当 AI 处理了你 95% 的故障响应时，你对真正重要的那 5% 会不会变得更不擅长？

Elizabeth 2026年2月28日 2053 分享

💌大家好，我是来自 SigNoz 的 Elizabeth！

这封通讯是一次坦诚的尝试，聊聊所有相关话题——可观测性、OpenTelemetry、开源，以及介于其间的工程实践！
&
这篇文章花了 6 天 5 小时才打磨完成，希望你喜欢。🌚

如今科技圈里流传着两个流行的预言。

第一个说 SRE 是所有软件工程的未来，随着 AI 编写越来越多的代码，留下来的人类将是那些维持系统存活的人。第二个说 AI 会生吞每一个技术岗位，包括 SRE。如果你是一名 SRE，正试图弄清楚 2027 年的周二会是什么样子，那么这两个预言都帮不上什么忙。

让我们通过观察已经发生的事情，来问一个更接地气的问题：当 AI 处理了你 95% 的故障响应时，你对真正重要的那 5% 会不会变得更不擅长？

我们大多数人已经在日常工作中使用 AI（脑子都有点烧糊了！），SRE 们也是如此。今天讨论的议程不是 AI 是否会取代 SRE，而是 AI 是否在悄悄削弱 SRE 的能力，以及在下一场新颖的故障降临之前，是否有人会察觉到任何异常。整场辩论的基础框架来自一篇 1983 年的研究论文，它惊人地具有先见之明。

自动化的讽刺：第一部分

作者注：以下是自动化史的一个简短前奏，如果你喜欢历史与文化（像我一样 😉），可能会喜欢。

1983 年，一位名叫 Lisanne Bainbridge 的认知心理学家发表了一篇题为《自动化的讽刺》的论文。它成为人因研究领域被引用最多的论文之一，而其核心论点在今天看来几乎令人不安地切中要害。

Bainbridge 研究了当工厂和工业系统将蓝领操作员的工作自动化后发生了什么。研究结果自相矛盾，并揭示出：一个流程自动化程度越高，在自动化罕见的失效时刻，人类操作员就变得越关键，而他们得到的练习却越少，在正是那些干预环节上的表现也越差。自动化本质上是为了把人从循环中移除，结果却留给了他们最糟糕的工作，即长时间的被动监控，间或被罕见的高风险危机打断，而他们对此越来越缺乏准备。

是不是听着有点耳熟？🙂

基本上，我是在把 AI 革命与工业自动化做类比。工业自动化接管了例行的体力任务，重塑了蓝领工作，留下来的工人不得不处理那些他们已经丢失肌肉记忆的例外情况。AI 对知识工作者做着同样的事：接管例行的认知任务——模式匹配、分诊、已知问题的解决——把罕见的、复杂的、模糊的问题留给人类。

而这些恰恰是需要深厚专业知识的问题，也恰恰是当你停止练习就会萎缩的专业知识。

现在，我们正随着 AI 代理重演这一模式，而软件系统中的赌注只会越来越大。

当前 SRE 领域的 AI 应用状况

让我们来盘点一下，如今站点可靠性工程（SRE）领域的现状。

哪些环节已经实现自动化或得到 AI 的深度辅助？

告警降噪与智能分组、针对已知问题的 runbook 执行、日志模式检测与异常标记、基于历史事件数据的基础根因建议，以及对已充分理解的故障模式（例如重启崩溃的 pod、为负载过高的服务扩容）进行自动修复——这些如今都已相当自动化。

哪些能力即将到来？

一些近期的目标包括：跨指标、日志与追踪的多信号关联分析；对部分可理解的故障进行自主根因分析；在用户受影响之前预测事件；AI 驱动的变更风险评估与自动回滚。

PagerDuty 将其归纳为一个分级模型。

• 一级事件：已知问题且有已知修复方案，完全自动化处理。
• 二级事件：问题只被部分理解，由 AI 给出建议、人类进行验证。
• 三级事件：新颖、复杂、级联式的故障，仍由人类主导，AI 提供辅助上下文。

但问题就出在这里。

如果人类 SRE（好吧，现在我们都得加上「人类」这样的形容词了 🥹）只处理三级事件，也就是那些新颖、前所未见的故障，他们又该在哪里培养处理这些故障的直觉呢？直觉通常来自多年的亲身事件响应、通过反复实践建立起来的模式识别，以及那种对系统的本能理解——而这种理解，只有在半夜被叫醒、去解决那个让系统宕机的 bug 的痛苦经历中才能培养出来。

如果你想读到更多犀利观点，欢迎订阅。我们正在酝酿一些很棒的内容！

技能退化危机

从这里开始，情况变得模糊了。我们来看一些关于 AI 导致多个领域技能退化的新兴研究，它们描绘出一幅一致而令人担忧的图景。

在医学领域，最近的一项研究发现，使用 AI 辅助进行息肉检测的内镜医生，在一段时间的 AI 使用后，其无辅助检测率从 28% 降至 22%。他们本应是该领域的专家，却在自己本应擅长的事情上变差了——不是因为忘记了理论，而是因为不再锻炼这项技能。

在航空领域，研究表明，严重依赖自动驾驶系统的长途飞行员，其情境意识和手动飞行能力出现了可测量的退化。这个问题严重到美国联邦航空管理局（FAA）现在强制要求增加手动飞行时间，以抵消这种影响。

在过去一年左右的某个时候，AI 不再是我偶尔使用的工具，而变成了我总是首先使用的东西。我现在的本能是尽可能外包，只在绝对不可避免的地方才动用我自己的思考。问题在于，这些时刻正成为我的大脑唯一得到的锻炼，而我能感觉到那种生锈。

我们可以从中总结出一个模式。你让系统处理得越多，你自己处理事情的能力就越差——而真正危险的部分在于，你感觉不到它正在发生。它被伪装成超高效。认知研究表明，由于 AI 工具让任务感觉更轻松并提升了可见的绩效，用户往往无法准确判断自己技能的真实状态。你感觉自己很称职，仪表盘一片绿色，然后在某个周三，一个 AI 从未见过任何模式的全新事件袭来，你才意识到肌肉已经萎缩了。

对 SRE 来说，这体现在具体方面：我们不再阅读原始日志流，因为 AI 会替我们总结；我们不再在事件中形成假设，因为 AI 会建议根因；我们不再构建系统架构的心智模型，因为 AI 会替我们映射依赖关系。这些单独来看每一项都像是效率提升。但合在一起，它们掏空的正是让 SRE 在事情以无人预料的方式出错时能够有效应对的那份专业能力。

但还有比技能退化更令人担忧的事情，研究人员开始称之为从未习得技能（never-skilling）。技能退化意味着你曾经拥有一种能力，但后来失去了它。从未习得技能意味着你从一开始就没有培养出它。对于今天进入这个领域的初级 SRE 来说，在 AI 处理大部分事件响应工作流的环境中，通过动手实践来建立基础直觉和肌肉记忆的机会正在消失。

培训管线本身已经断裂，而且并非自愈。

SRE 意识到自己的技能在退化，于是更多地依赖 AI 来弥补，这又进一步加剧了技能退化，形成一个难以逃脱的恶性循环。