AIOpsにおけるCursor:AIコーディングエージェントがインシデント対応で役立つ場面(と役立たない場面)

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
AIOpsは近年、いくつかのアプローチの変遷をたどってきました。最初はダッシュボードとしきい値アラートでした。次にML(機械学習)による異常検知の時代が訪れました。そして今、新たな変化が起きています。エンジニアがCursorのようなAIコーディングエージェントをインシデント対応のワークフローに組み込み始めているのです。効果的な場合もありますが、多くはうまくいきません。
なぜ混乱が生じるのかは理解できます。インフラストラクチャはコードです。インシデントの多くはコードレベルでの修正を必要とします。コードベース全体を理解しエージェント型編集が可能なCursorは、SREのツールキットに最適であるかのように見えます。
しかし、Cursorはコーディングエージェントです。AIOpsシステムではありません。インフラを監視することはできません。アラートを相関分析することもできません。明示的に指示されない限り、Kubernetesクラスタがダウンしていることすら認識できません。

本記事では、CursorがAIOpsにおいて真の価値を提供する場面と、力不足となる場面について率直に解説します。実際に何が機能するのかを模索しているSRE、DevOpsエンジニア、プラットフォームリーダーの方々に向けた内容です。

AIOpsとは?
AIOps (Artificial Intelligence for IT Operations)は、2017年にGartnerがこの用語を生み出して以来存在しています。マーケティング的な用語を取り払えば、IT運用の混乱に対してML、NLP(自然言語処理)、データ分析を適用することに行き着きます。
AIOpsプラットフォームはログ、メトリクス、イベントを取り込み、それらのデータに対して以下の4つの処理を行います。
- 検知(Detection): MLベースの異常検知により、障害が大きくなる前にパフォーマンス低下を捉えます。環境の「正常」な状態を学習し、逸脱を動的に特定します。
- 相関分析(Correlation): イベント相関エンジンを介して、関連する数百件のアラートを1つのインシデントにグループ化します。BigPandaは大規模なエンタープライズ環境でノイズを95%以上削減すると報告されています。
- 自動化(Automation): 事前に定義された修復ワークフローを起動します。ポッドの再起動、リソースのスケール、トラフィックの迂回などを行います。PagerDuty、Datadog、ServiceNow ITOMはいずれもこの機能を備えています。
- 予測(Prediction): 過去のテレメトリデータを分析してリソース不足を予測したり、変更が本番環境に適用される前にデプロイリスクをスコアリングしたりします。
市場もこれを裏付けています。Fortune Business Insightsによると、AIOps市場は2025年に22億3,000万ドルに達し、2034年には118億ドルに達すると予測されています。Gartnerは、2026年までに大規模企業の60%がAIOpsを標準的な運用として扱うようになると予測しています。
重要なポイント:AIOpsとはシステムレベルのインテリジェンスに関するものです。「現在、インフラ内で何が起きているか?」という問いに答えるのがAIOpsです。
Cursorとは何か? なぜAIOpsの文脈で注目されているのか?
CursorはAIファーストのコードエディタです。AnysphereがVS Codeをフォークし、プラグインとしてではなくAIを基盤として再構築しました。2026年3月現在、GPT-5.2、Claude Opus 4.6、Gemini 3 Pro、Grok Codeをサポートしており、タスクごとに切り替えが可能です。主な機能:
- Agent mode — ファイルの選択、ターミナルコマンドの実行を行い、完了するまでイテレーションを実行
- Composer — コードベース全体のコンテキストを把握した複数ファイルの編集
- Background Agents — git worktreeやリモートマシンを介した並列タスク処理
- MCP integrations — Cursor Marketplaceを通じたDatadog、PagerDuty、Slack、Linearとの連携
Cursorは2025年にARR 5億ドルを突破し、2026年初頭には20億ドルに近づいたと報じられています。Salesforceのデベロッパーの90%以上がこれを使用しています。
なぜSREが関心を持つのでしょうか?それは、インフラストラクチャがGit上で管理されているからです。Terraformモジュール、Kubernetesマニフェスト、CI/CDパイプラインなど、午前3時に問題が発生した際、修正作業のほとんどはコードの変更です。Cursorは開いているファイルだけでなく、プロジェクトレベルでコードを読み込みます。午前3時にYAMLと格闘しているオンコールエンジニアにとって、このコンテキストは非常に重要です。
しかし、役立つことと、それだけで十分であることはイコールではありません。

