OpenTelemetry
Sztuczna inteligencja
Dynatrace
Cyberbezpieczeństwo
Artykuł
News
Obserwowalność
Cyberbezpieczeństwo
User Experience

AI Observability, LLM i autonomiczne IT - najważniejsze wnioski z Observability Poland 2026

Sztuczna inteligencja zmienia sposób projektowania, monitorowania i zarządzania środowiskami IT. Wraz z rozwojem dużych modeli językowych (LLM) i autonomicznych agentów AI tradycyjne monitorowanie przestaje wystarczać. Organizacje potrzebują nowego podejścia - AI observability. To właśnie temu wyzwaniu poświęcona była konferencja Observability Poland 2026, która 22 października zgromadziła w Warszawie ekspertów technologicznych, architektów IT i liderów biznesu.

Pod hasłem See more. Secure more. Automate more. uczestnicy rozmawiali o przyszłości obserwowalności, wykorzystaniu AI w operacjach IT, cyberbezpieczeństwie i automatyzacji. Wśród najważniejszych tematów znalazły się LLM observability, monitorowanie agentów AI, OpenTelemetry, Business-Centric Observability oraz autonomiczne środowiska IT.

Eksperci Omnilogy również podzielili się swoją wiedzą, pokazując, dlaczego nowoczesna obserwowalność powinna łączyć perspektywę technologiczną z rzeczywistymi potrzebami biznesu.

AI Observability - dlaczego tradycyjne monitorowanie IT już nie wystarcza?

Tradycyjne rozwiązania observability koncentrują się na monitorowaniu infrastruktury, aplikacji i usług za pomocą trzech podstawowych rodzajów danych: logs, metrics i traces. Pozwalają wykrywać awarie, analizować wydajność i identyfikować problemy w rozproszonych środowiskach IT.

Jednak aplikacje wykorzystujące sztuczną inteligencję, modele LLM i agentów AI wprowadzają zupełnie nowy poziom złożoności.

System może działać poprawnie z technicznego punktu widzenia, zwracać odpowiedzi bez błędów HTTP i utrzymywać odpowiedni czas odpowiedzi, a jednocześnie generować nieprawidłowe, nieprecyzyjne lub niebezpieczne treści.

Dlatego AI observability rozszerza tradycyjne podejście do obserwowalności o monitorowanie zachowania modeli AI, jakości generowanych odpowiedzi, wykorzystania tokenów, kosztów, opóźnień i interakcji między agentami a zewnętrznymi narzędziami.

W praktyce AI observability pozwala odpowiedzieć na pytania:

• Czy model AI generuje poprawne i wiarygodne odpowiedzi?

• Skąd wynikają halucynacje i błędy w odpowiedziach LLM?

• Ile kosztuje obsługa poszczególnych zapytań i procesów AI?

• Jakie są opóźnienia na poszczególnych etapach przetwarzania?

• Czy agent AI prawidłowo korzysta z dostępnych narzędzi i źródeł danych?

• Czy zmiana modelu, promptu lub danych wejściowych wpływa na jakość działania aplikacji?

To właśnie przejście od monitorowania dostępności systemów do rozumienia ich rzeczywistego zachowania było jednym z ważniejszych wątków Observability Poland 2026.

LLM Observability - jak monitorować modele językowe w środowisku produkcyjnym?

Duże modele językowe (Large Language Models – LLM) coraz częściej stają się częścią produktów, usług i wewnętrznych procesów biznesowych. Ich wdrożenie to jednak dopiero początek. Organizacje muszą również wiedzieć, jak modele zachowują się w rzeczywistych warunkach produkcyjnych.

LLM observability koncentruje się na monitorowaniu całego procesu przetwarzania zapytań przez modele językowe – od danych wejściowych, przez wywołania modelu, aż po wygenerowaną odpowiedź.

Kluczowe obszary obejmują:

• Response quality - jakość, trafność i użyteczność generowanych odpowiedzi.

• Hallucination detection - identyfikowanie nieprawdziwych lub nieuzasadnionych informacji.

• Token usage - monitorowanie liczby tokenów wejściowych i wyjściowych oraz związanych z nimi kosztów.

• Latency monitoring - analiza czasu odpowiedzi modelu i opóźnień poszczególnych operacji.

• Prompt monitoring - kontrolowanie wpływu zmian promptów na zachowanie i jakość modelu.

• Model performance - porównywanie skuteczności różnych modeli i wykrywanie pogorszenia jakości działania.

Ważnym wyzwaniem jest również fakt, że modele generatywne nie zawsze zwracają identyczne odpowiedzi na te same zapytania. Oznacza to, że tradycyjne testowanie i monitorowanie oparte wyłącznie na przewidywalnych rezultatach nie wystarcza.

