Datadog AI Automation nimmt Risiken ins Visier, doch Unternehmen behalten die Kontrolle

Datadog AI Automation geht über Dashboards hinaus – trotz der Zurückhaltung von Unternehmen, Software in kritischen Systemen eigenständig handeln zu lassen. Das Unternehmen präsentiert Observability, Sicherheit und automatisierte Fehlerbehebung nun als gemeinsame Antwort auf steigende operative Risiken. Besonders relevant ist dieses Angebot in Australien, wo große Organisationen Cloud-Dienste häufig parallel zu Legacy-Infrastruktur und ausgelagerten Betriebsabläufen verwalten.

Dieser Wandel verändert die Rolle von Datadog. Traditionell half Observability Ingenieurteams zu verstehen, was passiert ist, nachdem eine Anwendung langsamer wurde, ausfiel oder eine Warnung ausgelöst hatte. Nun soll die Software von Datadog Vorfälle untersuchen, Reaktionen empfehlen und genehmigte Maßnahmen auf Grundlage aktueller Betriebsdaten ausführen.

Die entscheidende Frage ist nicht, ob künstliche Intelligenz eine Warnung zusammenfassen kann. Es geht darum, ob Unternehmen KI-Agenten Produktionszugriff anvertrauen werden und dabei Verantwortlichkeit, Sicherheit und menschliche Aufsicht erhalten bleiben. Splunk, Dynatrace, Cloud-Anbieter und Sicherheitsanbieter verfolgen ähnliche Chancen. Datadog muss daher nachweisen, dass ein einheitlicher Kontext sicherere Automatisierung ermöglicht.

Datadog AI Automation entwickelt sich von Antworten zu Maßnahmen

Datadog baut seine Monitoring-Plattform zu einer kontrollierten Betriebsebene für KI-Agenten in Unternehmen aus.

Die Erweiterung des Unternehmens basiert auf der Verbindung von Observability-Daten, Sicherheitssignalen, Workflow-Automatisierung und generativer KI. Observability bedeutet, Informationen über Anwendungen, Infrastruktur, Netzwerke, Nutzererfahrungen und weitere technische Systeme zu erfassen und miteinander zu verknüpfen.

Datadogs Regional Vice President für Australien und Neuseeland, Roz Gregory, beschrieb diese Konvergenz als Chance, Kosten, KI-Sicherheit und Compliance besser zu steuern. In einem ANZ-Unternehmensinterview argumentierte sie, dass fragmentierte Technologie-Stacks diese Prioritäten mit getrennten Tools schwerer umsetzbar machten.

Laut Gregory ist Datadog von zwei Produkten auf mehr als 30 gewachsen. Die Plattform deckt inzwischen Infrastruktur, Anwendungen, Softwarebereitstellung, digitale Erlebnisse, Daten, Sicherheit und KI-Workloads ab.

Diese Breite ist wichtig, weil automatisierte Incident-Bearbeitung Kontext benötigt. Ein Agent kann einen fehlgeschlagenen Checkout nicht sicher anhand einer einzelnen isolierten Kennzahl diagnostizieren. Er benötigt Application Traces, den Zustand der Infrastruktur, aktuelle Deployments, Sicherheitsereignisse, Datenbankverhalten und kundenorientierte Leistungsdaten.

Bits AI ist Datadogs Agentenfamilie für Entwicklungs-, Sicherheits- und Betriebsaufgaben. Datadog zufolge können diese Agenten Vorfälle untersuchen, zugehörige Telemetriedaten analysieren und Teams dabei helfen, innerhalb definierter Kontrollen zu handeln.

Das Unternehmen erweiterte diese Strategie auf seiner DASH-Konferenz im Juni 2026. Der Start von mehr als 100 Produktfunktionen umfasste neue Bits-AI-Funktionen, einen Agent Builder, KI-Sicherheitskontrollen und zusätzliche Optionen für die Verwaltung von Unternehmensdaten.

Mit Bits Agent Builder können Teams spezialisierte Agenten innerhalb von Datadog erstellen. Diese Agenten können Fehlerbehebung, Reporting und die Durchsetzung von Standards innerhalb der vom Kunden festgelegten Grenzen unterstützen.

