Spacelift 的 AI 准备度差距报告揭示了 AI 采用和基础设施治理之间日益增长的差距

人工智能正在迅速改变软件开发，但 Spacelift 的一份新报告表明，许多组织在将基础设施实践与 AI 采用速度保持一致方面存在困难。在《AI 准备度差距》报告中，作为公司 2026 年基础设施自动化状态研究的一部分，Spacelift 调查了 406 名 IT 决策者和平台工程领导者，以研究 AI 如何重塑基础设施管理、治理和自动化。报告的发现揭示了 AI 辅助开发和组织管理这些变化的系统之间日益增长的脱节。

AI 加速开发速度超过基础设施团队的响应能力

报告强调了 Spacelift 所说的“AI-基础设施差距”。虽然 AI 辅助编码已经变得普遍，但负责部署、治理和维护该代码的基础设施团队正在努力跟上。根据调查，89% 的组织报告称，由于 AI，开发人员的速度已经增加，而 82% 的组织表示，他们的代码中有四分之一到近三分之二是 AI 辅助的。然而，尽管取得了这些成就，但只有 25% 的组织将 AI 视为首要战略优先事项。

其后果已经变得明显。超过六成的受访者表示，应用程序开发正在超越基础设施在 AI 采用方面，给 DevOps 和平台团队带来了压力，迫使他们吸收日益增长的 AI 生成的变化量。随着 AI 生成的代码越来越多地流入生产环境，基础设施团队正在遇到更高的运营复杂性和风险。

四个级别的 AI 准备度

为了更好地了解组织如何管理这一转变，Spacelift 引入了一个 AI 成熟度指数，将受访者分为四类：暴露、碎片化、超越和先驱。该分类基于 AI 集成、治理成熟度、基础设施自动化、风险暴露和平台准备等因素。

几乎四分之一的组织属于暴露类别，这意味着它们正在积极使用 AI，但缺乏管理它的治理框架。另外 32% 的组织被认为是碎片化的，AI 采用存在但在团队之间不一致。25% 的组织被归类为超越组织，它们积极地采用 AI，但允许治理滞后。只有 19% 的组织符合先驱的条件，它们在加速 AI 采用之前已经建立了治理和自动化实践。

报告中最值得注意的结论之一是，组织规模并不是决定因素。大型企业和较小的公司可以出现在任何类别中。区别在于行为、治理纪律和运营实践，而不是预算或员工人数。

治理信心问题

研究发现了组织对 AI 治理的看法中一个令人惊讶的矛盾。虽然 86% 的受访者表示，他们对组织管理 AI 的能力充满信心，但只有 30% 的组织报告称已经制定了正式的 AI 治理政策。

这种信心与运营现实之间的差距形成了报告中所说的“AI 治理悖论”。许多组织认为他们正在有效地管理 AI 相关风险，尽管他们缺乏通常与成熟的治理计划相关的政策、控制和监督机制。这种差异在暴露类别的组织中尤其明显，只有一小部分组织具有正式的治理政策，尽管他们对自己的能力充满信心。

报告的发现表明，治理仍然是企业 AI 采用的最不成熟的方面之一。虽然公司渴望实施 AI 工具和工作流，但较少的公司建立了必要的控制来确保这些系统在规模上安全、可靠地运行。

基础设施团队已经看到 AI 驱动的事件

报告认为，弱治理的后果不再是理论上的。93% 的受访组织报告称，在过去一年中至少发生了一次 AI 相关的基础设施事件。

最常见的问题包括 AI 生成的更改导致的返工、安全配置错误进入生产环境、合规性违规、与 AI 生成的修改相关的基础设施漂移以及涉及代理系统的事件。每个类别都影响了大约三分之一的受访者。

治理领导者和落后者之间的差异很显著。暴露类别的组织报告了显著更高的 AI 相关事件率，而先驱组织则不太可能遇到这样的问题。根据报告，治理和自动化验证系统有助于在问题进入生产环境之前捕获它们，减少运营中断并限制了昂贵的补救工作的需要。

“氛围编码”正在影响基础设施

报告还探讨了所谓的“氛围编码”的日益增长的影响力，即开发人员严重依赖 AI 生成的代码，几乎没有审查或监督。虽然这个概念主要是在软件开发的背景下讨论的，但 Spacelift 的数据表明，它正在迅速扩展到基础设施管理。

几乎 80% 的受访者报告称，他们使用 AI 生成基础设施即代码配置、治理政策或相关基础设施工件。更令人担忧的是，基础设施团队中有一大部分表示，他们会在几乎没有审查的情况下批准 AI 生成的基础设施代码。

与应用程序错误不同，基础设施错误可能会对安全性、合规性、网络和云资源产生广泛的运营后果。因此，报告认为，AI 生成的基础设施更改需要能够验证和执行控制的治理机制，然后才能部署这些更改。

下一个挑战：代理 AI

如果组织正在努力应对今天的 AI 辅助开发，报告表明，代理 AI 可能会放大这些挑战。89% 的受访者表示，他们计划采用代理 AI 进行基础设施运营，几乎四分之一的受访者预计在六个月内这样做。

代理系统与传统的 AI 工具不同，因为它们可以自主地做出和执行决策。在基础设施环境中，这可能意味着在没有直接的人类批准的情况下分配资源、修改配置或响应事件。虽然这些功能承诺了显著的效率增益，但它们也增加了治理的重要性，因为在 AI 决策和生产部署之间可能没有人类审查者。

报告指出，早期采用者已经报告了涉及代理系统的事件，表明治理框架需要随着这些日益自治的技术而演变。

平台工程作为潜在解决方案出现

报告中最强的发现之一是关于平台工程的。已经采用平台工程的组织似乎比依赖传统方法的组织更好地准备了 AI 驱动的基础设施环境。

超过 80% 的受访者正在考虑转向平台工程，先驱组织更有可能已经完成了这一转变。根据报告，平台工程创建了治理的自助路径，使开发人员能够快速移动而不会绕过合规性、安全性和运营控制。

与其迫使治理与速度竞争，平台工程试图将治理直接集成到工作流中，使合规操作比非合规操作更容易。数据表明，成功采用 AI 的组织越来越多地遵循这种模式。

测量错误的指标

报告还认为，组织可能专注于过时的指标。许多基础设施团队继续跟踪生产力、部署频率和安全事件，但相对较少的团队监测 AI 特定的指标，例如进入管道的 AI 生成的基础设施代码量或 AI 生成的更改的错误率。

如果没有这些 AI 特定信号的可见性，组织可能难以确定治理控制是否实际有效。随着 AI 生成的基础设施变得更加普遍，仅跟踪传统的运营结果可能无法提供对新出现的风险的足够见解。

AI 准备度正在成为基础设施挑战

报告的发现表明，AI 准备度不再仅仅是模型采用或开发人员生产力的问题。它越来越成为一个以治理、自动化、平台工程和运营纪律为中心的基础设施挑战。那些在 AI 到来之前投资了这些能力的组织似乎正在更好地适应，而其他组织则发现 AI 正在暴露已经存在的弱点。

随着企业继续向 AI 辅助和最终代理操作迈进，采用的差距和治理可能成为未来十年最重要的技术挑战之一。Spacelift 的《AI 准备度差距》报告表明，许多组织已经跨越了进入 AI 驱动基础设施的门槛，但很少有组织建立了管理它的治理基础。