可观测性曾主要是DevOps团队用于理解和排查应用程序及基础设施问题的工具，但随着技术栈变得日益分散和相互关联，它已经演变成CIO的管理工具。
如今，可观测性的价值已不仅限于理解系统运行状况。它还能揭示企业正在使用哪些技术、这些技术的表现如何，以及相关投资是否物有所值。随着企业在技术环境中部署新的应用程序和智能体，AI为可观测性增添了新的复杂层面。
费尔南多·卡斯塔涅拉对可观测性应用范围的扩大有着切身体会。作为可观测性供应商Riverbed Technology的CIO，他不仅在自己的IT组织内部使用这项技术，还与公司的客户服务团队紧密合作。
卡斯塔涅拉表示："可观测性真正做的是在网络、应用、云、终端以及最终的数字体验之间提供一种运营层面的真相。你需要它来把技术性能与员工生产力联系起来。"
卡斯塔涅拉与PagerDuty的CIO埃里克·约翰逊接受了InformationWeek的采访，谈到他们如何使用可观测性、这项技术在他们职业生涯中发生了怎样的变化，以及AI如何改变CIO预判和应对问题的方式。
可观测性帮助过滤噪音
关键业务服务会产生海量的性能数据。在这片信息海洋中，哪些才是真正重要的信息？
约翰逊说："这是我整个职业生涯都在打的一场仗。你要如何不断找到办法减少噪音、找出最重要的信息，同时又不遗漏任何关键内容？"
约翰逊表示，可观测性有助于理清这些噪音，而且随着时间推移它已经变得越来越好。回顾过去，他记得曾经从可观测性工具提供的信息中筛选出有用内容有多么困难。他说："我记得很多年前，工具只会在某项指标超出容差范围时给你一个警告，但你会收到大量误报。要弄清楚真正的问题出在哪里，或者真正的机会在哪里，总是很难。"
过去几年间，更先进的机器学习能力提升了可观测性水平。而最近，AI让这一切变得更好。AI擅长筛选大型数据集、识别趋势并自动化任务。
卡斯塔涅拉表示："AI有助于关联和情境化遥测数据，它能整合告警信息，把有意义的信号从噪音中区分出来。"
技术更多，可观测性的基本原则不变
尽管企业技术环境日益复杂，可观测性的目标和核心指标并未发生显著变化。
约翰逊解释说："我衡量它的方式，归根结底还是要识别问题、快速解决问题——如果真能提前避免问题的话，还要做好预防性工作。"
可观测性工具在网络、应用和设备之间收集遥测数据。这些数据讲述着一个故事：什么是"正常"状态，什么迹象表明需要触发事件响应。核心指标围绕错误率、延迟、CPU和内存使用率展开。
在Riverbed，卡斯塔涅拉利用可观测性来削减软件支出。他说："我们原本有X个许可证，最终削减了40%。我们的做法是用自己的工具来衡量实际使用情况。"
在硬件方面，可观测性可以为资产更新周期提供参考依据。卡斯塔涅拉表示，如果笔记本电脑性能和内存方面的指标显示某设备仍能满足员工需求，那么更新周期就可以延长至三年以上。
他说："想象一下，当账面上有10万台这样的资产时，这对损益表会产生怎样的影响。"
AI让可观测性变得更简单也更复杂
约翰逊指出，将AI融入可观测性平台，让识别模式甚至自动化响应变得更容易，但AI应用和智能体也给需要监控的系统和活动增添了新的对象。
他说："这又是一项我们需要确保按预期运行的关键业务服务。"
AI智能体带来了另一项可观测性挑战，因为它们的行为可能难以预测和追踪。
卡斯塔涅拉说："现在你将拥有所有这些智能体，可能多达数百万个，它们有可能在环境中制造混乱。你需要衡量这些智能体在做什么。"
理解AI的行为方式，要从驱动它的数据开始。约翰逊和他的团队正在使用能够提供数据质量遥测信息的可观测性工具。他解释说："我们大量使用围绕数据的可观测性工具，一旦数据看起来不对，就会触发事件响应。"
PagerDuty的市场拓展团队曾使用智能体解决方案，通过可观测性，约翰逊能够发现错误和延迟方面的问题。他说："通过我们的可观测性，我们能看到这些问题，并能非常迅速地采取纠正措施，优化MCP（模型上下文协议）的实际运行方式，更新数据源。"
约翰逊表示，未来AI或许能够在无需人工干预的情况下，识别并修复通过可观测性发现的事件，但目前还没有达到这一步。他提醒不要把人从这个循环中完全移除。他说："作为一名实践者，我发现AI在应用中有很多细微之处，有时候AI并不能做得恰到好处。"
可观测性的未来：从被动响应走向主动预防
从历史上看，可观测性一直帮助IT团队通过识别问题所在及其原因来应对问题。AI可能会推动可观测性向在问题发生之前就能识别潜在风险的方向发展。
约翰逊说："你可能即将遇到一个问题，进而触发某些活动或自动化机制来避免这个问题。这才是圣杯。"
他表示，他设想AI智能体将扮演他的"可观测性幕僚长"角色。
他解释说："它们将负责运行、管理和操作，确保我每天早上上班时，都能收到前一晚所完成的所有预防性工作的总结报告。"
卡斯塔涅拉也表示，他预计AI智能体将减少人们在多个可观测性仪表盘中反复查找信息的需求。相反，这些智能体可以就需要关注的事项提供背景信息，并针对这些问题提出具体的应对建议。
随着企业不断在传统系统、SaaS和移动技术之上叠加AI层，IT基础设施只会变得更加复杂。这种复杂性将使维持整个技术环境的可视性变得更加困难。
约翰逊说："你将拥有一套非常精密的基础设施映射体系，涵盖你正在运行的服务、甚至你期望达成的成果，一直细化到每个智能体应该完成的具体任务。如果做不到这一点，我不知道我们还能如何继续运营和管理所有这些基础设施。"
Q&A
Q1：可观测性对CIO来说到底有什么用？
A：可观测性可以在网络、应用、云、终端和数字体验之间提供运营层面的真相，帮助CIO把技术性能与员工生产力联系起来，还能揭示企业使用了哪些技术、表现如何，以及投资是否值得。
Q2：AI给可观测性带来了哪些新挑战？
A：AI智能体的行为难以预测和追踪，企业可能部署数以百万计的智能体，这需要新的方式来衡量它们的具体行为，同时AI本身也需要作为一项关键业务服务被持续监控。
Q3：可观测性未来会朝什么方向发展？
A：未来可观测性将从被动响应问题转向主动预防问题，AI智能体有望承担类似"可观测性幕僚长"的角色，在问题发生前自动触发预防措施，并每天提供工作总结。