Podczas konferencji Emilia Rucińska z Soflab poruszyła właśnie ten problem w kontekście testowania botów AI, które za każdym razem mogą odpowiadać inaczej. To istotny element dyskusji o jakości, wiarygodności i kontroli systemów wykorzystujących generatywną sztuczną inteligencję.

AI Agent Observability - nowy wymiar kontroli autonomicznych systemów

Kolejnym ważnym tematem konferencji była obserwowalność agentów AI.

W przeciwieństwie do tradycyjnych chatbotów agenci AI mogą samodzielnie realizować wieloetapowe zadania, korzystać z zewnętrznych narzędzi, komunikować się z innymi systemami i podejmować decyzje w ramach określonych procesów.

Ta autonomia stwarza nowe wyzwania dla zespołów IT.

Jeśli agent nie wykona zadania prawidłowo, samo sprawdzenie końcowej odpowiedzi może nie wystarczyć do zidentyfikowania przyczyny problemu. Konieczne jest prześledzenie całego procesu: kolejnych wywołań modelu, decyzji, interakcji z narzędziami i przepływu danych.

AI agent observability pozwala analizować zachowanie agentów na każdym etapie wykonywania zadania.

Szczególne znaczenie mają:

• śledzenie wieloetapowych procesów i interakcji agentów (agent tracing);

• monitorowanie wywołań modeli LLM i zewnętrznych API;

• analiza wykorzystania narzędzi przez agentów AI;

• identyfikowanie błędnych decyzji i nieudanych operacji;

• monitorowanie czasu wykonania i kosztów całego procesu;

• kontrolowanie bezpieczeństwa, uprawnień i zgodności podejmowanych działań.

Temat ten znalazł bezpośrednie odzwierciedlenie w prezentacji Patryka Gudalewicza z Soflab, poświęconej pytaniu, czy nowy model LLM jest rzeczywiście lepszy dla biznesu oraz jak prowadzić AI observability w świecie agentów.

Warto podkreślić, że rozwój agentic AI nie oznacza rezygnacji z kontroli człowieka. Wręcz przeciwnie – im większą autonomię otrzymują systemy, tym ważniejsze stają się transparentność ich działania, możliwość audytu i odpowiednie mechanizmy nadzoru.

OpenTelemetry i GenAI - wspólny standard dla obserwowalności AI

Rozwój AI observability wiąże się również z potrzebą standaryzacji sposobu zbierania i analizowania danych telemetrycznych.

Jednym z kluczowych rozwiązań w tym obszarze jest OpenTelemetry - otwarty projekt umożliwiający zbieranie i eksportowanie danych telemetrycznych niezależnie od dostawcy platformy observability.

W kontekście generatywnej sztucznej inteligencji rozwijane są konwencje semantyczne GenAI, które rozszerzają tradycyjną telemetrię o informacje specyficzne dla aplikacji AI.

Dzięki temu możliwe jest między innymi śledzenie:

• wywołań modeli i ich parametrów;

• liczby tokenów wejściowych i wyjściowych;

• czasu wykonywania operacji LLM;

• interakcji z narzędziami i zewnętrznymi usługami;

• przepływu danych w aplikacjach wykorzystujących agentów AI.

Temat standaryzacji danych telemetrycznych został poruszony podczas wystąpienia Adriany Villeli z Dynatrace -„OpenTelemetry - Playtime is Over”.

Ważnym wnioskiem jest to, że samo zbieranie coraz większej ilości danych nie gwarantuje lepszej obserwowalności. Organizacje muszą również zadbać o jakość telemetryki, jej spójność, optymalizację i kontrolę kosztów.

OpenTelemetry i rozwój konwencji GenAI mogą odegrać istotną rolę w budowaniu spójnego podejścia do monitorowania tradycyjnych aplikacji oraz systemów AI.

Business-Centric Observability - technologia musi wspierać biznes

AI observability i rozwój autonomicznych systemów to tylko część większej zmiany. Nowoczesna obserwowalność powinna dostarczać informacji, które pomagają organizacjom podejmować lepsze decyzje biznesowe.

Ten aspekt szczególnie mocno wybrzmiał podczas prezentacji „Observability with Business Focus”, którą przedstawił Tomasz Płoński, CTO Omnilogy, wspólnie z Michałem Olszewskim.

Business-Centric Observability zakłada powiązanie danych technicznych z procesami biznesowymi i ich rzeczywistym wpływem na organizację.

Przykładowo, problem z wydajnością aplikacji nie musi być wyłącznie incydentem technicznym. Może prowadzić do opóźnień w obsłudze zamówień, niedostępności usług lub pogorszenia doświadczeń klientów.

Dzięki połączeniu danych z różnych warstw środowiska IT organizacje mogą lepiej rozumieć zależności między infrastrukturą, aplikacjami i procesami biznesowymi.

