Datadog AI Agent Monitoring, Dynatrace의 9억 1,500만 달러 Arize 베팅에 직면

Dynatrace가 9억 1,500만 달러 규모로 평가된 거래를 통해 Arize를 인수하기로 합의하면서 Datadog AI 에이전트 모니터링은 더 날카로운 도전에 직면하게 됐다. 이 거래는 떠오르는 제품 카테고리를 기존 옵저버빌리티 업체 두 곳 간의 정면 경쟁으로 바꾼다.

두 기업은 AI 에이전트를 점검하고, 그 결과물을 평가하며, 비용을 통제하고, 장애를 조사하는 데 기업들이 사용할 시스템이 되려 한다. 다만 이 기회에 접근하는 출발점은 서로 다르다. Datadog는 클라우드 모니터링 플랫폼을 에이전트 개발 영역으로 확장하고 있으며, Dynatrace는 더 깊은 평가 전문성을 매입하고 있다.

에이전트는 일반적인 애플리케이션 대시보드가 설명하도록 설계되지 않은 운영 문제를 만들기 때문에 시점이 중요하다. 에이전트는 도구를 선택하고, 다른 에이전트를 호출하며, 외부 데이터를 검색하고, 답변을 만들기 전 여러 단계를 반복할 수 있다. 요청이 기술적으로 성공하더라도 잘못된 비즈니스 결과를 내거나, 민감한 정보를 노출하거나, 예상보다 훨씬 많은 리소스를 소비할 수 있다.

이는 흥미로운 역전을 낳는다. AI 에이전트는 디지털 업무 자동화를 약속하지만, 기업에는 그 자동화를 감독할 또 하나의 소프트웨어 계층이 필요하다. Datadog와 Dynatrace는 구매자들이 소규모 AI 네이티브 전문업체로 굳어지기 전에 이 통제 계층을 차지하기 위해 경쟁하고 있다.

Dynatrace, AI 옵저버빌리티를 9억 1,500만 달러 경쟁으로 전환

Dynatrace의 계획된 Arize 인수는 경쟁의 무대를 일반 인프라 모니터링을 넘어 전체 AI 개발 라이프사이클로 옮긴다.

Dynatrace는 2026년 8월 13일 최종 계약을 발표했다. 회사는 통상적인 조정 사항을 전제로 9억 1,500만 달러에 Arize를 인수할 예정이라고 밝혔다. 대가에는 약 8억 1,500만 달러의 현금과 Arize 직원들을 위한 대체 주식 보상이 포함된다.

이 거래는 규제 검토 및 기타 통상적인 조건 충족 이후 마무리될 것으로 예상된다. 그때까지 Dynatrace와 Arize는 별개의 사업체로 남는다. 따라서 양사가 약속한 통합은 완성된 제품의 결과물이 아니라 로드맵으로 봐야 한다.

Arize는 머신러닝 시스템, 대규모 언어 모델 애플리케이션 및 에이전트의 평가와 관찰을 전문으로 한다. 이 회사의 도구는 개발자가 트레이스를 점검하고, 실험을 비교하며, 응답 품질을 평가하고, 모델 동작의 변화를 식별하도록 돕는다.

Dynatrace는 다른 기반을 제공한다. 이 회사의 플랫폼은 이미 애플리케이션 트레이스, 인프라 상태, 로그, 사용자 활동 및 비즈니스 트랜잭션을 연결한다. 회사는 이러한 운영 신호와 Arize의 평가 도구를 결합하면 개발부터 프로덕션까지 AI 애플리케이션을 포괄할 수 있다고 주장한다.

이 결합은 많은 엔지니어링 조직 내부의 실제 분업 문제를 해결한다. AI 팀은 흔히 하나의 환경에서 프롬프트와 모델을 테스트한다. 운영 팀은 다른 곳에서 지연 시간, 오류, 인프라 및 인시던트를 모니터링한다.

Dynatrace는 제안된 인수가 이 격차를 해소할 것이라고 말한다. 회사의 Arize 계약은 AI 옵저버빌리티를 실험, 평가, 프로덕션 트레이싱, 인프라 및 비즈니스 결과를 아우르는 라이프사이클로 설명한다.

