Spacelifts rapport om AI-klarhetsgapet avslører en økende kløft mellom AI-adoptsjon og infrastruktur-styring

Kunstig intelligens forvandler raskt programvareutvikling, men en ny rapport fra Spacelift antyder at mange organisasjoner sliter med å holde sine infrastrukturpraksiser i takt med AI-adoptsjonens hastighet. I AI-klarhetsgapet, en del av selskapets 2026 State of Infrastructure Automation-forskning, spurte Spacelift 406 IT-beslutningstakere og plattformtekniske ledere om hvordan AI omdefinerer infrastrukturledelse, styring og automatisering. Funndene avslører en økende misforhold mellom den raske AI-utviklingen og systemene organisasjonene har på plass for å styre og håndtere de resulterende endringene.

AI akselererer utvikling raskere enn infrastrukturteam kan svare

Rapporten fremhever hva Spacelift kaller “AI-infrastrukturgapet”. Mens AI-basert kodegenerering har blitt vanlig, sliter infrastrukturteamene som er ansvarlige for å distribuere, styre og vedlikeholde koden med å holde pace. Ifølge undersøkelsen rapporterer 89% av organisasjonene at utviklerhastigheten har økt på grunn av AI, mens 82% sier at mellom en fjerdedel og nesten tre fjerdedel av deres kode nå er AI-basert. Likevel, bare 25% av organisasjonene regner AI som en toppstrategisk prioritet.

Konsekvensene er allerede synlige. Mer enn seks av ti respondenter sier at applikasjonsutvikling går foran infrastruktur når det gjelder AI-adoptsjon, og skaper press på DevOps- og plattformteamene for å absorbere en økende volum av AI-genererte endringer. Ettersom AI-generert kode i økende grad kommer inn i produksjonsmiljøer, møter infrastrukturteamene høyere nivåer av operasjonell kompleksitet og risiko.

Fire nivåer av AI-klarhet

For å bedre forstå hvordan organisasjoner håndterer denne overgangen, innførte Spacelift en AI-modenhetsindeks som kategoriserer respondenter i fire grupper: Eksponert, Fragmentert, Overhaler og Pionér. Klassifiseringen er basert på faktorer som AI-integrasjon, styringsmodenhetsgrad, infrastrukturautomatisering, risikoeksponering og plattformklarhet.

Nærmere en fjerdedel av organisasjonene faller inn i kategorien Eksponert, hvilket betyr at de aktivt bruker AI, men mangler styre- og kontrollrammeverk for å håndtere det trygt. En annen 32% er betraktet som Fragmentert, der AI-adoptsjon eksisterer, men er inkonsistent over team. 25% er klassifisert som Overhaler-organisasjoner, som omfavner AI aggressivt, men lar styringen bli etter. Bare 19% kvalifiserer seg som Pionérer, som har etablert styre- og automatiseringspraksiser før de akselererte AI-adoptsjonen.

En av rapportens mer bemerkelsesverdige konklusjoner er at organisasjonsstørrelse ikke er en avgjørende faktor. Store bedrifter og mindre selskaper kan dukke opp i enhver kategori. Forskjellen ligger i atferd, styringsdisiplin og operasjonelle praksiser, snarere enn budsjett eller antall ansatte.

Styrings-tillitsproblemet

Forskningen avdekket en slående kontrast i hvordan organisasjoner ser på AI-styring. Mens 86% av respondentene uttrykte tillit til organisasjonens evne til å styre AI, rapporterte bare 30% at de hadde en formell AI-styringspolitikk på plass.

Dette gapet mellom tillit og operasjonell virkelighet danner hva rapporten beskriver som “AI-styringsparadokset”. Mange organisasjoner tror de håndterer AI-relaterte risikoer effektivt, til tross for at de mangler politikker, kontroller og tilsynsmekanismer som vanligvis er forbundet med modne styringsprogrammer. Forskjellen er særlig uttalt blant organisasjoner som er klassifisert som Eksponert, hvor bare en liten brøkdel har formelle styringspolitikker til tross for vidt utbredt tillit til deres evner.

Funndene antyder at styring fortsatt er ett av de minst modne aspektene ved bedriftens AI-adoptsjon. Mens selskaper er ivrige etter å implementere AI-verktøy og arbeidsflyter, har færre etablert kontrollene nødvendige for å sikre at disse systemene opererer trygt og konsistent i stor skala.

Infrastrukturteamene ser allerede AI-drevne hendelser

Rapporten hevder at konsekvensene av svak styring ikke lenger er teoretiske. 93% av de undersøkte organisasjonene rapporterte at de hadde opplevd minst en AI-relatert infrastrukturhendelse i løpet av det siste året.

Blant de vanligste problemene var omgjøring som resultat av AI-genererte endringer, sikkerhetsmisconfigurasjoner som nådde produksjonsmiljøer, overholdelsesbrudd, infrastrukturdrift forbundet med AI-genererte modifikasjoner og hendelser som involverte agensystemer. Hver kategori berørte omtrent en tredjedel av respondentene.

