Par Tsuky 
Une application traditionnelle reçoit une demande, exécute du code et renvoie un résultat. Un agent d'intelligence artificielle peut faire beaucoup plus : interroger plusieurs modèles, consulter des documents, appeler des outils externes, recommencer une opération après un échec et enregistrer les résultats de chacune de ces étapes.
Pour les équipes chargées de maintenir ces services en fonctionnement, chaque action peut devenir une donnée à surveiller.
Les métriques mesurent les performances. Les journaux enregistrent les événements. Les traces permettent de reconstituer le parcours d'une opération à travers plusieurs composants.
Lorsque ces données deviennent trop nombreuses, leur collecte et leur conservation peuvent coûter presque aussi cher que certaines fonctions applicatives qu'elles sont censées aider à optimiser.
C'est le problème auquel Grafana Labs veut s'attaquer.
Lors de sa conférence ObservabilityCON, le 20 octobre 2026 à San Francisco, l'entreprise a présenté plusieurs nouveautés destinées à surveiller les systèmes IA tout en limitant les dépenses de télémétrie.
Le 21 octobre, TechTarget a consacré une analyse à cette stratégie, soulignant le paradoxe auquel les entreprises sont confrontées : elles doivent investir dans davantage de surveillance pour comprendre et réduire leurs coûts informatiques.
Pourquoi les agents IA créent une nouvelle inflation des données
Dans les systèmes informatiques classiques, l'observabilité consiste à comprendre ce qui se passe à l'intérieur d'une application à partir de ses signaux techniques.
Une augmentation du temps de réponse peut déclencher une alerte. Une trace peut révéler qu'une base de données ralentit un service. Les journaux peuvent fournir les éléments nécessaires pour identifier une erreur.
Les applications d'intelligence artificielle ajoutent des dimensions supplémentaires.
Il faut notamment comprendre quel modèle a été appelé, combien de tokens ont été consommés, combien de temps l'opération a duré et quels outils ont été utilisés.
Pour un agent réalisant plusieurs dizaines d'étapes, l'analyse peut nécessiter de reconstruire toute une chaîne de décisions.
Chaque étape peut produire ses propres événements, traces et mesures.
Avec des milliers d'utilisateurs et de nombreuses tâches simultanées, les volumes peuvent croître rapidement.
Les entreprises risquent alors de payer deux fois pour une même activité : une première fois pour exécuter les modèles et une seconde fois pour collecter et analyser les informations nécessaires à leur supervision.
Il ne s'agit pas exactement de deux coûts identiques. La facturation des modèles dépend notamment de leur utilisation, tandis que l'observabilité repose sur l'ingestion, le stockage, le traitement et les requêtes effectuées sur les données.
Les deux dépenses peuvent néanmoins augmenter ensemble lorsque les systèmes IA se développent.
Agent Observability veut rendre visibles les coûts des modèles
Grafana Labs annonce la disponibilité générale d'Agent Observability avec prise en charge d'OpenTelemetry.
L'outil doit permettre aux développeurs de suivre les agents en production au sein des mêmes interfaces que leurs autres applications.
Les équipes peuvent observer les appels aux modèles, les durées d'exécution, les erreurs, la consommation de tokens et les tendances de coût.
L'intérêt est de rapprocher les informations propres à l'intelligence artificielle des données classiques de supervision informatique.
Un agent peut sembler fonctionner correctement tout en effectuant trop d'appels à un modèle coûteux. À l'inverse, une modification destinée à réduire les dépenses peut augmenter le nombre d'échecs ou allonger les traitements.
Une observabilité adaptée permet d'étudier ces compromis.
OpenTelemetry joue ici un rôle important. Ce projet ouvert fournit des conventions et des outils permettant d'instrumenter des applications et de transmettre leurs données de télémétrie.
Grafana cherche ainsi à éviter que les entreprises doivent maintenir une infrastructure entièrement distincte pour observer leurs agents.
Cela ne garantit pas qu'une instrumentation identique sera automatiquement disponible pour tous les frameworks d'agents.
La qualité des informations dépend toujours des événements produits par l'application, des intégrations et des données effectivement transmises.
Le coût de la surveillance s'ajoute à celui des modèles
Grafana distingue explicitement plusieurs catégories de facturation pour Agent Observability.
