L'automazione AI di Datadog punta a ridurre i rischi, ma le imprese mantengono il controllo

L'automazione AI di Datadog va oltre le dashboard, nonostante la riluttanza delle imprese a lasciare che il software agisca in autonomia all'interno dei sistemi critici. L'azienda presenta ora osservabilità, sicurezza e remediation automatizzata come un'unica risposta al crescente rischio operativo. La sua proposta è particolarmente rilevante in Australia, dove le grandi organizzazioni spesso gestiscono servizi cloud accanto a infrastrutture legacy e operazioni affidate in outsourcing.

Questo cambiamento ridefinisce il ruolo di Datadog. Tradizionalmente, l'osservabilità aiutava gli ingegneri a capire cosa fosse accaduto dopo che un'applicazione rallentava, si bloccava o generava un avviso. Datadog vuole ora che il suo software indaghi sugli incidenti, raccomandi risposte ed esegua azioni approvate utilizzando il contesto operativo in tempo reale.

La questione non è se l'intelligenza artificiale possa riassumere un avviso. È se le imprese si fideranno di agenti AI con accesso alla produzione, mantenendo al contempo responsabilità, sicurezza e supervisione umana. Splunk, Dynatrace, i provider cloud e i fornitori di sicurezza stanno perseguendo opportunità simili, quindi Datadog deve dimostrare che un contesto unificato produce un'automazione più sicura.

L'automazione AI di Datadog passa dalle risposte alle azioni

Datadog sta trasformando la sua piattaforma di monitoraggio in un livello operativo controllato per gli agenti AI aziendali.

L'espansione dell'azienda si basa sulla combinazione di dati di osservabilità, segnali di sicurezza, automazione dei workflow e AI generativa. Per osservabilità si intende la raccolta e la connessione di informazioni su applicazioni, infrastrutture, reti, esperienze utente e altri sistemi tecnici.

La Regional Vice President di Datadog per Australia e Nuova Zelanda, Roz Gregory, ha descritto questa convergenza come un'opportunità per gestire costi, sicurezza dell'AI e conformità. In un'intervista alle imprese ANZ, ha sostenuto che stack tecnologici frammentati rendono queste priorità più difficili da affrontare tramite strumenti separati.

Secondo Gregory, Datadog è passata da due prodotti a oltre 30. La sua piattaforma copre ora infrastrutture, applicazioni, distribuzione del software, esperienze digitali, dati, sicurezza e workload AI.

Questa ampiezza è importante perché la gestione automatizzata degli incidenti richiede contesto. Un agente non può diagnosticare in sicurezza un checkout non riuscito usando una sola metrica isolata. Ha bisogno di tracce applicative, stato di salute dell'infrastruttura, deployment recenti, eventi di sicurezza, comportamento del database e dati sulle prestazioni rivolte ai clienti.

Bits AI è la famiglia di agenti Datadog per attività di sviluppo, sicurezza e operazioni. Datadog afferma che questi agenti possono indagare sugli incidenti, analizzare la telemetria correlata e aiutare i team ad agire entro controlli definiti.

L'azienda ha ampliato questa strategia alla conferenza DASH del giugno 2026. Il suo lancio di oltre 100 prodotti includeva nuove funzioni di Bits AI, un builder di agenti, controlli di sicurezza AI e ulteriori opzioni per la gestione dei dati aziendali.

Bits Agent Builder consente ai team di creare agenti specializzati all'interno di Datadog. Questi agenti possono supportare remediation, reportistica e applicazione degli standard entro i limiti stabiliti dal cliente.

Agent Console affronta un problema di gestione correlato. Datadog afferma che aiuta le organizzazioni a osservare strumenti come Claude Code, Cursor e GitHub Copilot. I responsabili possono esaminare utilizzo, attività, risultati e spesa, anziché trattare l'attività degli agenti come un livello invisibile.

Datadog ha inoltre reso il suo server Model Context Protocol generalmente disponibile nel marzo 2026. MCP è un'interfaccia standard che consente alle applicazioni AI di accedere a strumenti e fonti dati approvati.

