Il monitoraggio degli agenti AI di Datadog affronta la scommessa da 915 milioni di dollari su Arize di Dynatrace

Il monitoraggio degli agenti AI di Datadog deve ora affrontare una sfida più netta, dopo che Dynatrace ha accettato di acquisire Arize in un’operazione valutata 915 milioni di dollari. L’accordo trasforma una categoria di prodotti emergente in un confronto diretto tra due fornitori affermati di osservabilità.

Entrambe le aziende vogliono diventare il sistema che le imprese usano per ispezionare gli agenti AI, valutarne l’output, controllarne i costi e indagare i guasti. Tuttavia, affrontano questa opportunità da posizioni diverse. Datadog sta estendendo la propria piattaforma di monitoraggio cloud allo sviluppo degli agenti, mentre Dynatrace sta acquisendo competenze più profonde nella valutazione.

Il tempismo conta perché gli agenti creano problemi operativi che le normali dashboard applicative non sono state progettate per spiegare. Un agente può selezionare strumenti, chiamare altri agenti, recuperare dati esterni e ripetere passaggi prima di produrre una risposta. Una richiesta completata con successo può comunque generare un risultato aziendale errato, esporre informazioni sensibili o consumare molte più risorse del previsto.

Il risultato è un’utile inversione. Gli agenti AI promettono di automatizzare il lavoro digitale, eppure le imprese hanno bisogno di un ulteriore livello software per supervisionare tale automazione. Datadog e Dynatrace corrono per conquistare questo livello di controllo prima che gli acquirenti si orientino verso specialisti AI-native più piccoli.

Dynatrace ha trasformato l'osservabilità AI in una sfida da 915 milioni di dollari

La prevista acquisizione di Arize da parte di Dynatrace sposta la concorrenza oltre il normale monitoraggio dell’infrastruttura, verso l’intero ciclo di sviluppo dell’AI.

Dynatrace ha annunciato l’accordo definitivo il 13 agosto 2026. L’azienda ha dichiarato che acquisirà Arize per 915 milioni di dollari, soggetti ai consueti aggiustamenti. Il corrispettivo include circa 815 milioni di dollari in contanti e premi azionari sostitutivi per i dipendenti di Arize.

Si prevede che l’operazione si concluda dopo la revisione regolatoria e il soddisfacimento di altre condizioni consuete. Fino ad allora, Dynatrace e Arize restano aziende separate. La loro integrazione promessa va quindi considerata una roadmap, non il risultato di un prodotto già completato.

Arize è specializzata nella valutazione e nell’osservazione di sistemi di machine learning, applicazioni basate su large language model e agenti. I suoi strumenti aiutano gli sviluppatori a ispezionare tracce, confrontare esperimenti, valutare la qualità delle risposte e individuare cambiamenti nel comportamento dei modelli.

Dynatrace porta una base diversa. La sua piattaforma collega già tracce applicative, stato di salute dell’infrastruttura, log, attività degli utenti e transazioni aziendali. L’azienda sostiene che combinare questi segnali operativi con gli strumenti di valutazione di Arize coprirà le applicazioni AI dallo sviluppo fino alla produzione.

Questa combinazione affronta una divisione reale all’interno di molte organizzazioni di ingegneria. I team AI spesso testano prompt e modelli in un ambiente. I team operativi monitorano latenza, errori, infrastruttura e incidenti altrove.

Dynatrace afferma che l’acquisizione proposta colmerà questo divario. Il suo accordo con Arize descrive l’osservabilità AI come un ciclo di vita che comprende sperimentazione, valutazione, tracciamento in produzione, infrastruttura e risultati aziendali.

L’annuncio rivela anche quanto la categoria sia diventata preziosa per i fornitori affermati di monitoraggio. Dynatrace non sta semplicemente aggiungendo un’altra dashboard. Sta impegnando un capitale significativo per collegare la valutazione AI alla sua piattaforma enterprise esistente.

L’azienda aveva già lanciato la propria app dedicata AI Observability nel gennaio 2026. Il prodotto supporta interazioni tra agenti, utilizzo degli strumenti, dipendenze, consumo di token, latenza, tendenze dei costi e risultati dei guardrail.

