Datadog AI 자동화는 위험을 겨냥하지만, 기업은 여전히 통제권을 쥐고 있다

Datadog AI 자동화는 소프트웨어가 핵심 시스템 내부에서 독립적으로 행동하도록 허용하는 데 대한 기업의 주저에도 불구하고 대시보드를 넘어 확장되고 있다. 이 회사는 이제 관측 가능성, 보안, 자동화된 복구를 증가하는 운영 위험에 대응하는 하나의 해법으로 제시한다. 이러한 제안은 대규모 조직이 레거시 인프라와 아웃소싱 운영을 병행하며 클라우드 서비스를 관리하는 경우가 많은 호주에서 특히 관련성이 높다.

이 변화는 Datadog의 역할을 바꾼다. 전통적으로 관측 가능성은 애플리케이션이 느려지거나 실패하거나 경고를 발생시킨 뒤 엔지니어가 무슨 일이 일어났는지 이해하도록 도왔다. Datadog은 이제 자사 소프트웨어가 실시간 운영 맥락을 활용해 인시던트를 조사하고, 대응 방안을 권고하며, 승인된 조치를 수행하기를 원한다.

쟁점은 인공지능이 경고를 요약할 수 있는지 여부가 아니다. 책임성, 보안, 사람의 감독을 유지하면서 기업이 AI 에이전트에 프로덕션 접근 권한을 신뢰하고 맡길 것인지가 핵심이다. Splunk, Dynatrace, 클라우드 제공업체, 보안 벤더도 비슷한 기회를 추구하고 있어, Datadog은 통합된 맥락이 더 안전한 자동화를 만든다는 점을 입증해야 한다.

Datadog AI 자동화, 답변에서 조치로 이동

Datadog은 자사 모니터링 플랫폼을 기업 AI 에이전트를 위한 통제된 운영 계층으로 전환하고 있다.

회사의 확장은 관측 가능성 데이터, 보안 신호, 워크플로 자동화, 생성형 AI의 결합에 기반한다. 관측 가능성이란 애플리케이션, 인프라, 네트워크, 사용자 경험 및 기타 기술 시스템에 대한 정보를 수집하고 연결하는 것을 의미한다.

Datadog의 호주 및 뉴질랜드 지역 부사장인 Roz Gregory는 이러한 융합을 비용, AI 안전성, 규정 준수를 관리할 기회로 설명했다. ANZ enterprise interview에서 그녀는 분절된 기술 스택이 별도 도구를 통해 이러한 우선순위를 해결하기 어렵게 만든다고 주장했다.

Gregory에 따르면 Datadog은 두 개의 제품에서 30개 이상으로 확장했다. 현재 이 플랫폼은 인프라, 애플리케이션, 소프트웨어 제공, 디지털 경험, 데이터, 보안 및 AI 워크로드를 포괄한다.

이러한 폭넓은 범위는 자동화된 인시던트 처리에 맥락이 필요하기 때문에 중요하다. 에이전트는 고립된 하나의 지표만으로 실패한 결제를 안전하게 진단할 수 없다. 애플리케이션 추적, 인프라 상태, 최근 배포, 보안 이벤트, 데이터베이스 동작, 고객 대상 성능 데이터가 필요하다.

Bits AI는 개발, 보안 및 운영 작업을 위한 Datadog의 에이전트 제품군이다. Datadog은 이 에이전트들이 인시던트를 조사하고, 관련 텔레메트리를 분석하며, 정의된 통제 범위 내에서 팀의 조치를 지원할 수 있다고 말한다.

회사는 2026년 6월 DASH 콘퍼런스에서 이 전략을 확장했다. 100-plus product launch에는 새로운 Bits AI 기능, 에이전트 빌더, AI 보안 통제, 기업 데이터 관리를 위한 추가 옵션이 포함됐다.

Bits Agent Builder를 통해 팀은 Datadog 내부에서 특화된 에이전트를 만들 수 있다. 이러한 에이전트는 고객이 설정한 경계 안에서 복구, 보고, 표준 적용을 지원할 수 있다.

