Datadog AI Agent Monitoring trifft auf Dynatraces 915-Millionen-Dollar-Wette auf Arize
Datadog AI agent monitoring steht nach der Vereinbarung von Dynatrace, Arize in einer Transaktion im Wert von 915 Millionen US-Dollar zu übernehmen, vor einer verschärften Herausforderung. Der Deal macht aus einer aufstrebenden Produktkategorie einen direkten Wettbewerb zwischen zwei etablierten Observability-Anbietern.
Beide Unternehmen wollen zum System werden, mit dem Unternehmen AI Agents untersuchen, ihre Ergebnisse bewerten, ihre Kosten kontrollieren und Fehler analysieren. Sie nähern sich dieser Chance jedoch aus unterschiedlichen Positionen. Datadog erweitert seine Cloud-Monitoring-Plattform in die Agentenentwicklung hinein, während Dynatrace tiefere Evaluierungsexpertise zukauft.
Der Zeitpunkt ist bedeutsam, weil Agents operative Probleme schaffen, für deren Erklärung gewöhnliche Anwendungs-Dashboards nicht konzipiert wurden. Ein Agent kann Tools auswählen, andere Agents aufrufen, externe Daten abrufen und Schritte wiederholen, bevor er eine Antwort erzeugt. Eine erfolgreiche Anfrage kann dennoch zum falschen Geschäftsergebnis führen, sensible Informationen offenlegen oder weit mehr Ressourcen verbrauchen als erwartet.
Daraus ergibt sich eine bemerkenswerte Umkehrung. AI Agents versprechen, digitale Arbeit zu automatisieren, doch Unternehmen benötigen eine weitere Softwareschicht, um diese Automatisierung zu überwachen. Datadog und Dynatrace liefern sich ein Rennen um diese Steuerungsschicht, bevor sich Käufer für kleinere, AI-native Spezialisten entscheiden.
Dynatrace macht AI Observability zu einem Wettbewerb um 915 Millionen US-Dollar
Die geplante Übernahme von Arize durch Dynatrace verlagert den Wettbewerb über das gewöhnliche Infrastrukturmonitoring hinaus in den gesamten AI-Entwicklungszyklus.
Dynatrace gab die endgültige Vereinbarung am 13. August 2026 bekannt. Das Unternehmen erklärte, Arize vorbehaltlich üblicher Anpassungen für 915 Millionen US-Dollar übernehmen zu wollen. Die Gegenleistung umfasst rund 815 Millionen US-Dollar in bar sowie ersetzende Aktienvergütungen für Arize-Mitarbeiter.
Der Abschluss der Transaktion wird nach behördlicher Prüfung und unter weiteren üblichen Bedingungen erwartet. Bis dahin bleiben Dynatrace und Arize getrennte Unternehmen. Die versprochene Integration sollte daher als Roadmap und nicht als bereits realisiertes Produktergebnis betrachtet werden.
Arize ist auf die Evaluierung und Beobachtung von Machine-Learning-Systemen, Large-Language-Model-Anwendungen und Agents spezialisiert. Seine Tools helfen Entwicklern, Traces zu untersuchen, Experimente zu vergleichen, die Antwortqualität zu bewerten und Veränderungen im Modellverhalten zu identifizieren.
Dynatrace bringt eine andere Grundlage mit. Seine Plattform verbindet bereits Application Traces, Infrastrukturzustand, Logs, Nutzeraktivitäten und Geschäftstransaktionen. Das Unternehmen argumentiert, dass die Kombination dieser operativen Signale mit den Evaluierungstools von Arize AI-Anwendungen von der Entwicklung bis zur Produktion abdeckt.
Diese Kombination adressiert eine reale Trennung in vielen Engineering-Organisationen. AI-Teams testen Prompts und Modelle häufig in einer Umgebung. Betriebsteams überwachen Latenz, Fehler, Infrastruktur und Incidents an anderer Stelle.
Dynatrace erklärt, die geplante Übernahme werde diese Lücke schließen. Seine Arize agreement beschreibt AI Observability als einen Lebenszyklus, der Experimente, Evaluierung, Production Tracing, Infrastruktur und Geschäftsergebnisse umfasst.
