Monitoramento de Agentes de IA da Datadog Enfrenta a Aposta de US$ 915 Milhões da Dynatrace na Arize

O monitoramento de agentes de IA da Datadog agora enfrenta um desafio mais direto após a Dynatrace concordar em adquirir a Arize em uma transação avaliada em US$ 915 milhões. O acordo transforma uma categoria de produto emergente em uma disputa direta entre dois fornecedores consolidados de observabilidade.

Ambas as empresas querem se tornar o sistema que as organizações usam para inspecionar agentes de IA, avaliar suas saídas, controlar seus custos e investigar falhas. No entanto, elas abordam essa oportunidade a partir de posições diferentes. A Datadog está estendendo sua plataforma de monitoramento de nuvem ao desenvolvimento de agentes, enquanto a Dynatrace está adquirindo expertise mais profunda em avaliação.

O momento é relevante porque os agentes criam problemas operacionais que os painéis tradicionais de aplicações não foram projetados para explicar. Um agente pode selecionar ferramentas, chamar outros agentes, recuperar dados externos e repetir etapas antes de produzir uma resposta. Uma solicitação bem-sucedida ainda pode gerar o resultado de negócio errado, expor informações confidenciais ou consumir muito mais recursos do que o esperado.

O resultado é uma inversão interessante. Os agentes de IA prometem automatizar o trabalho digital, mas as empresas precisam de outra camada de software para supervisionar essa automação. Datadog e Dynatrace correm para controlar essa camada antes que os compradores se decidam por especialistas menores, nativos de IA.

Dynatrace Transformou a Observabilidade de IA em uma Disputa de US$ 915 Milhões

A planejada aquisição da Arize pela Dynatrace leva a competição além do monitoramento comum de infraestrutura e para todo o ciclo de desenvolvimento de IA.

A Dynatrace anunciou o acordo definitivo em 13 de agosto de 2026. A empresa afirmou que adquiriria a Arize por US$ 915 milhões, sujeita aos ajustes habituais. A contraprestação inclui aproximadamente US$ 815 milhões em dinheiro e concessões de ações substitutas para funcionários da Arize.

Espera-se que a transação seja concluída após a análise regulatória e outras condições habituais. Até que isso ocorra, Dynatrace e Arize permanecem empresas separadas. Portanto, a integração prometida deve ser tratada como um roteiro, não como um resultado de produto já concluído.

A Arize é especializada em avaliar e observar sistemas de aprendizado de máquina, aplicações de modelos de linguagem de grande porte e agentes. Suas ferramentas ajudam desenvolvedores a inspecionar rastros, comparar experimentos, avaliar a qualidade das respostas e identificar mudanças no comportamento dos modelos.

A Dynatrace traz uma base diferente. Sua plataforma já conecta rastros de aplicações, saúde da infraestrutura, logs, atividade de usuários e transações de negócios. A empresa argumenta que combinar esses sinais operacionais com as ferramentas de avaliação da Arize abrangerá aplicações de IA desde o desenvolvimento até a produção.

Essa combinação aborda uma divisão real em muitas organizações de engenharia. Equipes de IA frequentemente testam prompts e modelos em um ambiente. Equipes de operações monitoram latência, erros, infraestrutura e incidentes em outro lugar.

A Dynatrace afirma que a aquisição proposta fechará essa lacuna. Seu acordo com a Arize descreve a observabilidade de IA como um ciclo de vida que abrange experimentação, avaliação, rastreamento em produção, infraestrutura e resultados de negócios.

O anúncio também revela o quanto a categoria se tornou valiosa para fornecedores consolidados de monitoramento. A Dynatrace não está simplesmente adicionando outro painel. Ela está comprometendo capital significativo para conectar a avaliação de IA à sua plataforma empresarial existente.

A empresa já lançou seu aplicativo dedicado de AI Observability em janeiro de 2026. Esse produto oferece suporte a interações de agentes, uso de ferramentas, dependências, consumo de tokens, latência, tendências de custo e resultados de guardrails.