Agent Console은 관련된 관리 문제를 다룬다. Datadog은 조직이 Claude Code, Cursor, GitHub Copilot 같은 도구를 관찰하도록 지원한다고 말한다. 관리자는 에이전트 활동을 보이지 않는 계층으로 취급하는 대신 사용량, 작업, 결과 및 지출을 검토할 수 있다.

Datadog은 2026년 3월 Model Context Protocol 서버도 정식 출시했다. MCP는 AI 애플리케이션이 승인된 도구와 데이터 소스에 접근할 수 있도록 하는 표준 인터페이스다.

governed agent access는 외부 코딩 에이전트와 개발 환경을 실시간 Datadog 텔레메트리와 연결한다. 회사는 이 연결을 AI 지원 업무에 운영 증거를 가져오면서 권한과 거버넌스를 유지하는 방식으로 제시한다.

이 아키텍처는 이 글의 핵심 긴장을 만든다. 에이전트가 프로덕션 문제를 진단하도록 돕는 바로 그 접근 권한이 잘못되었거나 조작된 조치의 결과를 키울 수 있다.

모니터링 데이터를 읽는 에이전트는 한 수준의 위험을 제시한다. 탐지 규칙을 변경하고, 티켓을 생성하고, 조사 결과를 억제하거나, 복구를 시작하는 에이전트는 또 다른 수준의 위험을 제시한다.

따라서 Datadog이 판매하는 것은 더 빠른 인시던트 대응만이 아니다. AI가 통합된 기술 맥락의 단일 소스와 확립된 통제를 통해 작동할 때 자동화가 수용 가능해진다는 주장도 함께 판매하고 있다.

이 주장은 이제 조달 검토, 보안 테스트, 실제 프로덕션 장애를 견뎌내야 한다.

호주의 하이브리드 시스템이 위험을 높인다

호주 기업은 깨끗한 기술 기반 위에서 자동화를 도입하는 것이 아니다.

많은 대규모 조직은 퍼블릭 클라우드 서비스, 서비스형 소프트웨어 애플리케이션, AI 시스템을 추가하면서도 전통적 인프라를 계속 운영하고 있다. 아웃소싱 계약은 책임과 접근 통제의 계층을 하나 더 추가한다.

이 환경은 분절된 증거를 만든다. 하나의 인시던트는 애플리케이션 코드, 클라우드 인프라, ID 시스템, 외부 제공업체, 물리 또는 가상 네트워크를 가로지를 수 있다.

팀은 이 경로의 각 부분에 서로 다른 제품을 사용하는 경우가 많다. 이러한 제품은 원인과 비즈니스 영향을 규명할 만큼 충분한 맥락을 공유하지 않은 채 중복되는 경고를 생성할 수 있다.

Gregory는 도구가 과도하게 많은 환경이 AI 안전성과 복잡성을 관리하기 더 어렵게 만든다고 주장한다. 그녀의 입장은 Datadog의 상업적 방향을 뒷받침하지만, 기업은 통합이 위험을 줄이는지 아니면 단지 위험을 집중시키는지 계속 검증할 것이다.

당장의 압박은 기술 운영, 보안 팀, 위험 관리 책임자에게 가해진다. 이들은 데이터, 자격 증명, 규정 준수 증거 또는 프로덕션 변경에 대한 통제력을 잃지 않으면서 더 빠른 소프트웨어 제공을 지원해야 한다.

개발자도 압박을 받는다. 코딩 에이전트는 소프트웨어를 더 빠르게 생성하고 수정할 수 있지만, 이러한 속도는 검토, 테스트 및 배포 시스템으로 유입되는 변경의 양을 늘린다.

보안 팀은 악용 가능한 문제와 우선순위가 낮은 조사 결과를 구분해야 한다. 운영 팀은 장애가 코드, 인프라, 용량, 데이터 또는 AI 모델 제공업체에서 비롯됐는지 파악해야 한다.

