Для преодоления разрыва между старыми и новыми системами новая стратегия использует протокол Model Context Protocol (MCP), агентный искусственный интеллект и интеллектуальный уровень абстракции — без необходимости рискованного переписывания кода, пишет на портале The New Stack Сакиб Ян, технологический аналитик в области разработки приложений, FinOps и облачных технологий.

На многих крупных предприятиях технологический ландшафт определяет скрытый разрыв, который приводит к созданию «двухскоростной» ИТ-организации. С одной стороны, нативные облачные приложения создаются с полной скоростью и гибкостью DevOps. С другой стороны, критически важные монолитные унаследованные системы остаются в основном нетронутыми — их считают слишком жесткими и рискованными для модернизации.

В течение многих лет единственным жизнеспособным решением адаптации унаследованных систем был масштабный и зачастую непрактичный проект по переписыванию кода, в результате чего самые фундаментальные системы оставались далекими от современных инноваций. Однако сейчас появляется новая, более прагматичная стратегия, которая использует агентный ИИ и протокол MCP для преодоления этого разрыва.

Вместо замены этих основных систем, этот подход создает интеллектуальный абстрактный уровень поверх них, позволяя современным автономным агентам взаимодействовать с унаследованной логикой стандартизированным, ИИ-нативным способом.

Однако этот подход влечет за собой ряд проблем, выходящих за рамки простого соединения систем. Для успешного их преодоления необходим культурный сдвиг, позволяющий устранить слепое пятно современной методологии DevOps в отношении унаследованных систем.

Что еще более важно, для обеспечения стабильности новых гибридных архитектур требуется новая парадигма валидации. Понимание, полученное от ведущих инженеров, стоящих на переднем крае этих изменений, дает четкую дорожную карту для прохождения этого сложного, но крайне важного пути.

Слепое пятно в современной DevOps

По словам Акаша Агравала, вице-президента по DevOps и DevSecOps компании LambdaTest, занимающейся тестированием ПО на базе ИИ, суть этой проблемы заключается в распространенном, но опасном слепом пятне во многих современных практиках DevOps.

Он отмечает, что команды часто сосредотачивают свои самые передовые стратегии автоматизации и тестирования на новых, нативных облачных сервисах, при этом активно игнорируя унаследованные системы, которые считаются слишком жесткими или сложными для автоматизации.

Культура DevOps ценит скорость и гибкость — качества, которые кажутся несовместимыми с медленной, монолитной природой этих базовых приложений.

Это создает явную ситуационную иронию, которую признают многие корпоративные руководители. В то время как самые сложные инженерные практики применяются к новым, часто менее критичным сервисам, основные, приносящие доход унаследованные системы — те, которые мы считаем абсолютно критически важными для работы, — часто остаются без внимания. И такое игнорирование не устраняет риск, а только усиливает его.

Таким образом, растущее несоответствие между современными и унаследованными частями технологического стека становится значительным, нерешенным источником потенциальной нестабильности и сбоев в работе бизнеса.

Новая стратегия: абстрагирование с помощью агентного ИИ

Вместо рискованной и дорогостоящей модернизации по принципу «снеси и замени», новая стратегия фокусируется на абстрагировании, а не на замене. Цель состоит не в переписывании основных систем, а в создании интеллектуального интерфейса на базе ИИ с использованием протокола MCP.

Такой подход позволяет организациям сохранить стабильную, проверенную временем логику, одновременно раскрыв ее ценность для современных автономных приложений и создав мост между старым и новым без нарушения критически важных операций.

По словам Рахима Бходжани, технического директора Dremio, эта трансформация отражает аналогичную эволюцию, происходящую в рамках платформ данных. В DevOps постоянной проблемой является разрыв между «кодом и контекстом», когда критически важная бизнес-логика остается погребенной в сложных, непрозрачных кодовых базах.

В мире аналитики существует не менее сложный разрыв между «контекстом и анализом», когда корпоративные данные хранятся не только в современных озерах-хранилищах (lakehouses) данных, но и разбросаны по множеству систем — хранилищам данных, стриминговым платформам, SaaS-приложениям и онпремисным хранилищам — которые нуждаются в федерализации для получения единого представления.

Оба эти примера иллюстрируют одну и ту же основную проблему: отсутствие доступного, машиночитаемого контекста, который позволяет интеллектуальным системам беспрепятственно анализировать различные уровни инфраструктуры и данных.

Применяя агентный ИИ и фреймворк MCP, предприятия теперь могут преобразовывать неявные знания — будь то встроенные в код или скрытые в распределенных данных — в структурированный контекст, доступный для чтения ИИ.

