Zpráva Spacelift o rozdílu v připravenosti na umělou inteligenci odhalila rostoucí propast mezi přijetím umělé inteligence a řízením infrastruktury

Umělá inteligence rychle mění vývoj softwaru, ale nová zpráva od Spacelift naznačuje, že mnoho organizací má potíže s udržením svých postupů infrastruktury v souladu s rychlostí přijetí umělé inteligence. Ve zprávě The AI Readiness Gap, která je součástí výzkumu 2026 State of Infrastructure Automation, Spacelift oslovil 406 lídrů v oblasti IT a platformového inženýrství, aby prozkoumali, jak umělá inteligence mění řízení infrastruktury, správu a automatizaci. Zjištění odhalila rostoucí propast mezi rychlým přijetím vývoje podporovaného umělou inteligencí a systémy, které organizace mají zavedeny pro řízení a správu výsledných změn.

Umělá inteligence zrychluje vývoj rychleji, než infrastrukturní týmy mohou reagovat

Zpráva zdůrazňuje, co Spacelift nazývá „rozdílem v připravenosti na umělou inteligenci a infrastrukturu“. Zatímco vývoj podporovaný umělou inteligencí se stal běžným, infrastrukturní týmy odpovědné za nasazení, správu a údržbu tohoto kódu mají potíže s udržením tempa. Podle průzkumu 89 % organizací uvádí, že rychlost vývoje se zvýšila díky umělé inteligenci, zatímco 82 % uvádí, že mezi čtvrtinou a téměř třemi čtvrtinami jejich kódu je nyní podporováno umělou inteligencí. Přestože byly dosaženy tyto zisky, pouze 25 % organizací považuje umělou inteligenci za jednu z hlavních strategických priorit.

Následky jsou již viditelné. Více než šest z deseti respondentů uvádí, že vývoj aplikací jde vpřed infrastruktury v oblasti přijetí umělé inteligence, což vytváří tlak na týmy DevOps a platformové inženýrství, aby absorbovaly rostoucí objem změn generovaných umělou inteligencí. Jakmile se kód generovaný umělou inteligencí stále více dostává do produkčních prostředí, infrastrukturní týmy se setkávají s vyššími úrovněmi operační složitosti a rizika.

Čtyři úrovně připravenosti na umělou inteligenci

Aby lépe pochopili, jak organizace zvládají tuto transformaci, Spacelift zavedl Index zralosti umělé inteligence, který respondentů rozděluje do čtyř skupin: Exposed, Fragmented, Outpacing a Pioneer. Toto zařazení je založeno na faktorech, jako je integrace umělé inteligence, zralost správy, automatizace infrastruktury, expozice rizika a připravenost platformy.

Téměř čtvrtina organizací spadá do kategorie Exposed, což znamená, že aktivně využívají umělou inteligenci, ale postrádají rámce správy potřebné k jejímu bezpečnému řízení. Další 32 % jsou považovány za Fragmented, kde je přijetí umělé inteligence přítomno, ale zůstává nekonzistentní napříč týmy. 25 % je klasifikováno jako Outpacing, které agresivně přijímají umělou inteligenci, ale dovolují, aby správa zaostávala. Pouze 19 % splňuje kritéria pro kategorii Pioneer, která zavedla postupy správy a automatizace před zrychlením přijetí umělé inteligence.

Jedním z nejpozoruhodnějších závěrů zprávy je, že velikost organizace není určujícím faktorem. Velké podniky i menší společnosti mohou spadat do kterékoli kategorie. Rozdíl spočívá v chování, disciplíně správy a operačních postupech, spíše než v rozpočtu nebo počtu zaměstnanců.

Problém důvěry ve správu

Výzkum odhalil překvapivý rozpor v tom, jak organizace vnímají správu umělé inteligence. Zatímco 86 % respondentů vyjádřilo důvěru ve schopnost své organizace řídit umělou inteligenci, pouze 30 % uvedlo, že má zavedenou formální politiku správy umělé inteligence.

Tento rozdíl mezi důvěrou a operační realitou tvoří to, co zpráva popisuje jako „paradox správy umělé inteligence“. Mnoho organizací se domnívá, že efektivně řídí rizika související s umělou inteligencí, přestože postrádají politiky, kontroly a mechanismy dohledu, které jsou typické pro zavedené programy správy. Rozpor je zvláště výrazný mezi organizacemi klasifikovanými jako Exposed, kde pouze malá část má formální politiky správy, přestože je zde široká důvěra ve jejich schopnosti.

Zjištění naznačují, že správa zůstává jednou z nejméně zralých aspektů podnikového přijetí umělé inteligence. Zatímco společnosti jsou ochotny implementovat nástroje a pracovní postupy umělé inteligence, méně z nich zavedlo kontroly nezbytné k zajištění toho, aby tyto systémy fungovaly bezpečně a konzistentně v měřítku.

Infrastrukturní týmy již zažívají incidenty způsobené umělou inteligencí

Zpráva argumentuje, že důsledky slabé správy již nejsou teoretické. 93 % dotázaných organizací uvedlo, že během předchozího roku došlo k alespoň jednomu incidentu souvisejícímu s umělou inteligencí.

Mezi nejčastější problémy patřily opětovné provedení změn generovaných umělou inteligencí, chyby zabezpečení, které se dostaly do produkčních prostředí, porušování souladu, drift infrastruktury spojený s změnami generovanými umělou inteligencí a incidenty zahrnující agenty. Každá kategorie postihla přibližně třetinu respondentů.

