La monitorización de agentes de IA de Datadog se enfrenta a la apuesta de 915 millones de dólares de Dynatrace por Arize
La monitorización de agentes de IA de Datadog afronta ahora un desafío más directo después de que Dynatrace acordara adquirir Arize en una operación valorada en 915 millones de dólares. El acuerdo convierte una categoría de producto emergente en una competencia directa entre dos proveedores consolidados de observabilidad.
Ambas compañías quieren convertirse en el sistema que las empresas utilizan para inspeccionar agentes de IA, evaluar sus resultados, controlar sus costes e investigar fallos. Sin embargo, abordan esa oportunidad desde posiciones diferentes. Datadog está ampliando su plataforma de monitorización en la nube hacia el desarrollo de agentes, mientras que Dynatrace compra una experiencia más profunda en evaluación.
El momento es relevante porque los agentes generan problemas operativos que los paneles tradicionales de aplicaciones no fueron diseñados para explicar. Un agente puede seleccionar herramientas, llamar a otros agentes, recuperar datos externos y repetir pasos antes de producir una respuesta. Una solicitud que se completa correctamente aún puede ofrecer un resultado empresarial erróneo, exponer información sensible o consumir muchos más recursos de lo previsto.
El resultado plantea una interesante paradoja. Los agentes de IA prometen automatizar el trabajo digital, pero las empresas necesitan otra capa de software para supervisar esa automatización. Datadog y Dynatrace compiten por controlar esa capa antes de que los compradores se decanten por especialistas más pequeños y nativos de IA.
Dynatrace convirtió la observabilidad de IA en una competencia de 915 millones de dólares
La prevista adquisición de Arize por Dynatrace lleva la competencia más allá de la monitorización convencional de infraestructura y hacia todo el ciclo de vida del desarrollo de IA.
Dynatrace anunció el acuerdo definitivo el 13 de agosto de 2026. La empresa indicó que adquiriría Arize por 915 millones de dólares, sujeto a los ajustes habituales. La contraprestación incluye aproximadamente 815 millones de dólares en efectivo y adjudicaciones de acciones de sustitución para los empleados de Arize.
Se espera que la operación se cierre tras la revisión regulatoria y otras condiciones habituales. Hasta entonces, Dynatrace y Arize seguirán siendo empresas independientes. Por tanto, su integración prometida debe tratarse como una hoja de ruta, no como el resultado de un producto ya terminado.
Arize se especializa en evaluar y observar sistemas de aprendizaje automático, aplicaciones de grandes modelos de lenguaje y agentes. Sus herramientas ayudan a los desarrolladores a inspeccionar trazas, comparar experimentos, evaluar la calidad de las respuestas e identificar cambios en el comportamiento de los modelos.
Dynatrace aporta una base diferente. Su plataforma ya conecta trazas de aplicaciones, estado de la infraestructura, registros, actividad de usuarios y transacciones empresariales. La compañía sostiene que combinar esas señales operativas con las herramientas de evaluación de Arize cubrirá las aplicaciones de IA desde el desarrollo hasta la producción.
Esta combinación aborda una división real dentro de muchas organizaciones de ingeniería. Los equipos de IA suelen probar prompts y modelos en un entorno. Los equipos de operaciones monitorizan la latencia, los errores, la infraestructura y los incidentes en otro lugar.
Dynatrace afirma que la adquisición propuesta cerrará esa brecha. Su acuerdo con Arize describe la observabilidad de IA como un ciclo de vida que abarca experimentación, evaluación, trazado en producción, infraestructura y resultados empresariales.
El anuncio también revela el valor que la categoría ha adquirido para los proveedores consolidados de monitorización. Dynatrace no está simplemente añadiendo otro panel. Está comprometiendo un capital considerable para conectar la evaluación de IA con su plataforma empresarial existente.
La compañía ya lanzó su aplicación dedicada AI Observability en enero de 2026. Ese producto admite interacciones de agentes, uso de herramientas, dependencias, consumo de tokens, latencia, tendencias de costes y resultados de guardrails.
