可观测性面临数据问题，AI将使其雪上加霜。
内容提要
Bronto公司指出可观测性行业面临数据存储成本高、保留期短的问题，传统厂商未解决根本。其自研BrontoDB存储引擎支持高基数指标和高效日志，按查询计费，可保留超百倍数据。AI时代数据量激增，完整数据访问对智能分析至关重要，数据层将成为下一战场。
延伸解读
数据存储成本：可观测性的隐形瓶颈
文章指出，传统可观测性厂商的商业模式按数据存储量收费，导致客户为大量未被查询的数据支付高昂费用，同时被迫缩短保留期或采样，造成观测盲区。Bronto认为，真正的挑战在于存储架构和成本模型，而非可视化层。这提醒读者，评估可观测性方案时，应关注数据存储的经济性和灵活性，而非仅看功能列表。
AI加剧数据挑战，也提升数据价值
AI系统产生更多遥测数据，且非确定性、重追踪的特性要求更长保留期，进一步加剧存储压力。但文章也指出，AI驱动的运维能分析远超人工处理能力的历史数据，使完整数据访问更具价值。这意味着，在AI时代，可观测性数据不仅是成本负担，更是智能分析的基础，企业需权衡存储成本与数据潜在价值。
传统厂商的应对：防御性修补而非根本解决
文章提到，Datadog等传统厂商通过推出“Flex Logs”和与ClickHouse合作等防御性功能来应对客户流失，但Bronto认为这些只是增加复杂性，未解决根本的数据存储问题。这提示读者，面对厂商的增量更新，应审视其是否真正优化了数据架构和成本模型，而非仅添加表面功能。
Q&A
可观测性行业目前面临的主要数据问题是什么？
主要问题是缺乏经济高效的方式来存储、保留、搜索和分析全保真遥测数据，导致数据存储成本高、保留期短，团队只能访问部分数据，存在观测盲点。
Bronto公司如何解决可观测性数据存储和成本问题？
Bronto自研了BrontoDB存储引擎，专为可观测性数据设计，支持高基数指标和高效日志，按查询计费，能保留超过100倍的数据，且性能不下降。
AI对可观测性数据问题有何影响？
AI系统生成更多日志、轨迹和指标，且非确定性、重轨迹，需要更长保留期，加剧了数据存储和成本问题，同时AI也使得历史遥测数据更有价值，因为智能代理可以分析大量数据。
传统可观测性厂商的商业模式存在哪些问题？
传统厂商按数据存储量收费，即使数据未被查询也收费，导致成本高且不灵活；他们采用采样、缩短保留期等变通方法，将负担转嫁给客户，未能从根本上解决数据问题。
Bronto的计费方式与传统厂商有何不同？
Bronto按查询和实际使用的数据量计费，而非按存储量，客户为闲置数据支付更少，为实际分析付费更多，更公平且鼓励数据利用。
为什么说数据层是下一个可观测性战场？
因为传统厂商在仪表盘层优化，但根本问题在数据存储和访问。Bronto认为，在AI时代，完整的数据访问是智能分析的前提，数据层将成为竞争焦点。
