公司的可观测性账单是不是越来越厚？小编先给结论：Grafana Labs 与 ETR 的《2026 年可观测性现状》调查显示，超过四分之三的受访者去年可观测性支出增加，而 AI 既带来新功能，也让需要监控的系统变多，成了推高成本的重要原因。
这项调查访问了 300 位 IT 与工程负责人，覆盖北美、日本、拉美和西欧的决策者。调查把支出上涨归因于几方面压力：可观测性栈里新增了产品，AI 加速开发带来更多系统、需要更广的覆盖，业务本身增长，以及供应商涨价。
遥测数据量与 AI 功能开销
AI 从两个方向影响账单：61% 的受访者提到新增了与 AI 相关的功能，60% 提到 AI 加速开发造成要监控的东西变多、覆盖范围随之扩大。两者都会增加遥测数据：链路追踪、日志、提示词、模型输出，以及 token 成本监控。
可观测性厂商通常按数据量、主机数或席位数、保留时长和高级功能来收费，所以即使没单独买一个 AI 产品，AI 开发本身也可能把支出推高。多数负责人认为这笔钱花得有价值：97% 认为至少有一些价值，61% 表示价值与涨幅成正比。
其余受访者觉得有价值，但没法干净地量化，这让 FinOps 团队很头疼：共享遥测、云标签、模型与 token 成本，都很难分摊到各个团队头上。
Grafana Labs 联合创始人 Anthony Woods 表示：AI 正在改变可观测性的两面，团队既用它来理解和运营日益复杂的系统，也需要看清自己投入生产的 AI 应用和智能体；下一步是弄清要给 AI 多大的权限，因为“让它告诉您哪里出了问题”和“让它在生产环境里动手改”差别很大，要实现自主操作，AI 必须先清楚理解您的软件和系统是怎么运作的。
工具整合：高度重视，迁移代价是拦路虎
调查显示，对整合工具的支持很普遍：79% 认为非常或极其重要，53% 已把自己的可观测性做法描述为统一的全组织平台，其余的要么正在过渡，要么仍按团队或职能分开。
| 指标 | 数据 |
|---|---|
| 认为整合非常或极其重要 | 79% |
| 已采用统一的全组织平台 | 53% |
| 认为整合成功（很/比较成功） | 86% |
| 已完成迁移到统一平台的组织中认为成功 | 96% |
| 愿让 AI 自主完成全部修复 | 52% |
| 预计未来 12 个月支出继续增加 | 73% |
整合承诺降低采购和管理开销，改善跨技术栈的关联分析；但迁移成本、已有合同、数据出口费用、已购许可证和团队各自的归属权，都可能拖慢回报。仍按职能划分的团队，报告的成功率更低。
自主修复：信任是有条件的
在全面自动修复这件事上，52% 的受访者愿意让 AI 自己动手，但这种放心是有条件的。调查把信任和准确性、可解释性联系在一起：45% 表示这两点能提高他们对 AI 生成的可观测性洞察的信任。
只读的排查和建议，比在生产环境里改代码或配置的运营风险低；后者涉及输出的不确定性、可审计性、合规义务和变更管理责任，这些都会决定团队愿意放开到什么程度。小编的理解是，厂商一边卖整合、一边卖 AI 自动化，买家却仍想要更清晰的成本归属和回报证明。顺带一提，如果您想看一家厂商怎么在这方面发力，可以读小编写的 LogicMonitor 扩展数据平台一文，里面讲到 OpenTelemetry 与成本追踪。
常见问题（FAQ）
这项调查的样本是谁？
Grafana Labs 与 ETR 调查了 300 位 IT 与工程负责人，覆盖北美、日本、拉美和西欧。
为什么 AI 会推高可观测性成本？
新的 AI 功能和被 AI 加速开发出来的更多系统，都会产生更多遥测数据，而厂商常按数据量、主机、保留期收费。
整合工具真的有效吗？
86% 称整合效果很或比较成功，完成统一平台迁移的组织高达 96%，但迁移成本和合同可能拖延回报。
可以让 AI 直接修改生产环境吗？
调查中 52% 愿意，但前提是准确性和可解释性；多数团队会先从只读排查和建议开始。