A Dynatrace também afirma oferecer suporte a mais de 40 tecnologias de LLM. Suas integrações listadas incluem OpenAI, Anthropic, Amazon Bedrock, Google Gemini, LangChain e protocolos de agentes emergentes.

A Arize oferece à Dynatrace uma rota mais forte para equipes de engenharia de IA que trabalham antes de uma aplicação chegar à produção. Também dá à empresa alcance de código aberto por meio do projeto Phoenix da Arize e um fluxo de trabalho de avaliação mais especializado.

A Datadog agora enfrenta uma concorrente que combina velocidade de aquisição com um canal consolidado de vendas empresariais. A Dynatrace enfrenta a tarefa mais difícil de integrar dois produtos sem enfraquecer a experiência de desenvolvedor que tornou a Arize atraente.

Por Que os Agentes de IA Quebram o Monitoramento Tradicional

Um agente pode permanecer tecnicamente disponível enquanto toma uma sequência de decisões individualmente válidas que produz um resultado ruim.

O monitoramento tradicional de aplicações geralmente pergunta se um serviço respondeu, quanto tempo levou e se ocorreu um erro. Essas medidas continuam necessárias, mas não explicam o caminho de raciocínio de um agente nem a qualidade de sua saída.

Considere um agente de suporte ao cliente processando um reembolso. Ele pode recuperar uma conta, consultar uma política, chamar uma ferramenta de cobrança e atualizar um registro de cliente. Todos os serviços podem retornar uma resposta bem-sucedida enquanto o agente aplica a política errada.

Uma segunda execução da mesma solicitação pode seguir outro caminho. Modelos de linguagem de grande porte são não determinísticos, o que significa que entradas idênticas nem sempre produzem saídas idênticas. Essa variabilidade enfraquece testes baseados em resultados esperados fixos.

O uso de ferramentas adiciona outra fonte de incerteza. Um agente pode selecionar a função errada, fornecer argumentos inadequados ou chamar a ferramenta correta no momento errado. Ele também pode entrar em um ciclo de tentativas que aumenta a latência e o consumo de tokens sem gerar um erro convencional de aplicação.

Sistemas multiagente ampliam ainda mais o problema. Um agente coordenador pode delegar trabalho a agentes especializados, que então chamam modelos e serviços externos. A resposta final pode depender de vários prompts, permissões, etapas de recuperação e respostas de modelos.

Consequentemente, as equipes precisam de rastros que preservem todo o caminho de execução. Um rastro é um registro conectado das etapas realizadas durante uma solicitação, incluindo chamadas de modelo, chamadas de ferramentas, tempo, erros e metadados relevantes.

No entanto, coletar rastros é apenas o começo. Os engenheiros precisam conectar o comportamento técnico à qualidade, à segurança e aos resultados de negócios. Uma resposta rápida não é útil quando contém uma afirmação sem suporte ou dispara uma ação não autorizada.

A Datadog descreveu esse problema ao lançar o AI Agent Monitoring em junho de 2025. Seu lançamento de monitoramento afirmou que o produto mapeia entradas, invocações de ferramentas, chamadas a outros agentes e saídas em um gráfico interativo.

A empresa afirma que engenheiros podem investigar picos de latência, chamadas incorretas de ferramentas e loops infinitos. Em seguida, podem correlacionar esses eventos com medidas de qualidade, segurança e custo.

A Dynatrace adota uma visão igualmente ampla. Seu aplicativo AI Observability acompanha prompts, chamadas de ferramentas e invocações de modelos, vinculando-os à infraestrutura e às dependências de aplicações.

Essas capacidades explicam por que a observabilidade de IA está se tornando mais do que um painel de LLM. O objeto operacional mudou de uma transação de software previsível para um fluxo de trabalho probabilístico com autoridade para agir.

Essa mudança pressiona simultaneamente desenvolvedores, equipes de segurança, engenheiros de confiabilidade de sites e responsáveis pelo negócio. Cada grupo precisa de uma resposta diferente a partir das mesmas evidências.

