Pemimpin pemikiran
AI Mengharuskan Reset pada Observabilitas Jaringan
Selama bertahun-tahun, observabilitas jaringan adalah pembahasan tentang alat. Platform mana yang mengumpulkan set terluas dari telemetry? Agent mana yang menutupi perangkat yang lebih tidak umum? Arsitektur mana yang akan berperforma terbaik pada skala? Pada titik mana pada jaringan kita harus menangkap paket? Pembahasan itu mengasumsikan jaringan relatif stabil dan perubahan bersifat inkremental.
Itu tidak lagi terjadi.
Beban kerja yang didorong oleh AI meningkatkan variabilitas lalu lintas, karena adopsi AI dipercepat di seluruh perusahaan. Penelitian terbaru menunjukkan bahwa 88% organisasi sekarang menggunakan AI dalam setidaknya satu fungsi bisnis. Arsitektur hybrid membentang di seluruh cloud, pusat data, WAN, dan edge. Sinyal keamanan dan kinerja sekarang tumpang tindih dengan cara yang tidak mereka lakukan lima tahun yang lalu. Dan bisnis mengharapkan resolusi yang lebih cepat, lebih sedikit gangguan, dan akuntabilitas yang jelas.
Di bawah tekanan itu, pendekatan saat ini terhadap observabilitas jaringan gagal. Bukan karena tim kekurangan keterampilan, tetapi karena arsitektur di bawah observabilitas belum mengikuti.
Ini bukan tentang menambahkan lebih banyak dashboard atau menangkap lebih banyak data. Ini tentang mengakui bahwa observabilitas harus berkembang dari koleksi alat menjadi fondasi data yang koheren. Fondasi itulah yang akan memungkinkan tim operasi jaringan (NetOps) untuk memanfaatkan AI untuk observabilitas dan kecerdasan jaringan.
Berikut cara berpikir tentang di mana Anda berada dan bagaimana untuk melangkah maju.
Di mana Anda berada pada kurva kematangan?
Penelitian dari Enterprise Management Associates (EMA) menunjukkan bahwa hanya 46% pemimpin IT percaya bahwa mereka sepenuhnya sukses dengan alat observabilitas jaringan. Sebagian besar keluhan sudah diketahui, dengan tool sprawl, alert noise, dan kualitas data yang buruk membuat daftar.
Laporan EMA 2025, Model Kematangan Observabilitas Jaringan: Bagaimana Merencanakan Keunggulan NetOps, juga mengidentifikasi lima tahap kematangan yang berbeda:
- Ad Hoc dan Reaktif
- Fragmented dan Oportunistik
- Terintegrasi dan Dikelola Secara Terpusat
- Cerdas dan Otomatis
- Optimalkan dan Didorong oleh AI
Hari ini saya ingin fokus pada tiga tahap pertengahan, yang mana Anda akan menemukan sebagian besar organisasi, sebelum menjelaskan jalur menuju tahap terakhir.
Fragmented dan Oportunistik
Anda memiliki beberapa alat observabilitas. Seringkali tiga atau empat. Penelitian industri mencerminkan pola yang sama, dengan 87% tim NetOps sekarang mengandalkan beberapa alat observabilitas, namun hanya 29% dari alert yang dihasilkan dapat ditindaklanjuti. Cakupan ada, tetapi tidak merata. Insinyur bertindak sebagai lapisan integrasi, beralih antara konsol dan mengorelasikan acara secara mental. AI mungkin hadir, tetapi beroperasi dalam silo. Tim bekerja keras pada tahap ini, tetapi arsitektur bekerja melawan mereka.
Terintegrasi dan Dikelola Secara Terpusat
Anda telah mencapai cakupan monitoring yang kuat di seluruh infrastruktur dan lalu lintas. Ada beberapa integrasi antara sistem. Dashboard telah distandarisasi. Anda mungkin memiliki awal otomatisasi untuk insiden yang umum.
Tapi analisis penyebab akar masih bergantung pada penjahitan manual. Wawasan prediktif terbatas. AI mempercepat analisis, tetapi tidak secara fundamental mengubah cara jaringan dipahami.
Cerdas dan Otomatis
Telemetri adalah waktu nyata di mana itu penting. Data aliran, paket, dan konfigurasi dikorelasikan. Alert adalah kontekstual, bukan didorong oleh ambang batas. AI mendukung deteksi anomali, peramalan kapasitas, dan remediasi yang dipandu. Otomatisasi diperkenalkan secara sengaja dan dalam guardrails kebijakan. Hanya organisasi dengan sumber daya yang cukup yang berada pada tahap ini.
Sebuah kelompok kecil organisasi terbaik telah mencapai tahap kematangan terakhir, Optimalkan dan Didorong oleh AI. Alat saja tidak akan membantu Anda berkembang.
Dari Cerdas dan Otomatis ke Optimalkan dan Didorong oleh AI: apa yang harus dilakukan selanjutnya
Memodernisasi observabilitas jaringan tidak memerlukan menghapus apa yang Anda miliki. Ini memerlukan pergeseran dari alat ke data.
