Toutes les études de cas DevOps / Étude de cas 01 / 05
Vantrel Pay
Copilote d’astreinte (SRE agentique)
Un copilote d’astreinte qui a déjà enquêté quand l’ingénieur se réveille
En clair
Quand une alerte tombe à 3 h du matin, des agents IA interrogent les métriques, les derniers déploiements et l’historique des incidents, puis postent dans Slack la cause probable et la commande de correction, prête à copier.
- Client
- Vantrel Pay
- Secteur
- Paiement en ligne
- Taille
- 450 collaborateurs, 2 millions de transactions par jour
- −70 %de temps pour identifier la cause d’un incident
- 2 minpour un premier diagnostic, au lieu de 20
- 100 %des corrections validées par un humain
Le contexte
Chez Vantrel Pay, chaque minute de panne bloque des paiements. Quand une alerte réveille l’ingénieur d’astreinte, il passe les vingt premières minutes à ouvrir des tableaux de bord, fouiller les logs et chercher ce qui a été déployé récemment.
Le défi
- 01
Les informations utiles sont éparpillées entre Prometheus, GitHub, les runbooks et les anciens tickets Jira.
- 02
La nuit, un ingénieur seul doit tout reconstituer, sous pression.
- 03
Une IA ne doit jamais modifier la production sans validation.
- 04
Le diagnostic doit être vérifiable : chaque affirmation, sa preuve.
Notre approche
Un orchestrateur (LangGraph) se déclenche sur chaque alerte d’Alertmanager. Il envoie trois agents en parallèle : l’un interroge Prometheus pour situer le pic, l’autre liste les pull requests et déploiements récents sur GitHub, le troisième cherche dans les runbooks et les incidents passés indexés dans Qdrant. L’orchestrateur croise les résultats et poste dans Slack un résumé avec la cause probable, les preuves et une commande ou un script Terraform de correction, qu’un humain applique en un clic.
La solution, étape par étape
- 01
L’alerte tombe
03 h 12 : la latence de l’API de paiement explose.
- 02
L’orchestrateur répartit
Trois agents partent en parallèle : métriques, changements, mémoire.
- 03
Les preuves rassemblées
Un pic de connexions, une PR déployée six minutes plus tôt, un incident identique l’an dernier.
- 04
Un résumé dans Slack
Cause probable, preuves et commande de correction, prête à copier.
- 05
L’humain valide
L’ingénieur applique la correction : la latence revient à la normale.
Résultats
- −70 %de temps moyen de diagnostic
- −45 %de durée moyenne des incidents
- 2 minpour le premier résumé dans Slack
- 0action en production sans validation
Ce que nous livrons
- Orchestrateur et agents spécialisés (LangGraph)
- Connecteurs Alertmanager, Prometheus, GitHub et Jira
- Index des runbooks et incidents passés (Qdrant)
- Résumés d’incident et commandes de correction dans Slack
- Journal d’audit des diagnostics
Technologies
- LangGraph
- Python
- Prometheus
- Grafana
- Qdrant
- Slack API
Délai
8 à 10 semaines
Équipe
1 ingénieur SRE, 1 ingénieur IA
Cas illustratifs : clients et chiffres fictifs, représentatifs des solutions que nous livrons.