Agent Console adressiert ein verwandtes Managementproblem. Datadog zufolge hilft das Tool Organisationen dabei, Werkzeuge wie Claude Code, Cursor und GitHub Copilot zu beobachten. Verantwortliche können Nutzung, Aufgaben, Ergebnisse und Ausgaben prüfen, statt Agentenaktivitäten als unsichtbare Ebene zu behandeln.

Datadog stellte außerdem seinen Model Context Protocol Server im März 2026 allgemein verfügbar bereit. MCP ist eine Standardschnittstelle, über die KI-Anwendungen auf genehmigte Tools und Datenquellen zugreifen können.

Der gesteuerte Agentenzugriff verbindet externe Coding-Agenten und Entwicklungsumgebungen mit Live-Telemetriedaten von Datadog. Das Unternehmen positioniert diese Verbindung als Möglichkeit, Berechtigungen und Governance zu bewahren und zugleich operative Evidenz in KI-gestützte Arbeit einzubringen.

Diese Architektur schafft die zentrale Spannung des Artikels. Derselbe Zugriff, der einem Agenten bei der Diagnose von Produktionsproblemen hilft, kann die Folgen einer fehlerhaften oder manipulierten Aktion verschärfen.

Ein Agent, der Monitoring-Daten liest, stellt eine Risikostufe dar. Ein Agent, der Erkennungsregeln ändert, Tickets erstellt, Findings unterdrückt oder Fehlerbehebungen anstößt, stellt eine andere dar.

Datadog verkauft daher mehr als schnellere Incident-Reaktion. Das Unternehmen vertritt die These, dass Automatisierung akzeptabel wird, wenn KI über eine einheitliche Quelle technischen Kontexts und etablierte Kontrollen arbeitet.

Diese These muss sich nun in Beschaffungsprüfungen, Sicherheitstests und echten Produktionsausfällen bewähren.

Australiens hybride Systeme erhöhen den Einsatz

Australische Unternehmen führen Automatisierung nicht auf einer sauberen technischen Grundlage ein.

Viele große Organisationen betreiben weiterhin traditionelle Infrastruktur und ergänzen diese gleichzeitig um Public-Cloud-Dienste, Software-as-a-Service-Anwendungen und KI-Systeme. Outsourcing-Vereinbarungen fügen eine weitere Ebene von Verantwortung und Zugriffskontrolle hinzu.

Dieses Umfeld erzeugt fragmentierte Evidenz. Ein Vorfall kann Anwendungscode, Cloud-Infrastruktur, Identitätssysteme, externe Anbieter sowie physische oder virtuelle Netzwerke umfassen.

Teams nutzen häufig getrennte Produkte für jeden Teil dieses Pfads. Diese Produkte können sich überschneidende Warnungen erzeugen, ohne genügend Kontext zu teilen, um Ursache und geschäftliche Auswirkungen festzustellen.

Gregory argumentiert, dass ein tool-intensives Umfeld KI-Sicherheit und Komplexität schwerer steuerbar macht. Ihre Position unterstützt die kommerzielle Ausrichtung von Datadog, doch Unternehmen werden weiterhin prüfen, ob Konsolidierung Risiken verringert oder sie lediglich konzentriert.

Der unmittelbare Druck lastet auf IT-Betrieb, Sicherheitsteams und Risikoverantwortlichen. Sie müssen eine schnellere Softwarebereitstellung unterstützen, ohne die Kontrolle über Daten, Zugangsdaten, Compliance-Nachweise oder Änderungen in der Produktion zu verlieren.

Auch Entwickler stehen unter Druck. Coding-Agenten können Software schneller erzeugen und verändern, doch dieses Tempo erhöht das Volumen der Änderungen, die in Review-, Test- und Deployment-Systeme gelangen.

Sicherheitsteams müssen ausnutzbare Probleme von weniger prioritären Findings unterscheiden. Betriebsteams müssen verstehen, ob ein Ausfall durch Code, Infrastruktur, Kapazität, Daten oder einen Anbieter von KI-Modellen verursacht wurde.

Datadogs eigene Forschung veranschaulicht das operative Problem. Die KI-Engineering-Daten des Unternehmens ergaben, dass rund 5 % der KI-Modellanfragen in der Produktion fehlschlugen.

