Een MSP die dertig klanten beheert, krijgt op een doorsnee ochtend meer meldingen binnen dan een technicus in een hele dag kan beoordelen. Een schijf die vol loopt, een certificaat dat verloopt, een firewall die iets ziet, een Microsoft 365-tenant die kuren heeft: elke bron heeft een eigen drempelwaarde en een eigen manier om alarm te slaan. Het meeste daarvan is ruis. Het lastige is dat de meldingen die er wel toe doen, er ook tussen zitten en er hetzelfde uitzien.
Dat is de kern van het verschil tussen monitoring en observability. Monitoring beantwoordt een vooraf bedachte vraag: is de server bereikbaar, staat het CPU-gebruik boven de tachtig procent? Observability probeert de vraag te beantwoorden die niemand vooraf heeft bedacht, door metrics, logs en traces uit de hele omgeving bij elkaar te brengen en daar verbanden in te zoeken. AIOps (Artificial Intelligence for IT Operations) is de laag daarbovenop die dat zoeken automatiseert: meldingen correleren, afwijkingen van het normale patroon herkennen en een waarschijnlijke oorzaak aandragen voordat iemand zelf in de logs duikt. Als MSP doe je dat voor tientallen omgevingen tegelijk en dat bepaalt of de servicedesk de dag begint met een overzicht of met een achterstand.
Waar zit de pijn eigenlijk?
Grafana Labs (dat zelf een observability-platform verkoopt en dus belang heeft bij de uitkomst) ondervroeg begin dit jaar ruim 1.300 engineers en IT-leidinggevenden in 76 landen. Complexiteit en overhead voeren de lijst van grootste zorgen rond observability aan met 38 procent, gevolgd door de moeite om signaal van ruis te scheiden met 34 procent en de kosten met 31 procent. Wordt de vraag toegespitst op wat snellere incidentrespons in de weg staat, dan noemt 30 procent alertmoeheid als grootste rem, bijna het dubbele van het eerstvolgende antwoord. Tegelijk zegt 77 procent van de respondenten dat gecentraliseerde observability al tijd of geld heeft opgeleverd. Het probleem zit dus minder in het verzamelen van data en meer in wat je ermee doet.
Grootste zorgen rond observability in 2026. Bron: Grafana Labs
Wat doet AIOps anders dan een drempelwaarde?
Klassieke RMM-monitoring werkt met statische drempels: boven de X procent gaat het alarm af. Dat werkt prima voor een enkele server en schaalt beroerd naar een gemengde klantenbase, waar een logistiek bedrijf en een tandartspraktijk totaal verschillende normaalwaarden hebben. AIOps vervangt die vaste drempels door een aangeleerde baseline per systeem en per klant, en slaat alarm bij afwijkingen daarvan. De tweede stap is correlatie: tien meldingen die binnen dezelfde minuut uit dezelfde klantomgeving komen, worden samengevoegd tot één incident met een vermoedelijke oorzaak. RMM-leveranciers verkopen dit inmiddels als standaardfunctionaliteit. ConnectWise claimt dat zijn intelligente alerting de ruis met negentig procent terugbrengt, Acronis bouwt zijn monitoring op afwijkingsdetectie in plaats van vaste drempels, en NinjaOne en anderen correleren gerelateerde gebeurtenissen voordat er ook maar een melding naar de technicus gaat. Die cijfers komen van partijen die er commercieel belang bij hebben, maar ruisreductie in RMM-vergelijkingen hoort inmiddels tot de basisverwachtingen.
Hoe ver mag de AI gaan?
