La surveillance des agents IA de Datadog face au pari de 915 millions de dollars de Dynatrace sur Arize

La surveillance des agents IA de Datadog fait désormais face à un défi plus direct après l’accord de Dynatrace visant à acquérir Arize dans le cadre d’une transaction valorisée à 915 millions de dollars. L’opération transforme une catégorie de produits émergente en concurrence frontale entre deux fournisseurs établis d’observabilité.

Les deux entreprises cherchent à devenir le système que les entreprises utilisent pour examiner les agents IA, évaluer leurs résultats, maîtriser leurs coûts et enquêter sur leurs défaillances. Elles abordent toutefois cette opportunité depuis des positions différentes. Datadog étend sa plateforme de surveillance cloud au développement d’agents, tandis que Dynatrace acquiert une expertise plus approfondie en évaluation.

Le calendrier compte, car les agents créent des problèmes opérationnels que les tableaux de bord applicatifs ordinaires n’ont pas été conçus pour expliquer. Un agent peut sélectionner des outils, appeler d’autres agents, récupérer des données externes et répéter certaines étapes avant de produire une réponse. Une requête aboutie peut néanmoins déboucher sur un mauvais résultat commercial, exposer des informations sensibles ou consommer bien davantage de ressources que prévu.

Il en résulte un renversement intéressant. Les agents IA promettent d’automatiser le travail numérique, mais les entreprises ont besoin d’une autre couche logicielle pour superviser cette automatisation. Datadog et Dynatrace se disputent la maîtrise de cette couche de contrôle avant que les acheteurs ne se tournent vers des spécialistes plus petits et natifs de l’IA.

Dynatrace transforme l’observabilité de l’IA en compétition à 915 millions de dollars

L’acquisition prévue d’Arize par Dynatrace fait passer la concurrence au-delà de la simple surveillance des infrastructures, vers l’ensemble du cycle de développement de l’IA.

Dynatrace a annoncé l’accord définitif le 13 août 2026. L’entreprise a indiqué qu’elle acquerrait Arize pour 915 millions de dollars, sous réserve des ajustements habituels. La contrepartie comprend environ 815 millions de dollars en numéraire ainsi que des attributions d’actions de remplacement destinées aux employés d’Arize.

La transaction devrait être conclue après l’examen réglementaire et la satisfaction d’autres conditions habituelles. D’ici là, Dynatrace et Arize restent des entreprises distinctes. Leur intégration annoncée doit donc être considérée comme une feuille de route, et non comme le résultat d’un produit déjà finalisé.

Arize est spécialisé dans l’évaluation et l’observabilité des systèmes d’apprentissage automatique, des applications fondées sur de grands modèles de langage et des agents. Ses outils aident les développeurs à examiner les traces, comparer les expériences, évaluer la qualité des réponses et identifier les évolutions du comportement des modèles.

Dynatrace apporte une base différente. Sa plateforme relie déjà les traces applicatives, la santé de l’infrastructure, les journaux, l’activité des utilisateurs et les transactions métier. L’entreprise estime que combiner ces signaux opérationnels avec les outils d’évaluation d’Arize permettra de couvrir les applications IA, du développement jusqu’à la production.

Cette combinaison répond à une véritable division au sein de nombreuses organisations d’ingénierie. Les équipes IA testent souvent les prompts et les modèles dans un environnement, tandis que les équipes opérationnelles surveillent la latence, les erreurs, l’infrastructure et les incidents ailleurs.

Dynatrace affirme que l’acquisition proposée comblera cet écart. Son accord avec Arize décrit l’observabilité de l’IA comme un cycle de vie couvrant l’expérimentation, l’évaluation, le traçage en production, l’infrastructure et les résultats métier.

L’annonce révèle aussi à quel point cette catégorie est devenue précieuse pour les fournisseurs établis de surveillance. Dynatrace ne se contente pas d’ajouter un tableau de bord supplémentaire. L’entreprise engage des capitaux considérables pour relier l’évaluation de l’IA à sa plateforme d’entreprise existante.

L’entreprise a déjà lancé son application dédiée AI Observability en janvier 2026. Ce produit prend en charge les interactions entre agents, l’utilisation d’outils, les dépendances, la consommation de tokens, la latence, les tendances de coût et les résultats des garde-fous.