Laut dem Unternehmen resultierten nahezu 60 % dieser Ausfälle aus Kapazitätsgrenzen. Datadog analysierte anonymisierte Nutzungsdaten von Tausenden Kunden, die Large Language Models in der Produktion einsetzen.

Der Bericht ergab außerdem, dass 69 % der Organisationen mindestens drei Modelle nutzten. Die Einführung von Agenten-Frameworks verdoppelte sich gegenüber dem Vorjahr, während die durchschnittliche Datenmenge pro Anfrage stieg.

Diese Erkenntnisse stammen aus dem Kundenumfeld von Datadog und sollten daher nicht als vollständige Erhebung aller Unternehmen behandelt werden. Sie beschreiben dennoch die Art von Komplexität, die Datadog mit seiner Plattform verwalten möchte.

Mehrere Modelle schaffen zusätzliche Routing-Entscheidungen, Fehlermodi, Nutzungsgrenzen und Abhängigkeiten von Anbietern. Agenten fügen Workflows hinzu, deren nächste Aktion von einer Modellausgabe statt von deterministischer Anwendungslogik abhängen kann.

Auch Australiens Governance-Umfeld stellt zusätzliche Anforderungen. Die Leitlinien der Bundesregierung zur KI-Einführung fordern Verantwortlichkeit, Risikomanagement, Daten-Governance, Tests, Monitoring und wirksame menschliche Aufsicht.

Die Leitlinien entwickelten sich aus Australiens freiwilligem KI-Sicherheitsstandard. Sie begründen für sich genommen keine neuen gesetzlichen Pflichten, helfen Organisationen jedoch bei der Vorbereitung auf bestehende Verpflichtungen und mögliche künftige Anforderungen.

Mehrere Praktiken stimmen eng mit Observability überein. Organisationen sollten eingesetzte KI-Systeme überwachen, Risiken dokumentieren, Kontrollen neu bewerten und Veränderungen des Verhaltens oder der vorgesehenen Nutzung verfolgen.

Das Sammeln von Telemetriedaten erfüllt diese Pflichten jedoch nicht automatisch. Ein Dashboard kann weder die Risikotoleranz einer Organisation festlegen noch betroffene Stakeholder identifizieren oder Verantwortlichkeit für ein schädliches Ergebnis zuweisen.

Diese Unterscheidung ist für das Angebot von Datadog wichtig. Die Plattform kann operative Evidenz, Zugriffskontrollen und technisches Monitoring bereitstellen. Unternehmensverantwortliche müssen weiterhin definieren, welche Maßnahmen ein Agent ergreifen darf und wer für das Ergebnis einsteht.

Der australische Markt bietet somit sowohl eine Chance als auch einen schwierigen Test. Hybride Umgebungen schaffen Nachfrage nach einheitlicher Transparenz, doch Regulierung und institutionelle Vorsicht begrenzen, wie schnell Kunden autonome Maßnahmen zulassen werden.

Einheitlicher Kontext ist Datadogs zentrale Wette

Datadog setzt darauf, dass ein Agent mit breiterer Telemetrie sicherer handeln kann als ein Assistent, der in einem einzelnen Spezialtool gefangen ist.

Ein Betriebsagent muss die Ursache anhand von Evidenz rekonstruieren, die über einen technischen Stack verteilt ist. Die Plattform von Datadog sammelt bereits einen Großteil dieser Informationen für Monitoring und Fehlerbehebung.

Das Unternehmen kann einem Agenten Zugriff auf Application Traces, Logs, Infrastrukturmetriken, Deployment-Ereignisse, Cloud-Sicherheitsfindings und organisatorisches Wissen geben. Datadog erklärt, dieser Kontext helfe Bits AI dabei, Signale zu verknüpfen, die andernfalls manuelle Untersuchungen erfordern würden.

Winning Group liefert ein konkretes Beispiel. Der australische Händler besitzt Winning Appliances und Appliances Online, dessen Website als zentraler kundenorientierter Storefront dient.

Technical Manager Nick Rivett sagte, das Unternehmen habe Datadog unter anderem eingeführt, um Performance-Informationen auch außerhalb des Engineering-Teams zugänglich zu machen. Gemeinsame Dashboards ermöglichen mehr Mitarbeitenden, Änderungen zu prüfen, ohne darauf warten zu müssen, dass ein Ingenieur jede Kennzahl übersetzt.

