Ingénieur DevOps / ingénieur plateforme / SRE

Google décrit ses propres opérations et ne vend pas à quelqu'un d'autre : le texte est signé par un Distinguished Software Engineer et un Distinguished Site Reliability Engineer, et publié sur le blog de l'entreprise. Ce qu'il affirme au passé ou au présent est la moitié qui mérite d'être enregistrée : l'équipe SRE a développé des agents qui surveillent et améliorent les playbooks à partir de leur usage pendant les incidents, et qui peuvent générer de nouveaux playbooks à partir de ceux-ci ; un agent d'alerte qui les regroupe, les prétraite et les enrichit avant que des gestionnaires autonomes ne les prennent ; des agents qui consolident les espaces de discussion, les enregistrements et les documents de suivi utilisés pendant un incident, créent des documents de passation entre SRE, rédigent des brouillons de postmortem et gèrent la communication interne et externe de l'incident ; des agents créés pour enquêter sur les incidents et, selon les mots du texte, dans certains cas pour les atténuer de façon autonome ; et AI Insights, un système qui relit les incidents passés et rend ce qu'il en extrait à ces agents. Le reste du texte relève du projet et n'est pas enregistré. Trois limites, et la première est la plus grande. Il n'y a pas un seul chiffre : ni la proportion d'incidents concernés, ni le nombre d'agents en service, ni un avant et un après, ni le nombre de personnes dans l'astreinte. Deuxièmement, l'intérêt est direct et le cadrage à la première personne ne le dissimule pas : chaque composant nommé en dessous est un produit Google (Gemini, l'Agent Development Kit, la Gemini Enterprise Agent Platform, MCP sur l'infrastructure d'API de Google), de sorte que ce texte est aussi une architecture de référence de ce que l'éditeur vend. Troisièmement, c'est un seul opérateur, et un opérateur particulier : une organisation qui pratique sa propre discipline de fiabilité depuis vingt ans ne remplace pas une équipe de quatre qui se passe le bipeur. Ce qui en fait une preuve sur cette tâche et non sur des outils, c'est la place qu'occupent les agents : le travail autour de la décision de trois heures du matin — rassembler le contexte, passer la main, dire aux gens où l'on en est, écrire ensuite — est la partie qui a bougé, et le texte précise qu'une approche par agents n'implique pas nécessairement de retirer les personnes du processus pour les services les plus à risque.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Une entreprise, un routeur de bordure à Miami, 25 minutes (20 h 25 – 20 h 50 UTC). Ce qui compte, c'est ce que l'automatisation a écrit : une modification poussée par la plateforme d'automatisation des politiques de Cloudflare a supprimé les références aux listes de préfixes et laissé un terme de politique si permissif qu'il marquait tout préfixe de type interne comme annonçable. Le retour arrière a été fait par une personne, et l'automatisation a été suspendue sur ce routeur. Consigné comme déploiement et non comme restriction, car l'adoption n'a pas été freinée : le correctif énoncé par Cloudflare consiste à ajouter une évaluation automatique des politiques de routage dans ses chaînes CI/CD — une machine qui vérifie la machine, pas un point de contrôle humain. Cela établit que, chez un grand opérateur de réseau, les ingénieurs apportent les modifications de la politique de routage par l'intermédiaire d'une plateforme d'automatisation qui génère et applique la configuration en production ; cela ne dit pas quelle part de la configuration de cet opérateur est écrite par des machines, et un incident chez un fournisseur n'est pas une mesure du secteur.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Une enquête auprès de praticiens : les 90 % sont donc un usage déclaré plutôt que mesuré, et le « 80 % pensent que cela a augmenté leur productivité » qui l'accompagne est une croyance et doit être lu comme telle — ce site détient un essai randomisé dans lequel des développeurs expérimentés étaient 19 % plus lents en se croyant 20 % plus rapides, donc une croyance sur sa propre vitesse n'est pas une preuve sur la vitesse. Ce qui n'est pas de l'auto-déclaration sur sa propre performance, c'est la corrélation que les chercheurs calculent entre répondants, et c'est la partie utile : l'adoption est positivement liée au débit et à la performance produit, et négativement à la stabilité des livraisons. Le mécanisme que donnent les auteurs est précis — sans tests automatisés solides, gestion de versions mature et boucles de retour rapides, un volume de changements plus élevé produit de l'instabilité, et les équipes en architecture faiblement couplée voient des gains là où les fortement couplées n'en voient guère. Google Cloud publie cette enquête et vend les outils sur lesquels elle interroge.

