【SRE】GitLabに学ぶ「チーム別エラーバジェット」運用
世界で最もオープンに開発組織の運用ノウハウを公開している、GitLabのエンジニアリング・ハンドブック(Error Budgets) をAIと深掘りしながら読みました。
この記事で話すこと
GitLabのエラーバジェット運用を深掘りする中で見えてきた、「チーム単位でエラーバジェットを機能させるための5つの重要テーマ」 について解説します。
- チーム境界の設計: 巨大なモノリス環境で、他チームの障害に巻き込まれずに「チーム別バジェット」を独立させる方法
- 公平性と最適化: マイナー機能のノイズを防ぐ「0.01%足切り基準」と、安定機能への「過度な最適化の防止」
- 責任者(DRI)と枯渇時ルール: なぜPMが責任を持ち、バジェット枯渇時に「工数50%を改善に充てる」ルールを自動執行できるのか
- 組織構造と成熟度別の導入: 職能別(フロント vs バックエンド)の責任転嫁を防ぐチーム編成と、段階的に責任を委譲する4ステップ
- 実践的な分割パターン: 「チーム別(組織軸)」vs「機能別(ユーザー体験軸)」の比較
GitLabの「チーム別エラーバジェット」運用 詳細解説
上記の5つのテーマに沿って、GitLabが本番環境で実践している「チーム別エラーバジェット」の具体的な運用ルールと組織設計を詳細に解説します。
第1章:なぜ「チーム別」にバジェットを配分するのか?(チーム帰属の思想)
システム全体で単一のSLO(全社共有のエラーバジェット)を運用している場合、複数の開発チームが同一システムに関わる大規模環境では「コモンズの悲劇」と呼ばれる組織的な課題が生じるリスクがあります。
1. 全社単一バジェットの構造的リスク:「コモンズの悲劇」
- 巻き添え停止と対立: あるチームが重いクエリやバグをリリースしてバジェットを使い果たすと、健全に開発している無関係なチームまで「全社リリース凍結」に巻き込まれ、開発チーム間で摩擦が発生します。
- モラルハザード: 「他チームの障害によって予算が消費されてしまう」という状況下では、各チームが自発的にシステムの信頼性に責任を持つ動機付け(インセンティブ)が弱まります。
2. GitLabの解決策:モノリスでも論理的に「チーム別バジェット」を独立配分する
GitLabは巨大なRailsモノリスですが、インフラやリポジトリを物理的にマイクロサービスへ分割するのではなく、「機能カテゴリ(Feature Category)」という論理境界を用いて各開発チーム(Stage Group)にエラーバジェットを独立配分 しています。
- 健全なチームは最大速度でデプロイ継続: バジェットを使い切ったチームのみが改善に集中し、他の健全なチームのFast Flow(高速な価値提供)を一切邪魔しません。
- 「自分たちで品質を守る」当事者意識の確立: チームごとに予算枠が明示されるため、エンジニアとPMが自分たちのコード品質に誇りと責任を持つようになります。
| テーマの要点まとめ |
|---|
|
【要点① チーム境界】巨大モノリスでも論理境界(Feature Category)でチーム別にバジェットを独立 物理的なマイクロサービス分割を行わなくても、機能の論理所有権を各チームに割り当てることで、他チームの障害による巻き添え停止(コモンズの悲劇)を防ぎ、自律的な品質改善サイクルを実現します。 |
第2章:チーム別SLIの計算基準と公平性の担保(28日20分ルール)
チームごとにバジェットを管理する際、GitLabでは「直感的な時間換算」と「公平性を保つための足切りルール」を設けています。
1. 「28日間で合計20.16分」という具体的な時間換算
GitLabの目標可用性(SLO)は 99.95%、評価期間は開発スプリント(2週間)と連動しやすい 直近28日間(4週間/2スプリント) です。
これを時間に換算すると、各チームに許されたバジェットの総量は 「28日間で合計20.16分」 になります。
$$
\text{許容ダウンタイム} = (1 - 0.9995) \times 28 \text{日} \times 24 \text{時間} \times 60 \text{分} = \mathbf{20.16 \text{分}}
$$
「0.05%のエラー率」という抽象的な割合ではなく、「直近4週間で許されるダウンタイム・遅延は合計20分間だけ」 と時間で表現されることで、エンジニアもPMも直感的に危機感を共有できます。
2. Apdex(速度)+ エラー率の複合評価
500エラーだけでなく、「画面が真っ白のまま規定時間(Web画面: 1秒、重い処理: 5秒)待たされる遅延」もBad Eventとしてバジェットを消費させます。これにより、チームごとのUX品質劣化を正確に捉えます。
3. トラフィックシェア 0.01% の足切り基準
アクセス数が極端に少ないマイナー機能では、1〜2回のエラーでバジェットが即座に吹き飛んでしまいます。GitLabでは、全トラフィックの 0.01% を超えるステージグループのみ をエラーバジェット管理の対象とすることで、ノイズによる開発麻痺を防いでいます。
4. 過度な最適化の防止(リソースの適正配分)
すでに 99.95% を達成しているエンドポイントの過剰なチューニングは避ける ことが明記されています。自己満足の過剰品質を戒め、目標未達の機能改善に開発リソースを集中させます。
| テーマの要点まとめ |
|---|
|
【要点② 公平性と最適化】0.01%足切りと過度な最適化の防止で、投資効率を最大化 マイナー機能のノイズを足切りで排除し、達成済み機能への過剰投資を戒めることで、全チームが最も事業インパクトの大きい改善にリソースを集中できます。 |
第3章:バジェット枯渇時の運用ルール(PMがDRIを持つ意味)
エラーバジェットで最も形骸化しやすい「納期優先によるルールの無視」を防ぐため、GitLabでは厳格な運用契約(コントラクト)を結んでいます。
1. なぜ「Product Management (PM)」がDRI(直接責任者)なのか?