Winning Group nutzt außerdem Bits AI und die MCP-Funktionen von Datadog. Rivett beschrieb einen Vorfall, den menschliche Teams über Stunden untersucht hatten, bevor Bits AI die Evidenz in rund 10 Minuten zusammenführte.

Dieser Bericht stammt von einem Kunden und ist kein unabhängiger Benchmark. Er zeigt dennoch, wo Datadog AI Automation Mehrwert schaffen kann, ohne einem Agenten sofort unbegrenzte Befugnisse zu erteilen.

Schnellere Untersuchungen verkürzen die Zeit zwischen einer Warnung und einer glaubwürdigen Erklärung. Anschließend kann ein Mensch die Evidenz prüfen und eine Reaktion wählen.

Flowstate stellt einen weiteren operativen Anwendungsfall dar. Das australische Unternehmen filmt Surfer und verarbeitet Videos, damit Kunden kurz nach einer Session Aufnahmen erhalten können.

Ausfallzeiten wirken sich direkt auf das Produkt aus, weil verlorene Aufnahmezeit bedeuten kann, dass Kundenaufnahmen fehlen. Flowstate nutzt Datadog, um seine Echtzeit-Video-Infrastruktur zu überwachen und Performance-Engpässe zu identifizieren.

Der Verarbeitungsbedarf ist gestiegen, da Videos von 4K bei 30 Bildern pro Sekunde auf 4K bei 60 Bildern pro Sekunde und anschließend auf 6K bei 60 Bildern pro Sekunde wechselten. Jede Steigerung erhöht den Daten- und Verarbeitungsdruck.

Dieser Fall zeigt, warum vernetzte Telemetriedaten wichtig sind. Ein Performance-Problem kann von Kameras, Netzwerken, Rechenressourcen, Speicher, Anwendungscode oder einem Verarbeitungsdienst ausgehen.

Ein Agent, der ausschließlich Anwendungslogs untersucht, sieht ein unvollständiges System. Der Vorteil von Datadog hängt davon ab, ob seine Plattform genügend Teile dieses Systems korrelieren kann, um nützliche Zusammenhänge zu erkennen, ohne irreführende Gewissheit zu erzeugen.

Das kommerzielle Momentum des Unternehmens verschafft ihm die Ressourcen, diese Strategie zu verfolgen. Datadog meldete für das zweite Quartal 2026 einen Umsatz von 1,12 Milliarden US-Dollar, 36 % mehr als im Vorjahr.

Die Ergebnisse des zweiten Quartals wiesen rund 4.720 Kunden aus, die jährlich wiederkehrende Umsätze von mindestens 100.000 US-Dollar generierten. Ein Jahr zuvor waren es rund 3.850.

Datadog meldete für das Quartal zudem einen operativen Cashflow von 316 Millionen US-Dollar und einen freien Cashflow von 279 Millionen US-Dollar. Ende Juni verfügte das Unternehmen über 5 Milliarden US-Dollar an Barmitteln, Barmitteläquivalenten und marktfähigen Wertpapieren.

Diese Zahlen belegen nicht, dass Kunden autonome Abläufe akzeptieren. Sie zeigen, dass Datadog über eine große Unternehmensbasis und die finanzielle Kapazität verfügt, KI-Funktionen in einer etablierten Plattform auszubauen.

Dieser Vertriebsvorteil ist wichtig. Unternehmen bevorzugen möglicherweise Automatisierung, die an bereits genutzte Monitoring-Systeme angebunden ist, statt einen weiteren Agenten mit separaten Berechtigungen und Datenpipelines einzuführen.

Die Plattformbeziehung erzeugt zudem Wechselhürden. Je mehr Betriebshistorie, Workflows, Dashboards und Sicherheitskontrollen ein Kunde in einem System hält, desto schwieriger wird es, dieses System zu ersetzen.

Datadog muss diesen Vorteil gegen die durch Konsolidierung entstehenden Bedenken abwägen. Eine einheitliche Plattform kann den Integrationsaufwand reduzieren, doch ein Ausfall, Konfigurationsfehler oder Sicherheitsvorfall kann weitreichendere Folgen haben.

