现代 IT 运营仍建立在一个有缺陷的假设之上,即问题将由用户报告。当工单被提交时,性能已经下降,工作已经中断,团队只能被动响应。
这种运营模式在今天的数字化工作环境中难以维持。环境现在跨越云、网络、设备和第三方服务,创造了问题可能随时间悄然积累的条件。当检测依赖用户报告的事件时,问题浮现得太晚,无法防止影响。
隐形 IT 正作为对这种不匹配的响应而出现。它不是等待问题被报告,而是将运营转向预测和预防,在用户受到影响之前在后台解决许多问题。联想的最新研究显示,遥测驱动的支持模式如何通过识别降级的早期信号并主动采取行动来实现这种转变。
随着 IT 环境的持续增长,这种变化变得至关重要。没有它,问题更难发现,也更难解决。
为什么传统支持模式跟不上节奏
最近的行业研究突出了挑战的规模。MuleSoft 的研究显示,企业平均使用 897 个应用程序,但 Salesforce 报告只有 28% 是集成的。由于数据分散在孤立的系统中,早期预警信号经常被遗漏。
传统支持模式是围绕用户报告的可预测问题(停机、性能下降等)构建的。问题发生,用户报告,工程师响应。在今天的分布式环境中,这种序列会造成延迟,因为问题通常在工单创建之前很久就开始发展。用户报告的事件无法提供防止中断所需的早期信号。
联想研究显示,只有 19% 的组织手动检测问题,65% 的组织表示只有在问题发生后才检测到问题。只有 16% 的组织提前识别中断。
解决方案遵循相同的模式,大多数问题在事件发生后手动或自动修复,只有 24% 得到主动解决。这些时间线导致重复事件,因为根本原因通常被发现得太晚。
另一个限制是缺乏个性化支持。只有 27% 的组织根据员工实际使用工具的方式或工作负载的行为来调整支持。由于使用模式在团队、设备或应用程序之间有所不同,通用工作流无法捕获早期和准确干预所需的细微差别。
结果对大多数运营团队来说都很熟悉:
更高的平均解决时间
更多的重复案例
不断升级的运营负荷
这些约束使得随着环境的持续扩展,扩展支持变得越来越困难。
隐形 IT 的模样
隐形 IT 代表了从响应式、工单驱动的支持模式的转变。在这里,IT 团队花更少的时间响应事件,更多时间预防问题,而不是衡量工单关闭的速度,而是朝着更稳定的体验和更少的中断发展。
在实践中,AI 使用来自整个环境的数据来早期发现问题,并为团队提供更清晰的洞察和更多时间在性能下降之前进行干预。
通过试点验证的运营影响:联想的试点项目显示了 AI 增强主动方法的实际好处。40% 的问题在创建工单之前得到解决,支持成本下降 30%,新员工的入职时间改善 50%。
这些收益表明预测性工作流如何减少手动工作负载并改善整体稳定性。
与实际行为一致的支持:隐形 IT 还根据人们实际使用设备和应用程序的方式调整支持。AI 根据工作负载类型、协作模式、设备负载和使用频率构建角色。然后支持自动调整,提高团队间的一致性。
IT 超越可观察性
将隐形 IT 与传统可观察性方法区分开来很重要。可观察性专注于解释问题发生后发生了什么。隐形 IT 旨在改变是否发生中断,将运营从事后分析转向持续预防和稳定。
IT 领导者现在如何领先
解决分散的系统和响应式支持需要的不仅仅是渐进式改进。它需要一套关于 IT 在环境扩展时如何执行的深思熟虑的运营决策。
1. 决定哪些中断时刻是不可接受的
并非每个事件都承担相同的风险。定义稳定性最重要的位置有助于团队将预防努力集中在具有最大影响的系统和工作流上。
2. 决定哪些数据应该首先统一
结合应用程序、端点和支持数据为运营团队提供了依赖关系的更清晰视图。当数据汇集在一起时,AI 可以更早发现问题。
3. 决定自动化在哪里被允许在没有人工批准的情况下行动
随着环境变得更加分布式,自动化必须被信任以快速稳定已知条件,而工程师专注于更高价值的预防和优化。
4. 专业合作伙伴可以帮助加速这些决策
合作伙伴可以帮助标准化数据、测试预测性工作流并在团队转向预防主导的运营时降低风险。
随着数字化工作场所在规模和复杂性方面的持续增长,响应式 IT 的局限性变得更难忽视。隐形 IT 提供了一条通往设计上更稳定、可预测和有韧性的运营路径,而不是依赖中断后的恢复。对于领导者来说,问题不再是是否需要这种转变,而是他们选择如何深思熟虑地进行这种转变。要探索完整的发现和运营建议,请阅读联想的《工作重塑》报告《实现隐形 IT》。
Q&A
Q1:隐形 IT 是什么?它与传统 IT 支持有什么不同?
A:隐形 IT 是一种新的 IT 运营模式,它从响应式支持转向预测和预防。不同于传统模式等待用户报告问题再解决,隐形 IT 使用遥测数据和 AI 技术在问题影响用户之前就主动识别和解决问题,在后台默默维护系统稳定性。
Q2:隐形 IT 能带来什么实际好处?
A:联想的试点项目显示,隐形 IT 可以在创建工单之前解决 40% 的问题,支持成本下降 30%,新员工入职时间改善 50%。同时还能降低平均解决时间,减少重复案例,降低运营负荷,提供更个性化的支持服务。
Q3:如何开始实施隐形 IT?
A:IT 领导者需要做出四个关键决策:确定哪些中断时刻不可接受、决定优先统一哪些数据、确定自动化的权限范围、选择合适的专业合作伙伴。这需要将应用程序、端点和支持数据统一,并使用 AI 技术实现预测性工作流。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。