Kunst­ma­tige intel­li­gentie krijgt in hoog tempo een steeds grotere rol bij het beheer van IT-omgevingen. Bedrijven gebruiken AI om storingen te onder­zoeken, problemen sneller op te lossen en de werkdruk van IT-teams te vermin­deren. Maar zodra AI zelfstandig wijzi­gingen mag doorvoeren in bedrijfs­kri­ti­sche systemen, neemt het vertrouwen aanzien­lijk af. Dat blijkt uit het nieuwe State of Obser­va­bi­lity 2026-onder­zoek van Grafana Labs.

Voor het onder­zoek onder­vroegen Grafana Labs en onder­zoeks­bu­reau ETR 300 IT- en enginee­ring­be­slis­sers in de Verenigde Staten, Japan, Latijns-Amerika en West-Europa. Daaruit komt een duide­lijk beeld naar voren: organi­sa­ties zien steeds meer mogelijk­heden om AI in te zetten voor het beheer van hun IT-infra­struc­tuur, maar worstelen tegelij­ker­tijd met de vraag hoeveel zelfstan­dig­heid zij de techno­logie kunnen geven.

Inmid­dels heeft 68 procent van de onder­zochte organi­sa­ties AI verder gebracht dan de eerste verken­nende fase. Zij experi­men­teren actief met toepas­singen of gebruiken de techno­logie al in produc­tie­om­ge­vingen. Bij 47 procent draait AI inmid­dels ergens in de produc­tie­om­ge­ving of vormt de techno­logie een belang­rijk onder­deel van de IT-strategie.

Toch betekent die snelle adoptie niet dat IT-managers AI ook volledig vertrouwen. Maar liefst 85 procent van de onder­vraagden vindt het accep­tabel wanneer AI zelfstandig onder­zoek doet naar de oorzaak van een storing. Ook het voorstellen van oplos­singen kan op brede steun rekenen: 84 procent staat daar positief tegenover.

Dat veran­dert zodra AI zelf maatre­gelen mag nemen. Slechts 56 procent voelt zich comfor­tabel bij AI die zelfstandig code of confi­gu­ra­ties aanpast. Bij het volledig autonoom oplossen van incidenten daalt dat percen­tage naar 52 procent. En wanneer AI zonder mense­lijke tussen­komst wijzi­gingen in productie mag uitrollen, blijft nog maar 50 procent over.

Vertrouwen moet worden verdiend

Volgens Anthony Woods, medeop­richter van Grafana Labs, laat dit zien dat organi­sa­ties een belang­rijk onder­scheid maken tussen AI die adviseert en AI die daadwer­ke­lijk handelt. Hij wijst erop dat het vertrouwen in een systeem dat vertelt wat er misgaat iets heel anders is dan het vertrouwen in een systeem dat zelfstandig wijzi­gingen aanbrengt in een productieomgeving.

Dat verschil is begrij­pe­lijk. Een AI-systeem dat een verkeerde analyse maakt, kan door een beheerder worden gecor­ri­geerd voordat er iets gebeurt. Wanneer dezelfde AI zelfstandig ingrijpt in een complexe IT-omgeving, kunnen fouten direct gevolgen hebben voor de beschik­baar­heid van appli­ca­ties en bedrijfsprocessen.

De onder­zoe­kers consta­teren dat betrouw­baar­heid daarom een belang­rijke voorwaarde is voor verdere automa­ti­se­ring. Van de onder­vraagden noemt 26 procent onvol­doende betrouw­baar­heid als belang­rijkste belem­me­ring voor AI-adoptie. Wet- en regel­ge­ving en compli­ance volgen met 23 procent, terwijl 21 procent het vertrouwen van klanten als voornaamste obstakel ziet.