Desenvolvedores querem saber qual prompt ou ferramenta causou uma falha. Equipes de operações precisam de dados sobre latência, confiabilidade e dependências. Equipes de segurança precisam de permissões e trilhas de auditoria. Líderes empresariais querem evidências de que o agente produz resultados úteis.

Uma plataforma que conecta essas questões pode se tornar difícil de substituir. Esse é o prêmio estratégico por trás da disputa entre Datadog e Dynatrace.

Monitoramento de Agentes de IA da Datadog Começa com Dados de Produção

A vantagem da Datadog é sua capacidade de posicionar o comportamento dos agentes ao lado dos sinais de aplicação e infraestrutura que seus clientes já coletam.

A Datadog apresentou AI Agent Monitoring, LLM Experiments e um AI Agents Console como partes de sua oferta mais ampla de LLM Observability. Juntos, eles abrangem investigação em tempo de execução, testes controlados e supervisão centralizada.

O AI Agent Monitoring se concentra no que acontece durante uma execução. Engenheiros podem examinar a cadeia de chamadas de modelos, ferramentas e transferências entre agentes. A interface também conecta essas etapas à latência, uso de tokens, erros, custo e resultados de avaliação.

O LLM Experiments trata de mudanças feitas antes da implantação. As equipes podem comparar prompts, modelos e configurações de aplicações usando conjuntos de dados criados a partir de rastros de produção ou exemplos fornecidos.

Essa conexão entre rastros de produção e experimentos é central para a abordagem da Datadog. Uma falha descoberta em um fluxo de trabalho ativo pode se tornar um caso de teste repetível. Os engenheiros podem então comparar uma correção proposta com o comportamento original.

As orientações da Datadog de setembro de 2026 ilustram o fluxo de trabalho com um agente de suporte. Uma equipe pode identificar resumos truncados e chamadas lentas de cobrança após a implantação. Dados de rastreamento podem identificar padrões recorrentes, enquanto experimentos testam se uma alteração de prompt ou modelo os melhora.

A empresa também recomenda comparar saídas não determinísticas em execuções repetidas. Uma única resposta bem-sucedida oferece evidências fracas quando outra execução pode produzir um resultado diferente.

Os avaliadores adicionam outra camada. São testes que pontuam a saída de um agente por qualidades como relevância, precisão, segurança ou conclusão de tarefa. Alguns usam regras determinísticas, enquanto outros utilizam outro modelo de linguagem como avaliador.

A avaliação baseada em modelos pode ampliar a revisão, mas introduz sua própria incerteza. A Datadog recomenda calibrar um avaliador LLM em relação à avaliação humana antes de confiar em suas pontuações. Essa cautela importa porque dois modelos podem compartilhar pontos cegos.

O AI Agents Console estende o monitoramento além do software desenvolvido por uma empresa. A Datadog afirma que ele pode ajudar organizações a catalogar agentes internos e de terceiros, inspecionar o uso, medir o impacto e verificar permissões.

Essa função de catálogo se torna importante quando funcionários adotam agentes incorporados a ferramentas de programação, plataformas de clientes e software de produtividade. Uma organização pode não controlar o modelo ou o ambiente de execução do agente, mas continua responsável pelo acesso aos dados e pelos resultados.

A posição comercial mais ampla da Datadog dá peso a essa estratégia. A empresa reportou receita de US$ 1,12 bilhão no segundo trimestre de 2026, alta de 36% em relação ao ano anterior. Também reportou cerca de 4.720 clientes com receita recorrente anual superior a US$ 100.000.

Esses números não provam que a Datadog liderará a observabilidade de IA. Eles mostram que ela tem uma grande base de clientes na qual o monitoramento de agentes pode se tornar mais um produto agregado.

A Datadog também disponibilizou de forma geral o Bits Code, o Bits Chat e o Bits Agent Builder durante o trimestre. Esses produtos posicionam a empresa nos dois lados do mercado. Ela cria agentes para clientes enquanto vende os sistemas usados para observar agentes.

Essa posição gera um feedback útil para o produto. A Datadog pode aplicar suas ferramentas de monitoramento aos próprios agentes e enfrentar problemas operacionais diretamente. Ela também cria um teste de credibilidade, pois os clientes podem avaliar se os produtos autônomos da empresa permanecem inspecionáveis.

