IT-systemen worden te complex voor menselijke ogen
Bedrijfs-IT is de afgelopen jaren uitgegroeid tot een enorm netwerk van clouds, applicaties, API's, databronnen, modellen en AI-agenten. Al die onderdelen produceren voortdurend signalen over hun prestaties. Logs, metrics, traces en andere telemetriedata moeten organisaties helpen begrijpen wat er onder de motorkap gebeurt.
Maar precies daar ontstaat een nieuw probleem: er is inmiddels zoveel informatie beschikbaar dat mensen ze nauwelijks nog zelf kunnen verwerken. Klassieke observabilityplatformen verzamelen steeds meer gegevens, terwijl IT-teams ondertussen door dashboards, waarschuwingen en foutmeldingen moeten blijven zoeken.
In een gesprek tussen Cisco-topman Jeetu Patel en de oprichters van Galileo, Atin Sanyal en Yash Sheth, wordt duidelijk dat kunstmatige intelligentie die aanpak fundamenteel kan veranderen. Observability evolueert van een systeem dat problemen zichtbaar maakt naar technologie die zelf probeert te begrijpen wat er misgaat.
Van kijken naar begrijpen
Traditionele observability draait grotendeels om waarnemen. Een dashboard toont bijvoorbeeld dat de responstijd van een toepassing plotseling stijgt, een server meer geheugen gebruikt of een bepaalde service fouten produceert.
De volgende stap is veel ambitieuzer. AI-agenten kunnen verschillende signalen combineren, verbanden zoeken en vervolgens redeneren over mogelijke oorzaken. In plaats van een beheerder tientallen grafieken te laten vergelijken, kan een intelligent systeem zelfstandig onderzoeken waar een storing waarschijnlijk is begonnen.
Daarmee verandert ook de functie van observability. Het wordt minder een verzameling dashboards waarop mensen voortdurend moeten kijken en meer een intelligente laag die systemen actief interpreteert.
Telemetriedata groeit sneller dan het menselijke vermogen
Die ontwikkeling wordt noodzakelijk omdat moderne bedrijfsomgevingen steeds meer verspreid raken. Applicaties draaien niet langer op één server of zelfs binnen één datacenter. Ze bewegen tussen publieke clouds, private infrastructuur, edge-systemen, SaaS-diensten en AI-platformen.
Iedere component genereert nieuwe data. Meer zichtbaarheid betekent daardoor paradoxaal genoeg niet automatisch meer overzicht.
AI kan juist in die overvloed een belangrijke rol spelen. Een agent kan duizenden signalen analyseren en bepalen welke gebeurtenissen waarschijnlijk met elkaar samenhangen. Zo kan een reeks ogenschijnlijk losse waarschuwingen uiteindelijk worden teruggebracht tot één onderliggende oorzaak.
Voor IT-teams betekent dat potentieel een verschuiving van zoeken naar beoordelen: de technologie doet het eerste onderzoekswerk, terwijl mensen zich concentreren op beslissingen en uitzonderingen.
AI brengt tegelijk een nieuw observabilityprobleem mee
De opkomst van generatieve AI maakt de uitdaging nog ingewikkelder. Organisaties moeten niet alleen traditionele infrastructuur volgen, maar ook begrijpen wat AI-modellen en agenten doen.
Daarbij spelen nieuwe factoren mee, zoals het aantal gebruikte tokens, kosten per interactie, responstijden, kwaliteit van antwoorden en de manier waarop verschillende modellen of agenten samenwerken. De economische kant van AI, de zogenoemde tokenomics, wordt daarmee onderdeel van de technische monitoring.
Een AI-toepassing kan technisch perfect functioneren en toch economisch inefficiënt zijn wanneer iedere taak buitensporig veel tokens of modelaanroepen vereist. Observability moet daarom steeds vaker niet alleen beantwoorden of iets werkt, maar ook of het efficiënt werkt.
De stap naar autonome observability
De meest ingrijpende verandering ontstaat wanneer AI-agenten niet alleen analyseren, maar ook mogen handelen.
Een toekomstige observabilityagent zou bijvoorbeeld zelfstandig kunnen vaststellen dat een service vertraagt, de vermoedelijke oorzaak onderzoeken, relevante afhankelijkheden controleren en vervolgens een oplossing voorstellen. In sterk geautomatiseerde omgevingen zou zo'n agent bepaalde herstelacties zelfs zelfstandig kunnen uitvoeren. Daarmee ontstaat een soort digitale IT-specialist die permanent meekijkt en in real time redeneert over de gezondheid van systemen.
Dat betekent niet noodzakelijk dat menselijke beheerders verdwijnen. Hun rol verschuift eerder naar het bepalen van grenzen, controleren van belangrijke beslissingen en behandelen van situaties waarin automatische systemen onvoldoende zekerheid hebben.
Observability wordt onderdeel van de AI-infrastructuur
Voor Cisco past deze ontwikkeling in een bredere verschuiving binnen bedrijfs-IT. Netwerken, beveiliging, cloudinfrastructuur en applicaties worden steeds sterker verbonden met AI. Observability vormt daarbij de informatielaag die deze systemen begrijpelijk moet houden.
De grote verandering zit uiteindelijk niet in nóg meer dashboards of nóg meer data. Het verschil ontstaat wanneer software zelf leert interpreteren wat die data betekent. In het AI-tijdperk wordt observability daardoor minder een kwestie van zien wat er gebeurt en steeds meer een kwestie van begrijpen waarom het gebeurt, en bepalen wat er vervolgens moet gebeuren.
De toekomst van IT-beheer zou daarmee verrassend weinig op traditioneel monitoringwerk kunnen lijken. Waar engineers vroeger naar dashboards keken om een probleem te ontdekken, kunnen autonome agenten straks al bezig zijn met de oorzaak voordat iemand merkt dat er iets misgaat.
