Monitoring agentów AI Datadog staje wobec zakładu Dynatrace o Arize wartego 915 mln dolarów
Monitoring agentów AI Datadog mierzy się teraz z wyraźniejszym wyzwaniem po tym, jak Dynatrace zgodziło się przejąć Arize w transakcji wycenianej na 915 mln dolarów. Umowa przekształca rozwijającą się kategorię produktów w bezpośrednią rywalizację dwóch uznanych dostawców rozwiązań obserwowalności.
Obie firmy chcą stać się systemem, z którego przedsiębiorstwa korzystają do analizowania agentów AI, oceny ich wyników, kontrolowania kosztów i badania awarii. Podchodzą jednak do tej szansy z różnych pozycji. Datadog rozszerza swoją platformę monitorowania chmury o rozwój agentów, podczas gdy Dynatrace kupuje głębsze kompetencje w zakresie ewaluacji.
Moment ma znaczenie, ponieważ agenci tworzą problemy operacyjne, których zwykłe dashboardy aplikacyjne nie zostały zaprojektowane do wyjaśniania. Agent może wybierać narzędzia, wywoływać inne agenty, pobierać dane zewnętrzne i powtarzać kroki przed udzieleniem odpowiedzi. Udane żądanie może mimo to prowadzić do błędnego wyniku biznesowego, ujawniać poufne informacje lub zużywać znacznie więcej zasobów, niż oczekiwano.
Rezultat stanowi interesujące odwrócenie ról. Agenci AI obiecują automatyzację pracy cyfrowej, jednak przedsiębiorstwa potrzebują kolejnej warstwy oprogramowania do nadzorowania tej automatyzacji. Datadog i Dynatrace ścigają się o przejęcie tej warstwy kontroli, zanim kupujący zdecydują się na mniejszych, wyspecjalizowanych dostawców natywnych dla AI.
Dynatrace przekształciło obserwowalność AI w rywalizację wartą 915 mln dolarów
Planowane przejęcie Arize przez Dynatrace przenosi konkurencję poza zwykłe monitorowanie infrastruktury, obejmując pełny cykl rozwoju AI.
Dynatrace ogłosiło ostateczne porozumienie 13 sierpnia 2026 roku. Firma poinformowała, że przejmie Arize za 915 mln dolarów, z zastrzeżeniem zwyczajowych korekt. Wynagrodzenie obejmuje około 815 mln dolarów w gotówce oraz zastępcze nagrody kapitałowe dla pracowników Arize.
Oczekuje się, że transakcja zostanie zamknięta po przeglądzie regulacyjnym i spełnieniu innych zwyczajowych warunków. Do tego czasu Dynatrace i Arize pozostają odrębnymi firmami. Ich zapowiadaną integrację należy więc traktować jako plan działania, a nie ukończony rezultat produktowy.
Arize specjalizuje się w ocenie i obserwowaniu systemów uczenia maszynowego, aplikacji opartych na dużych modelach językowych oraz agentów. Jego narzędzia pomagają deweloperom analizować ślady wykonania, porównywać eksperymenty, oceniać jakość odpowiedzi i identyfikować zmiany w zachowaniu modeli.
Dynatrace wnosi inny fundament. Jego platforma już łączy ślady aplikacji, kondycję infrastruktury, logi, aktywność użytkowników i transakcje biznesowe. Firma twierdzi, że połączenie tych sygnałów operacyjnych z narzędziami ewaluacyjnymi Arize obejmie aplikacje AI od rozwoju po produkcję.
To połączenie odpowiada na rzeczywisty podział występujący w wielu organizacjach inżynieryjnych. Zespoły AI często testują prompty i modele w jednym środowisku. Zespoły operacyjne monitorują opóźnienia, błędy, infrastrukturę i incydenty gdzie indziej.
Dynatrace twierdzi, że proponowane przejęcie zamknie tę lukę. Jego porozumienie z Arize opisuje obserwowalność AI jako cykl życia obejmujący eksperymentowanie, ewaluację, śledzenie w produkcji, infrastrukturę i wyniki biznesowe.