AIOpsワークフローにおいてCursorが役立つ場面
CursorがAIOpsツールに置き換わることはありません。Cursorが得意とするのは、AIOpsプラットフォームがカバーしていないインシデント対応ワークフロー内の特定の隙間を埋めることです。以下の5つのユースケースが挙げられます。
本番環境の問題のデバッグ高速化
エラーログをエージェントに貼り付けると、Cursorはスタックトレースを読み取り、コードベース全体から関連ファイルを特定して、完全なプロジェクトコンテキストに基づき根本原因を絞り込みます。MCP経由で接続されたDatadog Cursor extensionを使用することで、IDEから直接ログ、メトリクス、トレースを取得できます。ブラウザを開く必要はありません。「アラートを確認した」から「コードパスを理解した」までの時間が、数分から数秒に短縮されます。
ランブックの作成と更新
どのチームにもランブックが存在しますが、そのほとんどは最新化されていません。Cursorは、実際のファイルパス、設定値、コマンドなど、現在のコードベースの実態に基づいたランブックの下書きを作成します。さらに、古い参照や使用されていないコマンドを指摘して既存のランブックを更新します。人間のレビューは依然として必要ですが、メンテナンスの手間は大幅に削減されます。
修正コードとロールバックスクリプトの生成
問題内容をエージェントに伝え、デプロイファイルを指定するだけで、ロールバックスクリプト、設定パッチ、ホット修正コードを取得できます。PagerDuty MCP pluginを使用すると、エンジニアはインシデントのコンテキストやオンコールスケジュールをエディタに直接引き込むことができます。一般的なパターンとして、エンジニアが不適切なデプロイを特定し、Cursorに切り替えて、数分でロールバック用のPR下書きを作成するという手順があります。
Infrastructure as Code(IaC)のデバッグ
Cursorは、モジュール参照、変数ファイル、プロバイダ設定を通じてTerraformのリソース定義をトレースします。単一ファイルレベルのリンターでは検出できないYAMLのインデントエラー、ラベルの漏れ、リソース制限の誤設定を検出します。StackGenのMCP連携により、チームの実際のインフラ標準に基づいたIaC生成とSRE修復ワークフローがエディタ内にもたらされます。
反復的な運用タスクの自動化
「dev、staging、prod環境全体でシークレットをローテーションするBashスクリプトを作成して」という指示は、最初の試行で完了します。「ノードを安全にcordon、drain、uncordonするkubectlコマンドチェーン」も、正しいシーケンスとフラグで生成されます。個々の修正は小さくても、週単位では何時間もの時間を削減できます。

AIOpsにおいてCursorが力不足となる場面
その限界は明確です。概要は以下の通りです。
- リアルタイムのシステムコンテキストがない — 与えられた情報しか把握できない
- アラートの相関分析ができない — 信号レベルではなくコードレベルで動作する
- 可視性(Observability)がない — レイテンシ、エラー率、トラフィックパターンの経時的な追跡ができない
- インシデント管理機能がない — 所有権、エスカレーション、SLA、ポストモーテムの概念がない
- 監査ログがない — AIが何をなぜ変更したかの履歴が残らない
Cursorは問題の解決を支援しますが、問題が何であるかを教えてくれるわけではありません。
ギャップ:コードレベルのインテリジェンス vs. システムレベルのインテリジェンス
AIOpsは何が壊れたかを伝えます。Cursorはそれをどのように修正するかを伝えます。役割がまったく異なります。
欠けている要素は何でしょうか?それは「検知」から「解決」へのハンドオフです。MCPはこのギャップを埋めつつあり、DatadogやPagerDutyのMCPサーバーを使用することでCursorからテレメトリやインシデントデータを問い合わせできるようになりました。しかし、ほとんどの連携機能はまだプレビュー段階です。データの探索はエンジニアが主導するものであり、自律的ではありません。本番環境におけるAI生成のインフラ変更に対する安全保証は、まだ存在しません。

