DatadogのAI自動化はリスク対策を狙うが、企業が主導権を握り続ける

重要システム内でソフトウェアを独立して動作させることに企業が慎重である一方、DatadogのAI自動化はダッシュボードの枠を越えつつある。同社は現在、オブザーバビリティ、セキュリティ、自動修復を、増大する運用リスクへの一体的な対応策として提示している。大規模組織がクラウドサービスとレガシーインフラ、外部委託の運用を併用することが多いオーストラリアでは、この提案の重要性が特に高い。

この変化は、Datadogの役割を変える。従来、オブザーバビリティは、アプリケーションの遅延や障害、アラート発生の後に、何が起きたかをエンジニアが把握するための手段だった。Datadogは今、そのソフトウェアにインシデントの調査、対応策の提案、ライブの運用コンテキストを用いた承認済みアクションの実行を担わせようとしている。

論点は、人工知能がアラートを要約できるかどうかではない。説明責任、セキュリティ、人による監督を維持したまま、企業がAIエージェントに本番環境へのアクセスを委ねるのかどうかである。Splunk、Dynatrace、クラウドプロバイダー、セキュリティベンダーも同様の機会を追求しており、Datadogは統合されたコンテキストがより安全な自動化を実現することを証明しなければならない。

DatadogのAI自動化、回答からアクションへ

Datadogは、監視プラットフォームをエンタープライズAIエージェントのための統制された運用レイヤーへと転換している。

同社の拡大戦略は、オブザーバビリティデータ、セキュリティシグナル、ワークフロー自動化、生成AIの組み合わせに基づいている。オブザーバビリティとは、アプリケーション、インフラ、ネットワーク、ユーザー体験、その他の技術システムに関する情報を収集し、関連付けることを指す。

Datadogのオーストラリアおよびニュージーランド担当リージョナル・バイスプレジデントであるRoz Gregoryは、この収束をコスト、AIの安全性、コンプライアンスを管理する機会だと説明した。ANZ企業へのインタビューで彼女は、断片化された技術スタックでは、こうした優先課題を個別ツールで対処することが難しくなると述べた。

Gregoryによれば、Datadogは2つの製品から30以上の製品へと拡大した。同社のプラットフォームは現在、インフラ、アプリケーション、ソフトウェアデリバリー、デジタル体験、データ、セキュリティ、AIワークロードをカバーしている。

この広がりは重要である。自動化されたインシデント対応にはコンテキストが必要だからだ。エージェントは、分離された単一の指標だけでは、失敗したチェックアウト処理を安全に診断できない。アプリケーショントレース、インフラの健全性、最近のデプロイ、セキュリティイベント、データベースの挙動、顧客向けパフォーマンスデータが必要になる。

Bits AIは、開発、セキュリティ、運用タスク向けのDatadogのエージェント群である。Datadogによれば、これらのエージェントはインシデントを調査し、関連するテレメトリーを分析し、定められた統制の範囲内でチームの行動を支援できる。

同社は2026年6月のDASHカンファレンスで、この戦略を拡大した。100以上の製品機能の発表には、新たなBits AI機能、エージェントビルダー、AIセキュリティ統制、企業データ管理の追加オプションが含まれていた。

Bits Agent Builderにより、チームはDatadog内で特化型エージェントを作成できる。こうしたエージェントは、顧客が定めた境界の中で、修復、レポーティング、標準の適用を支援できる。

Agent Consoleは、関連する管理上の課題に対応する。Datadogによれば、組織はClaude Code、Cursor、GitHub Copilotなどのツールを観測できる。管理者は、エージェントの活動を見えないレイヤーとして扱うのではなく、利用状況、タスク、成果、支出を確認できる。

Datadogはまた、2026年3月にModel Context Protocolサーバーを一般提供した。MCPは、AIアプリケーションが承認済みのツールやデータソースにアクセスできるようにする標準インターフェースである。

このガバナンスの効いたエージェントアクセスは、外部のコーディングエージェントや開発環境を、ライブのDatadogテレメトリーに接続する。同社はこの接続を、AI支援型の作業へ運用上の証拠を取り込みながら、権限とガバナンスを維持する方法として位置付けている。

このアーキテクチャは、本稿の中心的な緊張関係を生み出す。本番環境の問題をエージェントが診断する助けとなる同じアクセスが、誤った、あるいは操作されたアクションの影響を大きくし得る。