Datadog 자체 연구는 운영상 문제를 보여준다. AI engineering data는 AI 모델 요청의 약 5%가 프로덕션에서 실패한 것으로 나타났다.

회사에 따르면 이러한 실패의 거의 60%는 용량 제한에서 비롯됐다. Datadog은 프로덕션에서 대규모 언어 모델을 운영하는 수천 명의 고객으로부터 익명화된 사용 데이터를 분석했다.

이 보고서는 조직의 69%가 최소 세 개의 모델을 사용한 것으로도 나타났다. 에이전트 프레임워크 도입은 전년 대비 두 배로 증가했으며, 각 요청과 함께 전송되는 평균 데이터 양도 늘어났다.

이러한 결과는 Datadog의 고객 환경에서 나온 것이므로 모든 기업의 전수 조사로 받아들여서는 안 된다. 그럼에도 Datadog이 자사 플랫폼으로 관리하려는 복잡성의 유형을 보여준다.

여러 모델은 더 많은 라우팅 결정, 장애 모드, 사용량 제한 및 벤더 의존성을 만든다. 에이전트는 결정론적 애플리케이션 로직이 아니라 모델 출력에 따라 다음 조치가 달라질 수 있는 워크플로를 추가한다.

호주의 거버넌스 환경은 또 다른 요구 사항을 더한다. 연방 정부의 AI adoption guidance는 책임성, 위험 관리, 데이터 거버넌스, 테스트, 모니터링, 의미 있는 사람의 감독을 요구한다.

이 지침은 호주의 자발적 AI 안전 표준에서 발전했다. 그 자체로 새로운 법적 의무를 만들지는 않지만, 조직이 현재 의무와 향후 가능한 요건에 대비하도록 돕는다.

여러 관행은 관측 가능성과 밀접하게 맞닿아 있다. 조직은 배포된 AI 시스템을 모니터링하고, 위험을 문서화하며, 통제를 재평가하고, 행동 또는 의도된 사용의 변화를 추적해야 한다.

그러나 텔레메트리를 수집한다고 해서 이러한 의무가 자동으로 충족되는 것은 아니다. 대시보드는 조직의 위험 허용 수준을 결정하거나, 영향을 받는 이해관계자를 식별하거나, 유해한 결과에 대한 책임을 배정할 수 없다.

이 구분은 Datadog의 제안에 중요하다. 플랫폼은 운영 증거, 접근 통제 및 기술적 모니터링을 제공할 수 있다. 하지만 기업 리더는 여전히 에이전트가 어떤 조치를 취할 수 있는지와 그 결과에 누가 책임을 질지를 정의해야 한다.

따라서 호주 시장은 기회이자 어려운 시험대다. 하이브리드 환경은 통합 가시성에 대한 수요를 만들지만, 규제와 제도적 신중함은 고객이 자율적 조치를 허용하는 속도를 제한한다.

통합된 맥락은 Datadog의 핵심 베팅이다

Datadog은 더 폭넓은 텔레메트리를 보유한 에이전트가 하나의 특화 도구 안에 갇힌 지원 도구보다 더 안전하게 행동할 수 있다고 본다.

운영 에이전트는 기술 스택 전반에 흩어진 증거에서 원인을 재구성해야 한다. Datadog 플랫폼은 이미 모니터링과 문제 해결을 위해 그 증거의 상당 부분을 수집한다.

회사는 에이전트에 애플리케이션 추적, 로그, 인프라 지표, 배포 이벤트, 클라우드 보안 조사 결과 및 조직 지식에 대한 접근 권한을 제공할 수 있다. Datadog은 이러한 맥락이 Bits AI가 그렇지 않으면 수동 조사가 필요한 신호를 연결하는 데 도움을 준다고 말한다.

Winning Group은 구체적인 사례를 제공한다. 이 호주 소매업체는 고객 대면 주요 스토어프론트 역할을 하는 웹사이트를 운영하는 Winning Appliances와 Appliances Online을 보유하고 있다.