L'accesso governato degli agenti collega agenti di coding esterni e ambienti di sviluppo con la telemetria Datadog in tempo reale. L'azienda presenta questa connessione come un modo per preservare autorizzazioni e governance, portando al contempo evidenze operative nel lavoro assistito dall'AI.

Questa architettura crea la tensione centrale dell'articolo. Lo stesso accesso che aiuta un agente a diagnosticare problemi in produzione può aumentare le conseguenze di un'azione errata o manipolata.

Un agente che legge dati di monitoraggio presenta un livello di rischio. Un agente che modifica regole di rilevamento, crea ticket, sopprime segnalazioni o avvia remediation ne presenta un altro.

Datadog sta quindi vendendo più di una risposta agli incidenti più rapida. Sta vendendo l'idea che l'automazione diventi accettabile quando l'AI opera attraverso una fonte unificata di contesto tecnico e controlli consolidati.

Questa affermazione deve ora superare valutazioni di procurement, test di sicurezza e reali guasti in produzione.

I sistemi ibridi australiani aumentano la posta in gioco

Le imprese australiane non stanno adottando l'automazione su una base tecnica pulita.

Molte grandi organizzazioni gestiscono ancora infrastrutture tradizionali, aggiungendo al contempo servizi cloud pubblici, applicazioni software-as-a-service e sistemi AI. Gli accordi di outsourcing aggiungono un ulteriore livello di responsabilità e controllo degli accessi.

Questo ambiente crea evidenze frammentate. Un incidente può attraversare codice applicativo, infrastruttura cloud, sistemi di identità, fornitori esterni e reti fisiche o virtuali.

I team utilizzano spesso prodotti separati per ciascuna parte di questo percorso. Questi prodotti possono generare avvisi sovrapposti senza condividere abbastanza contesto da stabilire causa e impatto sul business.

Gregory sostiene che un ambiente ricco di strumenti renda più difficile gestire la sicurezza dell'AI e la complessità. La sua posizione supporta la direzione commerciale di Datadog, ma le imprese verificheranno comunque se il consolidamento riduce il rischio o semplicemente lo concentra.

La pressione immediata ricade sulle operazioni tecnologiche, sui team di sicurezza e sui responsabili del rischio. Devono supportare una distribuzione software più rapida senza perdere il controllo su dati, credenziali, evidenze di conformità o modifiche in produzione.

Anche gli sviluppatori affrontano pressioni. Gli agenti di coding possono generare e modificare software più rapidamente, ma questa velocità aumenta il volume di modifiche che entrano nei sistemi di revisione, test e deployment.

I team di sicurezza devono distinguere i problemi sfruttabili dalle segnalazioni a priorità inferiore. I team operativi devono capire se un guasto derivi da codice, infrastruttura, capacità, dati o da un provider di modelli AI.

La ricerca di Datadog illustra il problema operativo. I suoi dati sull'ingegneria AI hanno rilevato che circa il 5% delle richieste ai modelli AI falliva in produzione.

Secondo l'azienda, quasi il 60% di questi fallimenti era dovuto a limiti di capacità. Datadog ha analizzato dati di utilizzo anonimizzati di migliaia di clienti che eseguono modelli linguistici di grandi dimensioni in produzione.

Il rapporto ha inoltre rilevato che il 69% delle organizzazioni utilizzava almeno tre modelli. L'adozione dei framework per agenti è raddoppiata su base annua, mentre è aumentata la quantità media di dati inviata con ciascuna richiesta.

Questi risultati provengono dall'ambiente clienti di Datadog, quindi non dovrebbero essere trattati come un censimento di tutte le imprese. Descrivono comunque il tipo di complessità che Datadog intende gestire con la propria piattaforma.

Più modelli creano ulteriori decisioni di instradamento, modalità di guasto, limiti di utilizzo e dipendenze dai fornitori. Gli agenti aggiungono workflow la cui azione successiva può dipendere dall'output di un modello anziché da una logica applicativa deterministica.