監視データを読むエージェントは、ある水準のリスクをもたらす。検出ルールの変更、チケットの作成、検知結果の抑制、修復の開始を行うエージェントは、別の水準のリスクをもたらす。

したがってDatadogが売り込んでいるのは、より迅速なインシデント対応だけではない。AIが統合された技術コンテキストの情報源と既存の統制を通じて動作すれば、自動化は受け入れ可能になるという主張である。

この主張は今後、調達審査、セキュリティテスト、実際の本番障害に耐えなければならない。

オーストラリアのハイブリッドシステムがリスクを高める

オーストラリア企業は、整った技術基盤の上で自動化を導入しているわけではない。

多くの大規模組織は、従来型のインフラを運用しながら、パブリッククラウドサービス、SaaSアプリケーション、AIシステムを追加している。外部委託契約も、責任とアクセス制御の層をさらに増やす。

この環境では、証拠が断片化される。インシデントは、アプリケーションコード、クラウドインフラ、アイデンティティシステム、外部プロバイダー、物理または仮想ネットワークにまたがる可能性がある。

チームは、こうした経路の各部分に個別の製品を使うことが多い。これらの製品は、原因と事業への影響を確立するのに十分なコンテキストを共有しないまま、重複したアラートを生成する場合がある。

Gregoryは、ツールの多い環境ではAIの安全性と複雑性の管理が難しくなると主張する。彼女の見解はDatadogの商業的な方向性を支持するものだが、企業は統合がリスクを低減するのか、それとも単にリスクを集中させるのかを引き続き検証するだろう。

直接的な負担は、技術運用、セキュリティチーム、リスク責任者にかかる。彼らは、データ、認証情報、コンプライアンスの証跡、本番環境の変更に対する統制を失わずに、より迅速なソフトウェアデリバリーを支えなければならない。

開発者もプレッシャーに直面している。コーディングエージェントはソフトウェアをより速く生成・変更できるが、その速度はレビュー、テスト、デプロイメントシステムに流入する変更の量を増やす。

セキュリティチームは、悪用可能な問題と優先度の低い検知結果を見分けなければならない。運用チームは、障害がコード、インフラ、容量、データ、AIモデルプロバイダーのどこに起因するのかを理解する必要がある。

Datadog自身の調査は、この運用上の問題を示している。同社のAIエンジニアリングデータでは、AIモデルリクエストの約5%が本番環境で失敗していた。

同社によれば、その失敗の約60%は容量制限によるものだった。Datadogは、本番環境で大規模言語モデルを運用する数千の顧客から得た匿名化済み利用データを分析した。

このレポートでは、組織の69%が少なくとも3つのモデルを使用していることも判明した。エージェントフレームワークの導入は前年同期比で倍増し、各リクエストで送信される平均データ量も増加した。

これらの調査結果はDatadogの顧客環境に基づくものであり、すべての企業を対象とした国勢調査のように扱うべきではない。それでも、Datadogが自社プラットフォームで管理しようとする複雑性の種類を示している。

複数のモデルは、ルーティング判断、障害モード、利用制限、ベンダー依存を増やす。エージェントは、決定論的なアプリケーションロジックではなく、モデル出力に次のアクションが依存し得るワークフローを追加する。

オーストラリアのガバナンス環境は、もう一つの要件を加える。連邦政府のAI導入ガイダンスは、説明責任、リスク管理、データガバナンス、テスト、監視、有意義な人による監督を求めている。

このガイダンスは、オーストラリアの自主的なAI安全基準から発展したものだ。それ自体で新たな法的義務を生むものではないが、組織が現在の義務や将来あり得る要件に備える助けとなる。

いくつかの実践は、オブザーバビリティと密接に整合する。組織は、導入済みAIシステムを監視し、リスクを文書化し、統制を再評価し、挙動や意図された用途の変化を追跡すべきである。

ただし、テレメトリーの収集が、こうした義務を自動的に満たすわけではない。ダッシュボードは、組織のリスク許容度を決めることも、影響を受けるステークホルダーを特定することも、有害な結果に対する説明責任を割り当てることもできない。

この区別は、Datadogの提案にとって重要である。プラットフォームは、運用上の証拠、アクセス制御、技術的な監視を提供できる。どのアクションをエージェントに許可するか、そしてその結果について誰が責任を負うかは、依然として企業のリーダーが定義しなければならない。