Der Mechanismus ist daher unkompliziert, auch wenn die Umsetzung schwierig ist. Datadog sammelt Kontext, stellt diesen kontrollierten Agenten bereit und nutzt Automatisierung, um Untersuchung und Reaktion zu verkürzen.

Der Erfolg hängt von der Qualität des Kontexts, dem Berechtigungsdesign und der Zuverlässigkeit jeder nach der Diagnose ausgeführten Aktion ab.

Automatisierung schafft ein neues Kontrollproblem

Das größte Hindernis besteht nicht darin, ob Bits AI die Ursache eines Vorfalls finden kann. Es besteht darin, ob Unternehmen den Agenten begrenzen können, wenn seine Analyse falsch ist.

Herkömmliche Monitoring-Tools alarmieren Menschen. Autonome Systeme können auch Aktionen auslösen und schaffen dadurch bei falschen Schlussfolgerungen oder kompromittierten Anweisungen ein größeres Schadenspotenzial.

Eine fehlerhafte Zusammenfassung kostet Zeit. Eine fehlerhafte Infrastrukturänderung kann Dienste unterbrechen, eine Sicherheitskontrolle schwächen oder Beweise löschen, die für eine spätere Untersuchung benötigt werden.

Prompt Injection schafft ein weiteres Risiko. Von Prompt Injection spricht man, wenn versteckte oder böswillige Anweisungen ein KI-System dazu bringen, seine vorgesehenen Regeln zu ignorieren.

Datadog führte AI Guard ein, um verdächtiges Verhalten über die Aktivitäten eines Agenten hinweg zu erkennen. Das Unternehmen erklärt, es kombiniere Agent Tracing mit zustandsbehafteter Verhaltensanalyse, die Verhalten über mehrere Schritte hinweg untersucht, statt nur einen Prompt und eine Antwort zu prüfen.

Diese Unterscheidung ist relevant, weil sich Angriffe auf Agenten über Zeit entwickeln können. Eine scheinbar harmlose Eingabe könnte einen Agenten dazu veranlassen, sensible Informationen abzurufen, einen externen Dienst aufzurufen oder erst mehrere Schritte später eine nicht autorisierte Aktion auszuführen.

Datadogs Aussagen zu AI Guard bleiben Aussagen des Unternehmens, bis Kunden und unabhängige Forscher sie unter vielfältigen Produktionsbedingungen testen. Kein Verhaltensdetektor kann garantieren, dass jede schädliche Anweisung erkannt wird.

Berechtigungsgrenzen sind daher unerlässlich. Agenten sollten nur den Zugriff erhalten, der für eine klar definierte Aufgabe erforderlich ist, und sensible Aktionen sollten zusätzliche Genehmigungen verlangen.

Ein Unternehmen benötigt zudem vollständige Aufzeichnungen darüber, was ein Agent beobachtet, abgeleitet und verändert hat. Ohne diese Spur können Teams Fehler weder rekonstruieren noch Verantwortlichkeiten bestimmen.

Menschliche Aufsicht darf nicht bedeuten, am Ende eines undurchsichtigen Prozesses lediglich einen nominellen Genehmigungsbutton zu platzieren. Prüfer benötigen genügend Kontext, um die vorgeschlagene Aktion und ihre wahrscheinliche Wirkung zu verstehen.

Die Geschwindigkeit der Automatisierung kann dieser Anforderung entgegenwirken. Wenn ein Agent Hunderte von Empfehlungen erzeugt, könnten Menschen sie mechanisch genehmigen und den Anschein von Kontrolle schaffen, ohne dass eine sinnvolle Prüfung erfolgt.

Datadog muss außerdem das durch seine eigene Integrationsreichweite entstehende Risiko steuern. Eine Plattform, die mit Produktions-Telemetrie, Sicherheitserkenntnissen, Entwickler-Tools und Behebungs-Workflows verbunden ist, wird zu einem attraktiven Ziel.

Das Unternehmen kann dieses Risiko durch Authentifizierung, Autorisierung, Audit-Logs, Datenkontrollen und Workload-Isolation reduzieren. Kunden müssen diese Kontrollen korrekt konfigurieren und sie pflegen, wenn sich Teams und Systeme verändern.