Сервер MCP действует как интеллектуальный фасад, предоставляя стандартизированный интерфейс, который позволяет агентам ИИ взаимодействовать как с унаследованными системами, так и с объединенными платформами данных. Эта конвергенция автоматизации DevOps и аналитики данных знаменует собой важный сдвиг: системы и наборы данных, которые раньше были заперты в изолированных хранилищах, теперь могут стать активными участниками современного предприятия, основанного на ИИ.

Необходимость более глубокой валидации

Создание этого интеллектуального уровня абстракции — это только половина работы; обеспечение его надежности при динамической нагрузке агентов ИИ — сложная задача сама по себе. Традиционные методы тестирования, которые могут просто проверять контракт API, недостаточны для этих новых гибридных систем, в которых современные агенты взаимодействуют с унаследованными ядрами.

По мнению Агравала, требуется гораздо более глубокий и целостный подход к валидации. Он считает, что, поскольку эти унаследованные системы имеют столь критическое значение, тестирование должно выходить за пределы уровня API и охватывать базовую инфраструктуру.

Для этих новых рабочих нагрузок MCP команды должны проверять производительность в реальных условиях, тестируя на наличие тонких, но критически важных проблем, таких как утечки памяти или непредвиденное поведение ядра. Это те типы снижения производительности, которые традиционные модульные тесты не способны обнаружить, но которые могут привести к значительной нестабильности в производственных средах.

Для достижения этой цели Агравал выступает за использование тестовой платформы, основанной на наблюдаемости. Это представляет собой фундаментальный сдвиг от простого получения результата теста «прошел» или «не прошел».

Вместо этого платформа, ориентированная на наблюдаемость, соотносит результаты каждого теста с событиями инфраструктуры в реальном времени и метриками производительности. Это дает полную картину поведения системы под нагрузкой, создаваемой ИИ, что позволяет командам понять не только, работает ли соединение, но и как оно влияет на стабильность их наиболее важных унаследованных приложений.

Сокращение MTTR с помощью инсайтов на основе ИИ

Конечной целью этого более глубокого тестирования, основанного на наблюдаемости, является не только обнаружение большего количества ошибок, но и их более быстрое устранение. Ведь для любой DevOps-организации наиболее ощутимая выгода заключается в сокращении среднего времени устранения неисправностей (MTTR).

В сложных гибридных системах, где современный агентный уровень взаимодействует с унаследованным ядром, поиск первопричины сбоя может быть невероятно трудоемким, поскольку проблема может находиться в любой точке распределенного стека.

По словам Агравала, именно для решения этой задачи и были разработаны современные тестовые платформы на базе ИИ. Опираясь на свой инженерный опыт, он отмечает, что агент комплексного тестирования может выполнять распределенное отслеживание как в новых нативных облачных сервисах, так и в базовых унаследованных системах. Сопоставляя события по всему стеку, платформа может предоставить «отслеживаемое обоснование» для любой неисправности. Вместо того, чтобы просто сигнализировать о сбое теста, система предоставляет четкое объяснение причин сбоя, указывая командам непосредственно на первопричину, будь то современный уровень MCP, унаследованное приложение или сама инфраструктура.

Для DevOps-руководителей это последний и самый убедительный элемент головоломки. Обеспечивая такой глубокий межсистемный контекст, проверка на основе ИИ может значительно сократить MTTR, переведя команды от медленной, реактивной отладки к быстрому, основанному на инсайтах решению.

Путь вперед

На протяжении десятилетий модернизация наиболее критически важных унаследованных систем предприятия часто казалась невозможным выбором между высокорискованной полной переработкой и столь же рискованным решением ничего не делать. Протокол MCP и новая волна агентного ИИ теперь предлагают третий, более прагматичный путь. Эта новая стратегия позволяет организациям создавать интеллектуальный, ИИ-нативный уровень абстракции, который сохраняет огромную ценность этих систем без опасности затронуть их ядро.

Ключом к реализации этого подхода является параллельная эволюция в области тестирования. Приняв тщательную модель валидации, основанную на наблюдаемости, команды могут обрести уверенность, необходимую для запуска этих новых гибридных систем в производственной среде.

Этот двусторонний подход, основанный на интеллектуальной абстракции и глубокой валидации, наконец-то позволяет устранить двухскоростной разрыв в ИТ-организации. Таким образом, руководители могут интегрировать свои основные бизнес-активы в рабочие процессы современных агентных приложений ИИ, гарантировав, что ни одна критически важная система не останется без внимания.