DatadogのAIエージェント監視、DynatraceによるArizeへの9億1,500万ドル投資と対峙
Dynatraceが評価額9億1,500万ドルの取引でArizeを買収することで合意したことを受け、DatadogのAIエージェント監視はより厳しい競争に直面している。この取引により、新興の製品カテゴリーは、既存の大手オブザーバビリティベンダー2社による直接対決へと変わる。
両社は、企業がAIエージェントを検証し、その出力を評価し、コストを管理し、障害を調査するためのシステムとなることを目指している。ただし、この機会へのアプローチは異なる。Datadogはクラウド監視プラットフォームをエージェント開発へと拡張する一方、Dynatraceはより深い評価の専門性を買収によって獲得する。
エージェントは、従来のアプリケーションダッシュボードでは説明できない運用上の問題を生み出すため、タイミングは重要だ。エージェントはツールを選択し、他のエージェントを呼び出し、外部データを取得し、回答を生成するまでに複数の処理を繰り返すことがある。リクエストが技術的には成功していても、誤った業務上の結果をもたらしたり、機密情報を露出させたり、想定を大幅に超えるリソースを消費したりする可能性がある。
ここには興味深い逆転がある。AIエージェントはデジタル業務の自動化を約束する一方、企業にはその自動化を監督するための別のソフトウェア層が必要になる。DatadogとDynatraceは、顧客がより小規模なAIネイティブの専門企業に落ち着く前に、この制御層を掌握しようと競っている。
Dynatrace、AIオブザーバビリティを9億1,500万ドル規模の競争へ
DynatraceによるArize買収計画は、競争の舞台を通常のインフラ監視から、AI開発ライフサイクル全体へと広げる。
Dynatraceは2026年8月13日、最終契約を発表した。同社は慣例的な調整を条件として、9億1,500万ドルでArizeを買収するとした。対価には約8億1,500万ドルの現金と、Arize従業員向けの代替株式報酬が含まれる。
この取引は、規制当局の審査およびその他の慣例的な条件を経て完了する見込みだ。それまでは、DynatraceとArizeは別個の企業として存続する。したがって、両社が示す統合計画は完成済みの製品成果ではなく、ロードマップとして捉えるべきである。
Arizeは、機械学習システム、大規模言語モデルのアプリケーション、エージェントの評価と観測を専門とする。同社のツールは、開発者がトレースを調査し、実験を比較し、応答品質を評価し、モデル挙動の変化を特定するのに役立つ。
Dynatraceは異なる基盤を持つ。同社のプラットフォームはすでに、アプリケーショントレース、インフラの健全性、ログ、ユーザーアクティビティ、ビジネストランザクションを結び付けている。同社は、これらの運用シグナルとArizeの評価ツールを組み合わせることで、開発から本番環境までAIアプリケーションをカバーできると主張している。
この組み合わせは、多くのエンジニアリング組織にある実際の分断に対応する。AIチームはプロンプトやモデルをある環境でテストし、運用チームはレイテンシ、エラー、インフラ、インシデントを別の場所で監視することが多い。
Dynatraceは、この買収案がその隔たりを埋めるとしている。同社のArize agreementでは、AIオブザーバビリティを、実験、評価、本番トレーシング、インフラ、ビジネス成果にまたがるライフサイクルとして説明している。
この発表は、このカテゴリーが既存の監視ベンダーにとっていかに価値を増しているかも示している。Dynatraceは単に新しいダッシュボードを追加しているのではない。AI評価を既存のエンタープライズプラットフォームと接続するために、多額の資本を投じている。
同社はすでに2026年1月、専用のAI Observabilityアプリをリリースした。この製品は、エージェントのインタラクション、ツール使用、依存関係、トークン消費、レイテンシ、コスト動向、ガードレールの結果をサポートする。
Dynatraceは、40を超えるLLM技術をサポートしているとも述べている。掲載されている統合先には、OpenAI、Anthropic、Amazon Bedrock、Google Gemini、LangChain、新興のエージェントプロトコルが含まれる。
