SREチームが“チームとして”機能するために最初に取り組んだこと
こんにちは!SREチームの三橋です!
今回は、9月にHubbleに入社してからSREチームがチームとして機能するために取り組んできた内容をご紹介します。
本記事はHubble Advent Calendar 2025の6日目の記事になります。
想定する読者
- SREチームの立ち上げフェーズに関わっている方
- SREチーム運営の他社事例についてご関心のある方
- 弊社にご興味をお持ちの方
背景
正確な時期は私も把握できていないのですが弊社では数年前からSREチーム自体は存在していました。当初はインフラの管理業務を中心としてCTOが片手間にやっており、その後正式なSREメンバーが加入するもチームというより個人で動きが多かったのではないかと推察しています。残念ながら私が入社する頃には以前のメンバーは去っており、業務委託メンバー2名とCTO、EMというチーム編成になっていました。
CTOやEMは業務を兼任していることから日々の業務が忙しくチームとしては機能していなかったように思えます。実際の業務もCTOがタスクのアサインを行い、業務委託メンバーが作業を行うという場当たり的な対応でメンバーも自律的に動きづらい状況となっていました。

チームの土台作り
チームとして機能していない状況というのはスタートアップにおいてよくあることだと考えています。初期のフェーズではとにかくスピードが求められるため個人プレーで回していくのが合理的です。ところが従業員数が100人程度に近づいてくるとコミュニケーションコストが増加しスピードが鈍化してきます。この辺りからチームを意識した動きが必要となってくると考えています。
チームとして機能するためは、まず土台づくりが必要です。具体的には下記の取り組みを行いました。
ミッション/ビジョンの策定
ありきたりですがまずはチームの方向性の認識合わせのため、SREチームのミッションとビジョンを定義しました。CTOと合意を取ることでこの定義のもとで裁量を持って柔軟に意思決定できる状態を目指しました。
内容としては下記に関する事項を掲げることとしました。
- 信頼性
- オブザーバビリティ
- コスト最適化
- セキュリティ&ガバナンス
SRE成熟度の定義と評価
こちらは他社事例や各社ベンダーが出している成熟度定義の情報をもとに、ミッションに関連する項目の成熟度を自社なりに定義し評価しました。これにより現在の組織の立ち位置を把握できるだけでなく、組織の現状が定量化された値に変換されるため後からの振り返りや経営層への説明の際に役立てることができます。
レベル定義ガイドライン
- Lv.1: 計画や仕組みがなく、属人化しており発生してから人力で対応する状態
- Lv.2: ルールや仕組みが整備され、脱属人化されて一定の再現性を持って運用できている状態
- Lv.3: 仕組みが組織文化として根付き、誰でも改善・対応できる状態が継続的に回っている
レベル定義ガイドラインに基づく成熟度定義
- SLI/SLO
- Lv.1: SLI/SLOが定義されていない
- Lv.2: SLOとエラーバジェットのモニタリングが実施されている
- Lv.3: エラーバジェットを軸とした意思決定と学習が文化として定着している
- インシデント対応
- Lv.1: インシデント対応フローが整備されておらず対応が属人化している
- Lv.2: インシデント対応フローに則った運用がなされている
- Lv.3: ポストモーテムが継続的に実施され、学習と改善が文化として定着している
- DR/BCP
- Lv.1: DR計画が存在しない。もしくは形式だけで運用されていない
- Lv.2: DR計画が策定され、定期的にテストが実施されている
- Lv.3: DR/BCPが文化として定着しており、継続的改善が行われている
- キャパシティプランニング
- Lv.1: リソース不足やスパイクへの対応は発生してから対応されている
- Lv.2: 負荷試験やトラフィックの成長予測に基づきキャパシティプランニングが実施されている
- Lv.3: キャパシティプランニングが自動化され、コスト・信頼性・成長予測を踏まえてた意思決定が文化として定着している。
- テレメトリデータ活用
- Lv.1: ログ中心で運用されており、障害対応は個別ログ調査に依存している
- Lv.2: メトリクス・ログ・トレースを統合的に収集し、日常的な運用や障害分析に活用されている
- Lv.3: プロダクト開発メンバー全員がメトリクス・ログ・トレースを適切に使い分け、共通言語として活用する文化が定着している
- アラート
- Lv.1: 本当に重要なアラートとそうでないものの区別がつかず、対応も属人的で見落としや対応遅れが発生している
- Lv.2: アラートが適切な優先度と閾値に基づいて設計され、対応すべきものが明確になっている
- Lv.3: アラート設計と対応プロセスの改善が継続的に実施され、誰でも適切に対応できている
- ダッシュボード
- Lv.1: 個別に作られた断片的なダッシュボードしかなく、どこを見れば状況がわかるのか不明瞭である
- Lv.2: 技術的メトリクスやサービスの健全性を示す標準的なダッシュボードが整備され、チームで活用されている
- Lv.3: 技術指標とビジネス指標が統合されたダッシュボードが整備され、誰もが状況を把握・意思決定に活用できている
- FinOps
- Lv.1: コストが十分に可視化されておらず、優先度を決定できていない
- Lv.2: コストが定期的にレビューされており、優先度に基づいて最適化施策が実施されている
- Lv.3: 開発メンバー全員がコスト感を持っており、日常的に設計・運用の判断にコストを組み込む文化が定着している
- 脆弱性対応
- Lv1: 脆弱性対応は属人的かつ後手で、セキュリティパッチやCVE対応が遅れがちである
- Lv.2: 脆弱性スキャンや依存ライブラリのアップデートが定期的に実施され、第三者による脆弱性診断も定期的に行われている
- Lv.3: 脆弱性対応が自動化され、検知から修正・デプロイまでの流れが継続的に改善されている
- ガバナンス&コンプライアンス
- Lv.1: ポリシーや規則遵守が明文化されておらず、監査やセキュリティ要件への対応は属人的・事後的である
- Lv.2: ポリシーや規制遵守に関するルールやチェックリストが整備され、アクセス管理・システム構成・クラウド設定などのレビューが定期的に行われている
- Lv.3: コンプライアンスチェックや監査証跡が自動化され、設定ミスやルール逸脱をリアルタイムに検知・修正し、改善するサイクルが継続して回っている
参考
- Datadog DevSecOpsの成熟度モデル
- New Relic Observability maturity
- CyberAgent 横断的なSRE推進と成熟度評価
- SMS 組織横断的なSRE活動を始めようとしています
ロードマップの策定
下記の情報を総合的に判断し直近1,2年で長期的に取り組んで行かなければならないこととしてロードマップを策定しました。ロードマップを策定することで他チームに何をやっているか共有できるだけでなく、重めのタスクに計画的に取り組んでいくことが可能になります。
- SRE成熟度の評価結果
- 組織として掲げている目標
- ビジネスサイドの状況
後者の2つについては組織によっては見えづらい企業もあるかと思いますが幸いにも弊社にもオープンなカルチャーがあるため能動的に情報を取得することが容易でした。
CEOがAIを駆使して脳内ラジオの配信していたりします。

