L’intelligenza artificiale sta cambiando anche uno dei pilastri meno visibili dell’infrastruttura digitale: l’osservabilità. Log, metriche e tracce non servono più soltanto a ricostruire cosa è accaduto dopo un guasto o a misurare le prestazioni di un’applicazione.
La crescente diffusione di agenti software, modelli linguistici e applicazioni sviluppate con il contributo dell’AI sta trasformando i dati di osservabilità in una componente essenziale del funzionamento stesso dei sistemi intelligenti. Non servono più soltanto a capire cosa è successo, ma alimentano decisioni automatiche, permettono agli agenti di verificare il proprio comportamento e rappresentano il punto di partenza per automatizzare attività operative sempre più complesse.
È proprio questa evoluzione che, secondo Dynatrace, rende necessario ripensare il modo in cui vengono raccolti, gestiti e correlati i dati provenienti dagli ambienti IT. I numeri fotografano bene la portata del cambiamento: secondo la ricerca The State of Log Management 2026, nell’ultimo anno i workload AI hanno fatto crescere del 93% il volume di log e telemetria, mentre le organizzazioni utilizzano in media sette strumenti differenti per gestire queste informazioni, con inevitabili problemi di frammentazione e costi sempre più elevati.
Ma i numeri raccontano soltanto una parte della storia. Il cambiamento più profondo interessa il ruolo dei dati di osservabilità, che diventano la base informativa sulla quale gli agenti AI costruiscono decisioni, automatizzano processi e verificano il proprio comportamento.
L’osservabilità entra nell’era degli agenti AI
Secondo Mala Pillutla, Worldwide Vice President Observability & Security di Dynatrace, il mercato sta vivendo due trasformazioni parallele.
Da una parte le organizzazioni stanno cercando di automatizzare progressivamente le attività operative, affidando all’intelligenza artificiale una parte sempre maggiore delle decisioni oggi prese dagli strumenti di AIOps e IT Operations. Dall’altra sta cambiando il modo stesso in cui vengono sviluppate le applicazioni.
“Oggi vediamo due categorie di aziende. Ci sono quelle che stanno ancora sperimentando l’intelligenza artificiale e stanno cercando di capire come utilizzarla nei processi aziendali. Ma esistono già organizzazioni AI-native nelle quali gli agenti collaborano tra loro e costruiscono autonomamente nuove applicazioni.”
E se fino a pochi anni fa il software era interamente scritto dagli sviluppatori, oggi stanno emergendo ambienti in cui convivono codice prodotto dagli esseri umani e codice generato dai modelli di intelligenza artificiale. Nelle realtà più avanzate gli agenti software arrivano persino a dialogare tra loro, creando nuovo codice senza intervento umano.
Uno scenario che modifica profondamente anche il ruolo delle piattaforme di osservabilità: diventa necessario comprendere il comportamento degli agenti AI, verificarne l’affidabilità, controllarne il consumo di risorse e garantire che rispettino policy di sicurezza e requisiti normativi.
Per questo Dynatrace parla sempre più apertamente di Autonomous Operations, un modello nel quale l’osservabilità rappresenta il livello informativo sul quale costruire processi operativi sempre più automatizzati.
Anche Emanuele Cagnola, Senior Solutions Engineering Manager di Dynatrace Italia, insiste sul fatto che l’AI non possa produrre risultati affidabili senza una base dati altrettanto affidabile.
“Il punto di partenza di qualsiasi iniziativa di intelligenza artificiale è disporre di dati affidabili e di qualità. Se vogliamo ottenere risultati concreti, dobbiamo costruire una base informativa nella quale log e dati di telemetria siano raccolti e organizzati in modo coerente.”
Secondo il manager italiano è proprio questo il prerequisito per trasformare i numerosi progetti pilota oggi presenti nelle aziende in applicazioni realmente operative.
Il problema non è raccogliere più dati, ma raccogliere quelli giusti
È proprio qui che emerge il limite degli approcci tradizionali. Se gli agenti AI devono prendere decisioni sulla base dei dati di osservabilità, la semplice raccolta di grandi volumi di informazioni non è più sufficiente.
