В рамках крупнейшей отраслевой конференции IT Elements, посвященной ИТ-инфраструктуре и цифровым решениям, состоялся круглый стол «ИИ в наблюдаемости: от подсказок к действиям — и цена ошибки». Лидеры рынка обсудили, где заканчивается мода и начинается практическая отдача от нейросетей, а главное — кто несет ответственность, когда ИИ ошибается.

Участники дискуссии сошлись во мнении, что рынок находится на переходном этапе. Если классические ML-модели (поиск аномалий, бейслайны) уже стали базой мониторинга, то генеративные LLM-модели пока проходят стадию пилотных проектов. При этом GMONIT уже сегодня предоставляет клиентам механизмы для практического использования ИИ: платформа поддерживает подключение внешних и внутренних языковых моделей через MCP (Model Context Protocol), а также дает доступ к структурированным данным для построения аналитики и рекомендаций.

Андрей Орлов, руководитель отдела клиентского опыта GMONIT, подчеркнул, что ключевая ценность современных инструментов — это не замена инженера, а предоставление ему качественного контекста и ускорение анализа.

Андрей Орлов

руководитель отдела клиентского опыта GMONIT

«Если мы без своего интеллекта начинаем использовать искусственный интеллект, то пользы в этом особо не будет. Место И И в мониторинге — это точечная проверка, поднятие на следующий уровень и предоставление контекста. ИИ может заменить рутину: подготовку постмортемов, первичный разбор алертов. Но если мы пытаемся решить всю проблему целиком, „натравливая“ LLM на весь поток логов, мы упираемся в лимиты токенов и риски безопасности».

Эксперты круглого стола отметили, что основные боли, которые сегодня закрывает ИИ в мониторинге, — это шум алертов и нехватка квалифицированных кадров. Кейсы GMONIT показывают, что грамотная интеграция LLM позволяет находить неочевидные корреляции, которые инженеры пропускали годами, экономя часы работы и предотвращая финансовые потери. При этом важно соблюдать баланс: для простых задач, где работают детерминированные правила и правильно настроенная телеметрия, использование тяжёлых моделей может быть экономически нецелесообразным. Именно поэтому GMONIT делает ставку на гибридный подход, где ИИ применяется там, где он дает реальную отдачу.

Отдельно участники остановились на кейсах, когда нейросети давали ложные рекомендации, приводящие к деградации сервисов. Позиция GMONIT в этом вопросе однозначна: ответственность за принятие решений в критической ситуации не может быть полностью переложена на «черный ящик».

Андрей Орлов

руководитель отдела клиентского опыта GMONIT

«Роль и ответственность вендора заканчивается на том, чтобы его система работала так, как задумано. Но в любом случае остается человек, принимающий решения по каждому из инцидентов. ИИ — это советчик, но не диктатор. Если инженер слепо доверяет галлюцинации модели, это проблема процесса, а не только технологии».

Эксперт GMONIT также отметил, что для минимизации галлюцинаций ИИ необходима правильная «почва» — качественные и структурированные данные. В этом контексте Андрей Орлов рассказал о технологическом векторе развития платформы.

Андрей Орлов

руководитель отдела клиентского опыта GMONIT

«Мы движемся в сторону гибридного подхода. GMONIT — это вендор-агностик для моделей. Мы не выпускаем новые фичи в интерфейсе без релиза в MCP и скиллов. Мы даём клиентам механизм подключения: используйте хоть OpenAI, хоть внутренние корпоративные модели. Наша задача — предоставить им безопасный доступ к данным (metrics/logs/traces) и инструменты для анализа».

Главный вывод дискуссии: ИИ в мониторинге сегодня рассматривается скорее как инструмент, усиливающий работу инженера, а не заменяющий её. Участники сошлись на том, что ключевыми условиями эффективного применения остаются качественные данные, прозрачные процессы и четкое распределение зон ответственности.