Banyak tim IT hanya menangani tiket. Autonomous ITOps membantu menyelesaikannya.

Sering kali, dashboard monitoring tidak menunjukkan hal yang mengkhawatirkan. Traffic normal, status layanan tetap hijau, dan waktu respons berada dalam kisaran yang diharapkan. Jika dilihat sekilas pun, tim bisa mengetahui kalau semuanya berjalan baik.

Namun, hari berubah menjadi lebih menantang ketika salah satu status berubah. Saat itulah seseorang harus menghentikan pekerjaannya untuk mencari tahu apa yang sebenarnya terjadi. Menjembatani kesenjangan antara munculnya alert hingga menemukan penyebab masalah merupakan tujuan utama dari autonomous IT operations (ITOps).

Ketika dashboard menampilkan status Critical, tetapi tidak memberi tahu penyebabnya

Suatu hari, salah satu indikator tidak lagi menunjukkan kondisi normal. Website masih dapat diakses, traffic normal, bahkan jumlah page view meningkat jauh di atas rata-rata. Namun, salah satu monitor tiba-tiba berubah dari hijau menjadi merah dengan status Critical karena waktu respons telah melewati ambang batas yang ditentukan.

Sekilas, semua tampak normal. Satu-satunya hal yang berbeda hanyalah indikator berwarna merah tersebut. Karena itu, seseorang mulai melakukan investigasi.

Masalahnya, dashboard hanya memberi tahu bahwa ada sesuatu yang bermasalah, tetapi tidak menjelaskan halaman mana yang mengalami perlambatan, di bagian mana keterlambatan terjadi, ataupun bagaimana cara mengatasinya.

Investigasi juga tidak bisa dilakukan dengan santai. Layanan tersebut memiliki Service Level Agreement (SLA). Begitu status monitor berubah menjadi Critical, waktu dalam SLA mulai terus berjalan. Setiap menit halaman tetap lambat akan mengurangi waktu yang tersedia sebelum terjadi pelanggaran SLA.

Mungkin hanya satu engineer yang memulai investigasi, tetapi waktu yang terus berjalan menjadi tanggung jawab seluruh tim.

Apa yang selanjutnya dilakukan tim Ops?

Biasanya, penyelesaiannya tidak sesederhana melakukan satu kali pemeriksaan. Tim harus menjawab berbagai pertanyaan yang tidak dapat dijelaskan oleh alert tersebut. Apakah seluruh website melambat atau hanya satu halaman tertentu? Apakah keterlambatan berasal dari proses rendering di front end atau respons dari back end? Apakah masalah berasal dari sistem internal atau justru dari layanan pihak ketiga? Setiap pertanyaan mengarah pada proses investigasi berikutnya, baik dengan membuka monitor lain, melihat grafik performa, memeriksa deployment log, maupun menghubungi orang yang terakhir melakukan perubahan pada sistem.

Bagian tersulit bukanlah salah satu langkah dalam proses investigasi. Tantangan utamanya adalah tidak adanya alur yang baku untuk diikuti. Setiap insiden menghadirkan kondisi yang berbeda sehingga tim harus menyusun kembali gambaran masalah dari awal setiap kali melakukan investigasi. Padahal, setiap menit yang dihabiskan untuk mencari penyebab masalah membuat MTTR terus bertambah.

Inilah celah yang mulai diatasi oleh autonomous IT operations. Fokusnya bukan lagi pada kemampuan mendeteksi masalah (karena threshold alert bisa melakukannya), melainkan pada proses investigasi yang dilakukan setelah alert muncul. Mari lihat bagaimana perubahan ini bekerja, dimulai dari satu alert Critical hingga proses penanganannya.

Apa peran AIOps dalam website monitoring?

Secara sederhana, AIOps bekerja melalui empat tahap: mendeteksi masalah, mengelompokkan informasi yang saling berkaitan, menganalisis hasil pengelompokan tersebut, lalu memberikan arahan untuk penyelesaiannya. Dalam konteks website monitoring dan Digital Experience Monitoring (DEM), analisis ini berfokus pada pengalaman nyata yang dirasakan pengunjung saat mengakses website.

Pada skenario sebelumnya, tahap pertama sebenarnya sudah terjadi, yaitu sistem berhasil mendeteksi adanya masalah. AIOps kemudian melakukan pengelompokkan (grouping). AIOps secara otomatis mengelompokkan empat monitor berstatus Critical dari total 50 monitor yang ada sehingga tim dapat langsung berfokus pada komponen yang relevan.

Meski demikian, kemampuan tersebut masih memiliki batasan. AIOps dapat memastikan bahwa waktu respons telah melewati ambang batas yang ditentukan, tetapi belum dapat menjelaskan halaman web mana yang mengalami perlambatan atau apakah penyebabnya berasal dari front end maupun back end. Untuk mengetahuinya, engineer masih harus membuka monitor secara manual, memeriksa timing split, serta menelaah page table.

Dan justru di sinilah peluang automasi berikutnya berada.

