在未来十年，IT领域将经历重大变化，并且，IT管理员的角色将不断演变，他们将承担新的职责。未来十年的重大变化包括完全依赖虚拟化自动化和混合云平台–这些已经成为现代IT领域服务提供商和大型企业的标准操作程序。

并不是说管理员完全不通过自动化完成IT任务，也不是说数据中心应该完全迁移到公共云或完全留在企业内部。虚拟化自动化和混合云已经开始影响管理员的日常生活，这些管理员必须开始关注如何部署这些技术来成功实现系统现代化。管理员还必须了解，自动化并不是系统部署和管理的最终目标。

机器人

虚拟化自动化的主要好处之一是消除每个系统中的人工干预和手动编写脚本。管理员可以集中创建自动化策略并将其推送到设备组。即使是Puppet和Ansible等配置管理供应商也使用自动化技术来完成很多IT操作。

这样做的结果是，管理员将其网络的很多管理和自动化操作移交给AI工作者-这通常是管理应用程序的形式。有些AI工作者基于云，例如Microsoft Intune，而其他不是，例如VMware的vSphere平台。

即使是小型企业网络，也依赖某种形式的自动化，尽管它们通常使用管理员精心整理的脚本集。大多数中小企业尚未超越Microsoft Active Directory强制执行的组策略对象（GPO）范畴，并且他们通常采用VMware的分布式资源调度程序（DRS）来自动执行任务。

在较大型企业中，使用GPO和DRS通常不会削减成本。很多人选择用Turbonomic（以前称为VMTurbo）来代替DRS，或选择竞争对手的产品，这些产品可提供改进的资源调度以及资源规划和超额配置分析。但是某些端点管理应用程序（例如Intune）会增强GPO，而端点保护应用程序提供了一种实现自动化策略的方法。

自动化策略减少负载，但没有减少工作量

基于模板和配置文件的策略管理是先前管理方法的逻辑演进。它是一种自动化形式，这种管理使现有管理员能够解决其业务范围内不断增长的系统数量，从而减少了可用作业的数量。

管理员通常会利用他们可用的工具在规定的时间范围内完成任务。但是，基于工具可用性来选择所采取的方法非常费力。基于配置文件和基于模板的策略部署使管理员可摆脱繁琐的单独管理系统工作，不过，由于企业内部系统的增加，这会引入与定义策略相关的任务。

新型的自动化甚至可以接管管理员的策略定义工作，使这些管理员可以自由地监督其他任务。

超越AI和机器学习的炒作

人工智能和机器学习可以为很多管理员减轻定义策略的负担。端点保护产品越来越多地利用AI和机器学习-不仅有助于检测安全风险，而且还可以自动确定应采取的策略。

基于云的AI工作者可以关联有关策略实施的遥测数据，直到系统对安全默认值有了新的认识。此外，自动事件响应不仅有助于标记潜在的安全漏洞，而且还有助于连接安全系统到基础架构，从而自动隔离高风险系统。

但是部署AI和机器学习技术可能会给某些管理员带来麻烦。由于策略执行自动化是零散的，机器学习革命也是如此-现在需要额外的云管理。

例如，Wi-Fi接入点和相关管理软件比某些管理员认为的更难部署。也许没想到的是，这些系统需要极少的发射功率。否则，这些设备都将无法相互通信，因为周围区域中的每个设备都要传输自己的信号。

即使部署所有正确的工具，管理员也可能会遇到这样的麻烦。Wi-Fi环境是动态的，如果管理员未正确配置其访问点，WiFi环境很容易崩溃。Wi-Fi产品可不断扫描无线电环境中的Wi-Fi和蓝牙，然后优化接入点以服务相关客户。

就个人而言，人工智能和机器学习并不是改变生活的技术。它们各自都有其优势和用例，特别是对于大型组织。但是AI和机器学习可帮助更好地应对常见痛点问题。

大数据计算分析工具并不是新鲜事物，无论是机器学习还是AI。但是，机器学习和AI已从业务分析转向提高IT运营效率。基于混合云的AI工作者进入数据中心，是为了帮助企业利用相同人数管理更多系统。

在未来十年中，管理员使用的工具将继续演变。最终，能力更强的AI工作者将管理其他AI工作者，而人类管理员将继续前进。企业将在管理员和工作负载之间增加更多的抽象层，每层都有新的管理级别。某些人可能认为这种效率低下，因为该系统投入了额外的周期、存储和网络带宽来保持工作负载运行。

但是，某些应用程序（例如Netflix）需要这些抽象和自动化层。在某些时候，人类管理员根本无法将系统扩展到与AI和机器学习相同的程度。