Arizeは、アプリケーションが本番環境に到達する前の段階で活動するAIエンジニアリングチームに対し、Dynatraceがより強くアプローチする道を与える。また、ArizeのPhoenixプロジェクトを通じたオープンソースでの広がりと、より専門的な評価ワークフローももたらす。
Datadogは今、買収のスピードと確立されたエンタープライズ向け販売チャネルを組み合わせる競合に直面している。Dynatraceにとっては、Arizeの魅力であった開発者体験を損なわずに2つの製品を統合することが、より難しい課題となる。
AIエージェントが従来の監視を破綻させる理由
エージェントは技術的に利用可能な状態を維持していても、それぞれは妥当な一連の判断によって悪い結果を生み出し得る。
従来のアプリケーション監視は通常、サービスが応答したか、所要時間はどれくらいか、エラーが発生したかを問う。これらの指標は引き続き必要だが、エージェントの推論経路や出力品質を説明するものではない。
返金処理を担うカスタマーサポートエージェントを考えてみよう。エージェントはアカウント情報を取得し、ポリシーを参照し、請求ツールを呼び出し、顧客レコードを更新するかもしれない。各サービスは成功応答を返していても、エージェントが誤ったポリシーを適用する可能性はある。
同じリクエストを2度実行しても、異なる経路をたどることがある。大規模言語モデルは非決定的であり、同一の入力が常に同一の出力を生むわけではない。この変動性は、固定された期待結果を前提とするテストを弱める。
ツール利用は別の不確実性も加える。エージェントは誤った関数を選択したり、不適切な引数を渡したり、正しいツールを誤ったタイミングで呼び出したりすることがある。また、従来型のアプリケーションエラーを発生させずに、レイテンシとトークン消費を増大させるリトライループに入る可能性もある。
マルチエージェントシステムでは問題がさらに広がる。調整役のエージェントが専門エージェントに作業を委任し、それらが外部モデルやサービスを呼び出すことがある。最終回答は、複数のプロンプト、権限、検索ステップ、モデル応答に依存する可能性がある。
そのためチームには、リクエスト1件におけるモデル呼び出し、ツール呼び出し、タイミング、エラー、関連メタデータを含む、実行経路全体を保持するトレースが必要になる。
しかし、トレースの収集は始まりにすぎない。エンジニアは技術的な挙動を、品質、安全性、ビジネス成果と結び付けなければならない。根拠のない主張を含む場合や、権限のないアクションを引き起こす場合、応答が高速でも役に立たない。
Datadogは、2025年6月にAI Agent Monitoringを発表した際、この問題を説明した。同社のmonitoring releaseでは、この製品が入力、ツール呼び出し、他のエージェントへの呼び出し、出力をインタラクティブなグラフにマッピングするとしている。
同社によれば、エンジニアはレイテンシの急上昇、誤ったツール呼び出し、無限ループを調査できる。その後、これらのイベントを品質、セキュリティ、コストの指標と関連付けられる。
Dynatraceも同様に広い視野を取る。同社のAI Observability appは、プロンプト、ツール呼び出し、モデル呼び出しを追跡しながら、インフラおよびアプリケーションの依存関係に結び付ける。
これらの機能が、AIオブザーバビリティが単なるLLMダッシュボードを超える存在になりつつある理由を説明している。運用の対象は、予測可能なソフトウェアトランザクションから、行動する権限を持つ確率的なワークフローへと変化した。
この変化は、開発者、セキュリティチーム、サイトリライアビリティエンジニア、事業責任者に同時に圧力をかける。各グループは、同じ証拠から異なる答えを必要としている。
開発者は、どのプロンプトまたはツールが障害を引き起こしたのかを知りたい。運用チームには、レイテンシ、信頼性、依存関係のデータが必要だ。セキュリティチームには権限と監査証跡が必要であり、ビジネスリーダーはエージェントが有用な成果を生む証拠を求める。
