Jak AI może czytać alerty i incydenty z PagerDuty i Opsgenie i odciążyć Wasz zespół dyżurowy?
Jak AI pomaga zespołowi na dyżurze w PagerDuty i Opsgenie: streszcza incydent, wyłapuje hałaśliwe alerty i składa raport po awarii.
Tak, PagerDuty i Opsgenie mają otwarte REST API i bez specjalnych uprawnień od producenta możecie z nich wyciągnąć całą historię incydentów, grafiki dyżurów i czasy reakcji. AI robi z tych danych konkret: streszcza aktywny incydent dla osoby, która właśnie zaczyna zmianę i widzi trzydzieści wpisów w Timeline, identyfikuje alerty, które budzą inżynierów w nocy bez żadnego powodu, i składa wstępny raport po awarii bez kilku godzin ręcznej pracy. Poniżej opisujemy, jak to wygląda krok po kroku.
Co tak naprawdę trzymają PagerDuty i Opsgenie i jakie dane ma do dyspozycji AI
Oba systemy służą do zarządzania dyżurami i reagowaniem na awarie. Gdy coś się psuje, właściwa osoba dostaje powiadomienie. Jeśli nie odbierze w ciągu kilku minut, system dzwoni do następnej. Za tym kryje się cała logika grafików, eskalacji i rejestrowania, co się działo podczas incydentu.
W PagerDuty podstawową jednostką jest Incident z polami: tytuł, opis, severity (critical, high, medium, low), status (triggered, acknowledged, resolved), przypisana usługa (Service) i reguła eskalacji (Escalation Policy). Każde zdarzenie w trakcie incydentu trafia do Timeline, komentarze i działania osób na dyżurze lądują w Responder Notes. W Opsgenie odpowiednikiem jest Alert z polami message, description, priorytetem od P1 do P5 i statusem open, acknowledged albo resolved. Harmonogramy dyżurów to Schedule i Rotation, a historia działań trafia do Activity Log i Notes.
Firma może używać jednego albo obu systemów równocześnie. Typowo wygląda to tak, że Datadog, Prometheus albo inny system monitoringu wykrywa problem i wysyła alert do PagerDuty lub Opsgenie. Tam rusza polityka eskalacji i ktoś dostaje powiadomienie o 3:17 w nocy. Cała ta historia: kto, kiedy, co zrobił i jak długo trwało, zostaje zapisana i jest dostępna przez API.
Dla menedżera, który nie siedzi w tych systemach na co dzień, ważna obserwacja: alerty w PagerDuty i Opsgenie to nie to samo co logi w Datadogu czy błędy w Sentry. To zdarzenia z przypisanymi ludźmi i czasami. Dlatego AI może z nich odpowiedzieć na pytania o ludzi i procesy, nie tylko o techniczne awarie.
Jak fizycznie podłączyć AI do PagerDuty albo Opsgenie: API, klucze i to, do czego macie dostęp
PagerDuty udostępnia REST API v2 do odczytu i zarządzania incydentami oraz osobny Events API v2 do wysyłania zdarzeń z zewnętrznych systemów. Opsgenie ma własne REST API, które działa niezależnie od reszty platformy Atlassian i jest nadal aktywnie rozwijane.
Żeby podłączyć AI, potrzebujemy klucza API. W PagerDuty generujemy go w sekcji API Access Keys w ustawieniach konta; klucz może mieć prawa tylko do odczytu (Read-only), co do analizy incydentów i raportów w zupełności wystarczy. W Opsgenie klucz generujemy w Settings › API key management i tam też ograniczamy prawa do Read Access. Żadnych wniosków do producenta ani specjalnych umów, standardowe konto z dostępem administratora wystarczy.
Co możemy wyciągnąć przez API? Z PagerDuty pobieramy pełną listę incydentów z datą otwarcia i zamknięcia, severity, przypisaną usługą, polityką eskalacji, listą responderów i całą Timeline. Z Opsgenie pobieramy alerty z priorytetami i historią akcji, notatki, grafiki dyżurów (kto był na dyżurze w danym przedziale) i raporty on-call per zespół i per osoba. Webhooks w obu systemach pozwalają na powiadomienia w czasie rzeczywistym: gdy pojawi się nowy incydent lub zmieni się jego status, nasz system od razu dostaje sygnał bez odpytywania API co minutę.
