AI w administracji IT:
7 obszarów, które warto automatyzować już dziś

Administrator systemów coraz rzadziej ma problem z brakiem danych. Problemem jest ich nadmiar.

Setki alertów, tysiące linii logów, kolejne zgłoszenia użytkowników, aktualizacje, CVE, backupy, konfiguracje, dokumentacja i systemy, które trzeba utrzymywać równolegle. Do tego dochodzą zadania, które są potrzebne, ale powtarzalne: klasyfikacja zgłoszeń, analiza podobnych błędów, przygotowanie skryptu, dokumentowanie zmian czy sprawdzanie, dlaczego po raz kolejny kończy się miejsce na storage.

I właśnie tutaj AI zaczyna mieć w administracji IT realną wartość. Nie jako "wirtualny administrator", któremu przekazujemy hasło roota i czekamy na efekty, ale jako dodatkowa warstwa pomiędzy ogromną ilością danych a człowiekiem, który musi podjąć decyzję. Dlaczego AI nie zastąpi tego człowieka, pisaliśmy w artykule czy AI zastąpi administratora systemów. Tutaj skupiamy się na tym, gdzie konkretnie warto go użyć.

Najważniejsze pytanie nie brzmi więc:

Nie "czy AI", tylko "ile może zrobić samodzielnie"

W praktyce warto rozdzielić cztery poziomy wykorzystania AI.

Ostatni poziom nie musi oznaczać chaosu ani działania "bez logów". Istnieją systemy bezpieczeństwa, które wykonują automatyczne działania remediacyjne i jednocześnie rejestrują ich przebieg oraz pozwalają część operacji zatwierdzać lub cofać. Microsoft Defender jest dobrym przykładem takiego podejścia.

Wniosek jest więc trochę inny niż proste "AI nie może niczego robić samodzielnie". Może. Ale zakres autonomii powinien wynikać z ryzyka konkretnej operacji.

1. Triage i klasyfikacja zgłoszeń helpdesk

To jedno z najlepszych miejsc do rozpoczęcia automatyzacji. Do helpdesku trafiają zgłoszenia typu:

Człowiek musi przeczytać zgłoszenie, określić kategorię, priorytet i osobę odpowiedzialną. AI może wykonać pierwszą część tego procesu. Może:

• › rozpoznać temat zgłoszenia,
• › zaproponować kategorię i uzupełnić pola,
• › wykryć podobne incydenty,
• › przygotować streszczenie i zaproponować pierwszą odpowiedź,
• › skierować ticket do właściwego zespołu.

To nie jest już teoria. Atlassian udostępnia w Jira Service Management między innymi Request Router, który może analizować treść zgłoszenia i pomagać określić jego typ, pilność, priorytet oraz potrzebę eskalacji. Jak w ogóle warto zorganizować obsługę zgłoszeń, opisujemy w artykule helpdesk IT dla firm.

Gdzie jest ryzyko?

AI może źle zinterpretować zgłoszenie. Te dwa zdania nie powinny trafić do tej samej kolejki:

Dlatego krytyczne klasy zdarzeń warto nadal zabezpieczać regułami deterministycznymi. Na przykład:

ERP niedostępny + wielu użytkowników + produkcja = eskalacja P1

Nie potrzebujemy modelu językowego, aby zdecydować o wszystkim. Najlepszy system zwykle łączy AI z normalną logiką biznesową.

2. Monitoring i analiza alertów

To prawdopodobnie jeden z najbardziej interesujących kierunków wykorzystania AI przez administratorów. Klasyczny monitoring odpowiada na pytania: czy host działa, czy port odpowiada, ile mamy CPU, ile zostało miejsca, czy backup zakończył się błędem.

Problem zaczyna się, kiedy infrastruktura generuje jednocześnie kilkadziesiąt alertów. Wyobraźmy sobie:

Taki scenariusz dobrze zna każdy, kto prowadzi monitoring sieci w firmie. I właśnie tutaj warstwa analityczna może pomóc. AI może próbować:

Google rozwija już mechanizm Cloud Assist Investigations, analizujący między innymi logi, konfiguracje i metryki w celu przygotowywania obserwacji pomocnych podczas RCA. Co istotne, obserwacje zawierają odwołania do danych źródłowych, dzięki czemu administrator może je zweryfikować.