이번 발표는 이 카테고리가 기존 모니터링 업체에 얼마나 가치 있게 여겨지는지도 보여준다. Dynatrace는 단순히 또 하나의 대시보드를 추가하는 것이 아니다. AI 평가를 기존 엔터프라이즈 플랫폼과 연결하기 위해 상당한 자본을 투입하고 있다.

회사는 이미 2026년 1월 전용 AI Observability 앱을 출시했다. 이 제품은 에이전트 상호작용, 도구 사용, 종속성, 토큰 소비, 지연 시간, 비용 추세 및 가드레일 결과를 지원한다.

Dynatrace는 또한 40개 이상의 LLM 기술을 지원한다고 말한다. 공개된 통합 목록에는 OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain 및 새롭게 등장하는 에이전트 프로토콜이 포함된다.

Arize는 Dynatrace가 애플리케이션이 프로덕션에 도달하기 전 단계에서 일하는 AI 엔지니어링 팀에 더 강하게 진입할 경로를 제공한다. 또한 Arize의 Phoenix 프로젝트를 통한 오픈소스 영향력과 더 전문화된 평가 워크플로도 제공한다.

Datadog는 이제 인수 속도와 확립된 엔터프라이즈 영업 채널을 결합하는 경쟁자와 맞서게 됐다. Dynatrace는 Arize를 매력적으로 만든 개발자 경험을 약화하지 않고 두 제품을 통합해야 하는 더 어려운 과제에 직면한다.

AI 에이전트가 기존 모니터링을 무너뜨리는 이유

에이전트는 기술적으로는 계속 이용 가능하면서도, 각각은 유효한 결정들의 연속을 내려 좋지 않은 결과를 만들 수 있다.

기존 애플리케이션 모니터링은 일반적으로 서비스가 응답했는지, 얼마나 오래 걸렸는지, 오류가 발생했는지를 묻는다. 이러한 측정값은 여전히 필요하지만, 에이전트의 추론 경로나 출력 품질을 설명하지는 못한다.

환불을 처리하는 고객 지원 에이전트를 생각해 보자. 이 에이전트는 계정을 조회하고, 정책을 확인하고, 청구 도구를 호출하고, 고객 기록을 업데이트할 수 있다. 에이전트가 잘못된 정책을 적용하더라도 모든 서비스는 성공 응답을 반환할 수 있다.

같은 요청을 두 번째로 실행하면 다른 경로를 따를 수 있다. 대규모 언어 모델은 비결정적이므로 동일한 입력이 항상 동일한 출력을 내지는 않는다. 이러한 가변성은 고정된 기대 결과를 중심으로 구축된 테스트를 약화한다.

도구 사용은 또 다른 불확실성의 원천을 더한다. 에이전트는 잘못된 함수를 선택하거나, 부적절한 인수를 제공하거나, 올바른 도구를 잘못된 시점에 호출할 수 있다. 또한 일반적인 애플리케이션 오류를 만들지 않은 채 지연 시간과 토큰 소비를 늘리는 재시도 루프에 빠질 수도 있다.

멀티 에이전트 시스템은 문제를 더욱 확장한다. 조정 에이전트는 특화된 에이전트에 작업을 위임할 수 있고, 이들 에이전트는 다시 외부 모델과 서비스를 호출한다. 최종 답변은 여러 프롬프트, 권한, 검색 단계 및 모델 응답에 의존할 수 있다.

따라서 팀에는 하나의 요청 중 수행된 전체 실행 경로를 보존하는 트레이스가 필요하다. 트레이스는 모델 호출, 도구 호출, 타이밍, 오류 및 관련 메타데이터를 포함해 요청 중 취해진 단계들을 연결한 기록이다.

하지만 트레이스를 수집하는 일은 시작일 뿐이다. 엔지니어는 기술적 동작을 품질, 안전성 및 비즈니스 결과와 연결해야 한다. 근거 없는 주장을 포함하거나 승인되지 않은 작업을 실행한다면 빠른 응답은 쓸모가 없다.

Datadog는 2025년 6월 AI Agent Monitoring을 출시하며 이 문제를 설명했다. 회사의 모니터링 출시 발표는 제품이 입력, 도구 호출, 다른 에이전트 호출 및 출력을 상호작용형 그래프로 매핑한다고 밝혔다.

