Во многих крупных предприятиях технологический ландшафт определяет скрытый разрыв, создавая двухскоростную ИТ-организацию. С одной стороны, современные облачные приложения создаются с полной скоростью и гибкостью DevOps. С другой стороны, критически важные, монолитные устаревшие системы остаются в основном нетронутыми, поскольку их модернизация считается слишком жесткой и рискованной.
В течение многих лет единственным жизнеспособным решением был масштабный и зачастую непрактичный проект переписывания, сохранявший самые фундаментальные системы вдали от современных инноваций. Но появляется новая, более прагматичная стратегия, которая использует агентный ИИ и протокол контекста модели (MCP) для преодоления этого разрыва.
Вместо замены этих базовых систем этот подход создает над ними интеллектуальный уровень абстракции, позволяя современным автономным агентам взаимодействовать с устаревшей логикой стандартизированным, естественным для ИИ способом.
Однако этот подход создает ряд проблем, выходящих за рамки простого подключения. Успешное преодоление этого разрыва требует культурного сдвига, направленного на устранение «слепого пятна» современного DevOps вокруг устаревших систем.
Что еще более важно, требуется новая парадигма проверки, чтобы гарантировать стабильность этих новых гибридных архитектур. Мнения ведущих инженеров, находящихся в авангарде этого изменения, дают четкую дорожную карту для прохождения этого сложного, но важного пути.
Устаревшее «слепое пятно» в современном DevOps
По мнению Акаша Агравала, вице-президента по DevOps и DevSecOps в LambdaTest, компании, занимающейся тестированием программного обеспечения для искусственного интеллекта, это распространенное, но опасное «слепое пятно» во многих современных практиках DevOps.
Он отмечает, что команды часто сосредотачивают свои самые передовые стратегии автоматизации и тестирования на новых облачных сервисах, активно игнорируя устаревшие системы, которые считаются слишком жесткими или сложными для автоматизации.
Культура DevOps ценит скорость и гибкость — качества, которые, кажется, противоречат медленной, монолитной природе этих фундаментальных приложений.
Это создает резкую иронию, которую признают многие руководители предприятий. В то время как самые сложные инженерные методы применяются к новым, часто менее важным сервисам, базовые, приносящие доход устаревшие системы — те, которые мы считаем слишком критически важными, чтобы выйти из строя, — часто остаются позади. И это избегание не устраняет риск; оно концентрирует его.
Таким образом, растущий разрыв между современными и устаревшими частями технологического стека становится значительным, нерешенным источником потенциальной нестабильности и разрушения бизнеса.
Новая стратегия: абстракция с помощью агентного ИИ
Вместо того, чтобы предпринимать рискованные и дорогостоящие попытки модернизации по принципу «разорвать и заменить», новая стратегия фокусируется на абстракции, а не на замене. Цель состоит не в том, чтобы переписать базовые системы, а в том, чтобы построить поверх них интеллектуальный интерфейс с поддержкой искусственного интеллекта с использованием протокола контекста модели (MCP).
Такой подход позволяет организациям сохранить свою стабильную, проверенную в боях унаследованную логику, одновременно раскрывая ее ценность для современных автономных приложений, создавая мост между старым и новым, не нарушая критически важные операции.
По словам Рахима Бходжани, технического директора Dremio, эта трансформация отражает аналогичную эволюцию, происходящую в платформах данных. В DevOps постоянной проблемой является разрыв «код-контекст», когда критическая бизнес-логика остается скрытой в сложных, непрозрачных базах кода.
В мире аналитики существует не менее сложный разрыв между контекстом и анализом, когда корпоративные данные не только хранятся в современных озерах, но и разбросаны по бесчисленным системам — хранилищам данных, потоковым платформам, приложениям «программное обеспечение как услуга» и локальным хранилищам — которые должны быть объединены для обеспечения единого представления.
Оба случая представляют одну и ту же основную проблему: отсутствие доступного машиночитаемого контекста, который позволяет интеллектуальным системам беспрепятственно анализировать уровни инфраструктуры и данных.
Применяя агентный ИИ и структуру MCP, предприятия теперь могут переводить неявные знания — встроенные в код или скрытые в распределенных данных — в структурированный, читаемый ИИ контекст.
Сервер MCP действует как интеллектуальный фасад, предоставляя стандартизированный интерфейс, который позволяет агентам ИИ взаимодействовать как с устаревшими системами, так и с платформами объединенных данных. Эта конвергенция автоматизации DevOps и анализа данных знаменует собой кардинальный сдвиг: позволяя системам и наборам данных, которые когда-то были изолированы, стать активными участниками современного предприятия, управляемого искусственным интеллектом.
