkan insinyur dari pengelolaan produksi. Sebaliknya, AI harus mengurangi pemborosan penilaian manusia pada tugas yang seharusnya dapat dilakukan sistem secara otomatis. Hasilnya adalah insiden yang lebih singkat dan ruang bagi tim untuk mencegah kejadian serupa di masa mendatang.
