TechRadar于2026年10月15日报道，随着现代技术环境的规模和复杂性不断上升，企业过去通过连接更多遥测数据获得更大可见性的做法正遭遇挑战，分散的遥测数据和不明信号反而让团队更难、更慢地理解和修复问题。该报道认为，关注点正转向在遥测生命周期更早阶段改善数据质量。
报道称，更多数据并不总意味着更好洞察，真正的问题在于数据质量。随着AI驱动能力深度嵌入软件交付和运营，可观测性遥测的质量变得更加重要。如果收集遥测时不过滤不需要的内容，员工可能花更多时间管理信息，而不是从中提取价值。
碎片化加剧了难度。数据分散在多个工具和代理中，每个工具产生不同形式的信号和告警。发生故障时，团队可能需要先拼接这些不一致的信息，才能理解问题根因，这会消耗时间，而业务影响仍在扩大。
报道还指出，大规模处理和存储遥测数据需要大量资源，尤其是当组织保留的信息带来的噪声多于洞察时，财务成本显著。文章将这一问题描述为遥测和数据质量问题，而非传统意义上的技术问题，并称拖延越久通常越糟。
组织的一种应对方式是把智能前移到技术栈更上游。具体而言，就是在遥测到达下游系统之前更早做决策：过滤无用内容、富化重要信息、路由有意义的遥测。团队开始近实时收集、处理和路由相关可观测性遥测，再将其送入下游系统，从而减少处理量、降低费用，并只把相关信号发往下游。
OpenTelemetry等开放标准使这种思路更可能跨复杂环境实施。报道称，这些标准让团队能够一致地收集遥测，而不依赖特定供应商或工具组合。对于跨多个云、安全和存储平台的复杂分布式系统，这种灵活性尤其有价值，也便于环境演变时进行调整。
当组织在运营中引入更多AI能力时，这一影响更加重要。AI系统依赖准确、带上下文的遥测和数据来产生洞察并自动化决策。报道称，不完整或杂乱的遥测不仅拖慢团队，低质量遥测还会导致低质量洞察；当这些洞察用于大规模自动化决策时，容错空间会大幅缩小。
信任方面也同理。负责自动化系统的团队需要理解发生了什么，并解释性能或安全决策为何作出；如果决策基于不一致的信息，这会更难。报道称，对信心的需求不限于技术团队，随着高级管理层和董事会越来越多被要求支持AI驱动决策，他们需要信任这些决策所依据的信息，可信且一致的遥测和数据能让沟通更简单。
运营优势也很明显。如果团队不必持续应对不稳定遥测和数据，他们可以更快工作，减少人工排查时间，更早发现问题。