Ewaluacja opublikowana na arXiv 6 lipca 2026 przepuściła przez modele z wyszukiwaniem kontekstu 302 incydenty Kubernetes zweryfikowane pod kątem jakości i oceniła dwie zdolności osobno. Wskazanie usługi będącej przyczyną źródłową: poprawne w 91,4% do 99,7% przypadków. Wybór prawidłowego działania naprawczego dla incydentu, który model dopiero co zdiagnozował: od 36,8% do 60,3%. Między tymi dwiema kolumnami leży od czterdziestu do pięćdziesięciu pięciu punktów, a ten dystans to najbardziej użyteczna liczba opublikowana o AIOps w tym roku.
To twierdzenie o rodzajach pracy, a nie o jakości modelu. Model dobrze czyta i źle decyduje, a to dzieli rynek na dwie kupki. Część pracy operacyjnej zawodzi widocznie, na oczach osoby, która ją trzyma. Część zawodzi, zamieniając się w działanie na produkcji. AIOps zarabia na tym pierwszym rodzaju i jest obecnie obciążeniem w drugim, a większość rozczarowań na tym rynku bierze się z kupowania go do drugiego po demo z pierwszego.
Korelacja alertów, deduplikacja i pierwszy szkic opowieści
PagerDuty reklamuje swój produkt AIOps jako obcinający szum alertów nawet o 91%. Przeczytaj to obok badania z lutego 2026 na 1039 specjalistach SRE, DevOps i IT operations, sponsorowanego przez NeuBird, w którym 44% zgłosiło awarię w minionym roku powiązaną ze stłumionymi lub zignorowanymi alertami. Korelacja, która składa czterdzieści wezwań w jeden incydent, to realny zysk. Korelacja, która po cichu decyduje, których wezwań nigdy nie zobaczysz, to sposób, w jaki powstaje te 44%, a różnicę robi to, czy grupowanie da się obejrzeć.
Najsilniejsze przypadki to te, które człowiek sprawdzi w kilka sekund. Model, który czyta historię deploymentów, przesunięcie metryki i trzy strumienie logów, a potem pisze szkic narracji incydentu, wykonuje pracę, którą inaczej robi o 3 nad ranem ktoś ze słabą pamięcią, a kiedy się myli, dowód leży w napisanym akapicie. Wyjaśnianie, dlaczego ruszyła faktura, to zadanie tego samego rodzaju, pełne korelacji, które człowiek zauważa miesiąc za późno - a raport State of FinOps 2026 od FinOps Foundation, wydany 19 lutego 2026 na próbie 1192 respondentów zarządzających rocznymi wydatkami przekraczającymi 83 mld USD, wykazał, że 98% z nich zarządza dziś wydatkami na AI, wobec 31% dwa lata wcześniej. Zamiana rozwiązanego incydentu w spisany runbook jest jeszcze lepsza: fakty są ustalone, a najgorszym możliwym skutkiem jest człowiek poprawiający jedno zdanie.
AI code review na infrastrukturze łapie jedną klasę błędów i jest ślepe na drugą
Veracode 2026 GenAI Code Security Report, opublikowany 28 lipca 2026, przetestował ponad 100 modeli i wykazał, że średnia zdawalność testów bezpieczeństwa utknęła na 56%, o punkt wyżej niż 55%. Mniej więcej 44% zadań generowania kodu wprowadzało ryzykowną podatność, gdy nikt nie prosił wprost o bezpieczeństwo. Najlepszy wynik, GPT-5.5, sięgnął 68%, wciąż oblewając jedno na trzy zadania bezpieczeństwa.
Użyteczna jest tu właśnie ta nierówność. Te modele zdawały zadania z SQL injection w 83% przypadków, a z kryptografii w 87%, ale cross-site scripting tylko w 15%, a log injection w 12%. Recenzent AI jest mocny w tym, co widział oznaczone tysiąc razy, i niemal ślepy poza tym, a przy tym nie powie Ci, w którym trybie właśnie jest. Na diffie infrastructure-as-code używaj go jako drugiego czytelnika do błędów oczywistych po fakcie: security group otwarta na 0.0.0.0/0, zmiana, która jest podmianą, a nie aktualizacją. Nie rób z niego bramki: klasy, które pomija, to te, dla których nikt nie napisał reguły.
Autonomiczna naprawa to miejsce, w którym dowody przestają wspierać ofertę
To samo badanie niesie wynik, który powinien zamknąć rozmowę o self-healingu na kolejny rok. Nawet wtedy, gdy model poprawnie wskazał zarówno usługę będącą przyczyną źródłową, jak i rodzaj awarii, wybierał nieprawidłowe działanie naprawcze w od 39,5% do 62,0% tych poprawnie zdiagnozowanych incydentów. Diagnoza nie przenosi się na działanie. Prognoza Gartnera z czerwca 2025, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027, wymieniła niewystarczające kontrole ryzyka obok kosztów - i to właśnie ich brakuje.
Planowanie pojemności zawodzi z pokrewnego powodu: model produkuje pewną siebie liczbę z cienkich przesłanek, a pewna siebie liczba to dokładnie to, czego chce spotkanie planistyczne. Artykuł 14 unijnego AI Act jest napisany właśnie przeciwko temu - wymaga, żeby osoba sprawująca nadzór mogła przerwać działanie systemu wysokiego ryzyka i zatrzymać go w stanie bezpiecznym, i nazywa automation bias tym, czemu nadzór musi się opierać.