Dynatrace también afirma que es compatible con más de 40 tecnologías LLM. Sus integraciones enumeradas incluyen OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain y protocolos de agentes emergentes.
Arize ofrece a Dynatrace una vía más sólida hacia los equipos de ingeniería de IA que trabajan antes de que una aplicación llegue a producción. También proporciona a la empresa alcance de código abierto mediante el proyecto Phoenix de Arize y un flujo de trabajo de evaluación más especializado.
Datadog se enfrenta ahora a un competidor que combina velocidad de adquisición con un canal consolidado de ventas empresariales. Dynatrace afronta la tarea más difícil de integrar dos productos sin debilitar la experiencia de desarrollador que hizo atractivo a Arize.
Por qué los agentes de IA rompen la monitorización tradicional
Un agente puede seguir estando técnicamente disponible mientras toma una secuencia de decisiones individualmente válidas que produce un mal resultado.
La monitorización tradicional de aplicaciones suele preguntar si un servicio respondió, cuánto tardó y si se produjo un error. Estas medidas siguen siendo necesarias, pero no explican la ruta de razonamiento de un agente ni la calidad de su resultado.
Pensemos en un agente de atención al cliente que procesa un reembolso. Podría recuperar una cuenta, consultar una política, llamar a una herramienta de facturación y actualizar un registro de cliente. Todos los servicios pueden devolver una respuesta correcta mientras el agente aplica la política equivocada.
Una segunda ejecución de la misma solicitud puede seguir otra ruta. Los grandes modelos de lenguaje son no deterministas, lo que significa que entradas idénticas no siempre producen resultados idénticos. Esa variabilidad debilita las pruebas basadas en resultados esperados fijos.
El uso de herramientas añade otra fuente de incertidumbre. Un agente puede seleccionar la función equivocada, proporcionar argumentos inadecuados o llamar a la herramienta correcta en el momento equivocado. También puede entrar en un bucle de reintentos que aumenta la latencia y el consumo de tokens sin generar un error convencional de aplicación.
Los sistemas multiagente amplían aún más el problema. Un agente coordinador puede delegar trabajo en agentes especializados, que después llaman a modelos y servicios externos. La respuesta final puede depender de varios prompts, permisos, pasos de recuperación y respuestas de modelos.
Por ello, los equipos necesitan trazas que preserven toda una ruta de ejecución. Una traza es un registro conectado de los pasos realizados durante una solicitud, incluidas las llamadas a modelos, las llamadas a herramientas, los tiempos, los errores y los metadatos relevantes.
Sin embargo, recopilar trazas es solo el comienzo. Los ingenieros deben conectar el comportamiento técnico con la calidad, la seguridad y los resultados empresariales. Una respuesta rápida no es útil si contiene una afirmación sin fundamento o desencadena una acción no autorizada.
Datadog describió este problema cuando lanzó AI Agent Monitoring en junio de 2025. Su lanzamiento de monitorización indicó que el producto mapea entradas, invocaciones de herramientas, llamadas a otros agentes y resultados en un gráfico interactivo.
La compañía afirma que los ingenieros pueden investigar picos de latencia, llamadas incorrectas a herramientas y bucles infinitos. Después pueden correlacionar esos eventos con medidas de calidad, seguridad y coste.
Dynatrace adopta una visión igualmente amplia. Su aplicación AI Observability sigue prompts, llamadas a herramientas e invocaciones de modelos, vinculándolos con la infraestructura y las dependencias de aplicaciones.
Estas capacidades explican por qué la observabilidad de IA se está convirtiendo en algo más que un panel de LLM. El objeto operativo ha cambiado: ha pasado de ser una transacción de software predecible a un flujo de trabajo probabilístico con autoridad para actuar.
Ese cambio ejerce presión simultáneamente sobre desarrolladores, equipos de seguridad, ingenieros de fiabilidad de sitios y responsables de negocio. Cada grupo necesita una respuesta distinta a partir de la misma evidencia.
Los desarrolladores quieren saber qué prompt o herramienta provocó un fallo. Los equipos de operaciones necesitan datos de latencia, fiabilidad y dependencias. Los equipos de seguridad necesitan permisos y pistas de auditoría. Los líderes empresariales quieren pruebas de que el agente produce resultados útiles.
