Аналитический материал

Инфраструктура может сама заметить приближение сбоя и изменить распределение ресурсов. Но в тот момент, когда оператору нужно проверить такое изменение, полной картины уже может не быть: часть данных пришла из внешней системы, модель обновилась у поставщика, а последствия затронули несколько связанных слоёв.

Такой конфликт становится обычным для вычислительной среды. AI, периферийные вычисления, распределённые системы и растущие угрозы безопасности делают управление инфраструктурой сложнее, даже когда отдельные операции удаётся автоматизировать. (Network World, «AI, edge, and security: Shaping the need for modern infrastructure management», январь 2026)

Июльский инцидент CrowdStrike 2024 года показал, как программное изменение может выйти за пределы приложения или одной команды. Network World пишет, что последствия этого события ощущаются до сих пор и, вероятно, будут ощущаться ещё долго. Источник не даёт полной хронологии инцидента, поэтому здесь важен не технический разбор, а вопрос контроля: кто проверяет изменение, которое способно стать инфраструктурной проблемой? (Network World, «What is AI networking?», ноябрь 2024)

Когда сети снова становятся видимыми

Компании активно вкладываются в AI-инструменты и проекты, но обновление сетей нередко остаётся за пределами тех же инвестиционных планов. Это наблюдение InformationWeek особенно важно потому, что AI-система состоит не только из ускорителей и моделей. В практическом руководстве Mirantis к её инфраструктуре отнесены каналы данных, вычисления, сети, хранилища, оркестрация, наблюдаемость, безопасность и инструменты MLOps. (InformationWeek, «AI network readiness: Is your infrastructure prepared?», май 2026; Mirantis, «Building AI Infrastructure: A Practical Guide», 2025)

Модель может работать в лаборатории, но остановиться на сети, хранилище или мониторинге. Поэтому вопрос не сводится к тому, хватает ли компании серверов. Нужно понять, меняет ли AI само содержание инфраструктурного управления.

У этой загадки есть простые объяснения. Сети могли устареть. Сотрудникам может не хватать навыков. Руководство могло недоинвестировать в пропускную способность и наблюдаемость. Каждая причина реальна, но ни одна не объясняет, почему более точное прогнозирование способно увеличить, а не уменьшить управленческую нагрузку.

Облачная эпоха приучила компании считать инфраструктуру фоном. Поставщики брали на себя значительную часть «недифференцированной тяжёлой работы», а заказчики могли не заниматься каждым физическим и операционным слоем самостоятельно. Сеть всё чаще воспринималась как услуга, а не как стратегический актив. (InfoWorld, «AI makes networking matter again», март 2026)

Теперь это допущение слабеет. AI-нагрузки распределяются между дата-центрами, периферийными площадками, приложениями и средствами безопасности. Network World отдельно предупреждает, что внимание к вычислительным ресурсам часто заслоняет значение подключения в эпоху агентного AI. Это позволяет предположить: сеть возвращается в центр управленческого внимания не сама по себе, а потому, что от неё зависит согласованность множества автономных компонентов. (Network World, «Network evolution for the Agentic AI era», июнь 2026)

Физический масштаб тоже растёт. По данным AFCOM, которые приводит Network World, средняя плотность стойки составляла в 2021 году 7 кВт. Тот же материал утверждает, что современная сложность сетей и дата-центров уже не позволяет полагаться только на ручной надзор. (AFCOM / Network World, «Digital twins reshape network and data center management», апрель 2026)

Модернизация поэтому означает не только покупку нового оборудования. Она требует общей картины происходящего, подготовленных специалистов, правил принятия решений и координации между командами. Новая мощность без этих условий может ускорить уже существующий беспорядок. (Network World, «Enterprises to prioritize infrastructure modernization in 2026», декабрь 2025; InformationWeek, «Can AI agents solve monitoring and scaling crises on the network?», июнь 2026)

Проблема уже шире серверной.

Узкое место — физическое и организационное

AI-экономика опирается на физическую систему, которую нельзя обновить одной программной установкой. Электросети, разрешения на строительство, подключение к энергоснабжению, поставки материалов, стоимость строительства и географическая концентрация нагрузки способны ограничить развертывание сильнее, чем возможности модели.