회사는 엔지니어가 지연 시간 급증, 잘못된 도구 호출 및 무한 루프를 조사할 수 있다고 말한다. 이어서 이러한 이벤트를 품질, 보안 및 비용 측정값과 연관시킬 수 있다.

Dynatrace도 유사하게 폭넓은 관점을 취한다. 회사의 AI Observability 앱은 프롬프트, 도구 호출 및 모델 호출을 추적하면서 이를 인프라 및 애플리케이션 종속성과 연결한다.

이러한 기능은 AI 옵저버빌리티가 LLM 대시보드 이상의 것이 되고 있는 이유를 보여준다. 운영의 대상은 예측 가능한 소프트웨어 트랜잭션에서 행동 권한을 지닌 확률적 워크플로로 바뀌었다.

이 변화는 개발자, 보안 팀, 사이트 신뢰성 엔지니어 및 비즈니스 책임자에게 동시에 압박을 가한다. 각 그룹은 같은 증거에서 서로 다른 답을 필요로 한다.

개발자는 어떤 프롬프트나 도구가 장애를 일으켰는지 알고 싶어 한다. 운영 팀에는 지연 시간, 신뢰성 및 종속성 데이터가 필요하다. 보안 팀에는 권한과 감사 추적이 필요하다. 비즈니스 리더는 에이전트가 유용한 결과를 만든다는 증거를 원한다.

이 질문들을 연결하는 플랫폼은 대체하기 어려워질 수 있다. 그것이 Datadog와 Dynatrace 경쟁의 전략적 보상이다.

Datadog AI Agent Monitoring은 프로덕션 데이터에서 시작한다

Datadog의 강점은 에이전트 동작을 고객이 이미 수집하는 애플리케이션 및 인프라 신호와 나란히 배치할 수 있다는 데 있다.

Datadog는 더 광범위한 LLM Observability 제품군의 일부로 AI Agent Monitoring, LLM Experiments 및 AI Agents Console을 도입했다. 이들은 함께 런타임 조사, 통제된 테스트 및 중앙 집중식 감독을 포괄한다.

AI Agent Monitoring은 실행 중 발생하는 일에 초점을 맞춘다. 엔지니어는 모델 호출, 도구 및 에이전트 핸드오프의 연쇄를 살펴볼 수 있다. 인터페이스는 또한 이러한 단계를 지연 시간, 토큰 사용량, 오류, 비용 및 평가 결과와 연결한다.

LLM Experiments는 배포 전에 이루어지는 변경을 다룬다. 팀은 프로덕션 트레이스에서 생성한 데이터세트나 제공된 예제를 사용해 프롬프트, 모델 및 애플리케이션 구성을 비교할 수 있다.

프로덕션 트레이스와 실험 간의 이 연결은 Datadog 접근 방식의 핵심이다. 실제 워크플로에서 발견된 장애는 반복 가능한 테스트 사례가 될 수 있다. 이후 엔지니어는 제안된 수정 사항을 원래 동작과 비교할 수 있다.

Datadog의 2026년 9월 가이드는 지원 에이전트를 사용해 이 워크플로를 설명한다. 한 팀은 배포 후 잘린 요약과 느린 청구 호출을 발견할 수 있다. 트레이스 데이터는 반복되는 패턴을 식별하고, 실험은 프롬프트나 모델 변경이 이를 개선하는지 테스트한다.

회사는 반복 실행 전반에서 비결정적 출력을 비교할 것도 권고한다. 다른 실행이 다른 결과를 낼 수 있다면 단 한 번의 성공 응답은 약한 증거에 불과하다.

평가기는 또 하나의 계층을 더한다. 이는 관련성, 정확성, 안전성 또는 작업 완료 같은 특성에 따라 에이전트의 출력을 점수화하는 테스트다. 일부는 결정론적 규칙을 사용하고, 다른 일부는 또 다른 언어 모델을 판정자로 사용한다.

모델 기반 평가는 검토를 확장할 수 있지만, 그 자체의 불확실성도 초래한다. Datadog는 점수에 의존하기 전에 LLM 판정자를 인간 평가와 비교해 보정하라고 조언한다. 두 모델이 같은 사각지대를 공유할 수 있으므로 이 주의는 중요하다.