Para as equipes de engenharia, o apelo é a consolidação. Um incidente com um agente raramente para na fronteira do modelo. A causa raiz pode estar em um banco de dados lento, uma API com falha, um pipeline de recuperação ou uma GPU sobrecarregada.

A Datadog pode correlacionar essas camadas dentro de um ambiente de monitoramento existente. As equipes também precisam de contexto técnico pesquisável fora da telemetria em tempo real, incluindo registros de incidentes e decisões de design. Uma base de conhecimento de engenharia bem mantida pode preservar esse contexto humano.

O desafio da Datadog é provar que uma plataforma ampla consegue se equiparar a ferramentas especializadas em profundidade de avaliação e usabilidade para desenvolvedores. A distribuição existente abre a porta, mas não resolve a decisão de produto.

A Dynatrace Está Comprando o Lado de Desenvolvimento do Ciclo de Vida

A estratégia da Dynatrace com a Arize ataca a Datadog ao conectar a avaliação pré-lançamento a uma plataforma de produção construída em torno do contexto de dependências.

Historicamente, a Dynatrace enfatizou a análise causal. Sua tecnologia Smartscape mapeia relações entre aplicações, infraestrutura, serviços, redes e usuários. Sua camada de dados Grail consolida informações de observabilidade, segurança e negócios.

A empresa argumenta que esse contexto ajuda as equipes a entender por que um incidente ocorreu, e não apenas qual métrica mudou. Essa abordagem é adequada para sistemas de agentes, porque um resultado ruim pode surgir em várias dependências.

O aplicativo dedicado AI Observability da Dynatrace já acompanha caminhos de execução de agentes, invocações de ferramentas, interações com modelos, uso de tokens, custo, latência e erros. Ele também oferece suporte a OpenTelemetry e OpenLLMetry, que fornecem convenções abertas para capturar telemetria.

A instrumentação aberta é importante porque a pilha de agentes está mudando rapidamente. As empresas não querem que cada novo modelo, framework ou protocolo exija uma integração proprietária de monitoramento.

A Dynatrace lista suporte para Amazon Bedrock AgentCore, Strands Agents, LangChain, Google's Agent Development Kit, o OpenAI Agents SDK e fluxos de trabalho do Model Context Protocol. Essa abrangência reduz o atrito para empresas que operam em ambientes mistos.

A Arize atende a uma necessidade diferente. Engenheiros de IA usam sistemas de avaliação ao escolher conjuntos de dados, prompts, modelos e candidatos a lançamento. Seus fluxos de trabalho começam antes de as equipes de operações receberem um serviço de produção.

A combinação proposta, portanto, mira uma divisão organizacional persistente. As equipes de desenvolvimento investigam o comportamento do modelo e a qualidade das respostas. As equipes de operações analisam disponibilidade, dependências de aplicações e desempenho da infraestrutura.

Reunir essas atividades poderia criar um ciclo contínuo de melhoria. Uma falha em produção se torna um caso de avaliação. A mudança resultante pode ser testada antes de uma implantação controlada levá-la de volta à produção.

A Dynatrace afirma que a plataforma combinada conectará o comportamento da IA ao impacto nos negócios. Essa é uma afirmação importante, pois indicadores técnicos indiretos podem ocultar falhas.

Por exemplo, um agente pode reduzir o tempo médio de atendimento enquanto aumenta os casos de suporte reabertos. Um agente de programação pode produzir mais alterações enquanto eleva as taxas de reversão. Uma plataforma de observabilidade precisa de dados de resultados para distinguir atividade de valor.

A Dynatrace entrou nessa disputa com um impulso significativo. Ela reportou US$ 2,136 bilhões em receita recorrente anual no primeiro trimestre de seu ano fiscal de 2027, um aumento de 17%.

A empresa também reportou receita trimestral de US$ 555 milhões, alta de 16%. A nova receita recorrente anual líquida orgânica cresceu 41%, segundo seus resultados trimestrais.

