Automatyzacja AI Datadog celuje w ryzyko, ale przedsiębiorstwa nadal zachowują kontrolę

Automatyzacja AI Datadog wychodzi poza dashboardy, mimo niechęci przedsiębiorstw do pozwalania oprogramowaniu na samodzielne działanie w krytycznych systemach. Firma przedstawia obecnie obserwowalność, bezpieczeństwo i automatyczne usuwanie problemów jako jedną odpowiedź na rosnące ryzyko operacyjne. Jej propozycja jest szczególnie istotna w Australii, gdzie duże organizacje często zarządzają usługami chmurowymi równolegle ze starszą infrastrukturą i operacjami zlecanymi na zewnątrz.

Ta zmiana redefiniuje rolę Datadog. Tradycyjnie obserwowalność pomagała inżynierom zrozumieć, co się wydarzyło po spowolnieniu aplikacji, awarii lub wywołaniu alertu. Datadog chce teraz, aby jego oprogramowanie badało incydenty, rekomendowało reakcje i wykonywało zatwierdzone działania, korzystając z bieżącego kontekstu operacyjnego.

Kluczowe pytanie nie brzmi, czy sztuczna inteligencja potrafi podsumować alert. Chodzi o to, czy przedsiębiorstwa zaufają agentom AI z dostępem do środowiska produkcyjnego, zachowując jednocześnie rozliczalność, bezpieczeństwo i nadzór człowieka. Splunk, Dynatrace, dostawcy chmury i firmy z sektora bezpieczeństwa wykorzystują podobne możliwości, dlatego Datadog musi udowodnić, że ujednolicony kontekst prowadzi do bezpieczniejszej automatyzacji.

Automatyzacja AI Datadog przechodzi od odpowiedzi do działań

Datadog przekształca swoją platformę monitoringu w kontrolowaną warstwę operacyjną dla agentów AI w przedsiębiorstwach.

Rozszerzenie działalności firmy opiera się na połączeniu danych obserwowalności, sygnałów bezpieczeństwa, automatyzacji przepływów pracy i generatywnej AI. Obserwowalność oznacza zbieranie i łączenie informacji o aplikacjach, infrastrukturze, sieciach, doświadczeniach użytkowników i innych systemach technicznych.

Regionalna wiceprezes Datadog na Australię i Nową Zelandię, Roz Gregory, opisała tę konwergencję jako szansę na zarządzanie kosztami, bezpieczeństwem AI i zgodnością. W wywiadzie dotyczącym przedsiębiorstw ANZ argumentowała, że rozproszone stosy technologiczne utrudniają realizację tych priorytetów za pomocą odrębnych narzędzi.

Według Gregory Datadog rozwinął się z dwóch produktów do ponad 30. Platforma obejmuje obecnie infrastrukturę, aplikacje, dostarczanie oprogramowania, doświadczenia cyfrowe, dane, bezpieczeństwo i obciążenia AI.

Ten szeroki zakres ma znaczenie, ponieważ zautomatyzowana obsługa incydentów wymaga kontekstu. Agent nie może bezpiecznie zdiagnozować nieudanego procesu płatności, korzystając z jednej odizolowanej metryki. Potrzebuje śledzenia aplikacji, stanu infrastruktury, informacji o ostatnich wdrożeniach, zdarzeń bezpieczeństwa, zachowania baz danych i danych o wydajności widocznej dla klientów.

Bits AI to rodzina agentów Datadog przeznaczonych do zadań rozwojowych, bezpieczeństwa i operacyjnych. Datadog twierdzi, że agenci ci mogą badać incydenty, analizować powiązaną telemetrię i pomagać zespołom działać w ramach określonych kontroli.

Firma rozszerzyła tę strategię podczas konferencji DASH w czerwcu 2026 roku. Jej premiera ponad 100 funkcji produktowych obejmowała nowe funkcje Bits AI, kreator agentów, mechanizmy kontroli bezpieczeństwa AI oraz dodatkowe opcje zarządzania danymi przedsiębiorstwa.

