夜雨聆风这段时间一直在看 AIOps，越看越觉得，很多人对这件事的理解可能有点跑偏了。
大家最爱问的问题是，AI 会不会替代运维？
但前两天，一个做运维服务的朋友给我发了一张截图，我突然觉得这个问题其实问反了。
截图里是凌晨三点的微信群。
一排红色告警。
CPU 负载飙高，接口超时，某个实例心跳异常，数据库连接数抖了一下，监控平台像被人拿红笔划满了一样。群里先是机器人刷屏，然后是值班同事接力冒泡，最后是一句很熟悉的话。
“我先上去看看。”
这句话，很多做过运维的人应该都太熟了。
你不知道它后面会接一个真正的大故障，还是又一次虚惊一场。你只知道，手机响了，就得爬起来。
我脑子里一下子浮现出老张。
凌晨三点，老张的枕头边传来了那阵熟悉而令人心惊的震动。
不用看屏幕，他都能猜到那是生产环境的 CPU 负载告警。他熟练地翻身下床，冰凉的地板让他瞬间清醒了大半。登录控制台，习惯性地将鼠标移向屏幕左上角切换地域，查看那个已经反复跳动了好几次的异常实例。
这种生活，老张已经过了快十年。在运维这个圈子里，这被称为“被动触发”的人生，你永远不知道下一个告警和明天的太阳哪个先到。
这时候，公司大群里已经开始连续刷屏，监控平台上一片红，几百条告警信息密密麻麻地涌出来。老张和几个值班的兄弟在日志服务和链路追踪里来回翻找，核对着每一条 Trace 和 Log 的时间戳，生怕漏掉任何一个微小的抖动。
一个小时后，大家终于长舒了一口气。
只是一个老掉牙的定时任务在扩容时触发了冗余告警。
这种场景在运维人的日常里占了 80% 以上。
朋友在截图下面问我，你说以后 AI 运维真起来了，我们这些人是不是就没用了？
我想了一会儿，回了他一句。
不是。
真正该被替代的，不是运维这个人，而是运维每天被告警推着跑的那种状态。
所以今天这篇文章，我想聊的不是“AI 怎么干掉运维”，而是一个更现实的问题。
运维有没有机会，终于从告警里爬出来？
1. 先说那些被告警耗掉的夜晚
运维人的痛苦，很多时候并不是因为技术难度有多大。去解决一个世界级的分布式一致性难题，那叫挑战；但如果让你每天处理五十个“磁盘空间不足”或者“某个节点心跳丢失”，那就是消耗。
Google SRE 体系里有一个词很适合形容这种状态，琐事（Toil）。
所谓琐事，就是那些手动的、重复的、可以被自动化的工作。它就像一堆无休无止的杂草，随业务规模线性增长。如果你的服务扩容了十倍，告警也跟着扩容了十倍，那你每天 100% 的时间都会被这些碎事儿填满。
更麻烦的是，这种长期被告警推着跑的状态，会慢慢变成告警疲劳（Alert Fatigue）。
当你习惯了监控平台上 90% 的告警都是“狼来了”，你对故障的判断力就会不可避免地下降。研究显示，每多接收一条重复或无关紧要的通知，技术人员的关注度就会下降 30%。就像那个著名的寓言，当真正的“黑天鹅”故障降临时，运维人往往已经因为长期的噪音干扰而变得麻木，最终导致每小时动辄数十万美元的业务损失。
2. AI 先别急着替代人，先帮人少受点罪
现在的 AIOps 到底在做什么？它不是在代替你点击那个重启按钮，而是在帮你做那些人类大脑已经处理不过来的信息清洗工作。
想象一下，当一分钟内涌入一万个事件时，AI 能做的第一件事不是“接管系统”，而是先把噪音压下去。哪些告警其实来自同一个故障，哪些只是连带反应，哪些可以暂时放到后面，它至少能先帮人分一遍。
它不再是孤立地告诉你“数据库慢了”，而是把日志、指标和拓扑关系串起来，在几秒钟内告诉你：“因为某次代码变更导致了缓存失效，进而压垮了数据库。”
这就是根因分析（RCA）有用的地方。它不是让运维变懒，而是少一点在日志里盲人摸象的时间。
还有一类价值是预测性维护。它能通过趋势分析，提前四小时预判磁盘将满，或者检测到某种极其隐蔽的内存泄漏。
这时候，运维才有机会从“哪里着火就往哪里跑”，慢慢变成一个能提前布置防线的人。
3. “喂”不饱的 AI 与缺失的上下文
这话也不能说过头。老张在实际落地项目时发现，AI 要想帮上忙，前提是企业得有足够扎实的可观测性（Observability）积累。
很多公司口头上说要做 AI 运维，结果连最基础的 Metrics、Logs、Traces 都没有打通，更别提变更记录和系统拓扑关系了。没有这些上下文信息，AI 只能靠猜。
就像一个医生，如果连化验单和 CT 影像都没有，只凭病人一句“我难受”就要开方子，那不叫 AI，那叫算命。
阿里云提出过一个说法，叫“语义基座”。我觉得这四个字挺准，只有将运维智慧，那些黄金指标、排障手册、系统关系，沉淀为系统可读的数字资产，AI 才有可能理解什么是“服务抖动”。
没有数据的 AI 就像一个智商爆表但缺乏常识的少年，他能写出完美的数学公式，却不认识路边的路标。
4. 运维的活儿会变，但不是消失
当 AI 智能体（AI Agent）开始接管故障全生命周期时，运维的工作确实变了。
未来的运维工程师，可能不再需要每天盯着仪表盘（Dashboards）发呆，也不需要深夜去查那该死的日志。但这不代表他没事干了。
他要花更多时间去设计系统边界。
哪些自动化操作是安全的，哪些必须由人类裁决，哪些只能让 AI 给建议不能让它直接执行，这些都需要有人提前想清楚。
