La crescente quantità di dati e telemetria generata dai sistemi moderni non si traduce automaticamente in maggiore velocità o produttività per i team IT. Al contrario, secondo Mala Pillutla, WW VP Observability & Security di Dynatrace (nella foto), l'aumento dei segnali frammentati, dei costi di archiviazione e delle difficoltà nell'ottenere informazioni realmente utili sta rendendo sempre più complessa la gestione degli ambienti digitali.

"I sistemi moderni generano più dati e telemetria che mai, ma questa maggiore quantità non ha reso i team più veloci o produttivi. Anzi, sta producendo l'effetto opposto", afferma Pillutla.

La manager sottolinea come i segnali di dati telemetrici frammentati, l'aumento dei costi di archiviazione e i ritardi nell'ottenere informazioni utili rendano più difficile comprendere la situazione e intervenire proprio nei momenti più critici. Con sistemi sempre più dinamici ed effimeri, i team si trovano infatti a gestire input disomogenei e segnali poco chiari, impiegando più tempo per capire cosa non funziona e ancora più tempo per risolvere i problemi, mentre parallelamente continuano a crescere i costi di elaborazione e conservazione delle informazioni.

Secondo Pillutla, sta maturando la consapevolezza che sia necessario un cambio di approccio. Invece di cercare di analizzare tutto a posteriori, le organizzazioni stanno iniziando a valutare come integrare fin dall'inizio una maggiore intelligenza nei propri sistemi, così da disporre di informazioni più pertinenti e più semplici da utilizzare per intervenire.

Il costo reale di una telemetria inefficace

Per la manager, la sfida non è rappresentata dalla mancanza di telemetria e dati, quanto piuttosto dalla scarsità di segnali realmente utili: "La sfida non è che le organizzazioni siano a corto di telemetria e dati; è che sono a corto di segnali di buona qualità", afferma.

Con l'integrazione sempre più profonda delle funzionalità basate sull'intelligenza artificiale nello sviluppo e nella gestione del software, la qualità dell'osservabilità assume un'importanza ancora maggiore. Quando le informazioni vengono raccolte senza essere filtrate, spiega Pillutla, i team finiscono per dedicare più tempo alla gestione dei dati che all'analisi e all'apprendimento.

Un'altra criticità riguarda la frammentazione. I dati vengono infatti archiviati su strumenti e agenti differenti, ciascuno dei quali produce segnali con formati diversi. Durante un'interruzione di servizio, i team devono quindi ricomporre informazioni incoerenti provenienti da più sistemi, perdendo tempo prezioso mentre cresce l'impatto sul business.

A questo si aggiunge l'aspetto economico. L'elaborazione e l'archiviazione su larga scala comportano costi elevati e in continua crescita. Le organizzazioni, evidenzia la manager, investono una quota significativa delle proprie risorse nella gestione di informazioni che finiscono per aggiungere più rumore che valore: "In senso tradizionale, questo non è un problema tecnologico: è un problema di qualità delle informazioni. E più a lungo viene ignorato, peggiori saranno le conseguenze."

Spostare l'intelligenza a monte

Per affrontare queste criticità, Pillutla indica la necessità di "spostare l'intelligenza a monte", ovvero filtrare, arricchire e instradare i dati di telemetria più significativi prima che raggiungano i sistemi a valle. Secondo la manager, sempre più organizzazioni stanno valutando questo approccio per affrontare sia la frammentazione sia le conseguenze economiche che ne derivano. I team iniziano così a raccogliere, elaborare e indirizzare in tempo reale i dati di telemetria relativi all'osservabilità prima che vengano importati nei sistemi a valle: "Il risultato è una riduzione del volume di dati da gestire, un abbassamento dei costi e un miglioramento della qualità complessiva delle informazioni, poiché vengono mantenuti soltanto gli elementi realmente significativi", spiega.

Pillutla osserva inoltre che questo approccio sta diventando sempre più scalabile grazie a standard aperti come OpenTelemetry. Ciò consente ai team di raccogliere dati telemetrici in modo coerente attraverso ambienti differenti, senza dipendere da un singolo fornitore o da una specifica suite di strumenti.

