L’automatisation IA de Datadog cible les risques, mais les entreprises gardent le contrôle

L’automatisation IA de Datadog dépasse les tableaux de bord, malgré la réticence des entreprises à laisser des logiciels agir de manière indépendante au sein de systèmes critiques. L’entreprise présente désormais l’observabilité, la sécurité et la remédiation automatisée comme une réponse unique à l’augmentation des risques opérationnels. Son approche est particulièrement pertinente en Australie, où les grandes organisations gèrent souvent des services cloud aux côtés d’infrastructures héritées et d’opérations externalisées.

Cette évolution transforme le rôle de Datadog. Traditionnellement, l’observabilité aidait les ingénieurs à comprendre ce qui s’était produit après le ralentissement, la défaillance ou le déclenchement d’une alerte par une application. Datadog veut désormais que son logiciel enquête sur les incidents, recommande des réponses et exécute des actions approuvées à partir du contexte opérationnel en temps réel.

La question n’est pas de savoir si l’intelligence artificielle peut résumer une alerte. Elle est de déterminer si les entreprises feront confiance à des agents IA disposant d’un accès à la production, tout en préservant la responsabilité, la sécurité et la supervision humaine. Splunk, Dynatrace, les fournisseurs cloud et les éditeurs de sécurité poursuivent des opportunités similaires ; Datadog doit donc démontrer qu’un contexte unifié permet une automatisation plus sûre.

L’automatisation IA de Datadog passe des réponses aux actions

Datadog transforme sa plateforme de supervision en une couche opérationnelle contrôlée pour les agents IA d’entreprise.

L’expansion de l’entreprise repose sur la combinaison des données d’observabilité, des signaux de sécurité, de l’automatisation des workflows et de l’IA générative. L’observabilité consiste à collecter et relier des informations sur les applications, l’infrastructure, les réseaux, les expériences utilisateur et d’autres systèmes techniques.

La vice-présidente régionale de Datadog pour l’Australie et la Nouvelle-Zélande, Roz Gregory, a décrit cette convergence comme une opportunité de gérer les coûts, la sécurité de l’IA et la conformité. Dans une interview consacrée aux entreprises de la région ANZ, elle a soutenu que les piles technologiques fragmentées rendent ces priorités plus difficiles à traiter avec des outils séparés.

Datadog est passé de deux produits à plus de 30, selon Gregory. Sa plateforme couvre désormais l’infrastructure, les applications, la livraison logicielle, les expériences numériques, les données, la sécurité et les charges de travail IA.

Cette étendue est importante, car le traitement automatisé des incidents exige du contexte. Un agent ne peut pas diagnostiquer de façon sûre un échec de paiement à partir d’une seule métrique isolée. Il a besoin des traces applicatives, de l’état de santé de l’infrastructure, des déploiements récents, des événements de sécurité, du comportement des bases de données et des données de performance visibles par les clients.

Bits AI est la famille d’agents de Datadog pour les tâches de développement, de sécurité et d’exploitation. Datadog affirme que ces agents peuvent enquêter sur des incidents, analyser la télémétrie associée et aider les équipes à agir dans le cadre de contrôles définis.

L’entreprise a développé cette stratégie lors de sa conférence DASH en juin 2026. Ses plus de 100 lancements de produits comprenaient de nouvelles fonctions Bits AI, un constructeur d’agents, des contrôles de sécurité pour l’IA et des options supplémentaires de gestion des données d’entreprise.

Bits Agent Builder permet aux équipes de créer des agents spécialisés dans Datadog. Ces agents peuvent prendre en charge la remédiation, le reporting et l’application de standards, dans les limites établies par le client.

Agent Console répond à un problème de gestion connexe. Datadog indique qu’il aide les organisations à observer des outils tels que Claude Code, Cursor et GitHub Copilot. Les responsables peuvent examiner l’utilisation, les tâches, les résultats et les dépenses, plutôt que de traiter l’activité des agents comme une couche invisible.

Datadog a également rendu son serveur Model Context Protocol généralement disponible en mars 2026. MCP est une interface standard qui permet aux applications IA d’accéder à des outils et des sources de données approuvés.

