Edit Bab

Batal

# Bab 1: Kenapa DevOps + AI

Bab ini bukan tentang tool. Ia tentang cara fikir. Kalau cara fikir betul, tool apa pun boleh pakai.

Ramai orang mula dengan soalan "AI apa yang paling power?" Itu soalan yang salah. Soalan yang betul ialah "bahagian mana kerja saya yang berulang?" Jawapan kepada soalan itu yang menentukan sama ada AI jimatkan masa anda atau tambah kerja semakan.

**Apa yang anda akan belajar:**

- Apa sebenarnya yang berubah dalam kerja DevOps sejak AI jadi mampu
- Di mana AI menang, dan di mana dia gagal secara senyap
- Formula masa yang saya guna untuk nilai sama ada satu tugas sesuai untuk AI
- Satu peraturan yang saya tak pernah langgar

## 1.1 Tiga Gelombang, dan Kita Sekarang di Gelombang Ketiga

Cara AI membantu kerja teknikal berubah tiga kali.

**Gelombang 1: Autocomplete.** AI teka baris seterusnya. Berguna untuk tulis kod berulang, tetapi dia tak faham konteks keseluruhan projek anda.

**Gelombang 2: Chat.** Anda tampal kod, tanya soalan, dia jawab. Lebih baik, tetapi anda masih perlu salin tampal, dan AI masih buta tentang fail sebenar dalam repo anda.

**Gelombang 3: Agent.** AI boleh baca fail dalam repo anda, jalankan arahan, lihat output, dan buat pembetulan sendiri. Inilah yang mengubah kerja infra secara nyata. Anda boleh kata "semak kenapa pipeline ni gagal", dan dia boleh buka fail workflow, jalankan test secara lokal, dan cadang pembetulan.

Yang penting: gelombang ketiga bukan bermakna anda hilang kawalan. Ia bermakna anda kena lebih berhati-hati tentang had kuasa yang anda beri.

## 1.2 Di Mana AI Menang Besar

Selepas setahun guna setiap hari, ini senarai kerja yang saya serahkan hampir sepenuhnya kepada AI:

- **Boilerplate Infrastructure as Code.** Modul Terraform, variable, output, tag piawai. Kerja yang formatnya sama setiap kali.
- **Terjemahan antara tool.** Tukar skrip bash lama jadi playbook Ansible. Tukar perintah manual jadi Makefile. Ini kerja hafalan sintaks, bukan kerja fikir.
- **Semakan pertama kod.** Cari credential yang tertinggal, port yang terbuka, imej yang guna tag `latest`, IAM policy yang terlalu luas.
- **Dokumentasi dan runbook.** AI sangat baik untuk ubah kod jadi penerangan. Dan dokumentasi yang ditulis lepas kod siap biasanya lebih tepat daripada yang ditulis sebelum kerja bermula.
- **Triage log.** Beri satu fail log, minta dia kelaskan ralat mengikut punca dan kekerapan. Ini jimat masa yang banyak.
- **Penulisan ujian.** Anda terangkan kelakuan yang betul, dia tulis ujian. Anda semak sama ada ujian itu benar-benar menguji perkara yang betul.

Kalau kerja itu ada corak yang berulang dan hasilnya boleh disemak, ia sesuai untuk AI.

![Kitaran DevOps dengan AI di setiap peringkat](images/rajah-1-kitaran-devops-ai.svg)

*Rajah 1: Setiap peringkat kerja DevOps boleh dipercepatkan dengan AI, tetapi keputusan seni bina, keselamatan, dan kos kekal pada manusia.*

## 1.3 Di Mana AI Gagal Secara Senyap

Ini bahagian yang lebih penting, sebab kegagalan AI jarang berbunyi kuat. Dia gagal dengan yakin.

- **Resource atau atribut yang tak wujud.** AI akan tulis `aws_instance.foo.bar` yang nampak masuk akal tetapi tak ada dalam versi provider yang anda guna.
- **Versi yang sudah lapuk.** Modul atau sintaks yang betul pada 2023 boleh jadi salah hari ini.
- **Kod yang jalan tetapi tak selamat.** Dia akan guna `0.0.0.0/0` pada security group sebab itu yang paling senang bagi dia.
- **Andaian bahawa semuanya idempotent.** Ansible task yang guna `shell:` boleh jalan sepuluh kali dan hasilnya berbeza setiap kali.
- **Diagnosis tanpa konteks.** AI tak nampak metrics, trace, atau tahu apa yang berubah semalam. Dia hanya nampak apa yang anda beri.

Peraturan saya ringkas: **AI cadang, engineer sahkan.** Setiap baris kod infra yang masuk ke production mesti melalui otak manusia yang faham akibatnya. AI mempercepatkan kerja menulis. Ia tidak memindahkan tanggungjawab.

## 1.4 Formula 80/20 untuk Tugas Infra

Setiap kali saya dapat tugas baru, saya tanya satu soalan: berapa bahagian kerja ini yang berulang?

Kalau 80 peratus berulang, saya guna AI untuk draf pertama, kemudian guna masa yang dijimatkan untuk semak dengan teliti. Kalau 20 peratus yang berulang, saya tulis sendiri dan guna AI hanya sebagai pemeriksa.

Contohnya, bina modul VPC untuk projek bootcamp. Strukturnya berulang: VPC, subnet, internet gateway, route table, security group. Yang tidak berulang cuma keputusan reka bentuk: berapa subnet, siapa boleh masuk, di mana NAT gateway diletakkan. Jadi AI buat 80 peratus, saya fokus pada 20 peratus yang menentukan sama ada sistem itu selamat dan murah.

## 1.5 Satu Peraturan yang Tak Pernah Saya Langgar

**AI tidak pernah diberi kebenaran menjalankan arahan yang mengubah production tanpa semakan manusia dan plan terlebih dahulu.**

Maksudnya dalam praktik:

1. AI boleh baca apa sahaja dalam repo.
2. AI boleh jalankan arahan read-only dan ujian lokal.
3. AI mesti berhenti pada `terraform plan`, `ansible --check`, atau `kubectl --dry-run`.
4. Manusia yang tekan butang `apply`.

Kalau anda baru mula, jadikan peraturan ini kebiasaan dari hari pertama. Ia murah untuk dipatuhi, dan sangat mahal bila dilanggar.

## 1.6 Apa Anda Perlukan Sebelum Mula

Anda tidak perlukan tool mahal. Anda perlukan tiga benda:

- **Repo yang kemas.** AI baca struktur, bukan fikiran anda. Folder yang dinamakan jelas membuat output dia jauh lebih baik.
- **Sekurang-kurangnya satu ujian atau plan.** Tanpa jaringan keselamatan, anda tak akan tahu bila AI salah.
- **Persekitaran sandbox.** Akaun cloud berasingan atau homelab. Jangan belajar AI di atas sistem production yang menyara hidup anda.

Bab seterusnya akan tunjukkan cara susun kerja ini supaya ia selamat dan berulang.

\newpage