L'ambiente di governance australiano aggiunge un ulteriore requisito. Le linee guida federali sull'adozione dell'AI richiedono responsabilità, gestione del rischio, governance dei dati, test, monitoraggio e una supervisione umana significativa.

Le linee guida si sono evolute dallo standard volontario australiano sulla sicurezza dell'AI. Non creano da sole nuovi obblighi legali, ma aiutano le organizzazioni a prepararsi agli obblighi attuali e a eventuali requisiti futuri.

Diverse pratiche sono strettamente allineate all'osservabilità. Le organizzazioni dovrebbero monitorare i sistemi AI distribuiti, documentare i rischi, rivalutare i controlli e tenere traccia dei cambiamenti nel comportamento o nell'uso previsto.

Tuttavia, raccogliere telemetria non soddisfa automaticamente questi obblighi. Una dashboard non può decidere la tolleranza al rischio di un'organizzazione, identificare gli stakeholder coinvolti o assegnare responsabilità per un esito dannoso.

Questa distinzione è importante per la proposta di Datadog. La piattaforma può fornire evidenze operative, controlli di accesso e monitoraggio tecnico. I leader aziendali devono comunque definire quali azioni un agente possa intraprendere e chi risponda del risultato.

Il mercato australiano presenta quindi sia un'opportunità sia un test difficile. Gli ambienti ibridi creano domanda di visibilità unificata, ma regolamentazione e cautela istituzionale limitano la rapidità con cui i clienti consentiranno azioni autonome.

Il contesto unificato è la principale scommessa di Datadog

Datadog scommette che un agente dotato di telemetria più ampia possa agire in modo più sicuro di un assistente confinato in un singolo strumento specializzato.

Un agente operativo deve ricostruire la causa a partire da evidenze disperse in uno stack tecnico. La piattaforma Datadog raccoglie già gran parte di queste evidenze per il monitoraggio e il troubleshooting.

L'azienda può fornire a un agente accesso a tracce applicative, log, metriche infrastrutturali, eventi di deployment, rilevamenti di sicurezza cloud e conoscenza organizzativa. Datadog afferma che questo contesto aiuta Bits AI a collegare segnali che altrimenti richiederebbero un'indagine manuale.

Winning Group offre un esempio concreto. Il rivenditore australiano possiede Winning Appliances e Appliances Online, il cui sito web rappresenta la principale vetrina rivolta ai clienti.

Il Technical Manager Nick Rivett ha affermato che l'azienda ha adottato Datadog in parte per rendere le informazioni sulle prestazioni accessibili anche al di fuori dell'ingegneria. Dashboard condivise consentono a più dipendenti di esaminare le modifiche senza aspettare che un ingegnere traduca ogni metrica.

Winning Group utilizza inoltre Bits AI e le funzionalità MCP di Datadog. Rivett ha descritto un incidente che i team umani avevano indagato per ore prima che Bits AI collegasse le evidenze in circa 10 minuti.

Questo racconto è una testimonianza del cliente, non un benchmark indipendente. Mostra comunque dove l'automazione AI di Datadog può creare valore senza concedere immediatamente a un agente un'autorità illimitata.

Un'indagine più rapida riduce il tempo tra un avviso e una spiegazione credibile. Un essere umano può quindi esaminare le evidenze e scegliere una risposta.

Flowstate presenta un altro caso operativo. L'azienda australiana registra surfisti ed elabora video affinché i clienti possano ricevere le riprese poco dopo una sessione.

L'inattività influisce direttamente sul prodotto perché il tempo di registrazione perso può significare filmati dei clienti persi. Flowstate utilizza Datadog per monitorare la propria infrastruttura video in tempo reale e identificare colli di bottiglia nelle prestazioni.

Le sue esigenze di elaborazione sono aumentate con il passaggio dei video dal 4K a 30 fotogrammi al secondo al 4K a 60 fotogrammi al secondo, quindi al 6K a 60 fotogrammi al secondo. Ogni incremento aggiunge pressione su dati ed elaborazione.