L’accès gouverné des agents relie des agents de programmation externes et des environnements de développement à la télémétrie Datadog en temps réel. L’entreprise présente cette connexion comme un moyen de préserver les autorisations et la gouvernance tout en intégrant des preuves opérationnelles au travail assisté par l’IA.

Cette architecture crée la tension centrale de l’article. Le même accès qui aide un agent à diagnostiquer des problèmes de production peut accroître les conséquences d’une action erronée ou manipulée.

Un agent qui lit des données de supervision présente un niveau de risque. Un agent qui modifie des règles de détection, crée des tickets, supprime des conclusions ou lance une remédiation en présente un autre.

Datadog vend donc plus qu’une réponse aux incidents plus rapide. L’entreprise vend l’idée que l’automatisation devient acceptable lorsque l’IA opère à travers une source unifiée de contexte technique et des contrôles établis.

Cette affirmation doit désormais résister aux évaluations d’approvisionnement, aux tests de sécurité et aux défaillances réelles en production.

Les systèmes hybrides australiens augmentent les enjeux

Les entreprises australiennes n’adoptent pas l’automatisation sur une base technique vierge.

De nombreuses grandes organisations exploitent encore une infrastructure traditionnelle tout en ajoutant des services de cloud public, des applications en tant que service et des systèmes IA. Les accords d’externalisation ajoutent un niveau supplémentaire de responsabilité et de contrôle des accès.

Cet environnement crée des éléments de preuve fragmentés. Un incident peut traverser le code applicatif, l’infrastructure cloud, les systèmes d’identité, les fournisseurs externes ainsi que les réseaux physiques ou virtuels.

Les équipes utilisent souvent des produits distincts pour chaque partie de ce parcours. Ces produits peuvent générer des alertes qui se chevauchent sans partager suffisamment de contexte pour établir la cause et l’impact commercial.

Gregory estime qu’un environnement chargé en outils rend la sécurité de l’IA et la complexité plus difficiles à gérer. Sa position soutient l’orientation commerciale de Datadog, mais les entreprises devront encore vérifier si la consolidation réduit le risque ou le concentre simplement.

La pression immédiate pèse sur les opérations technologiques, les équipes de sécurité et les responsables des risques. Ils doivent favoriser une livraison logicielle plus rapide sans perdre le contrôle des données, des identifiants, des éléments de preuve de conformité ou des changements en production.

Les développeurs subissent également cette pression. Les agents de programmation peuvent générer et modifier des logiciels plus rapidement, mais cette vitesse accroît le volume de changements entrant dans les systèmes de revue, de test et de déploiement.

Les équipes de sécurité doivent distinguer les problèmes exploitables des conclusions moins prioritaires. Les équipes d’exploitation doivent déterminer si une défaillance provient du code, de l’infrastructure, de la capacité, des données ou d’un fournisseur de modèles IA.

Les propres recherches de Datadog illustrent le problème opérationnel. Ses données sur l’ingénierie de l’IA ont révélé qu’environ 5 % des requêtes adressées à des modèles IA échouaient en production.

Près de 60 % de ces échecs résultaient de limites de capacité, selon l’entreprise. Datadog a analysé des données d’utilisation anonymisées provenant de milliers de clients exécutant de grands modèles de langage en production.

Le rapport a également constaté que 69 % des organisations utilisaient au moins trois modèles. L’adoption des frameworks d’agents a doublé sur un an, tandis que la quantité moyenne de données envoyées avec chaque requête a augmenté.

Ces résultats proviennent de l’environnement client de Datadog et ne doivent donc pas être considérés comme un recensement de toutes les entreprises. Ils décrivent néanmoins le type de complexité que Datadog veut gérer avec sa plateforme.

La multiplication des modèles crée davantage de décisions de routage, de modes de défaillance, de limites d’utilisation et de dépendances envers les fournisseurs. Les agents ajoutent des workflows dont l’action suivante peut dépendre de la sortie d’un modèle plutôt que d’une logique applicative déterministe.

