Nätverkens förbisedda roll i AI-infrastrukturen

Organisationer satsar stora summor på GPU:er, servrar, modeller och den beräkningskapacitet som krävs för att ta AI i produktion. Men agentbaserad AI ställer andra krav på nätverket.

En chatbot väntar vanligtvis på att någon ska ställa en fråga, medan en agent kan få en uppgift, interagera med olika system och applikationer, fatta beslut och vidta åtgärder. När agenter tar på sig mer arbete i hela organisationen kommer mycket av aktiviteten att ske utan att någon sitter vid ett tangentbord.

Enligt Google Clouds State of Infrastructure in the Agentic AI Era uppger 83 % av organisationerna att de behöver uppgradera sin infrastruktur för att stödja autonoma system som är redo för produktion. Beräkningskraft är visserligen en del av bilden, men organisationer behöver också prioritera nätverket, eftersom det måste kunna hantera aktivitet som inte följer det typiska mönstret för en mänsklig medarbetare.

Nätverket som aldrig stänger för dagen

I årtionden har företagsnätverk i huvudsak utformats utifrån hur människor arbetar. Medarbetare ansluter till applikationer, hämtar data och använder molntjänster under arbetsdagen. Det skapar relativt förutsägbara trafikmönster som formar nätverkets arkitektur och drift.

AI och agentbaserade system förändrar förutsättningarna. Agenter kan utföra uppgifter och interagera med applikationer, API:er, datakällor och andra agenter när som helst på dygnet. Det skapar mer kontinuerliga och dynamiska trafikflöden i campusnätverk, datacenter, molnmiljöer och WAN. När användningen växer måste nätverken hantera alltmer komplexa beroenden, vilket gör prestanda, latens, motståndskraft och säkerhet avgörande för att arbetet ska kunna utföras tillförlitligt.

Dessa krav synliggör också begränsningarna i traditionella NetOps-modeller, som bygger på övervakningsverktyg för att upptäcka problem och mänskliga operatörer för att undersöka och lösa dem. Nästa generation av NetOps måste gå bortom hantering av enskilda enheter och händelser och i stället förstå beroenden mellan applikationer och agenter från början till slut. Det kräver djupare insyn, AI-driven korrelation och rotorsaksanalys samt intelligent automatisering för att proaktivt optimera och åtgärda problem.

Möjligheten ligger i att gå från nätverk som hanteras med AI-stöd till nätverk som drivs med AI-baserad intelligens och styrd autonomi. Nätverksteamen kan ägna mindre tid åt att felsöka återkommande problem och mer åt att utforma policyer, sätta upp skyddsräcken och optimera arkitekturer. Att nätverket aldrig stänger för dagen handlar inte bara om att det är i drift dygnet runt, alla dagar i veckan. Det handlar om en grundläggande förändring av vad som driver efterfrågan på nätverk och hur nätverken måste utformas, skyddas och drivas för att stödja ett ekosystem där intelligenta, autonoma system alltid är aktiva.

Från ett fåtal AI-verktyg till hela flottor av agenter

De flesta organisationer befinner sig fortfarande i ett skede där AI är lätt att hantera, med copiloter, assistenter och AI-applikationer i olika delar av verksamheten.

En undersökning från IBM visade dock att bara 11 % av de tillfrågade ledarna är fullt förberedda på den omfattning av AI-agentanvändning som väntas under de kommande 12 månaderna. När användningen ökar får nätverksteamen mer aktivitet att förstå och fler problem att utreda, ofta utan att fler personer tillkommer för att utföra arbetet.

Därför är det viktigt att minska den tid ingenjörerna lägger på att söka i instrumentpaneler, samla in information och eskalera rutinfrågor. Om teamen får relevant driftinformation och vägledning vid felsökning när de behöver den blir det också lättare att dela expertkunskap mellan teamen, i stället för att förlita sig på att ett fåtal erfarna specialister ska besvara varje fråga. Medarbetarnas expertis kommer bättre till sin rätt i beslut som kräver omdöme, till exempel att utforma policyer, sätta gränser och bedöma risker.

Nätverket måste få en plats vid bordet när AI-strategin utformas

AI-planering börjar ofta med modeller, applikationer, data och beräkningsresurser, men nätverk bör ingå i diskussionerna från början. Agenter behöver rätt sammanhang för att kunna ge användbara rekommendationer. Inom nätverksdrift innebär det att förstå hur information om användare, enheter och applikationer hänger ihop, i stället för att betrakta en enskild varning eller mätvärde isolerat.

Det sammanhanget hjälper teamen att snabbare hitta källan till ett problem och avgöra vad de ska göra härnäst. Mänsklig tillsyn är fortfarande viktig, särskilt när agenterna blir mer autonoma. Det kräver tydligt definierade gränser för vad de får göra på egen hand och kontroller som säkerställer att gränserna efterlevs. Teamen bör också kunna se varför en rekommendation gavs och vilken information den grundades på innan de avgör om de ska följa den.

Gartner förutspår att minst 70 % av organisationerna som använder AI-agenter i sin IT-drift år 2029 kommer att ha allvarliga problem med betydande påverkan på tjänster, säkerhet eller kostnader, som åtminstone delvis beror på svaga kontroller. Därför måste insyn, automatisering, tillförlitlighet och kontroll byggas in i planerna för AI-infrastrukturen redan från början.

Bygg infrastruktur för ett företag där AI alltid är aktiv

Agentbaserad AI förändrar hur företagsnätverk används. Aktiviteten är inte längre lika knuten till när medarbetarna är uppkopplade, och nätverksteamen måste hantera förändringen utan att låta arbetsbördan för driften av nätverket växa i samma takt.

Företag behöver inte göra en total översyn av sina nätverk, men i takt med att AI-användningen ökar bör de identifiera möjliga svagheter i den befintliga infrastrukturen. Det gäller särskilt områden där teamen saknar den insyn som krävs för att snabbt upptäcka problem, där svarstiderna börjar försämras eller där rutinmässig felsökning fortfarande kräver mycket manuellt arbete.

Ett nätverk som är byggt för en arbetsdag från nio till fem måste ge plats åt ett nätverk som stöder människor, applikationer och agenter som arbetar sida vid sida, ofta enligt helt olika scheman och i helt olika hastigheter. Hur väl infrastrukturen fungerar kommer i slutändan att märkas i sådant som företag redan bryr sig om: färre avbrott, snabbare problemlösning när något går fel, bättre användarupplevelser och mindre tid som går åt till att spåra problem.