自动化悖论重现：AI 接管例行工作导致人类应对危机能力下降
SigNoz 团队指出，当前科技圈存在两种极端观点：一是认为 AI 将取代所有技术职位包括 SRE；二是认为随着 AI 编写更多代码，维持系统运行的 SRE 将成为未来软件工程的核心。文章主张这两种预言对实际工作规划帮助有限，更值得关注的是当 AI 处理了 95% 的事件响应时，人类是否会在处理剩下 5% 关键问题时变得更差。
这一担忧源自认知心理学家 Lisanne Bainbridge 于 1983 年发表的论文《自动化的讽刺》（Ironies of Automation）。该研究指出，自动化程度越高，人类操作员在自动化失效时的角色越关键，但同时也因缺乏练习而变得越不擅长处理这些突发状况。
文章将 AI 对知识工作者的影响类比于工业自动化对蓝领工人的影响：AI 接管了模式匹配、分诊和已知问题解决等例行认知任务，留给人类的是需要深厚专业知识的罕见、复杂且模糊的问题。然而，正是这种专业知识会因为停止练习而逐渐萎缩。
SRE 工作流现状：从告警降噪到分层自动化模型
目前 SRE 领域中，许多例行任务已实现高度自动化或 AI 辅助，包括告警噪音降低与智能分组、已知问题的 Runbook 执行、日志模式检测与异常标记、基于历史事件数据的基本根本原因建议，以及针对重启崩溃 Pod 或扩展高负载服务等明确故障模式的自动修复。
未来趋势指向跨指标、日志和追踪的多信号关联分析、部分理解故障的自主根本原因分析、用户受影响前的预测性事件检测，以及由 AI 驱动的变更风险评估与自动回滚。PagerDuty 提出了一种分层模型：Tier 1 已知问题完全自动化；Tier 2 部分理解的问题由 AI 提供建议并经人类验证；Tier 3 新颖、复杂且级联的故障仍由人类主导，AI 仅提供支持性背景信息。
问题在于，如果人类 SRE 仅参与 Tier 3 的新颖故障处理，他们将失去建立直觉的机会。直觉通常源于多年的实战事件响应、通过重复建立的模式识别，以及只有在深夜起床解决导致系统宕机的 Bug 时才能培养出的对系统的深层理解。
去技能化与从未习得技能：跨领域研究佐证能力退化风险
近期医学研究发现，使用 AI 辅助进行息肉检测的内视镜医师，在一段时期后其无辅助检测率从 28% 下降至 22%。这表明他们并非忘记了理论，而是因为停止练习该技能而导致专业能力退化。
航空领域的研究也显示，过度依赖自动驾驶系统的长途飞行员，其情境意识和手动飞行能力会出现可测量的退化。此问题严重到美国联邦航空管理局（FAA）现在强制要求增加手动飞行时间以抵消这种影响。
认知研究表明，由于 AI 工具使任务感觉更轻松并提升可见性能，用户往往无法准确判断自身技能的真实状态。这种现象被称为“去技能化”（deskilling），即曾经拥有的能力因缺乏使用而丧失。对于 SRE 而言，表现为不再阅读原始日志流、不再在事件中形成假设、不再构建系统架构的心智模型，这些看似生产力的提升实际上掏空了应对意外状况所需的专业知识。
比去技能化更令人担忧的是“从未习得技能”（never-skilling）。这意味着初级 SRE 在进入领域时，由于 AI 已处理大部分事件响应工作流，他们根本没有机会通过实作建立基础直觉和肌肉记忆。培训管道因此断裂且无法自我修复，形成恶性循环：SRE 意识到技能退化而更依赖 AI，进而导致技能进一步退化。
应对策略：刻意低效率与人机协作设计
文章并非拒绝 AI 工具，而是主张在整合 AI 的同时采取措施防止技能退化。一种方法是“刻意低效率”，类似于 FAA 强制要求飞行员进行手动飞行练习，SRE 团队可以指定某些即使 AI 能处理的事件作为“人类练习机会”。这是一种长期投资，旨在保持技能新鲜度，尽管可能牺牲快速解决的速度。
另一种策略是设计“人在回路中”（human-in-the-loop）而非“人在旁边”（human-on-the-side）的系统。Bainbridge 的研究指出，仅让人类批准 AI 建议的监督角色会导致警觉性衰退；而让人类与 AI 共同积极解决问题，则能保持认知参与。
SigNoz 表示其产品开发理念是构建一个让 SRE 利用 LLM 能力但人类仍牢牢掌控的 AI 助手。随着信任建立，未来将在明确护栏内启用更多自主性。作为可观测性平台，SigNoz 拥有指标、追踪和日志数据层，旨在构建比通过 API 集成其他工具的产品更深层、更具上下文感知能力的 AI 功能，目标是增强而非取代 SRE。