Pułap wydatków musi stać wyżej niż konsola rozliczeniowa dostawcy
W maju 2026 autonomiczny agent dostał nieograniczone poświadczenia AWS i polecenie przeskanowania portów DN42, sieci hobbystycznej. Postawił pięć instancji m8g.12xlarge, po 48 vCPU każda, plus load balancery i funkcje Lambda, a potem raz za razem aplikował ten sam szablon CloudFormation. Operator dowiedział się o tym mniej więcej 24 godziny później z obciążeń karty kredytowej na łączną kwotę 6531,30 USD - za workload, który zdaniem społeczności zmieściłby się na VPS za 5 USD miesięcznie. AWS obniżył potem rachunek do 1894 USD. Zabezpieczeniem, które zadziałało, był kredyt z dobrej woli.
Narzędzia budżetowe żadnego z dużych dostawców by tego nie zatrzymały i wszyscy trzej piszą o tym wprost. Amazon dokumentuje AWS Budgets jako odświeżane do trzech razy dziennie, przy czym każda aktualizacja jest zwykle o 8 do 12 godzin spóźniona względem poprzedniej - rytm zbudowany dla ludzi, którzy popełniają kosztowne błędy pojedynczo. Microsoft stwierdza, że przekroczenie progu budżetu w Azure nie wpływa na zasoby ani nie zatrzymuje zużycia, a dane kosztowe są zwykle dostępne w ciągu 8 do 24 godzin. Google Cloud stwierdza, że budżet działający wyłącznie na alertach nie ogranicza automatycznie zużycia ani wydatków. AWS dostarcza otwartoźródłowe rozwiązanie Budget Controls, które działa przy 90% budżetu, obejmuje cztery usługi w jednym regionie i przyznaje, że storage i sieć naliczają opłaty dalej. Trzyosobowa agencja, opisana w lipcu 2026, dostała jednodniowe obciążenie AWS na 14 000 USD przy normalnym rachunku miesięcznym od 10 do 15 USD, po tym jak atakujący ściągnęli statyczne klucze z instancji i wydali je na wywołania modeli w Bedrock.
Naszą odpowiedzią jest postawienie limitu tam, gdzie wydawane są poświadczenia, a nie tam, gdzie składana jest faktura. Wydatki w Sencai są śledzone na bieżąco według dostawcy, projektu i środowiska, z limitami i budżetami, które alarmują w trakcie naliczania, a nie w cyklu rozliczeniowym trwającym od 8 do 24 godzin. Automatyczne działanie po przekroczeniu limitu jest na naszej mapie drogowej i nie zostało wydane, więc dziś poświadczenie wciąż odbiera człowiek. AI to jedyny budżet, który potrafimy ograniczyć z góry: kupuje się ją w kredytach, a kredyt to ustalona kwota pieniędzy, a nie liczba tokenów, więc zmiana ceny modelu przesuwa to, ile tokenów kupuje kredyt, a nigdy to, ile on jest wart. Każdy płatny plan osobisty ma miesięczny przydział i twardy pułap ustawiony jako jego wielokrotność, więc skrypt, który wymknie się spod kontroli, nie wyprodukuje nieograniczonego rachunku. Runbooki są bramkowane zatwierdzeniem z tego samego powodu: model proponuje, wykonuje nazwany człowiek.
Ślad audytowy, który potrafi powiedzieć, czy zrobił to człowiek, czy model
Artykuł 12 ust. 1 unijnego AI Act wymaga, żeby systemy wysokiego ryzyka technicznie umożliwiały automatyczne rejestrowanie zdarzeń przez cały cykl życia systemu, a artykuł 26 ust. 6 wymaga od podmiotów stosujących przechowywania tych rejestrów przez co najmniej sześć miesięcy, chyba że inne prawo mówi o dłuższym okresie. Jeśli planujesz pod datę sierpnia 2026, popraw to. Rozporządzenie (UE) 2026/1744, Digital Omnibus w sprawie AI, obowiązujące od 27 lipca 2026, przesunęło samodzielne systemy wysokiego ryzyka z załącznika III na 2 grudnia 2027, a systemy wbudowane w produkty z załącznika I na 2 sierpnia 2028. Daty się przesunęły; obowiązki nie.
Operacyjny powód, żeby to zbudować, nie ma nic wspólnego z terminem. Sześć miesięcy po incydencie pytanie brzmi, czy zmianę zrobił człowiek, czy model, a konfiguracja, która zapisuje działania AI w jednym systemie, a ludzkie w drugim, nie odpowie na nie bez joina, któremu nikt nie ufa. Odmówiliśmy prowadzenia dwóch rejestrów: działania modeli i działania ludzi lądują w jednym śladzie append-only. Sencai eksportuje go jako CSV z entry_hash i prev_hash w każdym wierszu, więc czytelnik, który nie wierzy nam na słowo, może przeliczyć łańcuch od nowa. Polem, które zasługuje na swoje miejsce, jest to małe obok aktora - mówiące, czy zmiana przyszła od człowieka, czy od modelu, który wydaje przydział konkretnej osoby.
Reguła, która wynika z tych dowodów, jest nieefektowna i się trzyma. Pozwól modelowi czytać wszystko, także rzeczy, które czyta źle, bo złe odczytanie widać w akapicie, który napisał. Pozwól mu pisać tylko tam, gdzie nazwany człowiek podpisuje zmianę, a pod spodem leży limit na poświadczeniu na wypadek, gdyby ten człowiek też się mylił. Między powiadomieniem od dostawcy w cyklu od 8 do 24 godzin a kimś, kto czyta pocztę w dni robocze, jest czujka dymu i żadnej instalacji gaśniczej. Operator DN42 miał czujkę dymu.