Dynatrace indique également prendre en charge plus de 40 technologies de LLM. Ses intégrations répertoriées incluent OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain et des protocoles d’agents émergents.

Arize offre à Dynatrace un accès plus solide aux équipes d’ingénierie IA intervenant avant qu’une application n’atteigne la production. L’opération lui apporte aussi une présence dans l’open source grâce au projet Phoenix d’Arize et un flux de travail d’évaluation plus spécialisé.

Datadog fait désormais face à un concurrent qui associe la rapidité d’une acquisition à un canal de vente d’entreprise établi. Dynatrace doit quant à lui relever le défi plus difficile d’intégrer deux produits sans affaiblir l’expérience développeur qui rendait Arize attractif.

Pourquoi les agents IA mettent à mal la surveillance traditionnelle

Un agent peut rester techniquement disponible tout en prenant une succession de décisions individuellement valides qui produisent un mauvais résultat.

La surveillance applicative traditionnelle cherche généralement à savoir si un service a répondu, combien de temps cela a pris et si une erreur s’est produite. Ces mesures restent nécessaires, mais elles n’expliquent ni le cheminement de raisonnement d’un agent ni la qualité de ses résultats.

Prenons l’exemple d’un agent de support client qui traite un remboursement. Il peut récupérer un compte, consulter une politique, appeler un outil de facturation et mettre à jour le dossier d’un client. Chaque service peut renvoyer une réponse réussie alors que l’agent applique la mauvaise politique.

Une seconde exécution de la même requête peut emprunter un autre chemin. Les grands modèles de langage sont non déterministes, ce qui signifie que des entrées identiques ne produisent pas toujours des sorties identiques. Cette variabilité fragilise les tests fondés sur des résultats attendus fixes.

L’utilisation d’outils ajoute une autre source d’incertitude. Un agent peut sélectionner la mauvaise fonction, fournir des arguments inadaptés ou appeler le bon outil au mauvais moment. Il peut aussi entrer dans une boucle de tentatives qui augmente la latence et la consommation de tokens sans générer d’erreur applicative conventionnelle.

Les systèmes multi-agents élargissent encore le problème. Un agent coordinateur peut déléguer du travail à des agents spécialisés, qui appellent ensuite des modèles et services externes. La réponse finale peut dépendre de plusieurs prompts, autorisations, étapes de récupération et réponses de modèles.

Les équipes ont donc besoin de traces qui préservent l’intégralité d’un chemin d’exécution. Une trace constitue un enregistrement connecté des étapes réalisées au cours d’une requête, y compris les appels de modèles, les appels d’outils, le timing, les erreurs et les métadonnées pertinentes.

Pourtant, collecter des traces ne constitue qu’un début. Les ingénieurs doivent relier le comportement technique à la qualité, à la sécurité et aux résultats métier. Une réponse rapide n’est pas utile lorsqu’elle contient une affirmation non étayée ou déclenche une action non autorisée.

Datadog a décrit ce problème lors du lancement d’AI Agent Monitoring en juin 2025. Son communiqué sur la surveillance indique que le produit cartographie les entrées, les invocations d’outils, les appels à d’autres agents et les sorties dans un graphe interactif.

L’entreprise affirme que les ingénieurs peuvent enquêter sur les pics de latence, les appels d’outils incorrects et les boucles infinies. Ils peuvent ensuite corréler ces événements avec des mesures de qualité, de sécurité et de coût.

Dynatrace adopte une vision tout aussi large. Son application AI Observability suit les prompts, les appels d’outils et les invocations de modèles, tout en les reliant aux dépendances d’infrastructure et d’application.

Ces capacités expliquent pourquoi l’observabilité de l’IA devient plus qu’un tableau de bord pour LLM. L’objet opérationnel est passé d’une transaction logicielle prévisible à un flux de travail probabiliste doté d’une capacité d’action.

Ce changement exerce simultanément une pression sur les développeurs, les équipes de sécurité, les ingénieurs en fiabilité des sites et les responsables métier. Chaque groupe a besoin d’une réponse différente à partir des mêmes éléments de preuve.

Les développeurs veulent savoir quel prompt ou quel outil a provoqué une défaillance. Les équipes opérationnelles ont besoin de données sur la latence, la fiabilité et les dépendances. Les équipes de sécurité ont besoin d’autorisations et de pistes d’audit. Les dirigeants métier veulent la preuve que l’agent produit des résultats utiles.

