Агентный ИИ уничтожает обучение IT-специалистов? Как Splunk предлагает спасти следующее поколение инженеров
Помните те ночные дежурства, когда ты листаешь логи в поисках иголки в стоге сена, а оказывается, что это просто фоновый трафик? Двадцать лет считалось, что это скучная рутина. Но именно она превращала зеленого новичка в матерого SecOps-аналитика, который чует аномалию за версту. Теперь всё это автоматизируют агенты. И это, мягко говоря, создает проблему.
Agentic AI делает IT и команды безопасности чертовски эффективными. Но он же перерубает ту самую цепочку ученичества, которая десятилетиями ковала опытных операторов. Чем больше организаций автоматизируют работу, которую раньше делали джуниоры, тем сильнее они упираются в вопрос: как вырастить следующее поколение экспертов, если ИИ уже забрал себе их тренажерный зал?
Что делал младший персонал и почему это было важно
Два десятилетия путь к статусу крутого SecOps-аналитика, SRE или NetOps-инженера лежал через повторение. Разбирать ложные срабатывания. Искать контекст в дашбордах. Читать логи в два часа ночи, которые оказывались безобидным мусором. Индустрия считала это рутиной — и во многом была права.
Но эта рутина выполняла роль ученичества. Тысячи часов, которые аналитик пялился на паттерны трафика, наращивали ту самую интуицию, которая делает его бесценным, когда приходит реальная атака. Этой интуиции не научиться на одном курсе и не записать в runbook. Она накапливалась через экспозицию, распознавание паттернов, провалы и эскалации. Так люди зарабатывали глубокий аналитический опыт.
А теперь агентный ИИ начинает автоматизировать именно те задачи, которые были тренировочной площадкой для этой экспертизы. И это не повод тормозить. Рутина была дорогой. Выгорание было реальным. Организации обязаны использовать агентов, чтобы сократить тоил везде, где могут.
Но если мы убираем этот цикл ученичества, нужно дать операторам что-то лучшее взамен. Как организации подойдут к этой проблеме сегодня — определит, кто будет в лидерах завтра. Те, кто отнесется осознанно, получат операторов, готовых к следующему десятилетию. Те, кто закроет глаза, — получат быстрые системы сейчас, но через пару лет останутся без людей, способных в них разобраться настолько глубоко, чтобы управлять ими.
Когда автоматизация высасывает ответственность
Есть и второй аспект, о котором говорят реже. В регулируемых средах та самая рутина ученичества — это часть слоя подотчетности. Фреймворки вроде SOX, PCI DSS, HIPAA, NIS2 предполагают, что за каждым контрольным решением стоит цепочка человеческих суждений. Аудиторы не опрашивают модели. Они беседуют с людьми, которые могут объяснить, почему система сделала то, что сделала, почему решение было верным и какие контроли работали.
Когда популяция профессионалов, способных объяснить эту цепочку, начинает редеть, риск может не проявиться сразу. Контроль еще пройдет. Воркфлоу еще выполнится. Дашборд останется зеленым. Но организационная память начинает выхолащиваться изнутри. Это не просто проблема инструментов. Это проблема навыков рабочей силы и дизайна процессов. И для компаний, которые быстро внедряют агентов, этот риск ближе, чем кажется.
Как вырастить человеческую экспертизу для управления ИИ
Когда часть слоя подотчетности переходит к агентам, человеку отводится другая роль — управление. Управлять агентной системой — значит внедрять автоматические защитные барьеры, которые адаптируются к недетерминированному поведению агентов и гарантируют, что они ведут себя адекватно в условиях, которые никто полностью не предвидел. Это значит проектировать критерии эскалации, которые ловят правильные аномалии, не заваливая людей ложными. Это значит внедрять динамические инструменты, алерты и процессы для ревью машинных решений — чтобы выявлять дрейф, предвзятость и сбои в рассуждениях, которые не покажет ни один отдельный кейс.
