借助AI工具，开发者生成代码和构建功能的速度已大幅提升，耗时显著缩短。然而，软件投入生产环境后，监控、维护和修复的压力并未减轻。一个几分钟即可构建的功能，可能引发需要工程师数小时排查的故障。
谷歌2025年DORA报告基于近5000名技术专业人士的反馈指出，更高的AI采用率与更快的软件交付速度相关，但系统稳定性有所下降。虽然研究未确立AI生成代码直接导致更多故障，但表明企业在未同步提升维护能力的情况下加快了软件生产速度。
这引出一个关键问题：随着开发速度加快，软件运行中的多少工作可实现自动化？越来越多的公司正开发能调查故障、识别原因并自动采取纠正措施的AI系统，以减少对工程师介入的依赖。
更多软件，更重运维负担
DataAgent联合创始人兼首席执行官Ishay Yaari指出，软件开发的操作层面并未像编码那样同步演进。“更多的代码、更频繁的部署及基础设施变更，自然产生了更多潜在故障点。”
对于站点可靠性工程（SRE）团队而言，这意味着需管理频繁变更的应用程序和基础设施。发生故障时，工程师必须厘清变更内容、确定原因并恢复服务。例如，应用更新后崩溃可能源于代码缺陷、配置错误、资源不足或其他服务异常。尽管监控工具能即时检测故障，但工程师仍需检查日志、审查变更并排查多种可能性。
Yaari表示，面对复杂局面，公司通常通过增加监控工具和数据来应对，但这往往意味着需处理更多警报，未必能提升解决速度。这种压力并非仅源于低质量AI代码，即使代码可靠，频繁变更带来的管理难度依然巨大。
谷歌DORA研究人员分析发现，开发者在生成代码时节省的时间，往往被审查和验证环节消耗。测试、反馈及既定工程实践对于将开发速度转化为优质成果至关重要。AI编码工具的收益，很大程度上取决于SRE团队保持应用稳定的能力。
将生产环境控制权交给AI
传统监控工具有助于检测和理解问题，如今企业正试图自动化响应过程。DataAgent等平台旨在监控应用和云基础设施，识别问题并协助调查，让AI承担更多手动操作。
某些故障有固定解决方案，如内存不足导致崩溃、配置错误导致部署失败等。传统自动化通过预定义规则解决特定问题，而AI可通过检查具体情况、识别原因并选择响应方式来扩展这一能力。
Yaari称，DataAgent平台旨在理解基础设施及应用本身，包括服务交互、预期行为及更新后的变化。目标是识别不符合规则的故障。但识别方案与允许软件修改在线应用是两回事。例如，回滚版本可能恢复服务，但若更新涉及数据库更改或新依赖，回滚可能引发新问题。因此，行动能力与诊断能力同等重要。
应允许AI修复多少内容？
PagerDuty 2026年《AI优先运营状态》报告显示，44%的受访组织在使用AI修复影响客户的系统故障时需人工参与，43%的组织在协调跨团队事件响应时也要求人工介入。即便采用AI运维，企业也不愿赋予其对关键系统的无限制权限。
Yaari认同某些决策应保留给人类，如删除大量数据、禁用安全控制或暴露敏感信息等操作需经批准。“目标不是将人类从SRE中移除，而是将人类从机器可安全处理的重复性操作中解放出来。”
企业需明确AI智能体的访问权限、更改范围及审批机制，并记录其操作，尤其是修复失败的情况。此外，监控和可观测性软件成本高昂，应用产生的海量日志和指标需付费收集、存储和分析。若AI需将大量数据传输至外部服务，费用将进一步增加。
Yaari认为，更多分析应在靠近应用运行的地方进行。DataAgent采取分布式方法，在客户基础设施内部署智能体，以减少数据传输。其文档描述了本地监控与云端AI分析结合的模式，但该公司尚未提供独立数据证明这些能力能消除多少运营工作或成本。
工程师的角色演变
Yaari预计，工程师花在调查重复性事件上的时间将减少，而在系统设计、制定运营策略及决定自动化工具权限上的时间将增加。“根本性转变是从人们操作基础设施，转变为人们管理自主化基础设施。”
这可能使小型工程团队支持更多应用，但也要求他们理解自动化系统的决策逻辑及其出错后果。随着常规操作自动化，系统架构、安全性、可靠性及调查罕见故障的能力将变得更为重要。
谷歌DORA研究发现，拥有强大工程实践的组织更能从AI辅助开发中受益。这一教训同样适用于AI驱动的操作。企业仍需可靠流程来测试更改、响应事件并评估自动修复的有效性。
软件行业在加速代码生成方面已取得进展，现在正试图将部分速度应用于保持应用运行。若AI能同时处理这两者，工程师将花更少时间执行个别任务，而花更多时间决定系统的行为准则及人工干预时机。