Rozdíl mezi lídry a pozůstalými ve správě je významný. Organizace klasifikované jako Exposed hlásily dramaticky vyšší míru incidentů souvisejících s umělou inteligencí, zatímco organizace Pioneer byly mnohem méně pravděpodobně postiženy těmito problémy. Podle zprávy pomáhají správa a automatizované validační systémy odhalit problémy předtím, než se dostanou do produkce, snižují operační přerušení a omezují potřebu nákladných úsilí o nápravu.

„Vibe coding“ se dostává do infrastruktury

Zpráva také zkoumá rostoucí vliv takzvaného „vibe codingu“, kdy se vývojáři silně spoléhají na kód generovaný umělou inteligencí s omezeným přezkumem nebo dohledem. Zatímco tento koncept byl primárně diskutován v kontextu vývoje softwaru, data Spacelift naznačují, že se rychle rozšiřuje do řízení infrastruktury.

Téměř 80 % respondentů uvedlo, že používají umělou inteligenci k generování konfigurací infrastruktury jako kódu, politik správy nebo souvisejících infrastrukturních artefaktů. Více znepokojivé je, že významná část infrastrukturních týmů naznačila, že by schválila kód infrastruktury generovaný umělou inteligencí s minimálním nebo žádným přezkumem.

Na rozdíl od chyb v aplikacích mohou chyby infrastruktury mít široké operační důsledky, které ovlivňují zabezpečení, soulad, síťování a cloudové zdroje. V důsledku toho zpráva argumentuje, že změny infrastruktury generované umělou inteligencí vyžadují mechanismy správy, které jsou schopny ověřit a vynutit kontroly předtím, než jsou tyto změny nasazeny.

Další výzva: agentní umělá inteligence

Pokud organizace již nyní bojují s vývojem podporovaným umělou inteligencí, zpráva naznačuje, že agentní umělá inteligence může tyto výzvy zesílit. 89 % respondentů uvedlo, že plánují přijmout agentní umělou inteligenci pro infrastrukturní operace, a téměř čtvrtina očekává, že tak učiní do šesti měsíců.

Agentní systémy se liší od tradičních nástrojů umělé inteligence tím, že mohou učinit a provést rozhodnutí autonomně. V infrastrukturních prostředích to může znamenat zajištění zdrojů, modifikaci konfigurací nebo reakci na incidenty bez přímého lidského schválení. Zatímco tyto schopnosti slibují významné zisky v oblasti efektivity, také zvyšují důležitost správy, protože mezi rozhodnutím umělé inteligence a nasazením do produkce nemusí být žádný lidský recenzent.

Zpráva uvádí, že raní adoptoři již hlásí incidenty související s agentními systémy, což naznačuje, že rámce správy budou muset evolucí těchto stále autonomnějších technologií.

Platformové inženýrství se objevuje jako potenciální řešení

Jedním z nejvýraznějších zjištění zprávy je, že organizace, které přijaly platformové inženýrství, se zdají být mnohem lépe připraveny na infrastrukturní prostředí poháněné umělou inteligencí než ty, které spoléhají na tradiční přístupy.

Více než 80 % respondentů zvažuje přechod na platformové inženýrství, a organizace Pioneer jsou mnohem pravděpodobněji již provedly tento přechod. Podle zprávy platformové inženýrství vytváří řízené, samoobslužné cesty, které umožňují vývojářům pracovat rychle bez obcházení kontrol souladu, zabezpečení a operací.

Místo toho, aby donutilo správu soutěžit se rychlostí, platformové inženýrství se snaží integrovat správu přímo do pracovních postupů, což činí souladné akce snadnějšími než nesouladné. Data naznačují, že organizace, které úspěšně přijímají umělou inteligenci, stále více následují tento model.

Měření nesprávných věcí

Zpráva také argumentuje, že organizace se mohou soustředit na zastaralé metriky. Mnoho infrastrukturních týmů stále sleduje produktivitu, frekvenci nasazení a bezpečnostní incidenty, ale relativně málo monitoruje ukazatele specifické pro umělou inteligenci, jako je objem kódu infrastruktury generovaného umělou inteligencí vstupujícího do potrubí nebo chybové míry spojené se změnami generovanými umělou inteligencí.

Bez viditelnosti do těchto ukazatelů specifických pro umělou inteligenci mohou organizace mít potíže s určením, zda mechanismy správy skutečně fungují. Jakmile se infrastruktura generovaná umělou inteligencí stane běžnější, měření tradičních operačních výsledků samo o sobě nemusí poskytnout dostatečnou přehled o vznikajících rizicích.

Připravenost na umělou inteligenci se stává infrastrukturní výzvou

Zjištění naznačují, že připravenost na umělou inteligenci již není pouze otázkou přijetí modelu nebo produktivity vývojáře. Stává se stále více infrastrukturní výzvou soustředěnou na správu, automatizaci, platformové inženýrství a operační disciplínu. Organizace, které investovaly do těchto schopností předtím, než přišla umělá inteligence, se zdají být lépe přizpůsobeny, zatímco ostatní zjistily, že umělá inteligence odhaluje slabiny, které již existovaly pod povrchem.

Jak podniky pokračují v přechodu k operacím podporovaným umělou inteligencí a nakonec k agentním operacím, propast mezi přijetím a správou se může stát jednou z definujících technologických výzev příštího desetiletí. Zpráva Spacelift o rozdílu v připravenosti na umělou inteligenci naznačuje, že mnoho organizací již překročilo práh do infrastruktury poháněné umělou inteligencí, ale mnohem méně z nich vytvořilo základy správy nezbytné pro efektivní řízení.