L’environnement de gouvernance australien ajoute une autre exigence. Les orientations fédérales sur l’adoption de l’IA appellent à la responsabilité, à la gestion des risques, à la gouvernance des données, aux tests, à la surveillance et à une supervision humaine significative.

Ces orientations ont évolué à partir de la norme australienne volontaire de sécurité de l’IA. Elles ne créent pas à elles seules de nouvelles obligations juridiques, mais elles aident les organisations à se préparer aux obligations actuelles et à d’éventuelles exigences futures.

Plusieurs pratiques sont étroitement liées à l’observabilité. Les organisations devraient surveiller les systèmes IA déployés, documenter les risques, réévaluer les contrôles et suivre les changements de comportement ou d’utilisation prévue.

Toutefois, la collecte de télémétrie ne satisfait pas automatiquement à ces obligations. Un tableau de bord ne peut pas décider de la tolérance au risque d’une organisation, identifier les parties prenantes affectées ou attribuer la responsabilité d’un résultat préjudiciable.

Cette distinction est importante pour l’argumentaire de Datadog. La plateforme peut fournir des preuves opérationnelles, des contrôles d’accès et une surveillance technique. Les dirigeants d’entreprise doivent toujours définir quelles actions un agent peut entreprendre et qui répond du résultat.

Le marché australien présente donc à la fois une opportunité et un test difficile. Les environnements hybrides créent une demande de visibilité unifiée, mais la réglementation et la prudence institutionnelle limitent la rapidité avec laquelle les clients autoriseront une action autonome.

Le contexte unifié est le principal pari de Datadog

Datadog parie qu’un agent disposant d’une télémétrie plus large peut agir de manière plus sûre qu’un assistant enfermé dans un outil spécialisé.

Un agent d’exploitation doit reconstituer la cause à partir d’éléments de preuve dispersés dans une pile technique. La plateforme de Datadog recueille déjà une grande partie de ces éléments pour la supervision et le dépannage.

L’entreprise peut donner à un agent accès aux traces applicatives, aux journaux, aux métriques d’infrastructure, aux événements de déploiement, aux conclusions de sécurité cloud et aux connaissances de l’organisation. Datadog affirme que ce contexte aide Bits AI à relier des signaux qui exigeraient autrement une enquête manuelle.

Winning Group offre un exemple concret. Le distributeur australien possède Winning Appliances et Appliances Online, dont le site web constitue la principale vitrine destinée aux clients.

Le responsable technique Nick Rivett a déclaré que l’entreprise avait adopté Datadog en partie pour rendre les informations de performance accessibles au-delà de l’ingénierie. Les tableaux de bord partagés permettent à davantage d’employés d’examiner les changements sans attendre qu’un ingénieur traduise chaque métrique.

Winning Group utilise également Bits AI et les capacités MCP de Datadog. Rivett a décrit un incident que les équipes humaines avaient étudié pendant des heures avant que Bits AI ne relie les éléments de preuve en environ 10 minutes.

Ce récit est le témoignage d’un client, et non une évaluation indépendante. Il montre néanmoins où l’automatisation IA de Datadog peut créer de la valeur sans accorder immédiatement à un agent une autorité illimitée.

Une enquête plus rapide réduit le délai entre une alerte et une explication crédible. Un humain peut ensuite examiner les éléments de preuve et choisir une réponse.

Flowstate présente un autre cas opérationnel. L’entreprise australienne enregistre des surfeurs et traite la vidéo afin que les clients puissent recevoir des images peu après une session.

Les temps d’arrêt affectent directement le produit, car du temps d’enregistrement perdu peut signifier la perte de séquences clients. Flowstate utilise Datadog pour surveiller son infrastructure vidéo en temps réel et identifier les goulets d’étranglement de performance.

Ses besoins de traitement ont augmenté à mesure que la vidéo est passée de la 4K à 30 images par seconde à la 4K à 60 images par seconde, puis à la 6K à 60 images par seconde. Chaque hausse ajoute des données et une pression de traitement.

