AI는 SRE를 대체하는 게 아니라 숙련도를 떨어뜨리고 있음

AI가 일상적인 장애 대응을 맡을수록 SRE는 드물고 복잡한 장애에 집중하게 되지만, 이를 해결할 직관과 전문성을 연습할 기회는 줄어듦 자동화의 역설은 자동화가 실패할 때 인간의 역할이 더 중요해지는 동시에, 개입에 필요한 숙련도는 실전 경험 부족으로 약해지는 데 있음 로그 읽기, 원인 가설 수립, 시스템 구조 이해를 AI에 넘기는 일은 각각 생산성 향상처럼 보이지만, 합쳐지면 예상 밖 장애에 대응하는 전문성을 약화시킬 수 있음 주니어 SRE에게는 기존 능력을 잃는 문제를 넘어, 기초 역량을 처음부터 쌓지 못하는 역량 형성 실패(never-skilling) 위험이 있음 대응책은 AI를 거부하는 것이 아니라 의도적인 수동 연습과 인간이 문제 해결에 적극 참여하는 설계를 통해, 자동화와 숙련도 유지를 함께 추구하는 것임 자동화가 남기는 가장 어려운 일 “SRE가 모든 소프트웨어 엔지니어링의 미래”라는 전망과 AI가 SRE를 포함한 모든 기술 직무를 대체한다는 전망보다, AI 사용이 실제 대응 역량에 미치는 영향을 살펴볼 필요가 있음 AI가 장애 대응의 95%를 처리할 때, 인간이 정말 중요한 나머지 5%를 처리할 능력을 잃게 되는지가 핵심 질문임 이 비율은 현재 자동화 수준의 측정치가 아니라 문제를 살펴보기 위한 가정임 인지심리학자 Lisanne Bainbridge의 1983년 논문 Ironies of Automation은 자동화의 역설을 다룸 공장과 산업 시스템의 자동화가 늘수록, 드물게 자동화가 실패하는 순간에는 인간 작업자가 더욱 중요해짐 그러나 작업자는 개입을 연습할 기회를 잃고, 오랜 수동적 감시 끝에 준비가 부족한 상태로 중대한 위기를 처리해야 함 산업 자동화가 반복적인 육체노동을 대신했듯, AI는 일상적인 인지 작업인 패턴 인식, 초기 분류, 알려진 문제 해결을 대신함 인간에게 남는 것은 드물고 복잡하며 모호한 문제이며, 여기에 필요한 전문성은 연습을 멈추면 약해짐 SRE 자동화의 현재와 다음 단계 현재 이미 자동화되었거나 AI 지원 비중이 높은 작업은 알림 잡음 감소와 지능형 그룹화, 알려진 문제의 런북 실행, 로그 패턴 탐지와 이상 징후 표시, 과거 장애 데이터 기반의 기본적인 근본 원인 추천임 중단된 파드 재시작이나 부하가 높은 서비스의 확장처럼 잘 이해된 장애 유형은 자동 복구 대상임 가까운 자동화 목표에는 메트릭/로그/트레이스의 다중 신호 상관 분석, 부분적으로만 이해된 장애의 자율적 근본 원...