AI 智能体已经开始帮运维团队干活，可咱们真的能看清它们在做什么吗？Dynatrace 发布的《2026 可观测性现状》报告给出的答案是：差距在拉大。报告称，87% 的技术负责人已经把 AI 智能体用于可观测性和 IT 运维，但验证这些智能体行为所需的控制手段，没有跟上它们在企业环境中的部署速度。
报告衡量了九项 AI 可观测性能力，结果是“实际做到”比“认为重要”平均落后 14 个百分点，涉及质量保障、智能体决策可见性、安全、成本归因和业务影响评估。
生产环境里 AI 的“人工核验”问题
受访者表示，人类平均仍要核验 66% 由 AI 驱动的决策，可见即便部署很广，大家对智能体的信任依然是有条件的。同时，只有 27% 的组织目前解决了“智能体如何决策、如何行动”的可见性问题，也就是说，多数组织在没有清晰审计链的情况下运行智能体，看不到其输出背后的推理过程。
传统监控指标抓不住这类故障：一个 AI 工作负载完全可能满足可用性、延迟和错误率目标，同时输出不准确、不安全或非预期的结果。以衡量 AI 行为的业务影响为例，39% 的受访者认为它重要，但只有 24% 真的在做。“可用且响应快”和“按预期工作”之间的区别，正成为运维中后果更大的问题之一。
两种互补的能力：AI 的可观测性与 AI 驱动的可观测性
Dynatrace 把弥合差距所需的能力分成两类：
- AI 的可观测性（Observability of AI）：为智能体行为、输出质量、安全态势、成本和业务影响提供证据；
- AI 驱动的可观测性（AI-powered observability）：用因果分析、自动化和智能体去改进运维、推进自治。
前者回答“AI 是否在正确工作”，后者帮助团队和智能体更好地管理整个技术资产。
成本与安全：压力先于收益到来
AI 工作负载在带来预期节省之前，先带来了基础设施压力。报告中，81% 的受访者表示 AI 工作负载使算力和基础设施支出增加，77% 表示更需要成本分摊的可见性。
运行时证据也在改变安全团队排修复优先级的方式：静态严重性评分只说明潜在漏洞，而运行时证据能显示哪些真的可被利用、正被攻击、最紧迫。当 AI 智能体大规模接触敏感数据管道和生产系统时，这种优先级逻辑的转变就更重要了。
OpenTelemetry 的普及与“插桩天花板”
OpenTelemetry 的企业覆盖已经很广：77% 的受访者已从评估阶段进入实际部署。它是厂商中立的插桩基础，能在 AI 跨提供商、技术栈和生命周期阶段流转时帮助保持可见性，是个可靠的起点。
但光有插桩还不够，它并不会在运维、安全、成本或业务语境下解读遥测数据。报告里阻碍提升自治程度的因素，集成复杂度排在首位，其后是技能短缺、数据质量和可解释性要求。能把智能体行为与系统、风险、成本和结果关联起来的上下文感知型可观测性，才能让技术负责人有依据地决定哪里可以放权、哪里必须介入。
另一个数字值得留意：44% 的受访者打算在五年内实现完全自治运维，而目前只有 12%。如果不先补上“执行缺口”，这就意味着要把权限交给自己暂时无法实时解释、审计或纠正的智能体。
小编的看法
这份报告是厂商调研，数据口径以 Dynatrace 公布的为准，但它指出的方向很实在：别只看 AI 系统“活没活着”，要能证明它“有没有按预期干活”。如果您的团队正在引入智能体，可以先从三件事做起：给智能体的决策留下可审计的记录，把 AI 成本分摊到具体业务，再用 OpenTelemetry 这类标准把数据打通。
常见问题（FAQ）
什么是 AI 可观测性？
指用遥测数据去观察 AI 智能体的行为、输出质量、安全、成本和业务影响，回答“AI 有没有按预期工作”。
AI 的可观测性和 AI 驱动的可观测性有什么区别？
前者是观察 AI 本身，后者是用 AI 去改进运维。Dynatrace 认为两者互补。
为什么常规监控发现不了 AI 的问题？
因为可用性、延迟、错误率都可能达标，而 AI 输出依然不准确或不安全，这类问题需要专门的质量与行为观测。
OpenTelemetry 能解决这个问题吗？
它是良好的数据采集基础，但本身不负责在运维、安全、成本和业务语境下解读数据，还需要上层的分析能力。
报告里的数据来自哪里？
来自 Dynatrace 发布的《2026 可观测性现状》调研，属于厂商研究，引用时建议注明来源。