Bits Agent Builder pozwala zespołom tworzyć wyspecjalizowanych agentów w Datadog. Agenci ci mogą wspierać usuwanie problemów, raportowanie i egzekwowanie standardów w granicach ustalonych przez klienta.

Agent Console rozwiązuje powiązany problem zarządzania. Datadog twierdzi, że pomaga organizacjom obserwować narzędzia takie jak Claude Code, Cursor i GitHub Copilot. Menedżerowie mogą analizować wykorzystanie, zadania, rezultaty i wydatki, zamiast traktować aktywność agentów jako niewidoczną warstwę.

Datadog udostępnił również ogólnie swój serwer Model Context Protocol w marcu 2026 roku. MCP to standardowy interfejs pozwalający aplikacjom AI uzyskiwać dostęp do zatwierdzonych narzędzi i źródeł danych.

Zarządzany dostęp agentów łączy zewnętrznych agentów programistycznych i środowiska deweloperskie z bieżącą telemetrią Datadog. Firma przedstawia to połączenie jako sposób na zachowanie uprawnień i mechanizmów nadzoru przy jednoczesnym wprowadzaniu dowodów operacyjnych do pracy wspieranej przez AI.

Ta architektura tworzy centralne napięcie opisane w artykule. Ten sam dostęp, który pomaga agentowi diagnozować problemy produkcyjne, może zwiększać skutki błędnego lub zmanipulowanego działania.

Agent odczytujący dane monitoringu stwarza jeden poziom ryzyka. Agent zmieniający reguły wykrywania, tworzący zgłoszenia, tłumiący ustalenia lub inicjujący działania naprawcze stwarza inny.

Datadog sprzedaje więc coś więcej niż szybszą reakcję na incydenty. Sprzedaje twierdzenie, że automatyzacja staje się akceptowalna, gdy AI działa poprzez ujednolicone źródło kontekstu technicznego i ustanowione mechanizmy kontroli.

To twierdzenie musi teraz przetrwać przeglądy zakupowe, testy bezpieczeństwa i rzeczywiste awarie w środowisku produkcyjnym.

Hybrydowe systemy w Australii podnoszą stawkę

Australijskie przedsiębiorstwa nie wdrażają automatyzacji na czystym fundamencie technicznym.

Wiele dużych organizacji nadal obsługuje tradycyjną infrastrukturę, jednocześnie dodając usługi chmury publicznej, aplikacje software-as-a-service i systemy AI. Umowy outsourcingowe wprowadzają dodatkową warstwę odpowiedzialności i kontroli dostępu.

To środowisko tworzy rozproszone źródła dowodów. Incydent może obejmować kod aplikacji, infrastrukturę chmurową, systemy tożsamości, zewnętrznych dostawców oraz sieci fizyczne lub wirtualne.

Zespoły często używają osobnych produktów dla każdego elementu tej ścieżki. Produkty te mogą generować nakładające się alerty bez udostępniania wystarczającego kontekstu, aby ustalić przyczynę i wpływ na działalność.

Gregory twierdzi, że środowisko przeładowane narzędziami utrudnia zarządzanie bezpieczeństwem AI i złożonością. Jej stanowisko wspiera kierunek komercyjny Datadog, lecz przedsiębiorstwa nadal będą sprawdzać, czy konsolidacja ogranicza ryzyko, czy jedynie je koncentruje.

Bezpośrednia presja spada na operacje technologiczne, zespoły bezpieczeństwa i liderów ds. ryzyka. Muszą oni wspierać szybsze dostarczanie oprogramowania bez utraty kontroli nad danymi, poświadczeniami, dowodami zgodności lub zmianami produkcyjnymi.

Pod presją są również deweloperzy. Agenci programistyczni mogą szybciej generować i modyfikować oprogramowanie, ale ta szybkość zwiększa liczbę zmian trafiających do systemów przeglądu, testowania i wdrażania.

Zespoły bezpieczeństwa muszą odróżniać problemy możliwe do wykorzystania od ustaleń o niższym priorytecie. Zespoły operacyjne muszą rozumieć, czy awaria wynika z kodu, infrastruktury, przepustowości, danych czy dostawcy modelu AI.