Une plateforme qui relie ces questions peut devenir difficile à remplacer. Tel est l’enjeu stratégique de la concurrence entre Datadog et Dynatrace.

La surveillance des agents IA de Datadog commence avec les données de production

L’avantage de Datadog réside dans sa capacité à placer le comportement des agents aux côtés des signaux applicatifs et d’infrastructure que ses clients collectent déjà.

Datadog a présenté AI Agent Monitoring, LLM Experiments et une AI Agents Console comme des composantes de son offre plus large LLM Observability. Ensemble, ces produits couvrent l’enquête à l’exécution, les tests contrôlés et la supervision centralisée.

AI Agent Monitoring se concentre sur ce qui se produit pendant une exécution. Les ingénieurs peuvent examiner la chaîne d’appels de modèles, d’outils et de transferts entre agents. L’interface relie également ces étapes à la latence, à l’utilisation de tokens, aux erreurs, au coût et aux résultats d’évaluation.

LLM Experiments traite les modifications effectuées avant le déploiement. Les équipes peuvent comparer des prompts, des modèles et des configurations applicatives à l’aide de jeux de données créés à partir de traces de production ou d’exemples fournis.

Ce lien entre les traces de production et les expériences est au cœur de l’approche de Datadog. Une défaillance découverte dans un flux de travail actif peut devenir un cas de test reproductible. Les ingénieurs peuvent alors comparer un correctif proposé au comportement initial.

Les recommandations de Datadog de septembre 2026 illustrent ce flux de travail avec un agent de support. Une équipe peut identifier des résumés tronqués et des appels de facturation lents après le déploiement. Les données de traces peuvent repérer les tendances récurrentes, tandis que les expériences vérifient si une modification du prompt ou du modèle les améliore.

L’entreprise recommande également de comparer les sorties non déterministes lors d’exécutions répétées. Une seule réponse réussie constitue une preuve limitée lorsqu’une autre exécution peut produire un résultat différent.

Les évaluateurs ajoutent une autre couche. Il s’agit de tests qui notent la sortie d’un agent selon des qualités telles que la pertinence, l’exactitude, la sécurité ou l’accomplissement de la tâche. Certains utilisent des règles déterministes, tandis que d’autres emploient un autre modèle de langage comme juge.

L’évaluation fondée sur un modèle peut faire évoluer la révision à grande échelle, mais elle introduit sa propre incertitude. Datadog conseille d’étalonner un juge LLM par rapport à une évaluation humaine avant de s’appuyer sur ses scores. Cette prudence importe, car deux modèles peuvent partager les mêmes angles morts.

L’AI Agents Console étend la surveillance au-delà des logiciels développés par une entreprise. Datadog indique qu’elle peut aider les organisations à cataloguer les agents internes et tiers, examiner leur usage, mesurer leur impact et vérifier leurs autorisations.

Cette fonction de catalogue devient importante lorsque les employés adoptent des agents intégrés à des outils de programmation, des plateformes clients et des logiciels de productivité. Une organisation peut ne pas posséder le modèle ou l’environnement d’exécution de l’agent, tout en restant responsable de l’accès aux données et des résultats.

La position commerciale plus large de Datadog donne du poids à cette stratégie. L’entreprise a déclaré un chiffre d’affaires de 1,12 milliard de dollars au deuxième trimestre 2026, en hausse de 36 % sur un an. Elle a également indiqué compter environ 4 720 clients dont les revenus récurrents annuels dépassent 100 000 dollars.

Ces chiffres ne prouvent pas que Datadog dominera l’observabilité de l’IA. Ils montrent qu’elle dispose d’une vaste base de clients auprès desquels la surveillance des agents peut devenir un produit supplémentaire.

Datadog a également rendu Bits Code, Bits Chat et Bits Agent Builder généralement disponibles durant le trimestre. Ces produits placent l’entreprise des deux côtés du marché. Elle développe des agents pour ses clients tout en vendant les systèmes utilisés pour observer les agents.

Cette position crée une boucle de rétroaction utile pour les produits. Datadog peut appliquer ses outils de surveillance à ses propres agents et rencontrer directement les problèmes opérationnels. Elle crée aussi une épreuve de crédibilité, car les clients peuvent juger si les produits autonomes de l’entreprise restent inspectables.