기술 관리자 Nick Rivett는 회사가 엔지니어링 부서 밖에서도 성능 정보에 접근할 수 있도록 하기 위해 Datadog을 도입했다고 말했다. 공유 대시보드를 통해 더 많은 직원이 엔지니어가 모든 지표를 해석해 줄 때까지 기다리지 않고 변화를 검토할 수 있다.

Winning Group은 Bits AI와 Datadog의 MCP 기능도 사용한다. Rivett는 사람이 몇 시간 동안 조사했던 인시던트에서 Bits AI가 약 10분 만에 증거를 연결했다고 설명했다.

이 사례는 독립적인 벤치마크가 아니라 고객의 보고다. 그럼에도 에이전트에 즉시 무제한 권한을 부여하지 않고도 Datadog AI 자동화가 가치를 창출할 수 있는 지점을 보여준다.

더 빠른 조사는 경고와 신뢰할 수 있는 설명 사이의 시간을 줄인다. 이후 사람은 증거를 검토하고 대응 방안을 선택할 수 있다.

Flowstate는 또 다른 운영 사례를 제시한다. 이 호주 기업은 서퍼를 촬영하고 영상을 처리해 고객이 세션 직후 영상을 받을 수 있도록 한다.

녹화 시간 누락은 고객 영상의 손실을 의미할 수 있으므로 다운타임은 제품에 직접 영향을 미친다. Flowstate는 Datadog을 사용해 실시간 비디오 인프라를 모니터링하고 성능 병목을 식별한다.

비디오가 초당 30프레임의 4K에서 초당 60프레임의 4K로, 다시 초당 60프레임의 6K로 전환되면서 처리 수요도 증가했다. 각 증가는 데이터와 처리 부담을 더한다.

이 사례는 연결된 텔레메트리가 중요한 이유를 보여준다. 성능 문제는 카메라, 네트워크, 컴퓨팅 리소스, 스토리지, 애플리케이션 코드 또는 처리 서비스에서 비롯될 수 있다.

애플리케이션 로그만 검토하는 에이전트는 불완전한 시스템을 보게 된다. Datadog의 강점은 오해를 부르는 확신을 만들지 않으면서 유용한 관계를 식별할 만큼 충분한 시스템 요소를 자사 플랫폼이 상관 분석할 수 있는지에 달려 있다.

회사의 상업적 성장세는 이 전략을 추진할 자원을 제공한다. Datadog는 2026년 2분기 매출이 11억 2,000만 달러로, 전년 동기 대비 36% 증가했다고 발표했다.

2분기 실적에 따르면 연간 반복 매출이 최소 10만 달러인 고객은 약 4,720곳이었다. 이는 1년 전 약 3,850곳에서 증가한 수치다.

Datadog는 해당 분기 영업활동 현금흐름이 3억 1,600만 달러, 잉여현금흐름이 2억 7,900만 달러였다고도 밝혔다. 6월 말 기준 현금, 현금성 자산 및 시장성 유가증권은 50억 달러였다.

이 수치가 고객이 자율 운영을 수용했다는 사실을 입증하는 것은 아니다. 다만 Datadog가 상당한 규모의 엔터프라이즈 고객 기반과, 이미 구축된 플랫폼 전반에 AI 기능을 추가할 재무 역량을 갖추고 있음을 보여준다.

이러한 유통 측면의 이점은 중요하다. 기업은 별도의 권한과 데이터 파이프라인을 갖춘 또 하나의 에이전트를 도입하기보다, 이미 사용 중인 모니터링 시스템에 연결된 자동화를 선호할 수 있다.

플랫폼 관계는 전환 압력도 만든다. 고객이 한 시스템에 더 많은 운영 이력, 워크플로, 대시보드, 보안 제어를 유지할수록 그 시스템을 대체하기는 더 어려워진다.

Datadog는 이 장점과 통합으로 인해 발생하는 우려 사이에서 균형을 맞춰야 한다. 통합 플랫폼은 연동 작업을 줄일 수 있지만, 장애, 설정 오류 또는 보안 사고가 발생할 경우 영향 범위가 더 넓어질 수 있다.