Własne badania Datadog ilustrują problem operacyjny. Jego dane dotyczące inżynierii AI wykazały, że około 5% żądań do modeli AI kończyło się niepowodzeniem w środowisku produkcyjnym.

Według firmy niemal 60% tych awarii wynikało z ograniczeń przepustowości. Datadog przeanalizował zanonimizowane dane o wykorzystaniu od tysięcy klientów uruchamiających duże modele językowe w środowisku produkcyjnym.

Raport wykazał również, że 69% organizacji korzystało z co najmniej trzech modeli. Wdrożenie frameworków agentowych podwoiło się rok do roku, a średnia ilość danych przesyłanych przy każdym żądaniu wzrosła.

Ustalenia te pochodzą ze środowiska klientów Datadog, dlatego nie należy traktować ich jako spisu wszystkich przedsiębiorstw. Opisują jednak rodzaj złożoności, którym Datadog chce zarządzać za pomocą swojej platformy.

Wiele modeli oznacza więcej decyzji dotyczących routingu, trybów awarii, limitów użycia i zależności od dostawców. Agenci dodają przepływy pracy, których kolejne działanie może zależeć od wyniku modelu, a nie od deterministycznej logiki aplikacji.

Australijskie otoczenie regulacyjne wprowadza dodatkowy wymóg. Federalne wytyczne dotyczące wdrażania AI wzywają do zapewnienia rozliczalności, zarządzania ryzykiem, zarządzania danymi, testowania, monitorowania i znaczącego nadzoru człowieka.

Wytyczne wyewoluowały z australijskiego dobrowolnego standardu bezpieczeństwa AI. Same w sobie nie tworzą nowych obowiązków prawnych, ale pomagają organizacjom przygotować się na obecne zobowiązania i możliwe przyszłe wymogi.

Kilka praktyk jest ściśle powiązanych z obserwowalnością. Organizacje powinny monitorować wdrożone systemy AI, dokumentować ryzyka, ponownie oceniać mechanizmy kontroli oraz śledzić zmiany w zachowaniu lub zamierzonym zastosowaniu.

Samo gromadzenie telemetrii nie spełnia jednak automatycznie tych obowiązków. Dashboard nie może określić tolerancji organizacji na ryzyko, zidentyfikować interesariuszy dotkniętych skutkami ani przypisać odpowiedzialności za szkodliwy rezultat.

To rozróżnienie ma znaczenie dla propozycji Datadog. Platforma może dostarczać dowody operacyjne, mechanizmy kontroli dostępu i monitoring techniczny. Liderzy przedsiębiorstw nadal muszą określić, jakie działania agent może podejmować i kto odpowiada za rezultat.

Australijski rynek stanowi zatem zarówno szansę, jak i trudny test. Środowiska hybrydowe tworzą popyt na ujednoliconą widoczność, lecz regulacje i instytucjonalna ostrożność ograniczają tempo, w jakim klienci będą pozwalać na autonomiczne działania.

Ujednolicony kontekst to główny zakład Datadog

Datadog zakłada, że agent dysponujący szerszą telemetrią może działać bezpieczniej niż asystent ograniczony do jednego wyspecjalizowanego narzędzia.

Agent operacyjny musi odtworzyć przyczynę na podstawie dowodów rozproszonych po całym stosie technologicznym. Platforma Datadog już gromadzi znaczną część tych danych na potrzeby monitorowania i rozwiązywania problemów.

Firma może zapewnić agentowi dostęp do śledzenia aplikacji, logów, metryk infrastruktury, zdarzeń wdrożeniowych, ustaleń dotyczących bezpieczeństwa chmury i wiedzy organizacyjnej. Datadog twierdzi, że ten kontekst pomaga Bits AI łączyć sygnały, które w przeciwnym razie wymagałyby ręcznego dochodzenia.

Winning Group stanowi konkretny przykład. Australijski detalista jest właścicielem Winning Appliances i Appliances Online, których strona internetowa pełni rolę głównej witryny obsługującej klientów.