Una plataforma que conecte estas preguntas puede resultar difícil de sustituir. Ese es el premio estratégico detrás de la competencia entre Datadog y Dynatrace.
La monitorización de agentes de IA de Datadog comienza con datos de producción
La ventaja de Datadog es su capacidad para situar el comportamiento de los agentes junto a las señales de aplicaciones e infraestructura que sus clientes ya recopilan.
Datadog presentó AI Agent Monitoring, LLM Experiments y una AI Agents Console como partes de su oferta más amplia LLM Observability. Juntas, cubren la investigación en tiempo de ejecución, las pruebas controladas y la supervisión centralizada.
AI Agent Monitoring se centra en lo que ocurre durante una ejecución. Los ingenieros pueden examinar la cadena de llamadas a modelos, herramientas y transferencias entre agentes. La interfaz también conecta esos pasos con la latencia, el uso de tokens, los errores, el coste y los resultados de evaluación.
LLM Experiments aborda los cambios realizados antes de la implementación. Los equipos pueden comparar prompts, modelos y configuraciones de aplicaciones utilizando conjuntos de datos creados a partir de trazas de producción o ejemplos proporcionados.
Esa conexión entre las trazas de producción y los experimentos es fundamental para el enfoque de Datadog. Un fallo descubierto en un flujo de trabajo activo puede convertirse en un caso de prueba repetible. Los ingenieros pueden comparar entonces una corrección propuesta con el comportamiento original.
Las directrices de Datadog de septiembre de 2026 ilustran el flujo de trabajo con un agente de soporte. Un equipo podría detectar resúmenes truncados y llamadas de facturación lentas después de la implementación. Los datos de trazas pueden identificar patrones recurrentes, mientras los experimentos prueban si un cambio de prompt o de modelo los mejora.
La compañía también recomienda comparar resultados no deterministas en ejecuciones repetidas. Una única respuesta correcta aporta evidencia débil cuando otra ejecución puede producir un resultado distinto.
Los evaluadores añaden otra capa. Son pruebas que califican el resultado de un agente según cualidades como relevancia, precisión, seguridad o finalización de tareas. Algunos usan reglas deterministas, mientras otros emplean otro modelo de lenguaje como juez.
La evaluación basada en modelos puede escalar la revisión, pero introduce su propia incertidumbre. Datadog aconseja calibrar un juez LLM frente a la evaluación humana antes de confiar en sus puntuaciones. Esta cautela importa porque dos modelos pueden compartir puntos ciegos.
La AI Agents Console amplía la monitorización más allá del software desarrollado por una empresa. Datadog afirma que puede ayudar a las organizaciones a catalogar agentes internos y de terceros, inspeccionar su uso, medir su impacto y comprobar permisos.
Esa función de catálogo cobra importancia cuando los empleados adoptan agentes integrados en herramientas de programación, plataformas de clientes y software de productividad. Una organización puede no poseer el modelo o el entorno de ejecución del agente, pero sigue siendo responsable del acceso a los datos y de los resultados.
La posición comercial más amplia de Datadog da peso a esta estrategia. La compañía informó de ingresos de 1.120 millones de dólares en el segundo trimestre de 2026, un 36 por ciento más que el año anterior. También reportó alrededor de 4.720 clientes con ingresos recurrentes anuales superiores a 100.000 dólares.
Estas cifras no demuestran que Datadog vaya a liderar la observabilidad de IA. Muestran que cuenta con una amplia base de clientes en la que la monitorización de agentes puede convertirse en otro producto asociado.
Datadog también puso a disposición general Bits Code, Bits Chat y Bits Agent Builder durante el trimestre. Estos productos sitúan a la empresa en ambos lados del mercado. Construye agentes para sus clientes mientras vende los sistemas utilizados para observar agentes.
Esa posición genera una retroalimentación útil para el producto. Datadog puede aplicar sus herramientas de monitorización a sus propios agentes y experimentar directamente los problemas operativos. También crea una prueba de credibilidad, porque los clientes pueden juzgar si los productos autónomos de la compañía siguen siendo inspeccionables.