Ogłoszenie pokazuje również, jak wartościowa stała się ta kategoria dla uznanych dostawców monitoringu. Dynatrace nie dodaje jedynie kolejnego dashboardu. Przeznacza znaczny kapitał na połączenie ewaluacji AI z istniejącą platformą dla przedsiębiorstw.
Firma uruchomiła już dedykowaną aplikację AI Observability w styczniu 2026 roku. Produkt obsługuje interakcje agentów, użycie narzędzi, zależności, zużycie tokenów, opóźnienia, trendy kosztowe i wyniki mechanizmów ochronnych.
Dynatrace podaje również, że obsługuje ponad 40 technologii LLM. Wśród wymienianych integracji znajdują się OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain oraz rozwijające się protokoły agentowe.
Arize zapewnia Dynatrace silniejszą drogę do zespołów inżynierii AI pracujących przed wdrożeniem aplikacji na produkcję. Daje też firmie zasięg open source dzięki projektowi Phoenix od Arize oraz bardziej wyspecjalizowany proces ewaluacji.
Datadog staje teraz wobec konkurenta, który łączy szybkość przejęcia z ugruntowanym kanałem sprzedaży dla przedsiębiorstw. Dynatrace ma trudniejsze zadanie integracji dwóch produktów bez osłabiania doświadczenia deweloperów, które uczyniło Arize atrakcyjnym.
Dlaczego agenci AI przełamują ograniczenia tradycyjnego monitoringu
Agent może pozostawać technicznie dostępny, a jednocześnie podejmować sekwencję indywidualnie poprawnych decyzji, które prowadzą do złego rezultatu.
Tradycyjne monitorowanie aplikacji zwykle pyta, czy usługa odpowiedziała, ile czasu to zajęło i czy wystąpił błąd. Te miary nadal są niezbędne, ale nie wyjaśniają ścieżki rozumowania agenta ani jakości jego wyniku.
Rozważmy agenta obsługi klienta przetwarzającego zwrot. Może on pobrać konto, sprawdzić politykę, wywołać narzędzie rozliczeniowe i zaktualizować rekord klienta. Każda usługa może zwrócić poprawną odpowiedź, podczas gdy agent zastosuje niewłaściwą politykę.
Drugie wykonanie tego samego żądania może podążyć inną ścieżką. Duże modele językowe są niedeterministyczne, co oznacza, że identyczne dane wejściowe nie zawsze dają identyczne wyniki. Ta zmienność osłabia testy oparte na stałych oczekiwanych rezultatach.
Użycie narzędzi dodaje kolejne źródło niepewności. Agent może wybrać niewłaściwą funkcję, podać nieodpowiednie argumenty lub wywołać właściwe narzędzie w nieodpowiednim momencie. Może też wejść w pętlę ponawiania prób, która zwiększa opóźnienie i zużycie tokenów bez generowania konwencjonalnego błędu aplikacji.
Systemy wieloagentowe dodatkowo rozszerzają problem. Agent koordynujący może delegować pracę wyspecjalizowanym agentom, którzy następnie wywołują zewnętrzne modele i usługi. Ostateczna odpowiedź może zależeć od kilku promptów, uprawnień, etapów pobierania danych i odpowiedzi modeli.
Zespoły potrzebują w konsekwencji śladów wykonania zachowujących całą ścieżkę realizacji. Ślad to połączony zapis kroków wykonanych podczas pojedynczego żądania, obejmujący wywołania modeli, wywołania narzędzi, czas, błędy i istotne metadane.
Samo gromadzenie śladów to jednak dopiero początek. Inżynierowie muszą połączyć zachowanie techniczne z jakością, bezpieczeństwem i wynikami biznesowymi. Szybka odpowiedź nie jest użyteczna, gdy zawiera niepotwierdzone twierdzenie lub uruchamia nieuprawnione działanie.
Datadog opisał ten problem, gdy w czerwcu 2025 roku uruchomił AI Agent Monitoring. Jego wydanie dotyczące monitoringu podaje, że produkt mapuje dane wejściowe, wywołania narzędzi, wywołania innych agentów i wyniki w interaktywnym grafie.