AI Agents Console은 기업이 직접 구축한 소프트웨어를 넘어 모니터링을 확장한다. Datadog는 조직이 내부 및 서드파티 에이전트를 목록화하고, 사용량을 점검하고, 영향을 측정하며, 권한을 확인하도록 도울 수 있다고 말한다.

직원들이 코딩 도구, 고객 플랫폼 및 생산성 소프트웨어에 내장된 에이전트를 도입할 때 이 카탈로그 기능은 중요해진다. 조직은 에이전트의 모델이나 런타임을 소유하지 않을 수 있지만, 데이터 접근과 결과에 대한 책임은 여전히 진다.

Datadog의 폭넓은 상업적 위치는 이 전략에 무게를 더한다. 회사는 2026년 2분기 매출이 전년 대비 36% 증가한 11억 2,000만 달러를 기록했다고 보고했다. 또한 연간 반복 매출이 10만 달러를 넘는 고객이 약 4,720곳이라고 밝혔다.

이 수치가 Datadog가 AI 옵저버빌리티를 주도할 것임을 증명하지는 않는다. 다만 에이전트 모니터링이 또 하나의 부가 제품이 될 수 있는 대규모 고객 기반을 보유하고 있음을 보여준다.

Datadog는 해당 분기 중 Bits Code, Bits Chat 및 Bits Agent Builder도 정식 출시했다. 이 제품들은 회사를 시장의 양쪽에 위치시킨다. 회사는 고객을 위한 에이전트를 구축하는 동시에 에이전트를 관찰하는 시스템을 판매한다.

이 위치는 유용한 제품 피드백을 만든다. Datadog는 자체 에이전트에 모니터링 도구를 적용하고 운영 문제를 직접 경험할 수 있다. 동시에 고객이 회사의 자율 제품이 계속 점검 가능한지 판단할 수 있으므로 신뢰성 시험도 된다.

엔지니어링 팀에 매력적인 요소는 통합이다. 에이전트 인시던트는 모델 경계에서 끝나는 경우가 드물다. 근본 원인은 느린 데이터베이스, 장애가 발생한 API, 검색 파이프라인 또는 과부하된 GPU에 있을 수 있다.

Datadog는 기존 모니터링 환경 안에서 이러한 계층을 상호 연관 지을 수 있습니다. 팀에는 실시간 텔레메트리 외에도 인시던트 기록과 설계 결정 등을 포함한 검색 가능한 기술적 맥락이 필요합니다. 잘 관리되는 엔지니어링 지식 베이스는 이러한 인간 중심의 맥락을 보존할 수 있습니다.

Datadog의 과제는 광범위한 플랫폼이 평가의 깊이와 개발자 사용성 측면에서 전문 도구에 견줄 수 있음을 입증하는 것입니다. 기존 배포 기반은 진입로를 열어주지만, 제품 선택을 대신 결정해 주지는 않습니다.

Dynatrace는 라이프사이클의 개발 측면을 인수하고 있습니다

Dynatrace의 Arize 전략은 사전 릴리스 평가를 의존성 맥락을 중심으로 구축된 프로덕션 플랫폼과 연결해 Datadog를 공략합니다.

Dynatrace는 역사적으로 인과 분석을 강조해 왔습니다. Smartscape 기술은 애플리케이션, 인프라, 서비스, 네트워크 및 사용자 간의 관계를 매핑합니다. Grail 데이터 계층은 옵저버빌리티, 보안 및 비즈니스 정보를 통합합니다.

회사는 이러한 맥락이 팀이 단순히 어떤 지표가 변했는지가 아니라 인시던트가 왜 발생했는지를 이해하는 데 도움이 된다고 주장합니다. 나쁜 결과는 여러 의존성에 걸쳐 나타날 수 있으므로, 이 접근 방식은 에이전트 시스템에 적합합니다.

Dynatrace의 전용 AI Observability 앱은 이미 에이전트 실행 경로, 도구 호출, 모델 상호작용, 토큰 사용량, 비용, 지연 시간 및 오류를 추적합니다. 또한 텔레메트리 수집을 위한 개방형 규약을 제공하는 OpenTelemetry와 OpenLLMetry를 지원합니다.