따라서 그 메커니즘은 실행이 어렵더라도 단순하다. Datadog는 컨텍스트를 수집하고, 이를 통제된 에이전트에 제공하며, 자동화를 통해 조사와 대응 시간을 단축한다.

성공 여부는 컨텍스트의 품질, 권한 설계, 그리고 진단 이후 수행되는 모든 조치의 신뢰성에 달려 있다.

자동화가 새로운 통제 문제를 만든다

가장 큰 장애물은 Bits AI가 사고 원인을 찾아낼 수 있는지가 아니다. 분석이 틀렸을 때 기업이 에이전트를 제약할 수 있는지다.

기존 모니터링 도구는 사람에게 경고를 보낸다. 자율 시스템은 조치도 시작할 수 있어, 잘못된 결론이나 침해된 지시로 인한 잠재적 영향이 더 커진다.

부정확한 요약은 시간을 낭비하게 한다. 부정확한 인프라 변경은 서비스를 중단시키거나, 보안 제어를 약화하거나, 이후 조사에 필요한 증거를 삭제할 수 있다.

프롬프트 인젝션도 또 다른 위험을 만든다. 프롬프트 인젝션은 숨겨진 지시 또는 악의적인 지시가 AI 시스템을 조작해 의도된 규칙을 무시하게 만드는 현상이다.

Datadog는 에이전트 활동 전반에서 의심스러운 행동을 탐지하기 위해 AI Guard를 도입했다. 회사는 이 기능이 에이전트 추적과 상태 기반 행동 분석을 결합한다고 설명한다. 이는 하나의 프롬프트와 응답만 검토하는 대신 여러 단계에 걸친 행동을 분석하는 방식이다.

이 차이는 에이전트 공격이 시간에 걸쳐 전개될 수 있기 때문에 중요하다. 겉보기에는 무해한 입력이 에이전트로 하여금 민감한 정보를 가져오거나, 외부 서비스를 호출하거나, 몇 단계 뒤에 무단 조치를 수행하게 만들 수 있다.

AI Guard에 관한 Datadog의 주장은 고객과 독립 연구자들이 다양한 프로덕션 환경에서 이를 검증하기 전까지는 회사 측 주장에 머문다. 어떤 행동 탐지기라도 모든 유해한 지시를 식별할 수 있다고 보장할 수는 없다.

따라서 권한 경계는 필수적이다. 에이전트에는 정의된 작업에 필요한 접근 권한만 부여해야 하며, 민감한 조치에는 추가 승인이 필요해야 한다.

기업은 에이전트가 무엇을 관찰하고, 추론하고, 변경했는지에 대한 완전한 기록도 필요하다. 이 기록이 없으면 팀은 장애를 재구성하거나 책임 소재를 판단할 수 없다.

인간 감독이 불투명한 프로세스의 마지막에 형식적인 승인 버튼을 두는 것을 의미해서는 안 된다. 검토자는 제안된 조치와 그 예상 효과를 이해할 수 있을 만큼 충분한 컨텍스트를 확보해야 한다.

자동화의 속도는 이 요구사항에 역행할 수 있다. 에이전트가 수백 건의 권고안을 생성하면 사람들은 이를 기계적으로 승인해, 실질적인 검토 없이 통제가 이뤄지는 것처럼 보이게 할 수 있다.

Datadog는 자체 통합 범위가 만들어내는 위험도 관리해야 한다. 프로덕션 텔레메트리, 보안 탐지 결과, 개발자 도구, 복구 워크플로에 연결된 플랫폼은 매력적인 공격 대상이 된다.

회사는 인증, 권한 부여, 감사 로그, 데이터 제어, 워크로드 격리를 통해 이러한 위험을 줄일 수 있다. 고객은 이러한 제어를 올바르게 구성하고, 팀과 시스템이 변화함에 따라 이를 유지해야 한다.

데이터 레지던시는 규제 대상 조직의 또 다른 우려 사항이다. Datadog의 Bring Your Own Cloud 옵션은 플랫폼의 일부를 고객이 통제하는 환경에 배치하고 고객의 객체 스토리지를 사용함으로써 이에 대응한다.

