Spacelifts rapport om AI-beredskapen avslører en økende kløft mellom AI-tilpasning 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-tilpasningens hastighet. I AI-beredskapen, en del av selskapets 2026-rapport om tilstand for infrastrukturautomatisering, spurte Spacelift 406 IT-beslutningstakere og plattformtekniske ledere om hvordan AI omdefinerer infrastrukturledelse, styring og automatisering. Funndene avslører en økende kløft mellom den raske tilpasningen av AI-basert utvikling og systemene organisasjonene har på plass for å styre og håndtere de resulterende endringene.

AI akselerer 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 denne 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, og tross disse gevinstene, regner bare 25% av organisasjonene 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-tilpasning, og skaper press på DevOps- og plattformteam 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-beredskap

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, styringsmodenheter, infrastrukturautomatisering, risikoeksponering og plattformberedskap.

Nærmere en fjerdedel av organisasjonene faller inn i kategorien Eksponert, hvilket betyr at de aktivt bruker AI, men mangler styringsrammeverkene som trengs for å håndtere det trygt. En annen 32% regnes som Fragmentert, hvor AI-tilpasning eksisterer, men er inkonsistent over team. 25% er klassifisert som Overhaler-organisasjoner, som omfavner AI aggressivt, men lar styring bli igjen. Bare 19% kvalifiserer seg som Pionérer, som har etablert styrings- og automatiseringspraksiser før de akselererte AI-tilpasning.

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 kommer ned til 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 kategorisert 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-tilpasning. Mens selskaper er ivrige etter å implementere AI-verktøy og arbeidsflyter, har færre etablert kontrollene som trengs for å sikre at disse systemene opererer trygt og konsistent i stor skala.

Infrastrukturteam 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 én AI-relatert infrastrukturhendelse i løpet av det siste året.

Blant de mest vanlige problemene var omarbeidning som resultat av AI-genererte endringer, sikkerhetsfeil i produksjonsmiljøer, overholdelsesbrudd, infrastrukturdrift forbundet med AI-genererte modifikasjoner og hendelser som involverer agente systemer. Hver kategori berørte omtrent en tredjedel av respondentene.

Forskjellen mellom styringsledere og ettergangere er betydelig. Organisasjoner som er kategorisert 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 rettelsestiltak.

“Vibe-koding” når infrastruktur

Rapporten utforsker også den økende innflytelsen av såkalt “vibe-koding“, 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 utvider seg raskt inn i infrastrukturledelse.

Nærmere 80% av respondentene rapporterte å bruke AI til å generere infrastruktur-kodekonfigurasjoner, styringspolitikker eller relaterte infrastrukturartefakter. 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 operative konsekvenser, som påvirker sikkerhet, overholdelse, nettverk og skytjenester. Som følge herav argumenterer rapporten for at AI-genererte infrastrukturendringer krever styringsmekanismer som kan validere og håndheve kontroller før disse endringene deployes.

Neste utfordring: Agentisk AI

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

Agente systemer skiller seg fra tradisjonelle AI-verktøy fordi de kan ta og utføre beslutninger selvstendig. I infrastrukturmiljøer kan det bety å provisionere ressurser, modifisere konfigurasjoner eller svare på hendelser uten direkte menneskelig godkjenning. Mens disse evnene lover betydelige effektivitetsgevinster, øker de også viktigheten av styring, ettersom det kan være ingen menneskelig gjennomganger plassert mellom en AI-beslutning og produksjonsdeployering.

Rapporten påpeker at tidlige adoptanter allerede rapporterer hendelser som involverer agente 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 infrastrukturmiljøer enn de som avhenger av tradisjonelle tilnærminger.

Mer enn 80% av respondentene vurderte å gå over til plattformteknikk, og Pionér-organisasjoner er 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 operative kontroller.

I stedet for å tvinge styring til å konkurrere 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-tilpasning 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, deployfrekvens 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 operative resultater alene ikke gi tilstrekkelig innsikt i nye risikoer.

AI-beredskap blir en infrastrukturutfordring

Funndene antyder at AI-beredskap ikke lenger bare er et spørsmål om modelltilpasning eller utviklerproduktivitet. I økende grad blir det en infrastrukturutfordring som handler om styring, automatisering, plattformteknikk og operasjonell disiplin. Organisasjoner som investerte i disse evnene 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 agentisk drift, kan gapet mellom tilpasning og styring bli en av de avgjørende teknologiske utfordringene i det neste tiåret. Spacelifts AI-beredskapsgap-rapporten antyder at mange organisasjoner allerede har krysset terskelen inn i AI-drevne infrastruktur, men færre har bygget de styringsgrunnlagene som trengs for å håndtere det effektivt.