AI赋能IT？没有可见性，一切免谈

如今，人工智能已不再局限于研发部门或实验室内。它正出现在整个企业IT技术栈中，自动化服务台、检测网络流量中的异常、优化应用程序性能。根据麦肯锡的数据，72%的公司现在至少在某一职能中使用AI，然而大多数公司仍依赖过时且不完整的资产清单。这种快速采用既反映了AI的潜力，也体现了IT领导者面临的快速现代化压力。 但在将AI嵌入基础设施的竞赛中，有一个基础性缺陷常被忽视：可见性。具体来说，是可见性的缺失。 在AI能够真正在IT运维中发挥作用之前——无论是识别安全威胁还是自动扩展资源——它都需要对其操作对象有可靠的了解。而太多时候，AI所依赖的数据建立在残缺、不准确或过时的资产清单之上。这就像试图在没有正常工作的GPS的情况下编程一辆自动驾驶汽车。引擎可能很强大，但它不知道自己在哪，也不知道路上有什么。 这是企业AI的下一个瓶颈。

为何AI可观测性依赖于准确的资产数据

AI依赖数据，但并非任何数据。它需要及时、结构化、可信赖且能反映当前状况的数据。在IT环境中，这始于理解环境中有什么：设备、终端、工作负载、用户、云实例、影子IT等等。 问题在于，大多数组织都在盲目飞行。十年前的资产管理工具并非为当今混合、动态的环境而设计。而较新的解决方案通常依赖于不够深入的API或集成。结果就是，资产清单充其量是部分的，最坏情况下则是误导性的。 当AI模型在这种盲点中被训练或部署时，后果会迅速加剧：

• 安全工具会遗漏易受攻击的设备，因为这些设备从未被编入目录。
• 性能洞察因幽灵机器或未管理的终端而产生偏差。
• 自动化脚本在尝试对已不存在或重复存在的资源进行操作时会失败。

简而言之，本应驱动更明智决策的数据最终却引入了更多不确定性。如果AI基于一张支离破碎的环境地图行动，它就无法创造价值。

混合、去中心化世界中的可见性挑战

可见性挑战不仅仅是疏忽的结果。它是IT演进方式的副产品。当今的环境横跨物理机器、虚拟化工作负载、多个云平台、SaaS应用、远程终端、边缘设备和容器。有些资产在几分钟内启动并消失。另一些则存在于遗留基础设施难以触及的角落。对它们的责任可能分散在内部团队、承包商和第三方提供商之间。 更复杂的是，企业正在快速变化。收购、新工具和部门级的IT决策都促成了一个每天都在变化的庞大格局。 试图将所有这一切的可见性拼接起来是令人生畏的。许多公司诉诸于电子表格、遗留的CMDB或互不通信的供应商特定发现工具。结果呢？成千上万个未知、未管理或被遗弃的资产，每一个都是潜在的故障点。 而这还只是在资产清单方面。还有上下文的问题。仅仅知道设备存在是不够的；你需要知道它做什么、谁在使用它、它如何连接到其他资产，以及它是否健康。没有这些，AI就变成了一个钝器——能检测异常但不知道什么是正常，能发现变化但不知道这些变化是否重要。

让基础设施为AI做好准备

如果AI要在IT领域兑现其承诺——无论是用于可观测性、自动化还是网络安全——企业需要重新聚焦于可见性。这意味着将资产情报作为基础，而非可选。这需要做到以下几点： 将资产发现视为一个持续的过程：传统的发现工具基于计划扫描。这已经不够了。环境是流动的。资产可能由开发人员启动、在云提供商之间迁移或在不通知的情况下改变IP。实时或近实时发现应成为基线。 整合数据源以消除盲点：依赖单一来源，如代理或云API，无法提供完整的图景。可见性必须结合多种方法：被动监听、API集成、日志分析、终端遥测和网络流量。每一种都提供了拼图的不同部分。 构建上下文，而不仅仅是计数：发现是第一步，但丰富信息才是真正洞察的开始。这意味着将资产映射到其业务功能、所有者、依赖关系和生命周期阶段。AI需要上下文来区分关键的生产服务器和测试虚拟机。 消除被遗弃和未管理的资产：发现环境中存在成百上千个没有团队负责的资产并不罕见。这些资产既带来运营风险也带来安全风险。将它们纳入管理，或彻底淘汰它们，应是首要任务。 将可见性视为战略推动者：资产情报不仅仅是IT卫生。它几乎是其他一切的基础：更智能的自动化、更好的威胁检测、更高效的支出，以及，是的，可信赖的AI。没有它，所有下游的洞察都会受到损害。

你无法承受的盲点

IT中的AI并非魔法。它是建立在数据之上的模式识别、自动化和推理。但当这些数据在源头因可见性差、破碎的清单或缺乏上下文的资产而受损时，AI就变成了另一层猜测。 我们不会让飞行员在没有仪表的情况下飞行。然而，这正是当今许多组织对其AI系统的要求，期望从一个不可见的基础设施中获得智能输出。IT的未来无疑将更加自主、预测性和AI辅助。但只有我们首先照亮我们要求AI导航的这片领域，这个未来才有可能实现。在我们能够自动化之前，我们必须看见。在我们能够预测之前，我们必须理解。在我们信任AI管理我们的基础设施之前，我们必须让那个基础设施变得可见。 否则，都只是在盲目飞行。