Secondo Dynatrace, il valore nasce dalla capacità di disporre di dati affidabili, contestualizzati e facilmente correlabili. Oggi, invece, molte organizzazioni gestiscono log, metriche e tracce attraverso strumenti differenti, creando silos che obbligano i team a ricostruire manualmente ciò che è accaduto ogni volta che si verifica un’anomalia.
Da questa constatazione nasce l’idea di “spostare l’intelligenza a monte”, cioè filtrare, arricchire e contestualizzare le informazioni prima ancora che entrino nella piattaforma di osservabilità.
“La sfida – spiega ancora Mala Pillutla – non è la mancanza di informazioni. È la qualità dei segnali che raccogliamo. Dati di scarsa qualità producono insight di scarsa qualità e questo diventa ancora più critico quando le decisioni vengono automatizzate dall’intelligenza artificiale.”
E in fondo è proprio da questa considerazione che è nata la decisione di acquisire BindPlane, piattaforma specializzata nella gestione delle pipeline di telemetria basate su OpenTelemetry, con l’obiettivo non di raccogliere più log, ma di intervenire direttamente nel punto in cui vengono generati, filtrandoli, arricchendoli e indirizzandoli prima che raggiungano la piattaforma centrale.
Secondo Cagnola questo approccio permette di costruire una base dati molto più solida sulla quale sviluppare i futuri servizi AI, evitando che log, metriche e tracce continuino a essere gestiti come silos separati.
Un aspetto particolarmente rilevante riguarda anche la protezione dei dati sensibili. Poiché i log possono contenere informazioni personali o riservate, BindPlane consente di applicare politiche di filtraggio e gestione delle PII direttamente all’edge, prima ancora che i dati vengano inviati alla piattaforma di osservabilità. Una scelta che risponde sia a esigenze di sicurezza sia ai crescenti requisiti di compliance.
Dai log alle Autonomous Operations: quando l’AI inizia a gestire l’IT
La disponibilità di dati affidabili rappresenta soltanto il primo passo. Il secondo consiste nel trasformare queste informazioni in azioni automatiche.
Ecco che prende forma il concetto di Autonomous Operations, destinato a modificare profondamente il modo in cui vengono gestite le infrastrutture digitali.
Fino a oggi le piattaforme di osservabilità avevano soprattutto il compito di individuare rapidamente la causa di un malfunzionamento e fornire ai team IT gli elementi necessari per intervenire. L’obiettivo era ridurre il tempo necessario a individuare un problema (MTTR), lasciando però alle persone il compito di decidere come risolverlo.
L’intelligenza artificiale apre uno scenario diverso.
“In passato utilizzavamo l’AI per aiutare i clienti a identificare la causa di un problema nel minor tempo possibile. Oggi, grazie alle funzionalità agentiche integrate nella piattaforma, possiamo automatizzare anche i processi di risoluzione, prevenzione e ottimizzazione. Le Autonomous Operations non sono più un’ambizione futura: possono essere realizzate già oggi”, spiega Cagnola.
Perché questo accada, però, serve un livello di integrazione molto più esteso rispetto al passato. Dynatrace punta infatti a collegare la propria piattaforma con gli strumenti già presenti nelle aziende, dai servizi cloud dei principali hyperscaler fino a piattaforme come ServiceNow, trasformando l’osservabilità nel punto di partenza di flussi operativi completamente automatizzati.
L’idea è semplice: se il sistema è in grado di comprendere cosa sta accadendo, individuarne la causa e conoscere il contesto dell’infrastruttura, può anche avviare automaticamente le azioni necessarie per mitigare il problema o prevenirne il ripetersi.
Quando sono gli agenti a scrivere il software
Analoghe riflessioni toccano l’ambito dello sviluppo del software.
Secondo Mala Pillutla, sempre più organizzazioni stanno entrando in una fase nella quale gli agenti AI non si limitano ad assistere gli sviluppatori, ma iniziano a produrre codice, modificarlo e interagire autonomamente con altri agenti.
Questo cambia completamente gli obiettivi dell’osservabilità e Dynatrace individua tre nuove aree di attenzione.
