#061
2026-11-11

AI 运维说 MTTR 降 60%:快修不等于快恢复

📰 想看更多新闻?
浏览完整新闻列表

本周在盐湖城举办的 KubeCon 北美站上,Red Hat 引用的调查数据相当醒目:92% 的企业已把 AI 放进软体开发生命周期的至少一个阶段,79% 预期在三年内全面采用 AI 代理。AI 运维已经从「要不要用」的问题,变成「值不值得用」的问题——而销售简报里的答案几乎都指向同一个指标:MTTR(平均解决时间)。「MTTR 降低 60%」「MTTR 改善最高 90%」,数字很好看,但没有人在问的那个问题是:时钟到底停在什么时候?

先看时钟的定义。MTTR 里的「R」可以是 repair、recovery、respond 或 resolve,团队应该先约定指的是哪一个。实际上至少有三种时钟在同时跑:生产事故(从告警触发到服务恢复)、程式问题(从发现到修复)、以及 CI 失败(从一次失败执行到所有检查转绿)。DORA 甚至把自家指标改成了「失败部署恢复时间」。三种时钟量的是不同的事、时间尺度差好几个数量级,如果厂商把三者摁进同一个数字宣称「AI 让 MTTR 降了 60%」,应该先问清楚:这到底是哪一座时钟?起点和终点又定义成什么?

更关键的是:模型写出的补丁,不等于已验证的修复。诊断错方向,再快的修复也会落在错误的位置,成本还包括「察觉到修错」的时间;补丁只是把症状静音,恰好执行到的检查全绿,也不代表缺陷消失。还有一个容易被忽略的隐藏成本——审核排队:Sonar 对超过 1,100 名开发者的问卷显示,38% 认为审核 AI 产生的程式码,比审核同事手写的还花时间。模型一天产出十几个补丁,每个审核多花两分钟,这些时间总要有人付帐。再加上反复的 CI 失败(每次失败尝试都是完整的流水线周期)、返工、回归——任何一项都可能把「快修」拖成「慢恢复」。更要小心的是,MTTR 甚至可能「因为错的理由而下降」:把问题标记为无效、或反复重跑到通过为止,时钟提早停了,风险却还在那里。

想独立验证也不容易。METR 在 2026 年 2 月的后续研究就结论「AI 让开发变快」的信号不可靠——开发者可以挑选想提交哪些任务,多个代理并行时时间也更难记录。DORA 的 2025 研究说得更直接:AI 是一个放大器,它放大组织既有的强项,也放大既有的弱项。换言之,别家公司的 pilot 数据、厂商的现场演示,对你的团队都只是弱证据。

那真正的 ROI 怎么量?核心是一道简答题:对流程里的每一个环节,问 AI 到底是减少了工作、挪移了工作、还是新增了工作——只有对端到端时钟的净效果才作数。具体做法:一次只看一个流程(生产事故和程式修复不要混在一起比);用规则把「有 AI/无 AI」的分组指派好,而不是让人自己挑;同级别、同复杂度的事才互相比;起点与终点事件事先写死,时间戳从 CI、工单、事件系统里取,不靠记忆;把第一次人工介入、修复建议、审核通过、验证通过这些中间时间戳都记下来;设最小样本量,并回报中位数与区间,而不只是平均值。

💡 LAFA 观点

24/7 AI 运维的时钟,不该停在「AI 做了一个动作」,而该停在「服务确认恢复且稳定」。LAFA 对每起事件记录从告警、定位、修复到验证的完整时间线,验证通过才算数——MTTR 降了多少,该从你自己的数据里算出来,不是从广告里。