에이전트 스택은 빠르게 변화하고 있으므로 개방형 계측은 중요합니다. 기업은 새 모델, 프레임워크 또는 프로토콜마다 독점 모니터링 통합이 필요해지는 상황을 원하지 않습니다.

Dynatrace는 Amazon Bedrock AgentCore, Strands Agents, LangChain, Google's Agent Development Kit, OpenAI Agents SDK 및 Model Context Protocol 워크플로우 지원을 명시합니다. 이러한 폭넓은 지원은 혼합 환경을 운영하는 기업의 마찰을 줄입니다.

Arize는 다른 요구를 충족합니다. AI 엔지니어는 데이터세트, 프롬프트, 모델 및 릴리스 후보를 선택하는 과정에서 평가 시스템을 사용합니다. 이들의 워크플로우는 운영 팀이 프로덕션 서비스를 받기 전에 시작됩니다.

따라서 제안된 결합은 지속적인 조직적 분리를 겨냥합니다. 개발 팀은 모델 동작과 응답 품질을 조사합니다. 운영 팀은 가용성, 애플리케이션 의존성 및 인프라 성능을 살펴봅니다.

이러한 활동을 하나로 묶으면 지속적인 개선 루프를 만들 수 있습니다. 프로덕션 장애는 평가 사례가 됩니다. 그에 따른 변경은 통제된 배포를 통해 다시 프로덕션에 반영되기 전에 테스트할 수 있습니다.

Dynatrace는 통합 플랫폼이 AI 동작을 비즈니스 영향과 연결할 것이라고 말합니다. 기술적 대리 지표가 실패를 가릴 수 있기 때문에 이는 중요한 주장입니다.

예를 들어, 에이전트는 평균 처리 시간을 줄이면서 재개된 지원 사례를 늘릴 수 있습니다. 코딩 에이전트는 변경 사항을 더 많이 생성하면서 롤백 비율을 높일 수 있습니다. 옵저버빌리티 플랫폼에는 활동과 가치를 구별할 수 있는 결과 데이터가 필요합니다.

Dynatrace는 상당한 모멘텀을 안고 이 경쟁에 뛰어들었습니다. 회사는 2027 회계연도 1분기 연간 반복 매출이 21억 3,600만 달러로, 전년 대비 17% 증가했다고 보고했습니다.

또한 분기 매출은 5억 5,500만 달러로 16% 증가했습니다. 분기 실적에 따르면 유기적 순신규 연간 반복 매출은 41% 성장했습니다.

Dynatrace는 고객들이 클라우드 네이티브 워크로드와 AI 이니셔티브를 확대하면서 수요가 증가하고 있다고 말합니다. 그러나 회사의 설명만으로는 AI 옵저버빌리티에서 직접 발생하는 매출이 얼마나 되는지 알 수 없습니다.

따라서 Arize 거래는 제품 결정이자 시장에 대한 베팅입니다. Dynatrace는 기술, 인재, 개발자 채택 및 시간을 위해 비용을 지불하고 있습니다.

통합 위험은 상당합니다. 엔터프라이즈 모니터링 플랫폼과 개발자 중심 평가 도구는 서로 다른 사용자를 대상으로 합니다. 인터페이스, 배포 방식, 릴리스 주기 및 구매 프로세스는 자동으로 맞물리지 않습니다.

Dynatrace는 Arize가 AI 엔지니어에게 지닌 매력을 유지하면서 이를 더 큰 플랫폼과 연결해야 합니다. 강제 마이그레이션이나 지나치게 복잡한 패키징은 개발자들을 독립적인 대안으로 밀어낼 수 있습니다.

또한 통합 데이터가 더 나은 의사결정을 만든다는 점을 보여줘야 합니다. 텔레메트리가 많다고 해서 이해도 자동으로 늘어나는 것은 아닙니다. 부실한 스키마, 불완전한 트레이스 및 일관성 없는 평가 기준은 모호한 증거의 집합만 더 크게 만들 수 있습니다.

승자는 품질, 비용 및 권한을 모니터링해야 합니다

결정적인 기능은 가장 보기 좋은 트레이스 그래프가 아니라, 에이전트의 행동을 수용 가능한 비즈니스 결과와 연결하는 능력입니다.

