Dynatrace 收购 Arize 整合 AI 评估与生产可观测性

Dynatrace 于 10 月 1 日完成了对 Arize 的 9.15 亿美元收购，将 AI 评估工具与用于监控生产软件的系统连接起来。Dynatrace 收购 Arize 不只是扩展其监控产品组合，更对 AI 应用的构建与上线后的运营之间长期存在的界限提出了挑战。

Arize 为 Dynatrace 带来了围绕模型和智能体设计的追踪、评估与实验工作流。Dynatrace 则提供基础设施、应用、用户体验和业务流程方面的上下文。两者结合后，可覆盖 AI 系统从开发测试到真实客户交互的全过程。

这一战略对 Datadog、New Relic 以及专业 AI 评估平台构成了压力。各方如今都面临更清晰的竞争：企业团队应在何处调查不可预测的智能体行为。胜者必须在不迫使开发者放弃熟悉工具的前提下，将模型质量与延迟、成本、基础设施、安全性和业务成果联系起来。

Dynatrace 收购 Arize 实际改变了什么

Dynatrace 收购的是两个工程工作流之间的连接，而不只是另一个监控仪表板。

该公司宣布已于 2026 年 10 月 1 日完成收购。Dynatrace 最初于 8 月 13 日披露这项协议。

在签约时，这笔交易的公布价值为 9.15 亿美元。交易条款包括约 8.15 亿美元现金，以及向加入 Dynatrace 的 Arize 员工提供替代性股权奖励。

Dynatrace 表示，计划使用现有现金、现有信贷额度或两者结合来支付交易资金。最初交易条款还预测了这笔交易对 2027 财年的两项财务影响。

公司预计，这笔交易将为年度经常性收入增长增加约 200 个基点。100 个基点等于一个百分点。

Dynatrace 还预计，在该财年其非 GAAP 营业利润率将下降 175 个基点。这些估计为公司预测，而非独立确认的结果。

Arize 联合创始人 Jason Lopatecki 和 Aparna Dhinakaran 在交易完成后加入 Dynatrace。Lopatecki 继续领导 Arize 团队，并向 Dynatrace CEO Rick McConnell 汇报。

这种组织延续性很重要，因为 Arize 在 AI 工程师群体中建立了信誉，而不是在传统基础设施管理员群体中。其产品支持团队检查提示词、检索步骤、模型调用、工具使用和智能体决策。