Die Ankündigung zeigt zudem, wie wertvoll die Kategorie für etablierte Monitoring-Anbieter geworden ist. Dynatrace fügt nicht einfach ein weiteres Dashboard hinzu. Das Unternehmen setzt erhebliches Kapital ein, um AI-Evaluierung mit seiner bestehenden Unternehmensplattform zu verbinden.
Das Unternehmen brachte bereits im Januar 2026 seine dedizierte AI Observability app auf den Markt. Das Produkt unterstützt Agenteninteraktionen, Tool-Nutzung, Abhängigkeiten, Token-Verbrauch, Latenz, Kostentrends und Ergebnisse von Guardrails.
Dynatrace erklärt außerdem, mehr als 40 LLM-Technologien zu unterstützen. Zu den aufgeführten Integrationen gehören OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain und aufkommende Agentenprotokolle.
Arize eröffnet Dynatrace einen stärkeren Zugang zu AI-Engineering-Teams, die arbeiten, bevor eine Anwendung die Produktion erreicht. Zudem erhält das Unternehmen durch Arizes Phoenix-Projekt Open-Source-Reichweite und einen spezialisierteren Evaluierungs-Workflow.
Datadog steht nun einem Wettbewerber gegenüber, der Akquisitionsgeschwindigkeit mit einem etablierten Enterprise-Vertriebskanal kombiniert. Dynatrace wiederum steht vor der schwierigeren Aufgabe, zwei Produkte zu integrieren, ohne die Developer Experience zu schwächen, die Arize attraktiv gemacht hat.
Warum AI Agents traditionelles Monitoring überfordern
Ein Agent kann technisch verfügbar bleiben und dennoch eine Abfolge jeweils gültiger Entscheidungen treffen, die zu einem schlechten Ergebnis führt.
Traditionelles Anwendungsmonitoring fragt gewöhnlich, ob ein Service geantwortet hat, wie lange dies dauerte und ob ein Fehler auftrat. Diese Messgrößen bleiben notwendig, erklären aber weder den Denkpfad eines Agents noch die Qualität seiner Ausgabe.
Betrachten wir einen Kundensupport-Agent, der eine Rückerstattung bearbeitet. Er könnte ein Konto abrufen, eine Richtlinie konsultieren, ein Abrechnungstool aufrufen und einen Kundendatensatz aktualisieren. Jeder Service kann erfolgreich antworten, während der Agent dennoch die falsche Richtlinie anwendet.
Ein zweiter Durchlauf derselben Anfrage kann einen anderen Pfad nehmen. Large Language Models sind nicht deterministisch, das heißt, identische Eingaben erzeugen nicht immer identische Ausgaben. Diese Variabilität schwächt Tests, die auf fest erwarteten Ergebnissen beruhen.
Die Tool-Nutzung fügt eine weitere Unsicherheitsquelle hinzu. Ein Agent kann die falsche Funktion auswählen, ungeeignete Argumente übergeben oder das richtige Tool zum falschen Zeitpunkt aufrufen. Er kann auch in eine Wiederholungsschleife geraten, die Latenz und Token-Verbrauch erhöht, ohne einen herkömmlichen Anwendungsfehler zu erzeugen.
Multi-Agent-Systeme verschärfen das Problem weiter. Ein koordinierender Agent kann Aufgaben an spezialisierte Agents delegieren, die anschließend externe Modelle und Services aufrufen. Die endgültige Antwort kann von mehreren Prompts, Berechtigungen, Abrufschritten und Modellantworten abhängen.
Teams benötigen daher Traces, die einen vollständigen Ausführungspfad bewahren. Ein Trace ist ein zusammenhängender Datensatz der Schritte während einer Anfrage, einschließlich Modellaufrufen, Tool-Aufrufen, Timing, Fehlern und relevanten Metadaten.
Doch das Sammeln von Traces ist nur der Anfang. Engineers müssen technisches Verhalten mit Qualität, Sicherheit und Geschäftsergebnissen verknüpfen. Eine schnelle Antwort ist nicht nützlich, wenn sie eine unbelegte Behauptung enthält oder eine nicht autorisierte Aktion auslöst.
Datadog beschrieb dieses Problem bei der Einführung von AI Agent Monitoring im Juni 2025. Seine monitoring release erklärte, das Produkt bilde Eingaben, Tool-Aufrufe, Aufrufe anderer Agents und Ausgaben in einem interaktiven Graphen ab.
