Опрос: где ИИ сокращает трудозатраты, а где его все еще не хватает

DuploCloud спонсировал этот пост.

Согласно отчету DevOps от DuploCloud, команды DevOps тратят почти треть своего времени на ручную работу. Если у вас есть 50 инженеров, средняя зарплата которых составляет 200 000 долларов, это означает, что каждый год вы теряете 3 миллиона долларов, если предположить, что всю ручную работу можно автоматизировать.

Новый опрос 135 руководителей инженеров и DevOps в Северной Америке и Европе показывает, где ИИ помогает командам выигрывать время, а где ему все еще трудно. Респонденты представляют стартапы и компании среднего бизнеса, занимающиеся программным обеспечением как услугой. Сюда входят технические основатели, инженеры платформ и руководители по обеспечению соответствия.

В отчете отмечается рост инвестиций в искусственный интеллект в прошлом году на 67%, что может способствовать решению таких приоритетных задач, как сокращение ручного труда. Но результаты неоднозначны.

ИИ действительно улучшает некоторые целевые рабочие процессы. В то же время это часто добавляет шум и накладные расходы на интеграцию.

Вот результаты опроса в сочетании с отраслевыми исследованиями. С помощью этих данных вы можете прояснить, где ИИ приносит измеримую пользу, а где технология все еще не справляется.

Ключевые выводы

• ИИ может сократить ручную работу DevOps, которая занимает 30% времени команд DevOps, за счет автоматизации целевых рабочих процессов. К ним относятся реагирование на инциденты, обнаружение отклонений и сбор доказательств соответствия.
• Высокая зрелость автоматизации является обязательным условием. ИИ может улучшить существующие процессы, хорошие или плохие.
• Важно установить ограничения и измерения, чтобы избежать усталости от оповещений, ложных срабатываний и дорогостоящего разрастания интеграции.

Слишком много DevOps все еще слишком ручное

Цель DevOps — ускорить доставку программного обеспечения. И все же ему все же удается замедлять работу команд. Тридцать процентов времени инженеров по-прежнему уходит на рутинные повторяющиеся задачи инфраструктуры, аудиты и обслуживание инструментов.

Мы обнаружили, что самые большие болевые точки включают в себя:

• Безопасность и соответствие: Более 60% респондентов назвали это одной из своих главных проблем.
• Разброс инструментов: Многие команды используют до 20 инструментов. Хуже того, их видимость ограничена.
• Ручное обслуживание инфраструктуры как кода (IaC): Это слишком много. Фактически, это добавляет накладные расходы, а не удаляет их.

Один из руководителей платформы заметил: «Все кажется склеенным скотчем. Один сценарий ломается, и все в руках».

Результатом является замедление релизов, растущая усталость от аудита и выгорание. Почти половина респондентов сообщают, что их утомление напрямую связано с рабочими нагрузками DevOps. Это перекликается с «Отчетом DORA» Google за 2024 год, в котором нестабильные приоритеты связываются с низкой производительностью и повышенным стрессом.

ИИ стал основным приоритетом

Конечно, команды не ждут идеальных условий, чтобы начать автоматизацию. Шестьдесят семь процентов опрошенных заявили, что за последний год увеличили инвестиции в искусственный интеллект.

Вот их заявленные главные цели:

Повысьте продуктивность разработчиков

Внедряйте автоматизацию и искусственный интеллект

Сократите инфраструктурные и эксплуатационные расходы

Как сказал один старший инженер: «Половина моей работы — копировать сценарии и надеяться, что ничего не сломается». Для многих лидеров ИИ больше не является экспериментом. Это вопрос выживания.

Скорость стала северной звездой. Пятьдесят четыре процента команд назвали частоту развертывания и время выполнения изменений главными приоритетами.

Это сигнализирует о явном сдвиге в сторону более быстрой и надежной доставки.

От сценариев к агентам

2025 год ознаменовал расцвет агентов ИИ. Это системы, которые наблюдают, принимают решения и действуют в режиме реального времени.

