Splunk 的《2026 年可观测性状况》报告探讨了 AI 智能体的隐性成本，Network World 报道称，智能体工作负载推高了遥测成本，同时使网络可观测性更加复杂。这种压力是结构性的：每一次智能体运行都会成倍增加 trace、span 和指标，因此可观测性数据量随智能体并发数增长，而非随部署的服务数量增长。
Grafana Labs 的应对方式是用 AI 智能体来自动化 AI 智能体的可观测性，将部分埋点与故障排查负担转移到产生数据的同一类系统上。采用数据说明了问题的规模：Security Magazine 报道称，35% 的组织运行着超过 1,000 个 AI 智能体。在这样的集群规模下，采样策略、保留窗口和指标基数不再是运维调优，而是在部署前就做出的架构决策。
对智能体工程而言，实际含义是：可观测性预算应与工具调用限制和编排拓扑一同纳入设计阶段。团队应决定哪些 span 以完整保真度保留、哪些进行采样、哪些属性提升为指标，然后在贴近真实的智能体并发条件下验证这些选择。从现有报道中尚不清楚的是每次智能体运行的具体成本影响，以及 Splunk 与 Grafana 两种方案在生产环境中的对比表现。