Para los equipos de ingeniería, el atractivo es la consolidación. Un incidente de un agente rara vez se detiene en el límite del modelo. La causa raíz podría estar en una base de datos lenta, una API que falla, una canalización de recuperación o una GPU sobrecargada.
Datadog puede correlacionar esas capas dentro de un entorno de monitorización existente. Los equipos también necesitan contexto técnico consultable fuera de la telemetría en tiempo real, incluidos los registros de incidentes y las decisiones de diseño. Una base de conocimientos de ingeniería bien mantenida puede preservar ese contexto humano.
El desafío de Datadog consiste en demostrar que una plataforma amplia puede igualar a las herramientas especializadas en profundidad de evaluación y usabilidad para desarrolladores. La distribución existente abre la puerta, pero no resuelve la decisión de producto.
Dynatrace compra el lado de desarrollo del ciclo de vida
La estrategia de Dynatrace con Arize ataca a Datadog al conectar la evaluación previa al lanzamiento con una plataforma de producción basada en el contexto de dependencias.
Históricamente, Dynatrace ha hecho hincapié en el análisis causal. Su tecnología Smartscape mapea las relaciones entre aplicaciones, infraestructura, servicios, redes y usuarios. Su capa de datos Grail consolida información de observabilidad, seguridad y negocio.
La empresa sostiene que este contexto ayuda a los equipos a entender por qué ocurrió un incidente, y no solo qué métrica cambió. Este enfoque encaja con los sistemas de agentes, porque un mal resultado puede surgir a través de varias dependencias.
La aplicación dedicada AI Observability de Dynatrace ya rastrea rutas de ejecución de agentes, invocaciones de herramientas, interacciones con modelos, uso de tokens, costes, latencia y errores. También es compatible con OpenTelemetry y OpenLLMetry, que ofrecen convenciones abiertas para capturar telemetría.
La instrumentación abierta importa porque la pila de agentes está cambiando con rapidez. Las empresas no quieren que cada nuevo modelo, framework o protocolo requiera una integración de monitorización propietaria.
Dynatrace enumera compatibilidad con Amazon Bedrock AgentCore, Strands Agents, LangChain, Agent Development Kit de Google, OpenAI Agents SDK y flujos de trabajo de Model Context Protocol. Esta amplitud reduce la fricción para las empresas que operan entornos mixtos.
Arize cubre una necesidad diferente. Los ingenieros de IA usan sistemas de evaluación al elegir conjuntos de datos, prompts, modelos y candidatos de lanzamiento. Sus flujos de trabajo comienzan antes de que los equipos de operaciones reciban un servicio de producción.
Por lo tanto, la combinación propuesta apunta a una división organizativa persistente. Los equipos de desarrollo investigan el comportamiento de los modelos y la calidad de las respuestas. Los equipos de operaciones examinan la disponibilidad, las dependencias de las aplicaciones y el rendimiento de la infraestructura.
Unir estas actividades podría crear un ciclo de mejora continua. Un fallo en producción se convierte en un caso de evaluación. El cambio resultante puede probarse antes de que un despliegue controlado lo devuelva a producción.
Dynatrace afirma que la plataforma combinada conectará el comportamiento de la IA con el impacto empresarial. Es una afirmación importante porque los indicadores técnicos indirectos pueden ocultar fallos.
Por ejemplo, un agente podría reducir el tiempo medio de gestión mientras aumenta los casos de soporte reabiertos. Un agente de programación podría generar más cambios mientras incrementa las tasas de reversión. Una plataforma de observabilidad necesita datos de resultados para distinguir la actividad del valor.
Dynatrace entró en esta competición con un impulso significativo. Reportó 2.136 millones de dólares en ingresos recurrentes anuales durante su primer trimestre fiscal de 2027, un aumento del 17 por ciento.
La empresa también reportó ingresos trimestrales de 555 millones de dólares, un 16 por ciento más. Los nuevos ingresos recurrentes anuales netos orgánicos crecieron un 41 por ciento, según sus resultados trimestrales.