"Quando si opera su sistemi complessi e distribuiti, che coinvolgono piattaforme cloud, di sicurezza e di storage diverse, questo livello di flessibilità diventa fondamentale. Inoltre, aggiunge la manager, l'evoluzione continua degli ambienti rende molto più semplice l'adattamento".

Cosa significa per le operazioni basate sull'AI

Secondo Pillutla, l'affidabilità dei sistemi di intelligenza artificiale dipende direttamente dalla qualità dei dati e delle informazioni di telemetria che li alimentano: "Per generare insight e automatizzare le decisioni, hanno bisogno di dati accurati e contestualizzati", spiega.

Dati telemetrici incompleti o disordinati non rallentano soltanto il lavoro dei team. "Il concetto è semplice: dati di scarsa qualità portano a insight di scarsa qualità", sottolinea la manager. Quando tali insight vengono applicati a processi decisionali automatizzati su larga scala, il margine di errore si riduce drasticamente.

Un ulteriore elemento riguarda la fiducia: "I team responsabili dei sistemi automatizzati devono poter spiegare cosa è successo e perché vengono prese determinate decisioni, ad esempio in relazione a prestazioni o sicurezza. Se le informazioni a supporto risultano incoerenti, spiega Pillutla, questo processo diventa estremamente complesso".

La questione, aggiunge, non riguarda esclusivamente i team tecnici. Anche il management e i membri dei consigli di amministrazione sono sempre più chiamati a supportare decisioni basate sull'intelligenza artificiale, un compito che diventa più semplice quando gli insight si fondano su informazioni credibili e affidabili.

I benefici si riflettono anche sull'operatività quotidiana: "I team possono lavorare più rapidamente se non devono continuamente confrontarsi con dati e telemetria inaffidabili. Dedicano meno tempo alla ricerca manuale delle informazioni, individuano i problemi in tempi più rapidi e automatizzano le attività con maggiore sicurezza", chiarisce.

Per Pillutla, una solida base informativa, insieme a una piattaforma unificata e contestualizzata, non solo migliora le operazioni quotidiane, ma aumenta anche le probabilità di successo delle funzionalità basate sull'intelligenza artificiale nelle quali le organizzazioni continuano a investire.

I prossimi passi partono dalla fonte

Guardando al futuro, Pillutla ritiene che le organizzazioni debbano poter contare sulla telemetria corretta, con i segnali giusti e disponibili nel momento opportuno, per innovare più rapidamente e offrire maggiore valore ai clienti: "La buona notizia è che non serve partire da zero, ma fare le scelte appropriate fin dalle prime fasi del ciclo di vita", dice.

Integrando l'intelligenza sin dall'inizio, spiega, i team possono assicurare che le informazioni che confluiscono nelle piattaforme di osservabilità siano scalabili fin dall'origine. "Le organizzazioni che avranno successo non saranno quelle con la maggior quantità di dati telemetrici, ma quelle con i dati telemetrici migliori, elaborati alla fonte e pronti per guidare l'azione," conclude.

Notizie correlate

4 - Dynatrace, l'intelligenza deve spostarsi a monte degli stack moderni

3 - Dynatrace Innovate Roadshow: un approccio univoco alla telemetria

3 - Dynatrace: per l'Agentic AI siamo a un punto di svolta

3 - Dynatrace, una piattaforma per l'Intelligenza Autonoma

3 - Dynatrace, l’observability sposa l’AI Agentica

3 - Dynatrace con Nvidia per l'osservabilità dell'AI Factory

3 - Dynatrace, ancora più funzionalità per DORA

2 - Dynatrace, operazioni autonome nell'AI enterprise per un passaggio dagli insight all'azione

2 - Gestire e scalare l'AI nel mondo agentico di oggi

2 - Il percorso verso le operazioni autonome

2 - Quale observability per il 2026

2 - Snowflake acquisirà Observe per l’osservabilità basata su AI su scala enterprise