Tendenze dell'observability nel 2026

Gli strumenti di observability basati su AI possono automatizzare il processo decisionale basandosi sui dati di telemetria raccolti, integrare la visualizzazione dei dati nelle dashboard attraverso l'AI generativa e ottimizzare i workflow con gli insight ottenuti attraverso la machine learning. Il nuovo livello di complessità introdotto dall'AI richiederà attenzione nel controllo dei costi, nell'abbattimento dei silos e nel garantire la compatibilità e la funzionalità su un full stack di sistemi distribuiti.

Pertanto, nel 2026 le tre tendenze fondamentali nel landscape dell'observability saranno:

1. Le piattaforme di observability diventeranno sempre più intelligenti per rimanere al passo con l'AI
   
2. L'utilizzo dell'observability farà parte di una strategia di gestione dei costi
3. La crescente adozione di standard di observability aperti

Rendere più intelligenti le piattaforme di observability sarà fondamentale, dal momento che un numero sempre maggiore di sistemi si integrerà e dipenderà dall'IT basato su AI. L'intelligenza dell'observability richiede un uso crescente di strumenti di observability basati su AI. In sostanza, usare l'AI per osservare l'AI.

Quando si tratta di gestire i costi, implementare in modo efficace gli strumenti di observability in un ambiente cloud-native richiede particolare attenzione a prezzi e compatibilità. Una migliore previsione e pianificazione della capacità, insieme al focus sugli obiettivi del livello di servizio possono aiutare a mantenere la spesa in linea ed evitare così il blocco da fornitore.

La standardizzazione dell'observability è necessaria in quanto gli standard e gli strumenti open source di telemetria, tra cui OpenTelemetry (OTel), Prometheus e Grafana, si adattano all'uso dell'AI generativa nei workload. L'uso di uno standard comune può consentire alle organizzazioni di integrare i dati di observability prodotti dagli strumenti di AI generativa, dai modelli di machine learning e dagli agenti AI con il resto del proprio stack, fornendo così una visione più completa delle prestazioni e delle metriche del sistema.

Altre tendenze chiave nell'observability includono l'observability as code, una pratica DevOps in cui le configurazioni di observability vengono gestite come un codice e una maggiore attenzione all'observability per funzioni critiche per le aziende in quanto le organizzazioni tentano di gestire meglio un numero sempre crescente di avvisi di observability.

Gli strumenti di AI richiedono nuove pratiche per raccogliere e utilizzare i dati. Numerose organizzazioni dovranno rivedere le attuali pratiche di observability per assicurarsi che gli strumenti di AI siano compresi, implementati in modo efficiente e allineati perfettamente agli obiettivi aziendali.

In termini di observability, l'"intelligenza" è la raccolta di base di dati di telemetria dai sistemi IT, nonché la capacità di usare tali dati per rilevare anomalie, eseguire l'analisi della causa principale, risolvere problemi, migliorare l'esperienza dell'utente e, infine, prevedere i problemi per evitare che si verifichino.

"Nel 2026 altri aspetti della vita quotidiana saranno gestiti dai sistemi di AI, che alla fine vengono usati su infrastrutture che possono manifestare problemi in vari modi", dichiara Arthur de Magalhaes, membro senior dello staff tecnico di AIOps e della piattaforma di observability Instana di IBM, chiamata IBM Think.

"Anche l'intelligenza e la velocità necessarie per mantenere efficienti questi sistemi di AI crescono di pari passo, richiedendo l'implementazione di tipi di intelligenza più innovativi e potenti."

de Magalhaes ha dichiarato a IBM Think che la tendenza più significativa nel 2026 per l'intelligenza dell'observability rappresenta l'integrazione crescente dell'agentic AI, con gli agenti AI che inseriscono i dati e gli insight necessari di observability per raggiungere i loro obiettivi. Ad esempio, un agente specializzato nella gestione dei log può analizzare quei log, estrarre schemi, individuare anomalie e poi collaborare con altri agenti con diverse funzionalità per risolvere e prevenire interruzioni, potenzialmente migliorando il tempo medio di riparazione (MTTR).

