Время агентского НОК настало

Современная сеть мало напоминает свою аналогичную версию даже несколько лет назад, после перехода на удаленную работу и эпохи быстрого внедрения ИИ и SaaS. То, что раньше было централизованным и относительно предсказуемым, теперь представляет собой сложную сеть облачных платформ, устройств на краю сети, филиалов и домашнего интернета, а также локальных систем.

Традиционные центры сетевых операций (НОК) не были созданы для этого. Большинство инструментов мониторинга по-прежнему требуют ручной корреляции данных из разных систем, что затрудняет поддержание видимости и создает бесконечный поток противоречивых оповещений для инженеров, когда им нужно быстро принимать решения и устранять неполадки.

Поставщики услуг и команды корпоративных ИТ работают в подобных условиях высокого давления. Маржи узкие, команды меньше, но стандарт циклов приобретения клиентов не изменился. Когда контракт становится прибыльным только через восемь-десять месяцев, ставки вокруг удержания и высококачественного опыта клиента высоки.

В целом, сцена идеально подготовлена для агентского НОК.

Создание агентского НОК

Согласно Gartner, хотя только 17% организаций в настоящее время развертывают агентский ИИ, 60% ожидают сделать это в течение следующих двух лет. Это продолжает агрессивную кривую внедрения с момента, когда технология начала набирать обороты благодаря своей способности активно рассуждать над данными, а не просто пассивно автоматизировать определенные задачи.

Для НОК агентский ИИ является разницей между фрагментацией или разочарованием, более быстрым временем решения проблем, уменьшением простоев и более полным пониманием среды. Чтобы эти выгоды материализовались, однако, агентский НОК должен быть основан на сотрудничестве между ИИ и человеческими операторами. Скорость никогда не более важна, чем точность и надежность, поэтому, когда ИИ может улучшить триаж, анализ коренной причины и, в конечном итоге, рекомендовать действия, человеческая оценка все еще необходима для последней части проверки.

Агентский НОК также определяется хорошо структурированными данными. Точная инвентаризация, последовательные соглашения об именах и ярлыках, а также видимость во всей сети трафика, маршрутизации и производительности рисуют картину того, что происходит в настоящее время, как сеть должна вести себя, и как проблемы были решены ранее. Без этого взгляда любой анализ будет неполным, и операторы не могут автоматизировать то, что они не могут увидеть или понять.

Захват племенного знания также подпадает под это.

Величайший ресурс НОК – это мозги его инженеров. Комбинация опыта и интуиции, которая приходит из лет диагностики и решения сетевых проблем, – это то, что даже самая продвинутая модель ИИ не может воспроизвести без помощи. Поэтому это племенное знание необходимо задокументировать и перевести в формат, который может быть принят и повторно использован. Тщательно усовершенствованные рабочие книги и централизованные циклы обучения также играют свою роль, обеспечивая базовый уровень для поведения человека и машины, чтобы более эффективно выявлять области для улучшения.

Настоящие выгоды

Проблемы с ИТ и сетями стояли за 23% наиболее значимых простоев в 2024 году. Анализ также показал, что за последние три года почти 40% организаций испытали крупный простой в результате человеческой ошибки. Эта частота простоев неустойчива с любой точки зрения, бизнеса, инженера или потребителя. Однако она подчеркивает, почему агентский НОК так важен.

Обещание агентского НОК не заключается в автономности ради автономности, а в более быстрых и уверенных операциях, построенных на основе реальной сетевой видимости. Когда проблема возникает в сети, наибольшая задержка часто не в обнаружении, а в понимании того, что изменилось, что было затронуто и что делать дальше. Агентские системы помогают сжать эту временную шкалу, начиная с ускоренного анализа коренной причины.

Разница между выявлением коренной причины проблемы за минуты, а не за часы или даже дни, огромна. Средняя стоимость одного часа простоя сети может превышать 300 000 долларов для средних и крупных предприятий. На самом деле, 41% сообщают, что стоимость простоев в час варьируется от 1 миллиона до более 5 миллионов долларов, согласно недавним исследованиям ITIC.

