スクリプトからエージェントへ: 自動化の進化が NetOps における AI の不可欠な要素となった理由

第1世代：可視性がボトルネックになったとき（マップベースオートメーション、2004～2010年）

2000年代初頭の日常業務は、デバイスに一つ一つログインし、頭の中で状況を整理することを意味していました。これは、ネットワークが複数の場所に数百台のデバイスをまたぐようになるまではうまく機能していました。何かが故障すると、エンジニアは記憶、古くなったVisioの図、断片化されたドキュメントからトポロジを再構築する必要がありました。

マップベースの自動化によりコンテキストの問題が解決されました。 NetBrainの最初のプラットフォームは、CLI自動化と動的なトポロジ検出、つまりデジタルツインに裏付けられた生きたダイアグラムを組み合わせました。エンジニアは、静的なドキュメントを読み込む代わりに、パスを視覚化し、デバイス構成を取得し、依存関係をリアルタイムで確認できるようになりました。

自動化によって空間認識能力が向上しました。デバイスが大規模なネットワークのどこに位置づけられるかを即座に理解しながらコマンドを実行できるようになりました。同様に重要なのは、ネットワークに関する知識が個々のエンジニアの頭の中から、共有されクエリ可能なシステムへと移行し、スクリプトやスプレッドシートに分散していたコンテキストが一元化されたことです。

第2世代: マップから再利用可能なロジックへ (Qappベースの自動化、2011～2015)

仮想化によってルールが変わりました。物理ハードウェアに触れることなくトポロジーを変更できるようになりました。エンジニアが月曜日に見たネットワークは、水曜日には変わってしまうかもしれません。それは再設計によるものではなく、ワークロードの移動によるものです。マップは「どこに何があるのか​​？」という問題を解決しましたが、トラブルシューティングは依然として、個々の専門家が個人のノートや一度きりのスクリプトに記録された独自のコマンドシーケンスを実行することに頼っていました。

インシデントは仮想スイッチ、ファイアウォール、そして初期のクラウドゲートウェイを横断しました。VPNの設定ミス、QoSの問題、非対称ルーティングなど、同じパターンが繰り返されましたが、診断手順は部族の知識のままでした。

NetBrain第2世代では、ローコードQapps（デジタルツインに対して実行される共有可能な診断モジュール）が導入されました。エンジニアは、あらゆるシナリオに合わせてカスタムスクリプトを作成する代わりに、ビルディングブロックを使用してチェックとデータプルを組み立てました。Qappsは、デジタルツインが実行時に検出したあらゆるトポロジに合わせてこれらのチェックを適応させました。

自動化は「レイアウトを見せて」から「何をどの順番でチェックすればいいかを見せて」へと進化しました。上級エンジニアが実証済みのトラブルシューティング手順をQappにエンコードすると、チーム全員がそれを利用できるようになりました。専門知識がソフトウェア化されました。

第3世代: 診断から完全なワークフローまで (Runbookベースの自動化、2016～2019年）

2010年代半ばまでに、ネットワークは断片化していました。マルチクラウドアーキテクチャにより、アプリケーショントラフィックはAWS、Azure、オンプレミスデータセンター、そしてブランチオフィスを単一のトランザクションで通過できるようになりました。Kubernetesとマイクロサービスによって、接続パターンは常に変化しました。SD-WANは、ブランチオフィスとクラウドリソースの接続方法を一変させました。

Qappsは個別の診断にはうまく対応していましたが、インシデント対応においては、セキュリティポリシーの検証、クラウドエンジニアによる接続確認、ネットワークチームのパス追跡など、チーム間の連携がますます必要になっていました。各グループは異なるツールを使用し、異なる手順を踏んでいました。サービスの復旧には、時間的制約の中で複数のステップを手作業でつなぎ合わせる必要がありました。

Runbookベースの自動化は、個別のタスクではなく、ワークフロー全体を調整します。 runbook 構成を取得し、パス分析を実行し、インテントのコンプライアンスを確認し、結果を文書化するという一連の手順を繰り返し実行できます。 runbookデジタルツイン上で操作すると、実際のトポロジに自動的に適応します。​

Runbook上級エンジニアが障害発生時に実行する手順を正確にコード化し、誰でもそのプロセスにアクセスできるようにしました。ボトルネックはもはや個人の専門知識ではなくなりました。

第4世代：あらゆるシナリオが脚本化不可能になったとき（Intent-Based Automation、2020-2023）

パンデミックによるリモートワークの導入により、組織はVPN、SD-WAN、クラウドゲートウェイに大きく依存する接続環境をほぼ一夜にして再構築せざるを得なくなりました。SASEとゼロトラストアーキテクチャは、セキュリティポリシーを接続ファブリックに直接組み込むようになりました。可観測性プラットフォームは、キャプチャ可能なすべてのデータをストリーミングし始め、チームに大量のテレメトリを供給しました。

クラウドのローリング展開、動的なセキュリティポリシー、そして常に変化するトラフィックパターンにより、あらゆる障害モードに対応するワークフローを事前に作成することは不可能になりました。 runbook想定されるシナリオの範囲が広すぎました。チームは、何か問題が発生したときにどう対応するかだけでなく、ネットワークがビジネスの期待に応えているかどうかを把握する必要がありました。