Ce cas montre pourquoi une télémétrie connectée est importante. Un problème de performance peut provenir des caméras, des réseaux, des ressources de calcul, du stockage, du code applicatif ou d’un service de traitement.

Un agent qui n’examine que les journaux applicatifs ne voit qu’un système incomplet. L’avantage de Datadog dépend de la capacité de sa plateforme à corréler une part suffisante de ce système pour identifier des relations utiles, sans créer une certitude trompeuse.

La dynamique commerciale de l’entreprise lui donne les moyens de poursuivre sa stratégie. Datadog a déclaré un chiffre d’affaires de 1,12 milliard de dollars au deuxième trimestre 2026, en hausse de 36 % sur un an.

Ses résultats du deuxième trimestre font état d’environ 4 720 clients générant au moins 100 000 dollars de revenus récurrents annuels. Ce nombre est en hausse par rapport aux quelque 3 850 clients recensés un an plus tôt.

Datadog a également déclaré 316 millions de dollars de flux de trésorerie d’exploitation et 279 millions de dollars de flux de trésorerie disponible pour le trimestre. À la fin juin, l’entreprise disposait de 5 milliards de dollars en trésorerie, équivalents de trésorerie et titres négociables.

Ces chiffres ne prouvent pas que les clients adhèrent aux opérations autonomes. Ils montrent que Datadog dispose d’une importante base d’entreprises clientes et de la capacité financière nécessaire pour ajouter des fonctionnalités d’IA à une plateforme établie.

Cet avantage de distribution est important. Les entreprises peuvent préférer une automatisation intégrée aux systèmes de supervision qu’elles utilisent déjà plutôt que d’introduire un autre agent avec des autorisations et des pipelines de données distincts.

La relation avec la plateforme crée aussi une pression au changement. Plus un client conserve d’historique opérationnel, de flux de travail, de tableaux de bord et de contrôles de sécurité dans un même système, plus ce système devient difficile à remplacer.

Datadog doit mettre cet avantage en balance avec les préoccupations créées par la consolidation. Une plateforme unifiée peut réduire le travail d’intégration, mais une panne, une erreur de configuration ou un incident de sécurité peut avoir un impact plus large.

Le mécanisme est donc simple, même si son exécution est difficile. Datadog collecte du contexte, expose ce contexte à des agents contrôlés et utilise l’automatisation pour raccourcir les phases d’investigation et de réponse.

Son succès dépend de la qualité du contexte, de la conception des autorisations et de la fiabilité de chaque action effectuée après le diagnostic.

L’automatisation crée un nouveau problème de contrôle

Le principal obstacle n’est pas de savoir si Bits AI peut trouver la cause d’un incident. Il consiste à déterminer si les entreprises peuvent contraindre l’agent lorsque son analyse est erronée.

Les outils de supervision traditionnels alertent les personnes. Les systèmes autonomes peuvent aussi déclencher des actions, ce qui accroît l’impact potentiel de conclusions erronées ou d’instructions compromises.

Un résumé incorrect fait perdre du temps. Une modification incorrecte de l’infrastructure peut interrompre un service, affaiblir un contrôle de sécurité ou effacer des preuves nécessaires à une enquête ultérieure.

L’injection de prompt crée un autre risque. Elle survient lorsque des instructions cachées ou malveillantes manipulent un système d’IA afin qu’il ignore les règles qui lui sont destinées.

Datadog a introduit AI Guard pour détecter les comportements suspects dans l’activité d’un agent. L’entreprise indique qu’il associe le traçage des agents à une analyse comportementale avec état, qui examine les comportements sur plusieurs étapes au lieu d’évaluer un seul prompt et une seule réponse.

Cette distinction est pertinente car les attaques contre les agents peuvent se dérouler dans le temps. Une entrée apparemment inoffensive peut amener un agent à récupérer des informations sensibles, à appeler un service externe ou à effectuer une action non autorisée plusieurs étapes plus tard.