Menedżer techniczny Nick Rivett powiedział, że firma wdrożyła Datadog częściowo po to, aby udostępnić informacje o wydajności poza działem inżynierii. Wspólne dashboardy pozwalają większej liczbie pracowników analizować zmiany bez oczekiwania, aż inżynier przetłumaczy każdą metrykę.

Winning Group korzysta również z Bits AI oraz możliwości MCP Datadog. Rivett opisał incydent, który zespoły ludzkie badały przez wiele godzin, zanim Bits AI połączył dowody w około 10 minut.

Relacja ta jest raportem klienta, a nie niezależnym benchmarkiem. Mimo to pokazuje, gdzie automatyzacja AI Datadog może tworzyć wartość bez natychmiastowego przyznawania agentowi nieograniczonych uprawnień.

Szybsze dochodzenie skraca czas między alertem a wiarygodnym wyjaśnieniem. Człowiek może następnie przejrzeć dowody i wybrać odpowiedź.

Flowstate przedstawia kolejny przypadek operacyjny. Australijska firma nagrywa surferów i przetwarza wideo, aby klienci mogli otrzymać materiał krótko po sesji.

Przestój bezpośrednio wpływa na produkt, ponieważ utracony czas nagrywania może oznaczać utratę materiału klienta. Flowstate używa Datadog do monitorowania infrastruktury wideo działającej w czasie rzeczywistym i identyfikowania wąskich gardeł wydajności.

Wymagania dotyczące przetwarzania wzrosły wraz z przejściem wideo z 4K przy 30 klatkach na sekundę do 4K przy 60 klatkach na sekundę, a następnie do 6K przy 60 klatkach na sekundę. Każdy wzrost zwiększa ilość danych i presję na przetwarzanie.

Ten przypadek pokazuje, dlaczego połączona telemetria ma znaczenie. Problem z wydajnością może wynikać z kamer, sieci, zasobów obliczeniowych, pamięci masowej, kodu aplikacji lub usługi przetwarzania.

Agent analizujący wyłącznie logi aplikacji widzi niepełny system. Przewaga Datadog zależy od tego, czy jego platforma potrafi skorelować wystarczającą część tego systemu, aby zidentyfikować użyteczne zależności bez tworzenia mylącego poczucia pewności.

Impuls komercyjny firmy zapewnia jej zasoby do realizacji tej strategii. Datadog poinformował o przychodach za drugi kwartał 2026 r. w wysokości 1,12 mld USD, co oznacza wzrost o 36% rok do roku.

W wynikach za drugi kwartał wymieniono około 4 720 klientów generujących co najmniej 100 000 USD rocznych przychodów powtarzalnych. Rok wcześniej liczba ta wynosiła około 3 850.

Datadog poinformował również o przepływach pieniężnych z działalności operacyjnej w wysokości 316 mln USD oraz wolnych przepływach pieniężnych w wysokości 279 mln USD w tym kwartale. Na koniec czerwca firma posiadała 5 mld USD w gotówce, ekwiwalentach gotówki i zbywalnych papierach wartościowych.

Liczby te nie dowodzą, że klienci akceptują autonomiczne operacje. Pokazują, że Datadog dysponuje znaczącą bazą klientów korporacyjnych oraz zdolnością finansową do dodawania funkcji AI do ugruntowanej platformy.

Ta przewaga dystrybucyjna ma znaczenie. Przedsiębiorstwa mogą preferować automatyzację dołączoną do systemów monitorowania, z których już korzystają, zamiast wdrażać kolejnego agenta z odrębnymi uprawnieniami i potokami danych.

Relacja z platformą tworzy również presję związaną ze zmianą dostawcy. Im więcej historii operacyjnej, przepływów pracy, pulpitów i mechanizmów kontroli bezpieczeństwa klient przechowuje w jednym systemie, tym trudniej go zastąpić.

Datadog musi równoważyć tę przewagę z obawami wynikającymi z konsolidacji. Ujednolicona platforma może ograniczyć nakład pracy związany z integracją, ale awaria, błąd konfiguracji lub incydent bezpieczeństwa mogą mieć szerszy wpływ.