Datadog와 Dynatrace는 모두 실행 경로, 토큰 사용량, 오류 및 지연 시간을 표시할 수 있습니다. 이러한 기능은 지속적인 차별화 요소라기보다 기본 요건이 되고 있습니다.

더 어려운 문제는 성공을 정의하는 일입니다. 에이전트는 사용자를 만족시키지 못하면서도 워크플로우를 완료할 수 있습니다. 정확한 답변을 제공하면서도 정책을 위반할 수 있습니다. 품질을 높이면서 워크플로우의 경제성을 악화시킬 수도 있습니다.

품질 평가는 여전히 특히 어렵습니다. 규칙은 구조화된 출력, 필수 필드 및 알려진 사실을 검증할 수 있습니다. 개방형 글쓰기, 추론 및 추천에는 더 주관적인 판단이 필요합니다.

LLM-as-a-judge 평가는 확장성을 제공하지만, 의심 없이 받아들여지는 정답이 되어서는 안 됩니다. 판정 모델은 특정 문체를 선호하거나 미묘한 사실 오류를 놓치거나, 평가 대상 모델에 존재하는 편향을 재현할 수 있습니다.

보정과 고위험 사례에는 여전히 인간 검토가 필요합니다. 그러나 모든 실행을 검토하면 자동화의 경제적 근거 상당 부분이 사라집니다. 공급업체는 고객이 어떤 사례에 사람의 주의가 필요한지 판단하도록 도와야 합니다.

비용은 산정하기는 쉽지만 해석하기는 어렵습니다. 토큰 소비, 모델 수수료, 인프라 사용 및 외부 도구 호출은 모두 에이전트 운영 비용에 기여할 수 있습니다.

재시도 루프는 명백한 장애 없이도 지출을 부풀릴 수 있습니다. 더 비싼 모델도 작업을 안정적으로 완료하고 재작업을 줄인다면 경제적일 수 있습니다. 따라서 비용 모니터링에는 결과라는 분모가 필요합니다.

권한은 가장 큰 위험을 만듭니다. 에이전트는 고객 기록, 리포지터리, 금융 시스템 및 커뮤니케이션 도구에 접근할 수 있습니다. 옵저버빌리티는 에이전트가 무엇을 시도했는지, 어떤 권한을 사용했는지, 그리고 해당 행동이 승인되었는지를 기록해야 합니다.

민감한 워크플로우에서는 완료 후 안전하지 않은 행동을 기록하는 것만으로 충분하지 않습니다. 기업은 점점 더 정책 집행, 취소 가능한 접근 권한, 사람의 승인 및 복구 가능한 실행을 요구하게 될 것입니다.

이 요구 사항은 옵저버빌리티, 보안, 거버넌스 및 런타임 제어 간의 경계를 흐립니다. Datadog와 Dynatrace는 서로와만 경쟁하는 것이 아닙니다. 평가, 에이전트 게이트웨이, 보안, 트레이싱 및 워크플로우 오케스트레이션에 집중하는 전문 업체들과도 맞서고 있습니다.

OpenTelemetry는 수집 계층에서의 공급업체 종속을 줄일 수 있습니다. 하지만 모든 평가 점수나 비즈니스 결과를 표준화할 수는 없습니다. 공급업체들은 여전히 데이터 모델, 상관관계 및 자동화된 권고에 대해 서로 다른 선택을 하게 될 것입니다.

따라서 구매자에게는 회의적인 질문이 남습니다. 통합 플랫폼이 더 많은 것을 드러내는가, 아니면 단지 더 많은 데이터를 중앙화하는가?

답은 조직마다 다를 것입니다. 이미 Datadog를 표준화한 기업은 빠른 배포와 익숙한 워크플로우를 중시할 수 있습니다. 대규모 하이브리드 기업은 Dynatrace의 의존성 모델과 인과 분석을 선호할 수 있습니다.

AI 네이티브 팀은 계속해서 전문 평가 도구를 선택할 수 있습니다. 이후 선택된 텔레메트리를 더 광범위한 모니터링 플랫폼으로 전송할 수 있습니다. Dynatrace의 Arize 인수는 그 전문 계층이 분리된 상태로 남는 것을 방지하려는 시도입니다.

