半夜，Production 出事。API latency 飆高、Pod 重啟、Alert 狂響。

AI 幫忙整理 Log、推測 Root Cause，甚至建議修改 HPA 與 Terraform。

但問題只有一個：如果建議錯了，誰負責？

分享內容會用真實 Incident，拆解三件事：

• AI 在 Log／Metrics 推理上的誤判模式
• AI 產生 IaC 與 K8s 設定時忽略的隱性前提
• 當部署變快，Blast Radius 與變更風險如何控管

不談理想藍圖，只談第一手維運現場——AI 可以加速分析與產出建議，但最終決策與風險承擔，仍然是工程師的責任。

聽眾收穫：

1. 看清 AI 在 Incident 分析與設定建議中的盲點，避免把「建議」當成「答案」
2. 建立屬於自己的風險判斷框架，讓效率提升不等於風險失控
3. 重新理解工程師在 AI 時代的角色：不是被取代，而是承擔更高影響力的決策責任