Die Datenresidenz ist für regulierte Organisationen ein weiteres Anliegen. Datadogs Bring Your Own Cloud-Option reagiert darauf, indem sie Teile der Plattform in einer vom Kunden kontrollierten Umgebung platziert und den Objektspeicher des Kunden nutzt.

Dieses Design kann Unternehmen helfen, mehr Kontrolle über wachsende Log-Volumen zu behalten. Es beseitigt jedoch nicht jede Governance-Frage zu Metadaten, Supportzugriff, Konfiguration oder angebundenen Diensten.

Auch die Kosten können die Einführung verlangsamen. Observability-Systeme verarbeiten große Mengen an Telemetrie, und KI-Workloads können neue Logs, Traces, Prompts, Antworten und Agentenereignisse erzeugen.

Kunden müssen entscheiden, was sie aufbewahren, indexieren, analysieren oder verwerfen. Übermäßige Filterung kann die Beweise verbergen, die ein Agent benötigt, während wahllose Erfassung Kosten erhöhen und sensible Daten offenlegen kann.

Es gibt zudem ein Messproblem. Schnellere Untersuchungen führen nicht zwangsläufig zu sichereren Betriebsabläufen, und mehr automatisierte Aktionen führen nicht zwangsläufig zu besseren Geschäftsergebnissen.

Eine glaubwürdige Einführung sollte Vorfallsdauer, Wiederholungsrate, falsche Empfehlungen, zurückgenommene Aktionen, Genehmigungsquoten und Sicherheitsausnahmen erfassen. Sie sollte außerdem zwischen Vorfällen unterscheiden, die von einem Agenten gelöst wurden, und solchen, bei denen der Agent Verwirrung stiftete.

Datadogs Agent Console weist für Coding-Agenten auf diese Art der Bewertung hin. Unternehmen werden bei jedem automatisierten Betriebs-Workflow ähnliche Disziplin benötigen.

Die Strategie des Unternehmens bleibt vielversprechend, weil sie KI mit realen Systemnachweisen verbindet. Die offene Frage ist, ob diese Verbindung zu verlässlichem Urteilsvermögen oder lediglich zu schnellerer Aktivität führt.

Datadog steht vor einem umkämpften Plattformwettbewerb

Der eigentliche Gegner von Datadog ist fragmentierte Unternehmenssoftware, doch konkurrierende Plattformen vertreten dasselbe Konsolidierungsargument.

Organisationen haben über Jahre hinweg spezialisierte Produkte für Monitoring, Sicherheit, Ticketing, Cloud-Management und Entwickler zusammengestellt. Datadog möchte mehr dieser Funktionen innerhalb einer Daten- und Automatisierungsschicht verbinden.

Dieses Angebot setzt etablierte Tools unter Druck, die nur einen Teil eines Vorfalls abdecken. Es setzt auch Engineering-Teams unter Druck, die maßgeschneiderte Integrationen zwischen Alarmierung, Untersuchung und Behebung pflegen.

Datadog besitzt jedoch keinen exklusiven Anspruch auf einheitliche Observability oder KI-gestützte Betriebsabläufe. Dynatrace, Splunk, New Relic, ServiceNow, Microsoft, Google Cloud und Amazon Web Services verbinden allesamt KI mit Betriebsdaten.

Cloud-Anbieter haben innerhalb ihrer eigenen Umgebungen einen strukturellen Vorteil. Sie können Agenten mit Infrastrukturkontrollen, Identitätsdiensten, Sicherheitsprodukten und Abrechnungsdaten verbinden.

Anbieter für Service Management verfügen über Genehmigungsprozesse, Tickets, Asset-Inventare und Unternehmens-Workflows. Sicherheitsanbieter besitzen spezialisierte Bedrohungsinformationen und Reaktionsfähigkeiten.

Datadogs Verteidigung ist die Neutralität über gemischte Umgebungen hinweg. Große Organisationen betreiben selten nur eine Cloud, eine Programmiersprache oder ein Sicherheitsprodukt.

