AIネイティブコントロールプレーンへ：Wave Autoscaleの次なる章
著者: Wave Autoscale チーム
日付: 2026年3月13日
AIはコードの書き方を根本から変えました。現在、コードの70%はAIによって生成されており、AIネイティブIDEが標準となっています。しかし、そのコードが動作するインフラストラクチャの運用に関しては、多くのチームがターミナル、ダッシュボード、ランブックを切り替える従来の方法に留まっています。開発AIと運用AIの間のギャップは広がる一方です。
Wave AutoscaleはMLベースのオートスケーリングエンジンとしてスタートしました。今、私たちはさらに大きなものを構築しています。それはKubernetes向けAIネイティブコントロールプレーンです。自然言語が断片化されたツールチェーンに取って代わり、インテリジェントなエージェントが24時間体制で運用の重労働を担います。
その具体的な姿と、なぜそれが重要なのかをご紹介します。
現状：AIエージェントによるK8s運用の今
チームはすでにKubernetes運用にAIエージェントを活用する実験を始めています。Claude Code、ChatGPT、CopilotなどのツールがMCPサーバーやCLIラッパーを介してクラスターに接続できるようになりました。
理論上は、LLMに「クラスターの健全性をチェックして」と依頼すれば回答が得られます。MCPサーバーを使ったKubernetesのトラブルシューティング (opens in a new tab)やClaude Desktop + MCPによるクラスター管理 (opens in a new tab)に関するブログ記事では、そのプロセスを詳しく解説していますが、同時にどれほど多くの作業が必要かも明らかにしています。
実際のワークフローは以下のようになります：
-
すべてのシステムに対して認証を設定する。 各クラスターのkubectl認証情報を構成します。Prometheusエンドポイントへのアクセスを設定します。AWS CLIの認証情報を連携します。各ツール接続は個別のセットアップ手順であり、認証情報は期限切れやローテーションが発生します。PerfectScaleのウォークスルー (opens in a new tab)が示すように、K8s MCPサーバーでさえDockerに
.kube/configをマウントする必要があり、追加のプロバイダー（Prometheus、Grafana、AWS）にはそれぞれ独自のAPIキー設定が必要です。 -
生データを収集するために複数の呼び出しを行う。 単一のワークロードのリソース状況を把握するために、エージェントはkubectl MCPを呼び出してノードを一覧表示し、再度
top nodesを呼び出し、PromQLでPrometheusにクエリを実行して過去のメトリクスを取得し、ポッドのステータスを確認し、AWSからEC2コストデータを取得する必要があります。コンテキストを構築するだけで5〜10回の個別ツール呼び出しが必要です。 -
LLMに生メトリクスの解釈を委ねる。 エージェントはkubectlからの非構造化テキスト出力とPrometheusからの生の時系列データを受信します。このデータを、ドメイン固有のインテリジェンスなしで解析、相関付け、推論する必要があります。分析の品質は、ユーザーのプロンプトの質とLLMの一般知識に完全に依存しますが、これは最新のKubernetesベストプラクティスを反映していない場合があります。InfoWorldが本番環境のKubernetesについてChatGPTが語らないこと (opens in a new tab)で指摘したように、表面的なアドバイスを超えると、LLMは「不正確、古い、または無関係な情報を含む可能性のある公開知識に依存」し、ノードサイジングのトレードオフやコントロールプレーンの制限など、実運用経験からしか得られない本番環境の細かなニュアンスを見落とします。
-
アクションを実行するために複数ラウンドの反復が必要。 エージェントが分析を完了した後、それに基づいて行動するにはさらに多くのツール呼び出しが必要です：デプロイメント設定の更新、HPAしきい値の調整、アラートの作成。各アクションは個別のkubectlコマンドであり、それぞれに設定ミスのリスクがあります。ユーザーは次のステップに進む前に中間結果を確認する必要があることが多く、「簡単なチェック」が15分間のやり取りに変わってしまいます。
結果：クエリごとに10〜20秒、インストール・保守が必要なMCPサーバーが6つ以上、そして依然として大幅な人的監視を必要とするワークフロー。 80以上のネームスペースと150以上のポッドを持つホームラボクラスターでClaudeを使用したあるエンジニア (opens in a new tab)はこう表現しました：Claudeは*「オートパイロットではなく、コパイロットとして」*機能する。何百回もの再起動が発生しているオペレーターなど、人間が見落としがちな問題を発見しましたが、すべてのアクションには依然として人間の判断と承認が必要でした。純粋な手動運用よりは優れていますが、チームが本当に必要としている自律的でインテリジェントな運用にはほど遠いのが現状です。
Wave Autoscaleのアプローチ：統合されたインテリジェンス基盤
私たちはWave AI Agentを構築し、このワークフロー全体を根本的にシンプルなものに集約しようとしています。
重要な違い：Wave Autoscaleはすでにクラスター内に存在しています。 認証情報はすでに構成済みです。メトリクスはすでに継続的に収集されています。ワークロードをすでに理解しています。そのため、AIエージェントが質問に答えたりアクションを実行したりする必要がある場合、ゼロからスタートするのではなく、事前に収集・分析されたデータの基盤から始めることができます。
同じ「クラスターの健全性チェック」ワークフローがWave AI Agentではどのように変わるかをご紹介します：
-
ユーザーがWebコンソール、cronスケジュール、またはMCPエンドポイントからプロンプトを入力。 認証情報の設定は不要。ツールの配線も不要。自然言語によるリクエストだけです。
-
Wave AI Agentが