Czego nie dostaniemy przez API: nagrań połączeń głosowych z powiadomieniami i danych rozliczeniowych. Ale te dane rzadko są potrzebne do integracji z AI. Wszystko, co liczy się przy analizie incydentów, dyżurów i reakcji zespołu, jest dostępne i dobrze opisane w dokumentacji obu systemów.
Hałaśliwe alerty: jak AI odróżnia prawdziwy pożar od fałszywego alarmu o drugiej w nocy
To jest problem, który w większości firm rośnie latami i nikt go aktywnie nie rozwiązuje, bo wszyscy są zajęci reagowaniem na bieżące sprawy. Zaczyna się od kilku reguł w Datadogu albo Prometheusie, potem ktoś dodaje nową usługę, potem nową, i po roku na każdy dyżur spada kilkadziesiąt alertów. Część to prawdziwe problemy. Część to szum: alert o wysokim CPU podczas rutynowego nocnego batcha, alert o limicie połączeń, który od roku pojawia się i sam znika po czterech minutach, alert, który ktoś ustawił „na wszelki wypadek" i dawno zapomniał.
AI może przejrzeć historię alertów z ostatnich 90 dni i wyłapać te, które regularnie się pojawiają, ale nigdy nie prowadzą do żadnej akcji. Patrzy na kilka sygnałów: czy status zmienił się z triggered na resolved automatycznie bez potwierdzenia przez człowieka (acknowledged), czy czas trwania był krótki, czy w Notes albo Activity Log jest jakikolwiek komentarz respondenta. Alerty spełniające te kryteria wielokrotnie to kandydaci do wyciszenia albo podniesienia progu wyzwalania.
U klienta z branży e-commerce analiza 90-dniowej historii alertów w Opsgenie pokazała, że ponad połowa alertów P3 i P4 zamykała się automatycznie, bez żadnego komentarza respondenta. Nikt tego wcześniej nie policzył, bo dane były, ale rozłożone po setkach pojedynczych wpisów. AI złożyło zestawienie z kolumnami:
- nazwa alertu (pole message w Opsgenie)
- liczba wystąpień w badanym okresie
- mediana czasu trwania
- procent zamkniętych bez żadnej akcji respondenta
- pora dnia, czyli ile z tych alertów wypadało między 22:00 a 6:00
Menedżer z tym zestawieniem w ręku miał konkretne pytania do zespołu na następnym spotkaniu, a nie intuicję. Część alertów dostała zmieniony próg, kilka trafiło na listę do wyciszenia. Warto tę analizę powtarzać co kwartał, bo konfiguracja monitoringu zmienia się razem z kodem.
Streszczenie dla osoby, która właśnie zaczyna dyżur i widzi trzydzieści wpisów w Timeline
Zmiana dyżurna o 8 rano. Incydent trwa od 5:40, zaangażowanych jest kilka osób, w Timeline PagerDuty jest 32 wpisy: alerty, zmiany statusu, eskalacje, komentarze od czterech różnych inżynierów i dwa linki do zewnętrznych dashboardów. Czytanie tego od góry zajmuje dobrych 20 minut, zanim człowiek w ogóle zrozumie, gdzie teraz jest problem i co już sprawdzono.
AI może skrócić to do 3 minut. Pobiera aktualny stan incydentu przez API, bierze całą Timeline z typami zdarzeń i znacznikami czasu, Responder Notes i ostatni status. Na tej podstawie generuje podsumowanie: co się stało, co zostało zrobione, co aktualnie jest podejrzewane jako przyczyna, kto jest zaangażowany i od kiedy. Nie interpretuje na wyrost, trzyma się tego, co jest w danych. Wynik ląduje jako nowa notka do incydentu: w PagerDuty przez endpoint POST /incidents/{id}/notes, w Opsgenie przez POST /v2/alerts/{id}/notes, albo jako wiadomość na firmowym Slacku.