Usage mesuré et à grande échelle d'un outil pour du travail réel, où la décision de l'utiliser vient de la personne qui travaille et non de l'employeur. C'est plus qu'un enregistrement de capacité — le travail est réel, pas une démonstration — et moins qu'un enregistrement de déploiement, car aucun employeur ne l'a mis en production, ne l'a exigé, ni n'a construit un processus autour. Pondéré `cautious` : `automating` signifie que la machine sait faire la tâche ET qu'il y a des signes d'adoption, et ceci est un signe d'adoption ; mais l'usage peut être expérimental, et une bonne part de la mesure vient d'une partie intéressée, donc un enregistrement ne suffit jamais et deux indépendants suffisent. Regardez qui compte. La télémétrie d'un fournisseur voit cela directement et vend l'outil, donc un tel enregistrement déclare cet intérêt dans son périmètre ; une agence statistique qui demande aux entreprises si leurs salariés utilisent l'IA dans leurs tâches voit le même canal sans aucun intérêt propre, et là où elle existe, c'est la meilleure source.

Le propre rapport d'incident du fournisseur de cloud sur une panne de plusieurs heures touchant nombre de ses services. Il indique que la modification à l'origine ne disposait pas d'une gestion des erreurs appropriée et n'était pas protégée par un indicateur de fonctionnalité ; que le service ne disposait pas d'un mécanisme de réessai à délai exponentiel aléatoire, si bien que le rétablissement a pris jusqu'à environ 2 heures 40 minutes dans une région ; et que les remèdes comprennent la modularisation de l'architecture du service afin que ses fonctions soient isolées et restent ouvertes en cas de défaillance, ainsi qu'une propagation progressive de la réplication des données, en laissant le temps de la valider. C'est le récit d'une entreprise sur sa propre panne ; l'élément défaillant était du code ordinaire, pas de l'IA.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

La propre analyse des causes profondes, par l'éditeur de sécurité, de la mise à jour de juillet 2024 qui a fait planter des machines Windows dans le monde entier. Elle constate que le validateur de contenu automatisé contenait une erreur de logique ; que, pour les tests automatisés, un ensemble statique de 12 cas de test avait été retenu ; et que chaque instance de modèle devrait être déployée de façon échelonnée, deux éditeurs tiers indépendants de sécurité logicielle étant chargés d'un examen complémentaire. C'est le récit de l'entreprise sur sa propre défaillance ; l'automatisation qui a échoué était un validateur, pas de l'IA.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Une agence fédérale américaine. L'étude de cas, publiée par la General Services Administration avec le CIO adjoint de l'OPM comme contact, indique que les dépenses de l'OPM sur le nuage Azure ont augmenté de plus de 2 000 % depuis 2021, ce qui l'a conduit à créer une équipe dédiée à la surveillance et à la gestion des coûts du nuage ; que sa détection d'anomalies met en place des tableaux de bord pour détecter et identifier les hausses inattendues des dépenses en nuage et y réagir ; qu'elle utilise une matrice de décision pour chaque catégorie de décisions ; et que l'équipe suit des décisions telles que les engagements d'instances réservées, le redimensionnement, la gestion budgétaire et les prévisions. Elle ne dit pas si la détection repose sur l'intelligence artificielle ou sur de simples seuils. L'avancement est rapporté à mars 2024 ; daté de la fin de ce mois.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Une étude sectorielle commandée, non une mesure, et elle est enregistrée ici parce qu'elle pointe dans l'autre sens que l'essentiel de cette base. Le même document qui attend une contraction du support autonome attend que le travail atterrisse sur ce poste : il dit que la fonction DevOps prendra en charge la supervision des engagements de service et le développement de nouveaux systèmes, et que la fonction développement prendra en charge la gestion et l'optimisation de la performance système, réunissant développement et exploitation pour offrir un soutien plus global, et il liste les ingénieurs en automatisation et orchestration comme un poste peu touché vers lequel les ingénieurs d'infrastructure fortement touchés pourraient se tourner, sans dire que la demande pour ce poste croît. Il nomme aussi l'ingénieur DevOps comme la destination qu'il considère facile ou modérée pour les ingénieurs de support dont il attend le remplacement. Rien de tout cela n'est la preuve que quelqu'un ait été recruté, que les effectifs aient monté ou que la transition ait eu lieu — c'est l'attente d'une agence, publiée avant que l'IA générative n'atteigne le public, couvrant Singapour seulement et bâtie sur des entretiens avec des parties prenantes plutôt que sur des données d'emploi. Ce que cela établit, c'est que le constat de remplacement ailleurs dans le même rapport n'affirme pas que le travail disparaît.