To jest bardzo dobry kierunek również dla mniejszych środowisk. Nie trzeba budować ogromnej platformy AIOps. Można zacząć od:

AI nie zastępuje monitoringu

To ważne. Jeżeli monitoring jest źle skonfigurowany, AI nie naprawi braku danych. Jeżeli nie zbieramy:

model będzie analizował niepełny obraz. Od czego zacząć zbieranie tych danych, opisujemy w artykule monitoring infrastruktury IT.

3. Capacity planning i przewidywanie problemów

Tutaj słowo "AI" bywa wręcz nadużywane. Nie wszystko wymaga dużego modelu językowego. Załóżmy, że storage ma:

Do oszacowania, kiedy skończy się miejsce, nie potrzebujemy LLM. W wielu przypadkach wystarczy historia metryk, regresja, trend, progi i sezonowość. AI może natomiast wykorzystać wynik i zamienić go w informację użyteczną dla administratora:

Co można przewidywać?

Najważniejsza zasada brzmi:

4. Generowanie skryptów, Ansible i Infrastructure as Code

To jeden z obszarów, w których AI potrafi oszczędzić administratorowi ogromną ilość czasu. Model może przygotować pierwszą wersję:

Najważniejsza zasada:

Przykładowy proces dla Ansible może wyglądać tak:

Ansible posiada tryby --check i --diff, które pozwalają sprawdzić zachowanie obsługiwanych zadań bez wykonywania zmian oraz zobaczyć przewidywane różnice. Nie jest to jednak kompletna gwarancja poprawności, ponieważ nie wszystkie moduły i scenariusze zachowują się identycznie w check mode.

Analogicznie w Terraform polecenie:

terraform plan

pozwala zobaczyć planowane zmiany przed ich zastosowaniem. To bardzo dobry przykład prawidłowej roli AI. Model przyspiesza tworzenie konfiguracji, ale normalny proces nadal obowiązuje:

Dlaczego prosta banlista nie wystarczy?

Można oczywiście blokować szczególnie niebezpieczne polecenia. Problem w tym, że:

rm -rf /

nie jest jedynym sposobem, w jaki można uszkodzić system. Można wygenerować poprawne składniowo polecenie, które:

Dlatego bezpieczeństwa nie buduje się na liście kilku zakazanych stringów. Buduje się je przez minimalne uprawnienia, środowiska testowe, walidację, code review, zatwierdzanie i kontrolę zakresu wykonania.

5. Dokumentacja i runbooki

To jeden z obszarów, od których sam zacząłbym wdrażanie AI w wielu działach IT. Nie dlatego, że jest najbardziej efektowny. Dlatego, że stosunek potencjalnej korzyści do ryzyka jest bardzo dobry.

Przykład: zamiast po dwugodzinnej awarii pisać od zera "Problem wynikał z...", administrator może dostarczyć chronologię zdarzeń i poprosić AI o przygotowanie pierwszej wersji raportu. Człowiek następnie:

AI może również pilnować dokumentacji

Ciekawszym zastosowaniem jest okresowa analiza istniejącej dokumentacji. Model może szukać:

• › sprzecznych instrukcji,
• › duplikatów,
• › informacji potencjalnie nieaktualnych,
• › brakujących elementów procedury.

Ale tutaj również potrzebny jest właściciel dokumentu. Więcej o tym, jak utrzymać dokumentację przy życiu, piszemy w artykule dokumentacja infrastruktury IT.

6. Patch management i analiza podatności

Skaner bezpieczeństwa potrafi zwrócić setki informacji o podatnościach. Administrator musi odpowiedzieć na znacznie trudniejsze pytanie: co robimy najpierw?

Sam wynik CVSS nie opisuje całego ryzyka. Znaczenie ma również:

AI może pomóc zebrać te informacje i przygotować administratorowi priorytety. Na przykład:

To już jest informacja przydatna operacyjnie.

Czy AI może samo instalować aktualizacje?