Les affirmations de Datadog concernant AI Guard restent des affirmations de l’entreprise tant que des clients et des chercheurs indépendants ne les ont pas testées dans des conditions de production variées. Aucun détecteur comportemental ne peut garantir que chaque instruction nuisible sera reconnue.

Les limites d’autorisation sont donc essentielles. Les agents ne devraient recevoir que les accès nécessaires à une tâche définie, et les actions sensibles devraient exiger une approbation supplémentaire.

Une entreprise a également besoin de registres complets de ce qu’un agent a observé, déduit et modifié. Sans cette traçabilité, les équipes ne peuvent ni reconstituer les défaillances ni établir les responsabilités.

La supervision humaine ne peut pas se résumer à placer un bouton d’approbation symbolique à la fin d’un processus opaque. Les réviseurs ont besoin de suffisamment de contexte pour comprendre l’action proposée et son effet probable.

La vitesse de l’automatisation peut aller à l’encontre de cette exigence. Si un agent produit des centaines de recommandations, les personnes peuvent les approuver mécaniquement et créer une apparence de contrôle sans véritable examen.

Datadog doit également gérer le risque créé par l’étendue de ses propres intégrations. Une plateforme connectée à la télémétrie de production, aux constats de sécurité, aux outils de développement et aux flux de remédiation devient une cible attractive.

L’entreprise peut réduire ce risque grâce à l’authentification, à l’autorisation, aux journaux d’audit, aux contrôles des données et à l’isolation des charges de travail. Les clients doivent configurer correctement ces contrôles et les maintenir à mesure que les équipes et les systèmes évoluent.

La résidence des données constitue une autre préoccupation pour les organisations réglementées. L’option Bring Your Own Cloud de Datadog y répond en plaçant certaines parties de la plateforme dans un environnement contrôlé par le client et en utilisant le stockage objet de celui-ci.

Cette conception peut aider les entreprises à conserver davantage de contrôle sur des volumes de journaux croissants. Elle n’élimine pas toutes les questions de gouvernance liées aux métadonnées, à l’accès au support, à la configuration ou aux services connectés.

Le coût peut aussi ralentir l’adoption. Les systèmes d’observabilité traitent de grandes quantités de télémétrie, et les charges de travail d’IA peuvent générer de nouveaux journaux, traces, prompts, réponses et événements d’agent.

Les clients doivent décider ce qu’ils conservent, indexent, analysent ou éliminent. Un filtrage excessif peut masquer les éléments de preuve dont un agent a besoin, tandis qu’une collecte indiscriminée peut accroître les coûts et exposer des données sensibles.

Il existe également un problème de mesure. Une investigation plus rapide ne produit pas nécessairement des opérations plus sûres, et davantage d’actions automatisées ne produisent pas nécessairement de meilleurs résultats commerciaux.

Un déploiement crédible devrait suivre la durée des incidents, leur récurrence, les fausses recommandations, les actions annulées, les taux d’approbation et les exceptions de sécurité. Il devrait aussi distinguer les incidents résolus par un agent de ceux dans lesquels l’agent a ajouté de la confusion.

La console Agent Console de Datadog ouvre la voie à ce type d’évaluation pour les agents de programmation. Les entreprises auront besoin d’une discipline similaire dans chaque flux opérationnel automatisé.

La stratégie de l’entreprise reste prometteuse car elle relie l’IA à des éléments de preuve réels issus des systèmes. La question non résolue est de savoir si ce lien produit un jugement fiable ou simplement une activité plus rapide.

Datadog fait face à une concurrence acharnée entre plateformes

Le véritable adversaire de Datadog est la fragmentation des outils d’entreprise, mais les plateformes concurrentes avancent le même argument de consolidation.

Les organisations ont passé des années à assembler des produits spécialisés de supervision, de sécurité, de gestion des tickets, de gestion du cloud et de développement. Datadog veut relier davantage de ces fonctions au sein d’une même couche de données et d’automatisation.

Cette proposition met sous pression les outils historiques qui ne possèdent qu’une partie d’un incident. Elle met aussi sous pression les équipes d’ingénierie qui maintiennent des intégrations personnalisées entre les systèmes d’alerte, d’investigation et de remédiation.