Das Unternehmen erklärt, Engineers könnten Latenzspitzen, fehlerhafte Tool-Aufrufe und Endlosschleifen untersuchen. Anschließend könnten sie diese Ereignisse mit Qualitäts-, Sicherheits- und Kostenkennzahlen korrelieren.
Dynatrace verfolgt einen ähnlich breiten Ansatz. Seine AI Observability app verfolgt Prompts, Tool-Aufrufe und Modellaufrufe und verknüpft sie mit Infrastruktur- und Anwendungsabhängigkeiten.
Diese Fähigkeiten erklären, warum AI Observability zu mehr als einem LLM-Dashboard wird. Das operative Objekt hat sich von einer vorhersehbaren Softwaretransaktion zu einem probabilistischen Workflow mit Handlungsbefugnis verändert.
Dieser Wandel setzt Entwickler, Sicherheitsteams, Site Reliability Engineers und Geschäftsverantwortliche gleichzeitig unter Druck. Jede Gruppe benötigt aus denselben Belegen eine andere Antwort.
Entwickler möchten wissen, welcher Prompt oder welches Tool einen Fehler verursacht hat. Betriebsteams benötigen Daten zu Latenz, Zuverlässigkeit und Abhängigkeiten. Sicherheitsteams benötigen Berechtigungen und Audit Trails. Führungskräfte wollen Belege dafür, dass der Agent nützliche Ergebnisse erzielt.
Eine Plattform, die diese Fragen verbindet, kann schwer zu ersetzen sein. Das ist der strategische Preis hinter dem Wettbewerb zwischen Datadog und Dynatrace.
Datadog AI Agent Monitoring beginnt mit Produktionsdaten
Datadogs Vorteil liegt in seiner Fähigkeit, Agentenverhalten neben den Anwendungs- und Infrastruktursignalen zu platzieren, die Kunden bereits erfassen.
Datadog führte AI Agent Monitoring, LLM Experiments und eine AI Agents Console als Teile seines umfassenderen LLM Observability-Angebots ein. Zusammen decken sie Laufzeitanalysen, kontrollierte Tests und zentrale Aufsicht ab.
AI Agent Monitoring konzentriert sich auf die Vorgänge während einer Ausführung. Engineers können die Kette aus Modellaufrufen, Tools und Agentenübergaben untersuchen. Die Oberfläche verbindet diese Schritte auch mit Latenz, Token-Nutzung, Fehlern, Kosten und Evaluierungsergebnissen.
LLM Experiments behandelt Änderungen vor dem Deployment. Teams können Prompts, Modelle und Anwendungskonfigurationen anhand von Datensätzen vergleichen, die aus Production Traces oder bereitgestellten Beispielen erstellt wurden.
Diese Verbindung zwischen Production Traces und Experimenten steht im Zentrum von Datadogs Ansatz. Ein in einem Live-Workflow entdeckter Fehler kann zu einem wiederholbaren Testfall werden. Engineers können dann einen vorgeschlagenen Fix mit dem ursprünglichen Verhalten vergleichen.
Datadogs Leitfaden vom September 2026 veranschaulicht den Workflow mit einem Support-Agent. Ein Team könnte nach dem Deployment abgeschnittene Zusammenfassungen und langsame Abrechnungsaufrufe feststellen. Trace-Daten können wiederkehrende Muster identifizieren, während Experimente testen, ob eine Änderung des Prompts oder Modells diese verbessert.
Das Unternehmen empfiehlt außerdem, nicht deterministische Ausgaben über wiederholte Durchläufe hinweg zu vergleichen. Eine einzelne erfolgreiche Antwort liefert schwache Belege, wenn eine andere Ausführung ein anderes Ergebnis erzeugen kann.
Evaluatoren fügen eine weitere Ebene hinzu. Dabei handelt es sich um Tests, die die Ausgabe eines Agents nach Eigenschaften wie Relevanz, Genauigkeit, Sicherheit oder Aufgabenerfüllung bewerten. Einige verwenden deterministische Regeln, andere nutzen ein weiteres Sprachmodell als Beurteiler.
Modellbasierte Evaluierung kann die Prüfung skalieren, bringt jedoch eigene Unsicherheiten mit sich. Datadog empfiehlt, einen LLM-Beurteiler mit menschlicher Bewertung zu kalibrieren, bevor man sich auf dessen Bewertungen verlässt. Diese Vorsicht ist wichtig, weil zwei Modelle gemeinsame blinde Flecken haben können.