Эти агенты могут безопасно выполнять инфраструктурные задачи с помощью встроенных средств управления, таких как:

• Ролевой доступ
• Разрешения
• Журналы аудита

Почти 80% руководителей заявили, что готовы использовать агентов ИИ. Но им нужны инструменты для хорошей интеграции и поддержания прозрачности.

Конечно, контекст по-прежнему будет определять разницу между полезным и вредным ИИ.

Без доступа к реальным, живым данным об инфраструктуре организации системам искусственного интеллекта не хватает столь необходимого контекста, и они просто не могут действовать эффективно. Фактически, в исследовании отмечается, что «без контекста инфраструктуры ответы могут быть расплывчатыми и бездейственными». Команды, которые подключают ИИ к работающим системам, от IaC и CI/CD до наблюдаемости, добиваются большей точности и более быстрого разрешения.

ИИ может помочь
Реагирование на инциденты приводит к ускорению среднего времени восстановления

Корреляция ИИ между журналами и метриками может сократить среднее время разрешения (MTTR) на 20–40 % в хорошо оснащенных средах. Он выявляет связанные инциденты и рекомендует проверенные инструкции, избавляя инженеров от ручного поиска.

Команды с непоследовательной телеметрией обычно получают меньший выигрыш, обычно достигающий максимального сокращения MTTR на 25%.

Чистые, маркированные данные остаются ключевым ограничением.

автоматизация соблюдения требований может произойти за дни, а не недели

Шестьдесят два процента респондентов заявили, что сложность обеспечения соответствия и безопасности является одной из главных операционных проблем. Автоматизированный сбор доказательств может сопоставить инфраструктуру со структурами. К ним относится SOC 2. Кроме того, они могут создавать готовые для аудита отчеты. Это часто сокращает подготовку с недель до дней.

Аудиторам по-прежнему требуется проверка человеком контроля доступа и методов обработки данных. Таким образом, автоматизация упрощает сбор доказательств, но не заменяет аттестацию.

Вы можете получить немедленную окупаемость инвестиций за счет обнаружения дрейфа

Обнаружение дрейфа остается одним из наиболее надежных вариантов использования ИИ. Команды, внедрившие автоматизированные инструменты сравнения конфигураций, сообщили об обнаружении отклонений в течение нескольких минут. Это намного лучше, чем ежедневные проверки вручную.

Почему это работает:

• Двоичные критерии успеха (конфигурация соответствует или нет)
• Требуется минимальный бизнес-контекст
• Прямая связь с временем безотказной работы и надежностью

Этот вариант использования неизменно обеспечивает измеримую отдачу и быстрое внедрение.

ИИ также все еще не справляется
Ложные срабатывания и усталость от оповещений — это проблемы… большие

Системы обнаружения аномалий часто выдают от 15% до 25% ложных срабатываний на раннем этапе развертывания. Каждый из них требует ручной сортировки и медленно подрывает доверие.

Как ограничить ложные срабатывания:

Запускайте новые модели в теневом режиме в течение нескольких недель перед производством.

Требовать одобрения человека для любого автоматического исправления.

Установите бюджеты подавления, чтобы ограничить объем оповещений.

Перенастраивайте модели ежеквартально, используя размеченные данные.

Без этих ограждений команды полностью игнорируют предупреждения.

Оптимизация затрат… без контекста

Более половины команд нацелены на сокращение затрат с помощью ИИ, однако рекомендации часто не учитывают бизнес-контекст. Алгоритмы могут предлагать удалить «простаивающие» ресурсы аварийного восстановления или сократить объем услуг, обеспечивающих повышенную пропускную способность.

ИИ может выявить тенденции, но не может полностью понять риск, избыточность или сезонность. Сочетайте каждую рекомендацию по затратам с проверкой человеком, чтобы избежать незапланированных простоев или нарушений требований.

Фрагментированная реализация

Опрос показал, что большинство организаций по-прежнему руководствуются сценариями. Или они частично автоматизированы. ИИ имеет тенденцию усиливать вашу существующую неэффективность в этих средах.

Если вы сможете вывести свою команду на более высокий уровень зрелости DevOps с помощью упреждающего мониторинга и политики как основы кода, вы увидите максимальную рентабельность инвестиций.