Opval­lend is dat IT-managers niet zozeer om meer functi­o­na­li­teit vragen. Zij willen vooral kunnen begrijpen waarom AI bepaalde conclu­sies trekt en kunnen vaststellen dat die conclu­sies betrouw­baar zijn. Zowel aantoon­bare nauwkeu­rig­heid als betere uitleg­baar­heid wordt door 45 procent genoemd als een manier om het vertrouwen te vergroten.

AI vermindert werkdruk van IT-teams

Ondanks deze terug­hou­dend­heid zijn de eerste resul­taten van AI in IT-beheer volgens de respon­denten positief. Zo zegt 67 procent dat AI-gebaseerde hulpmid­delen het werk van engineers met storings­dien­sten hebben verbe­terd. Bij 28 procent is zelfs sprake van een aanzien­lijke vermin­de­ring van de werkdruk en zogenoemde alert fatigue: de vermoeid­heid die ontstaat wanneer beheer­ders voort­du­rend meldingen en waarschu­wingen moeten beoordelen.

AI kan hierbij helpen door grote hoeveel­heden logbe­standen, presta­tie­ge­ge­vens en andere techni­sche infor­matie te analy­seren. In plaats van afzon­der­lijke waarschu­wingen te onder­zoeken, kunnen beheer­ders sneller inzicht krijgen in de mogelijke samen­hang tussen gebeurtenissen.

Daarmee veran­dert ook de rol van obser­va­bi­lity, het verza­melen en analy­seren van gegevens om inzicht te krijgen in de werking en presta­ties van IT-systemen. Waar obser­va­bi­lity tradi­ti­o­neel vooral bedoeld was om beheer­ders te helpen problemen te signa­leren en te begrijpen, ontstaat nu de mogelijk­heid om AI steeds meer van dat werk te laten uitvoeren.

Wie houdt toezicht op de AI zelf?

Het onder­zoek signa­leert tegelij­ker­tijd een tweede ontwik­ke­ling. Organi­sa­ties gebruiken AI niet alleen om hun bestaande IT-systemen te bewaken, maar moeten ook steeds vaker toezicht houden op AI-toepas­singen die zij zelf ontwik­kelen. Maar liefst 80 procent van de onder­zochte organi­sa­ties ontwik­kelt of gebruikt inmid­dels toepas­singen op basis van large language models (LLM’s). Bij 42 procent zijn derge­lijke toepas­singen al in productie en bij 38 procent bevinden ze zich nog in ontwik­ke­ling of in een pilotfase.

Het monitoren van deze toepas­singen blijkt echter minder ver ontwik­keld dan het tradi­ti­o­nele toezicht op IT-systemen. Van de organi­sa­ties die LLM-toepas­singen ontwik­kelen of testen, houdt 63 procent de kwali­teit en nauwkeu­rig­heid van de antwoorden bij. Iets meer dan de helft monitort de respons­tijden en het token­ge­bruik. Slechts 42 procent volgt hoe vaak AI-modellen onjuiste of verzonnen infor­matie produ­ceren, de zogenoemde hallucinaties.

Ook het inzicht in de kosten laat te wensen over. Slechts 44 procent monitort welke kosten aan speci­fieke modellen, toepas­singen of teams kunnen worden toege­re­kend. Opval­lend is boven­dien hoe organi­sa­ties hun AI-monito­ring technisch organi­seren. Bij 45 procent bestaat de oplos­sing uit een combi­natie van verschil­lende open-source­pro­jecten. Nog eens 30 procent heeft volledig eigen software ontwik­keld. Slechts een kwart gebruikt een speciaal voor dit doel ontwik­keld commer­cieel product.

Dat wijst erop dat de markt voor AI-obser­va­bi­lity nog volop in ontwik­ke­ling is. Organi­sa­ties zoeken naar manieren om niet alleen de techni­sche presta­ties van AI-toepas­singen te volgen, maar ook de kwali­teit, betrouw­baar­heid en kosten ervan inzich­te­lijk te maken.