Firma twierdzi, że inżynierowie mogą badać skoki opóźnień, niepoprawne wywołania narzędzi i nieskończone pętle. Mogą następnie korelować te zdarzenia z miarami jakości, bezpieczeństwa i kosztów.
Dynatrace przyjmuje podobnie szerokie podejście. Jego aplikacja AI Observability śledzi prompty, wywołania narzędzi i wywołania modeli, łącząc je z infrastrukturą i zależnościami aplikacji.
Te możliwości wyjaśniają, dlaczego obserwowalność AI staje się czymś więcej niż dashboardem LLM. Obiekt operacyjny zmienił się z przewidywalnej transakcji programowej w probabilistyczny przepływ pracy mający uprawnienia do działania.
Ta zmiana wywiera jednocześnie presję na deweloperów, zespoły bezpieczeństwa, inżynierów niezawodności witryn i właścicieli biznesowych. Każda grupa potrzebuje innej odpowiedzi na podstawie tych samych dowodów.
Deweloperzy chcą wiedzieć, który prompt lub narzędzie spowodowało awarię. Zespoły operacyjne potrzebują danych o opóźnieniach, niezawodności i zależnościach. Zespoły bezpieczeństwa potrzebują uprawnień i ścieżek audytu. Liderzy biznesowi chcą dowodów, że agent przynosi użyteczne rezultaty.
Platforma, która łączy te pytania, może stać się trudna do zastąpienia. To strategiczna nagroda stojąca za rywalizacją Datadog i Dynatrace.
Monitoring agentów AI Datadog zaczyna się od danych produkcyjnych
Przewagą Datadog jest zdolność do umieszczania zachowania agentów obok sygnałów aplikacyjnych i infrastrukturalnych, które klienci już zbierają.
Datadog wprowadził AI Agent Monitoring, LLM Experiments i AI Agents Console jako elementy szerszej oferty LLM Observability. Łącznie obejmują one analizę działania w czasie rzeczywistym, kontrolowane testowanie i scentralizowany nadzór.
AI Agent Monitoring koncentruje się na tym, co dzieje się podczas wykonania. Inżynierowie mogą analizować łańcuch wywołań modeli, narzędzi i przekazań między agentami. Interfejs łączy też te kroki z opóźnieniami, użyciem tokenów, błędami, kosztami i wynikami ewaluacji.
LLM Experiments dotyczy zmian wprowadzanych przed wdrożeniem. Zespoły mogą porównywać prompty, modele i konfiguracje aplikacji, korzystając ze zbiorów danych utworzonych na podstawie śladów produkcyjnych lub dostarczonych przykładów.
To połączenie śladów produkcyjnych z eksperymentami jest kluczowe dla podejścia Datadog. Awaria wykryta w działającym przepływie pracy może stać się powtarzalnym przypadkiem testowym. Inżynierowie mogą następnie porównać proponowaną poprawkę z pierwotnym zachowaniem.
Wytyczne Datadog z września 2026 roku ilustrują ten proces na przykładzie agenta wsparcia. Zespół może po wdrożeniu odkryć skrócone podsumowania i wolne wywołania rozliczeniowe. Dane śledzenia mogą identyfikować powtarzające się wzorce, podczas gdy eksperymenty sprawdzają, czy zmiana promptu lub modelu je poprawia.
Firma zaleca również porównywanie niedeterministycznych wyników w powtarzanych uruchomieniach. Pojedyncza udana odpowiedź stanowi słaby dowód, gdy inne wykonanie może dać odmienny rezultat.
Ewaluatory dodają kolejną warstwę. Są to testy oceniające wynik agenta pod względem takich cech jak trafność, dokładność, bezpieczeństwo lub ukończenie zadania. Niektóre wykorzystują reguły deterministyczne, a inne stosują inny model językowy jako sędziego.
Ewaluacja oparta na modelu może skalować proces przeglądu, ale wprowadza własną niepewność. Datadog radzi skalibrować sędziego LLM względem oceny ludzkiej przed poleganiem na jego wynikach. Ta ostrożność ma znaczenie, ponieważ dwa modele mogą dzielić te same martwe punkty.