De bereidheid om AI in observability toe te laten is groot, zolang de AI kijkt en niet handelt. In het Grafana-onderzoek vindt 92 procent het waardevol als AI afwijkingen signaleert voordat ze downtime veroorzaken, 91 procent ziet meerwaarde in hulp bij root-cause-analyse en 89 procent in het wegwijs maken van nieuwe gebruikers. Zodra het over autonome acties gaat, automatisch herstellen of workflows starten zonder dat een mens meekijkt, zakt dat naar 77 procent en loopt het aandeel sceptici op van vier naar vijftien procent. Opvallend voor de MSP-praktijk is dat kleinere organisaties het meest terughoudend zijn: bij bedrijven tot honderd medewerkers, het profiel van de gemiddelde MKB-klant, ziet 35 procent geen waarde in of geen vertrouwen in autonoom ingrijpen, tegen zestien procent bij bedrijven boven de duizend medewerkers. Wie als MSP AIOps inzet, doet dat dus voor klanten die zelf liever een mens aan de knoppen zien.
Waardering van AI-toepassingen binnen observability. Bron: Grafana Labs
Als grootste belemmering om AI voor kritieke taken te gebruiken, noemt 26 procent de hoeveelheid context die er handmatig in moet. De AI is zo goed als de documentatie, de CMDB en de netwerktekening die eronder liggen, en bij veel MSP-klanten zijn dit nou net de minst bijgehouden onderdelen van de omgeving. Daarnaast wil 95 procent dat de AI zijn redenering laat zien, met bronnen, querylogica of een betrouwbaarheidsscore. Een technicus die om drie uur ’s nachts een melding krijgt, wil weten waarom het systeem dat een incident vindt, en of hij het advies kan vertrouwen.
Wat levert het op?
Cijfers over de opbrengst komen vooral uit de enterprisehoek. New Relic, ook een observability-leverancier, becijfert in zijn Observability Forecast 2025 dat engineers een derde van hun tijd kwijt zijn aan brandjes blussen, en dat het detecteren van een incident gemiddeld dertig minuten kost en het oplossen ervan veertig. Het gebruik van AI-monitoring steeg volgens datzelfde onderzoek van 42 procent in 2024 naar 54 procent in 2025. Die percentages horen bij enterprise-omgevingen met eigen engineeringteams. De onderliggende rekensom geldt voor een MKB-klantenbase net zo goed: elke minuut die een technicus minder kwijt is aan het uitzoeken welke van vijftig meldingen ertoe doet, is een minuut die naar echt werk gaat of naar de volgende klant.
De markt beweegt intussen mee. Volgens Grafana gebruikt de helft van de organisaties observability inmiddels geheel of deels als SaaS, tegen 42 procent een jaar eerder, en 61 procent noemt open standaarden zoals OpenTelemetry essentieel voor de eigen strategie. Dat laatste is voor een MSP relevant omdat het de telemetrie losmaakt van de tool die haar verzamelt: wie zijn data via open standaarden binnenhaalt, kan van platform wisselen zonder de hele monitoring opnieuw in te richten. Analistenbureau IDC verwacht dat observability- en AIOps-leveranciers dit jaar vooral concurreren op integratie, op context bij de telemetrie en op kostenbeheersing als ingebouwde functie, met het personeelstekort als onderliggende motor.
Grip op een complexe omgeving begint daarmee bij de vraag welke data er binnenkomt, of die per klant een betrouwbare baseline oplevert en of de context die de AI nodig heeft, ergens is vastgelegd. Pas daarna komt het aanzetten van de AI-functie in het RMM-platform. De MSP die dat huiswerk doet, krijgt van AIOps een servicedesk die de dag met overzicht begint. De MSP die het overslaat, krijgt dezelfde ruis als voorheen, alleen nu met een betrouwbaarheidsscore erbij.
Bronnen
Grafana Labs, Observability Survey 2026; Grafana Labs, “AI in observability in 2026: Huge potential, lingering concerns”; Grafana Labs, “Open standards in 2026: The backbone of modern observability”; Grafana Labs, persbericht 18 maart 2026; New Relic, “Top Trends in Observability: The 2025 Forecast is Here”; New Relic, persbericht 17 september 2025; ConnectWise, “Best RMM software for MSPs in 2026”; Acronis, “Stop Alert Fatigue With Smart Alert Management”; Domotz, “15 Best RMM Tools for MSPs in 2026”; IDC, “Five Trends in 2026 for Observability and AIOps Vendors”.