Les informations relatives aux générations des modèles correspondent à une catégorie de données suivies par le service.
L'utilisation d'évaluations ou de contrôles fondés sur des modèles de langage peut également consommer des tokens facturables.
Les métriques et les traces conservent, de leur côté, les règles de facturation habituelles de Grafana Cloud.
La documentation précise que l'observabilité ne remplace pas la facturation du fournisseur du modèle sous-jacent.
Autrement dit, une entreprise peut payer son fournisseur d'IA pour exécuter une demande, puis payer Grafana pour conserver et analyser les informations concernant cette exécution.
Les mécanismes de facturation des générations et des évaluations concernées sont entrés en application le 1er octobre 2026, selon la documentation de Grafana.
L'intérêt du produit est donc de mieux comprendre ces coûts, pas de rendre gratuite la surveillance des agents.
La distinction est essentielle lorsqu'une entreprise envisage de déployer des milliers d'agents dans différents services.
Adaptive Telemetry cherche à conserver moins de données sans perdre les signaux essentiels
La deuxième partie de la stratégie de Grafana concerne directement les volumes de télémétrie.
L'entreprise développe Adaptive Telemetry, un ensemble d'outils destinés à réduire les informations collectées ou conservées lorsqu'elles apportent peu de valeur opérationnelle.
Dans une grande infrastructure, les mêmes événements peuvent se répéter des millions de fois.
Conserver chaque occurrence pendant une longue période n'est pas toujours nécessaire pour diagnostiquer un incident.
En revanche, supprimer les mauvaises informations peut empêcher une enquête ultérieure.
Adaptive Telemetry cherche à trouver un équilibre entre les coûts et la visibilité.
Les recommandations peuvent porter sur l'agrégation de séries de métriques, la réduction de certains journaux ou l'échantillonnage de traces.
Grafana affirme que ses clients utilisant ces fonctions ont réduit leurs dépenses de télémétrie de 30 à 50 % en moyenne.
Cette fourchette provient des données commerciales communiquées par l'entreprise.
Elle ne signifie pas que chaque déploiement obtiendra automatiquement une réduction équivalente, ni que toutes les catégories de données peuvent être supprimées dans les mêmes proportions.
Les exigences de sécurité, de conformité et d'investigation peuvent imposer des durées de conservation spécifiques.
Adaptive Metrics peut désormais appliquer automatiquement certaines recommandations
L'une des nouveautés annoncées concerne Adaptive Metrics auto-apply.
La fonctionnalité est disponible généralement et permet d'appliquer automatiquement certaines optimisations recommandées par Grafana.
L'objectif est de réduire les séries de métriques inutiles sans demander aux équipes de modifier manuellement chaque configuration.
Une série de métriques associe généralement une mesure à plusieurs dimensions, comme un serveur, une application, un environnement ou un identifiant.
Lorsque le nombre de dimensions augmente fortement, la quantité de séries à stocker peut devenir considérable.
Supprimer une dimension peu utile ou agréger certaines mesures peut réduire ce volume.
Mais cette opération doit préserver les informations nécessaires aux tableaux de bord et aux alertes.
Grafana indique que son mécanisme est conçu pour maintenir le fonctionnement des visualisations et des règles existantes.
Un mode privilégiant les économies applique seulement les recommandations qui n'augmentent pas le nombre total de séries actives.
Cette protection vise à éviter qu'une optimisation automatique provoque paradoxalement une hausse de la facture.
Elle ne dispense pas les administrateurs de contrôler les effets des changements sur leurs besoins d'analyse.
Les journaux peuvent rester accessibles sans être tous stockés dans Grafana Cloud
Adaptive Logs Archive constitue une autre nouveauté importante.
Actuellement en préversion publique, cette fonction permet d'acheminer certains journaux vers un espace de stockage objet contrôlé par le client.
Le principe est de conserver les données sans nécessairement payer pour leur ingestion et leur disponibilité permanente dans la plateforme d'observabilité.
Un système peut produire de très grandes quantités de logs qui ne sont consultés que rarement.
Pour une enquête de sécurité, un audit ou une obligation de conservation, il peut néanmoins être nécessaire de les retrouver plusieurs mois après leur création.