そのためオーストラリア市場は、機会であると同時に難しい試験場でもある。ハイブリッド環境は統合された可視性への需要を生むが、規制と組織的な慎重さが、顧客が自律的なアクションをどれほど早く許可するかを制限する。

統合コンテキストがDatadogの最大の賭け

Datadogは、より広範なテレメトリーを持つエージェントの方が、単一の専門ツールに閉じ込められたアシスタントよりも安全に行動できると見込んでいる。

運用エージェントは、技術スタック全体に散在する証拠から原因を再構築する必要がある。Datadogのプラットフォームはすでに、監視とトラブルシューティングのためにその証拠の多くを収集している。

同社はエージェントに、アプリケーショントレース、ログ、インフラ指標、デプロイイベント、クラウドセキュリティの検知結果、組織のナレッジへのアクセスを与えられる。Datadogによれば、このコンテキストは、手作業での調査が必要となるシグナルをBits AIが結び付ける助けになる。

Winning Groupは具体例を示している。このオーストラリアの小売企業はWinning AppliancesとAppliances Onlineを所有しており、そのウェブサイトは顧客向けの主要なストアフロントとして機能している。

テクニカルマネージャーのNick Rivettは、エンジニアリング部門以外でもパフォーマンス情報にアクセスしやすくすることが、同社がDatadogを採用した理由の一つだと述べた。共有ダッシュボードにより、より多くの従業員が、エンジニアがすべての指標を説明するのを待たずに変化を確認できる。

Winning GroupはBits AIとDatadogのMCP機能も使用している。Rivettは、人間のチームが何時間も調査していたインシデントについて、Bits AIが約10分で証拠を結び付けたと説明した。

これは顧客による報告であり、独立したベンチマークではない。それでも、エージェントに直ちに無制限の権限を与えずとも、DatadogのAI自動化が価値を生み出せる場面を示している。

調査の迅速化は、アラートから信頼できる説明に至るまでの時間を短縮する。その後、人間が証拠をレビューして対応を選択できる。

Flowstateは、もう一つの運用事例を示す。このオーストラリア企業はサーファーを撮影し、動画を処理することで、顧客がセッション後すぐに映像を受け取れるようにしている。

録画時間を逃すことは顧客映像の喪失につながり得るため、ダウンタイムは製品に直接影響する。FlowstateはDatadogを使用して、リアルタイム動画インフラを監視し、パフォーマンス上のボトルネックを特定している。

動画が4K・毎秒30フレームから4K・毎秒60フレームへ、さらに6K・毎秒60フレームへと移行する中で、処理需要は増大してきた。各段階の向上は、データ量と処理負荷を増やす。

この事例は、接続されたテレメトリーが重要である理由を示している。パフォーマンスの問題は、カメラ、ネットワーク、コンピューティングリソース、ストレージ、アプリケーションコード、処理サービスのいずれに起因する可能性もある。

アプリケーションログだけを確認するエージェントが見ているのは、不完全なシステムである。Datadogの優位性は、誤解を招く確信を生むことなく有用な関係を特定できるほど、プラットフォームがそのシステムを十分に相関付けられるかどうかにかかっている。

同社の商業面での勢いは、この戦略を推進するための資源をもたらしている。Datadogは2026年第2四半期の売上高が11億2,000万ドルとなり、前年同期比で36%増加したと報告した。

同社の第2四半期決算によると、年間経常収益が少なくとも10万ドルの顧客は約4,720社だった。これは1年前の約3,850社から増加している。

Datadogは同四半期の営業キャッシュフローが3億1,600万ドル、フリーキャッシュフローが2億7,900万ドルだったとも報告した。6月末時点で、現金、現金同等物、有価証券は50億ドルに達していた。

これらの数字は、自律型オペレーションが顧客に受け入れられていることを証明するものではない。一方で、Datadogが大規模なエンタープライズ顧客基盤と、確立されたプラットフォーム全体にAI機能を追加するための財務的余力を持つことは示している。

この配布上の優位性は重要だ。企業は、別個の権限やデータパイプラインを持つ新たなエージェントを導入するよりも、すでに利用している監視システムに組み込まれた自動化を好む可能性がある。

プラットフォームとの関係は、乗り換え圧力も生み出す。顧客が1つのシステム内に蓄積する運用履歴、ワークフロー、ダッシュボード、セキュリティ管理が増えるほど、そのシステムの置き換えは難しくなる。

