AI-modeller og platforme
Dynatrace-undersøgelse viser, at udbredelsen af AI-agenter overhaler tilsynet
En Dynatrace-undersøgelse viste, at AI-agenter er almindelige i IT-driften hos de adspurgte virksomheder, men at forholdsvis få siger, at de arbejder med at skabe indsigt i agenternes beslutninger.
NøglepunkterAgentadoption overgår den synlighed, der er nødvendig for at vurdere, hvad disse…
Vis mere
- Agentadoption overgår den synlighed, der er nødvendig for at vurdere, hvad disse agenter faktisk beslutter.
- Folk verificerer stadig i gennemsnit 66% af AI-drevne beslutninger på trods af autonomiambitioner.
- Teams bør teste, om de kan rekonstruere en agents handling, før de giver bredere beføjelser.
AI-agenter bliver stadig mere almindelige i de teams, der holder virksomheders software kørende, men værktøjerne til at overvåge agenternes beslutninger og handlinger halter bagefter. I State of Observability 2026-rapportens resultater, der blev offentliggjort den 10. november, oplyste Dynatrace, at 87 % af de adspurgte teknologiledere rapporterede om moderat eller omfattende brug af AI-agenter til observerbarhed og IT-drift. Kun 27 % siger, at de i øjeblikket arbejder med at skabe indsigt i agenternes beslutninger og handlinger.
Resultaterne bygger på en onlineundersøgelse, som Dynatrace bestilte i august 2026, blandt 1.202 teknologiledere i virksomheder i 12 lande. De beskriver, hvad respondenterne fortæller om deres egne organisationer, ikke hvad forskere uafhængigt har verificeret i produktionsmiljøer. Dynatrace sælger software til observerbarhed, så rapporten bør bedst læses som et øjebliksbillede af de udfordringer, undersøgelsens respondenter beskriver, og ikke som en fuldstændig optælling af virksomheders brug af AI.
Udbredelsen af agenter er ikke det samme som autonomi
Undersøgelsens tal for udbredelse beskriver et bestemt område inden for virksomhedsteknologi: overvågning af software og drift af IT-systemer. Det betyder ikke, at 87 % af virksomhederne har agenter, der har tilladelse til selv at træffe beslutninger med væsentlige konsekvenser. En organisation bruger måske en agent til at opsummere en hændelse og foreslå en løsning, som en tekniker kan gennemgå. En anden organisation tillader måske en agent at udføre en på forhånd defineret handling inden for et afgrænset område af sin infrastruktur. Begge kan rapportere, at de bruger agenter, selvom agenterne har meget forskellige ansvarsområder.
Respondenterne vurderede, at mennesker stadig efterprøver gennemsnitligt 66 % af de AI-understøttede beslutninger. Separat rapporterede 12 %, at de havde fuldt autonome driftsprocesser, mens 44 % sagde, at de sigtede mod dette niveau inden for fem år. Det sidste tal er derfor et udtryk for ambitioner, ikke en prognose. Undersøgelsen viste også, at integrationskompleksitet var den oftest nævnte hindring for autonomi med 31 %, sammen med udfordringer som kompetencer, tilsyn og datakvalitet.
Hvad teams kan se, efter en agent har handlet
Standardovervågning af systemer kan fortælle en tekniker, at en tjeneste svarede, og hvor lang tid det tog. Det afslører ikke, om en agent valgte en passende handling, eller om handlingen løste den underliggende hændelse. Hvis en agent for eksempel anbefaler at genstarte en tjeneste, vil en nyttig registrering vise, hvilke alarmer der lå til grund for anbefalingen, om en person godkendte den, og hvad der derefter skete med tjenesten. Så kan teknikerne undersøge, om genstarten hjalp, eller om den blot faldt sammen med, at problemet blev løst.
Dynatrace fandt, at 43 % anså indsigt i agenternes beslutninger for et vigtigt krav til observerbarhed, sammenlignet med 27 %, der oplyste, at de arbejdede med det. Denne forskel er ikke et tegn på, at alle andre mangler logfiler. Det er en sammenligning mellem det, respondenterne anså for vigtigt, og det, de sagde, at deres organisationer arbejdede med.
Omkostningerne tilføjer endnu en dimension. 81 % rapporterede højere udgifter til databehandling og infrastruktur som følge af AI-arbejdsbelastninger, og 77 % sagde, at de havde brug for bedre indsigt i, hvordan omkostningerne blev fordelt. Et værktøj, der måler, hvor lang tid medarbejdere bruger på en hændelse, uden at registrere de ekstra ressourcer, en agent forbruger, kan få automatiseringen til at se billigere ud, end den er. Ved at sammenkoble de to målinger kan teams sammenligne omkostningerne ved forskellige tilgange til den samme opgave.
Prøven på at give agenter større beføjelser
I en opfølgning den 17. november beskrev Dynatrace en udvikling fra at indsamle dokumentation til at anbefale handlinger og derefter handle med godkendelse, før man går videre mod større autonomi, når det er berettiget. For et driftsteam betyder det, at en agent bør vurderes på en bestemt opgave frem for at få flere beføjelser, fordi den har klaret sig godt med uvedkommende opgaver. En agent, der pålideligt kategoriserer alarmer, har for eksempel ikke nødvendigvis vist, at den kan vælge, hvornår et produktionssystem skal ændres.
Undersøgelsen peger på en praktisk prøve for virksomheder, der overvejer større autonomi: Kan et team rekonstruere, hvad en agent gjorde, begrunde, hvilke beføjelser den havde, og måle, om handlingen hjalp? Uden svar på de spørgsmål kan en højere udbredelse afspejle, at flere agenter indgår i arbejdsgangen, snarere end at der er tegn på, at de er klar til at styre den.












