‏از عملیات واکنشی تا زیرساختی که خودش مشکلش رو حل می‌کنه

حرف اصلی این ستونِ مهمان اینه که سؤال تیم‌های IT داره عوض می‌شه: از «چطور همه‌ی هشدارها رو مانیتور کنیم؟» به «چطور یه زیرساختی بسازیم که خودش مشکلش رو حل کنه؟». الان ایجنت‌های هوش مصنوعی می‌تونن هشدارها رو تریاژ کنن، داده‌های عملیاتی رو به هم ربط بدن و بعضی مراحل رفع مشکل رو بدون نظارت دائمی خودکار کنن.

چرا این مهمه؟ چون مدل سنتیِ عملیات واکنشیه و یعنی تیم باید ۲۴ ساعته آماده‌باش باشه. ترکیب این فشار با پراکندگیِ ابزارها، کمبود نیرو و فرسودگی شغلی، وضعیت رو دیگه ناپایدار کرده. ولی با وجود همه‌ی هیجان، نویسنده به یه نظرسنجی اشاره می‌کنه که نشون می‌ده فقط ۵٪ از متخصص‌های IT می‌گن هوش مصنوعی الان هسته‌ی عملیاتشونه — یه شکاف بزرگ بین آرزو و اجرا.

نکته‌ی کلیدیِ مقاله اینه که گلوگاه، مدلِ پیشرفته‌تر نیست؛ گلوگاه دیدِ یکپارچه و دسترسی مطمئن به داده‌ی عملیاتیه. سیستم خودگردان چیزی رو که نتونه ببینه نمی‌تونه مدیریت کنه. مشکل معمولاً کمبود داده نیست، بلکه اینه که ابزارهای مانیتورینگ جدا از هم کار می‌کنن و وقتی زمینه‌ی عملیاتی تکه‌تکه باشه، تصمیم‌ها با دید ناقص گرفته می‌شن — و خودگردانی همین نقطه‌کورها رو بزرگ‌تر می‌کنه.

نویسنده استانداردهای داده و یکپارچه‌سازی رو قطعه‌ی حیاتیِ این مسیر می‌دونه و به Model Context Protocol (MCP) متن‌بازِ Anthropic اشاره می‌کنه که کمک کرده نحوه‌ی اتصال AI به داده‌ها و ابزارهای پراکنده استاندارد بشه. با یه واسط مشترک، سیستم‌ها می‌تونن داده یا اکشن مرتبط رو در دسترس بذارن و IT از ایجنت‌های جزیره‌ای به سمت عملیات خودگردانِ متکی بر یه درک کامل‌تر حرکت کنه.

قبل از اینکه ایجنت‌ها رو وارد کارهای عملیاتی کنید، نویسنده یه چک‌لیست داده می‌ده: یه فهرست به‌روز از دستگاه‌ها و منابع نگه دارید (با کشف خودکار)، فرمت‌ها و فیلدها مثل تاریخ و شناسه‌ی دارایی رو نرمال‌سازی کنید، به‌جای برچسب‌های آزاد از فیلدها و واژگان کنترل‌شده استفاده کنید، و کیفیت داده رو مدام بسنجید تا رکوردهای قدیمی و متناقض شناسایی بشن. خلاصه: یه منبع حقیقتِ واحد که ایجنت بتونه ازش درست استدلال کنه.

در آخر روی واقع‌بینی تأکید می‌کنه: از کارهای تکراری و جاافتاده و کم‌ریسک شروع کنید — مثل رفع مشکل اندپوینت (پاک کردن کش، تعمیر کانفیگ)، واکنش به ناهنجاری شبکه، یا چرخه‌ی عمر گواهی‌ها و رمزها. ولی برای تصمیم‌های پرخطر هنوز قضاوت انسانی لازمه. نویسنده به یه حادثه‌ی قطعیِ سرویس مربوط به ابزار Kiro شرکت AWS اشاره می‌کنه که واکنش آمازون بهش، اجباری کردن بازبینی همتا برای دسترسی پروداکشن بود — یعنی نگه داشتن آدم توی حلقه هنوز ارزش داره.

نکات کلیدی:

• ایجنت‌های AI دارن IT رو از مدل واکنشیِ شبانه‌روزی به سمت زیرساخت خودگردان می‌برن
• گلوگاه اصلی مدل پیشرفته نیست، دیدِ یکپارچه و داده‌ی تمیز و به‌روزه
• استانداردهایی مثل MCP اتصال AI به داده‌ها و ابزارهای پراکنده رو ساده می‌کنن
• از کارهای تکراری و کم‌ریسک شروع کنید: رفع مشکل اندپوینت، واکنش به ناهنجاری شبکه، چرخش گواهی‌ها
• برای تصمیم‌های پرخطر، آدم باید توی حلقه بمونه — فقط ۵٪ هنوز AI رو هسته‌ی عملیاتشون می‌دونن