Notes Topics Projects Statistik Now About
Field Note #176

AI Mempercepat Implementasi, tetapi Recovery Tetap Harus Dirancang

Status provider kembali normal bukan berarti aplikasi Anda sudah pulih. AI bisa menulis skrip pemulihan dalam hitungan detik, tetapi kesiapan recovery tetap ditentukan oleh pengujian riil sebelum insiden terjadi.

AI Mempercepat Implementasi, tetapi Recovery Tetap Harus Dirancang

Pada 24 Oktober 2026, provider mengumumkan downtime pada Node 7 Cloud ID. Investigasi dimulai pukul 04.09 WIB, penggantian perangkat keras berjalan pukul 05.45 WIB, dan provider baru menyatakan layanan kembali normal pukul 12.29 WIB—lebih dari delapan jam kemudian.

Bagi provider, insiden selesai saat hardware diganti dan lampu indikator server kembali hijau. Bagi pengelola sistem, pekerjaan pemulihan justru baru dimulai pada detik itu.

Dua Garis Status yang Sering Tertukar

Ada jurang besar antara infrastruktur yang menyala dan layanan yang benar-benar pulih:

  1. Status Provider Hijau: Server hidup, IP bisa di-ping, disk terbaca.
  2. Status Layanan Pulih: Koneksi database stabil, background worker berjalan, token integrasi tidak kedaluwarsa, dan antrean data yang tertunda saat downtime berhasil diproses tanpa duplikasi.

Jika Anda mengandalkan notifikasi provider sebagai tanda sistem sudah aman, Anda terlambat. Node yang kembali aktif bisa saja menyisakan database dalam status recovery mode, file socket yang tertinggal sehingga service gagal bind, atau cronjob yang macet total sejak reboot.

Di Mana Batas Kemampuan AI?

AI sangat efektif mempercepat pekerjaan koding harian. Dalam situasi darurat, AI bisa menyusun skrip restore Bash, merapikan query dump database, atau meregenerasi file konfigurasi dalam 10 detik.

Namun, kecepatan membuat skrip bukan kesiapan recovery.

AI tidak mengetahui hal-hal yang tidak tertulis di prompt Anda:

  • Service mana yang harus menyala lebih dulu agar worker tidak crash-loop.
  • Folder storage mana yang membutuhkan izin akses chmod khusus sebelum daemon database bisa menulis log.
  • Apakah variabel environment di server cadangan sudah sinkron dengan server produksi.
  • Bagaimana memvalidasi bahwa data transaksi yang di-restore memang utuh, bukan sekadar tabelnya terisi.

Skrip pemulihan buatan AI yang belum pernah diuji di lingkungan riil sama berbahayanya dengan tidak memiliki skrip sama sekali.

Dari Dugaan ke Pembuktian: Kasus Pemulihan 8 Menit

Waktu pemulihan (Recovery Time Objective / RTO) tidak bisa ditebak dari spesifikasi server. Waktu tersebut hanya valid jika pernah diukur langsung dengan stopwatch saat simulasi.

Dalam salah satu pengujian pemulihan sistem yang kami jalankan—melibatkan stack Python, HTMX, PostgreSQL, dan ClickHouse—seluruh proses recovery berhasil kami selesaikan dalam delapan menit.

Angka delapan menit ini bukan kebetulan, melainkan hasil dari beberapa kali kegagalan pada simulasi awal. Kami memangkas waktu pemulihan melalui empat keputusan teknis:

  1. Ukuran dan Alur Data Terukur: Kami mendata volume dump database dan menghitung bandwidth jaringan antar-server sebelum insiden. Kami tahu berapa detik yang terbuang untuk transfer file sebelum proses restore dimulai.
  2. Urutan Dependensi yang Kaku: Service tidak dinyalakan serentak. Urutan restore dikunci: storage engine database (PostgreSQL & ClickHouse) harus lolos healthcheck internal terlebih dahulu, disusul engine ingest data, baru kemudian worker dan web application.
  3. Konfigurasi Bersih dari Rahasia: Kredensial, token akses, dan konfigurasi environment disiapkan dalam template terpisah yang siap dimuat, tanpa menanam rahasia mentah ke dalam skrip otomasi.
  4. Verifikasi Fungsional Otomatis: Pemulihan dianggap selesai bukan saat perintah restore keluar dengan kode exit 0, melainkan saat skrip verifikasi berhasil melakukan read/write check kecil ke endpoint aplikasi.

Pelajaran dari pengujian ini bukan pada angka delapan menitnya, melainkan fakta bahwa waktu tersebut hanya bisa dicapai karena prosedurnya sudah pernah dijalankan berulang kali sebelum server aslinya bermasalah.

Trade-off: Kompleksitas vs Kebutuhan

Tidak semua sistem memerlukan arsitektur multi-region failover otomatis yang mahal. Replikasi database real-time dan server siaga (hot standby) membutuhkan biaya infrastruktur serta beban kognitif yang besar bagi tim.

Untuk banyak layanan, prosedur backup-restore manual yang terdokumentasi rapi dan terbukti bisa dieksekusi dalam 15–30 menit jauh lebih realistis daripada arsitektur high-availability rumit yang tidak pernah diuji dan gagal saat pertama kali dipakai.

Kuncinya bukan memilih arsitektur paling canggih, melainkan mengetahui persis batas toleransi downtime bisnis Anda dan membuktikan bahwa strategi yang Anda pilih memang bekerja saat kabel server dicabut.

Checklist Pascainsiden

Ketika server produksi Anda kembali menyala setelah insiden:

  • Validasi fungsional: Cek transaksi riil dan endpoint utama, jangan berhenti di halaman login.
  • Periksa background process: Pastikan cronjob, worker, dan antrean tugas terjadwal menyala kembali.
  • Evaluasi data yang tertunda: Cek apakah ada request dari webhook atau transaksi eksternal yang gagal masuk selama downtime.
  • Catat selisih waktu: Bandingkan estimasi awal provider dengan realisasi waktu layanan kembali normal untuk evaluasi SLA.

Teknologi dan AI membantu kita membangun sistem lebih cepat dari sebelumnya. Namun, ketahanan sistem tidak ditentukan oleh seberapa canggih skrip yang dihasilkan AI, melainkan oleh keputusan arsitektur yang Anda uji sendiri sebelum insiden terjadi.

Recommended Learning Path

↓ AI Mempercepat Implementasi, tetapi Recovery Tetap Harus Dirancang (Current)