И все же, реальность часто ближе к последнему, когда операторам приходится вручную просматривать данные. С другой стороны, агентские инструменты ИИ могут выявить потенциальные причины и затронутые службы и рекомендовать следующие шаги за секунды. Когда финансовые ставки так высоки, более быстрый анализ коренной причины и более безопасное исправление стали абсолютной необходимостью.

За пределами улучшения тактических задач агентский НОК действует как фасилитатор для обмена знаниями, объединяя экспертизу инженеров из всей организации в общий ресурс. В долгосрочной перспективе этот процесс создает непрерывный цикл обучения, где успехи и проблемы каждого инцидента служат для информирования и уточнения рекомендаций ИИ при возникновении новых инцидентов.

Например, если компания имеет постоянные проблемы с производительностью сети и решила реализовать новое устройство, чтобы попытаться улучшить эффективность, но обновление требует изменения конфигурации. В процессе что-то идет не так, и это вызывает простой. В эпоху агентского НОК система ИИ может коррелировать телометрию, топологию, состояние устройства и недавние изменения, в конечном итоге указывая оператору на вероятную коренную причину за долю времени. Положительное влияние агентских систем на сетевые операции очевидно, и данные подтверждают это.

McKinsey недавно обнаружил, что автономное решение проблем и ремонт в сетевых операциях уменьшили общее количество тикетов на устранение неполадок до 70%, а также операционные затраты на 55-80%, одновременно улучшая время ремонта на 30-40%.

Проблемы, на которые следует обратить внимание

Одна из наиболее распространенных ошибок, которые совершают организации, – это погружение во всевозможный ИИ без создания необходимой основы. Большинство (70%) работников с нетерпением ждут выгод ИИ, согласно KPMG, но без надежных данных и хорошо задокументированных процессов ценность этих систем страдает.

Вместо этого ИИ следует вводить постепенно. Создание агентского НОК – это путешествие. В конечном итоге системы должны начать владеть более продвинутыми и проактивными случаями, такими как обнаружение закономерностей в скачках температуры или выявление тенденций в перезагрузках устройств – оба из которых могут быть сигналами для надвигающегося простоя. На начальном этапе, однако, сосредоточение внимания на более мелких задачах, таких как помощь в диагностике, оставляет место для систем, чтобы учиться и улучшаться.

Другой ошибкой является мысль о том, что каждое действие может извлечь выгоду из автоматизации. Хорошим правилом является то, что когда человек решает одну и ту же проблему повторно, эта задача является хорошим кандидатом для автоматизации. Принятие этого постепенного подхода также может многое сделать для построения доверия и уверенности.

С февраля 2025 года доверие к ИИ среди сотрудников в США снизилось на 33% согласно Deloitte, в то время как Индекс доверия ИИ McKinsey 2026 показал, что неточности вывода по-прежнему являются главной проблемой ИИ для большинства американских бизнесов (74%), за которой следуют проблемы кибербезопасности (72%). Помните отчет KPMG, который обнаружил, что американские работники с нетерпением ждут возможности принять ИИ? Отчет также показал, что только 41% готовы доверять ему.

Выход впереди неуверенности в ИИ заключается в управлении и объяснимости. Ясные операционные ограничения и аудиторские следы дают инженерам четкое представление о том, как агент ИИ достиг окончательной рекомендации, а также механизмы для обнаружения и решения ошибок до того, как они могут нанести ущерб. Доверие, управление и человеческая проверка – это то, что отделяет полезные агентские операции от рискованной автоматизации, поэтому цель агентского НОК никогда не должна заключаться в том, чтобы удалить человеческий надзор, а улучшить его.

Современная сеть требует многое от сегодняшних операторов. Чтобы идти в ногу, человеческие усилия необходимо сместить от повторяющегося триажа и к политике, проверке, управлению и новым или высокорисковым случаям. Агентский ИИ помогает сделать этот сдвиг возможным, выявляя и решая проблемы раньше, более эффективно делясь знаниями между командами и делая процесс принятия решений более последовательным. Продолжающаяся эволюция и улучшение того, как сеть мониторится и поддерживается, основаны на агентском ИИ.