Pour les équipes d’ingénierie, l’attrait réside dans la consolidation. Un incident impliquant un agent s’arrête rarement à la frontière du modèle. La cause profonde peut se situer dans une base de données lente, une API défaillante, un pipeline de récupération ou un GPU surchargé.

Datadog peut corréler ces couches au sein d'un environnement de supervision existant. Les équipes ont également besoin d'un contexte technique consultable en dehors de la télémétrie en direct, notamment les dossiers d'incident et les décisions d'architecture. Une base de connaissances d'ingénierie tenue à jour peut préserver ce contexte humain.

Le défi de Datadog consiste à prouver qu'une plateforme étendue peut rivaliser avec des outils spécialisés en profondeur d'évaluation et en ergonomie pour les développeurs. Sa distribution existante lui ouvre la porte, mais ne tranche pas la décision produit.

Dynatrace rachète le volet développement du cycle de vie

La stratégie Arize de Dynatrace s'attaque à Datadog en reliant l'évaluation avant publication à une plateforme de production structurée autour du contexte des dépendances.

Dynatrace a historiquement mis l'accent sur l'analyse causale. Sa technologie Smartscape cartographie les relations entre applications, infrastructure, services, réseaux et utilisateurs. Sa couche de données Grail consolide les informations d'observabilité, de sécurité et métier.

L'entreprise soutient que ce contexte aide les équipes à comprendre pourquoi un incident s'est produit, et non simplement quelle métrique a changé. Cette approche convient aux systèmes d'agents, car un mauvais résultat peut émerger à travers plusieurs dépendances.

L'application dédiée AI Observability de Dynatrace suit déjà les chemins d'exécution des agents, les appels d'outils, les interactions avec les modèles, l'usage de tokens, les coûts, la latence et les erreurs. Elle prend également en charge OpenTelemetry et OpenLLMetry, qui offrent des conventions ouvertes pour capturer la télémétrie.

Une instrumentation ouverte est importante, car la pile d'agents évolue rapidement. Les entreprises ne veulent pas que chaque nouveau modèle, framework ou protocole exige une intégration de supervision propriétaire.

Dynatrace indique prendre en charge Amazon Bedrock AgentCore, Strands Agents, LangChain, Google's Agent Development Kit, le OpenAI Agents SDK et les workflows Model Context Protocol. Cette étendue réduit les frictions pour les entreprises opérant dans des environnements mixtes.

Arize répond à un besoin différent. Les ingénieurs IA utilisent des systèmes d'évaluation lorsqu'ils choisissent des jeux de données, des prompts, des modèles et des candidats à la mise en production. Leurs workflows commencent avant que les équipes d'exploitation ne reçoivent un service de production.

La combinaison proposée cible donc une division organisationnelle persistante. Les équipes de développement examinent le comportement des modèles et la qualité des réponses. Les équipes d'exploitation analysent la disponibilité, les dépendances applicatives et les performances de l'infrastructure.

Réunir ces activités pourrait créer une boucle d'amélioration continue. Une défaillance en production devient un cas d'évaluation. La modification qui en résulte peut être testée avant qu'un déploiement contrôlé ne la renvoie en production.

Dynatrace affirme que la plateforme combinée reliera le comportement de l'IA à l'impact métier. C'est une affirmation importante, car les indicateurs techniques indirects peuvent masquer les défaillances.

Par exemple, un agent peut réduire le temps moyen de traitement tout en augmentant le nombre de dossiers de support rouverts. Un agent de codage peut produire davantage de modifications tout en augmentant les taux de retour en arrière. Une plateforme d'observabilité a besoin de données sur les résultats pour distinguer l'activité de la valeur.

Dynatrace est entré dans cette compétition avec un élan significatif. L'entreprise a déclaré 2,136 milliards de dollars de revenus récurrents annuels pour son premier trimestre fiscal de 2027, soit une hausse de 17 %.

L'entreprise a également déclaré un chiffre d'affaires trimestriel de 555 millions de dollars, en hausse de 16 %. Les nouveaux revenus récurrents annuels nets organiques ont progressé de 41 %, selon ses résultats trimestriels.

Dynatrace affirme que la demande augmente à mesure que ses clients développent leurs charges de travail cloud-native et leurs initiatives d'IA. Toutefois, les communications de l'entreprise ne permettent pas de déterminer quelle part des revenus provient directement de l'observabilité de l'IA.