В исследовании Deloitte 72% опрошенных руководителей энергетических компаний и дата-центров назвали мощность и пропускную способность электросетей очень или чрезвычайно сложными вызовами. За пять лет материалы, включая сталь, алюминий, медь, древесину и цемент, подорожали на 40%. (Deloitte, «Can US infrastructure keep up with the AI economy?», 2025)

Внутри организации возникает похожий разрыв. Предприятия финансируют AI, но сетевые обновления не всегда попадают в тот же бюджет. Кроме того, навыки сетевых специалистов отстают от требований к эксплуатации AI и автоматизации. WWT связывает нехватку видимости с реактивными циклами «снести и заменить»: компания не может спланировать осмысленную модернизацию и меняет оборудование уже после появления проблемы. (InformationWeek, «Can AI agents solve monitoring and scaling crises on the network?», июнь 2026; Network World, «Enterprises to prioritize infrastructure modernization in 2026», декабрь 2025)

Отсюда возникает правдоподобная теория. AI-инфраструктуре будто бы просто не хватает модернизации: нужно обновить старые сети, добавить автоматизацию, обучить сотрудников — и эффективность последует сама собой.

Эта теория не глупа. В Network World приводится позиция, что унаследованные сети не выдерживают требований AI-нагрузок. IBM описывает системы, которые анализируют данные приложений и оборудования, находят закономерности и заранее меняют ресурсы и процессы, пока проблема ещё не стала сбоем. (Network World, «Rami Rahim’s message for network pros», июнь 2026; IBM, «How to Optimize IT Infrastructure with AI», 2025)

AI действительно может обработать больше операционных данных, чем отдельная команда. Он способен найти признаки напряжения и предложить перераспределение ресурсов. В моделях предиктивного обслуживания датчики и исторические сведения поступают в аналитическую систему, та расставляет приоритеты для вмешательств, а результат вмешательства создаёт новые данные для следующего цикла обучения. (IBM, 2025; «Conceptual Framework for Smart Infrastructure Systems Using AI-Driven Predictive Maintenance Models», 2025)

Но прогноз не выбирает цель сам. После него нужно решить, чем пожертвовать: резервом или стоимостью, скоростью или безопасностью, экономией или устойчивостью. Нужно также определить, кто понесёт ущерб, если система ошибётся.

Концептуальная статья SAGE об оценке AI в критической инфраструктуре предлагает учитывать не только точность модели и долю автоматизированных операций. Важны варианты действий, критерии полезности, цели заинтересованных сторон, мониторинг и обратная связь. (SAGE, «Evaluation of artificial intelligence-enhanced critical infrastructure systems: A conceptual framework», 2025)

«AI может поддерживать процессы принятия решений, но не заменяет деловое суждение»

Пакет подтверждает пользу прогнозирования; вывод о том, что оно меняет распределение ответственности, остаётся гипотезой. Но именно эта гипотеза объясняет, почему увеличение вычислительной мощности не гарантирует упрощения управления.

Как прогноз превращается в действие

Операционная архитектура здесь важнее отдельного инструмента. Авторы Frontiers in Artificial Intelligence описывают четыре взаимосвязанных слоя: сбор данных, прогнозное моделирование, аналитика устойчивости и поддержка принятия решений. (Frontiers in Artificial Intelligence, «Multimodal AI fusion for infrastructure resilience: real-time ...», 2025)

Первый слой собирает сигналы от датчиков, приложений и инфраструктурных объектов. Второй превращает эти сигналы в прогноз. Третий оценивает угрозы и расставляет приоритеты. Четвёртый предлагает действие или передаёт его автоматизированной системе.

Каждый переход добавляет собственный риск. Данные могут быть неполными. Модель может опираться на неверное предположение. Аналитика может неправильно ранжировать угрозы. Система может получить право изменить инфраструктуру без достаточного ограничения. Ошибка в начале цепочки тогда превращается в действие, которое выглядит разумным лишь потому, что его исходный сигнал остался незаметным.

Обратная связь делает эту конструкцию меняющейся. Вмешательство меняет состояние инфраструктуры, новое состояние поступает обратно в систему, а следующий прогноз уже зависит от вчерашнего решения. Так обслуживание переходит от реакции на поломку к непрерывному циклу наблюдения, приоритизации и вмешательства. (Multiresearch Journal, «Conceptual Framework for Smart Infrastructure Systems Using AI-Driven Predictive Maintenance Models», 2025)

«идентифицировать, защитить, обнаружить, отреагировать, восстановить»

Такой порядок отвечает не на один, а на несколько разных вопросов. Что происходит? Какая защита уже действует? Как обнаружить ошибку? Кто принимает решение о реакции? Как вернуть работу после неудачного вмешательства?

