Bortom automatisering: Vad AI förändrar i IT‑drift

Reducing the Noise in Monitoring

Ett av de områden där vi har sett en betydande förbättring är övervakning.

Stora teknologimiljöer genererar ett betydande antal larm, och inte alla kräver samma uppmärksamhetsnivå. Dubblettlarm, tillfälliga avvikelser och lågprioriterade händelser kan skapa onödigt brus, vilket gör det svårare för team att identifiera problem som kan ha en verklig operativ påverkan.

Genom att integrera AI‑driven avvikelsedetektering och brusreducering i vår övervakningsmiljö har vi uppnått en 75 % minskning av övervakningsbruset.

För teamet betyder det mindre tid på att gå igenom onödiga larm och mer tid för att undersöka de frågor som kräver uppmärksamhet. Det hjälper oss också att identifiera ovanliga mönster tidigare och ger ingenjörer bättre information när de påbörjar en incidentutredning.

Detta är ett område där AI är särskilt användbart eftersom det kan bearbeta stora informationsmängder snabbt. Men när något ovanligt har identifierats kräver förståelsen av orsaken och den potentiella påverkan ofta någon som känner till miljön.

Improving Routine IT Operations

Vi använder också automatisering för att hantera rutinmässiga slutpunktaktiviteter via en AI‑aktiverad Remote Monitoring and Management‑plattform.

This includes areas such as patch orchestration, health checks, scripted remediation, and remote troubleshooting.

Tidigare låg patch‑efterlevnad rutinmässigt under 50 %, främst på grund av den manuella arbetsbördan och miljöns omfattning. Med det AI‑stödda RMM‑ramverket på plats når efterlevnaden nu den 95:e percentilen.

Den förbättringen har hjälpt oss att stärka slutpunktsstabiliteten och minska exponeringen för kända sårbarheter, samtidigt som den minskar den repetitiva arbetsmängden som ingenjörer måste hantera manuellt.

Det är ett gott exempel på när automatisering är meningsfull. Processen är förutsägbar; den måste ske konsekvent och fungera över tusentals slutpunkter.

Tekniken kan hantera mycket av den aktiviteten i bakgrunden, medan teamet fokuserar på undantag, eskalering och frågor som kräver djupare undersökning.

Where People Still Make the Difference

Inte varje IT‑problem följer ett förutsägbart mönster.

Våra team arbetar över olika infrastrukturmiljöer, nätverk, system och kundkrav. Ett problem som först verkar enkelt kan ibland involvera flera beroenden eller kräva samordning mellan olika team.

AI kan hjälpa till att identifiera avvikelser, analysera information och framhäva möjliga orsaker, men teamet måste fortfarande förstå vad som händer i en bredare miljö.

Det blir särskilt viktigt när ett problem påverkar flera system, eller när den tekniskt uppenbara lösningen kan få konsekvenser någon annanstans.

This is where experience matters.

En ingenjör som förstår miljön kan se bortom ett enskilt larm och överväga vad som har förändrats, vilka system som är kopplade, om liknande problem har inträffat tidigare, och vilken påverkan en viss åtgärd kan ha på den bredare driften.

För oss fungerar AI bäst när det ger den ingenjören bättre information att arbeta med snarare än att försöka ta bort dem från processen helt.

Supporting a High-Demand Environment

Miljöns omfattning innebär att vi måste hitta sätt att öka kapaciteten utan att bara öka den manuella arbetsbördan.

Automation has helped with this.

Rutinmässiga slutpunktaktiviteter kan ske konsekvent i bakgrunden. Övervakningsverktyg kan filtrera och konsolidera signaler innan de når ingenjörer. Prediktiva funktioner kan hjälpa till att identifiera potentiella problem tidigare, medan automatiserad åtgärd kan hantera kända problem utan att vänta på att någon ska ingripa manuellt.

Detta ger teamet mer kapacitet att fokusera på tjänstekontinuitet, eskaleringar och mer komplexa tekniska problem.

Det förändrar också hur vi tänker på produktivitet i IT‑drift. Fördelen är inte bara att en uppgift blir klar snabbare. Det är att ingenjörer får mer tid till arbete där deras erfarenhet kan ha större påverkan.

Governance Still Matters

As AI and automation become more capable, governance becomes increasingly important.

Det måste finnas tydlighet kring vilka aktiviteter som kan automatiseras, när en ingenjör behöver ingripa och vem som är ansvarig när en automatiserad process inte beter sig som förväntat.

Detta är särskilt viktigt i stora teknologimiljöer. En automatiserad åtgärd som tillämpas över tusentals slutpunkter kan ha en mycket bredare påverkan än en åtgärd som utförs på en enskild maskin.

Av den anledningen behöver vi fortfarande tydliga eskaleringsvägar, definierade åtkomstnivåer och lämpliga kontroller kring automatiserad aktivitet.

Denna metod är i linje med National Institute of Standards and Technology’s AI Risk Management Framework, som betonar löpande övervakning av AI‑system, tydligt definierade ansvar och processer för mänsklig tillsyn och ingripande.

För oss handlar styrning inte om att bromsa användningen av AI. Det handlar om att säkerställa att vi kan använda den med förtroende och ansvar i en levande driftmiljö.

IT‑ingenjörens roll utvecklas

När fler rutinuppgifter automatiseras förändras även ingenjörens roll.

Teknisk kunskap förblir avgörande, men förmågan att tolka information, förstå beroenden och undersöka problem utan uppenbart svar blir allt viktigare.

Ingenjörer måste också förstå de verktyg de arbetar med. Om ett AI‑stödd system föreslår en åtgärd krävs det att den ansvarige har tillräcklig kunskap om miljön för att kunna bedöma om rekommendationen är rimlig.

Detta gör utbildning till en viktig del av AI‑implementeringen.

Våra team måste förstå vad tekniken kan göra, var dess begränsningar ligger och när något måste eskaleras eller undersökas på annat sätt.

NIST rekommenderar på liknande sätt att tydligt definiera ansvar för personer som driver och övervakar AI‑system, tillsammans med lämplig utbildning och kompetensstandarder.

Vad vi hittills har lärt oss

Vår erfarenhet hittills har visat att några av de mest användbara AI‑tillämpningarna inom IT‑drift är relativt praktiska.

Den 75 % minskningen av övervakningsbrus innebär att ingenjörer spenderar mindre tid på onödiga larm. Att flytta patch‑efterlevnad från under 50 % till 95:e percentilen har stärkt konsistensen i hanteringen av slutpunkter. Automatisering över mer än 10 000 slutpunkter hjälper oss att hantera en miljö som annars skulle kräva en betydande mängd repetitivt manuellt arbete.

Samtidigt är de mer komplexa delarna av IT‑drift fortfarande starkt beroende av människor.

Teknik kan identifiera ett ovanligt mönster eller automatisera en känd åtgärd. En erfaren ingenjör förstår den bredare miljön, de involverade beroendena och den potentiella påverkan av beslutet som fattas.

Den balansen blir allt viktigare i takt med att AI blir en del av den dagliga IT‑driften.

För mig är AI:s värde mycket praktiskt. Det hjälper oss att hantera skala, ger våra team bättre insyn och eliminerar en del av det repetitiva arbetet som kan ta tid från viktigare frågor.

Tekniken blir mer kapabel, men erfarenheten hos de som hanterar miljön är lika viktig.