Gli agenti sono anche in grado di scalare risorse, reindirizzare il traffico, riavviare servizi, annullare le implementazioni e mettere in pausa le pipeline di dati, tra le altre attività. Sempre più spesso lo fanno agendo su parametri stabiliti da motori decisionali automatizzati che decidono se un problema richiede un'azione, qual è il tipo di azione appropriato e quanto è urgente in base alle esigenze aziendali.

Delegare queste decisioni di governance a un agente richiede dati di observability a supporto di tali decisioni. Una soluzione di observability che integra efficacemente gli agenti AI può rispettare i risultati delle azioni, adattare modelli e policy e migliorare le decisioni future con un intervento umano minimo.

Secondo una ricerca pubblicata nel gennaio 2026 da Omdia, il ¹55% dei leader aziendali intervistati ha dichiarato di non essere in possesso delle informazioni necessarie per prendere decisioni efficaci in materia di spesa tecnologica. La crescita dell'AI può complicare ulteriormente la questione.

"Le aziende che offrono un servizio che espone le caratteristiche dell'AI devono monitorare in modo proattivo i costi interni delle loro GPU e scalarle dinamicamente per soddisfare la domanda, pur rimanendo redditizie", ha affermato de Magalhaes. Le pratiche di observability sono fondamentali per raggiungere questo equilibrio.

L'observability può aiutare le organizzazioni a valutare le prestazioni della rete e a stabilire quando e dove dovrebbero essere effettuati investimenti IT.

Dal momento che strumenti di AI costosi come gli agenti e i modelli linguistici di grandi dimensioni (LLM) sono alla base della richiesta di costose unità di elaborazione grafica (GPU), sarà fondamentale per le organizzazioni posizionare e utilizzare queste GPU in modo efficiente, così i clienti manterranno l'accesso agli strumenti di AI con il minimo di interruzioni. I dati di observability possono aiutare a ottimizzare il posizionamento e l'utilizzo di queste GPU, così che gli utenti possano accedere agli strumenti di AI senza che l'organizzazione rischi profitti negativi o trasferisca i costi sull'utente.

L'agentic AI ha un ruolo da svolgere nella gestione di questi costi. In un caso d'uso, agenti specializzati nell'observability dell'AI potrebbero essere in grado di analizzare dati provenienti da ambienti ibridi e multicloud per ottimizzare l'acquisto e il posizionamento delle GPU, con conseguenti ed effettive riduzioni dei costi

L'observability può aiutare a gestire i costi anche in altri aspetti dell'IT aziendale. Ad esempio, consideriamo l'uso di strumenti di observability per confrontare diverse configurazioni di ecosistema IT e topologie di rete, con l'obiettivo di ridurre i costi di observability mantenendo (o migliorando) al contempo gli obiettivi di prestazioni degli strumenti di observability.

La pianificazione della capacità, ovvero il processo che esamina la capacità produttiva di un'organizzazione e le risorse necessarie per raggiungere gli obiettivi, può anch'essa svolgere un ruolo nel controllo dei costi, basandosi su insight in tempo reale ottenuti dagli strumenti di observability e dal monitoraggio degli strumenti.

Con un maggior numero di modelli di AI generativa nello stack tecnologico, sarà necessario uno standard comune per integrarli con gli strumenti di observability e le fonti di dati esistenti.

La standardizzazione dell'observability si riferisce all'adozione di specifiche e framework comuni per i dati di observability, spesso a livello di strumentazione dove il codice viene usato per raccogliere la telemetria.

Gli standard comuni possono semplificare la data ingestion, promuovere l'innovazione sul campo e aiutare a evitare il blocco da fornitore, che sarà fondamentale in quanto gli strumenti di AI generativa, spesso di proprietà di fornitori terzi con visibilità limitata sul loro funzionamento interno, diventeranno più integrati negli ambienti IT cloud-native.