GitLab最大の特徴は、チームのエラーバジェット消費管理の DRI(Directly Responsible Individual / 直接責任者)をエンジニアではなく「PM」に設定している点 です。
- PMの責務: 28日間で消費時間を20分以内に維持するよう、新機能開発と信頼性改善の優先順位を判断する。
- 効果: エンジニアが「改善させてください」とPMにお願いする構造をなくし、PM自身が「20分を超えたから、新機能を止めて信頼性改善に工数を振らなければならない」と自発的に判断する文化 を作ります。
2. 月間20分基準のコミットメントルール
[月間消費時間 ≦ 20分(予算内)]
└─ 健全。消費要因を把握するのみで追加アクション不要。新機能リリースを通常継続。
[月間消費時間 > 20分(予算超過)]
├─ 1. PMとEMへ自動アラート
└─ 2. 信頼性改善にコミット(新機能開発を後回しにし、チーム工数の50%以上を改善へ投入)
[3ヶ月連続で予算超過(慢性赤字)]
└─ Engineering Allocation(全社定例)での議論対象となり、機能開発に全社的な追加制限が課される
3. 役員ダブル承認による例外規約の厳格化
一時的なバジェット緩和が必要な場合も、現場の都合での勝手な無視を許さず、Director of Product 以上 + Senior Manager of Infrastructure 以上のダブル承認 を必須としています。
| テーマの要点まとめ |
|---|
|
【要点③ 責任者と枯渇時ルール】PMがDRIを持ち、工数50%ルールを自動執行して社内政治を排除 機能の優先順位を決めるPM自身がバジェット管理の責任を持つため、エンジニアとの対立がなくなり、自発的に新機能を抑えて改善スプリントへ舵を切る文化が生まれます。また、役員ダブル承認によりSLOの形骸化を防ぎます。 |
第4章:チーム別運用を成功させる組織設計(ストリーム専従チームの編成)
チーム別エラーバジェットを導入する際、組織構造が間違っているとチーム間で深刻な対立が発生します。
1. 職能別チーム(フロント vs バックエンド)の失敗
組織が「フロントエンドチーム」「バックエンドAPIチーム」「DBチーム」という職能別のままチーム別バジェットを導入すると、遅延発生時に**「APIが遅い」「フロントの連打が悪い」と責任の押し付け合い(Blame Game)** が発生します。
2. ストリーム専従チームによる「エンドツーエンド所有権」
GitLabのようにビジネス機能単位で編成された クロスファンクショナルなストリーム専従チーム(フロント、バックエンド、PMが一体となったチーム) であれば、機能の品質を丸ごと所有するため、チーム内で自律的にボトルネックを解消できます。
3. チーム成熟度に応じた「責任範囲」の4段階進化
最初から全チームにGitLabのような厳格なペナルティ(リリース制限)を課すと現場が麻痺します。チームの成熟度に合わせて責任範囲を段階的に委譲します。
| 成熟度レベル | 組織・チームの状態 | エラーバジェットの「責任範囲」 | 枯渇時のアクション(強制力) |
|---|---|---|---|
| レベル1 【可視化・認知】 |
監視やSLOの概念が現場にない初期段階 |
SRE/インフラチームが全責任を持つ (開発チームには責任を負わせない) |
ペナルティなし。 「自分たちの機能はどれくらいエラーが出ているか」をダッシュボードで認知するだけ。 |
| レベル2 【伴走・学習】 |
基本的なメトリクスは見れるが、改善方法が分からない |
イネーブリングチームとの共同責任 (SREがメンターとして伴走) |
改善の共同計画。 リリースは止めず、SREと一緒に改善タスクをスプリントに少し混ぜる。 |
| レベル3 【自律・完全責任】 ※GitLab方式 |
ストリーム専従チームとして自律完結できる |
ストリーム専従チームの完全自己責任 (You build it, you run it) |