Le stockage objet offre une autre manière de gérer cette contrainte économique.
Grafana prévoit également Adaptive Logs replay, un mécanisme permettant de réimporter certaines informations archivées pour les analyser.
Cette dernière fonction est annoncée en préversion privée, et non en disponibilité générale.
Le choix de conserver une partie des journaux à l'extérieur de Grafana Cloud introduit aussi des compromis.
L'accès aux données archivées peut prendre davantage de temps, et leur réimportation peut entraîner des coûts supplémentaires.
Les équipes doivent donc définir les catégories d'informations à consulter immédiatement et celles dont la récupération différée reste acceptable.
La recherche dans les logs doit devenir plus rapide
Grafana annonce également des améliorations de la recherche textuelle dans Grafana Cloud Logs.
Ces évolutions s'appuient notamment sur les technologies issues de l'acquisition de Logline.
L'objectif est d'accélérer les recherches portant sur des valeurs rares au sein de très grands volumes de journaux.
Lorsqu'une application échoue une seule fois parmi des millions de requêtes, l'information décisive peut se trouver dans un événement exceptionnel.
Les équipes doivent pouvoir retrouver rapidement cette ligne sans examiner manuellement l'ensemble des données.
Les améliorations annoncées sont disponibles généralement.
Grafana affirme qu'elles permettent de retrouver certaines informations en quelques secondes.
La rapidité effective dépend naturellement de la quantité de données, des caractéristiques de la recherche et de l'organisation du stockage.
Les performances observées sur un exemple commercial ne constituent pas une garantie universelle pour toutes les requêtes.
Cette amélioration peut néanmoins être importante pour les agents IA, dont les investigations reposent elles aussi sur la recherche d'informations pertinentes dans les journaux.
Assistant Watchers automatise la détection des anomalies
Grafana ne cherche pas uniquement à surveiller les agents IA. L'entreprise veut également utiliser des agents pour surveiller les applications.
Assistant Watchers, désormais disponible généralement, permet de décrire en langage naturel les systèmes et les comportements à surveiller.
L'outil analyse les données de télémétrie pour établir une référence des comportements habituels.
Il cherche ensuite à identifier des changements qui ne correspondent pas à cette référence.
Les systèmes d'alerte traditionnels reposent souvent sur des règles explicitement définies.
Une équipe peut, par exemple, déclencher une notification lorsqu'un temps de réponse dépasse une certaine valeur.
Mais tous les incidents ne produisent pas immédiatement le dépassement d'un seuil connu.
Un changement inhabituel de comportement peut apparaître dans plusieurs signaux faibles.
Les Watchers cherchent à compléter les alertes classiques en signalant de tels écarts.
Selon Grafana, chaque observation est accompagnée des éléments techniques ayant conduit à son identification.
Les signalements peuvent être transmis par les mécanismes d'alerte existants. Un événement critique peut également déclencher une investigation approfondie.
Cette approche pose toutefois une question importante : combien de signalements seront réellement utiles ?
Une détection trop sensible peut produire de nombreux faux positifs et augmenter la charge des équipes.
Une détection insuffisante peut laisser passer des incidents.
La qualité de l'outil devra donc être évaluée sur sa précision réelle, et pas seulement sur sa capacité à générer automatiquement des alertes.
Grafana veut préparer des correctifs, mais garder une validation humaine
Une autre annonce concerne Grafana Managed Sandboxes.
Cette fonction, actuellement en préversion publique, fournit à Grafana Assistant un environnement cloud contrôlé pour examiner du code.
L'assistant peut analyser un dépôt, rapprocher les informations issues du code des données observées en production et proposer des modifications.
Il peut ensuite préparer une pull request afin qu'un développeur examine le correctif.
Le processus vise à relier plusieurs étapes traditionnellement séparées : identifier une anomalie, comprendre son origine et proposer une modification.
Grafana ne présente pas cette fonction comme une autorisation générale donnée à l'IA de modifier directement les systèmes de production sans contrôle.
La validation humaine reste explicitement prévue.
Cette précaution correspond aux résultats de l'enquête State of Observability 2026 menée avec ETR.