Arize Phoenix 是其开源可观测性与评估项目。Arize AX 则是该公司的企业平台，涵盖追踪、实验、数据集和评估。

Dynatrace 表示将继续支持这两项产品，也称 Arize 的能力将随时间推移纳入更广泛的 Dynatrace 平台。

这种表述仍为产品架构留有空间。客户已了解战略方向，但尚未获得完整的整合时间表。

因此，眼下的变化主要是所有权和产品协同。现有用户不应假定所有工作流已经变成一种统一体验。

更重要的变化，是 Dynatrace 希望建立的运营模式。AI 行为将成为更广泛软件系统中又一个可观测层。

团队可以追溯一次失败的智能体响应，穿过检索、模型选择、工具调用、应用服务和基础设施。随后，他们还能将该失败与用户体验或业务流程联系起来。

传统应用监控可以显示某项服务响应缓慢或返回错误。AI 评估则会询问：一次技术上成功的响应是否准确、相关、安全且有用。

对于智能体而言，这一区别尤为关键。智能体可以返回正常状态码，同时却选择了错误工具，或采取了一系列无效行动。

Dynatrace 收购 Arize 试图将这两个问题置于同一个运营框架中：应用是否正确运行，以及 AI 是否表现得可接受？

这种结合形成了本文的核心张力。整合平台承诺提供更好的上下文，但整合必须保留令 Arize 具备价值的专业工作流。

为什么 AI 评估正进入生产运营环节

AI 智能体使应用健康状况不再只取决于基础设施可用性，也取决于其行为。

传统服务通常遵循工程师可以复现的路径。输入可能有所不同，但应用逻辑始终由代码和配置定义。

生成式 AI 应用的行为方式不同。其响应可能随提示词、检索到的文档、模型版本、工具结果和累积的对话上下文而变化。

智能体系统带来了更多不确定性。一个智能体可能规划多个步骤、选择工具、调整方法，并将工作交给另一个智能体。

这意味着，看似健康的应用仍可能交付糟糕结果。其服务器可能可用，每项请求也可能在没有技术错误的情况下完成。

但输出仍可能包含缺乏依据的答案。智能体可能调用错误系统、暴露敏感上下文，或花费过多时间重复无效操作。

AI 可观测性涵盖用于调查这些行为的追踪和评估。追踪记录 AI 请求内部的步骤，评估则依据既定标准衡量输出。

评估可以在上线前借助测试数据集和实验进行，也可以针对抽样的生产流量、用户反馈或已知失败模式运行。

Dynatrace 已专注于应用周边的生产环境，监控服务、基础设施、用户交互和运营依赖关系。

Arize 则更直接地聚焦 AI 应用本身。其工作流审查模型输出、检索质量、智能体轨迹、实验和评估结果。

将这些层结合起来，有助于解决一个实际的责任归属问题。AI 工程师和站点可靠性团队往往会借助不同工具调查相关事故。

AI 工程师可能看到评估器将某个答案标记为不相关。运维工程师则可能看到检索服务的延迟上升。

单独看，任一观察都无法解释完整故障。更有价值的答案来自将 AI 行为与产生它的应用和基础设施联系起来。

Dynatrace 自身的研究也支持这一问题的紧迫性，不过读者应对厂商资助的调查保持适当谨慎。其智能体 AI 调查涵盖了 919 名负责实施智能体 AI 的高级领导者。

52% 的受访者将安全、隐私或合规担忧列为生产部署的主要障碍。51% 的受访者提到，在大规模管理和监控智能体方面存在技术挑战。

调查还发现，44% 的受访者指出存在技能或培训短缺。这些数据反映的是报告的担忧，而非测得的失败率。

不过，这种运营模式并不陌生。企业正从受控演示走向与客户、员工和业务数据交互的系统。

当智能体失败时，演示可以重新启动。生产流程则需要记录发生了什么、为何发生，以及哪些用户受到影响。

这推动了跨团队共享证据的需求。开发者需要追踪和评估分数，运维团队则需要依赖关系、资源使用情况和事故上下文。

安全团队同样需要了解提示词、数据访问、权限和工具操作。业务负责人则希望知道自动化工作流是否实现了预期成果。

没有单一指标能够回答所有这些问题。Token 使用量、延迟、答案质量、任务完成度和业务影响描述的是系统的不同部分。

这正是 Dynatrace AI 可观测性正超越简单模型监控的原因。该公司希望其平台能够将 AI 行为与企业环境的其余部分连接起来。

这一时机也反映了采购方式的变化。实验性 AI 工具往往由个人开发者或小型团队引入组织。

生产系统会吸引平台工程、安全、采购和合规利益相关者。这些群体通常更倾向于具备一致访问控制和保留策略的受治理系统。

Arize 为 Dynatrace 提供了一条更强的进入开发阶段的路径。Dynatrace 则让 Arize 接触到已经运营复杂生产环境的客户。

这种分销优势可能缩短 Arize AI 可观测性的销售路径，也可能让 Dynatrace 在应用进入生产环境前变得更具相关性。

真正的竞争是整合平台与专业工具链之争

这项收购将碎片化的 AI 监控转变为平台竞争，但专业化仍具战略价值。

Dynatrace 进入的并非空白市场。Datadog、New Relic、云服务提供商和 AI 开发平台已经提供能力重叠的可观测性产品。

Datadog 围绕智能体追踪、评估、实验和生产监控扩展了其 LLM 可观测性产品。其智能体监控扩展也涉及外部智能体及其在连接系统中的权限。

这种方法与 Dynatrace 现在希望覆盖的领域非常接近。两家公司都能够将 AI 活动与既有的应用和基础设施遥测数据联系起来。

New Relic 同样将智能体及其工具视为可观测实体。其智能体监控文档描述了对包括 LangGraph、Strands 和 AutoGen 在内框架的支持。

专业平台依然重要，因为它们往往能更快跟上 AI 开发变化。LangSmith、Langfuse、Phoenix 和其他专注项目将其工作流聚焦于提示词、数据集、追踪和评估。