大規模環境でAIOpsにCursorを使用する際の課題
単一のエンジニアによる試行の域を超えると、以下の4つの課題が浮上します。
- セキュリティリスク — Agent modeはシークレットやIAM設定を含む可能性のあるファイルを読み書きします。LLMはもっともらしいコードを生成しますが、それが必ずしも安全なコードとは限りません。
- ハルシネーションによる誤った修正 — 提案は正しく見えても(文法が正確で、実在するファイルパスを使用している)、ロジックが間違っている場合があります。インフラの誤った変更はテストで失敗せず、そのまま本番環境に影響を与えます。
- 検証機能の欠如 — Cursorはコードを作成して引き渡すだけです。terraform planの実行やOPAポリシーに対するリントチェックは行いません。プレッシャーがかかる午前3時の状況下で、検証の負荷はすべてエンジニアにかかってきます。
- コラボレーション機能の欠如 — シングルプレイヤー向けのツールです。インシデント対応中にチームメンバー間で共有できる状態(ステート)が存在しません。
AIOpsワークフローでCursorを活用するためのベストプラクティス
重要となる6つのガードレール:
- すべてを検証する。 terraform plan、kubectl diff、リンター、OPAポリシーを実施してください。信頼性が証明されるまでは、Cursorの出力結果をすべて信頼できないものとして扱います。
- 必ずステージング環境を経由させる。 AIが生成した修正をいきなり本番環境へプッシュしないでください。LLMが見落とした部分をCI/CDでキャッチします。
- 権限の範囲を厳しく制限する。 MCPトークンは読み取り専用に設定すべきです。エージェントはログやインシデントを読み取るだけで、書き込みは行わないようにします。
- CursorはAIOpsを置き換えるのではなく、その上にレイヤー化する。 Datadogでアラートが発生 → PagerDutyがエンジニアに通知 → エンジニアがCursorを起動 → CursorがMCP経由でテレメトリを問い合わせ → エンジニアが確認してデプロイ。AIOpsのレイヤーを取り除いてしまうと、原因の特定が困難になります。
- 本番環境への変更には必ず人間がサインオフする。 Background agentsは開発環境には最適ですが、本番環境には非常に危険です。自動化は作業負担を減らしますが、監視の目を無くすものではありません。
- AIが支援した変更内容をインシデントタイムラインに記録する。 Cursor自体はこの記録を行いません。AIが生成した部分と手動で記述した部分を記録する習慣をつけましょう。
AIによって現代のAIOpsはどう進化しているか
検知から解決までのギャップは、今のまま大きく開き続けるわけではありません。注目すべき4つのトレンド:
- AI支援によるインシデント対応が実用的な製品カテゴリになりつつある。 incident.ioのAI SREエージェントは自律的にインシデントを調査します。PagerDutyのSRE Agentは根本原因を特定し、過去の解決策からプレイブックを生成します。これらのツールは単なるフィルタリングではなく、アクティブな調査を行います。
- エージェントベースの修復がプロトタイプ段階を脱しつつある。 AWS DevOps AgentやMicrosoft Azure SRE Agentは、いずれも調査と推奨事項の提示に重点を置いており、本番環境での自律的な実行はあえて行わない仕様になっています。
- MCPが共通の接続基盤となりつつある。 Datadog、PagerDuty、Grafana、PrometheusのすべてがMCPサーバーを提供しています。Cursorのマーケットプレイスには、主要な可視性プラットフォームのほとんどの連携機能が掲載されています。相互接続性はあらゆる機能の前提条件です。
- DevツールとOpsツールの統合が進んでいる。 2026年3月のPagerDutyとCursor、Anthropic、LangChainとのパートナーシップは、業界が目指す方向性を示しています。
TrueFoundry's AI Gatewayは、本番環境のLLM運用に必要な可視性、ガバナンス、ルーティング機能のレイヤーを提供します。AIエージェントがOpsワークフローでより大きな役割を果たすにつれ、レート制限、トークンコスト追跡、モデルのフォールバック、AI主導の全アクションに対する監査ログといったゲートウェイレイヤーが基盤となります。