Toutefois, Datadog ne détient pas l’exclusivité de l’observabilité unifiée ou des opérations assistées par IA. Dynatrace, Splunk, New Relic, ServiceNow, Microsoft, Google Cloud et Amazon Web Services relient tous l’IA aux données opérationnelles.

Les fournisseurs cloud disposent d’un avantage structurel dans leurs propres environnements. Ils peuvent relier les agents aux contrôles d’infrastructure, aux services d’identité, aux produits de sécurité et aux données de facturation.

Les fournisseurs de gestion des services contrôlent les processus d’approbation, les tickets, les inventaires d’actifs et les flux de travail d’entreprise. Les fournisseurs de sécurité possèdent des informations spécialisées sur les menaces et des capacités de réponse.

La défense de Datadog réside dans sa neutralité entre environnements mixtes. Les grandes organisations exploitent rarement un seul cloud, un seul langage de programmation ou un seul produit de sécurité.

Une couche d’observabilité largement intégrée peut comparer les comportements au-delà de ces frontières. Datadog peut aussi utiliser la télémétrie des applications et de l’infrastructure pour relier les défaillances techniques à l’expérience client.

Cette neutralité a toutefois des limites. Chaque système externe introduit une limite d’intégration, un modèle d’autorisation et un délai potentiel. Un fournisseur cloud peut accéder à des informations natives qu’une plateforme indépendante ne reçoit que par une API.

Des normes ouvertes comme MCP peuvent réduire les frictions d’intégration. Elles peuvent aussi faciliter la connexion d’agents concurrents aux mêmes outils par les clients.

Datadog doit donc concurrencer sur la qualité de son contexte, de son raisonnement, de ses contrôles et de son expérience utilisateur. Le simple fait de prendre en charge MCP ne préservera pas un avantage durable.

L’entreprise doit également prouver que sa gamme de produits croissante semble unifiée. Réduire le nombre de fournisseurs n’aide que lorsque les équipes peuvent parcourir la plateforme combinée sans créer une couche de complexité supplémentaire.

Les acheteurs d’entreprise examineront si les alertes partagent un modèle de données cohérent, si les autorisations fonctionnent entre les produits et si les actions automatisées préservent l’auditabilité. Ils examineront également comment la consommation de données affecte les engagements contractuels.

Les responsables de la sécurité peuvent préférer des produits spécialisés pour les investigations à haut risque. Les équipes d’exploitation peuvent privilégier Datadog parce qu’il contient déjà la télémétrie nécessaire pour diagnostiquer une défaillance applicative.

Ces préférences peuvent entraîner une adoption progressive. Un client peut commencer avec des résumés générés par IA, puis autoriser la création de tickets, une remédiation à faible risque et, enfin, des actions plus conséquentes.

Cette progression remet en cause l’idée d’un passage soudain aux opérations autonomes. L’adoption en entreprise suivra plus probablement une échelle de confiance.

Chaque action réussie peut justifier des autorisations plus larges. Chaque faux diagnostic ou changement inattendu peut ramener le programme vers un usage limité aux recommandations.

L’opportunité de Datadog consiste à rendre cette échelle mesurable. Les acheteurs ont besoin d’éléments prouvant à quel moment un agent mérite davantage d’autorité et à quel moment son accès doit rester limité.

Le gagnant de cette compétition ne sera pas nécessairement celui qui proposera la démonstration la plus autonome. Ce sera celui qui offrira le chemin le plus clair entre une assistance utile et une action responsable.

Ce que les entreprises devraient surveiller ensuite

Trois signaux montreront si Datadog peut transformer sa stratégie d’automatisation en opérations d’entreprise dignes de confiance.

Le premier signal est l’extension des autorisations en production. Datadog a déjà étendu les capacités MCP au-delà de l’accès en lecture seule dans certaines parties de son ensemble d’outils de sécurité.

La question importante est de savoir comment les clients utilisent ces capacités. La création de tickets et la génération de recommandations comportent des risques différents des modifications de règles, des suppressions ou de la remédiation automatisée.