"L'adozione da parte della comunità e delle imprese sono i fattori più importanti per la standardizzazione dell'observability," ha detto de Magalhaes a IBM Think. "Gli standard devono essere accettati e adottati da grandi gruppi di comunità e, subito dopo, deve esserci un supporto adeguato da parte dei fornitori aziendali per garantire che questi standard possano essere applicati agli scenari del mondo reale."

Secondo de Magalhaes, OpenTelemetry continuerà a sviluppare nel 2026 le sue funzionalità di observability attraverso l'AI generativa. Gli standard dei dati comuni di OTel potrebbero consentire ai fornitori di observability di correlare la telemetria degli strumenti di gen AI black box con il resto dell'ambiente IT, creando una visione end-to-end e più completa.

Altre tendenze chiave per il 2026 includono la crescita dell'observability as code e una maggiore attenzione sull'observability per funzioni critiche per le aziende.

La crescente adozione degli standard aperti è stata accompagnata dall'adozione dell'observability as code.

L'observability as code è una pratica DevOps che applica i principi dello sviluppo software all'observability. In modo simile all'infrastructure as code (IaC), l'observability as code comporta la gestione di sistemi e policy di observability attraverso la creazione di file di configurazione, che sono controllati da versioni e gestiti attraverso pull request. Questi file sostituiscono la navigazione manuale degli strumenti di observability e delle interfacce utente con un processo che rispecchia l'implementazione del codice.

"Gli stessi strumenti e concetti che governano ed eseguono l'infrastructure as code si applicano anche all'observability as code", dichiara de Magalhaes.

L'observability as code che le stesse pipeline CI/CD che tracciano e implementano automaticamente il codice software possono essere usate anche per governare l'observability, consentendo così la raccolta, l'analisi e la conservazione automatica dei dati di telemetria. Un ambiente governato da standard aperti rende l'implementazione e la modifica di questo codice più agevole in diversi ambienti di rete.

I file di configurazione creati in un ambiente OaC definiscono il modo in cui la telemetria viene raccolta, visualizzata e valutata, ad esempio attraverso regole di strumentazione, avvisi, dashboard e SLO. Gli amministratori possono assicurarsi che, quando gli strumenti IaC avviano un nuovo server per soddisfare la domanda, ad esempio, venga generata una configurazione corrispondente per ottenere l'observability di quel server.

Man mano che gli strumenti di observability diventano più potenti e sempre più usati, le organizzazioni dovranno concentrare i propri sforzi di observability su sistemi che hanno un impatto diretto sui risultati aziendali.

Ottenere nel tempo una migliore observability dei sistemi comporta il rischio di un maggiore stress da avvisi. Secondo una ricerca pubblicata nel novembre 2025 da Omdia², lo stress da avvisi è di gran lunga la più grande preoccupazione per i team di cybersecurity nel campo sensibile della tecnologia operativa, mettendo in evidenza quanto sia importante per i team IT ordinare in modo intelligente e rapido gli avvisi ed eliminare quelli irrilevanti o ridondanti.

Secondo de Magalhaes, il modo richiesto più di frequente per ridurre i colli di bottiglia degli avvisi è quello di limitare gli avvisi a quelli che hanno effettivamente un impatto sui risultati aziendali. Pertanto, le organizzazioni potrebbero prendere in considerazione lo sviluppo di specifiche strategie di observability per le parti della rete che eseguono direttamente le operazioni aziendali.

Ad esempio, gli ingegneri dell'affidabilità del sito (SRE) potrebbero sviluppare una regola per distinguere nel rilevamento delle anomalie tra un server host che esaurisce la memoria in un ambiente di test, un problema con un'urgenza relativamente bassa, e un host che esaurisce la memoria in un ambiente di produzione che approva le transazioni con carta di credito, situazione che dovrebbe attivare immediatamente una risposta agli incidenti.