他也要审查 AI 的建议。
AI 说某个服务可以重启，听起来很合理，但它知不知道这个服务正在跑一个不能中断的批处理？它看到的是指标，人看到的是业务后果。
还有平台工程和 FinOps 这类事，也会越来越重要。以前运维被大量配置、巡检、扩容、查账单的小事拖住，现在如果这些动作能被工具接走一部分，人就能回到更上游的位置，去设计黄金路径，去判断资源投入到底值不值。
说得朴素一点，AI 替掉的不是运维，而是运维手里那些最磨人的杂活。
5. 但这事没那么快
说实话，我对 AI 运维抱着一种“克制的乐观”。
现实中，AIOps 的落地面临着巨大的挑战。数据质量差、告警规则混乱、权限边界模糊，这些都是埋在路上的地雷。大模型本身还存在“幻觉”问题，如果直接让它去执行高风险操作，万一它理解错了意图，造成的损失可能比故障本身还大。
更难的是组织层面的不信任。很多公司并不敢把自动化权限完全放开。在这种背景下，AI 往往沦为一个昂贵的查询工具，而不是真正的行动者。
所以这件事要慢一点，从能控制风险的地方开始。
6. 爬出来以后，先把夜班还给人
回到那个标题。运维不是被 AI 替代，而是终于有机会从告警里爬出来。
告别“左上角”的地域切换，告别凌晨三点的惊魂震动。当 AI 帮我们处理了那些 99% 的平庸告警时，我们才真正有时间去思考，如何设计一个更具韧性的架构？如何让系统在极端的压力下实现自愈？如何把一个老工程师脑子里的排障经验，变成整个团队都能复用的系统能力？
正如阿里云周琦所言，“未来的运维竞争，将不再是工具的竞争，而是人的创造力与战略眼光的竞争”。
我越来越觉得，以后更舒服的运维团队，未必是响应最快的那一批。
更可能是告警最克制、流程最清楚、经验沉淀最完整的那一批。
老张关掉台灯，回到床上。这一次，手机依然放在枕边，但他的心情平和了很多。因为他知道，他的那支“数字副驾驶”团队，正在帮他守护着那片喧嚣的数据海洋。
而他，终于可以睡个好觉。
第二天醒来，他要处理的不是一堆昨晚遗留的无效告警，而是几个确实值得改的系统问题。
当然，真要走到这一步，光喊 AIOps 肯定不够。
你得先知道哪些告警是垃圾告警，哪些 SOP 值得沉淀，哪些操作可以自动化，哪些动作必须留给人判断。你还得把日志、指标、链路、变更和工单这些散落的数据重新收拾一遍。
这件事没那么性感。
但它很可能是 AI 运维落地的第一步。
下一篇如果继续聊，我想拆一拆，一家普通公司到底该怎么从告警治理、知识库和可观测性数据开始，搭自己的 AIOps 底座。
参考来源
• PagerDuty: 2026 年人工智能优先运营状况报告（State of AI-First Operations Report）https://www.pagerduty.com/blog/digital-operations/2026-state-of-ai-first-operations-report/ • Google SRE: 消除琐事（Eliminating Toil）https://sre.google/sre-book/eliminating-toil/ • Atlassian: 理解并对抗告警疲劳（Understanding and fighting alert fatigue）https://www.atlassian.com/incident-management/on-call/alert-fatigue • 阿里云: 先建“语义基座”，再谈运维智能，Operation Intelligence 新范式https://www.cnblogs.com/alisystemsoftware/p/18605440 • Google SRE: 实用告警与可观测性指南（Practical Alerting）https://sre.google/resources/book-update/practical-alerting/ • Red Hat: AI 时代的平台工程现状（State of Platform Engineering in the Age of AI）https://www.redhat.com/zh-cn/resources/state-of-platform-engineering-age-of-ai • Google Cloud: 什么是 AIOps？收益与使用场景（What is AIOps? Benefits & use cases）https://cloud.google.com/discover/what-is-aiops • IBM: FinOps 是什么？https://www.ibm.com/cn-zh/think/topics/finops • OpenTelemetry: 可观测性框架官方文档（Documentation | OpenTelemetry）https://opentelemetry.io/docs/ • 沙丘社区: 2024 中国 AI Agent 最佳实践案例 TOP20https://www.shaqiu.cn/article/463