これらの問いをつなぐプラットフォームは、置き換えが難しい存在になり得る。それこそが、DatadogとDynatraceの競争の戦略的な賞品である。
DatadogのAIエージェント監視は本番データから始まる
Datadogの強みは、顧客がすでに収集しているアプリケーションおよびインフラのシグナルと、エージェントの挙動を並べて扱える点にある。
Datadogは、より広範なLLM Observabilityの一部として、AI Agent Monitoring、LLM Experiments、AI Agents Consoleを導入した。これらは、実行時の調査、制御されたテスト、集中管理をまとめてカバーする。
AI Agent Monitoringは、実行中に起きることに焦点を当てる。エンジニアは、モデル呼び出し、ツール、エージェント間の引き継ぎの連鎖を調査できる。インターフェースはこれらのステップを、レイテンシ、トークン使用量、エラー、コスト、評価結果にも結び付ける。
LLM Experimentsは、デプロイ前に加えられる変更を対象とする。チームは、本番トレースから作成されたデータセットや提供されたサンプルを使い、プロンプト、モデル、アプリケーション構成を比較できる。
本番トレースと実験の接続は、Datadogのアプローチの中核にある。本番ワークフローで見つかった障害は、再現可能なテストケースに変えられる。エンジニアはその後、提案する修正を元の挙動と比較できる。
Datadogの2026年9月のガイダンスは、サポートエージェントを例にこのワークフローを示している。チームはデプロイ後、要約の切り詰めや請求呼び出しの遅延を発見するかもしれない。トレースデータは繰り返されるパターンを特定し、実験はプロンプトまたはモデルの変更がそれらを改善するかをテストできる。
同社は、非決定的な出力を繰り返し実行した結果同士で比較することも推奨している。別の実行では異なる結果を生み得る場合、1回の成功応答が提供する証拠は弱い。
評価器はさらに別の層を加える。これらは、関連性、正確性、安全性、タスク完了といった品質について、エージェントの出力を採点するテストである。決定論的なルールを使うものもあれば、別の言語モデルを判定役として使用するものもある。
モデルベースの評価はレビューを大規模化できるが、それ自体が不確実性を持ち込む。Datadogは、LLM判定役のスコアに依拠する前に、人間による評価と照らして調整するよう助言している。2つのモデルが同じ盲点を共有する可能性があるため、この慎重さは重要だ。
AI Agents Consoleは、企業が構築したソフトウェアの範囲を超えて監視を拡張する。Datadogによれば、組織は社内およびサードパーティーのエージェントをカタログ化し、利用状況を調査し、影響を測定し、権限を確認できる。
従業員がコーディングツール、顧客向けプラットフォーム、生産性ソフトウェアに組み込まれたエージェントを採用するようになると、このカタログ機能は重要になる。組織はエージェントのモデルや実行環境を所有していないかもしれないが、データアクセスと成果に対する責任は依然として負う。
Datadogのより広い商業的な立場は、この戦略に重みを与える。同社は2026年第2四半期の売上高が11億2,000万ドルで、前年同期比36％増だったと報告した。また、年間経常収益が10万ドルを超える顧客が約4,720社に上ると報告している。
これらの数字は、DatadogがAIオブザーバビリティを主導することを証明するものではない。しかし、エージェント監視が追加製品となり得る大規模な顧客基盤を同社が持つことを示している。
Datadogは同四半期中に、Bits Code、Bits Chat、Bits Agent Builderも一般提供を開始した。これらの製品により、同社は市場の両側に位置する。顧客向けにエージェントを構築する一方で、エージェントを観測するためのシステムを販売している。
この立場は有益な製品フィードバックを生む。Datadogは自社のエージェントに監視ツールを適用し、運用上の問題を直接経験できる。同時に、同社の自律型製品が検証可能な状態を維持しているかどうかを顧客が判断できるため、信頼性の試金石にもなる。
エンジニアリングチームにとっての魅力は統合にある。エージェントのインシデントは、モデルの境界で終わることはほとんどない。根本原因は、遅いデータベース、障害を起こしたAPI、検索パイプライン、過負荷状態のGPUにあるかもしれない。