Eine breit integrierte Observability-Schicht kann Verhalten über diese Grenzen hinweg vergleichen. Datadog kann außerdem Anwendungs- und Infrastruktur-Telemetrie nutzen, um technische Ausfälle mit dem Kundenerlebnis zu verknüpfen.

Doch Neutralität hat Grenzen. Jedes externe System bringt eine Integrationsgrenze, ein Berechtigungsmodell und mögliche Verzögerungen mit sich. Ein Cloud-Anbieter kann auf native Informationen zugreifen, die eine unabhängige Plattform nur über eine API erhält.

Offene Standards wie MCP können Integrationshürden verringern. Sie können es Kunden jedoch auch erleichtern, konkurrierende Agenten mit denselben Tools zu verbinden.

Das bedeutet, dass Datadog über die Qualität seines Kontexts, seiner Schlussfolgerungen, Kontrollen und Benutzererfahrung konkurrieren muss. Die bloße Unterstützung von MCP wird keinen dauerhaften Vorteil sichern.

Das Unternehmen muss außerdem beweisen, dass sich sein wachsendes Produktsortiment einheitlich anfühlt. Weniger Anbieter einzukaufen hilft nur, wenn Teams die kombinierte Plattform nutzen können, ohne eine weitere Komplexitätsschicht zu schaffen.

Unternehmenskäufer werden prüfen, ob Warnmeldungen ein konsistentes Datenmodell teilen, ob Berechtigungen produktübergreifend funktionieren und ob automatisierte Aktionen die Auditierbarkeit erhalten. Sie werden auch berücksichtigen, wie sich der Datenverbrauch auf vertragliche Verpflichtungen auswirkt.

Sicherheitsverantwortliche bevorzugen möglicherweise spezialisierte Produkte für risikoreiche Untersuchungen. Betriebsteams könnten Datadog bevorzugen, weil es bereits die Telemetrie enthält, die zur Diagnose eines Anwendungsausfalls erforderlich ist.

Diese Präferenzen können zu einer schrittweisen Einführung führen. Ein Kunde könnte mit KI-generierten Zusammenfassungen beginnen, anschließend die Erstellung von Tickets und risikoarme Behebungen erlauben und schließlich folgenreichere Aktionen zulassen.

Diese Entwicklung stellt die Vorstellung eines plötzlichen Übergangs zu autonomen Betriebsabläufen infrage. Die Einführung in Unternehmen folgt eher einer Vertrauensleiter.

Jede erfolgreiche Aktion kann weitergehende Berechtigungen rechtfertigen. Jede falsche Diagnose oder unerwartete Änderung kann das Programm wieder in Richtung einer reinen Empfehlungsnutzung zurückführen.

Datadogs Chance besteht darin, diese Leiter messbar zu machen. Käufer benötigen Belege dafür, wann ein Agent mehr Befugnisse verdient und wann sein Zugriff begrenzt bleiben sollte.

Der Gewinner dieses Wettbewerbs wird nicht unbedingt die autonomste Demonstration haben. Er wird den klarsten Weg von hilfreicher Unterstützung zu verantwortbarer Handlung bieten.

Worauf Unternehmen als Nächstes achten sollten

Drei Signale werden zeigen, ob Datadog seine Automatisierungsstrategie in vertrauenswürdige Unternehmensabläufe umsetzen kann.

Das erste Signal ist die Ausweitung von Produktionsberechtigungen. Datadog hat MCP-Funktionen in Teilen seines Sicherheits-Toolsets bereits über den schreibgeschützten Zugriff hinaus erweitert.

Die wichtige Frage ist, wie Kunden diese Fähigkeiten einsetzen. Die Erstellung von Tickets und die Generierung von Empfehlungen bergen andere Risiken als Regeländerungen, Unterdrückungen oder automatisierte Behebungen.

Belege für wiederholbare Produktionsimplementierungen würden Datadogs Argument stärken. Diese Implementierungen sollten Berechtigungsgrenzen, Genehmigungsanforderungen, Audit-Aufzeichnungen und dokumentierte Rollback-Prozesse umfassen.

Einige dramatische Vorfallsgeschichten werden nicht ausreichen. Käufer benötigen aggregierte Belege zu falschen Aktionen, Eskalationsraten, Zeitersparnissen und Ergebnissen in verschiedenen Umgebungen.