AI Agents Console rozszerza monitoring poza oprogramowanie budowane przez przedsiębiorstwo. Datadog twierdzi, że może pomóc organizacjom katalogować wewnętrzne i zewnętrzne agenty, analizować użycie, mierzyć wpływ i sprawdzać uprawnienia.
Ta funkcja katalogowania staje się ważna, gdy pracownicy wdrażają agenty osadzone w narzędziach programistycznych, platformach obsługi klientów i oprogramowaniu zwiększającym produktywność. Organizacja może nie posiadać modelu ani środowiska wykonawczego agenta, lecz nadal odpowiada za dostęp do danych i rezultaty.
Szersza pozycja komercyjna Datadog nadaje tej strategii wagę. Firma podała przychody za drugi kwartał 2026 roku na poziomie 1,12 mld dolarów, o 36 procent wyższe niż rok wcześniej. Poinformowała też o około 4 720 klientach, których roczne przychody powtarzalne przekraczają 100 000 dolarów.
Te liczby nie dowodzą, że Datadog będzie liderem obserwowalności AI. Pokazują, że firma ma dużą bazę klientów, dla której monitoring agentów może stać się kolejnym dołączanym produktem.
Datadog udostępnił również powszechnie Bits Code, Bits Chat i Bits Agent Builder w trakcie kwartału. Produkty te umieszczają firmę po obu stronach rynku. Buduje ona agenty dla klientów, jednocześnie sprzedając systemy używane do obserwowania agentów.
Ta pozycja tworzy użyteczne sprzężenie zwrotne dla produktu. Datadog może stosować narzędzia monitorujące wobec własnych agentów i bezpośrednio napotykać problemy operacyjne. Tworzy też test wiarygodności, ponieważ klienci mogą ocenić, czy autonomiczne produkty firmy pozostają możliwe do przeanalizowania.
Dla zespołów inżynieryjnych atrakcyjna jest konsolidacja. Incydent związany z agentem rzadko kończy się na granicy modelu. Przyczyna źródłowa może leżeć w wolnej bazie danych, zawodzącym API, potoku pobierania danych lub przeciążonym GPU.
Datadog może skorelować te warstwy w istniejącym środowisku monitorowania. Zespoły potrzebują także przeszukiwalnego kontekstu technicznego poza telemetrią na żywo, w tym zapisów incydentów i decyzji projektowych. Utrzymywana baza wiedzy inżynierskiej może zachować ten ludzki kontekst.
Wyzwanie Datadog polega na udowodnieniu, że szeroka platforma może dorównać specjalistycznym narzędziom pod względem głębokości oceny i użyteczności dla deweloperów. Istniejąca dystrybucja otwiera drogę, ale nie rozstrzyga decyzji produktowej.
Dynatrace Kupuje Stronę Rozwojową Cyklu Życia
Strategia Dynatrace dotycząca Arize jest wymierzona w Datadog poprzez połączenie oceny przed wdrożeniem z platformą produkcyjną zbudowaną wokół kontekstu zależności.
Dynatrace historycznie kładł nacisk na analizę przyczynową. Jego technologia Smartscape mapuje relacje między aplikacjami, infrastrukturą, usługami, sieciami i użytkownikami. Warstwa danych Grail konsoliduje informacje dotyczące obserwowalności, bezpieczeństwa i biznesu.
Firma twierdzi, że ten kontekst pomaga zespołom zrozumieć, dlaczego doszło do incydentu, a nie tylko która metryka się zmieniła. Podejście to pasuje do systemów agentowych, ponieważ błędny wynik może powstać na styku kilku zależności.
Dedykowana aplikacja AI Observability firmy Dynatrace już śledzi ścieżki wykonywania agentów, wywołania narzędzi, interakcje z modelami, użycie tokenów, koszty, opóźnienia i błędy. Obsługuje również OpenTelemetry i OpenLLMetry, które zapewniają otwarte konwencje zbierania telemetrii.