Questo caso mostra perché la telemetria connessa è importante. Un problema di prestazioni può derivare da videocamere, reti, risorse di calcolo, archiviazione, codice applicativo o da un servizio di elaborazione.

Un agente che esamina solo i log applicativi vede un sistema incompleto. Il vantaggio di Datadog dipende dalla capacità della sua piattaforma di correlare una parte sufficiente di quel sistema per individuare relazioni utili senza creare una certezza fuorviante.

La dinamica commerciale dell’azienda le fornisce le risorse per perseguire la strategia. Datadog ha riportato ricavi nel secondo trimestre del 2026 pari a 1,12 miliardi di dollari, in aumento del 36% rispetto all’anno precedente.

I suoi risultati del secondo trimestre indicavano circa 4.720 clienti che generavano almeno 100.000 dollari di ricavi ricorrenti annuali. Il numero è aumentato rispetto ai circa 3.850 di un anno prima.

Datadog ha inoltre riportato 316 milioni di dollari di flusso di cassa operativo e 279 milioni di dollari di flusso di cassa libero per il trimestre. Alla fine di giugno disponeva di 5 miliardi di dollari in liquidità, equivalenti di cassa e titoli negoziabili.

Queste cifre non dimostrano che i clienti abbiano adottato le operazioni autonome. Mostrano che Datadog dispone di un’ampia base enterprise e della capacità finanziaria per aggiungere funzionalità AI a una piattaforma consolidata.

Questo vantaggio distributivo è importante. Le imprese potrebbero preferire un’automazione collegata ai sistemi di monitoraggio che già utilizzano anziché introdurre un altro agente con autorizzazioni e pipeline dati separate.

Il rapporto con la piattaforma crea anche pressione al cambiamento. Più cronologia operativa, workflow, dashboard e controlli di sicurezza un cliente mantiene in un unico sistema, più quel sistema diventa difficile da sostituire.

Datadog deve bilanciare questo vantaggio con le preoccupazioni generate dal consolidamento. Una piattaforma unificata può ridurre il lavoro di integrazione, ma un guasto, un errore di configurazione o un incidente di sicurezza possono avere un impatto più ampio.

Il meccanismo è quindi semplice, anche se l’esecuzione è difficile. Datadog raccoglie il contesto, lo espone ad agenti controllati e utilizza l’automazione per abbreviare l’indagine e la risposta.

Il suo successo dipende dalla qualità del contesto, dalla progettazione delle autorizzazioni e dall’affidabilità di ogni azione intrapresa dopo la diagnosi.

L’automazione crea un nuovo problema di controllo

L’ostacolo maggiore non è se Bits AI riesca a individuare la causa di un incidente. È se le imprese riescano a vincolare l’agente quando la sua analisi è errata.

Gli strumenti di monitoraggio tradizionali avvisano le persone. I sistemi autonomi possono anche avviare azioni, creando un impatto potenziale maggiore in caso di conclusioni false o istruzioni compromesse.

Un riepilogo errato fa perdere tempo. Una modifica errata dell’infrastruttura può interrompere il servizio, indebolire un controllo di sicurezza o cancellare prove necessarie per un’indagine successiva.

Il prompt injection crea un altro rischio. Il prompt injection si verifica quando istruzioni nascoste o dannose manipolano un sistema AI inducendolo a ignorare le regole previste.

Datadog ha introdotto AI Guard per rilevare comportamenti sospetti nell’attività di un agente. L’azienda afferma che combina il tracciamento degli agenti con un’analisi comportamentale stateful, che esamina il comportamento attraverso più passaggi invece di valutare un singolo prompt e una risposta.

Questa distinzione è rilevante perché gli attacchi agli agenti possono svilupparsi nel tempo. Un input apparentemente innocuo potrebbe indurre un agente a recuperare informazioni sensibili, chiamare un servizio esterno o compiere un’azione non autorizzata diversi passaggi dopo.

Le affermazioni di Datadog su AI Guard restano affermazioni dell’azienda finché clienti e ricercatori indipendenti non le testeranno in diverse condizioni di produzione. Nessun rilevatore comportamentale può garantire che ogni istruzione dannosa venga riconosciuta.