Datadogは、この優位性と、統合が生む懸念との均衡を取る必要がある。統合プラットフォームは連携作業を減らせる一方、障害、設定ミス、セキュリティインシデントが発生した際の影響範囲を広げる可能性がある。

したがって、その仕組みは単純である。実行は難しいとしても、Datadogはコンテキストを収集し、それを制御されたエージェントに提示し、自動化によって調査と対応を短縮する。

その成否は、コンテキストの品質、権限設計、そして診断後に実行されるすべてのアクションの信頼性にかかっている。

自動化は新たな制御の問題を生む

最大の障害は、Bits AIがインシデントの原因を見つけられるかどうかではない。分析が誤っていた場合に、企業がそのエージェントを制約できるかどうかだ。

従来の監視ツールは人に警告を発する。自律型システムはアクションも開始できるため、誤った結論や侵害された指示による潜在的な影響はより大きくなる。

不正確な要約は時間を浪費する。不正確なインフラ変更は、サービスを中断させ、セキュリティ制御を弱め、後の調査に必要な証拠を消去しかねない。

プロンプトインジェクションも別のリスクを生む。これは、隠された、あるいは悪意ある指示によってAIシステムを操作し、本来従うべきルールを無視させる手法である。

Datadogは、エージェントの活動全体にわたる不審な挙動を検出するためにAI Guardを導入した。同社によれば、エージェントトレーシングとステートフルな行動分析を組み合わせており、単一のプロンプトと応答を確認するのではなく、複数ステップにまたがる振る舞いを分析するという。

この違いが重要なのは、エージェントに対する攻撃が時間をかけて展開し得るためだ。一見無害な入力が、数ステップ後にエージェントへ機密情報の取得、外部サービスの呼び出し、あるいは未承認のアクションを実行させる可能性がある。

AI Guardに関するDatadogの主張は、顧客や独立研究者が多様な本番環境で検証するまでは、あくまで同社の主張にとどまる。どのような行動検出器も、すべての有害な指示を認識できると保証することはできない。

そのため、権限の境界設定が不可欠になる。エージェントには定義されたタスクに必要なアクセス権のみを与え、機微なアクションには追加の承認を求めるべきだ。

また企業には、エージェントが何を観測し、推論し、変更したかについての完全な記録が必要となる。その記録がなければ、チームは障害を再現できず、責任の所在も判断できない。

人による監督は、不透明なプロセスの末尾に名目的な承認ボタンを置くことを意味してはならない。レビュー担当者には、提案されたアクションと、その想定される影響を理解するための十分なコンテキストが必要だ。

自動化の速度は、この要件と衝突し得る。エージェントが数百件の推奨を出せば、人は機械的に承認してしまい、実質的なレビューなしに制御が存在するように見せかける可能性がある。

Datadogは、自社の統合範囲が生むリスクも管理しなければならない。本番テレメトリー、セキュリティ検出結果、開発者ツール、修復ワークフローに接続されたプラットフォームは、魅力的な攻撃対象となる。

同社は、認証、認可、監査ログ、データ制御、ワークロード分離によって、このリスクを軽減できる。顧客はこれらの制御を適切に設定し、チームやシステムの変化に合わせて維持する必要がある。

データレジデンシーも、規制対象の組織にとって懸念事項となる。DatadogのBring Your Own Cloudオプションは、プラットフォームの一部を顧客管理下の環境に配置し、顧客のオブジェクトストレージを使用することで対応している。

この設計は、増加するログ量に対する企業の管理権限をより維持しやすくする可能性がある。ただし、メタデータ、サポートアクセス、設定、接続サービスに関わるすべてのガバナンス上の問題を解消するわけではない。

コストも導入を遅らせる可能性がある。オブザーバビリティシステムは大量のテレメトリーを処理し、AIワークロードは新たなログ、トレース、プロンプト、応答、エージェントイベントを生み出し得る。

顧客は、何を保持、インデックス化、分析、破棄するかを決めなければならない。過度なフィルタリングはエージェントに必要な証拠を隠す可能性があり、無差別な収集はコストを増やし、機密データを露出させるおそれがある。

