Splunk调查：六成企业让AI代理排障，过半无法验证答案

Splunk公布的一项调查显示，AI代理已经进入企业故障排查的核心流程：62%的IT与工程受访者经常借助代理分析系统为何故障。这项调查覆盖十个国家的2050名从业者，由Help Net Security报道。

代理承担的任务集中在根因定位、告警调优和起草runbook（故障处置手册）。写新代码排在清单末尾，约四分之一的受访者从不把写代码交给代理。原因不难理解：改错一个告警阈值一分钟就能回滚，把错误代码送进生产则是另一回事。

多数团队表示代理让他们更快发现问题，不少人称恢复速度也提升了；但也有14%的受访者说，引入代理后恢复反而变慢。Splunk可观测性业务AI负责人Sahinaz Safari把代理比作新员工：潜力很大，但融入环境的过程需要更多监督。

这种监督有了名字——“验证税”（verification tax），指工程师在信任代理结论之前，花在复核其推理过程上的时间。真正的问题不只是模型会不会编造答案，而是企业有没有能力在答案进入决策前发现它：85%的受访者认为识别模型编造答案很重要，只有58%说能可靠做到。

工具与责任归属是两大缺口。约一半受访者表示，现有可观测性工具并非为观察AI而设计；38%的组织尚未确定一个行为异常的代理该由数据科学团队、SRE团队还是安全团队负责。Splunk的Mark Woods形容：“当代理可观测性是所有人的工作，它就变成没有人的工作。”

一个典型场景说明了这种模糊：代理陷入循环，每分钟数千次冲击内部API，工程团队看到的是性能故障，安全团队看到的却像拒绝服务攻击。调查中81%的受访者表示，监控AI让团队与安全部门协作更紧密。

成本问题同样尖锐。57%的组织发现，可观测性支出已经超过它所监控的基础设施；一半的受访者今年收到过意外的遥测账单。Splunk的Greg Leffler用超市购物作比：单个番茄的价格可能一夜之间从两美元涨到九十美元，而账单要到月底才寄到。

这些数字合起来指向同一个结论：代理从试验走向生产后，瓶颈不在模型能力，而在可观测性、责任划分与成本控制。接下来值得观察的是，观测厂商会不会把AI专用能力做成标配，以及企业是否开始为代理设立明确的所有者与预算边界。