Dynatrace afferma inoltre di supportare più di 40 tecnologie LLM. Le integrazioni elencate includono OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain e protocolli per agenti emergenti.

Arize offre a Dynatrace un percorso più solido verso i team di AI engineering che lavorano prima che un’applicazione raggiunga la produzione. Offre inoltre all’azienda una presenza open source tramite il progetto Phoenix di Arize e un flusso di lavoro di valutazione più specializzato.

Datadog deve ora affrontare un concorrente che combina la velocità di acquisizione con un canale di vendita enterprise consolidato. Dynatrace affronta il compito più difficile di integrare due prodotti senza indebolire l’esperienza per sviluppatori che ha reso Arize interessante.

Perché gli agenti AI mettono in crisi il monitoraggio tradizionale

Un agente può restare tecnicamente disponibile pur prendendo una sequenza di decisioni singolarmente valide che produce un cattivo risultato.

Il monitoraggio tradizionale delle applicazioni di solito chiede se un servizio ha risposto, quanto tempo ha impiegato e se si è verificato un errore. Queste misure restano necessarie, ma non spiegano il percorso di ragionamento di un agente né la qualità del suo output.

Consideriamo un agente di assistenza clienti che gestisce un rimborso. Potrebbe recuperare un account, consultare una policy, chiamare uno strumento di fatturazione e aggiornare un record cliente. Ogni servizio può restituire una risposta positiva mentre l’agente applica la policy sbagliata.

Una seconda esecuzione della stessa richiesta può seguire un percorso diverso. I large language model sono non deterministici, il che significa che input identici non producono sempre output identici. Questa variabilità indebolisce i test costruiti attorno a risultati attesi fissi.

L’uso di strumenti aggiunge un’altra fonte di incertezza. Un agente può selezionare la funzione sbagliata, fornire argomenti inadeguati o chiamare lo strumento corretto nel momento sbagliato. Può anche entrare in un ciclo di tentativi che aumenta latenza e consumo di token senza generare un errore applicativo convenzionale.

I sistemi multi-agente ampliano ulteriormente il problema. Un agente coordinatore può delegare il lavoro ad agenti specializzati, che poi chiamano modelli e servizi esterni. La risposta finale può dipendere da diversi prompt, autorizzazioni, passaggi di recupero e risposte dei modelli.

Di conseguenza, i team hanno bisogno di tracce che preservino un intero percorso di esecuzione. Una traccia è un record connesso dei passaggi compiuti durante una richiesta, inclusi chiamate al modello, chiamate agli strumenti, tempistiche, errori e metadati rilevanti.

Tuttavia, raccogliere le tracce è solo l’inizio. Gli ingegneri devono collegare il comportamento tecnico a qualità, sicurezza e risultati aziendali. Una risposta rapida non è utile quando contiene un’affermazione non supportata o attiva un’azione non autorizzata.

Datadog ha descritto questo problema quando ha lanciato AI Agent Monitoring nel giugno 2025. Il suo rilascio del monitoraggio afferma che il prodotto mappa input, invocazioni di strumenti, chiamate ad altri agenti e output in un grafico interattivo.

L’azienda afferma che gli ingegneri possono indagare picchi di latenza, chiamate errate agli strumenti e cicli infiniti. Possono quindi correlare questi eventi con misure di qualità, sicurezza e costo.

Dynatrace adotta una visione altrettanto ampia. La sua app AI Observability segue prompt, chiamate agli strumenti e invocazioni dei modelli, collegandoli all’infrastruttura e alle dipendenze applicative.

Queste capacità spiegano perché l’osservabilità AI stia diventando più di una dashboard per LLM. L’oggetto operativo è cambiato: da una transazione software prevedibile a un flusso di lavoro probabilistico con autorità di agire.

Questo cambiamento mette sotto pressione simultaneamente sviluppatori, team di sicurezza, site reliability engineer e responsabili aziendali. Ogni gruppo ha bisogno di una risposta diversa a partire dalle stesse evidenze.

Gli sviluppatori vogliono sapere quale prompt o strumento ha causato un guasto. I team operativi hanno bisogno di dati su latenza, affidabilità e dipendenze. I team di sicurezza hanno bisogno di autorizzazioni e audit trail. I leader aziendali vogliono prove che l’agente produca risultati utili.

