AI-modeller og plattformer

Dynatrace-undersøkelse viser at innføringen av KI-agenter går raskere enn tilsynet

En Dynatrace-undersøkelse fant at KI-agenter er vanlige i IT-driften hos virksomhetene som deltok, men at relativt få oppgir at de ivaretar innsyn i agentenes beslutninger.

Aiden Cross
Legg til Unite.AI blant dine foretrukne kilder på Google
An engineer viewing monitoring screens in an enterprise operations room
Viktige punkterAdopsjon av agenter overgår synligheten som trengs for å vurdere hva disse agentene…
Vis mer
  • Adopsjon av agenter overgår synligheten som trengs for å vurdere hva disse agentene faktisk bestemmer.
  • Folk verifiserer fortsatt i gjennomsnitt 66 % av AI-drevne beslutninger til tross for autonomiambisjoner.
  • Team bør teste om de kan rekonstruere en agents handling før de gir bredere fullmakt.

KI-agenter blir stadig vanligere i teamene som sørger for at programvaren i virksomheter fungerer, men verktøyene for å overvåke hva agentene beslutter og gjør, henger etter. I funnene fra State of Observability 2026, publisert 10. november, opplyste Dynatrace at 87 % av de spurte teknologilederne rapporterte moderat eller omfattende bruk av KI-agenter til observerbarhet og IT-drift. Bare 27 % sier at de nå ivaretar innsyn i agentenes beslutninger og handlinger.

Resultatene bygger på en nettbasert undersøkelse som Dynatrace bestilte i august 2026, blant 1 202 teknologiledere i virksomheter i 12 land. De beskriver hva respondentene oppgir om sine egne organisasjoner, ikke hva forskere uavhengig har verifisert i produksjonsmiljøer. Dynatrace selger programvare for observerbarhet, så rapporten bør først og fremst leses som et øyeblikksbilde av utfordringene respondentene beskriver, ikke som en fullstendig kartlegging av KI-bruk i virksomheter.

Innføring av agenter er
ikke det samme som autonomi

Undersøkelsens tall for innføring gjelder et bestemt område innen virksomhetsteknologi: overvåking av programvare og drift av IT-systemer. Det betyr ikke at 87 % av selskapene har gitt agenter fullmakt til å ta viktige beslutninger på egen hånd. Én organisasjon kan bruke en agent til å oppsummere en hendelse og foreslå et tiltak som en tekniker skal vurdere. En annen kan la en agent utføre en forhåndsdefinert handling i en avgrenset del av infrastrukturen. Begge kan oppgi at de bruker agenter, selv om agentene har svært ulike ansvarsområder.

Respondentene anslo at mennesker fortsatt kontrollerer i gjennomsnitt 66 % av KI-drevne beslutninger. Separat oppga 12 % at driften var fullt autonom, mens 44 % sa at de siktet mot dette nivået innen fem år. Det sistnevnte tallet uttrykker dermed ambisjoner, ikke en prognose. Undersøkelsen viste også at kompleks integrasjon var den hyppigst oppgitte hindringen for autonomi, med 31 %, sammen med utfordringer som kompetanse, tilsyn og datakvalitet.

Hva team kan se etter
at en agent har handlet

Standard systemovervåking kan fortelle en tekniker at en tjeneste svarte, og hvor lang tid det tok. Den viser ikke om agenten valgte en passende handling, eller om handlingen løste den underliggende hendelsen. Hvis en agent for eksempel anbefaler å starte en tjeneste på nytt, bør en nyttig logg vise hvilke varsler anbefalingen bygget på, om en person godkjente den, og hva som skjedde med tjenesten etterpå. Da kan teknikerne undersøke om omstarten hjalp, eller om den bare falt sammen med at tjenesten kom seg igjen.

Dynatrace fant at 43 % mente innsyn i agentbeslutninger var et viktig krav til observerbarhet, sammenlignet med 27 % som oppga at organisasjonene deres ivaretok dette. Dette gapet er ikke bevis på at alle de andre mangler logger. Det er en sammenligning mellom hva respondentene mente var viktig, og hva de sa at organisasjonene deres arbeidet med.

Kostnadene tilfører en annen dimensjon. Omtrent 81 % rapporterte økte utgifter til databehandling og infrastruktur som følge av KI-arbeidsbelastninger, og 77 % sa at de trengte bedre innsyn i hvordan kostnadene fordeles. Et verktøy som måler hvor lang tid operatører bruker på en hendelse, uten å registrere de ekstra ressursene en agent forbruker, kan få automatiseringen til å framstå som billigere enn den er. Ved å koble sammen de to målene kan team sammenligne kostnadene ved ulike tilnærminger til samme arbeid.

Prøven på om agenter kan få
større fullmakter

I en oppfølging 17. november beskrev Dynatrace en utvikling fra innsamling av dokumentasjon til anbefaling av handlinger, deretter handlinger med godkjenning, før man eventuelt går videre mot større autonomi når det er berettiget. For et driftsteam innebærer det at en agent bør vurderes ut fra en bestemt oppgave, i stedet for å få utvidede fullmakter fordi den har prestert godt i andre, uvedkommende oppgaver. En agent som pålitelig kategoriserer varsler, har for eksempel ikke nødvendigvis vist at den kan avgjøre når et produksjonssystem bør endres.

Undersøkelsen peker på en praktisk prøve for virksomheter som vurderer større grad av autonomi: Kan et team rekonstruere hva en agent gjorde, begrunne hvilke fullmakter den hadde, og måle om handlingen hjalp? Uten svar på disse spørsmålene kan en høyere innføringsgrad gjenspeile at flere agenter er tatt i bruk i arbeidsflyten, snarere enn at det finnes bevis for at de er klare til å styre den.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.