이 설계는 기업이 증가하는 로그 볼륨을 더 많이 통제하는 데 도움이 될 수 있다. 다만 메타데이터, 지원 접근, 구성 또는 연결된 서비스와 관련된 모든 거버넌스 문제를 없애지는 못한다.

비용도 도입을 늦출 수 있다. 옵저버빌리티 시스템은 방대한 양의 텔레메트리를 처리하며, AI 워크로드는 새로운 로그, 트레이스, 프롬프트, 응답, 에이전트 이벤트를 생성할 수 있다.

고객은 무엇을 보존하고, 인덱싱하고, 분석하고, 폐기할지 결정해야 한다. 과도한 필터링은 에이전트에 필요한 증거를 숨길 수 있고, 무차별적인 수집은 비용을 늘리고 민감한 데이터를 노출할 수 있다.

측정 문제도 있다. 더 빠른 조사가 반드시 더 안전한 운영으로 이어지는 것은 아니며, 더 많은 자동화 조치가 반드시 더 나은 비즈니스 결과를 낳는 것도 아니다.

신뢰할 수 있는 배포는 사고 지속 시간, 재발, 잘못된 권고, 되돌린 조치, 승인 비율, 보안 예외를 추적해야 한다. 또한 에이전트가 해결한 사고와 에이전트가 혼란을 가중한 사고를 구분해야 한다.

Datadog의 Agent Console은 코딩 에이전트에 대해 이러한 유형의 평가를 시사한다. 기업은 모든 자동화 운영 워크플로 전반에서 유사한 규율이 필요하다.

회사의 전략은 AI를 실제 시스템 증거와 연결한다는 점에서 여전히 유망하다. 해결되지 않은 질문은 이 연결이 신뢰할 수 있는 판단을 만들어내는지, 아니면 단지 더 빠른 활동만 만들어내는지다.

Datadog는 치열한 플랫폼 경쟁에 직면해 있다

Datadog의 진정한 경쟁 상대는 분절된 엔터프라이즈 도구 환경이지만, 경쟁 플랫폼들도 같은 통합 논리를 제시하고 있다.

조직들은 수년간 전문화된 모니터링, 보안, 티켓팅, 클라우드 관리, 개발자 제품을 조합해 왔다. Datadog는 이러한 기능 중 더 많은 부분을 하나의 데이터 및 자동화 계층 안에서 연결하려 한다.

이 제안은 사고의 일부만 소유한 기존 도구에 압박을 가한다. 또한 경보, 조사, 복구 시스템 사이의 맞춤형 통합을 유지하는 엔지니어링 팀에도 압박을 준다.

그러나 Datadog가 통합 옵저버빌리티나 AI 지원 운영을 독점적으로 주장할 수 있는 것은 아니다. Dynatrace, Splunk, New Relic, ServiceNow, Microsoft, Google Cloud, Amazon Web Services 모두 AI를 운영 데이터와 연결하고 있다.

클라우드 제공업체는 자체 환경 내에서 구조적 이점을 갖는다. 이들은 에이전트를 인프라 제어, ID 서비스, 보안 제품, 청구 데이터와 연결할 수 있다.

서비스 관리 업체는 승인 프로세스, 티켓, 자산 인벤토리, 엔터프라이즈 워크플로를 보유한다. 보안 업체는 전문적인 위협 정보와 대응 역량을 갖추고 있다.

Datadog의 방어 논리는 혼합 환경 전반의 중립성이다. 대규모 조직이 하나의 클라우드, 하나의 프로그래밍 언어 또는 하나의 보안 제품만 운영하는 경우는 드물다.

광범위하게 통합된 옵저버빌리티 계층은 이러한 경계를 넘나들며 행동을 비교할 수 있다. Datadog는 애플리케이션 및 인프라 텔레메트리를 활용해 기술적 장애를 고객 경험과 연결할 수도 있다.