Uitgaven aan observability blijven stijgen

Deze ontwik­ke­lingen hebben gevolgen voor de IT-budgetten. Volgens het onder­zoek heeft 78 procent van de organi­sa­ties het afgelopen jaar meer uitge­geven aan obser­va­bi­lity. Voor de komende twaalf maanden verwacht 73 procent opnieuw een stijging. AI speelt daarbij op twee manieren een rol. Enerzijds inves­teren organi­sa­ties in nieuwe obser­va­bi­li­ty­func­ti­o­na­li­teiten waarin AI is geïnte­greerd. Ander­zijds zorgt AI-onder­steunde softwa­re­ont­wik­ke­ling ervoor dat steeds meer appli­ca­ties en systemen ontstaan die eveneens moeten worden gemonitord.

De hogere uitgaven worden door de meeste respon­denten gerecht­vaar­digd geacht. Maar liefst 97 procent zegt op zijn minst enige waarde te halen uit de extra inves­te­ringen. Tegelij­ker­tijd kan 36 procent die toege­voegde waarde nog niet goed finan­cieel onder­bouwen. Ook het samen­brengen van verschil­lende monito­ring­tools krijgt veel aandacht. Inmid­dels gebruikt 53 procent van de organi­sa­ties een organi­sa­tie­breed obser­va­bi­li­ty­plat­form, terwijl nog eens 25 procent bezig is met de overstap naar een meer geïnte­greerde aanpak.

Voor IT-afdelingen is die conso­li­datie relevant omdat moderne infra­struc­turen steeds complexer worden. Appli­ca­ties draaien verspreid over cloudom­ge­vingen, contai­ners, eigen datacen­ters en externe diensten. Wanneer monito­ring­ge­ge­vens over verschil­lende systemen zijn verdeeld, wordt het moeilijker om verbanden te herkennen. Dat geldt voor mense­lijke beheer­ders, maar ook voor AI-systemen die deze infor­matie nodig hebben om betrouw­bare analyses te maken.

Van AI die adviseert naar AI die handelt

De onder­zoe­kers verwachten dat AI de komende jaren een bepalende rol gaat spelen in de verdere ontwik­ke­ling van obser­va­bi­lity. Van de onder­vraagde IT-beslis­sers ziet 28 procent autonome IT-opera­ties als de belang­rijkste ontwik­ke­ling voor de komende twee jaar. Nog eens 25 procent verwacht dat juist het monitoren en contro­leren van AI-toepas­singen de grootste veran­de­ring wordt.

Daarmee ontstaat een interes­sante wissel­wer­king. Organi­sa­ties willen AI gebruiken om hun IT-systemen steeds zelfstan­diger te beheren. Tegelij­ker­tijd hebben zij betere monito­ring nodig om te kunnen contro­leren of diezelfde AI betrouw­baar functi­o­neert. De uitda­ging verschuift daarmee van de vraag óf AI kan helpen bij IT-beheer naar de vraag onder welke voorwaarden organi­sa­ties de techno­logie zelfstandig beslis­singen laten nemen.

Het onder­zoek van Grafana maakt duide­lijk dat de techni­sche mogelijk­heden zich sneller ontwik­kelen dan het vertrouwen van IT-managers. De stap naar volledig autonome IT-opera­ties zal daarom niet uitslui­tend afhangen van slimmere AI-modellen, maar vooral van de mate waarin organi­sa­ties hun gedrag kunnen contro­leren, hun beslis­singen kunnen verklaren en de gevolgen van eventuele fouten kunnen beheersen.

Het onder­zoek State of Obser­va­bi­lity 2026 is uitge­voerd in juni 2026 onder 300 senior IT- en enginee­ring­be­slis­sers, van wie 50 in West-Europa. De resul­taten zijn op 19 oktober gepubli­ceerd. Het betreft een onder­zoek onder beslis­sers met invloed op obser­va­bi­lity-inves­te­ringen en geen repre­sen­ta­tieve meting van alle bedrijven.