Зависимость возникает на каждом слое. Организация может видеть метрику, но не знать происхождение данных. Она может пользоваться моделью, но не контролировать её обновление. Она может разрешить автоматическое действие, но не иметь способа быстро его отменить.

Поворот: зависимость, которая меняется

Старая теория модернизации ломается здесь. Даже обновлённая система может опираться на непрозрачную модель, разрозненные данные, внешние обновления и навыки, которыми операционная команда не располагает.

Критический обзор AI как публичной инфраструктуры подчёркивает отличие адаптивных систем от классической инфраструктуры: их поведение способно измениться после запуска, а поставщик может обновить систему на своей стороне без полноценной проверки пользователем. Глобальные поставщики при этом способны переносить между странами собственные настройки, допущения и представления о приемлемом риске. (MPRA, «AI as Public Infrastructure: A Critical Review of the ...», 2025)

Это уже интерпретация: техническая изменчивость становится управленческой зависимостью, если организация отвечает за результат, но не контролирует все условия работы системы.

DHS предупреждает, что внедрение AI в критическую инфраструктуру может усилить уязвимость к критическим отказам, физическим и кибератакам, а также к чрезмерному доверию операторов. Если система перестаёт работать, привычка полагаться на неё сама способна вызвать перебои. (DHS, «Safety and Security Guidelines for Critical Infrastructure Owners and Operators», 2024)

Gartner, по данным CIO, отдельно указывает на риск неправильно настроенного AI и непредсказуемого поведения, возникающего из сочетания небольших изменений. В статье приводится оценка, что такая ошибка в будущем способна остановить критическую инфраструктуру страны G20. (CIO, «AI will likely shut down critical infrastructure on its own, no attackers required», 2025)

«Следующий крупный сбой инфраструктуры может быть вызван не хакерами»

— сказал представитель Gartner Вам Востер.

Это и есть **адаптивная зависимость**: инфраструктура опирается на AI-системы, которые меняют рекомендации и поведение, пока контроль распределён между поставщиком, данными, моделями и операторами.

Термин меняет прочтение прежних фактов. Устаревшая сеть важна не только потому, что она медленная: AI связывает вычисления, связь, хранилища и безопасность так тесно, что слабое звено получает более широкие последствия. Цифровой двойник в этой статье рассматривается как способ поддерживать обновляемое представление о такой системе, когда человек уже не может удерживать все связи вручную. Источник описывает необходимость цифровых двойников, но не доказывает конкретный причинный эффект или внедрение у отдельного заказчика. (Network World, «Digital twins reshape network and data center management», апрель 2026)

Теперь речь идёт не просто о том, сколько автоматизации добавлено. Вопрос в том, кому принадлежит операционное суждение, когда прогноз уже способен менять инфраструктуру.

Цена контроля

Со временем адаптивная зависимость может образовать самоподдерживающийся цикл. Чем больше решений передаётся общим данным, моделям и поставщикам, тем дороже становится независимая проверка каждого компонента. Организация начинает полагаться на те же инструменты, которыми она пытается проверить их работу.

Цена здесь не только денежная. Для проверки нужны специалисты, отдельные измерения, тестовые среды, журналы изменений и время на согласование между сетевой, облачной, инженерной и безопасностной командами. Если ответственность распределена между ними и внешним поставщиком, ошибка может оказаться общей, а владелец решения — неочевидным. Это вывод из описанной архитектуры и из данных о поставщических обновлениях, а не установленный исход конкретного кейса. (MPRA, 2025; Frontiers in Artificial Intelligence, 2025)

Управленцу приходится проверять уже не только доступность сервиса. Нужно выяснять, кто видит состояние системы, кто контролирует обновления и кто принимает на себя риск автоматического выбора.

Независимая наблюдаемость должна быть отдельным требованием. Метрики, на которых основано решение AI, не могут оставаться единственным источником знания о состоянии инфраструктуры. Иначе система фактически проверяет сама себя.

Модели и обновления нужно версионировать и тестировать до развёртывания. Если поставщик меняет систему на своей стороне, организация должна понимать, что изменилось и каким образом это проверяли.

Нужен и человеческий способ отмены. Он не обязан превращать каждую операцию в ручную процедуру, но должен позволять остановить действие, когда цена ошибки высока или объяснение решения недостаточно.

Наконец, автоматические вмешательства следует связывать с понятными целями. Подход Value-Focused Thinking предлагает заранее определить, какие интересы защищаются и как сравниваются стоимость, устойчивость, безопасность и качество обслуживания. Последовательность NIST добавляет к этому путь от идентификации риска до восстановления. (SAGE, 2025; IJERET, 2025)

Цель не в отказе от AI. Зависимость должна быть видимой, ограниченной и обратимой.