Datadogは、既存の監視環境内でそれらのレイヤーを相関付けることができます。チームには、ライブテレメトリー以外にも、インシデント記録や設計上の意思決定を含む、検索可能な技術的コンテキストが必要です。適切に維持管理されたエンジニアリング・ナレッジベースは、そうした人間由来のコンテキストを保持できます。
Datadogにとっての課題は、広範なプラットフォームが評価の深さや開発者にとっての使いやすさで専門ツールに匹敵することを証明する点にあります。既存の販売網は導入の入口を開きますが、それだけで製品選定が決まるわけではありません。
Dynatraceはライフサイクルの開発側を買収する
DynatraceのArize戦略は、リリース前の評価と依存関係のコンテキストを軸とする本番プラットフォームを結び付けることで、Datadogに対抗しようとしている。
Dynatraceは歴史的に因果分析を重視してきました。同社のSmartscape技術は、アプリケーション、インフラストラクチャ、サービス、ネットワーク、ユーザー間の関係をマッピングします。Grailデータレイヤーは、オブザーバビリティ、セキュリティ、ビジネス情報を統合します。
同社は、このコンテキストによって、どの指標が変化したかだけでなく、なぜインシデントが発生したのかをチームが理解できると主張しています。問題のある結果が複数の依存関係にまたがって生じうるため、このアプローチはエージェントシステムに適しています。
Dynatraceの専用AI Observabilityアプリはすでに、エージェントの実行パス、ツール呼び出し、モデルのやり取り、トークン使用量、コスト、レイテンシ、エラーを追跡しています。また、テレメトリー取得のためのオープンな規約を提供するOpenTelemetryとOpenLLMetryもサポートしています。
エージェントスタックは急速に変化しているため、オープンな計装は重要です。企業は、新しいモデル、フレームワーク、プロトコルのたびに独自の監視統合を必要とすることを望んでいません。
Dynatraceは、Amazon Bedrock AgentCore、Strands Agents、LangChain、GoogleのAgent Development Kit、OpenAI Agents SDK、Model Context Protocolワークフローへの対応を掲げています。この幅広さにより、混在環境を運用する企業の摩擦は軽減されます。
Arizeは別のニーズを満たします。AIエンジニアは、データセット、プロンプト、モデル、リリース候補を選定する際に評価システムを利用します。彼らのワークフローは、運用チームが本番サービスを受け取る前に始まります。
したがって、この提案された統合は、根強い組織的分断を対象としています。開発チームはモデルの挙動と応答品質を調査し、運用チームは可用性、アプリケーションの依存関係、インフラストラクチャの性能を調べます。
これらの活動を統合すれば、継続的な改善ループを生み出せる可能性があります。本番障害は評価ケースとなり、その結果生じた変更は、制御されたデプロイによって本番環境へ戻す前にテストできます。
Dynatraceは、統合プラットフォームがAIの挙動とビジネスへの影響を結び付けるとしています。技術的な代理指標は失敗を覆い隠しかねないため、これは重要な主張です。
たとえば、あるエージェントは平均処理時間を短縮する一方で、再開されたサポートケースを増やすかもしれません。コーディングエージェントは変更量を増やしつつ、ロールバック率を高める可能性があります。オブザーバビリティプラットフォームには、活動と価値を区別するための成果データが必要です。
Dynatraceは、この競争において有意な勢いをもって参入しました。同社は2027年度第1四半期の年間経常収益が21億3,600万ドルで、17％増加したと報告しています。
同社はまた、四半期売上高が5億5,500万ドルで、16％増だったと報告しました。四半期決算によると、オーガニックの純新規年間経常収益は41％増加しました。
