结果正确，不代表过程正确
大家好，我是金全。
过去十几年，我基本都在和生产系统、故障、监控、可观测性打交道。
所以我看 AI 进入企业，最关心的不是它能不能回答问题，
而是它一旦接入真实系统以后，企业到底敢不敢让它做事。
很多人觉得，AI 最大的风险，是把事情做错。
但企业真正担心的，往往是另一种情况：
AI 把事情做对了。
但它不该这样做。
这才是 AI 进入生产系统以后，一个更麻烦的问题。
结果是对的，过程不对
AI 时代的新风险：不只看结果，还要看边界
举个银行里的场景。
某个企业客户提交授信申请。
AI 根据财务数据、历史交易、征信信息和行业风险，判断它符合授信条件。
最后这个客户也确实没有发生坏账。
如果只看结果，这个判断可能是对的。
但按照银行内部制度，这类授信必须经过客户经理和风险经理双签。
如果 AI 绕过了这个流程，直接把建议推成审批结果，问题就变了。
这时候，企业真正要问的不是：
它判断得准不准？
而是：
它有没有资格这样推进这个流程？
这就是很多人容易忽略的一类问题：
结果是对的，
过程不对。
事情可能办成了。
但不该这么办。
更准确地说，是边界被越过了。
这不是传统意义上的系统故障。
也不是简单的答错一句话。
它是 AI 真正进入业务以后，企业绕不开的一道坎。
演示系统证明能做，
生产系统证明能不能让它做
演示系统证明能做，生产系统证明能不能让它做
今天很多团队做 AI 演示，都会证明一件事：
它能不能完成任务。
能不能查知识。
能不能调工具。
能不能自动执行。
这些当然重要。
但真到企业上线评审、变更评审、风险评审的时候，大家反复问的往往不是“它会不会做”。
而是：
谁授权？
谁负责？
谁能回滚？
谁来审计？
这就是演示系统和生产系统的区别。
演示系统证明能做。
生产系统首先证明能不能让它做。
这句话听起来不酷。
但我做了这么多年 APM、可观测性和生产系统，越来越觉得，这才是企业敢不敢把 AI 放进核心系统的关键。
企业不缺会演示的 AI。
缺的是敢上线的 AI。
更准确地说，缺的是能管住、能追溯、出了事能说清楚的 AI。
这不是多看几条日志能解决的
可观测对象正在变化：从系统状态，到行为状态
前两篇其实已经讲过：
传统可观测性擅长还原系统状态。
但这一篇的问题，不是系统慢没慢、服务挂没挂、调用链断没断。
而是：
AI 的动作，该不该发生？
在刚才的授信例子里，系统可能没有报错。
流程也可能顺利完成。
真正要追问的是：
AI 看到了哪些证据？
为什么把建议推进成了审批结果？
这一步是否被允许？
出了问题谁能接管？
这类问题看的不是系统状态。
而是行动过程。
所以这篇不再重复“传统可观测性为什么看不懂 AI”。
我想强调的是下一步：
当 AI 开始行动，企业要开始管它怎么行动。
它看到了什么。
它依据了什么。
它有没有越过边界。
出了问题谁能接回来。
最后
过去，AI 出问题，企业主要担心的是：
它答错了。
未来，AI 进入生产以后，企业还会遇到另一类问题：
它可能把事情做对了。
但它不该在那个时间、那个权限、那个流程里这样做。
这意味着，AI 的问题已经不只是正确性问题。
而是过程能不能被管住的问题。
过去，企业管理软件运行。
未来，企业还要管理 AI 的行为。
当 AI 开始行动，企业第一次需要回答一个问题：
不是它能不能做。
而是它该不该这样做。
这可能就是 AI 时代新的管理起点。
#AI系统 #AI运行系统 #AI可观测性 #因果AI #AgentOps
推荐阅读
