企業網路運維團隊正面臨日益嚴峻的壓力，隨著企業著手為AI工作負載改造網路基礎設施與可觀測性工具，這一挑戰還在持續升級。
根據企業管理協會（EMA）基準研究的調查結果，僅有約31%的IT專業人員認為所在組織的網路運維策略完全有效，而這一比例在兩年前還高達42%。上述數據來自EMA《2026年網路管理重大趨勢》報告，該報告基於對北美和歐洲352名IT專業人員的問卷調查。報告指出，當前網路團隊同時面臨多重壓力：人才短缺、工具泛濫、混合與多雲架構的複雜性，以及網路基礎設施本身並非為AI工作負載而設計所帶來的種種挑戰。
EMA網路基礎設施與運營研究副總裁沙默斯·麥吉利卡迪在報告聲明中表示："網路運維人員清楚地知道自己需要改進，但他們沒有得到應有的支持。他們需要預算來填補團隊空缺，需要更好的工具，需要更多的自動化手段，也需要對混合雲和多雲等現代架構擁有更大的話語權。CIO們必須主動行動，給予網路運維團隊應有的支持——尤其是當這些CIO希望推進AI轉型的時候。網路基礎設施將直接決定這些項目的成敗。"
工具泛濫是網路運維團隊長期以來的頑疾。典型的IT組織使用4到10種監控與故障排查工具來管理網路，EMA表示這一數字十多年來幾乎沒有改變。然而，EMA研究發現，工具數量的多少與運營成功率之間並無顯著相關性。
以下數據揭示了當前網路運維領域的改進空間：
58%的網路問題能在影響用戶之前被主動發現；網路監控工具生成的告警中，僅有37%代表真實問題；28%的網路故障由人工操作失誤引發；網路專業人員平均每天有29%的時間花在故障排查上。
麥吉利卡迪在一場關於研究結果的網路研討會上解釋道："IT從業者認為，他們日常處理的網路問題中有53%本可以通過更好的工具加以預防。這也解釋了為何只有31%的受訪者認為自己在網路運維策略上完全成功。工具替換的需求非常普遍——73%的受訪者表示，他們在未來兩年內有可能更換現有的網路可觀測性或網路監控工具。"
人才缺口持續擴大
在招募網路技術專家方面感到困難的組織比例，已從2022年的26%上升至2024年的41%，再到目前的52%。EMA指出，這一短缺在高級和中級崗位上尤為突出，而這些崗位恰恰最需要雲計算、安全和自動化方面的專業技能。
一位就職於《財富》500強娛樂公司的監控架構師在EMA報告中表示："我們被要求用更少的人做更多的事。以前需要25人完成的工作，管理層現在希望我們用10人的團隊搞定。"
人才缺口也在加速推動自動化部署的迫切性。EMA認為，人手不足的團隊需要能自動處理更多日常工作的工具，這樣現有工程師才能專注於更高層次的任務。然而，技能差距本身往往成為實現自動化的最大障礙——團隊中經常缺乏能夠構建和維護自動化流程的專業人員。網路團隊反映的自動化主要障礙包括：
團隊內部技能差距：46%；工具局限性或集成不足：36.4%；數據質量不足或可見性欠缺：31.8%；風險規避或治理約束：31.8%；預算限制：29.8%；組織變革阻力：27.3%；對自動化缺乏信任：25%。
AI驅動的智能體自動化正成為新方向
網路自動化在過去主要集中在資源配置和配置管理，即所謂的"零日"和"一日"工作。如今，重心已轉向"二日"運營，即對生產環境中網路問題的持續檢測、分類、診斷和修復。據EMA報告，79%的受訪者將這些任務的自動化列為高度或極高優先級。
各組織正在尋求AI驅動的智能體自動化工具，這類工具能夠對網路狀況進行推理，並採取自主或半自主的行動。報告發現，55%的受訪者表示AI功能是評估新工具時的必要條件，而AI驅動的洞察與自動化能力，也是他們考慮更換現有工具的首要原因。各組織最希望自動化的"二日"任務包括：
安全響應與遏制：54.3%；容量與性能優化：49.7%；故障修復與自愈：44.3%；配置優化：40.3%；事件關聯與告警降噪：37.5%；變更驗證與回滾：26.4%。
EMA還發現，模型上下文協議（MCP