A Dynatrace afirma que a demanda está crescendo à medida que clientes expandem cargas de trabalho nativas de nuvem e iniciativas de IA. No entanto, os comentários da empresa não revelam quanto da receita vem diretamente da observabilidade de IA.

A transação com a Arize é, portanto, tanto uma decisão de produto quanto uma aposta de mercado. A Dynatrace está pagando por tecnologia, talento, adoção por desenvolvedores e tempo.

O risco de integração é substancial. Plataformas de monitoramento empresarial e ferramentas de avaliação voltadas a desenvolvedores atendem a usuários diferentes. Suas interfaces, padrões de implantação, ciclos de lançamento e processos de compra não se alinham automaticamente.

A Dynatrace precisa preservar o apelo da Arize para engenheiros de IA enquanto a conecta à plataforma maior. Uma migração forçada ou um empacotamento excessivamente complexo poderia levar desenvolvedores a alternativas independentes.

Ela também precisa mostrar que os dados combinados produzem decisões melhores. Mais telemetria não gera automaticamente mais compreensão. Esquemas ruins, rastros incompletos e critérios de avaliação inconsistentes podem criar uma coleção maior de evidências ambíguas.

O Vencedor Deve Monitorar Qualidade, Custo e Autoridade

O recurso decisivo não será o gráfico de rastreamento mais bonito, mas a capacidade de conectar as ações dos agentes a resultados de negócio aceitáveis.

Datadog e Dynatrace podem exibir caminhos de execução, uso de tokens, erros e latência. Essas capacidades estão se tornando requisitos básicos, e não diferenciais duradouros.

O problema mais difícil é definir sucesso. Um agente pode concluir um fluxo de trabalho sem satisfazer o usuário. Pode fornecer uma resposta precisa enquanto viola uma política. Pode melhorar a qualidade enquanto torna o fluxo de trabalho antieconômico.

A avaliação de qualidade continua especialmente difícil. Regras podem verificar saídas estruturadas, campos obrigatórios e fatos conhecidos. Escrita, raciocínio e recomendações abertas exigem julgamentos mais subjetivos.

A avaliação LLM-as-a-judge oferece escala, mas não deve se tornar uma verdade absoluta incontestada. Um modelo avaliador pode preferir determinados estilos de escrita, deixar passar erros factuais sutis ou reproduzir vieses presentes no modelo avaliado.

A revisão humana continua necessária para calibração e casos de alto risco. No entanto, revisar cada execução elimina grande parte da justificativa econômica para a automação. Os fornecedores precisam ajudar os clientes a decidir quais casos merecem atenção humana.

O custo é mais fácil de contabilizar, mas mais difícil de interpretar. Consumo de tokens, tarifas de modelos, uso de infraestrutura e chamadas a ferramentas externas podem contribuir para o custo operacional de um agente.

Um ciclo de tentativas pode inflar os gastos sem provocar uma interrupção evidente. Um modelo mais caro ainda pode ser econômico quando conclui tarefas com confiabilidade e reduz retrabalho. Portanto, o monitoramento de custos precisa de um denominador de resultados.

A autoridade envolve os riscos mais altos. Agentes podem acessar registros de clientes, repositórios, sistemas financeiros e ferramentas de comunicação. A observabilidade deve registrar o que um agente tentou fazer, quais permissões utilizou e se uma ação foi aprovada.

Registrar uma ação insegura após sua conclusão não é suficiente para fluxos de trabalho sensíveis. As empresas exigirão cada vez mais aplicação de políticas, acesso revogável, aprovação humana e execução recuperável.

Esse requisito torna menos clara a fronteira entre observabilidade, segurança, governança e controle de execução. Datadog e Dynatrace não competem apenas entre si. Elas enfrentam especialistas focados em avaliações, gateways de agentes, segurança, rastreamento e orquestração de fluxos de trabalho.

OpenTelemetry pode reduzir a dependência de fornecedores na camada de coleta. Ele não pode padronizar todas as pontuações de avaliação ou resultados de negócios. Os fornecedores ainda farão escolhas diferentes sobre modelos de dados, correlações e recomendações automatizadas.