Dynatrace afirma que la demanda está aumentando a medida que los clientes amplían sus cargas de trabajo cloud-native e iniciativas de IA. Sin embargo, los comentarios de la empresa no pueden revelar qué parte de los ingresos procede directamente de la observabilidad de IA.
La operación con Arize es, por tanto, tanto una decisión de producto como una apuesta de mercado. Dynatrace está pagando por tecnología, talento, adopción entre desarrolladores y tiempo.
El riesgo de integración es considerable. Las plataformas de monitorización empresarial y las herramientas de evaluación orientadas a desarrolladores sirven a usuarios distintos. Sus interfaces, patrones de despliegue, ciclos de lanzamiento y procesos de compra no se alinean automáticamente.
Dynatrace debe preservar el atractivo de Arize para los ingenieros de IA mientras lo conecta con la plataforma más amplia. Una migración forzada o un empaquetado excesivamente complejo podría empujar a los desarrolladores hacia alternativas independientes.
También debe demostrar que los datos combinados producen mejores decisiones. Más telemetría no crea automáticamente más comprensión. Esquemas deficientes, trazas incompletas y criterios de evaluación inconsistentes pueden producir una colección mayor de evidencia ambigua.
El ganador debe monitorizar calidad, coste y autoridad
La característica decisiva no será el gráfico de trazas más atractivo, sino la capacidad de conectar las acciones de los agentes con resultados empresariales aceptables.
Datadog y Dynatrace pueden mostrar rutas de ejecución, uso de tokens, errores y latencia. Estas capacidades se están convirtiendo en requisitos básicos, no en factores diferenciadores duraderos.
El problema más difícil es definir el éxito. Un agente puede completar un flujo de trabajo sin satisfacer al usuario. Puede ofrecer una respuesta precisa mientras incumple una política. Puede mejorar la calidad mientras vuelve el flujo de trabajo antieconómico.
La evaluación de calidad sigue siendo especialmente difícil. Las reglas pueden verificar resultados estructurados, campos obligatorios y hechos conocidos. La redacción abierta, el razonamiento y las recomendaciones requieren juicios más subjetivos.
La evaluación LLM-as-a-judge ofrece escala, pero no debería convertirse en una verdad incuestionada. Un modelo juez puede preferir ciertos estilos de redacción, pasar por alto errores factuales sutiles o reproducir sesgos presentes en el modelo evaluado.
La revisión humana sigue siendo necesaria para la calibración y los casos de alto riesgo. Sin embargo, revisar cada ejecución anula gran parte de la justificación económica de la automatización. Los proveedores deben ayudar a los clientes a decidir qué casos merecen atención humana.
El coste es más fácil de contabilizar, pero más difícil de interpretar. El consumo de tokens, las tarifas de los modelos, el uso de infraestructura y las llamadas a herramientas externas pueden contribuir al coste operativo de un agente.
Un bucle de reintentos puede inflar el gasto sin provocar una interrupción evidente. Un modelo más caro puede seguir siendo económico si completa las tareas de forma fiable y reduce el retrabajo. Por ello, la monitorización de costes necesita un denominador de resultados.
La autoridad plantea las mayores consecuencias. Los agentes pueden acceder a registros de clientes, repositorios, sistemas financieros y herramientas de comunicación. La observabilidad debe capturar qué intentó hacer un agente, qué permisos utilizó y si una acción fue aprobada.
Registrar una acción insegura después de completarla no es suficiente para flujos de trabajo sensibles. Las empresas exigirán cada vez más aplicación de políticas, acceso revocable, aprobación humana y ejecución recuperable.
Este requisito difumina la frontera entre observabilidad, seguridad, gobernanza y control en tiempo de ejecución. Datadog y Dynatrace no solo compiten entre sí. Se enfrentan a especialistas centrados en evaluaciones, pasarelas de agentes, seguridad, trazabilidad y orquestación de flujos de trabajo.
OpenTelemetry puede reducir la dependencia de proveedores en la capa de recopilación. No puede estandarizar cada puntuación de evaluación o resultado empresarial. Los proveedores seguirán tomando decisiones diferentes sobre modelos de datos, correlaciones y recomendaciones automatizadas.