I confini delle autorizzazioni sono quindi essenziali. Gli agenti dovrebbero ricevere solo l’accesso necessario per un’attività definita, e le azioni sensibili dovrebbero richiedere un’approvazione aggiuntiva.

Un’azienda ha inoltre bisogno di registrazioni complete di ciò che un agente ha osservato, dedotto e modificato. Senza questa traccia, i team non possono ricostruire i guasti né determinare le responsabilità.

La supervisione umana non può significare collocare un pulsante di approvazione nominale alla fine di un processo opaco. I revisori hanno bisogno di contesto sufficiente per comprendere l’azione proposta e il suo probabile effetto.

La velocità dell’automazione può ostacolare questo requisito. Se un agente produce centinaia di raccomandazioni, le persone potrebbero approvarle meccanicamente, creando l’apparenza di controllo senza una revisione significativa.

Datadog deve inoltre gestire il rischio generato dalla portata delle proprie integrazioni. Una piattaforma collegata alla telemetria di produzione, ai risultati di sicurezza, agli strumenti per sviluppatori e ai workflow di correzione diventa un bersaglio attraente.

L’azienda può ridurre questo rischio attraverso autenticazione, autorizzazione, log di audit, controlli sui dati e isolamento dei workload. I clienti devono configurare correttamente questi controlli e mantenerli aggiornati man mano che team e sistemi cambiano.

La residenza dei dati presenta un’altra preoccupazione per le organizzazioni regolamentate. L’opzione Bring Your Own Cloud di Datadog risponde collocando parti della piattaforma in un ambiente controllato dal cliente e utilizzando l’object storage del cliente.

Questa progettazione può aiutare le imprese a mantenere un maggiore controllo sui volumi di log in crescita. Non elimina ogni questione di governance relativa a metadati, accesso al supporto, configurazione o servizi collegati.

Anche i costi possono rallentare l’adozione. I sistemi di osservabilità elaborano grandi quantità di telemetria e i workload AI possono generare nuovi log, tracce, prompt, risposte ed eventi degli agenti.

I clienti devono decidere cosa conservare, indicizzare, analizzare o scartare. Un filtraggio eccessivo può nascondere le prove di cui un agente ha bisogno, mentre una raccolta indiscriminata può aumentare i costi ed esporre dati sensibili.

Esiste anche un problema di misurazione. Indagini più rapide non producono necessariamente operazioni più sicure, e azioni più automatizzate non producono necessariamente risultati aziendali migliori.

Un’implementazione credibile dovrebbe monitorare durata degli incidenti, ricorrenza, raccomandazioni false, azioni annullate, tassi di approvazione ed eccezioni di sicurezza. Dovrebbe inoltre distinguere gli incidenti risolti da un agente da quelli in cui l’agente ha aggiunto confusione.

L’Agent Console di Datadog indica questo tipo di valutazione per gli agenti di coding. Le imprese avranno bisogno di una disciplina simile in ogni workflow operativo automatizzato.

La strategia dell’azienda resta promettente perché collega l’AI a prove concrete sui sistemi. La questione irrisolta è se tale collegamento produca giudizi affidabili o semplicemente attività più rapide.

Datadog affronta una competizione affollata tra piattaforme

Il vero avversario di Datadog è la frammentazione degli strumenti enterprise, ma le piattaforme concorrenti sostengono lo stesso argomento a favore del consolidamento.

Le organizzazioni hanno trascorso anni assemblando prodotti specializzati per monitoraggio, sicurezza, ticketing, gestione cloud e sviluppo. Datadog vuole collegare un numero maggiore di queste funzioni all’interno di un unico livello di dati e automazione.

Questa proposta mette sotto pressione gli strumenti consolidati che controllano solo una parte di un incidente. Mette inoltre sotto pressione i team di ingegneria che mantengono integrazioni personalizzate tra sistemi di allerta, indagine e correzione.