Otwarte instrumentowanie ma znaczenie, ponieważ stos technologiczny agentów szybko się zmienia. Przedsiębiorstwa nie chcą, aby każdy nowy model, framework lub protokół wymagał własnej integracji monitorującej.
Dynatrace wymienia obsługę Amazon Bedrock AgentCore, Strands Agents, LangChain, Google's Agent Development Kit, OpenAI Agents SDK oraz przepływów pracy Model Context Protocol. Taka szerokość wsparcia zmniejsza tarcie dla firm działających w mieszanych środowiskach.
Arize zaspokaja inną potrzebę. Inżynierowie AI korzystają z systemów oceny podczas wyboru zbiorów danych, promptów, modeli i kandydatów do wydania. Ich przepływy pracy zaczynają się, zanim zespoły operacyjne otrzymają usługę produkcyjną.
Proponowane połączenie celuje więc w trwały podział organizacyjny. Zespoły rozwojowe badają zachowanie modeli i jakość odpowiedzi. Zespoły operacyjne analizują dostępność, zależności aplikacji i wydajność infrastruktury.
Połączenie tych działań mogłoby stworzyć ciągłą pętlę doskonalenia. Awaria produkcyjna staje się przypadkiem ewaluacyjnym. Wynikająca z niej zmiana może zostać przetestowana, zanim kontrolowane wdrożenie ponownie trafi do produkcji.
Dynatrace twierdzi, że połączona platforma będzie łączyć zachowanie AI z wpływem biznesowym. To istotne twierdzenie, ponieważ techniczne wskaźniki zastępcze mogą ukrywać niepowodzenia.
Na przykład agent może skrócić średni czas obsługi, jednocześnie zwiększając liczbę ponownie otwieranych zgłoszeń wsparcia. Agent programistyczny może wprowadzać więcej zmian, podnosząc jednocześnie wskaźnik wycofań wdrożeń. Platforma obserwowalności potrzebuje danych o wynikach, aby odróżnić aktywność od wartości.
Dynatrace przystąpił do tej rywalizacji z wyraźnym rozpędem. W pierwszym kwartale roku fiskalnego 2027 firma podała 2,136 mld USD rocznych przychodów cyklicznych, co oznacza wzrost o 17 procent.
Firma poinformowała również o kwartalnych przychodach w wysokości 555 mln USD, o 16 procent wyższych. Organiczny wzrost nowych rocznych przychodów cyklicznych netto wyniósł 41 procent, zgodnie z jej wynikami kwartalnymi.
Dynatrace twierdzi, że popyt rośnie, ponieważ klienci rozszerzają natywne dla chmury obciążenia robocze i inicjatywy AI. Komentarze firmy nie pozwalają jednak określić, jaka część przychodów pochodzi bezpośrednio z obserwowalności AI.
Transakcja dotycząca Arize jest więc zarówno decyzją produktową, jak i zakładem rynkowym. Dynatrace płaci za technologię, talenty, adopcję wśród deweloperów i czas.
Ryzyko integracji jest znaczne. Korporacyjne platformy monitorujące i narzędzia oceny ukierunkowane na deweloperów służą różnym użytkownikom. Ich interfejsy, wzorce wdrożeń, cykle wydań i procesy zakupowe nie muszą automatycznie się pokrywać.
Dynatrace musi zachować atrakcyjność Arize dla inżynierów AI, jednocześnie łącząc je z większą platformą. Wymuszona migracja lub nadmiernie złożone pakiety mogą skłonić deweloperów do wyboru niezależnych alternatyw.
Musi także wykazać, że połączone dane prowadzą do lepszych decyzji. Więcej telemetrii nie oznacza automatycznie większego zrozumienia. Słabe schematy, niepełne ślady i niespójne kryteria oceny mogą stworzyć większy zbiór niejednoznacznych dowodów.
Zwycięzca Musi Monitorować Jakość, Koszt i Uprawnienia
Decydującą funkcją nie będzie najładniejszy wykres śladu, lecz zdolność łączenia działań agentów z akceptowalnymi wynikami biznesowymi.