機械的なリリース制限(工数50%改善)。 プラットフォームの支援を受け、チーム自身が自律的に改善スプリントへ切り替える。 |
| レベル4 【攻めの投資】 |
信頼性が極めて安定し、余剰バジェットがある | 事業責任者(PM)とエンジニアの共同投資 |
積極的なリスクテイク。 余ったバジェットを「新技術の導入」「大胆なアーキテクチャ刷新」のために計画的に使い切る。 |
| テーマの要点まとめ |
|---|
|
【要点④ 組織構造と成熟度】ストリーム専従チーム編成と4段階の段階的委譲で、自滅を防ぐ クロスファンクショナルなチームを基本単位とし、最初は「可視化のみ(責任なし)」から始めて段階的に権限を委譲することで、現場を疲弊させずにエラーバジェットを定着させます。 |
第5章:実践考察:「チーム別」vs「機能別」どちらで分けるべきか?
エラーバジェットは必ずしも「チーム別」だけに限定されるわけではありません。システムの規模や組織体制に応じて、ユーザー体験に直結する「機能別(ユーザージャーニー別)」で管理するアプローチも非常に有効です。
1. 「チーム別(組織軸)」vs「機能別(ユーザー体験軸)」の詳細比較
| 比較項目 | チーム別(組織軸) | 機能別(ユーザー体験・機能軸) |
|---|---|---|
| 分割の基準 | 開発チーム(担当部署・ストリーム専従チーム) | ユーザーが利用する機能(ログイン、決済、検索、閲覧など) |
| 設計の視点 | 組織マネジメント・開発速度(Fast Flow) | ユーザー体験(UX)・事業インパクト |
| 最大の強み |
意思決定(DRI)の明確さ。 「誰が新機能を止めて改善に専念するか」の責任が自動的に定まり、他チームへの巻き添えを防げる。 |
重要度に応じたメリハリ。 「決済(99.99%)」は厳格に、「閲覧(99.5%)」は柔軟にと、ビジネス重要度に応じた目標を設定できる。 |
| 運用の課題 | 機能カテゴリのタグ付けやCI静的解析など、プラットフォーム基盤の自動化が必要。 | 1つの機能を複数チームで共同開発している場合、バジェット枯渇時の責任(誰が改善するか)が曖昧になりやすい。 |
| バジェット枯渇時 | 該当チームが工数の50%を改善に投入(健全なチームは開発継続) | 該当機能に関わるエンジニアが優先的に改修(全社で優先度調整) |
| 最適な組織フェーズ | 複数チームで開発する中〜大規模組織、GitLabのような大規模モノリス | 単一チーム、少人数スタートアップ、機能重要度の差が大きいWebサービス |
2. 自社での選択指針(使い分けの基準)
- 開発者が1〜2チーム(少人数)の場合: まずは 「機能別」 で十分です。「決済やログインなどのコア機能」と「閲覧などのサブ機能」でSLOを分け、ユーザー体験の重要度に応じたメリハリをつけます。
- 開発者が3チーム以上(中〜大規模)の場合: 「チーム別(GitLab方式)」 への移行が効果的です。機能ごとのバジェットをさらに「担当チーム」に紐付けることで、障害時の他チーム巻き添え停止(コモンズの悲劇)を防止します。
2. 今回解説した5つの重要テーマの要点一覧
本記事で解説した「チーム別エラーバジェット」の5大テーマの要点まとめです。
| テーマ | 結論・身についた原則 | 背景と本質(学んだこと) |
|---|---|---|
| ① チーム境界 | 論理境界(Feature Category)によるチーム別バジェット独立 | 物理分割を行わなくても、機能の論理所有権を各チームに割り当てることで、他チームの障害による巻き添え停止(コモンズの悲劇)を防ぐ。 |
| ② 公平性と最適化 | 0.01%足切りと過度な最適化の防止で投資効率を最大化 | マイナー機能のノイズを排除し、達成済み機能への過剰投資を戒めることで、最も事業価値の高い改善にリソースを集中できる。 |
| ③ 責任者 (DRI) | PMがDRIを持つことで自律的な工数再配分が成立 | 機能優先度を決めるPM自身がバジェット管理の直接責任者となるため、エンジニアと対立せず自発的に改善スプリントへ舵を切れる。 |