Une personne nommée, ayant une position reconnue, a publiquement prédit quelque chose, à une date, dans une déclaration attribuable. On l'enregistre pour que qui a dit quoi, et quand, reste vérifiable — et cela ne déplace jamais l'appréciation d'une tâche, car une prévision n'est pas une observation. Sa valeur arrive plus tard : l'enregistrement se trouve sur la même page que les preuves concernant ce métier, donc qui lit la prévision lit à côté le relevé de ce qui s'est passé ensuite. C'est là que les comptes se font ; ce site ne publie aucun verdict sur la réalisation d'une prévision.

Le barreau qui embauchait les débutants — écrire et brancher la configuration — est celui vers lequel le mécanisme le plus net est pointé, parce que c'est du code au résultat vérifiable par machine. Ce qu'il reste alors à un débutant est l'astreinte, c'est-à-dire la partie la plus dure et celle que vous étiez censé mériter. Poussez pour assister aux revues d'incident bien avant d'entrer dans le tour de garde.

Votre levier est la décision de conception et l'appel pendant l'incident, et les deux sont de minces tranches de la semaine. Le risque n'est pas qu'elles soient automatisées, c'est que les heures autour d'elles soient amincies jusqu'à ce qu'un ingénieur couvre plus de services qu'une seule tête ne peut en tenir. Surveillez le nombre de services par ingénieur comme un serveur surveille le nombre de tables qu'on lui confie.

Rester et se renforcer

Allez vers la conception et éloignez-vous du branchement

La décision de conception n'a aucun arbitre automatique, et c'est exactement pour cela qu'aucun outil ne peut y boucler la boucle — et c'est la partie du métier qui capitalise.

Refaçonner le poste

Détenez l'exploitabilité de ce que les autres construisent

Plus de configuration générée veut dire plus de systèmes dont personne n'est responsable, et quelqu'un doit tenir la norme de ce qui a le droit de tourner en production.

La moitié configuration bouge, et bouge vite, parce que le code d'infrastructure s'applique proprement ou échoue — un résultat vérifiable par machine est ce qui permet à un modèle de réessayer sans surveillance. L'astreinte, non, parce qu'un incident est par définition la panne que personne n'avait anticipée et que l'appel porte sur des dégâts acceptables plutôt que sur une réponse correcte. La forme probable n'est pas la suppression mais l'amincissement : moins d'ingénieurs couvrant plus de services, ce qui garde chaque tâche et rend le tour de garde pire.

Pas de date. Deux chiffres que vous pouvez produire vous-même en disent plus que n'importe quelle prévision : quelle part de votre semaine va à du travail dont l'application réussit ou échoue, et de combien de services chaque ingénieur de votre tour de garde est désormais responsable. Le premier est votre exposition par tâche ; le second est le changement qui atteint réellement les gens de ce métier, et il bouge discrètement après l'arrivée des outils.

Pas d'ordinaire, et c'est le cas le plus net de ce site d'un outil qui ressemble à une économie et se comporte comme une dette. Chaque ressource créée est une ressource que quelqu'un doit garder, sécuriser et un jour supprimer : une configuration plus rapide produit donc plus de configuration plutôt que moins de travail — les heures passent de l'écriture au démêlage. Le démêlage est invisible sur une feuille de route, et c'est exactement pourquoi il est budgété comme une économie.

C'est la tâche la plus sûre du métier et aussi la plus petite. Savoir si une conception était juste se découvre longtemps après qu'elle a été faite, ce qui veut dire qu'il n'y a pas d'arbitre automatique et donc aucune boucle qu'un outil puisse fermer — mais les décisions de conception occupent une petite part des heures de la plupart des équipes. Un poste peut être solide sur sa tâche la plus experte et perdre quand même l'essentiel de ses heures, et c'est cet écart qu'il faut anticiper.