Zarówno Datadog, jak i Dynatrace potrafią wyświetlać ścieżki wykonywania, użycie tokenów, błędy i opóźnienia. Te możliwości stają się podstawowymi wymaganiami, a nie trwałymi wyróżnikami.
Trudniejszym problemem jest zdefiniowanie sukcesu. Agent może ukończyć przepływ pracy bez zaspokojenia potrzeb użytkownika. Może przekazać poprawną odpowiedź, naruszając przy tym politykę. Może poprawić jakość, czyniąc przepływ pracy nieekonomicznym.
Ocena jakości pozostaje szczególnie trudna. Reguły mogą weryfikować ustrukturyzowane wyniki, wymagane pola i znane fakty. Otwarte teksty, rozumowanie i rekomendacje wymagają bardziej subiektywnych ocen.
Ocena LLM-as-a-judge oferuje skalę, lecz nie powinna stawać się bezdyskusyjnym źródłem prawdy. Model sędziego może preferować określone style pisania, pomijać subtelne błędy merytoryczne lub odtwarzać uprzedzenia obecne w ocenianym modelu.
Weryfikacja przez ludzi pozostaje konieczna do kalibracji i w przypadkach wysokiego ryzyka. Jednak sprawdzanie każdego wykonania niweczy znaczną część ekonomicznego uzasadnienia automatyzacji. Dostawcy muszą pomóc klientom zdecydować, które przypadki wymagają ludzkiej uwagi.
Koszt łatwiej policzyć, ale trudniej interpretować. Zużycie tokenów, opłaty za modele, wykorzystanie infrastruktury i wywołania narzędzi zewnętrznych mogą składać się na koszt działania agenta.
Pętla ponowień może zwiększać wydatki bez wywołania oczywistej awarii. Droższy model nadal może być ekonomiczny, gdy niezawodnie realizuje zadania i ogranicza konieczność poprawek. Monitorowanie kosztów potrzebuje zatem mianownika opartego na wynikach.
Uprawnienia stwarzają największą stawkę. Agenci mogą uzyskiwać dostęp do rekordów klientów, repozytoriów, systemów finansowych i narzędzi komunikacyjnych. Obserwowalność musi rejestrować, co agent próbował zrobić, z jakich uprawnień skorzystał oraz czy działanie zostało zatwierdzone.
Rejestrowanie niebezpiecznego działania po jego wykonaniu nie wystarcza w przypadku wrażliwych przepływów pracy. Przedsiębiorstwa będą coraz częściej wymagać egzekwowania polityk, odwoływalnego dostępu, zatwierdzania przez ludzi i możliwości odzyskania stanu wykonania.
Wymóg ten zaciera granicę między obserwowalnością, bezpieczeństwem, ładem organizacyjnym i kontrolą czasu wykonania. Datadog i Dynatrace nie konkurują wyłącznie ze sobą. Mierzą się ze specjalistami skupionymi na ewaluacjach, bramach agentowych, bezpieczeństwie, śledzeniu i orkiestracji przepływów pracy.
OpenTelemetry może ograniczyć uzależnienie od dostawcy na warstwie zbierania danych. Nie może ustandaryzować każdego wyniku ewaluacji ani rezultatu biznesowego. Dostawcy nadal będą podejmować różne decyzje dotyczące modeli danych, korelacji i automatycznych rekomendacji.
Pozostawia to kupującym sceptyczne pytanie: czy zunifikowana platforma ujawnia więcej, czy jedynie centralizuje więcej danych?
Odpowiedź będzie różna w zależności od organizacji. Firma już ustandaryzowana na Datadog może cenić szybkie wdrożenie i znajome przepływy pracy. Duże przedsiębiorstwo hybrydowe może preferować model zależności i analizę przyczynową Dynatrace.
Zespoły natywne dla AI mogą nadal wybierać specjalistyczne narzędzia ewaluacyjne. Później mogą przesyłać wybraną telemetrię do szerszej platformy monitorującej. Zakup Arize przez Dynatrace jest próbą zapobieżenia pozostaniu tej specjalistycznej warstwy oddzielną.