Una piattaforma che collega queste domande può diventare difficile da sostituire. Questo è il premio strategico dietro la sfida tra Datadog e Dynatrace.

Il monitoraggio degli agenti AI di Datadog parte dai dati di produzione

Il vantaggio di Datadog è la sua capacità di collocare il comportamento degli agenti accanto ai segnali applicativi e infrastrutturali che i clienti già raccolgono.

Datadog ha introdotto AI Agent Monitoring, LLM Experiments e una AI Agents Console come componenti della sua più ampia offerta LLM Observability. Insieme, coprono l’indagine in fase di esecuzione, i test controllati e la supervisione centralizzata.

AI Agent Monitoring si concentra su ciò che accade durante un’esecuzione. Gli ingegneri possono esaminare la catena di chiamate ai modelli, strumenti e passaggi di consegna tra agenti. L’interfaccia collega inoltre questi passaggi a latenza, utilizzo dei token, errori, costi e risultati delle valutazioni.

LLM Experiments affronta le modifiche apportate prima del deployment. I team possono confrontare prompt, modelli e configurazioni applicative usando dataset creati dalle tracce di produzione o esempi forniti.

Questo collegamento tra tracce di produzione ed esperimenti è centrale nell’approccio di Datadog. Un guasto scoperto in un flusso di lavoro live può diventare un caso di test ripetibile. Gli ingegneri possono quindi confrontare una correzione proposta con il comportamento originale.

Le linee guida di Datadog del settembre 2026 illustrano il flusso di lavoro con un agente di supporto. Un team potrebbe rilevare riepiloghi troncati e chiamate di fatturazione lente dopo il deployment. I dati delle tracce possono identificare modelli ricorrenti, mentre gli esperimenti verificano se una modifica al prompt o al modello li migliora.

L’azienda raccomanda inoltre di confrontare output non deterministici tra esecuzioni ripetute. Una singola risposta riuscita fornisce prove deboli quando un’altra esecuzione può produrre un risultato diverso.

I valutatori aggiungono un ulteriore livello. Si tratta di test che attribuiscono un punteggio all’output di un agente per qualità quali rilevanza, accuratezza, sicurezza o completamento del compito. Alcuni usano regole deterministiche, mentre altri usano un altro language model come giudice.

La valutazione basata su modelli può scalare la revisione, ma introduce una propria incertezza. Datadog consiglia di calibrare un giudice LLM rispetto alla valutazione umana prima di fare affidamento sui suoi punteggi. Questa cautela è importante perché due modelli possono condividere punti ciechi.

La AI Agents Console estende il monitoraggio oltre il software costruito da un’impresa. Datadog afferma che può aiutare le organizzazioni a catalogare agenti interni e di terze parti, ispezionarne l’uso, misurarne l’impatto e verificarne le autorizzazioni.

Questa funzione di catalogo diventa importante quando i dipendenti adottano agenti incorporati in strumenti di coding, piattaforme clienti e software per la produttività. Un’organizzazione potrebbe non possedere il modello o il runtime dell’agente, eppure resta responsabile dell’accesso ai dati e dei risultati.

La più ampia posizione commerciale di Datadog dà peso a questa strategia. L’azienda ha riportato ricavi del secondo trimestre 2026 pari a 1,12 miliardi di dollari, in aumento del 36% rispetto all’anno precedente. Ha inoltre riportato circa 4.720 clienti con ricavi ricorrenti annuali superiori a 100.000 dollari.

Questi numeri non dimostrano che Datadog guiderà l’osservabilità AI. Mostrano che dispone di un’ampia base clienti nella quale il monitoraggio degli agenti può diventare un ulteriore prodotto associato.

Datadog ha inoltre reso generalmente disponibili Bits Code, Bits Chat e Bits Agent Builder durante il trimestre. Questi prodotti collocano l’azienda su entrambi i lati del mercato. Costruisce agenti per i clienti mentre vende i sistemi usati per osservare gli agenti.

Questa posizione crea un utile feedback sui prodotti. Datadog può applicare i propri strumenti di monitoraggio ai suoi agenti e incontrare direttamente problemi operativi. Crea anche un test di credibilità, perché i clienti possono giudicare se i prodotti autonomi dell’azienda restino ispezionabili.