어느 공급업체도 에이전트 신뢰성을 입증하는 보편적 방법을 확립하지 못했습니다. 이들의 제품은 증거를 수집하고, 테스트를 실행하며, 이상 징후를 강조할 수 있습니다. 하지만 고객은 여전히 수용 가능한 동작과 의미 있는 결과를 정의해야 합니다.

위험은 AI 옵저버빌리티가 운영상 책임성 없이 매력적인 대시보드의 모음이 되는 데 있습니다. 성공적인 배포는 모든 중요한 점수를 의사결정, 책임자, 임계값 및 대응 조치와 연결할 것입니다.

Datadog와 Dynatrace의 경쟁을 결정할 세 가지 신호

다음 단계는 통합, 측정 가능한 도입, 그리고 기업이 이들 플랫폼에 부여하는 통제 수준으로 평가될 것입니다.

첫 번째 신호는 Dynatrace의 Arize 인수 완료와 제품 통합입니다. 거래 종결은 시험의 시작일 뿐입니다. 구매자는 트레이스, 데이터세트, 평가 및 프로덕션 인시던트가 두 환경 간에 얼마나 빠르게 이동하는지 지켜봐야 합니다.

일관된 워크플로우는 Dynatrace의 라이프사이클 논지를 강화할 것입니다. 분리된 인터페이스, 중복 데이터 또는 불명확한 제품 소유권은 이를 약화시킬 것입니다. Arize와 Phoenix를 중심으로 한 개발자 유지율도 또 다른 유용한 신호가 될 것입니다.

두 번째 신호는 두 공급업체가 공개하는 고객 도입입니다. 일반적인 매출 성장은 맥락을 제공하지만, 에이전트 옵저버빌리티 수요를 분리해 보여주지는 못합니다.

유용한 증거에는 모니터링 중인 프로덕션 에이전트 수, 평가를 사용하는 워크로드, 고객당 연결된 제품 수, AI와 연계된 고객 확장이 포함될 것입니다. 사례 연구는 에이전트 수만이 아니라 측정된 결과를 제시해야 합니다.

세 번째 신호는 관찰에서 거버넌스가 적용된 행동으로의 이동입니다. 두 회사는 모두 인시던트를 조사하고 운영을 지원할 수 있는 에이전트를 구축하고 있습니다. 고객은 이러한 시스템이 변경을 권고할 수 있는지, 승인된 단계를 실행할 수 있는지, 또는 자율적으로 행동할 수 있는지를 결정해야 합니다.

읽기 전용 분석은 더 낮은 신뢰 부담을 수반합니다. 자동화된 복구 조치에는 완전한 감사 추적, 제한된 권한, 롤백 메커니즘, 그리고 에이전트가 실수했을 때의 명확한 책임이 필요합니다.

거버넌스가 적용된 행동의 진전은 옵저버빌리티 플랫폼이 엔터프라이즈 에이전트의 제어 플레인이 될 수 있다는 주장을 강화할 것입니다. 지속적인 망설임은 모니터링의 가치는 유지되지만 자율성은 신뢰의 경계에 도달했음을 시사할 것입니다.

엔터프라이즈 구매자는 기능 체크리스트만으로 플랫폼을 선택해서는 안 됩니다. 하나의 프로덕션 워크플로우에서 시작해 수용 가능한 품질, 비용, 지연 시간, 권한 및 비즈니스 결과를 정의해야 합니다.

그런 다음 플랫폼이 장애를 재구성하고, 원인을 식별하며, 제안된 수정안을 비교하고, 회귀를 방지할 수 있는지 테스트해야 합니다. 이 과정은 세련된 시연이 감출 수 있는 공백을 드러냅니다.

Datadog AI agent monitoring은 현재 이미 해당 플랫폼을 사용하는 조직에 강력한 프로덕션 우선 경로를 제공합니다. Dynatrace는 평가와 운영이 하나의 라이프사이클이 되어야 한다는 더 큰 베팅을 하고 있습니다.

승자는 예측하기 어려운 에이전트 동작을 팀이 신뢰하고 행동으로 옮길 수 있는 증거로 전환하는 공급업체가 될 것입니다. 구매자에게 당장의 질문은 더 단순합니다. 모니터링 시스템이 에이전트가 실행되었는지뿐 아니라, 올바른 일을 했는지도 설명할 수 있습니까?