Dynatraceによると、顧客がクラウドネイティブなワークロードとAI施策を拡大するなかで、需要は高まっています。ただし、同社の説明から、AIオブザーバビリティが直接生み出している収益額を明らかにすることはできません。
したがって、Arize取引は製品上の判断であると同時に、市場に対する賭けでもあります。Dynatraceは技術、人材、開発者の採用、そして時間に対して対価を支払っています。
統合リスクは大きいものです。エンタープライズ監視プラットフォームと開発者重視の評価ツールは異なるユーザーに提供されます。インターフェース、導入パターン、リリースサイクル、購買プロセスは自動的には一致しません。
Dynatraceは、Arizeをより大規模なプラットフォームに接続しつつ、AIエンジニアに対する魅力を維持しなければなりません。強制的な移行や過度に複雑なパッケージングは、開発者を独立系の代替製品へ向かわせる可能性があります。
また、統合データがより良い意思決定を生むことも示す必要があります。テレメトリーの増加が自動的に理解の深化につながるわけではありません。不適切なスキーマ、不完全なトレース、一貫性のない評価基準は、曖昧な証拠の集積を増やしかねません。
勝者には品質、コスト、権限の監視が求められる
決定的な機能は最も見栄えのよいトレースグラフではなく、エージェントの行動を許容可能なビジネス成果へ結び付ける能力となる。
DatadogとDynatraceはいずれも、実行パス、トークン使用量、エラー、レイテンシを表示できます。これらの機能は、持続的な差別化要因ではなく、基本要件になりつつあります。
より難しい問題は、成功を定義することです。エージェントは、ユーザーを満足させずにワークフローを完了できてしまいます。正確な回答を返しながら、ポリシーに違反することもあります。品質を改善しつつ、ワークフローを経済的に成り立たなくすることもあり得ます。
品質評価は依然として特に困難です。ルールによって、構造化された出力、必須フィールド、既知の事実は検証できます。一方、自由形式の文章、推論、推奨には、より主観的な判断が必要です。
LLM-as-a-judge評価はスケールをもたらしますが、無条件の絶対的な正解と見なすべきではありません。判定モデルは特定の文体を好んだり、微妙な事実誤認を見逃したり、評価対象モデルに含まれるバイアスを再現したりする可能性があります。
キャリブレーションと高リスクのケースには、人によるレビューが引き続き必要です。しかし、すべての実行をレビューすれば、自動化の経済的な意義の多くが失われます。ベンダーは、どのケースに人の注意を向けるべきかを顧客が判断できるよう支援しなければなりません。
コストは計算しやすい一方で、解釈はより難しくなります。トークン消費、モデル料金、インフラ利用、外部ツール呼び出しはすべて、エージェントの運用コストに寄与し得ます。
リトライループは、明らかな障害を引き起こさずに支出を膨らませる可能性があります。より高価なモデルでも、タスクを確実に完了し、手戻りを減らせるなら経済的であり得ます。したがって、コスト監視には成果を分母として用いる必要があります。
権限は最も大きなリスクを生みます。エージェントは、顧客記録、リポジトリ、財務システム、コミュニケーションツールにアクセスできます。オブザーバビリティでは、エージェントが何を試みたのか、どの権限を使用したのか、アクションが承認されたのかを記録しなければなりません。
機密性の高いワークフローでは、危険なアクションを完了後に記録するだけでは不十分です。企業は今後、ポリシーの強制、取り消し可能なアクセス、人による承認、復旧可能な実行をますます求めるようになるでしょう。
この要件により、オブザーバビリティ、セキュリティ、ガバナンス、ランタイム制御の境界は曖昧になります。DatadogとDynatraceは互いに競争しているだけではありません。評価、エージェントゲートウェイ、セキュリティ、トレーシング、ワークフローオーケストレーションに特化した企業とも対峙しています。
OpenTelemetryは、収集レイヤーにおけるベンダーロックインを低減できます。しかし、すべての評価スコアやビジネス成果を標準化できるわけではありません。ベンダーごとに、データモデル、相関付け、自動化された推奨に関して異なる選択を続けるでしょう。
