超过半数企业在可观测性方面的支出已超过被监控基础设施本身的成本，AI智能体的加入进一步增加了开支与复杂度。
根据思科Splunk的最新研究，随着企业难以监控AI技术并控制意外支出，AI智能体正在推高遥测成本，并使网络管理变得更加复杂。
该公司发布的《2026年可观测性现状》报告显示，57%的组织的可观测性成本已超过被监控基础设施的成本。另有60%的受访者表示，意外的账单激增比持续的高成本带来更大的运营压力，55%的组织无法准确控制其AI相关支出。
思科Splunk对10个国家的2050名IT运维和工程专业人员进行了调研，以了解AI智能体对可观测性实践和成本的影响。
“一个生产环境中的智能体产生的遥测数据量是传统应用的4到5倍，”思科Splunk高级副总裁兼总经理卡马尔·哈蒂（Kamal Hathi）在接受《网络世界》采访时表示。
除了传统的应用追踪数据外，智能体还会生成与工作流、工具调用、检索上下文、模型交互以及身份验证相关的遥测数据。哈蒂解释说，当智能体彼此交互时，多智能体会话期间产生的遥测数据量可能呈指数级增长。
“AI智能体既是机器数据的来源，也是数据的消费者，”Splunk开发者布道总监格雷格·莱夫勒（Greg Leffler）表示。“这种双重需求导致数据量迅速攀升，进而造成成本的不可预测性。”
遥测成本上升导致网络监控盲区
莱夫勒表示，AI智能体的出现加剧了原本就存在的遥测成本问题，因为许多组织本就在收集大量可能并非必要的数据。
只有6%的受访者认为AI基础设施是其可观测性成本上升的最主要原因。排名首位的成本驱动因素是噪声日志（31%），其次是高基数指标（27%）和追踪数据量（21%）。莱夫勒承认，这项研究并未量化AI智能体相较于传统数据采集方式究竟带来了多大比例的成本增长。
报告发现，38%的组织已缩减了遥测数据的覆盖范围或保留时长以控制成本，这可能会在网络故障排查中造成盲区。
“当数据覆盖范围或保留时间被削减时，往往牺牲的是历史性和一次性的故障排查能力，这正是网络团队面临盲区的原因，”莱夫勒说。他补充道，较短的保留周期会限制历史问题的追溯调查，而采样频率的降低则会增加漏查间歇性网络问题的风险。
AI智能体带来新的可观测性挑战
除了遥测成本问题外，企业还必须对AI智能体进行监控，以确保其在既定准则内正确、安全地运行。
尽管87%的受访者表示监控AI是其工作重点，但思科Splunk的研究也发现了多项挑战：
56%的受访者无法衡量AI工作负载的相关指标，例如大语言模型响应质量。
49%的受访者表示其可观测性工具缺乏足够的AI监控能力。
38%的受访者表示其所在组织尚未明确界定AI监控的责任归属。
“仅凭工具本身无法判断一个输出结果是否‘好’；这需要针对每种使用场景就‘质量’的定义达成共识，并具备将该定义转化为准确评估的能力，”哈蒂表示。
莱夫勒指出，网络运维团队在其中扮演着重要角色，因为智能体会产生大量网络流量。团队必须监控延迟和丢包等传统指标，同时与安全团队协作，区分合法的智能体活动与恶意流量。例如，一个反复调用API的AI智能体可能产生类似攻击行为的流量特征。
研究还发现，81%的受访者表示，对AI工作负载的监控已促使可观测性团队与安全团队之间的协作增多。
控制成本并提升可见性
为了管理遥测成本并提升对智能体的可见性，莱夫勒建议部署厂商中立的OpenTelemetry采集器（OpenTelemetry Collector）。
“OpenTelemetry采集器是一种与技术无关的工具，用于处理和导出遥测数据，借助其中的处理器，既可以管理成本，也可以为流量来源打上标签，从而提升对智能体及其基础设施的可见性，”莱夫勒说。
对于网络团队而言，当前的挑战已不仅仅是应对AI智能体带来的日益增长的遥测数据量，更在于确定需要保留多少数据才能维持可见性，同时又不让可观测性成本失控攀升。