Nowa osoba wchodzi, czyta jedną notkę zamiast całej historii i od razu wie, gdzie dołączyć. Brzmi prosto, ale w stresie o 8 rano to robi różnicę. Widzieliśmy sytuacje, gdzie brak takiego podsumowania prowadził do duplikowania badania, które ktoś już przeprowadził godzinę wcześniej i wykluczył.
Ten sam mechanizm przydaje się przy eskalacji: gdy incydent trafia do menedżera albo zewnętrznego specjalisty, który nie zna historii, AI może przygotować krótkie streszczenie dostosowane do odbiorcy, bez technicznego żargonu, zanim ta osoba w ogóle otworzy system.
Raport po incydencie i miesięczne statystyki dyżurów: co menedżer dostaje bez pytania
Postmortem, czyli dokument opisujący co się stało, dlaczego i co zmieniamy, to rzecz, którą większość firm robi sporadycznie albo wcale. Po ciężkiej nocy nikt nie ma ochoty spędzać kolejnych dwóch godzin na pisaniu.
PagerDuty ma wbudowany moduł Postmortem dostępny w planach Business i Enterprise, który zbiera dane z Timeline i sugeruje szkielet dokumentu. Opsgenie nie ma natywnego modułu postmortem; tam dane eksportujemy ręcznie albo przez integrację z Confluence, co jako część ekosystemu Atlassian jest dobrze przetartą ścieżką.
AI podchodzi do tego inaczej: pobiera przez API kompletną historię incydentu, wszystkie Responder Notes i Timeline z dokładnymi znacznikami czasu. Na tej podstawie generuje wstępny draft: oś czasu zdarzeń, lista osób z przypisanymi akcjami, zidentyfikowane opóźnienia między zdarzeniami, np. czas od triggered do acknowledged przekraczający próg zdefiniowany w Escalation Policy. Inżynier dostaje gotowy szkielet do weryfikacji i uzupełnienia, nie zaczyna od pustej strony. Próg wejścia jest niski, więc dokument faktycznie powstaje.
Poza postmortemami są pytania, które menedżer zadaje co miesiąc: który serwis generuje najwięcej incydentów? Jaki jest nasz MTTR (Mean Time to Resolve, średni czas od powiadomienia do zamknięcia incydentu)? Kto ma najwięcej dyżurów nocnych? Dane do tych odpowiedzi siedzą w API. PagerDuty udostępnia endpoint /analytics/raw/incidents, a w planach Business i Enterprise osobną sekcję Analytics z gotowymi metrykami. W Opsgenie działa Reports API, z którego można wyciągnąć zestawienie per zespół, per usługa, per priorytet i per osoba.
AI przetwarza te dane i generuje miesięczne zestawienie: liczba incydentów per usługa, mediana MTTR z podziałem na severity, godziny dyżurów per osoba i odsetek alertów nocnych. Raport trafia mailem do menedżera albo jako strona w Confluence. Jeden z klientów zobaczył po miesiącu, że jeden mikroserwis odpowiadał za ponad połowę wszystkich alertów. Wszyscy o tym wiedzieli intuicyjnie, nikt nie miał liczby. Liczba trafiła do backlogu jako zadanie wysokiego priorytetu i problem zniknął w następnym sprincie.
Od czego zaczniecie: pierwsze kroki bez rewolucji w procesach
Jeśli Wasza firma już używa PagerDuty albo Opsgenie, nie trzeba nic zmieniać w konfiguracji tych systemów. Wystarczy klucz API z prawami do odczytu i decyzja, co robimy jako pierwsze.
Sensowna kolejność:
- Analiza hałaśliwych alertów z ostatnich 90 dni. Daje szybki, widoczny efekt i nie zmienia żadnego procesu dyżurowego.
- Automatyczne podsumowania aktywnych incydentów na Slacku albo Teams przy zmianie dyżuru.
- Miesięczne raporty dla menedżera z MTTR, incydentami per usługa i godzinami dyżurów.