Die AI Agents Console erweitert das Monitoring über Software hinaus, die ein Unternehmen selbst entwickelt hat. Datadog erklärt, sie könne Organisationen helfen, interne und externe Agents zu katalogisieren, die Nutzung zu untersuchen, Auswirkungen zu messen und Berechtigungen zu prüfen.
Diese Katalogfunktion gewinnt an Bedeutung, wenn Mitarbeitende Agents einsetzen, die in Coding-Tools, Kundenplattformen und Produktivitätssoftware eingebettet sind. Eine Organisation besitzt möglicherweise weder Modell noch Laufzeit des Agents, bleibt jedoch für Datenzugriff und Ergebnisse verantwortlich.
Datadogs breitere kommerzielle Position verleiht dieser Strategie Gewicht. Das Unternehmen meldete für das zweite Quartal 2026 einen Umsatz von 1,12 Milliarden US-Dollar, ein Plus von 36 Prozent gegenüber dem Vorjahr. Zudem berichtete es von rund 4.720 Kunden mit jährlich wiederkehrenden Umsätzen von mehr als 100.000 US-Dollar.
Diese Zahlen belegen nicht, dass Datadog AI Observability anführen wird. Sie zeigen, dass das Unternehmen über eine große Kundenbasis verfügt, bei der Agentenmonitoring zu einem weiteren angebundenen Produkt werden kann.
Datadog stellte im Laufe des Quartals außerdem Bits Code, Bits Chat und Bits Agent Builder allgemein verfügbar bereit. Diese Produkte positionieren das Unternehmen auf beiden Seiten des Marktes. Es entwickelt Agents für Kunden und verkauft zugleich die Systeme zur Beobachtung von Agents.
Diese Position schafft nützliches Produktfeedback. Datadog kann seine Monitoring-Tools auf die eigenen Agents anwenden und operative Probleme unmittelbar erleben. Sie schafft zugleich einen Glaubwürdigkeitstest, weil Kunden beurteilen können, ob die autonomen Produkte des Unternehmens nachvollziehbar bleiben.
Für Engineering-Teams liegt der Reiz in der Konsolidierung. Ein Agenten-Incident endet selten an der Modellgrenze. Die Ursache kann in einer langsamen Datenbank, einer ausfallenden API, einer Retrieval-Pipeline oder einer überlasteten GPU liegen.
Datadog kann diese Ebenen innerhalb einer bestehenden Monitoring-Umgebung korrelieren. Teams benötigen zudem durchsuchbaren technischen Kontext außerhalb der Live-Telemetrie, einschließlich Incident-Aufzeichnungen und Architekturentscheidungen. Eine gepflegte Engineering-Wissensdatenbank kann diesen menschlichen Kontext bewahren.
Die Herausforderung für Datadog besteht darin, zu beweisen, dass eine breit aufgestellte Plattform bei der Tiefe von Bewertungen und der Benutzerfreundlichkeit für Entwickler mit Spezialtools mithalten kann. Die bestehende Verbreitung öffnet die Tür, entscheidet aber nicht über die Produktwahl.
Dynatrace Kauft die Entwicklungsseite des Lifecycles
Die Arize-Strategie von Dynatrace greift Datadog an, indem sie Evaluierungen vor dem Release mit einer Produktionsplattform verbindet, die auf Abhängigkeitskontext basiert.
Dynatrace hat historisch einen Schwerpunkt auf kausale Analyse gelegt. Seine Smartscape-Technologie bildet Beziehungen zwischen Anwendungen, Infrastruktur, Services, Netzwerken und Nutzern ab. Die Grail-Datenschicht konsolidiert Informationen aus Observability, Sicherheit und dem Geschäftsbetrieb.
Das Unternehmen argumentiert, dass dieser Kontext Teams dabei hilft zu verstehen, warum ein Incident aufgetreten ist – und nicht nur, welche Metrik sich verändert hat. Dieser Ansatz eignet sich für Agentensysteme, weil ein schlechtes Ergebnis über mehrere Abhängigkeiten hinweg entstehen kann.
Die dedizierte AI Observability-App von Dynatrace verfolgt bereits Ausführungspfade von Agents, Tool-Aufrufe, Modellinteraktionen, Token-Nutzung, Kosten, Latenz und Fehler. Sie unterstützt außerdem OpenTelemetry und OpenLLMetry, die offene Konventionen zur Erfassung von Telemetrie bereitstellen.
