Наблюдаемость агентов превращается из операционной второстепенной задачи в отдельную статью бюджета. В отчёте Splunk State of Observability 2026 скрытые издержки AI-агентов рассматриваются как бюджетная проблема, а Network World сообщает, что трафик агентов повышает затраты на телеметрию и усложняет сетевую наблюдаемость. Закономерность структурная: парки агентов генерируют трейсы, спаны и логи с той интенсивностью, которую рабочие процессы с участием людей никогда не создавали, поэтому конвейер телеметрии становится первостепенным центром затрат, а не фиксированными накладными расходами.
Практическое следствие состоит в том, что политика сэмплирования и хранения должна закладываться на этапе проектирования. Команда, которая сначала внедряет инструментирование, а потом определяет границы, обнаруживает, что объём спанов, кардинальность и подробность логов масштабируются с числом одновременных запусков, а не с числом пользователей. Решения, которые стоит принять заранее, включают: какие спаны сохраняются с полной точностью, какие агрегируются, как долго хранятся сырые трейсы и каким атрибутам разрешено становиться измерениями с высокой кардинальностью. Это инженерные решения с прямым влиянием на затраты, и принять их до первых тысячи запусков гораздо дешевле, чем внедрять задним числом.
Инструментарий отвечает соответствующим образом. Grafana Labs использует AI-агентов для автоматизации наблюдаемости AI-агентов — подход, при котором сам слой телеметрии рассматривается как нечто, чем нужно управлять динамически, а не настраивать один раз. Из предоставленных материалов остаётся неясным, как такие автоматизированные подходы учитывают накладные расходы на собственный inference и телеметрию и снижают ли они чистые затраты или просто переносят их в другое место.