多少自动化程度算过多了？

2009年6月1日，法航447号班机坠入大西洋，机上228名乘客和机组人员全部遇难。

经过几年的分析，调查人员得出结论，导致坠机的原因之一是自动化程度过高。空中客车A330的飞行控制完全自动化，以至于机组人员失去了优势。当出现令人困惑的信息时，他们做出了错误的决定，导致了事故的发生。

飞行的飞机只是自动化的众多应用之一。既然自动化已经成为企业IT的主要目标——尤其是在IT运营(ops)中——我们应该问这样一个问题：多少自动化才算过多？

技术主导问题

技术支配是指技术对个人的主导影响，从而使他们在技术方面处于从属地位，在决策过程中服从技术。

长期以来公认的技术优势问题是去技能化。去技能化是一种现象，当人们将决策（和其他智力过程）推迟到某些技术时，他们会随着时间的推移而失去技能。

在我们融入技术的生活中，去技能化无处不在。计算器会导致人们失去算术技能。（你最后一次手动执行长除法是什么时候，嗯？）搜索引擎使人们忘记了这样的工具非常适合检索的事实。自动驾驶汽车导致人们失去驾驶能力。

去技能化也会发生在组织中，因为他们会因人员流失而失去熟练的人员。任何不愿将决策推迟到技术的员工可能会在其他地方寻求更具挑战性的工作。

自动化偏见的兴起

对于知识工作者的努力，自动化是一种特别强大的技术主导力量。我们称这种技术主导自动化偏差。

自动化偏见有两个方面。第一个是去技能化：当人们拥有手动完成任务的技能时，自动化该任务将导致这些人随着时间的推移失去该技能。

自动化故事的第二部分更为有害：人们进入一个领域，在这个领域中，以前需要手动完成但现在已经自动化的任务不再首先学习如何完成这些任务。

解决自动化偏差去技能化问题的最有效方法是持续的模拟培训。今天的航空公司确保所有飞行员在其整个职业生涯中继续接受模拟培训，这样他们就不会因为自动化而失去技能。

第二个问题——本质上是劳动力的精简——是一个更大的问题，尤其是在需要专业知识的领域，包括运营。如果自动化剥夺了人们获得职业发展所需专业知识的机会，组织将如何聘用初级人员并将他们培养为高级人员？

为什么自动化偏见是个问题

自动化偏差之所以让运维组织如此担忧，是因为无论自动化有多好，总会有自动化无法解决的问题。如果团队中没有人具备解决问题​​的专业知识，那么组织就会陷入困境。

对这种担忧的一种常见但短视的回应是得出结论，认为组织只是需要更好的自动化。鉴于今天的自动化是人工智能驱动的，而且人工智能还相对不成熟，因此假设像AIOps这样的自动化技术会随着时间的推移而改进是合理的。

那么，也许自动化偏见只是一种成长的痛苦。随着时间的推移，问题会自行解决。

这个论点的问题在于自动化是软件，而软件从来都不是完美的。总会有自动化中断的情况。如果组织还没有采取行动来减轻自动化偏见，那么周围就没有人了解自动化如何运作得足够好来解决它。该组织将再次陷入无解的境地。

两种类型的专业知识

基于模拟的培训可以解决许多去技能化问题，但运维专业知识比此类培训所能提供的更多。

与其他需要高级专业知识的知识工作者活动一样，运维的问题在于高级运维专家成为类比专家。

类比是指人们如何解决他们以前从未遇到过的问题，因为这些问题在某些方面与他们以前解决过的其他问题相似，并且他们能够根据其他相似的问题提出解决手头问题的方法问题。

类比对于解决更困难的操作问题至关重要，包括自动化无法解决的问题。

鉴于现代生产环境的复杂性以及它们之间的差异，拥有不仅能够快速了解​​工作细节而且还可以类比解决更具挑战性问题的专家对于顺利运行至关重要任何运营组织。

此外，类比不是人们可以通过训练或模拟有效学习的技能。它来自经验——经验越多样化，个人就越能运用类比来解决难题。

最佳自动化程度是多少？

对于许多形式的自动化，去技能化并不是一个严重的问题。一般而言，包括操作人员在内的知识工作者在日常工作中可能会面临许多例行的、可重复的任务，这些任务不需要一定的技能水平，如果失去该技能就会导致问题。所有这些例行任务都可以毫无顾虑地自动化。

在另一个极端，组织可能渴望“熄灯”生产环境，完全自动化以至于没有理由开着灯，因为没有人值班。任何拥有这种熄灯环境的组织都可能会失去任何可能在出现问题时通过去技能化或自然减员来解决问题的员工。

因此，随着基于人工智能的自动化变得越来越复杂，组织将达到某个最佳点，在这个最佳点上，自动化的优势足以平衡任何劣势。

找到这种最佳方式取决于相关人员——技术工人，他们必须以某种方式在日常工作中适应自动化。

一定要听高层善于类比的人说的。他们可以解决自动化永远无法解决的问题。尽一切努力留住他们并让他们受到足够的挑战，既可以保持士气，也可以帮助他们保持技能。

还要记住，想出资深人士的唯一方法是从初级人员开始并提高他们的技能。然而，基于知识的培训是不够的，因为它没有解决自动化偏见。

基于模拟的训练更有效，具有讽刺意味的是，人工智能可以驱动基于模拟的训练技术。但即使是这种类型的培训也是不够的。

再多的培训，无论是知识培训还是基于模拟的培训，都无法充分教授类比。培养这种技能的最佳方法是结合指导和经验——换句话说，传统的学徒制。

当然，以学徒制为基础的培训已经存在了几千年，比自动化成为现实还早了很多个世纪。

既然AI正在推动组织寻找和利用专业知识的方式发生范式转变，那么必须牢记过去的教训——尤其是在自动化不断发展的情况下。