Несколько лет назад я мог бы в деталях описать развитие инцидента в продакшене еще до того, как он произойдет. При любом изменении сигнал ухудшался. Команда, порой немалая, собранная из трех часовых поясов, шла по следам в обратном направлении, пока мы не находили коммит, конфигурацию или зависимость, которая дала сбой. Работа была тяжелой, но логика оставалась незыблемой.

Эта логика меняется. Дело не в том, что наши системы стали работать менее аккуратно, а в том, что наши процессы с трудом поспевают за реалиями современной архитектуры. Мы перешли к системам, созданным для автономных операционных рассуждений и выполнения задач в распределенных средах — к системам, которые созданы для адаптации в реальном времени, а не для следования статичным, предсказуемым маршрутам прошлого.

Агенты, получив цель, сами найдут к ней путь, и маршрут, который они выберут сегодня, может отличаться от завтрашнего. Такая автономность — в этом и заключается весь смысл агентного ИИ. Но это также и конец предположения, в котором мы давно перестали сомневаться: что, поняв систему однажды, мы понимаем ее и в будущем — пока сами ничего не меняем.

Чтобы выяснить, как команды адаптируются к этому, мы опросили 2050 специалистов в области ITOps и разработки из десяти стран и шестнадцати отраслей для отчета «State of Observability 2026: Restoring Predictability to the Agentic Era».

Мы выделили две отдельные группы. Большинство организаций все еще адаптируют свои процессы к агентному ИИ, тогда как меньшая группа уже перестроила их вокруг него.

Приход непредсказуемости

Операционная деятельность становилась все менее предсказуемой на протяжении целого десятилетия. Эфемерная инфраструктура, разрастание сторонних сервисов и скорость релизов — все это разрушает нашу способность анализировать системы прямолинейно.

Но это разрушение было непреднамеренным. Никто не создавал микросервисы непостижимыми специально; это был побочный эффект, с которым мы справлялись как могли.

С ИИ все иначе. Недетерминированность — это не недостаток, который мы пытаемся устранить программными методами. Это механизм, благодаря которому агенты рассуждают, адаптируются и действуют без участия человека, прописывающего каждый следующий шаг. Респонденты опроса ощущают всю серьезность этого: 83% обеспокоены непредвиденными последствиями работы ИИ-агентов.

Когда вы не видите, как система принимает решения, естественной реакцией становится тревога. Но замедление внедрения ИИ ради снижения этих рисков означает отставание от рынка. Ответ на эту тревогу — прозрачность. Включая поведение агентов в практику наблюдаемости, вы превращаете непредсказуемые действия в эмпирические, контролируемые данные.

Давление затрат обнажает старые привычки

Я ожидал, что инфраструктура ИИ станет доминирующим фактором давления на расходы в нашем исследовании. Но это оказалось далеко не так — лишь 6% назвали ее главным фактором роста затрат на наблюдаемость.

Настоящий виновник куда более знаком. Верх строчки заняли чрезмерно подробные логи. Годами мы собирали данные на всякий случай, порой доводя бюджеты до истощения. И теперь, когда ИИ дает повод собирать еще больше, потребность в фабрике операционных данных (operational data fabric) остра как никогда.

В этой привычке кроется и вторая цена, и именно она беспокоит меня больше всего. Когда практика сводится к поглощению технических «выхлопов», команды так и не выстраивают связь с бизнес-результатами.

Почти половина респондентов признает, что данные телеметрии не являются ключевым фактором в стратегическом планировании их организации.

Стратегическое планирование без операционной телеметрии — это просто гадание. Если системы, отслеживающие каждое взаимодействие с клиентом, не могут служить основой для дорожной карты, значит, сбой произошел задолго до возникновения любого технического инцидента.

Лидеры сохраняют контроль среди непредсказуемых систем

Одна группа респондентов заметно выделялась. Мы классифицируем эту наиболее эффективную когорту как «лидеров» — статус, который они заслужили благодаря трем взаимосвязанным привычкам.

Во-первых, они поручают ИИ-агентам устранение и предотвращение проблем на регулярной основе, а не в качестве экспериментов. Во-вторых, они не относятся к ИИ как к очередному сервису для мониторинга; они расширяют парадигму наблюдаемости, контролируя поведение агентов и устанавливая жесткие рамки касательно качества моделей, затрат, использования, безопасности и конфиденциальности. Наконец, они напрямую встраивают телеметрию в бизнес-планирование.

Такая комбинация меняет их подход в трех взаимосвязанных направлениях.

Они сместили фокус внимания туда, где теперь зарождаются проблемы. Лидеры справляются с мониторингом вычислительных ресурсов или опорных сетей не намного лучше остальных — с этим справляется большинство компетентных команд. Вместо этого лидеры обеспечивают себе преимущество на периферии (edge) и внутри процессов принятия решений ИИ, где клиентский опыт сегодня наиболее уязвим. Почти каждый лидер (94%) умеренно или полностью уверен в изоляции проблем на периферии и в сетях филиалов, по сравнению примерно с двумя третями остальных респондентов.

И хотя разрыв в вопросах, связанных с ИИ, кажется более скромным (68% лидеров уверены в своих силах против 56% их коллег), эта разница говорит об определенной закономерности. Продвинутые пользователи ИИ точно знают, с чем имеют дело, поэтому их уверенность заслужена на практике. Менее опытные команды, вероятно, переоценивают свою готовность, так как еще не столкнулись с реальной сложностью агентного поведения.

Они проявляют сдержанность в работе с данными. Лидеры сопоставляют ценность данных со стоимостью их хранения. Используя семплирование и маршрутизацию данных гораздо агрессивнее конкурентов, они платят только за ценные сигналы, а не за фоновый шум. Парадоксально, но это дает более качественную и применимую видимость. Они более чем в два раза чаще отмечают, что все их данные наблюдаемости легкодоступны и готовы к немедленным запросам. Это отражается и на финансовых результатах: лидеры в 2,4 раза чаще говорят, что окупаемость инвестиций (ROI) в наблюдаемость значительно превосходит ожидания, а более половины (54%) сообщают о создании дополнительной годовой ценности для бизнеса в размере не менее 5 миллионов долларов.

Они принимают сложность ради получения контроля. Это тот вывод, к которому я возвращаюсь снова и снова. Лидеры считают мониторинг ИИ более сложной задачей, чем их коллеги: 57% утверждают, что это усложняет их работу, по сравнению с 38% остальных респондентов. Они идут на этот компромисс осознанно, и это окупается. Девяносто один процент четко распределяет зоны ответственности за мониторинг ИИ (против 59% остальных), а 76% заявляют, что могут точно контролировать затраты на ИИ.

Со стороны управление процессами (governance) кажется источником трения. На практике же именно оно позволяет этим командам двигаться быстрее организаций, которые выстраивают надзор стихийно, от инцидента к инциденту. Это меняет и повседневную жизнь команд: лидеры гораздо чаще отмечают, что ИИ позволяет им отдавать приоритет инновациям, а не рутинному обслуживанию (37% полностью согласны с этим против 22% их коллег).

Наблюдаемость становится путеводной звездой

Нельзя управлять тем, чего не видишь. А качество того, что производит ИИ, напрямую зависит от качества данных, которыми вы его снабжаете.

Наблюдаемость — это способ превратить поведение агентов в структурированные знания, а не в догадки; способ заслужить достаточно доверия, чтобы передать им реальные задачи; и способ удержать расходы на ИИ в жесткой привязке к конкретной пользе для бизнеса. Команды, которые ждут полной ясности, прежде чем инвестировать, нарушают порядок действий. Именно наблюдаемость и создает эту ясность.