Esto deja a los compradores con una pregunta escéptica: ¿una plataforma unificada revela más o simplemente centraliza más datos?
La respuesta variará según la organización. Una empresa ya estandarizada en Datadog puede valorar el despliegue rápido y los flujos de trabajo conocidos. Una gran empresa híbrida puede preferir el modelo de dependencias y el análisis causal de Dynatrace.
Los equipos nativos de IA pueden seguir eligiendo herramientas especializadas de evaluación. Más adelante pueden enviar telemetría seleccionada a una plataforma de monitorización más amplia. La compra de Arize por parte de Dynatrace busca evitar que esa capa especializada siga separada.
Ninguno de los proveedores ha establecido un método universal para demostrar la fiabilidad de los agentes. Sus productos pueden recopilar evidencia, ejecutar pruebas y destacar anomalías. Los clientes aún deben definir un comportamiento aceptable y resultados significativos.
El riesgo es que la observabilidad de IA se convierta en una colección de paneles atractivos sin responsabilidad operativa. Los despliegues exitosos vincularán cada puntuación importante con una decisión, un responsable, un umbral y una respuesta.
Tres señales decidirán la carrera entre Datadog y Dynatrace
La próxima fase se juzgará por la integración, la adopción medible y el grado de control que las empresas concedan a estas plataformas.
La primera señal es la finalización e integración de producto de la adquisición de Arize por parte de Dynatrace. El cierre de la operación solo inicia la prueba. Los compradores deben observar con qué rapidez las trazas, los conjuntos de datos, las evaluaciones y los incidentes de producción se desplazan entre los dos entornos.
Un flujo de trabajo coherente reforzaría la tesis de Dynatrace sobre el ciclo de vida. Interfaces separadas, datos duplicados o una propiedad de producto poco clara la debilitarían. La retención de desarrolladores alrededor de Arize y Phoenix aportará otra señal útil.
La segunda señal es la adopción por parte de clientes divulgada por ambos proveedores. El crecimiento general de ingresos aporta contexto, pero no aísla la demanda de observabilidad de agentes.
La evidencia útil incluiría el número de agentes de producción monitorizados, las cargas de trabajo que usan evaluaciones, los productos vinculados por cliente y la expansión de clientes ligada a la IA. Los estudios de caso deberían identificar resultados medidos, no solo recuentos de agentes.
La tercera señal es el paso de la observación a la acción gobernada. Ambas empresas están desarrollando agentes que pueden investigar incidentes y asistir en operaciones. Los clientes deben decidir si esos sistemas pueden recomendar cambios, ejecutar pasos aprobados o actuar de forma autónoma.
El análisis de solo lectura implica una menor carga de confianza. La remediación automatizada requiere registros de auditoría completos, permisos restringidos, mecanismos de reversión y una responsabilidad clara cuando el agente comete un error.
El avance en la acción gobernada reforzaría el argumento de que las plataformas de observabilidad pueden convertirse en planos de control para agentes empresariales. Una vacilación persistente sugeriría que la monitorización sigue siendo valiosa, pero que la autonomía ha alcanzado un límite de confianza.
Los compradores empresariales no deberían elegir una plataforma basándose únicamente en una lista de funciones. Deberían comenzar con un flujo de trabajo de producción y definir su calidad, coste, latencia, permisos y resultado empresarial aceptables.
Después deberían probar si la plataforma puede reconstruir un fallo, identificar su causa, comparar una corrección propuesta y prevenir una regresión. Ese ejercicio expone brechas que una demostración pulida puede ocultar.
La monitorización de agentes de IA de Datadog ofrece actualmente una sólida vía centrada en producción para las organizaciones que ya utilizan su plataforma. Dynatrace está haciendo una apuesta mayor: que la evaluación y las operaciones deben convertirse en un único ciclo de vida.
El ganador será el proveedor que convierta el comportamiento impredecible de los agentes en evidencia en la que los equipos puedan confiar y sobre la que puedan actuar. Para los compradores, la pregunta inmediata es más sencilla: ¿puede su sistema de monitorización explicar no solo si un agente se ejecutó, sino si hizo lo correcto?
