Immagine di magnific
Chi gestisce le infrastrutture digitali è abituato a lavorare su sistemi che, almeno in teoria, si comportano sempre allo stesso modo: rilasci programmati, metriche note, guasti facilmente riconducibili a una causa precisa. Gli agenti di intelligenza artificiale cambiano le regole, perché scelgono da soli il percorso per arrivare a un obiettivo e possono quindi agire in modo difficile da prevedere, spiegare o contenere. È qui che l’osservabilità, la capacità di ricostruire lo stato di un sistema a partire dai dati che produce, diventa uno strumento di governance. Lo sostiene la sesta edizione dello State of Observability di Splunk, con un rilievo sugli altri abbastanza impressionante l’83% degli intervistati si dice preoccupato per le conseguenze indesiderate degli agenti AI.
I criteri della ricerca
L’indagine è realizzata da Oxford Economics tra febbraio e marzo 2026 su 2.050 professionisti delle IT operations e dell’ingegneria, da sviluppatori e site reliability engineer fino a Cto e Cio, in dieci Paesi (diversi quelli europei). Gli intervistati provengono da 16 settori, dai servizi finanziari alla manifattura fino alla pubblica amministrazione. All’interno del campione lo studio individua un gruppo di 206 leader, selezionati sulla base di tre condizioni dichiarate dagli stessi intervistati: usare con efficacia gli agenti AI per risolvere e prevenire i problemi, monitorare molto bene qualità e deriva dei modelli, riuscire a collegare la telemetria a metriche di valore per il business.
Rispetto a un anno fa l’AI agentica è passata dalla sperimentazione all’uso corrente nelle pratiche di osservabilità. I team la impiegano con frequenza soprattutto per individuare la causa dei problemi (62%), affinare la configurazione degli allarmi (58%) e scrivere le procedure operative (57%), compiti in cui l’ultima parola resta all’uomo.
La fiducia si ferma invece davanti alla scrittura di nuovo codice: solo il 6% la delega sempre agli agenti e il 26% non lo fa mai. I benefici si vedono: l’86% registra tempi di rilevamento più rapidi e il 72% tempi di ripristino più brevi, con un miglioramento giudicato netto dal 42%. Il 14% segnala però un peggioramento, che gli esperti di Splunk attribuiscono alla fase di integrazione, quando il lavoro dell’agente va ancora verificato passo per passo.
Monitorare gli agenti, priorità che manca di metriche
L’87% considera prioritario monitorare l’AI, ma tradurre l’intenzione in pratica è un’altra cosa. Il 56% non sa misurare indicatori come la bontà delle risposte fornite dai large language model, e se l’85% ritiene importante intercettare le allucinazioni, appena il 58% si giudica capace di farlo. Per il 49% gli strumenti di osservabilità in uso non sono adatti a seguire l’AI. A complicare il quadro c’è la questione di chi debba occuparsene: il 38% ammette che nella propria organizzazione responsabilità e compiti non sono chiaramente assegnati, un nodo di governance che il report riassume così, nelle parole di Mark Woods, field Cto e chief technical advisor per l’area Emea di Splunk: “Quando l’osservabilità degli agenti è compito di tutti, diventa compito di nessuno”.
Più della metà, il 54%, non ha poi fissato quali risultati di business il monitoraggio dell’AI debba garantire. “Presto, nella maggior parte delle aziende, gli agenti di IA saranno molto più numerosi delle persone”, aggiunge Jeetu Patel, president e chief product officer di Cisco, secondo cui sicurezza e qualità del lavoro degli agenti sono ormai due domande “strettamente interconnesse” che richiedono risposte immediate e agenti governati su piattaforme dati condivise.
Il conto dei token e le telemetrie
Il secondo fronte è economico. Dopo anni di progetti pilota e tariffe forfettarie, la spesa per l’AI segue ormai il consumo di token, sempre più difficile da prevedere. “Il consumo cresce più in fretta di quanto scendano i prezzi, quindi la spesa totale continua a salire”, spiega nel report Atindriyo Sanyal, senior director of engineering di Cisco. Il 55% ammette di non governare con precisione i costi dell’AI, e per il 60% a pesare di più sono i picchi imprevisti in fattura, non i costi di base elevati. Anche la telemetria pesa: per il 57% la spesa per l’osservabilità ha superato quella dell’infrastruttura monitorata. La causa principale, però, non è l’infrastruttura AI, indicata solo dal 6%, ma la raccolta indiscriminata di log, prima voce di costo per il 31%. Il 38% ha dovuto ridurre copertura o conservazione dei dati. Le risposte passano dal campionamento dei dati, efficace per il 51%, e dal consolidamento su un’unica piattaforma, scelto dal 67%. “Nelle aziende di oggi, l’entusiasmo per l’IA deve fare i conti con la realtà dei costi”, sintetizza Kamal Hathi, Svp e GM di Splunk in Cisco, che lega il controllo della spesa a un modello di AI tokenomics capace di trasformare l’AI in un investimento misurabile.
Osservabilità e sicurezza convergono, cosa fanno le aziende?
Quando un agente entra in un ciclo infinito e bersaglia un’Api interna migliaia di volte al minuto, per l’ingegneria è un problema di prestazioni e per la sicurezza somiglia a un attacco: è un solo incidente, non due. Per questo, sottolinea il report, monitorare l’AI avvicina i team. L’81% afferma che ha rafforzato la collaborazione con la cybersecurity, i team che risolvono insieme i problemi passano dal 62% al 77% e la condivisione dei dati dal 74% all’84%. Il 73% riesce ora a ricondurre i problemi di prestazioni alle loro cause di sicurezza, contro il 65% del 2025.
I 206 leader mostrano dove porta una pratica più matura. Il 63% riferisce un netto miglioramento dei tempi di ripristino grazie agli agenti, contro il 40% degli altri; il 91% sa ricondurre la spesa per l’AI ai singoli agenti, modelli e workload che la generano, contro il 69%, e il 76% la tiene sotto controllo, contro il 41%. Tra loro è 2,4 volte più frequente un ritorno dell’osservabilità ben oltre le attese, e il 54% le attribuisce un valore di business annuo di almeno 5 milioni di dollari, contro il 28% degli altri. Tra i settori, la manifattura si distingue per maturità, con il 63% che ha obiettivi di business chiari per il monitoraggio dell’AI contro il 46% della media. Tra i Paesi, l’India è più avanti nel valutare i modelli (il 51% si dice molto efficace, contro il 35% globale), nel Regno Unito il 32% usa sempre gli agenti per la diagnosi, contro il 20%, in Arabia Saudita il 98% dice che l’AI libera tempo per l’innovazione, contro l’84%, e in Germania il 74% attribuisce grande importanza alla visibilità sugli aspetti di privacy.
Il report suggerisce di trattare la qualità dell’AI come una metrica di business, di estendere l’autonomia degli agenti per gradi, partendo dalla diagnosi, e di portare la telemetria nella pianificazione strategica, oggi esclusa dal processo per il 46% delle organizzazioni. Soprattutto, invita a passare dalla gestione dell’osservabilità come costo a una governance che ne misuri il valore.
© RIPRODUZIONE RISERVATA