Per i team di ingegneria, l’attrattiva è il consolidamento. Un incidente legato a un agente raramente si ferma al confine del modello. La causa principale potrebbe risiedere in un database lento, un’API in errore, una pipeline di recupero o una GPU sovraccarica.

Datadog può correlare questi livelli all'interno di un ambiente di monitoraggio esistente. I team necessitano inoltre di contesto tecnico ricercabile al di fuori della telemetria in tempo reale, inclusi registri degli incidenti e decisioni progettuali. Una knowledge base ingegneristica ben mantenuta può preservare questo contesto umano.

La sfida di Datadog consiste nel dimostrare che una piattaforma ampia può eguagliare gli strumenti specialistici in profondità di valutazione e facilità d'uso per gli sviluppatori. La distribuzione esistente apre la porta, ma non risolve la decisione di prodotto.

Dynatrace sta acquisendo il lato sviluppo del ciclo di vita

La strategia di Dynatrace con Arize punta a Datadog collegando la valutazione pre-rilascio a una piattaforma di produzione costruita attorno al contesto delle dipendenze.

Storicamente, Dynatrace ha posto l'accento sull'analisi causale. La sua tecnologia Smartscape mappa le relazioni tra applicazioni, infrastruttura, servizi, reti e utenti. Il suo livello dati Grail consolida informazioni su osservabilità, sicurezza e business.

L'azienda sostiene che questo contesto aiuti i team a capire perché si è verificato un incidente, non semplicemente quale metrica è cambiata. Questo approccio è adatto ai sistemi di agenti, perché un risultato negativo può emergere attraverso diverse dipendenze.

L'app dedicata AI Observability di Dynatrace monitora già percorsi di esecuzione degli agenti, invocazioni di strumenti, interazioni con i modelli, uso dei token, costi, latenza ed errori. Supporta inoltre OpenTelemetry e OpenLLMetry, che forniscono convenzioni aperte per la raccolta della telemetria.

La strumentazione aperta è importante perché lo stack degli agenti cambia rapidamente. Le aziende non vogliono che ogni nuovo modello, framework o protocollo richieda un'integrazione di monitoraggio proprietaria.

Dynatrace elenca il supporto per Amazon Bedrock AgentCore, Strands Agents, LangChain, Google's Agent Development Kit, OpenAI Agents SDK e workflow Model Context Protocol. Questa ampiezza riduce gli attriti per le aziende che operano in ambienti misti.

Arize risponde a un'esigenza diversa. Gli ingegneri AI usano sistemi di valutazione mentre scelgono dataset, prompt, modelli e candidati al rilascio. I loro flussi di lavoro iniziano prima che i team operativi ricevano un servizio in produzione.

La combinazione proposta mira quindi a una persistente divisione organizzativa. I team di sviluppo analizzano il comportamento dei modelli e la qualità delle risposte. I team operativi esaminano disponibilità, dipendenze applicative e prestazioni dell'infrastruttura.

Riunire queste attività potrebbe creare un ciclo di miglioramento continuo. Un guasto in produzione diventa un caso di valutazione. La modifica risultante può essere testata prima che un deployment controllato la riporti in produzione.

Dynatrace afferma che la piattaforma combinata collegherà il comportamento dell'AI all'impatto sul business. È un'affermazione importante, perché i proxy tecnici possono nascondere i fallimenti.

Per esempio, un agente potrebbe ridurre il tempo medio di gestione aumentando al contempo i casi di assistenza riaperti. Un agente di coding potrebbe produrre più modifiche aumentando però i tassi di rollback. Una piattaforma di osservabilità necessita di dati sugli esiti per distinguere l'attività dal valore.

Dynatrace è entrata in questa competizione con uno slancio significativo. Ha riportato 2,136 miliardi di dollari di ricavi ricorrenti annuali nel suo primo trimestre fiscale del 2027, con un aumento del 17%.

L'azienda ha inoltre riportato ricavi trimestrali pari a 555 milioni di dollari, in aumento del 16%. I nuovi ricavi ricorrenti annuali netti organici sono cresciuti del 41%, secondo i suoi risultati trimestrali.

Dynatrace afferma che la domanda è in crescita mentre i clienti espandono i carichi di lavoro cloud-native e le iniziative AI. Tuttavia, i commenti dell'azienda non possono rivelare quanta parte dei ricavi provenga direttamente dall'osservabilità AI.

