SolarWinds发布的一份新报告显示,人工智能正在重塑IT职能角色,80%的从业者表示,其工作重心已逐渐从亲手操作转向监督自动化系统与工作流程。
根据《2026年SolarWinds IT趋势报告:自主IT的人性化面》,随着企业持续扩大AI驱动工具与自动化技术的应用,IT从业人员正越来越多地承担起协调统筹的职责。该报告基于对1048名IT专业人员的调查,重点探讨了企业环境中AI应用所带来的机遇与挑战。
报告指出:"十分之八的IT从业者认同,技术人员正在从执行者转型为协调者——花费在直接执行任务上的时间减少,而用于管理系统、工作流程及AI工具的时间显著增加。"
报告揭示层级认知差距
报告发现,企业高层管理者与一线技术人员在AI准备程度上存在明显认知落差。约47%的C级高管认为所在组织已"极为充分"地准备好应对AI带来的变革,而持相同看法的一线技术人员仅占13%。
与此同时,受访者也反映了AI在日常IT运营中带来的可量化收益:
65%的受访者表示手动工作量有所降低;61%的受访者表示根因分析速度加快;49%的受访者表示AI提升了决策信心。
然而,收益的背后也伴随着更高的工作要求。71%的受访者表示AI使其工作变得更具挑战性,部分原因在于需要核验AI生成的输出内容并管理相关风险。信任问题同样不容忽视——71%的IT专业人员表示需要对AI输出结果进行二次核查,62%的人表示难以完全信赖AI的建议。
在AI采用率方面,各组织情况不尽相同。50%的受访者表示所在组织已接受AI(其中34%表示"较为接受",16%表示"完全接受"),而37%的受访者反映组织内部存在阻力,主要原因涉及基础设施、预算限制或实施复杂度等方面的挑战。
IT角色走向战略化与跨职能化
报告指出,IT职能正朝着更具战略性和自动化驱动的方向演进,52%的受访者表示这两方面均有所提升。与此同时,岗位职责也日趋跨职能化(47%)和复杂化(41%),反映出AI正深度融入更广泛的业务流程之中。
AI还在改变IT团队的时间分配方式。受访者表示,用于制定战略和分析系统性能等主动性工作的时间有所增加,而故障排查等被动响应类任务的占比则有所下降。
构建AI采用的支撑体系
报告重点指出了企业在推动AI采用时需要重点解决的若干领域。超过半数的受访者(56%)表示,更清晰的AI政策与管控规范将有助于他们适应变革,50%的受访者则指出正规化培训的必要性。
数据质量同样是关键因素之一。83%的受访者认为,AI的效能取决于其所能获取的数据的广度与质量。受访者还提到,工具碎片化和缺乏系统集成是有效使用AI的主要障碍。
受访者预计,AI与自动化在IT运营中将扮演越来越重要的角色。超过四分之三的受访者(77%)表示,在自动化水平提升和数据洞察深化的支撑下,所在组织将在未来两到三年内变得更具前瞻性。与此同时,技能缺口、治理合规要求,以及确保AI驱动系统的准确性与可靠性,也将是企业需要持续应对的挑战。
SolarWinds首席技术官Krishna Sai在声明中表示:"AI并没有让IT工作变得更简单,而是让它变得更加举足轻重。在这一环境中表现出色的团队,往往不是拥有最多AI工具的那些,而是那些已建立起完善治理机制与管理框架、真正做到信任并用好AI的团队。"
Q&A
Q1:SolarWinds报告中提到IT角色转变具体指什么?
A:根据报告,IT从业者正从直接执行任务的"操作者"转变为监督和管理自动化系统及AI工具的"协调者"。80%的IT专业人员确认了这一趋势,他们花在手动执行任务上的时间减少,更多精力用于治理系统、管理工作流程和监督AI工具的运行结果。
Q2:企业高管和一线技术人员对AI准备程度的看法为何差距这么大?
A:报告显示,47%的C级高管认为组织已"极为充分"地准备好应对AI变革,而持相同看法的一线技术人员仅有13%。这种认知落差可能源于高管更关注战略层面的AI部署,而技术人员则直面AI输出核验、数据质量、工具碎片化等实际操作层面的挑战,感受到的压力和复杂程度更高。
Q3:IT团队在使用AI时面临的主要障碍有哪些?
A:根据报告,主要障碍包括以下几个方面:一是信任问题,71%的IT人员需要对AI输出进行二次核查,62%难以信赖AI建议;二是数据质量不足,83%的受访者认为AI效能高度依赖数据的广度与质量;三是工具碎片化和缺乏系统集成;四是基础设施、预算限制及实施复杂度方面的挑战;五是正规培训不足,50%的受访者认为需要更系统的培训支持。
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。