利用我们的敏捷和DevOps炒作周期来指导技术投资

核心观点与关键数据

AI 正在重塑 DevOps 的未来，平台工程团队应利用预测和生成式 AI 提升开发者体验、优化软件交付流程并改进基础设施管理。当前，组织已广泛应用 AI 编码助手、AI 增强测试工具和 AIOps 平台，但缩短整体交付周期需系统性地识别和解决软件交付各阶段的所有约束。

生成式 AI 的应用机会

生成式 AI 可通过减少开发者摩擦提升多个 SDLC 阶段的开发者体验，例如代码理解不足、调试、代码审查和根本原因分析等环节。提升软件交付效率则需要优化和协调 SDLC 的所有阶段，例如长构建时间、构建管道错误分析、变更影响分析和缓慢的事件响应等。

AI 的优势

AI 不仅限于传统自动化，还能帮助产品团队以可靠、可持续和成本有效的方式管理软件交付基础设施，例如自主工作负载优化和增强 FinOps。

建议

1. 识别和优先级排序：通过发现和优先级排序软件交付工作流的约束，识别 AI 用例以实现 SDLC 的系统性改进。
2. 提升开发者体验：支持 AI 增强工作流，减少认知负荷，帮助开发者实现跨开发、交付和运维的“心流”状态。
3. 增强交付效率：通过 AI 增强的优化增强 DevOps 工作流，缩短 SDLC 每个活动的反馈循环。
4. 优化基础设施：提供 AI 增强的自助式基础设施管理功能，作为内部开发者平台的一部分。

研究结论

到 2027 年，使用 AI 增强每个 SDLC 阶段的平台工程团队比例将从 5% 增长至 40%。平台工程团队应采取三方面策略：提升开发者体验、增强交付效率、优化基础设施。

潜在风险

1. “AI 洗脑”：警惕供应商的“AI 洗脑”，避免过度工程化。
2. 效率转移：AI 可能导致工作量转移而非节省，例如编码时间节省被代码审查和调试时间增加抵消。
3. 认知技能下降：过度依赖 AI 可能降低人类认知技能，导致系统操作理解不足和情境意识缺乏。
4. 输出一致性：生成式 AI 工具输出的一致性、准确性、可重复性和可预测性仍需改进。

工具示例

• AI 编码助手：CircleCI, Digital.ai, GitLab, Harness
• AI 增强测试工具：Shoreline, Transposit
• AIOps 平台：BMC, PagerDuty, ServiceNow
• 云原生基础设施优化：Akamas, Anodot, Apptio, Avesha, CAST AI, Densify, Google Cloud, IBM, Sedai, StormForge