L'operazione Arize è quindi sia una decisione di prodotto sia una scommessa di mercato. Dynatrace sta pagando per tecnologia, talenti, adozione da parte degli sviluppatori e tempo.

Il rischio di integrazione è sostanziale. Le piattaforme di monitoraggio enterprise e gli strumenti di valutazione orientati agli sviluppatori servono utenti diversi. Le loro interfacce, modalità di deployment, cicli di rilascio e processi di acquisto non si allineano automaticamente.

Dynatrace deve preservare l'attrattiva di Arize per gli ingegneri AI collegandola al contempo alla piattaforma più ampia. Una migrazione forzata o un packaging eccessivamente complesso potrebbe spingere gli sviluppatori verso alternative indipendenti.

Deve inoltre dimostrare che i dati combinati producono decisioni migliori. Più telemetria non crea automaticamente maggiore comprensione. Schemi inadeguati, tracce incomplete e criteri di valutazione incoerenti possono produrre una raccolta più ampia di evidenze ambigue.

Il vincitore dovrà monitorare qualità, costo e autorità

La caratteristica decisiva non sarà il grafico delle tracce più elegante, bensì la capacità di collegare le azioni degli agenti a risultati aziendali accettabili.

Datadog e Dynatrace possono entrambe visualizzare percorsi di esecuzione, uso dei token, errori e latenza. Queste capacità stanno diventando requisiti di base anziché elementi di differenziazione duraturi.

Il problema più difficile è definire il successo. Un agente può completare un workflow senza soddisfare l'utente. Può fornire una risposta accurata violando una policy. Può migliorare la qualità rendendo il workflow antieconomico.

La valutazione della qualità rimane particolarmente difficile. Le regole possono verificare output strutturati, campi obbligatori e fatti noti. Scrittura aperta, ragionamento e raccomandazioni richiedono giudizi più soggettivi.

La valutazione LLM-as-a-judge offre scalabilità, ma non dovrebbe diventare una verità assoluta incontestata. Un modello giudice può preferire determinati stili di scrittura, non rilevare errori fattuali sottili o riprodurre i bias presenti nel modello valutato.

La revisione umana rimane necessaria per la calibrazione e i casi ad alto rischio. Tuttavia, rivedere ogni esecuzione vanifica gran parte della logica economica dell'automazione. I fornitori devono aiutare i clienti a decidere quali casi meritino attenzione umana.

Il costo è più facile da contare ma più difficile da interpretare. Consumo di token, tariffe dei modelli, uso dell'infrastruttura e chiamate a strumenti esterni possono tutti contribuire al costo operativo di un agente.

Un ciclo di retry può gonfiare la spesa senza produrre un'interruzione evidente. Un modello più costoso può comunque essere economico quando completa le attività in modo affidabile e riduce le rilavorazioni. Il monitoraggio dei costi necessita quindi di un denominatore legato agli esiti.

L'autorità comporta la posta in gioco più alta. Gli agenti possono accedere a record dei clienti, repository, sistemi finanziari e strumenti di comunicazione. L'osservabilità deve acquisire ciò che un agente ha tentato, quali permessi ha usato e se un'azione è stata approvata.

Registrare un'azione non sicura dopo il completamento non è sufficiente per workflow sensibili. Le aziende richiederanno sempre più applicazione delle policy, accesso revocabile, approvazione umana ed esecuzione recuperabile.

Questo requisito sfuma il confine tra osservabilità, sicurezza, governance e controllo runtime. Datadog e Dynatrace non competono solo tra loro. Devono affrontare specialisti focalizzati su valutazioni, gateway per agenti, sicurezza, tracing e orchestrazione dei workflow.

OpenTelemetry può ridurre il vendor lock-in al livello di raccolta. Non può standardizzare ogni punteggio di valutazione o risultato aziendale. I fornitori continueranno a fare scelte diverse su modelli dati, correlazioni e raccomandazioni automatizzate.

Ciò lascia agli acquirenti una domanda scettica: una piattaforma unificata rivela di più o si limita a centralizzare più dati?