Три границы управления

Первую границу показывает программное изменение. Network World ссылается на инцидент CrowdStrike в июле 2024 года как на событие, последствия которого остаются значительными. Этот пример добавляет к обсуждению критерий обратимости: если изменение затрагивает множество зависимых систем, организация должна заранее знать, как его остановить и вернуть прежнее состояние. Источник не предоставляет здесь полной технической хронологии, поэтому более сильные выводы были бы спекуляцией. (Network World, «What is AI networking?», ноябрь 2024)

Вторая граница проходит по электросети. Показатель Deloitte в 72% показывает, что программная адаптивность всё равно зависит от физической мощности, подключения, разрешений, материалов и капитала. AI может распределять доступную нагрузку, но не создаёт новую линию электропередачи и не сокращает автоматически очередь на подключение. (Deloitte, 2025)

Третья граница связана с наблюдаемостью физических активов. Средняя плотность стойки в 2021 году составляла 7 кВт, а Network World считает современную сложность сетей и дата-центров слишком высокой для одного ручного контроля. Цифровой двойник здесь можно рассматривать как управленческую модель, которая помогает связать состояние оборудования и возможные последствия изменений; конкретного подтверждённого внедрения у заказчика источник не приводит. (AFCOM / Network World, «Digital twins reshape network and data center management», апрель 2026)

Эти примеры не являются экспериментами и не доказывают единую причинную закономерность. Они показывают разные ограничения: программное изменение требует обратимости, дефицит электричества — честного распределения, а сложный дата-центр — независимой картины происходящего.

Что автоматизация действительно может дать

Сильнейший контраргумент остаётся убедительным. AI способен раньше человека обнаруживать закономерности, прогнозировать нагрузку, распределять ресурсы и переводить обслуживание от аварийного ремонта к плановой работе. Это поддерживают материалы IBM, архитектура Frontiers и концептуальная модель предиктивного обслуживания. (IBM, 2025; Frontiers in Artificial Intelligence, 2025; Multiresearch Journal, 2025)

В низкорисковых операциях с ясным результатом автоматизация действительно может уменьшить нагрузку. Если действие легко отменить, его последствия ограничены, а состояние системы видно из независимых источников, человеку не обязательно подтверждать каждый шаг. В таком случае AI может убрать рутинный просмотр сигналов и оставить специалисту исключения и спорные решения. Это аналитический вывод из условий обратимости и наблюдаемости, а не отдельный эмпирический результат источников.

Но этот аргумент плохо переносится на критические системы. Там ошибка может затронуть физические процессы, безопасность или множество зависимых организаций. У оператора может не быть времени на ручное расследование, а у поставщика — обязанности немедленно объяснять каждое внутреннее изменение. Поэтому низкорисковая автоматизация не служит оправданием неограниченной автономии.

Модернизация сетей всё равно необходима. Унаследованные сети могут не выдерживать AI-нагрузки, а нехватка сетевых инвестиций создаёт узкое место для вычислений. Однако оборудование и пропускная способность сами по себе не устраняют дрейф моделей, внешние обновления и отсутствие права на отмену. (Network World, «Rami Rahim’s message for network pros», июнь 2026; InformationWeek, «AI network readiness: Is your infrastructure prepared?», май 2026)

Физические ограничения иногда важнее качества модели. Электричество, разрешения и поставки способны остановить проект прежде, чем возникнет вопрос о точности прогноза. Но дефицит ресурсов делает ещё важнее прозрачное ранжирование: кто получает мощность, какой риск считается допустимым и кто объясняет этот выбор? (Deloitte, 2025)

Поэтому руководителям инфраструктуры нужны показатели не только доступности и загрузки. Следует измерять наблюдаемость, обратимость действий, контроль обновлений, человеческое вмешательство, происхождение данных и распределение риска.

Инфраструктура после модернизации

AI не превращает инфраструктуру в единую разумную машину. Он связывает больше компонентов в цепь, где данные влияют на прогноз, прогноз — на действие, а действие меняет условия следующего решения.

Из этого следует практический тест. Может ли организация назвать владельца изменения, независимо проверить его и откатить результат без участия поставщика?

Если ответ отрицательный, модернизация ещё не завершена. Новые серверы и более точная модель могли появиться, но управленческий контроль остался прежним.

AI не обязан привести к катастрофе. Опасной становится не зависимость сама по себе, а зависимость, которую нельзя увидеть, проверить и ограничить.