Offene Instrumentierung ist wichtig, weil sich der Agent-Stack schnell verändert. Unternehmen möchten nicht, dass jedes neue Modell, Framework oder Protokoll eine proprietäre Monitoring-Integration erfordert.
Dynatrace nennt Unterstützung für Amazon Bedrock AgentCore, Strands Agents, LangChain, Google's Agent Development Kit, das OpenAI Agents SDK und Model Context Protocol-Workflows. Diese Breite reduziert Reibung für Unternehmen, die gemischte Umgebungen betreiben.
Arize erfüllt einen anderen Bedarf. AI Engineers nutzen Evaluierungssysteme bei der Auswahl von Datensätzen, Prompts, Modellen und Release-Kandidaten. Ihre Workflows beginnen, bevor Betriebsteams einen Produktionsservice übernehmen.
Die vorgeschlagene Kombination zielt daher auf eine dauerhafte organisatorische Trennung. Entwicklungsteams untersuchen Modellverhalten und Antwortqualität. Betriebsteams analysieren Verfügbarkeit, Anwendungsabhängigkeiten und Infrastrukturleistung.
Die Zusammenführung dieser Aktivitäten könnte einen kontinuierlichen Verbesserungszyklus schaffen. Ein Produktionsfehler wird zu einem Evaluierungsfall. Die daraus resultierende Änderung kann getestet werden, bevor sie über ein kontrolliertes Deployment wieder in die Produktion gelangt.
Dynatrace sagt, die kombinierte Plattform werde AI-Verhalten mit geschäftlichen Auswirkungen verbinden. Das ist eine wichtige Behauptung, weil technische Proxys Fehler verdecken können.
So könnte ein Agent beispielsweise die durchschnittliche Bearbeitungszeit senken und zugleich die Zahl wiedereröffneter Supportfälle erhöhen. Ein Coding Agent könnte mehr Änderungen erzeugen, während die Rollback-Raten steigen. Eine Observability-Plattform benötigt Ergebnisdaten, um Aktivität von Wert zu unterscheiden.
Dynatrace ist mit spürbarem Momentum in diesen Wettbewerb eingestiegen. Das Unternehmen meldete für sein erstes Geschäftsquartal 2027 jährlich wiederkehrende Umsätze von 2,136 Milliarden US-Dollar, ein Anstieg um 17 Prozent.
Das Unternehmen meldete außerdem Quartalsumsätze von 555 Millionen US-Dollar, ein Plus von 16 Prozent. Der organische Nettozuwachs beim jährlich wiederkehrenden Umsatz stieg laut seinen Quartalsergebnissen um 41 Prozent.
Dynatrace sagt, die Nachfrage steige, da Kunden cloudnative Workloads und AI-Initiativen ausbauen. Die Unternehmenskommunikation kann jedoch nicht aufzeigen, wie viel Umsatz direkt aus AI Observability stammt.
Die Arize-Transaktion ist daher sowohl eine Produktentscheidung als auch eine Marktwette. Dynatrace bezahlt für Technologie, Talente, Entwicklerakzeptanz und Zeit.
Das Integrationsrisiko ist erheblich. Enterprise-Monitoring-Plattformen und entwicklerorientierte Evaluierungstools bedienen unterschiedliche Nutzer. Ihre Oberflächen, Bereitstellungsmuster, Release-Zyklen und Beschaffungsprozesse passen nicht automatisch zusammen.
Dynatrace muss die Attraktivität von Arize für AI Engineers bewahren und es zugleich mit der größeren Plattform verbinden. Eine erzwungene Migration oder ein übermäßig komplexes Packaging könnte Entwickler zu unabhängigen Alternativen treiben.
Das Unternehmen muss außerdem zeigen, dass die kombinierten Daten bessere Entscheidungen ermöglichen. Mehr Telemetrie schafft nicht automatisch mehr Verständnis. Schlechte Schemata, unvollständige Traces und uneinheitliche Evaluierungskriterien können eine größere Sammlung mehrdeutiger Belege erzeugen.
Der Gewinner Muss Qualität, Kosten und Autorität Überwachen
Das entscheidende Merkmal wird nicht das attraktivste Trace-Diagramm sein, sondern die Fähigkeit, Agent-Aktionen mit akzeptablen Geschäftsergebnissen zu verknüpfen.