그러나 중립성에는 한계가 있다. 모든 외부 시스템은 통합 경계, 권한 모델, 그리고 가능한 지연을 도입한다. 클라우드 제공업체는 독립 플랫폼이 API를 통해서만 수신하는 네이티브 정보에 접근할 수 있다.

MCP와 같은 개방형 표준은 통합 마찰을 줄일 수 있다. 동시에 고객이 같은 도구에 경쟁 에이전트를 연결하기도 더 쉽게 만들 수 있다.

이는 Datadog가 컨텍스트, 추론, 제어, 사용자 경험의 품질로 경쟁해야 한다는 뜻이다. 단순히 MCP를 지원하는 것만으로는 지속적인 우위를 유지할 수 없다.

회사는 확대되는 제품군이 통합된 경험으로 느껴진다는 점도 입증해야 한다. 팀이 또 하나의 복잡성 계층을 만들지 않고 결합된 플랫폼을 탐색할 수 있을 때에만 공급업체 수를 줄이는 것이 도움이 된다.

엔터프라이즈 구매자는 경고가 일관된 데이터 모델을 공유하는지, 권한이 제품 전반에서 작동하는지, 자동화 조치가 감사 가능성을 유지하는지를 검토할 것이다. 또한 데이터 소비가 계약상 약정에 미치는 영향도 고려할 것이다.

보안 리더는 고위험 조사에는 전문 제품을 선호할 수 있다. 운영 팀은 애플리케이션 장애를 진단하는 데 필요한 텔레메트리를 이미 포함하고 있다는 이유로 Datadog를 선호할 수 있다.

이러한 선호는 점진적인 도입으로 이어질 수 있다. 고객은 AI가 생성한 요약으로 시작한 뒤 티켓 생성, 저위험 복구, 그리고 더 중대한 조치를 허용할 수 있다.

이러한 진행은 자율 운영으로의 급격한 전환이라는 생각에 도전한다. 엔터프라이즈 도입은 신뢰의 사다리를 따를 가능성이 더 높다.

성공적인 조치 하나하나는 더 폭넓은 권한을 정당화할 수 있다. 잘못된 진단이나 예기치 않은 변경 하나하나는 프로그램을 권고 전용 사용으로 되돌릴 수 있다.

Datadog의 기회는 이 사다리를 측정 가능하게 만드는 데 있다. 구매자는 에이전트가 언제 더 많은 권한을 받을 자격이 있는지, 언제 접근 권한이 제한적으로 유지돼야 하는지를 보여주는 증거를 필요로 한다.

이 경쟁의 승자가 반드시 가장 자율적인 시연을 제공하는 것은 아닐 것이다. 유용한 지원에서 책임 있는 조치에 이르는 가장 명확한 경로를 제공하는 기업이 승자가 될 것이다.

기업이 다음으로 주목해야 할 사항

Datadog가 자동화 전략을 신뢰받는 엔터프라이즈 운영으로 전환할 수 있는지를 보여줄 세 가지 신호가 있다.

첫 번째 신호는 프로덕션 권한의 확대다. Datadog는 이미 보안 도구 세트의 일부에서 MCP 기능을 읽기 전용 접근 범위를 넘어 확장했다.

중요한 질문은 고객이 이러한 기능을 어떻게 사용하는지다. 티켓 생성과 권고안 생성은 규칙 변경, 억제 또는 자동 복구와는 다른 위험을 수반한다.

반복 가능한 프로덕션 배포의 증거는 Datadog의 주장을 강화할 것이다. 이러한 배포에는 권한 경계, 승인 요건, 감사 기록, 문서화된 롤백 프로세스가 포함돼야 한다.

몇 건의 극적인 사고 사례만으로는 충분하지 않다. 구매자는 잘못된 조치, 에스컬레이션 비율, 절감된 시간, 서로 다른 환경에서의 결과를 포괄하는 집계된 증거를 필요로 한다.

두 번째 신호는 Datadog의 더 큰 고객 기반 전반에서의 도입이다. 연간 반복 매출이 최소 10만 달러인 4,720개 고객은 중요한 유통 채널을 의미한다.