- Automatyzacja szkieletów postmortemów. Wymaga jednorazowej decyzji o miejscu docelowym (Confluence, Notion, własny system) i szablonie, ale po ustawieniu działa samo.
Żaden z tych kroków nie wymaga zmiany w sposobie pracy zespołu dyżurowego. Dane już są w systemie, AI tylko je czyta i składa w coś, z czego możecie korzystać.
Jeśli chcecie zobaczyć, jak wyglądają realne wdrożenia u firm podobnych do Waszej, macie tam konkretne przypadki z różnych branż. A jeśli wolelibyście pogadać o tym, od czego zacząć akurat u Was, umówcie się na 15 minut rozmowy.
Chcecie to u siebie?
Na osobnej stronie rozpisaliśmy, co dokładnie podłączamy w PagerDuty, o co możecie wtedy pytać asystenta i ile kosztuje wdrożenie.
Co podłączamy i ile to kosztuje →Najczęstsze pytania
Czy PagerDuty i Opsgenie mają API, do którego można podpiąć AI?
Tak, oba systemy mają dobrze udokumentowane REST API. PagerDuty udostępnia REST API v2 i Events API v2, Opsgenie ma własne REST API. Do integracji z AI wystarczy klucz API z uprawnieniami do odczytu, generowany w ustawieniach konta bez żadnych dodatkowych wniosków do producenta.
Co to jest alert fatigue i jak AI może z tym pomóc?
Alert fatigue to zjawisko, gdy inżynierowie dostają tak wiele powiadomień, że przestają na nie reagować, bo większość to szum. AI przegląda historię alertów, identyfikuje te, które regularnie pojawiają się i zamykają automatycznie bez żadnej akcji respondenta, i wskazuje konkretnie, które reguły warto wyciszyć lub zmienić.
Czy AI może pisać postmortem po incydencie zamiast inżyniera?
AI przygotowuje wstępny szkielet dokumentu na podstawie danych z API: oś czasu zdarzeń, lista osób z akcjami, czas reakcji i zidentyfikowane opóźnienia. Inżynier weryfikuje i uzupełnia, zamiast zaczynać od pustej strony. To skraca czas przygotowania z kilku godzin do kilkudziesięciu minut.
Jakie dane z PagerDuty i Opsgenie są dostępne przez API?
Z PagerDuty wyciągamy incydenty z całą Timeline, Responder Notes, politykami eskalacji i historią zmian statusu. Z Opsgenie pobieramy alerty z priorytetami P1-P5, historię akcji, notatki, grafiki dyżurów (Schedule, Rotation) i raporty on-call per zespół i per osoba.
Mam małą firmę IT, 5-8 osób na dyżurach. Czy to ma sens dla nas?
Tak, szczególnie analiza hałaśliwych alertów i miesięczne raporty dyżurów. Nawet przy małym zespole historia alertów z 90 dni wystarczy, żeby zobaczyć wzorce. Efekt: mniej niepotrzebnych powiadomień nocnych i widoczność tego, kto jest przeciążony dyżurami.
Pokażemy to na Waszych danych z PagerDuty
Jedno zdanie wystarczy: czego szukacie w PagerDuty albo co ma się dziać samo. Odpiszemy, co podłączymy i od czego zacząć.
Opracowanie: zespół redAi z wykorzystaniem narzędzi AI.
Podłączymy PagerDuty do AI u Was
15 minut rozmowy: mówicie, czego szukacie w danych, my mówimy, co wyciągniemy z PagerDuty, ile to potrwa i czego potrzebujemy po Waszej stronie.
- Bezpłatna prezentacjaAI na Waszych zadaniach, nie na slajdach.
- Dostęp tego samego dniaZespół od razu pracuje we własnym portalu.
- Do 2 tygodni testówPłacicie dopiero po decyzji.
Może Was też zainteresować

Jak AI może sprawdzić status paczki, porównać koszty kurierów i przygotować reklamację w GlobKurier za Wasz sklep?

Jak AI może czytać procedury i tabele z Coda i Craft, żeby nikt w firmie nie szukał ręcznie?