Tuttavia, Datadog non detiene un diritto esclusivo sull’osservabilità unificata o sulle operazioni assistite dall’AI. Dynatrace, Splunk, New Relic, ServiceNow, Microsoft, Google Cloud e Amazon Web Services collegano tutti l’AI ai dati operativi.

I provider cloud dispongono di un vantaggio strutturale nei propri ambienti. Possono collegare gli agenti ai controlli dell’infrastruttura, ai servizi di identità, ai prodotti di sicurezza e ai dati di fatturazione.

I fornitori di gestione dei servizi controllano processi di approvazione, ticket, inventari degli asset e workflow enterprise. I fornitori di sicurezza dispongono di informazioni specializzate sulle minacce e di capacità di risposta.

La difesa di Datadog è la neutralità negli ambienti misti. Le grandi organizzazioni raramente operano con un solo cloud, un solo linguaggio di programmazione o un solo prodotto di sicurezza.

Un livello di osservabilità ampiamente integrato può confrontare il comportamento attraverso questi confini. Datadog può inoltre utilizzare la telemetria delle applicazioni e dell’infrastruttura per collegare i guasti tecnici all’esperienza del cliente.

Tuttavia, la neutralità ha dei limiti. Ogni sistema esterno introduce un confine di integrazione, un modello di autorizzazioni e un possibile ritardo. Un provider cloud può accedere a informazioni native che una piattaforma indipendente riceve soltanto tramite un’API.

Standard aperti come MCP possono ridurre l’attrito di integrazione. Possono anche rendere più facile per i clienti collegare agenti concorrenti agli stessi strumenti.

Ciò significa che Datadog deve competere sulla qualità del proprio contesto, ragionamento, controlli ed esperienza utente. Il semplice supporto di MCP non manterrà un vantaggio duraturo.

L’azienda deve inoltre dimostrare che la sua gamma di prodotti in crescita risulti unificata. Acquistare meno fornitori aiuta solo quando i team possono muoversi nella piattaforma combinata senza creare un ulteriore livello di complessità.

Gli acquirenti enterprise esamineranno se gli avvisi condividono un modello di dati coerente, se le autorizzazioni funzionano tra prodotti e se le azioni automatizzate preservano la tracciabilità. Considereranno anche l’effetto del consumo di dati sugli impegni contrattuali.

I responsabili della sicurezza potrebbero preferire prodotti specializzati per indagini ad alto rischio. I team operativi potrebbero preferire Datadog perché contiene già la telemetria necessaria per diagnosticare un guasto applicativo.

Queste preferenze possono produrre un’adozione graduale. Un cliente potrebbe iniziare con riepiloghi generati dall’AI, quindi consentire la creazione di ticket, correzioni a basso rischio e infine azioni più rilevanti.

Questa progressione mette in discussione l’idea di un passaggio improvviso alle operazioni autonome. L’adozione enterprise ha maggiori probabilità di seguire una scala di fiducia.

Ogni azione riuscita può giustificare autorizzazioni più ampie. Ogni diagnosi errata o modifica inattesa può riportare il programma verso un uso limitato alle raccomandazioni.

L’opportunità di Datadog è rendere questa scala misurabile. Gli acquirenti hanno bisogno di prove che mostrino quando un agente merita maggiore autorità e quando il suo accesso dovrebbe restare limitato.

Il vincitore di questa competizione non avrà necessariamente la dimostrazione più autonoma. Fornirà il percorso più chiaro dall’assistenza utile all’azione responsabile.

Cosa dovrebbero osservare le imprese

Tre segnali mostreranno se Datadog riuscirà a trasformare la propria strategia di automazione in operazioni enterprise affidabili.

Il primo segnale è l’espansione delle autorizzazioni in produzione. Datadog ha già esteso le capacità MCP oltre l’accesso in sola lettura in alcune parti del proprio set di strumenti di sicurezza.

La domanda importante è come i clienti utilizzino tali capacità. La creazione di ticket e la generazione di raccomandazioni comportano rischi diversi rispetto a modifiche delle regole, soppressioni o correzioni automatizzate.