Sur 300 responsables informatiques et ingénieurs interrogés, 85 % se déclarent à l'aise avec des investigations réalisées par une IA en lecture seule.
Cette proportion descend à 52 % lorsqu'il s'agit de corrections entièrement autonomes.
L'écart suggère que les professionnels acceptent plus facilement l'assistance à l'analyse que les interventions automatiques pouvant modifier un système.
L'enquête représente les réponses de cet échantillon, et non une mesure exhaustive de l'ensemble du marché.
Les gains annoncés doivent être replacés dans leur contexte
Grafana cite également une étude IDC publiée en septembre 2026 et consacrée à la valeur de ses outils d'intelligence artificielle.
Selon ce document, les organisations étudiées ont réduit leur temps moyen de résolution des incidents de 63 %.
Les équipes auraient également consacré 46 % de temps en moins à la collecte de contexte pendant leurs périodes d'astreinte.
Ces chiffres sont intéressants, mais leur portée est limitée.
L'étude a été sponsorisée par Grafana Labs et repose sur quatre organisations.
IDC précise lui-même que les résultats doivent être considérés comme indicatifs.
Ils ne prouvent pas que toutes les entreprises utilisant Grafana Assistant réduiront leurs délais d'intervention dans les mêmes proportions.
Les bénéfices peuvent dépendre des pratiques initiales, de la qualité des données disponibles et de l'expérience des équipes.
Ils montrent néanmoins pourquoi le secteur cherche à automatiser certaines investigations répétitives.
L'observabilité devient un problème économique autant que technique
La multiplication des outils d'IA modifie progressivement l'organisation des équipes de développement et d'exploitation.
Une entreprise peut désormais utiliser des agents pour produire du code, tester des applications, examiner des incidents et proposer des corrections.
Chacun de ces agents nécessite lui-même une forme de surveillance.
Plus les entreprises automatisent leurs systèmes, plus elles doivent conserver des informations permettant de comprendre les actions réalisées.
Cette exigence crée une tension entre visibilité et coût.
Réduire excessivement les données peut rendre un incident difficile à expliquer. Tout conserver peut rendre la supervision disproportionnellement chère.
Grafana cherche à résoudre cette contradiction avec une approche combinant réduction des volumes, recherche plus rapide et automatisation des investigations.
Le modèle repose aussi sur une distinction essentielle : mesurer le fonctionnement des agents IA et utiliser des agents pour surveiller les autres applications sont deux activités différentes.
Les nouvelles fonctions couvrent les deux dimensions, sans rendre équivalentes leurs exigences de sécurité et de fiabilité.
Une nouvelle plateforme ne suffit pas à rendre l'exploitation autonome
Les annonces d'ObservabilityCON montrent une évolution importante des logiciels de supervision.
L'interface de surveillance ne se limite plus à présenter des graphiques. Elle commence à proposer des investigations, des alertes contextualisées et des modifications de code.
Mais cette progression n'élimine pas les responsabilités des équipes informatiques.
Il reste nécessaire de déterminer quelles données peuvent être conservées, quels systèmes peuvent être surveillés et quelles actions un assistant est autorisé à effectuer.
La sécurité des accès aux journaux constitue également un enjeu, car ces données peuvent contenir des informations sensibles.
Les entreprises devront en outre vérifier que l'optimisation automatique des volumes ne supprime pas des éléments nécessaires aux enquêtes ou aux obligations réglementaires.
Au 22 octobre 2026, plusieurs nouveautés sont disponibles généralement, notamment Agent Observability, Assistant Watchers et Adaptive Metrics auto-apply.
Adaptive Logs Archive, Managed Sandboxes et Grafana Pages restent en préversion publique, tandis qu'Adaptive Logs replay est encore en préversion privée.
Cette distinction entre disponibilité effective et fonctionnalités en test est importante pour les entreprises envisageant de les intégrer à leurs processus.
La promesse de Grafana est claire : rendre la surveillance des agents et des infrastructures IA plus efficace sans laisser les volumes de données augmenter indéfiniment.
La valeur réelle de cette stratégie se mesurera dans les environnements de production, lorsque les entreprises pourront comparer les économies obtenues, la fiabilité des investigations et le temps nécessaire pour résoudre les incidents.