インテントベースの自動化は、このモデルを一変させました。エンジニアは望ましい結果（到達可能性要件、セグメンテーションルール、パフォーマンスしきい値、コンプライアンスポリシー）を定義し、それらのインテントが実際のネットワーク全体で実現可能かどうかをシステムに検証させました。 NetBrainの第 4 世代はデジタル ツイン上に構築され、これらのインテントをエンコードし、リアルタイムのトポロジと状態と照らし合わせて自動的にチェックします。​

エンジニアは、具体的なチェック項目を一つ一つ列挙するのではなく、ポリシーと成功基準の定義に注力しました。自動化は、事後対応型のトラブルシューティングではなく、継続的な検証へと移行しました。こうしてAIに必要な基盤が構築されました。つまり、「正しい」状態がどのようなものかを理解し、それをどのように修復するかを推論できるエージェントを受け入れる準備が整ったシステムです。

第5世代：自動化から自律推論へ（2024年以降）

インテントベースの自動化によって「良い」状態とはどのような状態かが明確になりましたが、依然としてギャップが残っていました。インテント違反を検知するには、依然としてエンジニアがログ、パス、ポリシー、そしてプレッシャーのかかるインシデント発生時の変更履歴を手作業でつなぎ合わせる必要がありました。システムは問題をフラグ付けできましたが、それでも人間が解決する必要がありました。

大規模言語モデルは2023年頃に企業で実用化されました。これらのモデルは、豊富なデータモデルを活用できれば、チケットの読み取り、CLI出力の解析、イベントの相関分析、仮説の提案など、人間よりもはるかに高速に実行できます。成熟したデジタルツイン、コード化されたインテント、そして機械速度で動作可能なAI推論が、ついに連携できるようになるでしょう。

NetBrain第5世代では、デジタルツインとゴールデンインテントに加えて、エージェントレイヤーが追加されました。AIエージェントは目標（「セキュリティポリシーに違反することなく、このアプリケーションへのアクセスを復元する」）を取り込み、ネットワークの現在の状態を調査し、事前に定義された境界内で必要な診断および修復手順を選択または構築できます。

日常的なトラブルシューティングと検証タスクは、ますます機械の速度で実行されるようになっています。エージェントは、曖昧さ、矛盾するインテント、またはポリシーの境界に遭遇した場合にのみエスカレーションを行います。エンジニアはこれらの境界を設計し、新しいインテントを定義し、エージェントが依存する知識を洗練させます。エンジニアの役割は、オペレーションを手動で実行するのではなく、どのように動作すべきかを策定することにあります。

NetOpsがエージェント型AIに備える方法

ネットワークは今や複数のクラウド、リモートサイト、そしてセキュリティドメインにまたがっています。手作業によるトラブルシューティングやアドホックスクリプトでは対応しきれません。未解決のチケットキューや繰り返し発生するインシデントパターンは、現世代の自動化が限界に達したことを示しています。エンジニアはパスの再構築、ログの相関分析、そして使い慣れたチェックの再実行に時間を費やしていますが、これはマシンなら確実に処理できる作業です。

Gartner® は、「2025 年後半には AI エージェントの導入は最小限にとどまるものの、2030 年までにネットワーク ランタイム アクティビティを実行するための最も一般的なアプローチとなる」と予測しています。

10年以上にわたり、GUIダッシュボードはスイッチ、ファイアウォール、クラウド接続への窓口として主要なインターフェースとして機能してきました。しかし、ガートナー®の業界調査によると、その窓口は閉ざされつつあります。

大きな変化が進行中です。これは、ネットワーク チームが使用するツールだけでなく、チームの運営方法や専門知識をどこに集中させるかを再定義するものです。

エージェントAIへの移行は、ネットワークエンジニアリングの役割をなくすのではなく、むしろ再定義するものです。エンジニアは、日常的な運用担当者ではなく、戦略的なオーケストレーターになります。専門知識は依然として重要ですが、今後はポリシーの定義、AIシステムの境界設計、エージェントが解決できない例外処理に重点が置かれるようになります。 人間の能力を置き換えるのではなく、強化する。

NetBrainの軌跡は実用的な移行パスを提供します。マップベースと runbookベースの自動化が効果的（dynamic mapping体系化されたトラブルシューティングロジックと豊富なネットワークデータモデルといったAIの機能が、目標を理解し、ガードレール内で行動するAIエージェントの基盤となります。組織は段階的にモダナイズを進めることで、各ステップでAI主導の運用環境が整備されることを実感できます。

エージェント機能を安全に試験運用する方法を検討し、この変化に文化的に備える準備ができているチームは、エージェント AI 向けに NetOps を準備するための Gartner の詳細なガイドを入手してください。

GARTNER は、Gartner, Inc. および/またはその関連会社の商標です。

ガートナー、「NetOpsの未来はエージェント的」、アンドリュー・ラーナー、マイク・リーボヴィッツ、ジョン・ワッツ、ジョナサン・フォレスト著、2026年1月5日