測定の問題もある。調査の高速化が必ずしもより安全な運用につながるわけではなく、自動化されたアクションが増えても、必ずしも事業成果が改善するとは限らない。

信頼できる導入では、インシデント継続時間、再発率、誤った推奨、差し戻されたアクション、承認率、セキュリティ例外を追跡すべきだ。また、エージェントが解決したインシデントと、エージェントが混乱を招いたインシデントを区別する必要がある。

DatadogのAgent Consoleは、コーディングエージェントに対するこの種の評価を示唆している。企業には、すべての自動化された運用ワークフローにおいて同様の規律が必要になる。

同社の戦略が有望である理由は、AIを実際のシステム証拠と結び付けている点にある。未解決の問いは、その結び付きが信頼できる判断を生むのか、それとも単に活動を高速化するだけなのかということだ。

Datadogは混み合うプラットフォーム競争に直面している

Datadogの真の相手は断片化されたエンタープライズツール群だが、競合プラットフォームも同じ統合の論拠を掲げている。

組織は長年にわたり、専門化された監視、セキュリティ、チケッティング、クラウド管理、開発者向け製品を組み合わせてきた。Datadogは、それらの機能をより多く、1つのデータおよび自動化レイヤーの中で接続しようとしている。

この提案は、インシデントの一部分しか扱わない既存ツールに圧力をかける。また、アラート、調査、修復システムの間でカスタム統合を維持するエンジニアリングチームにも圧力を与える。

ただし、Datadogが統合オブザーバビリティやAI支援型オペレーションを独占しているわけではない。Dynatrace、Splunk、New Relic、ServiceNow、Microsoft、Google Cloud、Amazon Web Servicesはいずれも、AIを運用データと結び付けている。

クラウドプロバイダーは、自社環境内で構造的な優位性を持つ。エージェントをインフラ制御、IDサービス、セキュリティ製品、課金データに接続できるためだ。

サービス管理ベンダーは承認プロセス、チケット、資産インベントリ、エンタープライズワークフローを保有している。セキュリティベンダーは、専門的な脅威情報と対応能力を備えている。

Datadogの防御策は、混在環境にまたがる中立性だ。大規模組織が単一のクラウド、単一のプログラミング言語、単一のセキュリティ製品だけで運用されることはほとんどない。

広範に統合されたオブザーバビリティレイヤーは、こうした境界をまたいで振る舞いを比較できる。Datadogはアプリケーションおよびインフラのテレメトリーを使い、技術的な障害と顧客体験を結び付けることもできる。

しかし、中立性には限界がある。外部システムごとに統合の境界、権限モデル、遅延の可能性が生じる。クラウドプロバイダーは、独立系プラットフォームがAPI経由でしか受け取れないネイティブ情報にアクセスできる場合がある。

MCPのようなオープン標準は、統合の摩擦を減らせる。同時に、顧客が同じツールに競合エージェントを接続しやすくする可能性もある。

つまり、Datadogはコンテキスト、推論、制御、ユーザー体験の質で競争しなければならない。MCPをサポートするだけでは、持続的な優位性を維持できない。

同社は、拡大する製品群が統一されたものとして感じられることも証明しなければならない。導入ベンダー数を減らすことが役立つのは、チームが別の複雑性の層を生まずに統合プラットフォームを利用できる場合に限られる。

エンタープライズの購買担当者は、アラートが一貫したデータモデルを共有しているか、権限が製品横断で機能するか、自動化されたアクションが監査可能性を維持するかを確認する。また、データ消費が契約上のコミットメントに与える影響も検討するだろう。

セキュリティ責任者は、高リスクの調査には専門製品を好む場合がある。オペレーションチームは、アプリケーション障害の診断に必要なテレメトリーをすでに保持しているDatadogを好むかもしれない。

こうした選好は段階的な導入につながり得る。顧客はAI生成の要約から始め、その後チケット作成、低リスクの修復、そして最終的にはより重大なアクションを許可するかもしれない。

この進行は、自律型オペレーションへの急激な移行という考え方に疑問を投げかける。エンタープライズでの導入は、より可能性が高いのは信頼のはしごを上る形だ。

アクションが成功するたびに、より広い権限が正当化され得る。一方、誤診や予期しない変更が起きるたびに、プログラムは推奨のみを行う利用形態へ後退し得る。

Datadogの機会は、このはしごを測定可能にすることにある。購買担当者には、エージェントにより大きな権限を与えるべき時期と、アクセスを限定すべき時期を示す証拠が必要だ。