To pozwala nie tylko szybciej identyfikować problemy, ale również ustalać priorytety na podstawie ich znaczenia dla biznesu.

Digital Experience Observability - zrozumieć zachowania użytkowników

Kolejnym ważnym obszarem jest analiza doświadczeń użytkowników i ich zachowań w środowiskach cyfrowych.

Podczas konferencji Sławomir Michalik z Omnilogy zaprezentował temat „Automated Insights into Digital Customer Behavior”, pokazując znaczenie automatycznej analizy zachowań klientów w usługach cyfrowych.

Dane dotyczące interakcji użytkowników z aplikacjami i serwisami internetowymi pozwalają lepiej zrozumieć, jak faktycznie korzystają oni z oferowanych usług.

W połączeniu z automatyczną analizą i AI takie informacje mogą wspierać identyfikowanie problemów w ścieżkach użytkowników, wykrywanie nieoczekiwanych zachowań i wskazywanie obszarów wymagających optymalizacji.

To kolejny przykład tego, jak nowoczesna obserwowalność wykracza poza infrastrukturę IT i staje się narzędziem wspierającym jakość usług oraz doświadczenie klienta.

Od AI Observability do Autonomous IT - kolejny etap rozwoju IT Operations

Ostatnim istotnym kierunkiem była automatyzacja i rozwój autonomicznych środowisk IT.

Podczas Observability Poland 2026 eksperci Dynatrace i ServiceNow przedstawili podejścia do wykorzystania AI w automatyzacji operacji IT, orkiestracji incydentów i automatycznej remediacji.

Tradycyjny model działania zakłada, że system wykrywa problem, generuje alert, a następnie przekazuje go zespołowi IT, który analizuje sytuację i podejmuje działania naprawcze.

W bardziej zaawansowanym modelu dane telemetryczne mogą uruchamiać kolejne etapy automatycznego procesu: analizę przyczyny, ocenę wpływu incydentu, wybór odpowiedniego działania i jego wykonanie.

To kierunek określany jako Autonomous IT.

Nie oznacza on jednak pełnej autonomii wszystkich procesów. Kluczowe pozostają odpowiednie reguły, mechanizmy bezpieczeństwa, kontrola uprawnień i możliwość weryfikacji działań podejmowanych przez systemy AI.

Połączenie observability, sztucznej inteligencji i automatyzacji może znacząco zmienić sposób funkcjonowania zespołów IT Operations, SRE i DevOps.

Observability Poland 2026 - wspólna perspektywa na przyszłość IT

Tegoroczna konferencja pokazała, że przyszłość obserwowalności będzie kształtowana przez kilka wzajemnie uzupełniających się obszarów:

1. AI Observability - monitorowanie jakości, wydajności, bezpieczeństwa i kosztów systemów wykorzystujących sztuczną inteligencję.

2. LLM & Agent Observability - zrozumienie działania modeli językowych i wieloetapowych procesów realizowanych przez autonomicznych agentów.

3. OpenTelemetry & GenAI - standaryzacja danych telemetrycznych i budowanie spójnego obrazu środowisk IT.

4. Business-Centric Observability - łączenie danych technicznych z procesami i wynikami biznesowymi.

5. Autonomous IT - wykorzystanie AI do automatyzacji analizy incydentów i działań naprawczych.

Spotkania, prezentacje i demonstracje technologiczne ekspertów z Dynatrace, ServiceNow, Anomali, Soflab i Omnilogy pokazały, że nowoczesna obserwowalność nie jest już wyłącznie domeną zespołów infrastrukturalnych. Staje się strategicznym elementem zarządzania technologią, bezpieczeństwem i doświadczeniem klientów.

See more. Secure more. Automate more. – to nie tylko hasło Observability Poland 2026, ale również kierunek, w którym zmierza rozwój nowoczesnych środowisk IT.

Dziękujemy wszystkim prelegentom, partnerom technologicznym, uczestnikom i organizatorom za wspólne tworzenie przestrzeni do wymiany wiedzy i doświadczeń.

Do zobaczenia na kolejnej edycji Observability Poland!


Chcesz pogłębić wiedzę o observability, AI i automatyzacji IT?

Obejrzyj nagrania z prezentacji Observability Poland 2026 na naszym kanale YouTube i wróć do najważniejszych dyskusji z konferencji.

Zobacz nagrania z Observability Poland 2026


Materiały własne


Artykuł dostarczył zespół Omnilogy

Doświadczeni konsultanci, analitycy i programiści, którzy ciągle podnoszą swoje kompetencje i chętnie dzielą się swoją wiedzą!

Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//
Observability and security for business resilience
//

Bądź na bieżąco!

Zapisz się do naszego newslettera i otrzymuj najnowsze artykuły, newsy i informacje o branżowych wydarzeniach prosto do swojej skrzynki odbiorczej!