Isso deixa os compradores com uma pergunta cética: uma plataforma unificada revela mais ou apenas centraliza mais dados?

A resposta varia conforme a organização. Uma empresa já padronizada na Datadog pode valorizar implantação rápida e fluxos de trabalho familiares. Uma grande empresa híbrida pode preferir o modelo de dependências e a análise causal da Dynatrace.

Equipes nativas de IA podem continuar escolhendo ferramentas de avaliação especializadas. Elas podem enviar telemetria selecionada para uma plataforma de monitoramento mais ampla mais tarde. A compra da Arize pela Dynatrace é uma tentativa de impedir que essa camada especializada permaneça separada.

Nenhum dos fornecedores estabeleceu um método universal para comprovar a confiabilidade dos agentes. Seus produtos podem coletar evidências, executar testes e destacar anomalias. Os clientes ainda precisam definir comportamentos aceitáveis e resultados significativos.

O risco é que a observabilidade de IA se torne uma coleção de painéis atraentes sem responsabilidade operacional. Implantações bem-sucedidas vincularão cada pontuação importante a uma decisão, responsável, limite e resposta.

Três Sinais Decidirão a Disputa entre Datadog e Dynatrace

A próxima fase será julgada pela integração, adoção mensurável e pelo grau de controle que as empresas concedem a essas plataformas.

O primeiro sinal é a conclusão e a integração de produto da aquisição da Arize pela Dynatrace. O fechamento do negócio apenas inicia o teste. Os compradores devem observar com que rapidez rastros, conjuntos de dados, avaliações e incidentes de produção transitam entre os dois ambientes.

Um fluxo de trabalho coerente fortaleceria a tese de ciclo de vida da Dynatrace. Interfaces separadas, dados duplicados ou propriedade de produto pouco clara a enfraqueceriam. A retenção de desenvolvedores em torno da Arize e do Phoenix oferecerá outro sinal útil.

O segundo sinal é a adoção por clientes divulgada por ambos os fornecedores. O crescimento geral da receita oferece contexto, mas não isola a demanda por observabilidade de agentes.

Evidências úteis incluiriam o número de agentes de produção monitorados, cargas de trabalho que usam avaliações, produtos vinculados por cliente e expansão de clientes associada à IA. Estudos de caso devem identificar resultados mensurados, e não apenas contagens de agentes.

O terceiro sinal é a passagem da observação para a ação governada. Ambas as empresas estão desenvolvendo agentes capazes de investigar incidentes e auxiliar operações. Os clientes precisam decidir se esses sistemas podem recomendar mudanças, executar etapas aprovadas ou agir de forma autônoma.

A análise somente de leitura implica uma exigência de confiança menor. A remediação automatizada requer trilhas de auditoria completas, permissões restritas, mecanismos de reversão e responsabilidade clara quando o agente comete um erro.

O progresso em ações governadas fortaleceria o argumento de que plataformas de observabilidade podem se tornar planos de controle para agentes empresariais. Uma hesitação persistente sugeriria que o monitoramento continua valioso, mas a autonomia atingiu um limite de confiança.

Compradores empresariais não devem escolher uma plataforma apenas com base em uma lista de recursos. Eles devem começar com um fluxo de trabalho de produção e definir sua qualidade, custo, latência, permissões e resultado de negócio aceitáveis.

Em seguida, devem testar se a plataforma consegue reconstruir uma falha, identificar sua causa, comparar uma correção proposta e impedir regressões. Esse exercício revela lacunas que uma demonstração refinada pode ocultar.

O monitoramento de agentes de IA da Datadog atualmente oferece uma rota sólida, centrada na produção, para organizações que já utilizam sua plataforma. A Dynatrace faz uma aposta maior de que avaliação e operações precisam se tornar um único ciclo de vida.

O vencedor será o fornecedor que transformar o comportamento imprevisível dos agentes em evidências nas quais as equipes possam confiar e agir. Para os compradores, a pergunta imediata é mais simples: seu sistema de monitoramento consegue explicar não apenas se um agente foi executado, mas se ele fez a coisa certa?