Mechanizm jest więc prosty, nawet jeśli jego wdrożenie jest trudne. Datadog gromadzi kontekst, udostępnia go kontrolowanym agentom i wykorzystuje automatyzację do skrócenia czasu dochodzenia oraz reakcji.

Jego sukces zależy od jakości kontekstu, projektu uprawnień oraz niezawodności każdego działania podjętego po diagnozie.

Automatyzacja tworzy nowy problem kontroli

Największą przeszkodą nie jest to, czy Bits AI potrafi znaleźć przyczynę incydentu. Chodzi o to, czy przedsiębiorstwa potrafią ograniczyć agenta, gdy jego analiza jest błędna.

Tradycyjne narzędzia monitorujące alarmują ludzi. Systemy autonomiczne mogą również inicjować działania, co zwiększa potencjalny wpływ fałszywych wniosków lub przejętych instrukcji.

Nieprawidłowe podsumowanie marnuje czas. Nieprawidłowa zmiana infrastruktury może przerwać działanie usługi, osłabić mechanizm kontroli bezpieczeństwa lub usunąć dowody potrzebne w późniejszym dochodzeniu.

Prompt injection tworzy kolejne ryzyko. Prompt injection występuje wtedy, gdy ukryte lub złośliwe instrukcje manipulują systemem AI, aby ignorował zamierzone reguły.

Datadog wprowadził AI Guard do wykrywania podejrzanego zachowania w całej aktywności agenta. Firma twierdzi, że łączy śledzenie agentów ze stanową analizą behawioralną, która bada zachowanie na wielu etapach zamiast analizować pojedynczy prompt i odpowiedź.

To rozróżnienie jest istotne, ponieważ ataki na agentów mogą rozwijać się w czasie. Pozornie nieszkodliwe dane wejściowe mogą spowodować, że agent pobierze wrażliwe informacje, wywoła zewnętrzną usługę lub podejmie nieautoryzowane działanie kilka kroków później.

Twierdzenia Datadog dotyczące AI Guard pozostają twierdzeniami firmy, dopóki klienci i niezależni badacze nie przetestują ich w zróżnicowanych warunkach produkcyjnych. Żaden detektor zachowań nie może zagwarantować rozpoznania każdej szkodliwej instrukcji.

Granice uprawnień są zatem kluczowe. Agenci powinni otrzymywać wyłącznie dostęp wymagany do jasno określonego zadania, a wrażliwe działania powinny wymagać dodatkowego zatwierdzenia.

Firma potrzebuje również pełnych zapisów tego, co agent zaobserwował, wywnioskował i zmienił. Bez takiego śladu zespoły nie mogą odtworzyć awarii ani ustalić odpowiedzialności.

Nadzór człowieka nie może oznaczać umieszczenia symbolicznego przycisku zatwierdzenia na końcu nieprzejrzystego procesu. Osoby dokonujące przeglądu potrzebują wystarczającego kontekstu, aby zrozumieć proponowane działanie i jego prawdopodobny skutek.

Szybkość automatyzacji może działać na niekorzyść tego wymogu. Jeśli agent generuje setki rekomendacji, ludzie mogą zatwierdzać je mechanicznie, tworząc pozory kontroli bez rzeczywistego przeglądu.

Datadog musi także zarządzać ryzykiem wynikającym z zasięgu własnych integracji. Platforma połączona z telemetrią produkcyjną, ustaleniami bezpieczeństwa, narzędziami dla programistów i przepływami pracy naprawczej staje się atrakcyjnym celem.

Firma może ograniczać to ryzyko poprzez uwierzytelnianie, autoryzację, dzienniki audytowe, mechanizmy kontroli danych i izolację obciążeń. Klienci muszą prawidłowo skonfigurować te mechanizmy i utrzymywać je wraz ze zmianami zespołów oraz systemów.