get_cluster_status()を呼び出す。 ツール呼び出し1回。ML搭載の異常検知、キャパシティ予測、適正サイジング推奨を含む、事前集約済みのノード、ポッド、リソースステータスを返します。以前は5〜10回の個別呼び出しが必要だったデータが、すでに計算されて待機しています。 -
組み込みのAgent Skillsがベストプラクティスを自動適用。 エージェントは、ユーザーが適切なPromQLクエリや最適なHPA構成を知っているかどうかに依存しません。クラスターヘルスチェックからコスト最適化監査、インシデントレスポンスまで、8つ以上のプリビルトスキルが、EKS運用の専門知識をエージェントの推論に直接組み込みます。
-
アクションは安全なAPIベースのコントロールで実行。 生のkubectlコマンドは使用しません。Wave AI Agentは、組み込みの確認フローとシミュレーションモードを備えた専用ツールを使用し、設定ミスのリスクを低減します。
結果：クエリごとに1〜3秒、セッションごとのセットアップはゼロ、そして汎用エージェントでは提供できないMLによるインサイト。
ぜひお試しください 以下のプロンプトをクリックして、Wave AI Agentとのやり取りをご体験ください：
wave-agent@prod-cluster ready
Connected to 12 nodes · 156 pods · 80 namespaces
Select a prompt:
3つのインタラクション方法
Wave AI Agentは単なるチャットボットではありません。異なる運用パターンに対応する3つのインタラクションモードを設計しています：
最も直感的な方法です。Wave AutoscaleのUIを開き、自然言語でプロンプトを入力すると、即座に結果が得られます。例：
- 「本番クラスターの健全性ステータスは？」
- 「メモリリークのあるワークロードを検出して」
- 「すべてのネームスペースにおけるコスト最適化の機会を表示して」
エージェントはクラスターの完全なコンテキストを保持しているため、接続情報やネームスペースフィルターを指定する必要はありません。すでに把握しています。
What can I help you with?
これが実現するもの：実世界のシナリオ
より具体的に、私たちが目指している2つのシナリオをご紹介します：
ワンコマンドでのイベント準備
オペレーターが入力します：「明日ブラックフライデーのプロモーションがあります。トラフィックに備えてください。」 Wave AI Agentが自動的に5つのツールを呼び出します：今後24時間のリソース需要を予測し、主要サービスのレプリカ推奨を生成し、プロモーション開始1時間前のプリスケーリングcronジョブを作成し、優先度ベースのトラフィックポリシー（チェックアウト = クリティカル、検索 = ベストエフォート）を設定し、トラフィックスパイクとエラーレートの監視アラートを構成します。1文で5つの自動化されたアクション。
自動コスト最適化レポート
毎週、Agent Cronがコスト最適化監査を実行します。DaemonSetのみが稼働するアイドルノードを3つ、Released/Available状態の未使用PVを12個、過剰プロビジョニングされたワークロードを23個検出します。エグゼクティブレポートを生成します：現在の月額コスト$47,200、最適化後の見積もり$31,800、予測される節約額$15,400（32.6%）。レポートには、金額を付した具体的な推奨アクションが含まれます。意思決定者は、誰もクエリを実行することなく、実行可能なデータを受け取ることができます。
比較：Wave AI Agentの有無による違い
| 項目 | Wave AI Agentなし（汎用AI + MCP） | Wave AI Agentあり |
|---|---|---|
| セットアップ | クラスターごとにkubectl、Prometheus、AWS CLI MCPを構成 | 事前接続済み。セッションごとのセットアップはゼロ |
| データ収集 | 5〜10回のツール呼び出し、生データ、LLMによるパース | 1〜2回の呼び出し、事前集約 + MLインサイト |
| ベストプラクティス | ユーザーのプロンプト品質に依存 | 組み込みAgent Skills（8つのEKSパターン） |
| 夜間インシデント | PagerDuty → エンジニアを起こす → 手動デバッグ | 自動検知 → 自動修復 → レポート |
| スケジューリング | 手動またはカスタムスクリプト | 自然言語スキル付きAgent Cron |
| 統合 | 6つ以上のMCPをインストール・管理 | 2つのMCPサーバーで50以上のツールを公開 |
| レイテンシー | クエリごとに10〜20秒 | クエリごとに1〜3秒 |
| アクション | 直接kubectl（リスクあり） | 確認フロー付きの安全なAPI |
| インテリジェンス | 生メトリクス、MLなし | ML異常検知、キャパシティ予測、予測スケーリング |
| メンテナンス | 各MCPを個別にアップデート | 単一プラットフォーム、統一アップデート |
今後の展望
これがWave Autoscaleの次なる章です。スケーリングエンジンとしてスタートし、MLを搭載したオートパイロットへと進化し、今、Kubernetes運用のための完全なAIネイティブコントロールプレーンの構築に向かっています。
エンタープライズグレードのAI推論を提供するAmazon Bedrockと、安定したエージェント運用を実現するStrands Agentsフレームワークを搭載したWave AI Agentは、リアクティブな手動運用からプロアクティブな自律型インテリジェンスへの転換を象徴しています。プラットフォームが収集するすべてのメトリクス、ログ、インサイトがAI Agentの基盤データとなり、デプロイメントを重ねるごとにより賢く、よりコンテキストを理解するようになります。
Kubernetes運用の未来は、ダッシュボードやアラートルールを増やすことではないと私たちは考えています。それは、クラスターを理解し、問題を予測し、ユーザーに制御権を保持させながら代わりに行動するインテリジェントなレイヤーです。
今後数週間で、さらなる詳細、デモ、早期アクセスの機会を公開していきます。ご期待ください。
Wave AutoscaleはAWS EKS Service Readyパートナーです。詳しくはwavek8s.com (opens in a new tab)をご覧ください。