La transaction Arize est donc à la fois une décision produit et un pari de marché. Dynatrace paie pour la technologie, les talents, l'adoption par les développeurs et le temps.

Le risque d'intégration est considérable. Les plateformes de supervision d'entreprise et les outils d'évaluation centrés sur les développeurs s'adressent à des utilisateurs différents. Leurs interfaces, modèles de déploiement, cycles de publication et processus d'achat ne s'alignent pas automatiquement.

Dynatrace doit préserver l'attrait d'Arize auprès des ingénieurs IA tout en le reliant à la plateforme plus vaste. Une migration forcée ou une offre trop complexe pourrait pousser les développeurs vers des alternatives indépendantes.

L'entreprise doit aussi démontrer que les données combinées permettent de prendre de meilleures décisions. Davantage de télémétrie ne crée pas automatiquement davantage de compréhension. Des schémas médiocres, des traces incomplètes et des critères d'évaluation incohérents peuvent produire une collection plus vaste de preuves ambiguës.

Le vainqueur devra surveiller la qualité, le coût et l'autorité

La fonctionnalité décisive ne sera pas le plus joli graphe de traces, mais la capacité à relier les actions des agents à des résultats métier acceptables.

Datadog et Dynatrace peuvent tous deux afficher les chemins d'exécution, l'usage de tokens, les erreurs et la latence. Ces capacités deviennent des exigences de base plutôt que des facteurs de différenciation durables.

Le problème le plus difficile consiste à définir la réussite. Un agent peut terminer un workflow sans satisfaire l'utilisateur. Il peut fournir une réponse exacte tout en enfreignant une politique. Il peut améliorer la qualité tout en rendant le workflow non rentable.

L'évaluation de la qualité demeure particulièrement difficile. Des règles peuvent vérifier les sorties structurées, les champs obligatoires et les faits connus. Les contenus ouverts, le raisonnement et les recommandations nécessitent des jugements plus subjectifs.

L'évaluation LLM-as-a-judge offre de l'échelle, mais elle ne doit pas devenir une vérité incontestée. Un modèle juge peut privilégier certains styles d'écriture, manquer des erreurs factuelles subtiles ou reproduire les biais présents dans le modèle évalué.

La revue humaine reste nécessaire pour l'étalonnage et les cas à haut risque. Toutefois, examiner chaque exécution annule une grande partie de l'intérêt économique de l'automatisation. Les fournisseurs doivent aider les clients à décider quels cas méritent une attention humaine.

Le coût est plus facile à compter, mais plus difficile à interpréter. La consommation de tokens, les frais de modèles, l'usage de l'infrastructure et les appels à des outils externes peuvent tous contribuer au coût d'exploitation d'un agent.

Une boucle de nouvelle tentative peut faire gonfler les dépenses sans provoquer de panne évidente. Un modèle plus coûteux peut néanmoins rester économique s'il accomplit les tâches de manière fiable et réduit les reprises. La surveillance des coûts a donc besoin d'un dénominateur fondé sur les résultats.

L'autorité présente les enjeux les plus élevés. Les agents peuvent accéder aux dossiers clients, aux dépôts, aux systèmes financiers et aux outils de communication. L'observabilité doit enregistrer ce qu'un agent a tenté de faire, les autorisations qu'il a utilisées et si une action a été approuvée.

Enregistrer une action dangereuse après son exécution ne suffit pas pour les workflows sensibles. Les entreprises exigeront de plus en plus l'application des politiques, des accès révocables, une approbation humaine et une exécution récupérable.

Cette exigence brouille la frontière entre observabilité, sécurité, gouvernance et contrôle à l'exécution. Datadog et Dynatrace ne sont pas seulement en concurrence l'un avec l'autre. Ils font face à des spécialistes des évaluations, des passerelles d'agents, de la sécurité, du tracing et de l'orchestration de workflows.

OpenTelemetry peut réduire la dépendance à un fournisseur au niveau de la collecte. Il ne peut pas standardiser chaque score d'évaluation ni chaque résultat métier. Les fournisseurs feront toujours des choix différents en matière de modèles de données, de corrélations et de recommandations automatisées.