）支持正成為新興的關鍵使能技術，它為AI智能體提供了與多種網路管理工具交互的標準接口。研究表明，運營成功的網路團隊更傾向於將MCP支持納入智能體AI工具訪問的優先考量。麥吉利卡迪表示："MCP接入點就像是跨越工具泛濫現象的一個抽象層。"
混合雲與多雲管理仍是難題
接受調查的組織中，近七成（69%）運營混合雲環境，66%採用多雲架構。然而，僅有36%的組織表示能完全有效地管理其雲網路，這一差距折射出技術複雜性與網路團隊和雲工程團隊之間文化摩擦的雙重困境。
EMA發現，核心挑戰依然是老生常談的問題：各雲服務商專有的網路構建方式差異顯著、遙測數據不一致、網路團隊技能短缺，以及跨雲和本地環境端到端可見性不足。
麥吉利卡迪表示："我仍然在和一些網路可觀測性廠商交流，他們至今還未能在三大主流雲平台上實現功能對等。他們可能在採集和分析AWS數據方面做得不錯，但在谷歌雲平台上還差得遠，更別提那些次要雲平台了。"
EMA指出，已成功整合IP位址管理並將網路可觀測性工具延伸至混合環境的組織，在整體運營效果上表現更佳，但對於大多數組織而言，這兩項工作仍在推進之中。
AI工作負載對網路提出新要求
近半數受訪者（47.7%）表示，AI訓練或推理工作負載已部署在其網路上，其餘大多數也預計在未來兩年內完成部署。然而，僅有35%的受訪者表示，現有網路可觀測性工具已完全具備管理這些工作負載的能力。
針對AI基礎設施的性能挑戰十分具體：需要同時定位跨網路、應用和GPU集群的問題；需要管理推理尾延遲；還需要將GPU利用率作為網路信號納入可見範圍。團隊最希望補強的工具能力包括：
AI驅動的故障排查與修復：51.3%；主動預警AI相關性能風險：49.3%；通過實時數據包分析實現AI工作負載感知：46.9%；以實時流式遙測替代輪詢間隔：40.2%；關聯GPU、應用與網路性能指標：34.3%。
成功團隊的共同特徵
EMA研究同樣識別出將成功組織與落後組織區分開來的關鍵實踐。研究發現，成功的團隊對網路可觀測性數據持有嚴格的準確性標準，已從腳本和手冊驅動的方式轉向AI驅動和智能體化的管理工具，並將集成優先於整合，聚焦於安全洞察、工作流集成和工具集間的數據共享，而非一味削減工具數量。此外，成功的組織正在構建覆蓋本地和雲基礎設施的統一可見性與安全管控體系。
麥吉利卡迪最後建議："AI網路，或者說為AI服務的網路，將需要一定程度的工具重塑。我建議大家主動與供應商溝通，了解他們是否在思考這個問題。目前來看，大多數供應商還沒有認真對待這件事——很可能是因為沒有聽到來自客戶的聲音。"
Q&A
Q1：EMA報告中，企業網路運維團隊面臨哪些主要挑戰？
A：根據EMA《2026年網路管理重大趨勢》報告，網路運維團隊當前面臨四大核心挑戰：一是人才短缺，招募網路技術專家困難的組織比例已升至52%；二是工具泛濫，典型組織使用4到10種監控工具，但工具數量與運營成功率之間並無顯著關聯；三是混合雲與多雲架構管理複雜；四是現有網路基礎設施難以滿足AI工作負載的需求，僅35%的組織表示現有工具已準備就緒。
Q2：模型上下文協議（MCP）在網路運維中有什麼作用？
A：MCP即模型上下文協議，是一種為AI智能體提供與多種網路管理工具進行標準化交互的接口協議。在網路運維場景中，MCP支持能夠作為一個抽象層，幫助AI智能體跨越工具泛濫的現狀，統一訪問和操作不同廠商的網路管理工具。EMA研究發現，運營成功的網路團隊更傾向於將MCP支持列為智能體AI工具訪問的優先能力，這有助於推動"二日"運營任務的自動化，提升整體運維效率。
Q3：企業網路團隊如何才能更好地應對AI工作負載的挑戰？
A：根據EMA報告，企業網路團隊應從以下幾個方向著手：首先，升級網路可觀測性工具，重點補強AI驅動的故障排查、主動預警和實時流式遙測能力；其次，將GPU利用率等AI基礎設施指標納入網路監控範圍；再者，積極與工具供應商溝通，推動其在AI網路管理方面的產品演進；最後，參考成功組織的經驗，優先推進工具集成與數據共享，構建跨本地和雲環境的統一可見性，並引入智能體化自動化管理工具。
