Netværkenes oversete rolle i AI-infrastrukturen

Organisationer investerer massivt i GPU’er, servere, modeller og den computerkapacitet, der skal til for at sætte AI i produktion. Men agentisk AI stiller andre krav til netværket.

En chatbot venter typisk på, at nogen stiller den et spørgsmål, mens en agent kan få en opgave, interagere med forskellige systemer og applikationer, træffe beslutninger og handle. Efterhånden som agenter overtager flere opgaver på tværs af virksomheden, vil meget af denne aktivitet foregå, uden at nogen sidder ved et tastatur.

Ifølge Google Clouds State of Infrastructure in the Agentic AI Era siger 83 % af organisationerne, at de har brug for at opgradere infrastrukturen for at understøtte autonome systemer, der er klar til produktion. Selvom computerkraft er en del af billedet, skal organisationerne også prioritere deres netværk, fordi det skal kunne understøtte aktivitet, der ikke følger det typiske mønster for en medarbejders arbejdsdag.

9-til-17-netværkets endeligt

I årtier er virksomheders netværk i vid udstrækning blevet designet efter menneskers arbejdsmønstre. Medarbejdere opretter forbindelse til applikationer, tilgår data og bruger cloudtjenester i løbet af arbejdsdagen. Det skaber relativt forudsigelige trafikmønstre, som præger netværkets arkitektur og drift.

AI og agentiske systemer ændrer på det. Agenter kan udføre opgaver og interagere med applikationer, API’er, datakilder og andre agenter døgnet rundt. Det skaber mere vedvarende og dynamiske trafikstrømme på tværs af campusnetværk, datacentre, cloudmiljøer og WAN. Efterhånden som implementeringerne vokser, skal netværkene understøtte stadig mere komplekse afhængigheder, og derfor bliver ydeevne, latenstid, robusthed og sikkerhed afgørende for pålidelig udførelse.

Disse krav synliggør også begrænsningerne ved traditionelle NetOps-modeller, der bygger på overvågningsværktøjer til at finde problemer og menneskelige operatører til at undersøge og løse dem. Den næste generation af NetOps skal bevæge sig ud over håndtering af individuelle enheder og hændelser og i stedet skabe en ende-til-ende-forståelse af afhængigheder mellem applikationer og agenter. Det kræver dybere indsigt, AI-drevet korrelation og årsagsanalyse samt intelligent automatisering, der proaktivt optimerer og afhjælper problemer.

Muligheden består i at gå fra netværk, der administreres med hjælp fra AI, til netværk, der drives ved hjælp af AI-baseret intelligens og kontrolleret autonomi. Netværksteams kan bruge mindre tid på fejlfinding af tilbagevendende problemer og mere tid på at fastlægge politikker, opstille rammer og optimere arkitekturer. Det handler ikke blot om, at netværk skal køre døgnet rundt, når 9-til-17-netværket forsvinder. Det handler om et grundlæggende skifte i, hvad der driver efterspørgslen på netværket, og hvordan netværk skal designes, sikres og drives for at understøtte et økosystem, hvor intelligente, autonome systemer altid er aktive.

Fra få AI-værktøjer til agentflåder

De fleste organisationer befinder sig stadig på et stadie, hvor AI er let at administrere, med copiloter, assistenter og AI-applikationer i forskellige dele af virksomheden.

Men IBM fandt, at kun 11 % af de adspurgte ledere er fuldt ud rustet til det omfang af AI-agentimplementering, der forventes inden for de næste 12 måneder. Efterhånden som implementeringerne vokser, får netværksteams mere aktivitet at forstå og flere problemer at undersøge, ofte uden at flere medarbejdere sættes til opgaven.

Derfor er det vigtigt at reducere den tid, ingeniører bruger på at søge i dashboards, indsamle oplysninger og sende rutinemæssige spørgsmål videre. Når teams får relevante driftsoplysninger og vejledning i fejlfinding, når de har brug for det, bliver det også lettere at dele ekspertise på tværs af teams, i stedet for at være afhængig af et lille antal erfarne specialister til at besvare alle spørgsmål. Medarbejdernes ekspertise bruges bedst på beslutninger, der kræver dømmekraft, såsom at fastlægge politikker, sætte grænser og vurdere risici.

Netværket skal have en plads ved bordet, når AI-strategien lægges

Planlægningen af AI begynder ofte med modeller, applikationer, data og computerressourcer, men netværk bør indgå i drøftelserne fra begyndelsen. Agenter har brug for den rette kontekst for at kunne komme med nyttige anbefalinger. Inden for netværksdrift betyder det, at man skal forstå, hvordan oplysninger om brugere, enheder og applikationer hænger sammen, i stedet for at betragte en isoleret alarm eller måling.

Denne kontekst hjælper teams med hurtigere at finde frem til problemets kilde og beslutte, hvad de skal gøre som det næste. Menneskeligt tilsyn er stadig vigtigt, især efterhånden som agenter får større autonomi. Det kræver veldefinerede grænser for, hvad de må gøre på egen hånd, samt kontrolmekanismer, der håndhæver disse grænser. Teams bør også kunne se, hvorfor en anbefaling blev fremsat, og hvilke oplysninger den bygger på, før de beslutter, om de vil følge den.

Gartner forudser, at mindst 70 % af de organisationer, der bruger AI-agenter i deres IT-drift, inden 2029 vil få alvorlige problemer med væsentlige konsekvenser for tjenester, sikkerhed eller omkostninger, som i det mindste delvist skyldes utilstrækkelig kontrol. Derfor skal indsigt, automatisering, pålidelighed og kontrol indarbejdes i planerne for AI-infrastrukturen fra begyndelsen.

Opbygning af infrastruktur til en virksomhed, hvor AI altid er aktiv

Agentisk AI ændrer den måde, virksomheders netværk bruges på. Aktiviteten er ikke længere nær så tæt knyttet til, hvornår medarbejderne er online, og netværksteams skal håndtere denne ændring uden at lade arbejdsbyrden ved at drive netværket vokse i samme tempo.

Virksomheder behøver ikke at gennemgribende omlægge deres netværk, men efterhånden som brugen af AI vokser, bør de identificere potentielle svagheder i den eksisterende infrastruktur. Det gælder især dér, hvor teams mangler overblik til hurtigt at opdage problemer, hvor svartiderne begynder at blive dårligere, eller hvor rutinemæssig fejlfinding stadig kræver et betydeligt manuelt arbejde.

Et netværk, der er indrettet efter en arbejdsdag fra ni til fem, må vige for et, der understøtter mennesker, applikationer og agenter, som arbejder side om side, ofte efter meget forskellige tidsplaner og med meget forskellig hastighed. Om infrastrukturen fungerer godt, vil i sidste ende kunne ses på de måltal, virksomhederne allerede går op i: færre afbrydelser, hurtigere problemløsning, når noget går galt, bedre brugeroplevelser og mindre tid brugt på at finde årsagen til problemer.