Ataskaita Cribl ypatingą dėmesį skiria saugumui – telemetrijos duomenų tiekimo vamzdynai, kurie maitina AI sistemas, tampa nauja, patrauklia priešams atakos paviršiumi.
- Viena iš svarbiausių ataskaitos išvadų yra prognozė dėl stebėjimo įrankių kainų augimo. Pasak Cribl, iki 2027 m. daugiau nei trečdalis įmonių IT biudžeto skirs stebėjimui ir observatyvumui, tuo tarpu šiuo metu šis lygis paprastai sudaro 3–7%.
Šio augimo šaltiniai yra:
- debesijos ir mikroservisų architektūros,
- augančios paskirstytų sistemų skaičius,
- AI diegimai, generuojantys didelius rąstų, metrikų ir sekų tūrius.
Ataskaita aiškiai rodo, kad įprastas požiūris „rinkti viską ir saugoti be apribojimų“ yra neįmanomas. Sprendimas šiai problemai yra duomenų kopijavimo sluoksniavimas, t. y. protingas duomenų skirstymas pagal jų verslo ir veiklos vertę.
Kritiniai duomenys, naudojami realiuoju laiku, turėtų patekti į aukštos veiklos platformas. Istoriniai ir mažiau reikšmingi operatyviniai duomenys gali būti saugiai laikomi tokiuose sluoksniuose kaip objektiniai duomenų saugyklos ar saugumo duomenų ežerai, išlaikant prieinamumą audituose, įvykių analizėje ar reguliavimo atitikties poreikiams.
- Prognozės rodo, kad 2026 m. 20% Fortune 2000 sąrašo įmonių patirs reikšmingų saugumo incidentų, kurių šaltinis bus manipuliuoti arba pažeisti telemetrijos duomenys, naudojami AI sistemų.
Ypatingą riziką kelia uždari, neišmanomieji vamzdynai, kurie pašalina žmogaus kontrolę dėl to, kokia informacija pasiekia AI modelius. Ataskaita aiškiai rekomenduoja išlaikyti žmogaus įsitraukimą (human-in-the-loop), kuris būtų remiamas visišku matomumu, metrikomis ir duomenų srauto stebėjimu.
- Viena iš ataskaitos prognozių yra ta, kad iki 2027 m. net 90% produkcinių AI diegimų nepateisins verslo lūkesčių, daugiausiai dėl duomenų architektūros apribojimų, o ne AI modelių.
Agentinio AI aplinka reiškia tūkstančius autonominių agentų, generuojančių ir vartojančių duomenis nuolat ir lygiagrečiai. Be tarpinio sluoksnio, kuris geba plėstis kartu su poreikiu, normalizuoti duomenis ir kontroliuoti jų srautą, organizacijos susiduria su siaurais kakliukais, nestabilumu ir sisteminėmis klaidomis.
- Ataskaita taip pat nurodo svarbų rinkos pokytį: iki 2027 m. 15% organizacijų pakeis pagrindinį saugumo arba observatyvumo įrankių tiekėją ne dėl funkcionalumo, o dėl AI ekosistemų reikalavimų.
Vis daugiau gamintojų kuria uždaras AI platformas, pagrįstas:
- ribotais API sąsajomis,
- stipriu AI agentų susiejimu su viena ekosistema.
Trumpalaikėje perspektyvoje tai gali palengvinti diegimus, tačiau ilgainiui veda prie vendor lock-in ir technologinio lankstumo praradimo. Alternatyva yra duomenų nepriklausomybė (data independence) – duomenų sluoksnio atskyrimas nuo analitikos ir AI įrankių sluoksnio.
Atviri telemetrijos vamzdynai ir neutralios duomenų saugyklos leidžia organizacijoms saugoti kontrolę, eksperimentuoti su naujais AI modeliais ir keisti įrankius nelaukiant, kol reikės iš naujo statyti architektūros pamatus.
- Ataskaita Cribl taip pat atkreipia dėmesį į svarbų, nors dažnai ignoruojamą makroekonominį faktorių, darantį įtaką DI plėtrai. Prognozės rodo, kad artimiausiais metais privataus kredito rinkos problemos gali žymiai sulėtinti duomenų centrų plėtros tempus, naudojamus AI sistemoms treniruoti ir paleisti.
Finansavimo stoka dideliems infrastruktūros projektams gali sulėtinti skaičiavimo galių ir saugyklų talpos augimą. Dėl to organizacijos negalės pasikliauti vien tik infrastruktūros plėtra AI plėtrai, bet bus priverstos didinti turimų išteklių panaudojimo efektyvumą.
Ataskaita rodo, kad pagrindinę reikšmę turės požiūris, orientuotas į duomenų optimizavimą – perteklinės telemetrijos mažinimą, selektyvų informacijos apdorojimą ir sumanų duomenų srauto valdymą. Praktikoje tai duomenų architektūra, o ne infrastruktūros mastai, taps pagrindiniu veiksniu, leidžiančiu toliau plėtoti ir skirstyti AI pagrįstus sprendimus.