Rezydencja danych stanowi kolejną kwestię dla organizacji regulowanych. Opcja Bring Your Own Cloud firmy Datadog odpowiada na ten problem, umieszczając części platformy w środowisku kontrolowanym przez klienta i wykorzystując magazyn obiektów klienta.

Taki projekt może pomóc przedsiębiorstwom zachować większą kontrolę nad rosnącymi wolumenami logów. Nie eliminuje jednak wszystkich kwestii związanych z zarządzaniem, dotyczących metadanych, dostępu wsparcia technicznego, konfiguracji czy połączonych usług.

Koszt również może spowalniać wdrażanie. Systemy obserwowalności przetwarzają duże ilości telemetrii, a obciążenia AI mogą generować nowe logi, ślady, prompty, odpowiedzi i zdarzenia agentów.

Klienci muszą zdecydować, co zachować, indeksować, analizować lub odrzucać. Nadmierne filtrowanie może ukryć dowody potrzebne agentowi, podczas gdy bezkrytyczne gromadzenie może zwiększyć koszty i ujawnić wrażliwe dane.

Istnieje także problem pomiaru. Szybsze dochodzenie niekoniecznie oznacza bezpieczniejsze operacje, a większa liczba zautomatyzowanych działań niekoniecznie przekłada się na lepsze wyniki biznesowe.

Wiarygodne wdrożenie powinno śledzić czas trwania incydentów, ich powtarzalność, fałszywe rekomendacje, cofnięte działania, wskaźniki zatwierdzeń i wyjątki bezpieczeństwa. Powinno również rozróżniać incydenty rozwiązane przez agenta od tych, w których agent wprowadził dodatkowe zamieszanie.

Agent Console firmy Datadog wskazuje kierunek takiej oceny dla agentów programistycznych. Przedsiębiorstwa będą potrzebować podobnej dyscypliny w każdym zautomatyzowanym przepływie pracy operacyjnej.

Strategia firmy pozostaje obiecująca, ponieważ łączy AI z rzeczywistymi dowodami systemowymi. Nierozstrzygnięte pytanie brzmi, czy to połączenie zapewnia wiarygodny osąd, czy jedynie szybszą aktywność.

Datadog staje w obliczu zatłoczonej rywalizacji platform

Prawdziwym przeciwnikiem Datadog jest rozdrobnione oprzyrządowanie przedsiębiorstw, lecz konkurencyjne platformy wysuwają ten sam argument za konsolidacją.

Organizacje przez lata budowały zestawy wyspecjalizowanych produktów do monitorowania, bezpieczeństwa, obsługi zgłoszeń, zarządzania chmurą i wsparcia programistów. Datadog chce połączyć więcej z tych funkcji w jednej warstwie danych i automatyzacji.

Ta propozycja wywiera presję na zasiedziałe narzędzia, które obejmują tylko jedną część incydentu. Wywiera także presję na zespoły inżynieryjne utrzymujące niestandardowe integracje między systemami alarmowania, dochodzenia i naprawy.

Datadog nie ma jednak wyłącznego prawa do ujednoliconej obserwowalności ani operacji wspomaganych przez AI. Dynatrace, Splunk, New Relic, ServiceNow, Microsoft, Google Cloud i Amazon Web Services również łączą AI z danymi operacyjnymi.

Dostawcy chmurowi mają strukturalną przewagę we własnych środowiskach. Mogą łączyć agentów z mechanizmami kontroli infrastruktury, usługami tożsamości, produktami bezpieczeństwa i danymi rozliczeniowymi.

Dostawcy zarządzania usługami posiadają procesy zatwierdzania, zgłoszenia, inwentaryzacje zasobów i przepływy pracy przedsiębiorstw. Dostawcy bezpieczeństwa dysponują wyspecjalizowanymi informacjami o zagrożeniach i możliwościami reagowania.

Obroną Datadog jest neutralność wobec środowisk mieszanych. Duże organizacje rzadko działają w jednej chmurze, używają jednego języka programowania lub jednego produktu bezpieczeństwa.

Szeroko zintegrowana warstwa obserwowalności może porównywać zachowanie ponad tymi granicami. Datadog może także wykorzystywać telemetrię aplikacji i infrastruktury do łączenia awarii technicznych z doświadczeniem klienta.