その結果、買い手には懐疑的な問いが残ります。統合プラットフォームは、より多くを明らかにするのか。それとも、単により多くのデータを一元化するだけなのか。
答えは組織ごとに異なります。すでにDatadogを標準化している企業は、迅速な導入と使い慣れたワークフローを重視するかもしれません。大規模なハイブリッド企業は、Dynatraceの依存関係モデルと因果分析を好む可能性があります。
AIネイティブなチームは、引き続き専門の評価ツールを選ぶかもしれません。その後、選択したテレメトリーをより広範な監視プラットフォームへ送信できます。DynatraceによるArizeの買収は、この専門レイヤーが独立したまま残るのを防ごうとする試みです。
どちらのベンダーも、エージェントの信頼性を証明する普遍的な方法を確立してはいません。両社の製品は証拠を収集し、テストを実行し、異常を浮き彫りにできます。それでも顧客は、許容可能な挙動と意味のある成果を定義しなければなりません。
リスクは、AIオブザーバビリティが運用上の説明責任を伴わない、魅力的なダッシュボードの集まりになることです。成功する導入では、重要なすべてのスコアを、意思決定、責任者、閾値、対応に結び付けます。
DatadogとDynatraceの競争を左右する3つのシグナル
次の段階は、統合、測定可能な導入、そして企業がこれらのプラットフォームにどの程度の制御を委ねるかによって評価される。
第1のシグナルは、DynatraceによるArize買収の完了と製品統合です。取引の完了はテストの始まりにすぎません。買い手は、トレース、データセット、評価、本番インシデントが両環境間をどれだけ迅速に移動するかを注視すべきです。
一貫したワークフローは、Dynatraceのライフサイクル論を強化します。別々のインターフェース、重複データ、不明確な製品所有権はこれを弱めるでしょう。ArizeとPhoenixをめぐる開発者の継続利用も、もう一つの有用なシグナルとなります。
第2のシグナルは、両ベンダーが開示する顧客導入状況です。全般的な売上成長は文脈を提供しますが、エージェントオブザーバビリティへの需要を切り分けることはできません。
有用な証拠には、監視下にある本番エージェント数、評価を利用するワークロード、顧客あたりの導入製品数、AIに関連する顧客拡大などが含まれます。ケーススタディは、エージェント数だけでなく、測定された成果を示すべきです。
第3のシグナルは、観測から統治されたアクションへの移行です。両社は、インシデントを調査し運用を支援できるエージェントを構築しています。顧客は、それらのシステムに変更の推奨を許可するのか、承認済みの手順を実行させるのか、自律的に動作させるのかを判断する必要があります。
読み取り専用の分析では、求められる信頼の水準は低くなります。自動修復には、完全な監査証跡、制約された権限、ロールバック機構、エージェントが誤りを犯した際の明確な責任が必要です。
統治されたアクションの進展は、オブザーバビリティプラットフォームがエンタープライズエージェントのコントロールプレーンになり得るという主張を強めるでしょう。継続的なためらいは、監視には依然として価値がある一方で、自律性は信頼の境界に達したことを示唆するでしょう。
エンタープライズの買い手は、機能チェックリストだけでプラットフォームを選ぶべきではありません。まず1つの本番ワークフローから始め、許容可能な品質、コスト、レイテンシ、権限、ビジネス成果を定義すべきです。
その後、プラットフォームが障害を再構築し、その原因を特定し、提案された修正を比較し、回帰を防止できるかをテストすべきです。この演習によって、洗練されたデモでは隠せるギャップが明らかになります。
DatadogのAIエージェント監視は現在、すでに同社のプラットフォームを利用している組織にとって、強力な本番優先の経路を提供しています。Dynatraceは、評価と運用が1つのライフサイクルにならなければならないという、より大きな賭けに出ています。
勝者となるのは、予測不能なエージェントの挙動を、チームが信頼し行動に移せる証拠へ変えるベンダーです。買い手にとっての当面の問いはより単純です。監視システムは、エージェントが実行されたかどうかだけでなく、正しいことを行ったかどうかも説明できるでしょうか。