結論
Cursorは、コードの追跡、ロールバックの記述、ランブックの更新、定型作業の処理など、SREが既に行っている作業を高速化します。ツールキットに加えるべき強力なツールです。
一方、異常の検知、アラートの相関分析、インフラの監視、インシデントライフサイクルの管理はできません。AIOpsが障害箇所を特定した後に使う実行レイヤーのツールとして位置づけてください。Datadog、PagerDuty、MCPと組み合わせて使用し、AIが生成した修正と本番環境の間には必ず人間を介在させるようにしてください。
一方を他方に置き換えるのではなく、両方を活用しましょう。
FAQ
1. CursorはDatadogやPagerDutyのようなAIOpsツールの代わりになりますか?
解決する問題が異なるため、明確に「ノー」です。DatadogやPagerDutyなどのAIOpsツールは主に問題をリアルタイムで特定するために使用されますが、AIコーディングエージェントであるCursorはコードベース内で動作します。問題が特定された後、デベロッパーがデバッグやコードの理解、さらには問題を修正するためのコード生成を行うのを支援します。つまり、Datadogは何がどこで壊れているかを伝え、Cursorはその問題をどう修正するかを伝えます。
2. AIコーディングエージェントはインシデント対応でどのように使用されますか?
Cursorを含むAIコーディングエージェントは、インシデントの分析および解決フェーズで活用が進んでいます。デベロッパーが関連するログ、スタックトレース、またはエラーメッセージを入力すると、AIコーディングエージェントがコードベース全体をスキャンしてインシデントの最も可能性の高い原因を特定します。これに加えて、コードをロールバックするスクリプトの生成、ホットフィックスの作成、現在のコードに基づいたランブックの更新や作成、インフラへの修正提案、さらにはコマンドの自動化にも使用されます。
3. AIOpsツールとAIコーディングエージェントの違いは何ですか?
AIOpsツールとAIコーディングエージェントの違いは、提供するインテリジェンスの種類にあります。DatadogやPagerDutyなどのAIOpsツールは、テレメトリデータを分析して異常を検知し、アラートを相関分析し、分散システムでの障害を予測します。一方、CursorをはじめとするAIコーディングエージェントはコードベース内で動作し、デベロッパーがアプリケーションのロジック、依存関係、設定を理解してコードを生成するのを支援します。
つまり、AIOpsツールは「問題を特定するためのインテリジェンス」を提供し、AIコーディングエージェントは「問題を修正するためのインテリジェンス」を提供します。AIOpsは「本番環境で何が起きているか?」に答え、AIエージェントは「修正のためにどのような変更が必要か?」に答えます。インシデント対応サイクル全体をカバーするには、両方が必要です。
4. AIが生成した修正を本番環境で使用することは安全ですか?
適切な管理がなされていない状態で、AIが生成した修正を本番環境で使用することは安全ではありません。AIが「構文的には正しいがロジックとして誤っている、または不安全なコード」を生成するリスクがあります。TerraformやKubernetesなどのインフラ領域では、小さな変更が大きな影響範囲(ブラストラジオス)を持つ可能性があります。このリスクを軽減するためのベストプラクティスとしては、検証の確実な実施、ステージング環境の活用、人間によるレビュー、AIによる変更の監査ログ保持などが挙げられます。AIは本番システムにおける単独の作業者ではなく、副パイロット(コパイロット)として扱うのが最善です。
5. MCP(Model Context Protocol)はAIOpsとAIエージェントをどのように統合しますか?
MCPはシステムやツール間、特にAIOpsツールとCursorのようなAIコーディングツールとの間を繋ぐプロトコルです。AIがDatadog、PagerDuty、Slackなどの外部システムに直接問い合わせを行い、ログ、インシデント、アラートなどの関連コンテキストを取得できるようにします。これにより、今日のソフトウェア開発で一般的な問題である、手動でのツールの切り替えやデータのコピー&ペーストの必要性が減ります。開発環境にいながらにして、AIが本番システムのコンテキストを直接扱えるようになるのが大きなメリットです。ただし、現在の統合の多くはエンジニア主導かつ読み取り専用であり、AIがシステムに対して直接操作を行うのではなく、取得したデータを使用して問題解決を支援する形となっています。
6. DevOpsやAIOpsワークフローでAIを使用する際の大リスクは何ですか?
さまざまなリスクがありますが、主なものは重要度の高い環境においてテクノロジーへ過度に依存することです。これにはハルシネーションによる修正や、見た目は完璧だが誤った問題を解決しているコードなどが含まれます。また、システム認識の欠如もリスクとなります。外部から情報が提供されない限り、AIシステムは現在のリアルタイムなシステム状態を本質的に理解していません。
セキュリティリスク:設定、シークレット、またはIAMポリシーへのアクセス管理が不適切になる可能性があります
本質的な監査可能性の欠如:多くのツールには、AIが行った変更やその理由を追跡する機能が不足しています
過度な自動化:検証や人間によるレビューをスキップすると、本番システムで障害を引き起こす可能性があります
これを軽減するために、チームは単にモデルを導入するだけでなく、AI利用に関するガードレール、可視性、ガバナンスのレイヤーを構築する必要があります。
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.















.webp)




.webp)
.webp)
.png)

.png)
.png)
.png)
.png)
.png)
.webp)
.webp)