| ④ 枯渇時の強制力 | 事前合意された「工数50%ルール」と役員ダブル承認 | 障害時に感情で議論せず、平時に合意されたルールを機械的に執行し、例外にも役員ダブル承認を義務付けて形骸化を防ぐ。 |
| ⑤ チーム成熟度 | ストリーム専従チーム編成と4段階の段階的委譲 | クロスファンクショナルなチームを編成し、「可視化のみ」から段階的に責任を委譲することで、現場を疲弊させずに定着させる。 |
番外:心に留めておきたい「チーム別エラーバジェットの心得」
| 心得 | エンジニアリング組織への示唆 |
|---|---|
| ① バジェットは「節約」ではなく「投資」である | エラーバジェットを余らせて満足するのではなく、イノベーションを加速するために「計画的に使い切る(リスクを取って挑戦する)」ための資源と捉える。 |
| ② 開発とPMは「共通通貨」で対話する | リリースの是非を巡って感情的に対立するのではなく、「直近28日で20分」という客観的なバジェット数値をベースに建設的な意思決定を行う。 |
| ③ システムを守る最大の武器は「非難なき文化(Blameless)」 | バジェット枯渇時に個人を責めるとエラーの隠蔽が起きる。「人間はミスをする前提で、なぜ仕組みが防げなかったのか」を全員で改善する。 |
| ④ プラットフォームなきチーム別SLOは自滅を招く | 開発チームに監視ツールの保守を丸投げすると認知負荷が爆発する。監視の自動化はプラットフォームチームに完全に任せる。 |
おわりに(感想):外部ベンダーや複数社との協力体制にこそ、この考え方が必要だという気づき
GitLabのエラーバジェット運用を読み解いていく中で強く感じたのは、「この考え方は、自社内のチーム間だけでなく、外部ベンダーや複数社が協力する開発体制にこそ絶大な効果を発揮するのではないか」 という点です。
外部ベンダーや複数社が関わる開発体制では、障害や遅延が発生した際に「発注元 vs 受注元」や「ベンダー間」で責任の分界点が曖昧になり、建設的な対話が難しくなるリスクがあります。
しかし、チーム別(ベンダー別)にエラーバジェットを独立させれば、以下のような明確なメリットが期待できます:
- 感情論を排した建設的な対話: 「画面が遅い!どうしてくれるんだ!」と感情的に詰め寄るのではなく、「直近28日で許された20分のうち貴社APIで15分消費しているので、次のスプリントは新機能を止めて改善に工数を充ててください」と、客観的な共通通貨でリソース配分を交渉できます。
- 無関係なパートナーへの巻き添え防止: ベンダーAの不具合で全社リリースが凍結され、健全に開発しているベンダーBの作業まで巻き添えを食らうという理不尽な事態を防げます。
- ベンダー側のエンジニアを守る防波堤: ベンダー側も「無理な納期プレッシャー」に対して、「バジェットが枯渇したため、契約ルールに基づき信頼性改善を優先します」と正当に主張でき、デスマーチを防げます。
- 過剰品質要求によるコスト高騰の防止: 「絶対に落とさないで(100%)」という非現実的な要求を避け、「許容ダウンタイム(月20分)」を事前に合意しておくことで、適正なコスト感で発注できます。
エラーバジェットは、単なるSREの監視手法にとどまらず、「社外パートナー企業と対等で健全な信頼関係を築くための共通言語(コントラクト)」 として、今後あらゆる現場で不可欠な武器になると強く実感しました。
まとめ
GitLabのチーム別エラーバジェットから学べる最大の教訓は、「エラーバジェットは単なるメトリクスの計算式ではなく、チームの当事者意識を高めて自律的なFast Flowを実現するための組織アーキテクチャである」 という点です。
- チーム単位でバジェットを独立させる ことで、コモンズの悲劇を防ぎ、健全なチームのデプロイ速度を守る。
- PMがDRIを持つ ことで、新機能開発と信頼性改善のトレードオフを自律的に解消する。
- 28日20.16分換算と0.01%足切り により、直感的で公平な運用ルールを作る。
- チームの成熟度に合わせて段階的に責任を委譲する ことで、現場の疲弊を防ぎ文化として定着させる。