Datadog und Dynatrace können beide Ausführungspfade, Token-Nutzung, Fehler und Latenz darstellen. Diese Fähigkeiten werden zu Grundvoraussetzungen und nicht zu dauerhaften Differenzierungsmerkmalen.
Das schwierigere Problem besteht darin, Erfolg zu definieren. Ein Agent kann einen Workflow abschließen, ohne den Nutzer zufriedenzustellen. Er kann eine korrekte Antwort liefern und dabei gegen eine Richtlinie verstoßen. Er kann die Qualität verbessern und den Workflow zugleich unwirtschaftlich machen.
Die Bewertung von Qualität bleibt besonders schwierig. Regeln können strukturierte Ausgaben, erforderliche Felder und bekannte Fakten prüfen. Offene Texte, Schlussfolgerungen und Empfehlungen erfordern subjektivere Urteile.
LLM-as-a-judge-Evaluierung bietet Skalierbarkeit, sollte aber nicht zur unhinterfragten Wahrheit werden. Ein Judge-Modell kann bestimmte Schreibstile bevorzugen, subtile sachliche Fehler übersehen oder in dem bewerteten Modell vorhandene Verzerrungen reproduzieren.
Menschliche Prüfung bleibt für Kalibrierung und Fälle mit hohem Risiko notwendig. Doch jede Ausführung zu prüfen, würde einen großen Teil der wirtschaftlichen Begründung für Automatisierung zunichtemachen. Anbieter müssen Kunden helfen zu entscheiden, welche Fälle menschliche Aufmerksamkeit verdienen.
Kosten lassen sich leichter zählen, aber schwieriger interpretieren. Token-Verbrauch, Modellgebühren, Infrastrukturnutzung und externe Tool-Aufrufe können allesamt zu den Betriebskosten eines Agents beitragen.
Eine Retry-Schleife kann die Ausgaben erhöhen, ohne einen offensichtlichen Ausfall zu verursachen. Ein teureres Modell kann dennoch wirtschaftlich sein, wenn es Aufgaben zuverlässig abschließt und Nacharbeit reduziert. Kostenmonitoring benötigt daher einen Ergebnisnenner.
Autorität schafft die höchsten Risiken. Agents können auf Kundendaten, Repositories, Finanzsysteme und Kommunikationstools zugreifen. Observability muss erfassen, was ein Agent versucht hat, welche Berechtigungen er genutzt hat und ob eine Aktion genehmigt wurde.
Eine unsichere Aktion erst nach ihrer Ausführung zu protokollieren, reicht für sensible Workflows nicht aus. Unternehmen werden zunehmend Richtliniendurchsetzung, widerrufbaren Zugriff, menschliche Genehmigung und wiederherstellbare Ausführung verlangen.
Diese Anforderung verwischt die Grenze zwischen Observability, Sicherheit, Governance und Runtime-Control. Datadog und Dynatrace konkurrieren nicht nur miteinander. Sie stehen Spezialisten gegenüber, die sich auf Evaluierungen, Agent Gateways, Sicherheit, Tracing und Workflow-Orchestrierung konzentrieren.
OpenTelemetry kann Vendor Lock-in auf der Erfassungsebene verringern. Es kann nicht jeden Evaluierungsscore oder jedes Geschäftsergebnis standardisieren. Anbieter werden weiterhin unterschiedliche Entscheidungen über Datenmodelle, Korrelationen und automatisierte Empfehlungen treffen.
Damit bleibt Käufern eine skeptische Frage: Liefert eine einheitliche Plattform mehr Erkenntnisse oder zentralisiert sie lediglich mehr Daten?
Die Antwort hängt von der jeweiligen Organisation ab. Ein Unternehmen, das bereits auf Datadog standardisiert ist, könnte schnelle Bereitstellung und vertraute Workflows schätzen. Ein großes hybrides Unternehmen könnte das Abhängigkeitsmodell und die kausale Analyse von Dynatrace bevorzugen.
AI-native Teams könnten weiterhin spezialisierte Evaluierungstools wählen. Später können sie ausgewählte Telemetrie in eine umfassendere Monitoring-Plattform senden. Der Kauf von Arize durch Dynatrace ist ein Versuch, diese Spezialisierungsebene davon abzuhalten, getrennt zu bleiben.