향후 재무 보고는 AI 기능이 기존 고객의 제품 사용 수를 늘리는지 보여줄 수 있다. 경영진의 설명은 Bits AI와 Agent Builder가 새로운 엔터프라이즈 계약을 뒷받침하는지도 보여줄 수 있다.

매출 성장만으로는 이 질문에 답할 수 없다. Datadog는 많은 제품을 판매하며, 고객은 에이전트에 더 넓은 운영 권한을 부여하지 않아도 지출을 늘릴 수 있다.

더 강력한 신호는 상업적 확장과 공개된 사용 현황을 결합하는 것이다. Datadog는 몇 개 고객이 Bits AI를 프로덕션에서 운영하는지, 에이전트가 어떤 조치를 수행하는지, 어떤 경우에 인간 승인이 여전히 의무적인지를 보고할 수 있다.

제한적인 공개는 구매자가 선별된 고객 사례에 의존하게 만들 것이다. 투명한 운영 지표는 회사의 주장을 더 쉽게 평가할 수 있게 한다.

세 번째 신호는 규제 당국과 엔터프라이즈 거버넌스 팀의 대응이다. 호주의 가이드라인은 지속적인 위험 평가, 테스트, 모니터링, 책임성, 인간 통제를 강조한다.

조달 프로세스는 이러한 원칙을 기술적 질문으로 전환할 것이다. 구매자는 Datadog가 접근 권한, 민감한 데이터, 모델 변경, 타사 구성 요소, 사고 기록, 에이전트 행동을 어떻게 처리하는지 물을 것이다.

고위험 AI에 대한 새로운 의무 요건은 증거와 모니터링 수요를 늘릴 것입니다. 또한 Datadog와 고객이 에이전트 활동을 특정 통제 수단에 연결하지 못한다면 배포 속도를 늦출 수도 있습니다.

이 신호에서는 경쟁사의 대응도 중요합니다. 경쟁 플랫폼들은 거버넌스, 데이터 레지던시, 자율 운영에 대한 각자의 접근 방식을 제시할 것입니다.

경쟁 제품이 더 명확한 통제 모델을 제공한다면 Datadog의 폭넓은 텔레메트리 우위는 설득력을 덜 갖게 됩니다. 반대로 이들이 여전히 파편화돼 있다면 Datadog의 통합 전략은 더 매력적으로 보일 것입니다.

엔터프라이즈 팀은 자율성을 이분법적 결정으로 다뤄서는 안 됩니다. 행동을 영향도별로 분류하고, 제한된 환경에서 에이전트를 테스트하며, 성과가 이를 뒷받침할 때에만 권한을 확대할 수 있습니다.

또한 사람이 읽을 수 있는 기록을 보존해야 합니다. AI knowledge base는 팀이 의사결정, 인시던트 맥락, 운영상의 교훈을 유지하는 데 도움이 될 수 있지만, 기술 감사 로그를 대체하지는 않습니다.

Datadog AI 자동화는 궁극적으로 제품 확장으로 위장된 거버넌스의 이야기입니다. 고객 사례에 따르면 이 기술은 수 시간에 걸친 조사를 몇 분으로 단축할 수 있습니다.

더 어려운 과제는 에이전트가 시스템을 오해하거나 조작된 데이터를 접하거나 의도된 역할을 넘어설 때에도 더 빠른 조치가 안전하다는 점을 입증하는 것입니다.

Datadog는 이 가설을 대규모로 검증할 수 있는 플랫폼 도달 범위, 엔터프라이즈 고객 기반, 재무 자원을 갖추고 있습니다. 이제 기업은 가시성을 자율성과 맞바꾸기 전에 측정 가능한 증거를 요구해야 합니다.

귀사의 조직은 오늘날 에이전트가 어떤 운영 조치를 수행하도록 신뢰할 수 있으며, 다음 단계의 접근 권한을 부여하려면 어떤 증거가 필요할까요?