Neutralność ma jednak swoje ograniczenia. Każdy zewnętrzny system wprowadza granicę integracji, model uprawnień i możliwe opóźnienie. Dostawca chmury może mieć dostęp do natywnych informacji, które niezależna platforma otrzymuje wyłącznie przez API.

Otwarte standardy, takie jak MCP, mogą zmniejszyć trudności związane z integracją. Mogą też ułatwić klientom łączenie konkurencyjnych agentów z tymi samymi narzędziami.

Oznacza to, że Datadog musi konkurować jakością swojego kontekstu, rozumowania, mechanizmów kontroli i doświadczenia użytkownika. Samo wspieranie MCP nie zapewni trwałej przewagi.

Firma musi również udowodnić, że jej rosnąca gama produktów tworzy spójną całość. Kupowanie usług od mniejszej liczby dostawców pomaga tylko wtedy, gdy zespoły mogą poruszać się po połączonej platformie bez tworzenia kolejnej warstwy złożoności.

Nabywcy korporacyjni będą analizować, czy alerty korzystają ze spójnego modelu danych, czy uprawnienia działają w różnych produktach i czy zautomatyzowane działania zachowują audytowalność. Wezmą także pod uwagę, jak zużycie danych wpływa na zobowiązania umowne.

Liderzy bezpieczeństwa mogą preferować wyspecjalizowane produkty do dochodzeń o wysokim ryzyku. Zespoły operacyjne mogą wybierać Datadog, ponieważ już zawiera telemetrię potrzebną do zdiagnozowania awarii aplikacji.

Takie preferencje mogą prowadzić do stopniowego wdrażania. Klient może zacząć od podsumowań generowanych przez AI, następnie zezwolić na tworzenie zgłoszeń, naprawę o niskim ryzyku, a na końcu na działania o większych konsekwencjach.

Ten postęp podważa ideę nagłego przejścia do autonomicznych operacji. Wdrażanie w przedsiębiorstwach prawdopodobnie będzie przebiegać po drabinie zaufania.

Każde udane działanie może uzasadniać szersze uprawnienia. Każda fałszywa diagnoza lub nieoczekiwana zmiana może cofnąć program w kierunku użycia wyłącznie do rekomendacji.

Szansą Datadog jest uczynienie tej drabiny mierzalną. Nabywcy potrzebują dowodów wskazujących, kiedy agent zasługuje na większe uprawnienia, a kiedy jego dostęp powinien pozostać ograniczony.

Zwycięzca tej rywalizacji niekoniecznie będzie mieć najbardziej autonomiczną demonstrację. Zapewni najjaśniejszą ścieżkę od użytecznej pomocy do rozliczalnego działania.

Co przedsiębiorstwa powinny obserwować w następnej kolejności

Trzy sygnały pokażą, czy Datadog potrafi przekształcić swoją strategię automatyzacji w zaufane operacje przedsiębiorstw.

Pierwszym sygnałem jest rozszerzanie uprawnień produkcyjnych. Datadog już rozszerzył możliwości MCP poza dostęp tylko do odczytu w części swojego zestawu narzędzi bezpieczeństwa.

Najważniejsze pytanie dotyczy tego, jak klienci wykorzystują te możliwości. Tworzenie zgłoszeń i generowanie rekomendacji wiążą się z innymi ryzykami niż zmiany reguł, wyciszenia czy zautomatyzowane działania naprawcze.

Dowody na powtarzalne wdrożenia produkcyjne wzmocniłyby argumentację Datadog. Wdrożenia te powinny obejmować granice uprawnień, wymogi zatwierdzania, zapisy audytowe i udokumentowane procesy wycofywania zmian.

Kilka dramatycznych historii o incydentach nie wystarczy. Nabywcy potrzebują zagregowanych dowodów obejmujących błędne działania, wskaźniki eskalacji, zaoszczędzony czas i wyniki w różnych środowiskach.