Les acheteurs se retrouvent donc face à une question sceptique : une plateforme unifiée révèle-t-elle davantage, ou centralise-t-elle simplement davantage de données ?

La réponse variera selon l'organisation. Une entreprise déjà standardisée sur Datadog peut privilégier un déploiement rapide et des workflows familiers. Une grande entreprise hybride peut préférer le modèle de dépendances et l'analyse causale de Dynatrace.

Les équipes nativement axées sur l'IA pourraient continuer à choisir des outils d'évaluation spécialisés. Elles pourront ensuite envoyer une télémétrie sélectionnée vers une plateforme de supervision plus large. L'acquisition d'Arize par Dynatrace vise à empêcher que cette couche spécialisée reste séparée.

Aucun des deux fournisseurs n'a établi de méthode universelle pour prouver la fiabilité des agents. Leurs produits peuvent collecter des éléments de preuve, exécuter des tests et signaler des anomalies. Les clients doivent toujours définir les comportements acceptables et les résultats significatifs.

Le risque est que l'observabilité de l'IA devienne une collection de tableaux de bord attrayants sans responsabilité opérationnelle. Les déploiements réussis relieront chaque score important à une décision, un responsable, un seuil et une réponse.

Trois signaux détermineront la course entre Datadog et Dynatrace

La prochaine phase sera jugée sur l'intégration, l'adoption mesurable et le degré de contrôle que les entreprises accordent à ces plateformes.

Le premier signal est la finalisation et l'intégration produit de l'acquisition d'Arize par Dynatrace. La conclusion de l'accord ne fait que commencer le test. Les acheteurs devraient observer à quelle vitesse les traces, jeux de données, évaluations et incidents de production circulent entre les deux environnements.

Un workflow cohérent renforcerait la thèse de Dynatrace sur le cycle de vie. Des interfaces séparées, des données dupliquées ou une propriété produit floue l'affaibliraient. La fidélisation des développeurs autour d'Arize et de Phoenix fournira un autre signal utile.

Le deuxième signal est l'adoption par les clients divulguée par les deux fournisseurs. La croissance générale des revenus offre du contexte, mais n'isole pas la demande pour l'observabilité des agents.

Des éléments utiles incluraient le nombre d'agents de production surveillés, les charges de travail utilisant des évaluations, les produits associés par client et l'expansion des clients liée à l'IA. Les études de cas devraient identifier des résultats mesurés plutôt que de simples nombres d'agents.

Le troisième signal est le passage de l'observation à l'action gouvernée. Les deux entreprises développent des agents capables d'enquêter sur les incidents et d'assister les opérations. Les clients doivent décider si ces systèmes peuvent recommander des changements, exécuter des étapes approuvées ou agir de manière autonome.

L'analyse en lecture seule impose une charge de confiance moindre. La remédiation automatisée exige des pistes d'audit complètes, des autorisations limitées, des mécanismes de retour en arrière et une responsabilité claire lorsque l'agent commet une erreur.

Des progrès dans l'action gouvernée renforceraient l'argument selon lequel les plateformes d'observabilité peuvent devenir des plans de contrôle pour les agents d'entreprise. Une hésitation persistante suggérerait que la supervision reste utile, mais que l'autonomie a atteint une limite de confiance.

Les acheteurs d'entreprise ne devraient pas choisir une plateforme sur la seule base d'une liste de fonctionnalités. Ils devraient commencer par un workflow de production et définir sa qualité, son coût, sa latence, ses autorisations et son résultat métier acceptables.

Ils devraient ensuite tester si la plateforme peut reconstituer une défaillance, en identifier la cause, comparer un correctif proposé et prévenir une régression. Cet exercice révèle des lacunes qu'une démonstration soignée peut masquer.

La surveillance des agents IA de Datadog offre actuellement une solide voie axée sur la production pour les organisations qui utilisent déjà sa plateforme. Dynatrace fait un pari plus ambitieux : l'évaluation et les opérations doivent devenir un seul cycle de vie.

Le vainqueur sera le fournisseur qui transformera le comportement imprévisible des agents en éléments de preuve auxquels les équipes peuvent faire confiance et sur lesquels elles peuvent agir. Pour les acheteurs, la question immédiate est plus simple : votre système de supervision peut-il expliquer non seulement si un agent s'est exécuté, mais aussi s'il a fait ce qu'il fallait ?