据Splunk针对全球十个国家2050名IT及工程专业人士的调查显示，62%的受访者现在频繁依赖AI智能体排查系统故障，但超过半数的人无法有效衡量这些智能体判断的准确性。
智能体主攻诊断，代码编写仍由人主导
团队在授权智能体介入的工作范围上保持谨慎。目前，寻找根本原因、调整告警阈值以及起草事故运行手册已成为智能体的常见任务。相比之下，编写新代码排在优先级末尾，约四分之一的受访者表示从不将此类工作交给智能体。
这种分工逻辑清晰：错误的告警阈值可在分钟内回滚，而生产环境中的错误代码则可能引发严重后果。尽管绝大多数受访者表示智能体帮助他们更早发现隐患并加快恢复速度，但仍有14%的人指出，引入智能体后恢复效率反而下降。
Splunk可观测性业务AI负责人Sahinaz Safari将此比作招聘新员工：“他们潜力巨大，但在融入环境前需要加强监督。”这种在信任智能体答案前双重检查其推理过程的时间成本，被业界称为“验证税”。
监控意愿强烈，但能力与责任缺位
尽管大多数受访者将监控AI列为优先事项，但实践与意图之间存在巨大落差。85%的人认为识别模型“幻觉”（即编造答案）至关重要，但仅有58%的人表示能可靠捕捉此类情况。
困境部分源于工具滞后，约半数受访者表示其可观测性工具并非为监控AI而建。另一难点在于责任归属模糊：出错智能体的责任应归于机器学习团队、站点可靠性工程（SRE）团队还是安全团队？38%的受访者表示其组织尚未明确界定。Splunk欧洲、中东和非洲地区现场CTO Mark Woods指出：“当智能体可观测性成为每个人的工作时，它就变成了谁都不负责的工作。”
例如，一个陷入循环的智能体可能对内部API发起数千次调用，工程团队视其为性能故障，安全团队则视为拒绝服务攻击。这一现象也推动了跨部门协作，81%的受访者表示监控AI促使他们的团队与安全部门更紧密合作。
可观测性成本倒挂，账单不可预测
资金问题加剧了局势的不稳定性。在57%的组织中，可观测性的成本已超过其所监控的基础设施成本。半数组织在今年遭遇了突如其来的遥测费用账单。
Splunk开发者传教总监Greg Leffler形容这种体验如同去超市购物：“单个番茄的价格可能一夜之间从两美元飙升至九十美元，而你直到月底收到账单时才会察觉。”