Необходимость более глубокой проверки
Создание этого интеллектуального уровня абстракции — это только половина работы; обеспечение его надежности при динамической нагрузке агентов ИИ само по себе является сложной задачей. Потому что традиционные методы тестирования, которые могут просто проверять контракт API, недостаточны для этих новых гибридных систем, в которых современные агенты взаимодействуют с устаревшими ядрами.
По мнению Агравала, требуется гораздо более глубокий и целостный подход к валидации. Он считает, что, поскольку эти устаревшие системы настолько важны, тестирование должно выходить за рамки уровня API и охватывать базовую инфраструктуру.
Для этих новых рабочих нагрузок MCP командам необходимо проверять производительность в реальных условиях, проверяя на наличие тонких, но критических проблем, таких как утечки памяти или неожиданное поведение ядра. Это те виды снижения производительности, которые традиционные модульные тесты не предназначены для обнаружения, однако они могут привести к значительной нестабильности в производственных средах.
Для достижения этой цели Агравал выступает за использование тестовой платформы, «управляемой наблюдаемостью». Это представляет собой фундаментальный сдвиг от простого поиска результата «пройден» или «не пройден» в тестовом примере.
Вместо этого платформа, управляемая наблюдением, коррелирует результаты каждого теста с событиями инфраструктуры в реальном времени и показателями производительности. Это дает полную картину поведения системы под нагрузкой, управляемой искусственным интеллектом, позволяя командам понять не только то, работает ли соединение, но и то, как оно влияет на стабильность наиболее важных устаревших приложений.
Сокращение MTTR с помощью аналитики на основе искусственного интеллекта
Конечная цель этого более глубокого тестирования, основанного на наблюдаемости, — не просто найти больше ошибок, но и быстрее их исправить. Потому что для любой DevOps-организации наиболее ощутимую выгоду приносит сокращение среднего времени решения проблемы (MTTR).
В сложных гибридных системах, где современный агентный уровень взаимодействует с устаревшим ядром, поиск основной причины сбоя может занять невероятно много времени, поскольку проблема может находиться в любом месте распределенного стека.
По словам Агравала, именно эту задачу призваны решать современные испытательные платформы на базе искусственного интеллекта. Опираясь на свой инженерный опыт в LambdaTest, он отмечает, как Kane AI, агент комплексного тестирования, может выполнять распределенную трассировку как в новых облачных сервисах, так и в базовых устаревших системах. Сопоставляя события во всем этом стеке, платформа может обеспечить «отслеживаемое обоснование» любого сбоя.
Вместо того, чтобы просто отмечать, что тест не прошёл, система предоставляет четкое описание того, почему он не удался, прямо указывая командам на первопричину, будь то на современном уровне MCP, в устаревшем приложении или в самой инфраструктуре.
Для лидеров DevOps это последняя и самая интересная часть головоломки. Предоставляя этот глубокий межсистемный контекст, проверка на основе искусственного интеллекта может значительно сократить MTTR, переводя команды от медленной, реактивной отладки к быстрому, основанному на аналитике разрешению.
Путь вперед
На протяжении десятилетий модернизация наиболее важных устаревших систем предприятия часто казалась невозможным выбором между высоким риском и полным переписыванием и столь же рискованным решением вообще ничего не делать. Протокол модельного контекста и новая волна агентного искусственного интеллекта теперь предлагают третий, более прагматичный путь. Эта новая стратегия позволяет организациям создавать интеллектуальный уровень абстракции искусственного интеллекта, который раскрывает огромную ценность этих систем без опасности затронуть ядро.
Ключом к тому, чтобы сделать этот подход жизнеспособным, является параллельная эволюция тестирования. Используя тщательную модель проверки, основанную на наблюдаемости, команды могут обрести уверенность, необходимую для запуска этих новых гибридных систем в производство.
Этот двусторонний подход, основанный на интеллектуальной абстракции и глубокой проверке, наконец, дает возможность сократить разрыв в двухскоростной ИТ-организации. Поступая таким образом, руководители могут интегрировать свои основные бизнес-активы в рабочие процессы современных агентных приложений искусственного интеллекта, гарантируя, что ни одна критически важная система не останется без внимания.
ТЕНДЕНЦИОННЫЕ ИСТОРИИ YOUTUBE.COM/THENEWSTACK Технологии развиваются быстро, не пропустите ни одной серии. Подпишитесь на наш канал YouTube, чтобы смотреть все наши подкасты, интервью, демонстрации и многое другое. ПОДПИСАТЬСЯ Группа, созданная в Sketch. Сакиб Ян — технологический аналитик с опытом разработки приложений, FinOps и облачных технологий. Подробнее от Сакиба Джана
