工具泛滥叠加AI应用，企业网络运维压力骤增

企业组织正在引入人工智能来帮助管理企业网络，但自动化程度的提升也给组织带来了更大压力，需要改善可观测性、数据整合与治理水平。

企业管理协会（Enterprise Management Associates，简称EMA）的研究显示，企业机构通常会使用六到八种可观测性工具，这在网络运维团队借助AI管理复杂IT环境的过程中，带来了整合、人员配置和可视性方面的挑战。

EMA对356名企业IT从业者进行了调查，发现工具泛滥正在消耗工程师的时间、增加人员需求并拖慢事件处理速度。根据EMA发布的报告《现代IT运维中可观测性统一的现实状况》，受访企业中大多数已经在可观测性的部分领域使用了AI，包括告警关联和异常检测等任务。

尽管如此，利用AI简化复杂环境下的可观测性管理，并不意味着工具会被整合成单一平台。EMA负责网络基础设施与运维研究的副总裁沙马斯·麦吉利卡迪（Shamus McGillicuddy）在分享研究成果的网络研讨会上表示：“首先可以明确的一点是，没有人能实现‘单一窗口’管理。”

工具泛滥给IT运维带来压力

许多企业仍在努力统一其可观测性环境。

EMA调查发现，51%的受访者正在推进工具统一工作，32%仍处于规划或评估阶段，17%已经完成了统一。规模较大的组织表示，其环境中使用的可观测性工具数量更多。根据EMA的数据，IT组织列举了工具泛滥对IT团队造成影响的多种方式：

45%的受访者提到，运营多种工具带来了技能和人员配置方面的负担。

44%表示，整合与API复杂性占用了大量工程时间。

41%表示，在不同工具间切换会拖慢调查和响应速度。

40%反映人工操作明显增加。

34%表示告警噪音造成了额外负担和认知过载。

工具泛滥还会推高总体拥有成本，拖慢事件检测与处理速度，导致数据质量不一致、覆盖存在盲区，并使跨技术领域的端到端可视性变差。例如，网络运维团队的工具可能显示连接状态正常，而云端和应用团队各自的工具也显示环境运行正常，但终端用户却仍然遇到问题。麦吉利卡迪表示：“我们所有的工具都显示一切正常”，但问题在于，各团队缺乏将不同工具数据进行关联分析的能力，无法识别出与事件相关的异常情况。

企业可以利用AI帮助关联信息、实现运维自动化，但这并不能消除解决底层运维问题的必要性。麦吉利卡迪表示：“AI可以克服工具之间的数据碎片化问题，但无法弥补数据质量差和运维管理本身存在的问题。”

AI承担起更多工作量

企业正在将AI应用于这些运维数据。32%的受访者表示，他们在可观测性工具中广泛使用AI；51%表示在部分领域使用AI；13%仍处于试点阶段。受访企业分享的应用场景包括事件摘要与解释、告警关联与噪音削减、容量预测、异常检测、预测性分析以及根因分析。

那些表示广泛使用AI的组织也表示，他们对自身可观测性统一战略更有信心。数据碎片化或不一致会限制AI的效果，受访企业还提到了对输出不准确以及安全与合规风险的担忧。

EMA负责IT服务、运维及ServiceOps研究的研究总监帕克·哈斯科克（Parker Hathcock）在网络研讨会上表示，工具泛滥带来的问题会相互叠加放大。他认为，在企业尝试简化可观测性环境之前，需要建立起强有力的工具治理机制。

哈斯科克表示：“这些问题会相互叠加，这正是为什么强有力的工具治理至关重要。在你开始尝试简化现有体系之前，这是实现更好状态必不可少的一步。”

约四分之一（24%）的受访组织表示，其可观测性工具治理已经实现完全集中化；48%表示所有权大体上已经集中，仅在部分领域存在例外。实现集中管理的组织表示，他们对统一战略更有信心，可观测性与IT服务管理之间的整合更深入，事件影响分析更有效，AI驱动的可观测性应用也更加成熟。

麦吉利卡迪提醒称，集中化管理不仅仅意味着让某一个团队负责。EMA的调查还发现，工具治理和工程团队人员配置不足的组织，其统一战略成效也较差。他表示：“关键不仅在于集中管理权限，还要为这个集中化团队提供足够的资源，以确保其能够落地实施并取得成效。”

当AI开始对基础设施采取行动

EMA研究副总裁克里斯托弗·斯特芬（Christopher Steffen）表示，当AI系统开始在网络基础设施中采取实际行动时，AI治理就变得更加重要。

斯特芬解释说，随着企业赋予AI更多自主权，也需要对这些系统进行相应的治理。智能体式AI系统具有概率性特点，意味着其响应和行为并不总是可预测的，而许多传统网络安全控制措施是按照确定性方式设计的，即遵循预先设定的规则运行。

例如，斯特芬提到，一条防火墙规则在AI系统看来可能显得没有必要。该规则允许某个特定IP地址每季度一天访问数据库进程。AI系统可能会判断这条规则没有必要，并将其删除，却不知道该规则支持着一项合法的业务流程。斯特芬在另一场网络研讨会上表示：“它看起来就像是一条配置错误的规则，看起来应该立即被清除。”

这只是一个例子，说明随着企业允许AI承担更多运维职能，网络团队需要判断哪些环节仍然需要人工审核。斯特芬表示，AI治理需要针对异常例外情况、业务关键规则以及可能有害或不准确的输出进行人工监督，相关控制措施应根据组织自身的风险状况量身定制。

对于网络运维团队而言，AI和自动化应用的不断增加，要求企业整合可观测性数据与工作流程，加强工具治理，并对AI系统能做什么、不能做什么设定明确的控制边界。

斯特芬表示：“AI只是我们工具箱中的又一件工具，我们会继续使用它。它不会消失，会持续演进，而我们也会围绕它建立起合适的治理机制。”

Q&A

Q1：企业通常使用多少种可观测性工具？

A：根据EMA的调查，企业组织通常会使用六到八种可观测性工具，这种工具泛滥会带来整合、人员配置和可视性等方面的挑战。

Q2：AI在可观测性领域主要用来做什么？

A：企业将AI应用于事件摘要与解释、告警关联与噪音削减、容量预测、异常检测、预测性分析以及根因分析等场景，以提升运维效率。

Q3：为什么AI治理在网络运维中很重要？

A：因为智能体式AI系统具有概率性，行为并不总是可预测，可能在不了解业务背景的情况下错误地修改关键配置，因此需要人工监督和针对性的治理控制。