1. Mulai dengan koherensi data, bukan lebih banyak AI
Sebelum memperluas inisiatif AI, tanyakan pada diri Anda sendiri: apakah data jaringan kami bersih, konsisten, dan terhubung di seluruh domain?
Format telemetri yang tidak konsisten, blind spot di cloud atau SD-WAN, ruang IP ganda, dan catatan inventori yang sudah ketinggalan zaman melemahkan hasil AI lebih dari yang dipahami oleh banyak eksekutif. Jika telemetri tidak dapat dihubungkan dengan identitas dan konteks dari alamat yang berwenang, korelasi tetap probabilistik daripada definitif.
Ini adalah tempat layanan jaringan dasar menjadi penting. DNS, DHCP, dan manajemen alamat IP (dikenal bersama sebagai DDI) membentuk peta otoritatif jaringan. Setiap perangkat, beban kerja, dan koneksi berpotongan dengan lapisan itu.
Ketika telemetri observabilitas diperkaya dengan identitas dan kecerdasan alamat yang berwenang, analisis menjadi lebih stabil. AI dapat membedakan perilaku yang diharapkan dari anomali sejati dengan kepercayaan yang lebih besar. Analisis penyebab akar terjadi lebih cepat. Otomatisasi menjadi lebih aman.
2. Kurangi tool sprawl melalui integrasi yang dalam
Sebagian besar perusahaan akan terus mengoperasikan beberapa sistem observabilitas. Itu bukan masalah utama. Masalahnya adalah integrasi yang dangkal.
Memasukkan satu dashboard ke dalam dashboard lain atau berbagi ekspor data dasar tidak menciptakan koherensi. Lingkungan yang matang mengintegrasikan pada lapisan data. Mereka koordinasikan pengumpulan telemetri, mengorelasikan alert di seluruh domain, dan memungkinkan alur kerja yang melintasi alat daripada terjebak di dalamnya.
Ketika integrasi mencapai tingkat itu, konsolidasi menjadi rasional daripada politis. Sistem yang berlebihan lebih mudah untuk dipensiunkan. Telemetri yang tumpang tindih lebih mudah untuk dirasionalisasi. AI beroperasi pada konteks yang terpadu daripada fragmen yang dijahit.
3. Modernisasi dalam fase untuk menghindari gangguan
Ketakutan akan mematikan lingkungan legacy secara sah. Tidak ada yang ingin memutuskan produksi saat mengejar kemurnian arsitektur. Pendekatan yang berfase mengurangi risiko itu.
Fase satu: Overlay kecerdasan
Alirkan telemetri ke lapisan analitik yang dibagikan. Perkaya dengan konteks identitas dan kebijakan. Gunakan AI untuk deteksi dan rekomendasi, bukan penerapan otonom.
Fase dua: Standarisasi dan rasionalisasi
Ketika korelasi meningkat dan kebisingan menurun, identifikasi alat yang berlebihan dan pensiunkan yang tidak dapat berpartisipasi dalam arsitektur yang terpadu.
Fase tiga: Perkenalkan otomatisasi yang terlindungi
Mulai dengan skenario otomatisasi yang berisiko rendah. Biarkan agentic AI menyarankan remediasi sebelum memungkinkan eksekusi. Perluas secara bertahap ketika kepercayaan dan tata kelola matang.
Ini bukan tentang mengaktifkan sakelar. Ini tentang meningkatkan koherensi tanpa mengorbankan stabilitas.
Perubahan strategis: beralih ke Optimalkan dan Didorong oleh AI
Observabilitas tidak lagi merupakan koleksi alat monitoring. Ini adalah infrastruktur inti yang didorong oleh AI yang memerlukan baseline baru. Ketika organisasi mengaitkan observabilitas pada arsitektur data yang terpadu dan kecerdasan jaringan yang berwenang, AI menjadi antisipatif.
Analitik prediktif bergerak dari teori ke praktik. Dengan menganalisis telemetri historis dan waktu nyata bersama, AI dapat mengidentifikasi sinyal awal dari kapasitas yang terlalu berat, konfigurasi yang bergeser, atau perilaku yang tidak normal sebelum mereka meningkat. Sebagai gantinya mengarah ke perbaikan gangguan, tim campur tangan sebelum pengguna memperhatikan degradasi. Ini sangat signifikan karena gangguan IT skala besar dapat menghabiskan biaya organisasi hingga $2 juta per jam.
Perencanaan kapasitas menjadi dinamis daripada periodik. Kehabisan sumber daya dan kejenuhan layanan dapat diproyeksikan sebelumnya, memungkinkan optimasi proaktif daripada penskalaan reaktif.
Ini adalah apa yang ada di cakrawala.
Jika data Anda terfragmentasi, AI akan mengeksposnya.
Jika fondasi Anda koheren, AI menjadi kekuatan.
Pertanyaannya bukanlah apakah Anda akan mengadopsi observabilitas yang didorong oleh AI dan kecerdasan. Pertanyaannya adalah apakah arsitektur Anda siap untuk itu.