Des preuves de déploiements en production reproductibles renforceraient l’argumentaire de Datadog. Ces déploiements devraient inclure des limites d’autorisation, des exigences d’approbation, des enregistrements d’audit et des processus de restauration documentés.

Quelques récits spectaculaires d’incidents ne suffiront pas. Les acheteurs ont besoin de données agrégées couvrant les fausses actions, les taux d’escalade, le temps gagné et les résultats dans différents environnements.

Le deuxième signal est l’adoption au sein de la plus vaste base clients de Datadog. Les 4 720 clients de l’entreprise générant au moins 100 000 dollars de revenus récurrents annuels représentent un canal de distribution important.

Les futurs rapports financiers pourraient révéler si les fonctions d’IA augmentent le nombre de produits utilisés par les clients existants. Les commentaires de la direction peuvent également montrer si Bits AI et Agent Builder soutiennent de nouveaux engagements d’entreprise.

La croissance des revenus ne répondra pas à elle seule à la question. Datadog vend de nombreux produits, et les clients peuvent augmenter leurs dépenses sans accorder aux agents une autorité opérationnelle plus large.

Le signal le plus fort combinerait l’expansion commerciale avec des données d’usage publiées. Datadog pourrait indiquer combien de clients exécutent Bits AI en production, quelles actions les agents effectuent et dans quels cas l’approbation humaine reste obligatoire.

Une communication limitée laisserait les acheteurs dépendre de témoignages clients sélectionnés. Des indicateurs opérationnels transparents rendraient les affirmations de l’entreprise plus faciles à évaluer.

Le troisième signal est la réponse des régulateurs et des équipes de gouvernance d’entreprise. Les orientations de l’Australie mettent l’accent sur l’évaluation continue des risques, les tests, la supervision, la responsabilité et le contrôle humain.

Les processus d’approvisionnement traduiront ces principes en questions techniques. Les acheteurs demanderont comment Datadog gère les accès, les données sensibles, les changements de modèle, les composants tiers, les enregistrements d’incidents et le comportement des agents.

De nouvelles exigences obligatoires pour les IA à haut risque accroîtraient la demande de preuves et de surveillance. Elles pourraient aussi ralentir le déploiement si Datadog et ses clients ne parviennent pas à associer l’activité des agents à des contrôles spécifiques.

Les réactions des concurrents comptent dans ce signal. Les plateformes rivales présenteront leurs propres approches en matière de gouvernance, de résidence des données et d’opérations autonomes.

Si les produits concurrents proposent des modèles de contrôle plus clairs, le vaste avantage de Datadog en matière de télémétrie pèsera moins lourd. S’ils restent fragmentés, la stratégie unifiée de Datadog gagnera en attrait.

Les équipes d’entreprise devraient éviter de considérer l’autonomie comme une décision binaire. Elles peuvent classer les actions selon leur impact, tester les agents dans des environnements restreints et n’élargir leur autorité que lorsque les performances le justifient.

Elles devraient également conserver des archives lisibles par les humains. Une base de connaissances IA peut aider les équipes à préserver les décisions, le contexte des incidents et les enseignements opérationnels, mais elle ne remplace pas les journaux d’audit techniques.

L’automatisation IA de Datadog relève en fin de compte d’une histoire de gouvernance déguisée en expansion de produit. Selon les témoignages de clients, cette technologie peut ramener des heures d’investigation à quelques minutes.

La tâche la plus difficile consiste à démontrer qu’une action plus rapide reste sûre lorsqu’un agent interprète mal un système, rencontre des données manipulées ou dépasse le rôle qui lui était attribué.

Datadog dispose de la couverture de plateforme, des clients d’entreprise et des ressources financières nécessaires pour tester cette proposition à grande échelle. Les entreprises devraient désormais exiger des preuves mesurables avant d’échanger la visibilité contre l’autonomie.

À quelles actions opérationnelles votre organisation ferait-elle confiance à un agent aujourd’hui, et quelles preuves justifieraient de lui accorder le niveau d’accès suivant ?