Способность оценивать эти исключения и реагировать на них требует суждения, наработанного годами опыта — того самого распознавания паттернов, которое раньше давало старое ученичество. Поэтому вопрос workforce и вопрос архитектуры теперь — один и тот же вопрос. Если мы ждем, что люди будут управлять всё более автономными системами, нужны осознанные пути, которые помогут им справляться с масштабом и скоростью ИИ, одновременно наращивая интуицию и суждение, необходимые для этой работы.
В эпоху ИИ самые ценные платформы — не те, что автоматизируют больше всего задач. А те, что помогают людям становиться более компетентными, более авторитетными и более необходимыми по мере того, как системы вокруг ускоряются и умнеют. Это означает, что организациям нужно инвестировать в полную экосистему экспертизы для операторов: сообщества, где распространяются общие практики, сертификации или другие метрики, делающие экспертизу видимой, человеко-ориентированные объяснения и верификацию в самом AI, а также образовательные траектории, развивающие навыки.
Расширение прав и возможностей — это архитектурное решение
Human empowerment — критическая часть разговора о практическом использовании ИИ. Но без осознанной стратегии это превращается в пустой термин, который означает всё и ничего одновременно. Расширение прав для агентных систем не может быть просто концептуальным требованием. Это должен быть набор дизайн-решений, вшитых в поведение систем.
Агентная система, которая реально расширяет возможности операторов и развивает их профессиональные навыки, делает четыре вещи:
1. Раскрывает логику вместе с lineage данных. Каждая рекомендация агента должна быть прослеживаема до данных, которые он рассматривал, до логики, которую применял, и до происхождения входных данных. Операторы, которые видят логику, вырабатывают суждение — когда ей доверять. Операторы, которым выдают только выводы, — нет.
2. Разделяет полномочия по степени уверенности и влиянию. Знакомые, низкорисковые паттерны обрабатываются автономно. Новые ситуации или действия с ощутимым blast radius должны по умолчанию эскалироваться. Граница должна быть явной и настраиваемой командами, которые отвечают за последствия.
3. Относится к разногласиям как к сигналу для коррекции. Когда опытный инженер переопределяет решение агента, он не просто не соглашается. Он корректирует систему суждением, которого у модели не было: хрупкая зависимость, особенность окружения, ограничение, которое данные никогда не видели. Система, которая регистрирует переопределение, но игнорирует стоящую за ним логику, ничему не учится в тот единственный момент, когда человек оказался умнее.
4. Фиксирует решения как кросс-доменное знание. То, как был разрешен инцидент, — это урок, который редко остается в рамках одной области. Инцидент в SecOps может вскрыть слабость в ITOps. Сетевая проблема может ударить по бизнесу. Если эта связь живет только внутри закрытого тикета, следующая команда начнет с нуля. Решения должны путешествовать между доменами, а не умирать там, где их завели.
Это не благие пожелания. Это тестируемые продуктовые возможности. Лидеры, оценивающие агентные системы, должны уметь определять, где живут эти возможности, что происходит, когда они отказывают, и улучшаются ли навыки операторов после внедрения.
Следующее преимущество — когда человек и ИИ растут вместе
Чтобы ИИ-системы были практичными, заслуживали доверия и работали в масштабе, ключевой точкой дизайна должна быть глубокая совместная работа с операторами и расширение их возможностей. Эра агентов — это не история о замене людей. Это история о перепроектировании систем, которыми управляют люди, чтобы эти операции шли на машинной скорости и в машинном масштабе, а человеческая экспертиза росла параллельно. Вместе, а не за счет друг друга.
Такой исход не гарантирован. Он случится только там, где лидеры сделают развитие операторов приоритетом, а не довеском. Чтобы этого достичь, агентные системы нужно осознанно проектировать так, чтобы они раскрывали логику, захватывали обучение и возвращали работу людям так, чтобы это развивало навыки и карьеру, а не размывало и то и другое.
Агенты будут становиться умнее и быстрее. А способность операторов, работающих с ними, учиться и расти синхронно — определит, будет ли следующее десятилетие цифровой устойчивости тем, чем организация действительно владеет, или тем, что она арендует у всё более редкого пула экспертизы. Узнайте больше о том, как Cisco Data Fabric на платформе Splunk помогает командам ускорять агентные операции.
Камал Хати — SVP и GM Splunk, компании Cisco.