Keiner der beiden Anbieter hat eine universelle Methode zur Bestimmung der Zuverlässigkeit von Agents etabliert. Ihre Produkte können Belege sammeln, Tests ausführen und Anomalien hervorheben. Kunden müssen weiterhin akzeptables Verhalten und aussagekräftige Ergebnisse definieren.
Das Risiko besteht darin, dass AI Observability zu einer Sammlung attraktiver Dashboards ohne operative Verantwortlichkeit wird. Erfolgreiche Deployments werden jeden wichtigen Score mit einer Entscheidung, einem Verantwortlichen, einem Schwellenwert und einer Reaktion verknüpfen.
Drei Signale Werden das Rennen zwischen Datadog und Dynatrace Entscheiden
Die nächste Phase wird anhand von Integration, messbarer Akzeptanz und dem Grad der Kontrolle beurteilt, den Unternehmen diesen Plattformen einräumen.
Das erste Signal ist der Abschluss und die Produktintegration der Arize-Übernahme durch Dynatrace. Der Abschluss der Transaktion eröffnet erst den Test. Käufer sollten beobachten, wie schnell Traces, Datensätze, Evaluierungen und Produktionsincidents zwischen den beiden Umgebungen wechseln.
Ein kohärenter Workflow würde die Lifecycle-These von Dynatrace stärken. Getrennte Oberflächen, doppelte Daten oder unklare Produktverantwortung würden sie schwächen. Die Entwicklerbindung rund um Arize und Phoenix wird ein weiteres nützliches Signal liefern.
Das zweite Signal ist die von beiden Anbietern veröffentlichte Kundenakzeptanz. Allgemeines Umsatzwachstum liefert Kontext, isoliert aber nicht die Nachfrage nach Agent Observability.
Nützliche Belege wären die Zahl überwachter Produktions-Agents, Workloads mit Evaluierungen, zusätzliche Produkte je Kunde und kundenseitige Expansion im Zusammenhang mit AI. Fallstudien sollten messbare Ergebnisse benennen und nicht allein die Zahl der Agents.
Das dritte Signal ist die Bewegung von Beobachtung zu gesteuertem Handeln. Beide Unternehmen entwickeln Agents, die Incidents untersuchen und den Betrieb unterstützen können. Kunden müssen entscheiden, ob diese Systeme Änderungen empfehlen, genehmigte Schritte ausführen oder autonom handeln dürfen.
Schreibgeschützte Analysen bringen eine geringere Vertrauenshürde mit sich. Automatisierte Fehlerbehebung erfordert vollständige Audit Trails, eingeschränkte Berechtigungen, Rollback-Mechanismen und klare Verantwortung, wenn der Agent einen Fehler macht.
Fortschritte bei gesteuertem Handeln würden das Argument stärken, dass Observability-Plattformen zu Control Planes für Enterprise-Agents werden können. Anhaltendes Zögern würde darauf hindeuten, dass Monitoring zwar wertvoll bleibt, Autonomie jedoch eine Vertrauensgrenze erreicht hat.
Enterprise-Käufer sollten eine Plattform nicht allein anhand einer Feature-Checkliste auswählen. Sie sollten mit einem Produktionsworkflow beginnen und dessen akzeptable Qualität, Kosten, Latenz, Berechtigungen und Geschäftsergebnis definieren.
Anschließend sollten sie testen, ob die Plattform einen Fehler rekonstruieren, seine Ursache identifizieren, eine vorgeschlagene Korrektur vergleichen und Regressionen verhindern kann. Diese Übung deckt Lücken auf, die eine überzeugende Demonstration verbergen kann.
Datadog AI agent monitoring bietet derzeit einen starken produktionsorientierten Weg für Organisationen, die seine Plattform bereits einsetzen. Dynatrace geht die größere Wette ein, dass Evaluierung und Betrieb zu einem Lifecycle zusammenwachsen müssen.
Der Gewinner wird der Anbieter sein, der unvorhersehbares Agent-Verhalten in Belege verwandelt, denen Teams vertrauen und auf deren Grundlage sie handeln können. Für Käufer ist die unmittelbare Frage einfacher: Kann Ihr Monitoring-System nicht nur erklären, ob ein Agent gelaufen ist, sondern auch, ob er das Richtige getan hat?
