AI驱动的可观测性：从AIOPS的失败中汲取教训

生成式 AI 进入可观测性工具几乎是必然的，但眼下这个市场的炒作热度，已经到了需要冷静审视的地步。监控、DevOps 和 ITOps 这些领域向来容易跟风，而随着 GenAI 能力的爆发，炒作机器显然又进入了失控状态。

那些想赶上 GenAI 浪潮的组织，不妨回头看看 AIOps 刚出现时的盛况——那会儿的炒作一点也不比现在少。AIOps 的本意是解决运营遥测数据的复杂、海量和高速问题，实现主动事件响应、减少人工干预。不少人当时认定这就是未来，能搞定系统内部的各种顽疾。但现实是，采用率远远落后于预期，因为 AIOps 在关键 IT 场景下根本没兑现承诺。组织到底想从 AIOps 得到什么？哪些工具才是真正合适的？这两个问题一直悬而未决。

问题出在哪？AIOps 要成功，需要组织改变&现有流程，但很多组织不愿意改。没能从这些方案中获得收益，根本不是技术问题，而是组织根本没有做出必要的调整去接住这些收益。

基于 AI 的可观测性如何满足预期

组织在 IT 环境中追求生产力提升，问的都是很实际的问题：“怎么能干得更快？怎么缩短价值交付时间？怎么更快修复故障，好让业务核心问题获得最大回报？”

GenAI 和基于 AI 的可观测性工具，恰好能回答这些。它们能提供系统行为的洞察，还能直接给出修复遥测数据（日志、指标、追踪）中问题的办法——这本就是可观测性该干的事。传统上，这些洞察只有精通复杂查询语言、深入理解遥测数据流的技术专家和分析师才能拿到。但如果基于 AI 的可观测性再往前走一步呢？如果可以用自然语言与系统对话呢？

这些工具有望为更广泛的用户群体打开深度洞察的大门。这意味着系统行为认知能力的大幅提升，把可观测性民主化到非技术用户，同时让环境中的故障点、难点暴露得更彻底。在 IT 人员知识缺口大、招聘困难的当下，基于 AI 的可观测性正好能填补一部分需求。想象一下，你的团队相当于多了一个初级开发人员，直接在你的技术平台上干活——这意味什么？

当前可观测性最强大的应用，源自 GenAI 集成带来的战略能力：自动收集相关上下文洞察、异常检测，以及精确定位关键数据来优化存储和成本。这些能力通过重新设计核心监控和故障排查流程——从查询到根因分析——正在改变工程和 DevOps 团队的日常交互。这类 AI 系统拥有完整的仪表盘、数据可视化，还能秒级响应紧急问题，这才是 AIOps 当年承诺但没能做到的事。

说到根本区别：AIOps 的核心思路是尽可能多地引入遥测数据来识别异常。而可观测性解决方案走的不是这条路——它提供的是选择性遥测数据的服务，展示实时指标，比如 CPU 使用率或其他关注领域。在指标中加入 AI 做异常检测，看起来像 AIOps 的功能，但本质上是对可观测性的增强。反观 AIOps，它从 AI 出发，可能连一个统一的仪表盘都不提供。

革命正在等待，但我们必须先进化

AIops 的教训必须带到下一代可观测性工具中，才能帮助组织应对云原生架构那些短暂、复杂的各种场景。得益于 GenAI，我们与可观测性工具的交互方式、我们组织运营团队的方式，都潜藏着结构性的演变。

一些好处已经显现出来了：

• 团队可以用这些能力过滤掉无关数据，加速故障排查。
• AI 能识别最常见的错误，并提出可能的缓解策略。
• 手动流程可以自动化，为工程师节省数小时时间，让他们聚焦在更宏观的策略和项目上。

不过，谈实施是一回事，真正用好又是另一回事。问题依然是：组织能从这些转变中获得什么实际收益？用例必须真能落地，生产力必须真实提升。如果组织难以理解甚至抗拒必要的改变，而障碍又太大，那么再好的技术也只能停留在纸面上。

下一代系统监控和管理方法正在走来——它利用 GenAI 和机器学习自动检测、诊断和解决问题，无需人工干预。这种演变能让技术团队专注于战略性任务，同时确保系统性能和可靠性达到最优。团队最好牢记过去那些快速技术转变中的成败经验：准备好改变整个组织的思维方式，才能真正实现目标。