Apa itu autonomous ITOps?

Kini, proses analisis tersebut dapat dilakukan secara otomatis. Engineer tidak perlu lagi membuka monitor dan menelusuri data waktu satu per satu. Sistem bisa melakukannya dan langsung menyajikan hasil analisisnya. Inilah yang dimaksud autonomous ITOps: software tidak hanya mendeteksi adanya masalah, tetapi juga menjalankan proses investigasinya.

Pada dasarnya, ada dua jenis automasi yang menjalankan peran berbeda. Workflow automation mengeksekusi serangkaian langkah yang telah ditentukan dengan cara yang sama setiap kali dijalankan. Pendekatan ini ideal untuk pekerjaan rutin dan terprediksi, terutama ketika konsistensi dan audit trail yang jelas menjadi prioritas.

Namun, investigasi terhadap halaman web yang lambat merupakan jenis pekerjaan yang berbeda. Setiap insiden menghadirkan kondisi yang unik sehingga tidak selalu dapat diselesaikan melalui alur yang telah ditetapkan sebelumnya. Karena itu, dibutuhkan jenis automasi lain yang mampu menentukan langkah investigasi berikutnya secara dinamis.

Di Site24x7, kemampuan tersebut diwujudkan melalui Zia Agents. Ketika diarahkan ke monitor berstatus Critical, Zia Agent akan secara otomatis membuka laporan, menganalisis timing split, memeriksa page table, lalu menyajikan hasil temuannya kepada tim.

Autonomi dengan guardrail

Apakah autonomi berarti sistem benar-benar bertindak sendiri tanpa pengawasan manusia? Jawabannya tidak. Zia Agent bertugas melakukan investigasi dan menyajikan hasil analisis, sementara tim tetap terlibat dalam seluruh proses pengambilan keputusan.

Proses investigasinya pun bersifat transparan. Terdapat fitur chat untuk mengajukan pertanyaan, fitur reasoning untuk menampilkan langkah yang dilakukan Zia Agent dalam membuat kesimpulan, serta indikator pemrosesan yang memberi tahu ketika investigasi masih berlangsung.

Hasilnya, Zia Agent mampu menyaring 50 monitor beserta sejumlah besar data timing menjadi satu temuan yang jelas dan mudah dipahami. Tim kemudian meninjau hasil tersebut, memverifikasi apakah analisisnya sudah tepat, lalu menentukan tindakan perbaikan yang diperlukan. Dengan kata lain, keputusan tetap berada di tangan manusia, sementara pekerjaan investigasi yang memakan waktu dialihkan kepada sistem.

Tetapi, aturan siapa yang diikuti?

Guardrail yang diterapkan tidak hanya sebatas apa yang terlihat oleh pengguna. Melalui Zia Solutions, agent AI dapat menggunakan runbook milik organisasi sebagai landasan dalam melakukan analisis. Runbook tersebut berisi langkah-langkah troubleshooting, alur eskalasi, serta proses validasi yang telah dipercaya dan digunakan oleh tim sebagai acuan operasional.

Dengan pendekatan ini, Zia Agent tidak mengambil keputusan berdasarkan asumsi yang bersifat umum. Sebaliknya, setiap insiden dievaluasi berdasarkan prosedur dan kebijakan yang memang telah ditetapkan oleh organisasi.

Selain itu, terdapat lapisan kontrol pada setiap agent AI untuk memastikan seluruh aktivitasnya tetap berada dalam batasan, aturan, dan kebijakan yang telah ditentukan organisasi.

Apa yang berubah, dan ke mana arahnya?

Sebelumnya, ketika monitor menampilkan status Critical, engineer harus membuka monitor, menganalisis data front end dan back end, memeriksa page table, lalu menyimpulkan sendiri penyebab masalah.

Kini, proses tersebut dapat dilakukan secara otomatis. Sistem langsung menunjukkan halaman yang bermasalah, lapisan penyebabnya, dan area yang perlu diperiksa.

Hasilnya, waktu dari munculnya alert hingga menemukan solusi menjadi jauh lebih singkat. Tim dapat menangani masalah sebelum pengunjung meninggalkan website dan sebelum SLA terlampaui.

Dampak terbesarnya terlihat pada Mean Time to Recovery (MTTR). Selama ini, yang memakan waktu bukanlah proses deteksi, melainkan investigasi setelah alert muncul. Kini, AI agent mengambil alih tahap tersebut sehingga tim dapat lebih fokus pada pengambilan keputusan dan tindakan perbaikan.

Inilah perubahan terbesar dari autonomous ITOps: proses investigasi yang sebelumnya dilakukan secara manual kini dapat dijalankan secara otomatis. Pada website monitoring, setiap menit yang dihemat berarti pengalaman pengguna yang lebih baik dan risiko pelanggaran SLA yang lebih rendah.

Ingin mencobanya? Arahkan Site24x7 Zia Agent ke monitor Critical berikutnya dan biarkan AI melakukan investigasi awal.

FAQs