Nie ma jednej odpowiedzi. Dla części środowisk, takich jak stacje robocze, systemy testowe czy dobrze przetestowane grupy urządzeń, automatyzacja jest czymś normalnym od lat. Dla krytycznego serwera ERP albo klastra bazodanowego proces może wymagać:

AI powinno respektować istniejący change management. Nie zastępować go. Jak zaplanować taki proces, opisujemy w artykule bezpieczne aktualizacje systemów.

7. Wirtualny helpdesk i chatbot IT

Drugi bardzo dobry punkt startowy. Duża część pytań użytkowników powtarza się:

• › jak skonfigurować VPN,
• › gdzie zmienić hasło,
• › jak dodać drukarkę,
• › jak skonfigurować MFA,
• › jak uzyskać dostęp do zasobu.

Jeżeli firma ma dobrą bazę wiedzy, AI może pełnić rolę pierwszej linii wsparcia. Najlepszy model działania wygląda mniej więcej tak:

Jira Service Management posiada obecnie wirtualnego agenta, który może korzystać z bazy wiedzy, odpowiadać na typowe pytania, zbierać informacje oraz przekazywać sprawę dalej. I właśnie eskalacja jest tutaj najważniejsza. Dobry chatbot IT powinien umieć powiedzieć:

A czego nie automatyzowałbym na początku?

Nie tworzyłbym sztywnej listy "tego AI nigdy nie może zrobić". Technologia i systemy bezpieczeństwa już dziś pokazują, że kontrolowana automatyczna reakcja może mieć sens. Są jednak trzy klasy operacji, w których bardzo ostrożnie podchodziłbym do autonomii.

Bezpieczeństwo danych: co właściwie wysyłamy do modelu?

To temat, który powinien pojawić się przed pierwszym wdrożeniem.

Dlatego firma powinna określić, jakie dane mogą trafić do jakiego modelu. To nie musi automatycznie oznaczać, że wszystko musi działać lokalnie. Ale decyzja powinna być świadoma.

Model publiczny czy lokalny?

Oba podejścia mają sens.

Lokalny LLM nie staje się bezpieczny tylko dlatego, że stoi we własnej serwerowni.

Jak zacząć? Nie od zakupu narzędzia

Najpierw wybierz proces. Dobre pierwsze zastosowanie ma trzy cechy:

Dlatego dobrym startem są często:

Cztery elementy, bez których nie uruchamiałbym automatyzacji

Każdy proces wykonujący realne działania powinien mieć cztery rzeczy.

Jak mierzyć, czy AI rzeczywiście coś daje?

"Używamy AI" nie jest KPI. Automatyzacja powinna przynosić mierzalny rezultat. Przykładowe wskaźniki:

Najczęstsze błędy przy wdrażaniu AI w administracji IT

Jak może wyglądać rozsądna droga wdrożenia?

Nie zaczynałbym od "AI Ops Platform". Zacząłbym od czegoś małego.

To znacznie bezpieczniejsza droga niż budowanie od razu "autonomicznego administratora".

Jak podchodzimy do AI w PRO-Admin?

W praktyce mogą to być między innymi:

• › Jeżeli zwykły skrypt rozwiązuje problem lepiej niż LLM, stosujemy skrypt.
• › Jeżeli wystarczy reguła w systemie monitoringu, nie budujemy agenta.
• › Jeżeli AI pozwala skrócić analizę z godziny do kilku minut, wtedy zaczyna mieć realny sens.

FAQ - AI w administracji IT

Podsumowanie

AI w administracji IT nie musi oznaczać autonomicznego robota zarządzającego całym Data Center. Największa wartość pojawia się dzisiaj znacznie wcześniej. AI może:

Nie każda z tych czynności wymaga tej samej autonomii. I właśnie to jest najważniejsze. Nie pytaj, czy dany proces można zautomatyzować za pomocą AI. Najpierw zapytaj: co się stanie, jeśli AI się pomyli?

AI jest bardzo dobrym narzędziem do skracania drogi od danych do decyzji. Decyzja o tym, ile kontroli mu oddać, nadal jest zadaniem człowieka.