Das zweite Signal ist die Einführung in der größeren Kundenbasis von Datadog. Die 4.720 Kunden des Unternehmens mit jährlich wiederkehrenden Umsätzen von mindestens 100.000 US-Dollar stellen einen bedeutenden Vertriebskanal dar.

Künftige Finanzberichte könnten zeigen, ob KI-Funktionen die Zahl der von bestehenden Kunden genutzten Produkte erhöhen. Kommentare des Managements können zudem offenlegen, ob Bits AI und Agent Builder neue Unternehmensabschlüsse unterstützen.

Umsatzwachstum allein wird die Frage nicht beantworten. Datadog verkauft viele Produkte, und Kunden können ihre Ausgaben erhöhen, ohne Agenten weitergehende operative Befugnisse einzuräumen.

Das stärkere Signal würde kommerzielle Expansion mit offengelegter Nutzung verbinden. Datadog könnte berichten, wie viele Kunden Bits AI in der Produktion einsetzen, welche Aktionen Agenten ausführen und wo menschliche Genehmigung weiterhin verpflichtend ist.

Eine begrenzte Offenlegung würde Käufer von ausgewählten Kundengeschichten abhängig machen. Transparente Betriebskennzahlen würden die Aussagen des Unternehmens leichter bewertbar machen.

Das dritte Signal ist die Reaktion von Regulierungsbehörden und Enterprise-Governance-Teams. Australiens Leitlinien betonen fortlaufende Risikobewertung, Tests, Monitoring, Rechenschaftspflicht und menschliche Kontrolle.

Beschaffungsprozesse werden diese Prinzipien in technische Fragen übersetzen. Käufer werden fragen, wie Datadog Zugriff, sensible Daten, Modelländerungen, Drittanbieterkomponenten, Vorfallsaufzeichnungen und Agentenverhalten handhabt.

Neue verpflichtende Anforderungen für Hochrisiko-KI würden den Bedarf an Nachweisen und Monitoring erhöhen. Sie könnten die Einführung jedoch auch verlangsamen, wenn Datadog und seine Kunden Agentenaktivitäten nicht bestimmten Kontrollen zuordnen können.

Die Reaktionen der Wettbewerber sind innerhalb dieses Signals relevant. Rivalisierende Plattformen werden ihre eigenen Ansätze für Governance, Datenresidenz und autonome Abläufe präsentieren.

Wenn Konkurrenzprodukte klarere Kontrollmodelle bieten, wird Datadogs Vorteil durch umfassende Telemetrie weniger Gewicht haben. Bleiben sie fragmentiert, wird Datadogs einheitliche Strategie attraktiver.

Unternehmensteams sollten Autonomie nicht als binäre Entscheidung betrachten. Sie können Aktionen nach ihrer Auswirkung klassifizieren, Agenten in eingeschränkten Umgebungen testen und ihre Befugnisse nur erweitern, wenn die Leistung dies rechtfertigt.

Sie sollten zudem für menschenlesbare Aufzeichnungen sorgen. Eine KI-Wissensdatenbank kann Teams dabei helfen, Entscheidungen, den Kontext von Vorfällen und betriebliche Erkenntnisse festzuhalten, ersetzt jedoch keine technischen Audit-Logs.

Bei der KI-Automatisierung von Datadog handelt es sich letztlich um eine Governance-Geschichte, die als Produkterweiterung getarnt ist. Laut Kundenberichten kann die Technologie stundenlange Untersuchungen auf wenige Minuten verkürzen.

Die schwierigere Aufgabe besteht darin nachzuweisen, dass schnelleres Handeln sicher bleibt, wenn ein Agent ein System missversteht, manipulierten Daten begegnet oder über seine vorgesehene Rolle hinausgeht.

Datadog verfügt über die Reichweite der Plattform, Unternehmenskunden und finanziellen Ressourcen, um diese These im großen Maßstab zu testen. Unternehmen sollten nun messbare Nachweise verlangen, bevor sie Transparenz gegen Autonomie eintauschen.

Welchen operativen Maßnahmen würde Ihre Organisation einem Agenten heute vertrauen, und welche Nachweise würden es rechtfertigen, ihm die nächste Zugriffsstufe zu gewähren?