Drugim sygnałem jest wdrażanie w większej bazie klientów Datadog. 4 720 klientów firmy generujących co najmniej 100 000 USD rocznych przychodów powtarzalnych stanowi istotny kanał dystrybucji.

Przyszłe raportowanie finansowe może ujawnić, czy funkcje AI zwiększają liczbę produktów używanych przez obecnych klientów. Komentarze zarządu mogą również pokazać, czy Bits AI i Agent Builder wspierają nowe zobowiązania przedsiębiorstw.

Sam wzrost przychodów nie odpowie na to pytanie. Datadog sprzedaje wiele produktów, a klienci mogą zwiększać wydatki bez przyznawania agentom szerszych uprawnień operacyjnych.

Silniejszy sygnał łączyłby ekspansję komercyjną z ujawnionymi danymi dotyczącymi użycia. Datadog mógłby raportować, ilu klientów korzysta z Bits AI w środowisku produkcyjnym, jakie działania wykonują agenci i gdzie zatwierdzenie przez człowieka pozostaje obowiązkowe.

Ograniczone ujawnienia pozostawiłyby nabywców zależnych od wybranych historii klientów. Przejrzyste wskaźniki operacyjne ułatwiłyby ocenę twierdzeń firmy.

Trzecim sygnałem jest reakcja regulatorów i zespołów odpowiedzialnych za zarządzanie w przedsiębiorstwach. Wytyczne Australii podkreślają ciągłą ocenę ryzyka, testowanie, monitorowanie, rozliczalność i kontrolę człowieka.

Procesy zakupowe przełożą te zasady na pytania techniczne. Nabywcy będą pytać, jak Datadog zarządza dostępem, wrażliwymi danymi, zmianami modeli, komponentami zewnętrznymi, zapisami incydentów i zachowaniem agentów.

Nowe obowiązkowe wymogi dla systemów AI wysokiego ryzyka zwiększyłyby zapotrzebowanie na dowody i monitoring. Mogłyby też spowolnić wdrożenia, jeśli Datadog i jego klienci nie będą w stanie powiązać aktywności agentów z konkretnymi mechanizmami kontrolnymi.

Reakcje konkurentów mają znaczenie w kontekście tego sygnału. Rywalizujące platformy będą przedstawiać własne podejścia do zarządzania, rezydencji danych i autonomicznych operacji.

Jeśli konkurencyjne produkty zapewnią bardziej przejrzyste modele kontroli, szeroka przewaga Datadog w zakresie telemetrii będzie miała mniejsze znaczenie. Jeśli pozostaną rozproszone, ujednolicona strategia Datadog stanie się bardziej atrakcyjna.

Zespoły przedsiębiorstw powinny unikać traktowania autonomii jako decyzji zero-jedynkowej. Mogą klasyfikować działania według wpływu, testować agentów w ograniczonych środowiskach i rozszerzać ich uprawnienia tylko wtedy, gdy wyniki to uzasadniają.

Powinny również zachowywać rejestry czytelne dla ludzi. Baza wiedzy AI może pomóc zespołom zachować decyzje, kontekst incydentów i doświadczenia operacyjne, ale nie zastępuje technicznych dzienników audytowych.

Automatyzacja AI Datadog jest ostatecznie historią o zarządzaniu, ukrytą pod postacią rozszerzenia produktu. Według relacji klientów technologia może skrócić godziny dochodzenia do kilku minut.

Trudniejszym zadaniem jest udowodnienie, że szybsze działanie pozostaje bezpieczne, gdy agent błędnie interpretuje system, napotyka zmanipulowane dane lub wykracza poza swoją zamierzoną rolę.

Datadog dysponuje zasięgiem platformy, klientami korporacyjnymi i zasobami finansowymi, aby sprawdzić tę tezę na dużą skalę. Przedsiębiorstwa powinny teraz domagać się mierzalnych dowodów, zanim zamienią widoczność na autonomię.

Którym działaniom operacyjnym Twoja organizacja zaufałaby dziś, powierzając je agentowi, i jakie dowody uzasadniałyby przyznanie mu kolejnego poziomu dostępu?