Żaden z dostawców nie ustanowił uniwersalnej metody dowodzenia niezawodności agentów. Ich produkty mogą zbierać dowody, przeprowadzać testy i wskazywać anomalie. Klienci nadal muszą definiować akceptowalne zachowanie i znaczące wyniki.
Istnieje ryzyko, że obserwowalność AI stanie się zbiorem atrakcyjnych pulpitów bez odpowiedzialności operacyjnej. Udane wdrożenia połączą każdy istotny wynik z decyzją, właścicielem, progiem i reakcją.
Trzy Sygnały Rozstrzygną Wyścig Datadog i Dynatrace
Kolejny etap będzie oceniany pod kątem integracji, mierzalnej adopcji oraz zakresu kontroli, jaki przedsiębiorstwa przyznają tym platformom.
Pierwszym sygnałem jest sfinalizowanie i integracja produktowa przejęcia Arize przez Dynatrace. Zamknięcie transakcji dopiero rozpoczyna test. Kupujący powinni obserwować, jak szybko ślady, zbiory danych, ewaluacje i incydenty produkcyjne przemieszczają się między dwoma środowiskami.
Spójny przepływ pracy wzmocniłby tezę Dynatrace dotyczącą cyklu życia. Oddzielne interfejsy, zduplikowane dane lub niejasna odpowiedzialność produktowa osłabiłyby ją. Retencja deweloperów wokół Arize i Phoenix dostarczy kolejnego użytecznego sygnału.
Drugim sygnałem jest adopcja klientów ujawniana przez obu dostawców. Ogólny wzrost przychodów zapewnia kontekst, ale nie wyodrębnia popytu na obserwowalność agentów.
Przydatne dowody obejmowałyby liczbę monitorowanych agentów produkcyjnych, obciążeń korzystających z ewaluacji, produktów przypisanych do klienta oraz ekspansji klientów powiązanej z AI. Studia przypadków powinny wskazywać mierzone wyniki, a nie jedynie liczbę agentów.
Trzecim sygnałem jest przejście od obserwacji do działań objętych kontrolą. Obie firmy budują agentów, którzy mogą badać incydenty i wspierać operacje. Klienci muszą zdecydować, czy systemy te mogą rekomendować zmiany, wykonywać zatwierdzone kroki lub działać autonomicznie.
Analiza tylko do odczytu wiąże się z mniejszym wymogiem zaufania. Automatyczne usuwanie problemów wymaga pełnych ścieżek audytowych, ograniczonych uprawnień, mechanizmów wycofywania zmian i jasnego przypisania odpowiedzialności, gdy agent popełni błąd.
Postęp w zakresie działań objętych kontrolą wzmocniłby argument, że platformy obserwowalności mogą stać się płaszczyznami kontroli dla agentów korporacyjnych. Utrzymujące się wahanie sugerowałoby, że monitorowanie pozostaje wartościowe, ale autonomia dotarła do granicy zaufania.
Kupujący korporacyjni nie powinni wybierać platformy wyłącznie na podstawie listy funkcji. Powinni zacząć od jednego przepływu pracy produkcyjnej i zdefiniować jego akceptowalną jakość, koszt, opóźnienie, uprawnienia i wynik biznesowy.
Następnie powinni sprawdzić, czy platforma potrafi odtworzyć awarię, zidentyfikować jej przyczynę, porównać proponowaną poprawkę i zapobiec regresji. To ćwiczenie ujawnia luki, które dopracowana demonstracja może ukryć.
Monitorowanie agentów AI Datadog oferuje obecnie silną ścieżkę nastawioną na produkcję dla organizacji już korzystających z jego platformy. Dynatrace stawia większy zakład, że ewaluacja i operacje muszą stać się jednym cyklem życia.
Zwycięży dostawca, który przekształci nieprzewidywalne zachowanie agentów w dowody, którym zespoły mogą zaufać i na podstawie których mogą działać. Dla kupujących natychmiastowe pytanie jest prostsze: czy system monitorowania potrafi wyjaśnić nie tylko, czy agent działał, lecz także czy zrobił właściwą rzecz?
