Splunk veut faire de l’observabilité un véritable poste de contrôle des agents IA.
Avec Agent Observability, l’éditeur ne cherche plus seulement à mesurer performances, latence ou disponibilité, mais à reconstruire les décisions prises par les agents, leurs appels aux modèles et aux outils, leurs permissions et la qualité des réponses produites. Une évolution rendue nécessaire par des systèmes non déterministes, capables d’emprunter plusieurs chemins pour accomplir une même tâche.
Cette montée en autonomie pose aussi une question économique. Avec Tokenomics, Splunk veut relier consommation de tokens, usage des agents, coûts et valeur métier, alors que ces systèmes peuvent multiplier les appels à plusieurs modèles. L’éditeur entend ainsi dépasser le simple comptage des ressources pour fournir un véritable pilotage économique de l’IA.
La question de la confiance devient tout aussi centrale: jusqu’où élargir les permissions d’un agent, comment garder une trace de ses actions et comment articuler cette gouvernance avec les outils de sécurité? Observability Studio complète l’approche en déplaçant une partie de l’instrumentation vers la phase de développement.
Dans l’article, des schémas et un tableau de synthèse permettent de visualiser les mécanismes de contrôle, de traçabilité et de coût.