La risposta varierà in base all'organizzazione. Un'azienda già standardizzata su Datadog potrebbe apprezzare il deployment rapido e i workflow familiari. Una grande impresa ibrida potrebbe preferire il modello di dipendenze e l'analisi causale di Dynatrace.

I team AI-native potrebbero continuare a scegliere strumenti specialistici di valutazione. In seguito, potranno inviare telemetria selezionata a una piattaforma di monitoraggio più ampia. L'acquisizione di Arize da parte di Dynatrace è un tentativo di impedire che quel livello specialistico rimanga separato.

Nessuno dei due fornitori ha stabilito un metodo universale per dimostrare l'affidabilità degli agenti. I loro prodotti possono raccogliere evidenze, eseguire test ed evidenziare anomalie. I clienti devono comunque definire comportamenti accettabili e risultati significativi.

Il rischio è che l'osservabilità AI diventi una raccolta di dashboard attraenti prive di responsabilità operativa. Le implementazioni di successo collegheranno ogni punteggio importante a una decisione, un responsabile, una soglia e una risposta.

Tre segnali decideranno la corsa tra Datadog e Dynatrace

La prossima fase sarà giudicata in base all'integrazione, all'adozione misurabile e al grado di controllo che le aziende concedono a queste piattaforme.

Il primo segnale è il completamento e l'integrazione di prodotto dell'acquisizione di Arize da parte di Dynatrace. La chiusura dell'operazione avvia soltanto la prova. Gli acquirenti dovrebbero osservare quanto rapidamente tracce, dataset, valutazioni e incidenti di produzione si spostano tra i due ambienti.

Un workflow coerente rafforzerebbe la tesi di Dynatrace sul ciclo di vita. Interfacce separate, dati duplicati o una proprietà del prodotto poco chiara la indebolirebbero. Anche la fidelizzazione degli sviluppatori attorno ad Arize e Phoenix fornirà un ulteriore segnale utile.

Il secondo segnale è l'adozione da parte dei clienti comunicata da entrambi i fornitori. La crescita generale dei ricavi offre contesto, ma non isola la domanda di osservabilità degli agenti.

Evidenze utili includerebbero il numero di agenti di produzione monitorati, i carichi di lavoro che usano valutazioni, i prodotti associati per cliente e l'espansione dei clienti legata all'AI. I case study dovrebbero identificare risultati misurati anziché limitarsi ai conteggi degli agenti.

Il terzo segnale è il passaggio dall'osservazione all'azione governata. Entrambe le aziende stanno sviluppando agenti in grado di indagare sugli incidenti e assistere le operazioni. I clienti devono decidere se questi sistemi possano raccomandare modifiche, eseguire passaggi approvati o agire autonomamente.

L'analisi in sola lettura comporta un onere di fiducia inferiore. La correzione automatizzata richiede audit trail completi, permessi vincolati, meccanismi di rollback e responsabilità chiare quando l'agente commette un errore.

I progressi nell'azione governata rafforzerebbero l'argomento secondo cui le piattaforme di osservabilità possono diventare control plane per gli agenti enterprise. Un'esitazione persistente suggerirebbe che il monitoraggio resta prezioso, ma che l'autonomia ha raggiunto un confine di fiducia.

Gli acquirenti enterprise non dovrebbero scegliere una piattaforma basandosi solo su una checklist di funzionalità. Dovrebbero iniziare con un workflow di produzione e definirne qualità, costo, latenza, permessi e risultato aziendale accettabili.

Dovrebbero quindi testare se la piattaforma è in grado di ricostruire un fallimento, identificarne la causa, confrontare una correzione proposta e prevenire regressioni. Questo esercizio mette in luce lacune che una dimostrazione rifinita può nascondere.

Il monitoraggio degli agenti AI di Datadog offre attualmente un solido percorso incentrato sulla produzione per le organizzazioni che già utilizzano la sua piattaforma. Dynatrace sta facendo una scommessa più ampia: valutazione e operazioni devono diventare un unico ciclo di vita.

Il vincitore sarà il fornitore che trasformerà il comportamento imprevedibile degli agenti in evidenze di cui i team possano fidarsi e su cui possano agire. Per gli acquirenti, la domanda immediata è più semplice: il vostro sistema di monitoraggio può spiegare non solo se un agente è stato eseguito, ma anche se ha fatto la cosa giusta?