В отчёте Splunk State of Observability 2026 рассматриваются скрытые издержки AI-агентов, а Network World сообщает, что рабочие нагрузки агентов повышают затраты на телеметрию и усложняют сетевую наблюдаемость. Давление носит структурный характер: каждый запуск агента умножает трейсы, спаны и метрики, поэтому объём наблюдаемости масштабируется вместе с параллелизмом агентов, а не с количеством развёрнутых сервисов.
Grafana Labs отвечает, применяя AI-агентов для автоматизации наблюдаемости за AI-агентами, перекладывая часть нагрузки по инструментированию и триажу на тот же класс систем, который генерирует данные. Цифры внедрения придают проблеме масштаб: Security Magazine сообщает, что 35% организаций используют более 1 000 AI-агентов. При таком размере флота политика сэмплирования, окна хранения и кардинальность метрик перестают быть операционной настройкой и становятся архитектурными решениями, принимаемыми до развёртывания.
Практическое следствие для агентной инженерии состоит в том, что бюджеты на наблюдаемость должны закладываться на этапе проектирования наряду с ограничениями на tool call и топологией оркестрации. Командам следует решить, какие спаны сохраняются с полной точностью, какие сэмплируются, а какие атрибуты повышаются до метрик, а затем проверить эти решения при реалистичном параллелизме агентов. Из предоставленных материалов остаётся неясным конкретное влияние на затраты в расчёте на один запуск агента и то, как подходы Splunk и Grafana соотносятся в продакшене.