Forskjellen mellom styringsledere og etterhengere er betydelig. Organisasjoner som er klassifisert som Eksponert rapporterte dramatisk høyere rater av AI-relaterte hendelser, mens Pionér-organisasjoner var langt mindre sannsynlig å møte slike problemer. Ifølge rapporten hjelper styring og automatiserte valideringssystemer med å fange problemer før de når produksjon, reduserer operasjonelle forstyrrelser og begrenser behovet for kostbare rettingsinnsats.

“Vibe Coding” når infrastruktur

Rapporten utforsker også den økende innflytelsen av såkalt “vibe-coding“, hvor utviklere avhenger sterkt av AI-generert kode med begrenset gjennomgang eller tilsyn. Mens konseptet hovedsakelig har blitt diskutert i sammenheng med programvareutvikling, antyder Spacelifts data at det utvides raskt inn i infrastrukturledelse.

Nærmere 80% av respondentene rapporterte å bruke AI til å generere infrastruktur- som-kode-konfigurasjoner, styringspolitikker eller relaterte infrastruktur-arter. Mer bekymringsverdig er at en betydelig andel av infrastrukturteamene indikerte at de ville godkjenne AI-generert infrastrukturkode med liten eller ingen gjennomgang.

I motsetning til applikasjonsfeil kan infrastrukturfeil ha vide operasjonelle konsekvenser, som påvirker sikkerhet, overholdelse, nettverk og skytjenester. Som følge herav argumenterer rapporten for at AI-genererte infrastruktur-endringer krever styringsmekanismer som kan validere og håndheve kontroller før endringene deployes.

Neste utfordring: Agensisk AI

Hvis organisasjoner sliter med AI-basert utvikling i dag, antyder rapporten at agensisk AI kan forsterke disse utfordringene. 89% av respondentene sier at de planlegger å adoptere agensisk AI for infrastruktur-operasjoner, og nærmere en fjerdedel forventer å gjøre det innen seks måneder.

Agensiske systemer skiller seg fra tradisjonelle AI-verktøy fordi de kan ta og utføre beslutninger autonomt. I infrastruktur-miljøer kan det bety å etablere ressurser, modifisere konfigurasjoner eller svare på hendelser uten direkte menneskelig godkjenning. Mens disse kapasitetene lover betydelige effektivitetsgevinster, øker de også viktigheten av styring, ettersom det kan være ingen menneskelig gjennomganger mellom en AI-beslutning og produksjons-deployering.

Rapporten påpeker at tidlige adopterer allerede rapporterer hendelser som involverer agensiske systemer, og antyder at styringsrammeverk må utvikles sammen med disse stadig mer autonome teknologiene.

Plattformteknikk oppstår som en potensiell løsning

En av rapportens sterkeste funn handler om plattformteknikk. Organisasjoner som har omfavnet plattformteknikk ser ut til å være betydelig mer forberedt på AI-drevne infrastruktur-miljøer enn de som avhenger av tradisjonelle tilnærminger.

Mer enn 80% av respondentene vurderte å flytte mot plattformteknikk, og Pionér-organisasjoner var langt mer sannsynlig å ha allerede gjort overgangen. Ifølge rapporten skaper plattformteknikk styrede, selvbetjente veier som tillater utviklere å flytte raskt uten å omgå overholdelse, sikkerhet og operasjonelle kontroller.

I stedet for å tvinge styring til å konkurere med hastighet, prøver plattformteknikk å integrere styring direkte i arbeidsflytene, og gjør det enklere å utføre overholdende handlinger enn ikke-overholdende handlinger. Dataene antyder at organisasjoner som lykkes med AI-adoptsjon i økende grad følger denne modellen.

Måler feil ting

Rapporten argumenterer også for at organisasjoner kan fokusere på foreldede målinger. Mange infrastrukturteam fortsatt å spore produktivitet, deploy-frekvens og sikkerhetshendelser, men relativt få overvåker AI-spesifikke indikatorer som volumet av AI-generert infrastrukturkode som kommer inn i pipeliner eller feilrater forbundet med AI-genererte endringer.

Uten synlighet inn i disse AI-spesifikke signalene, kan organisasjoner slite med å bestemme om styringskontroller faktisk fungerer. Ettersom AI-generert infrastruktur blir mer vanlig, kan måling av tradisjonelle operasjonelle resultater alene ikke gi tilstrekkelig innsikt i nye risikoer.

AI-klarhet blir en infrastruktur-utfordring

Funndene antyder at AI-klarhet ikke lenger bare er et spørsmål om modell-adoptsjon eller utviklerproduktivitet. I økende grad blir det en infrastruktur-utfordring som handler om styring, automatisering, plattformteknikk og operasjonell disiplin. Organisasjoner som investerte i disse kapasitetene før AI ankom, ser ut til å tilpasse seg mer suksessfullt, mens andre finner at AI avdekker svakheter som allerede eksisterte under overflaten.

Ettersom bedrifter fortsetter å bevege seg mot AI-basert og til slutt agensisk operasjon, kan gapet mellom adoptsjon og styring bli en av de avgjørende tekniske utfordringene i det kommende tiåret. Spacelifts AI-klarhetsgap-rapporten antyder at mange organisasjoner allerede har krysset terskelen inn i AI-drevne infrastruktur, men færre har bygget de styre-grunnleggende nødvendige for å håndtere det effektivt.