チーム運営の見直し
続いて運営方法の見直しを実施しました。
具体的には下記の通りです。
稼働方針の策定
ロードマップを進めることも大事ですが、重い作業だけになってしまうとモチベーションが低下したり疲弊することがあるため、ある程度個人の裁量に委ねて自由に改善施策をできるようにしました。具体的にはタスク種別を下記に分類し、それぞれ目標稼働割合の範囲内であれば自由に動いてよいものとしました。
- Roadmap: ロードマップ施策
- チームで今期やることを決め、期の初めに上長の合意を得て実施するタスク
- Request: 依頼タスク
- 他チームからの依頼タスク
- Ops: 上記に紐づかない改善/運用タスク
- 各メンバーが裁量を持って起票して良いタスク
また目標稼働割合は振り返りができるように可視化と振り返りの機会を設けるように準備中です。
定例内容の変更
これまでは進捗共有のみで終わっていましたが、オーナーシップ向上のため定点観測会も追加することにしました。観測対象は下記の通りです。
- サービスヘルスダッシュボード
週レベルでサービスの稼働状況を確認し目立った変化がないかを見ています。日々の傾向を把握しておくことで大型契約などがあった場合でも、まだ大丈夫だなという心の余裕が生まれています。まだ作成途中ですが機能ごとにサービスのステータスを可視化し、そこからドリルダウンで一次切り分けまでできるといいなと考えています。 - インフラコスト推移
週レベルでインフラコストを確認し目立った変化がないか見ています。徐々に増えているインフラコストに気付くことができ、メンバーによるコスト削減施策の成果をチームとして感じることができています。こちらは近々ビジネスメトリクスと紐づけて妥当性を評価できるようにしたいと考えています。 - AWSヘルスダッシュボード
週次でAWSからの通知を確認し、必要に応じてメンテナンスチケットを起票しアサインしています。自動化予定です。
ボトルネックの解消
現時点でボトルネックになっていることを既存メンバーにヒアリングしながら解消しました。これまで紹介した取り組みで一定解消はされていましたがヒアリングの結果「権限」「承認ルール」にボトルネックがあることが判明しました。ここについてはCTOにもヒアリングしながらどこまでならば許容できるか確認をとりながら良い落とし所を見つけ解消しました。
SRE Workの実施
チームビルディングの一環としてSRE Workという取り組みを始めてみました。何をやっていくかは模索中ですが初回はホワイトボードツールを活用して、現状それぞれのメンバーが思っていることをブレインストーミングし、Nextアクションを決めることまで実施しました。ここまでスピード優先で私一人である程度ルールを作ってしまいましたが、この結果をもとに運用ルールを見直したり新しくルールを設けたりしています。
これから
入社して早々、チームとしての立ち上げに向けて様々な取り組みを行ってきましたが、まだまだ改善の余地はあると感じています。
最近読んでいた書籍『エンジニアリングチームリーダー』の中で、「Hustonのチームが機能するためのピラミッド」(下図)が紹介されていました。これまでの取り組みは、どちらかというと運用や仕組みといった機能面の土台づくりが中心でした。一方、このピラミッドで語られているのは、信頼関係や心理的安全性といった関係性の土台です。
後者の土台づくりにはまだ十分に手が回っていない状態であるため、まずはチームが安心して対話できる環境づくり(意識的に雑談を取り入れるなど)に力を注いでいきたいと考えています。

また、将来的には特定の誰かに役割が集中しない、より持続性のあるチームを目指したいと考えています。特定のメンバーに依存する運営では単一障害点となってしまいチームとしてワークしなくなってしまうためです。
個人的には固定のリーダーを置かず、メンバー全員がリーダーになりうるシェアドリーダーシップを目指したいと考えています。現時点では業務委託メンバー中心の体制ということもあり、すぐに実践するのは難しいですが、チームの成長に合わせて少しずつ取り入れていければと思っています。
参考
おわりに
以上、SREチームがチームとして機能するために取り組んできたことをご紹介しました。
同じようなフェーズで悩まれている方の参考になれば幸いです。
明日のAdvent Calendar発表者はバックエンドエンジニアの@subjectさんです!!
Discussion