Бюджеты показывают сдвиг

Доказательства имеются, и руководители инженеров голосуют своими бюджетами.

Тем временем инженеры DevOps переходят от ручного выполнения к архитектуре автоматизации и операциям с помощью искусственного интеллекта.

Один технический директор резюмировал это так: «Мы не заменяем людей. Мы повышаем их влияние».

Команды, которые позволяют ИИ выполнять задачи, получают наибольший эффект

Исследование выявило четыре устойчивых привычки среди наиболее эффективных команд:

Сначала автоматизируйте. Эти команды укрепляют свои конвейеры перед внедрением ИИ.

Держите людей для надзора. Каждое действие ИИ включает в себя контрольные журналы и одобрения опытных людей.

Измерьте воздействие. Успешные команды еженедельно отслеживают среднее время восстановления, частоту развертывания и объем ручного труда.

Масштабируйте постепенно. Они внедряют ИИ в новые рабочие процессы только после того, как эффективно докажут реальную рентабельность инвестиций.

Команды, которые интегрируют ИИ непосредственно в CI/CD, механизмы политики и системы наблюдения, сообщают о самом высоком приросте эффективности. Они рассматривают ИИ как уровень исполнения, а не просто механизм рекомендаций.

С чего начать

Измерьте свою реальность. Записывайте каждое ручное действие в течение одной недели и оцените стоимость каждой категории.

Выберите один рабочий процесс. Начните с области, вызывающей наибольшие разногласия: соблюдение требований, дрейф или реагирование на инциденты.

Запустите короткий пилотный проект. Определите критерии успеха, такие как сокращение MTTR или сэкономленные часы.

Сравните результаты. Делитесь данными «до» и «после» между командами.

Масштабируйте осторожно. Переходите к дополнительным рабочим процессам только после того, как успех будет доказан.

Подведение итогов

ИИ меняет DevOps постепенно, а не радикально. Сокращение доли ручного труда с 30% до 20% — это реалистичная и ценная цель, примерно эквивалентная добавлению одного инженера на каждые 10 сотрудников без увеличения численности персонала.

Как заметил один из лидеров: «Если вы еще не используете ИИ для DevOps, вы уже отстаете».

Команды, добившиеся успеха, обладают четырьмя общими привычками:

• Они достигают более высокого уровня зрелости DevOps в области автоматизации, прежде чем добавлять ИИ.
• Они рассматривают ИИ как вспомогательный уровень, а не как автономный.
• Они непрерывно измеряют и повторяют действия.
• Они поддерживают человеческий надзор с четкими аудиторскими следами.

Самая большая ценность ИИ в DevOps заключается в расширении возможностей, помогая людям сосредоточиться на дизайне, надежности и суждениях, а не на повторяющихся задачах.

Представленные здесь сведения взяты из нашего «Отчета о состоянии искусственного интеллекта в DevOps за 2026 год», опубликованного DuploCloud.

Прочтите полный отчет: «Состояние искусственного интеллекта в DevOps в 2026 году». Это свидетельствует о переходе от сценариев к агентам и от ручного пожаротушения к операциям, ориентированным на автоматизацию.

Короче говоря, командам необходимо сочетать зрелость автоматизации, контекстный искусственный интеллект и эффективное управление. Таким образом, вы будете строить быстрее, работать более безопасно и уверенно масштабироваться.

DuploCloud предлагает программную платформу DevSecOps для команд, у которых нет выделенного DevOps, и дополняет те, у которых есть. Платформа автоматизирует предоставление вашего приложения в облако (AWS, GCP, Azure), интегрируя облачные операции, SecOps, а также безопасность/соответствие требованиям с круглосуточным мониторингом и поддержкой. Узнайте больше Последние новости от DuploCloud 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. Фахмид Кабир возглавляет разработку и вывод на рынок DuploCloud, платформы DevOps на базе искусственного интеллекта. Последние 18 лет он работал с глубокими технологиями искусственного интеллекта, облачной инфраструктурой и соблюдением требований. Узнайте больше от Фахмида Кабира