Le prove di implementazioni in produzione ripetibili rafforzerebbero l’argomentazione di Datadog. Tali implementazioni dovrebbero includere confini delle autorizzazioni, requisiti di approvazione, registrazioni di audit e processi di rollback documentati.

Alcuni racconti eclatanti di incidenti non saranno sufficienti. Gli acquirenti hanno bisogno di prove aggregate che coprano azioni false, tassi di escalation, tempo risparmiato e risultati in ambienti diversi.

Il secondo segnale è l’adozione nella più ampia base clienti di Datadog. I 4.720 clienti dell’azienda con almeno 100.000 dollari di ricavi ricorrenti annuali rappresentano un canale di distribuzione significativo.

Le future comunicazioni finanziarie potrebbero rivelare se le funzioni AI aumentino il numero di prodotti utilizzati dai clienti esistenti. I commenti della direzione possono inoltre mostrare se Bits AI e Agent Builder supportino nuovi impegni enterprise.

La sola crescita dei ricavi non risponderà alla domanda. Datadog vende molti prodotti e i clienti possono aumentare la spesa senza concedere agli agenti una maggiore autorità operativa.

Il segnale più forte combinerebbe espansione commerciale e utilizzo dichiarato. Datadog potrebbe riportare quanti clienti eseguono Bits AI in produzione, quali azioni svolgono gli agenti e dove l’approvazione umana resta obbligatoria.

Una divulgazione limitata lascerebbe gli acquirenti dipendenti da storie di clienti selezionate. Metriche operative trasparenti renderebbero più facile valutare le affermazioni dell’azienda.

Il terzo segnale è la risposta dei regolatori e dei team di governance aziendale. Le linee guida australiane sottolineano valutazione continua del rischio, test, monitoraggio, responsabilità e controllo umano.

I processi di approvvigionamento tradurranno questi principi in domande tecniche. Gli acquirenti chiederanno come Datadog gestisca accesso, dati sensibili, modifiche ai modelli, componenti di terze parti, registrazioni degli incidenti e comportamento degli agenti.

I nuovi requisiti obbligatori per l'IA ad alto rischio aumenterebbero la domanda di prove e monitoraggio. Potrebbero anche rallentare l'implementazione se Datadog e i suoi clienti non riuscissero a collegare l'attività degli agenti a controlli specifici.

Le risposte della concorrenza sono rilevanti in questo contesto. Le piattaforme rivali presenteranno i propri approcci alla governance, alla residenza dei dati e alle operazioni autonome.

Se i prodotti concorrenti offrono modelli di controllo più chiari, il vantaggio di Datadog nell'ampia telemetria avrà meno peso. Se invece rimangono frammentati, la strategia unificata di Datadog diventa più interessante.

I team aziendali dovrebbero evitare di considerare l'autonomia come una scelta binaria. Possono classificare le azioni in base all'impatto, testare gli agenti in ambienti ristretti ed espandere l'autorità solo quando le prestazioni lo giustificano.

Dovrebbero inoltre conservare registrazioni leggibili dalle persone. Una base di conoscenza IA può aiutare i team a preservare decisioni, contesto degli incidenti e insegnamenti operativi, ma non sostituisce i log di audit tecnici.

L'automazione IA di Datadog è in ultima analisi una storia di governance mascherata da espansione del prodotto. Secondo le testimonianze dei clienti, la tecnologia può ridurre ore di indagine a pochi minuti.

Il compito più difficile è dimostrare che un'azione più rapida rimane sicura quando un agente interpreta erroneamente un sistema, incontra dati manipolati o supera il proprio ruolo previsto.

Datadog dispone della portata della piattaforma, dei clienti aziendali e delle risorse finanziarie per testare questa proposta su larga scala. Le imprese dovrebbero ora chiedere prove misurabili prima di scambiare visibilità con autonomia.

Di quali azioni operative la vostra organizzazione si fiderebbe oggi ad affidarle a un agente, e quali prove giustificherebbero la concessione del livello di accesso successivo?