La prima riguarda il consumo di token e delle risorse computazionali. Ogni richiesta elaborata da un modello linguistico genera infatti un costo in termini di capacità di calcolo. In architetture completamente agentiche questo consumo può crescere rapidamente, rendendo necessario monitorare continuamente il rapporto tra valore prodotto e risorse impiegate.
“Gli agenti non hanno una naturale percezione del rapporto tra costo e valore. Ogni inferenza, ogni prompt, comporta consumo di token. Per questo la gestione dell’utilizzo delle risorse diventa un caso d’uso fondamentale.”
Il secondo elemento riguarda le cosiddette hallucination e il model drift, cioè la progressiva variazione del comportamento dei modelli nel tempo. Garantire risultati coerenti, individuare eventuali derive e comprendere perché un agente abbia preso una determinata decisione diventa un requisito essenziale per qualsiasi organizzazione che voglia utilizzare l’intelligenza artificiale in produzione.
Il terzo ambito è rappresentato da governance, compliance e sicurezza.
Quando sono gli agenti a generare codice, diventa necessario verificare che vengano rispettate le policy aziendali, gli standard di sicurezza e i requisiti normativi. Non a caso, osserva Pillutla, molte organizzazioni stanno iniziando a costruire framework dedicati proprio alla governance del codice generato dall’intelligenza artificiale.
Dalla vulnerabilità al contesto: perché la sicurezza cambia prospettiva
La crescente diffusione del codice generato dall’intelligenza artificiale sta cambiando anche il modo in cui vengono gestite le vulnerabilità. I nuovi modelli di frontiera possono infatti contribuire sia alla creazione sia all’individuazione di nuove debolezze del software, rendendo il panorama delle minacce molto più dinamico rispetto al passato.
In questo scenario, secondo Dynatrace, individuare una CVE rappresenta soltanto il primo passaggio. Diventa altrettanto importante comprenderne il contesto operativo: verificare se sia realmente sfruttabile, quali applicazioni coinvolga, quali servizi dipendano da essa e quale possa essere il suo impatto sul business.
Da qui la scelta di adottare un approccio runtime, nel quale le vulnerabilità vengono valutate mentre le applicazioni sono in esecuzione, integrando le informazioni di sicurezza con i dati di osservabilità e permettendo di stabilire quali rappresentino un rischio concreto per l’operatività.
Lo stesso principio vale anche per la conformità normativa.
Secondo Cagnola, regolamenti come NIS2 e DORA stanno accelerando l’adozione di piattaforme di osservabilità capaci di fornire una mappatura costantemente aggiornata delle dipendenze tra applicazioni, servizi cloud, ambienti Kubernetes e infrastrutture on-premise.
“Oggi comprendere chi comunica con chi, come si muovono i dati e quali dipendenze esistono tra i diversi componenti dell’infrastruttura diventa fondamentale sia per la sicurezza sia per la compliance.”
L’automazione della raccolta delle evidenze e l’aggiornamento continuo della mappa applicativa consentono infatti di semplificare molti degli adempimenti richiesti dalle nuove normative europee.
Osservabilità: l’Italia come laboratorio della strategia enterprise
Questa visione si riflette anche nella strategia di crescita di Dynatrace in Italia, considerata dall’azienda uno dei mercati più importanti in Europa.
Presente nel Paese da oltre quindici anni, Dynatrace ha costruito una posizione particolarmente solida nei comparti regolamentati — servizi finanziari, utility, telecomunicazioni e pubblica amministrazione — per poi estendere progressivamente la propria presenza agli altri settori industriali.
Secondo Cagnola, il mercato continuerà a svilupparsi lungo quattro direttrici principali: la crescita delle aziende digital native, la convergenza tra infrastructure monitoring, application performance monitoring e log management, l’espansione delle soluzioni dedicate alla gestione dei log e l’integrazione del vulnerability management all’interno della piattaforma di osservabilità.
In questa strategia un ruolo centrale spetta al canale. Tra il 70% e l’80% del fatturato italiano viene infatti sviluppato attraverso partner, system integrator e hyperscaler, con un ecosistema che comprende collaborazioni globali e iniziative locali dedicate ai diversi mercati verticali.
