深夜2時の電話と「アラート疲労」を防ぐ。エンジニアのオンコールローテーションのSOP化

導入前の課題（摩擦のピーク）

Webサービスで深夜に障害（500エラー等）が発生した際、監視ツールからインフラチームの「全員」に大量のメールが一斉送信され、最も責任感の強い社員だけが毎回起きて対応（個人の体力への極端な依存）していました。 「誰かがやってくれるだろう」という傍観と、「また鳴っているがどうせ誤報だろう（アラート疲労）」という環境ノイズが蔓延し、重要な障害の検知遅れ（致命的バグ）に繋がる寸前でした。

アルゴリズム化された「余白生成」へのアプローチ

1. PagerDuty等による「エスカレーションのアルゴリズム」 PagerDutyなどのインシデント管理ツールを導入し、「第一対応者（Primary）」「第二対応者（Secondary）」のローテーションカレンダーを厳密に定位置化します。 障害発生時、アラートはまず第一対応者の一人だけに鳴り響きます。「5分間応答がなければ第二対応者へ」「それでもダメならマネージャーへ自動で電話がいく」という絶対のエスカレーションルール（シキ）を構築します。

2. 「オオカミ少年」アラートの絶対的削除 「CPU使用率が80%を超えただけ（ユーザーへの影響なし）」のアラートは「深夜に人を起こさない（Slack通知のみ）」ように閾値を調整。「ユーザーがログインできない」といったクリティカルな障害の時だけ電話を鳴らすよう、監視ツールの設定（シキ）を厳格にチューニングします。

削除された摩擦と、創出された余白

| 項目 | 導入前（摩擦） | 導入後（余白） | | :--- | :--- | :--- | | 深夜の対応者 | 誰が対応するか決まっておらず、責任感の強い人が消耗 | スケジュールで明確に「今夜は誰の番か」が固定（定位置） | | アラートの質 | どうでもいい通知が毎日鳴り、狼少年化（ノイズ） | 本当にヤバい時だけしか電話は鳴らない（信頼性） | | チームの持続性 | インフラ担当のバーンアウト（燃え尽き）と離職 | オフの日はスマホの電源を切って完全に寝られる（余白の確保） |

ROI（投資対効果）

「気合いと根性」という最も脆弱なシステム（バグの温床）を廃止し、「責任の明確な分担」と「機械による自動割り当て」のパイプラインに置き換えました。

不要な深夜のアラート件数が約80%削減され、オンコールの精神的負担（いつ鳴るか分からない恐怖）が激減しました。「Primary担当週以外は、100%仕事のことを忘れて完全に充電（休養）できる」という明確な境界線（シキ）が引かれたことで、エンジニアのメンタルヘルスと定着率が劇的に向上し、組織的なSRE（サイト信頼性エンジニアリング）体制が強固なものになります。