企业DevOps团队对AI的采纳速度，已经超过了运维体系本身的适应能力。大型语言模型能在几秒内生成基础设施即代码、部署流水线和配置文件，开发团队交付基础设施变更的节奏，放在五年前根本不敢想。

产能暴涨的另一面开始显现。生产环境变得难以复现、更难治理，运营成本持续攀升。Quali公司的CEO指出，这个问题在早期阶段很容易被忽视——AI看起来是明摆着的胜利。一个团队让AI工具搭了些基础设施，跑通了。于是这个团队越来越依赖它，更多团队跟进。测试环境、演示环境、实验环境、开发环境越建越多。最终结果是：整个组织里需要维护的组件比之前多出好几个量级，但追踪它们的能力反而大幅缩水。

打开网易新闻 查看精彩图片

这并非AI编码能力的全貌。生成这些基础设施的工具很擅长描述“某个东西在创建那一刻应该是什么样”，但它们并不负责后续监控。一个配置在几周后悄悄偏离了预期状态，这些工具既不会注意到，也不会评估在已有变更进行中时再叠加另一个变更是否安全。过去这类监控依赖经验丰富的运维人员按可预测的顺序逐项操作，他们对全局状况心里有数。而AI去掉了过程中“慢”的部分，却没有补上让慢变得可控的判断力。

现状是，多个人和多个AI工具几乎同时在对同一套系统做变更。每个主体在各自孤立视角下都干得不错，但没有谁能看到整个环境正在发生什么。后果对于跑过基础设施的人再熟悉不过：上周还完美运行的环境突然崩了，没人能确切说出原因。云成本悄悄爬升，因为没人记得在某个资源用完后把它关掉。团队花费大量可计费工时追查两个本该完全一致的环境为什么慢慢走上了分岔路。安全设置在刚上线时合规，随着周边组件各自独立演进，逐渐失配。这些都不是惊天动地的崩坏，而是缓慢的泄漏。缓慢泄漏比突然断裂更难以察觉，修复成本也高得多。

负责基础设施的团队一直在实时调整这套新的现实。几年前，他们的主要工作是为开发者扫清障碍、提供自助入口。当下，他们面对的是高度碎片化的运维图景——工具链的膨胀速度超过了流程治理的进化速度，环境增长的同时可观测性却在收缩。真正的负债并不在代码仓库里，它沉淀在每一次“没有人盯着”的自动化变更和每一个没有闭环的临时环境中。