この競争の勝者は、必ずしも最も自律的なデモを行う企業ではない。役立つ支援から説明責任を伴うアクションへ至る最も明確な道筋を示す企業になるだろう。

企業が次に注目すべき点

Datadogが自動化戦略を信頼されるエンタープライズ運用へ転換できるかどうかは、3つのシグナルによって示される。

第1のシグナルは、本番環境における権限の拡大だ。Datadogはすでに、セキュリティツールセットの一部でMCP機能を読み取り専用アクセスの範囲を超えて展開している。

重要なのは、顧客がこれらの機能をどのように使うかである。チケット作成や推奨の生成は、ルール変更、抑制、または自動修復とは異なるリスクを伴う。

再現可能な本番導入の証拠があれば、Datadogの主張はより強まる。そうした導入には、権限の境界、承認要件、監査記録、文書化されたロールバック手順が含まれるべきだ。

劇的なインシデント事例がいくつかあるだけでは十分ではない。購買担当者には、誤ったアクション、エスカレーション率、削減された時間、異なる環境での成果を対象とした集計データが必要だ。

第2のシグナルは、Datadogのより大きな顧客基盤全体での導入状況である。年間経常収益が少なくとも10万ドルの4,720社の顧客は、重要な配布チャネルを構成している。

将来の財務報告は、AI機能が既存顧客による利用製品数を増やすかどうかを明らかにする可能性がある。経営陣のコメントからは、Bits AIとAgent Builderが新たなエンタープライズ契約を支援しているかどうかも見えてくるだろう。

売上成長だけでは、この問いに答えられない。Datadogは多くの製品を販売しており、顧客はエージェントにより広範な運用権限を与えなくても支出を増やせる。

より強いシグナルは、商業的な拡大と開示された利用状況を組み合わせるものだ。Datadogは、Bits AIを本番環境で稼働させている顧客数、エージェントが実行するアクション、人による承認が引き続き必須となる領域を報告できる。

開示が限定的であれば、購買担当者は選定された顧客事例に依存せざるを得ない。透明性の高い運用指標があれば、同社の主張は評価しやすくなる。

第3のシグナルは、規制当局とエンタープライズのガバナンスチームによる反応である。オーストラリアのガイダンスは、継続的なリスク評価、テスト、モニタリング、説明責任、人による制御を重視している。

調達プロセスは、これらの原則を技術的な問いに変換する。購買担当者は、Datadogがアクセス、機密データ、モデル変更、サードパーティコンポーネント、インシデント記録、エージェントの振る舞いをどのように扱うかを問うことになる。

高リスクAIに対する新たな必須要件は、証拠と監視に対する需要を高めるだろう。一方で、Datadogとその顧客がエージェントの活動を特定の統制に結び付けられなければ、導入が遅れる可能性もある。

このシグナルでは、競合他社の対応も重要となる。ライバルのプラットフォームは、ガバナンス、データレジデンシー、自律運用に対する独自のアプローチを提示するだろう。

競合製品がより明確な統制モデルを提供するなら、Datadogの幅広いテレメトリーという強みは相対的に薄れる。逆に、それらが断片的なままであれば、Datadogの統合戦略はより魅力的になる。

エンタープライズチームは、自律性を二者択一の判断として扱うべきではない。行動を影響度別に分類し、制限された環境でエージェントをテストし、性能が裏付けられた場合にのみ権限を拡大できる。

また、人間が読める記録を残すことも重要だ。AI knowledge baseは、意思決定、インシデントの背景、運用上の教訓をチームが保持する助けになるが、技術的な監査ログの代替にはならない。

Datadog AI automationは、最終的には製品拡張に見せかけたガバナンスの物語だ。顧客の証言によれば、この技術は数時間を要する調査を数分に短縮できる。

より難しい課題は、エージェントがシステムを誤解したり、操作されたデータに遭遇したり、想定された役割を超えたりした場合でも、迅速な行動が安全であり続けることを証明することだ。

Datadogには、この命題を大規模に検証するためのプラットフォームの到達範囲、エンタープライズ顧客、そして財務的な資源がある。企業は今、自律性と引き換えに可視性を手放す前に、測定可能な証拠を求めるべきだ。

あなたの組織は、現在どのような運用アクションをエージェントに任せられると考えるだろうか。そして、次のアクセスレベルを付与するには、どのような証拠が必要だろうか。