因此，主要竞争是整合平台与专业工具链之间的竞争，而不只是 Dynatrace 与某一家点名竞争对手的较量。

整合平台提供统一的身份控制、共享遥测数据、更少的交接环节和更广泛的运营上下文。随着 AI 应用进入受监管或关键流程，这些优势会变得更具吸引力。

专业产品则可以提供更深入的 AI 工作流，以及与开发者更紧密的关系。它也可能在大型平台调整产品路线图之前，就支持新框架。

企业并不总是只选择其中一条路线。开发团队可能使用开源评估工具，同时将追踪数据导出到企业可观测性平台。

开放标准让这种混合方式更容易实现，也防止一次收购自动将市场锁定在某一家供应商周围。

Arize 的 OpenInference 项目在这里尤其重要。OpenInference 提供用于记录模型调用、智能体操作、检索步骤及其他 AI 特定活动的插桩能力。

插桩是指添加可生成应用遥测数据的代码或库。这些遥测数据随后可以传送到兼容的分析系统。

2026 年，Arize 提议向 OpenTelemetry 捐赠部分 OpenInference 插桩代码。获批的插桩代码捐赠涵盖多种语言和 AI 框架的库。

这项捐赠并未转移整个 OpenInference 项目，也不包括 OpenInference 规范及其语义约定包。

OpenTelemetry 是一个供应商中立的框架，用于生成和传输追踪、指标和日志。其不断扩展的生成式 AI 覆盖能力，让客户在不同工具之间迁移遥测数据时拥有更多选择。

这种开放性既为 Dynatrace 带来优势，也构成约束。它将开发者社区和成熟的插桩能力纳入公司的生态范围。

但开放插桩也降低了切换门槛。团队可以生成兼容数据，而无需将每个工作流都绑定到 Dynatrace。

Dynatrace 表示将保留 Phoenix、OpenInference 及其面向构建者的社区。这一承诺在商业上是合理的，因为削弱它们会损害此次收购的开发者价值。

困难的问题在于长期优先级。开源项目需要可信的治理、及时的维护，以及与竞争性后端的兼容性。

大型平台所有者可能更倾向于强化其商业产品的集成。开发者则可能更偏好能在各供应商之间同样良好运作的中立组件。

没有证据表明 Dynatrace 计划限制这些项目。风险来自未来投资周围的激励机制，而非已宣布的政策变化。

对于企业买家而言，选择将取决于运营成熟度。规模较小的 AI 团队可能更看重实验速度和专业评估，而非平台整合。

大型企业可能更重视访问控制、审计历史、数据保留、事件响应和采购简化。

当共享上下文能够缩短调查时间时，集成平台便会胜出；当标准化消除快速 AI 开发所需的灵活性时，它便会失利。

这使工作流质量比罗列的功能数量更重要。团队需要能够从一次失败的评估直接定位到相关追踪和基础设施事件，而不必手动重建过程。

他们还需要保留调查所得的知识。一个可搜索知识库可以在工程团队间留存事故发现、设计决策和评估标准。

这笔收购为 Dynatrace 提供了必要组件，但并不保证客户会将其体验为一个连贯的系统。

全生命周期 AI 可观测性应如何运作

Dynatrace 必须连接开发证据与生产证据，同时让各团队的工作流保持可识别性。

设想一个客户支持代理：它检索政策文档并发放账户积分。该应用包含用户界面、检索系统、语言模型、工具、数据库和业务规则。

在发布前，开发者会使用具有代表性的问题测试该代理。他们评估回答相关性、政策合规性、工具选择和任务完成情况。

Arize 的技术支持这一实验层。团队可以在选定配置前比较提示词、模型、数据集和评估结果。

上线后，同一系统将面对不断变化的客户表达方式和实时数据。它还会遇到基础设施延迟、文档缺失、权限错误和模型供应商变更。

Dynatrace 可以提供这些运营条件的上下文。其平台能够将 AI 追踪与服务、主机、数据库、用户会话和业务流程关联起来。

假设该代理开始给出不完整的回答。一次评估发现相关性下降，但模型本身并未发生变化。

组合遥测数据可能显示，基础设施更新后检索请求变慢。它也可能揭示，代理在收到最相关文档之前就已超时。

另一次事故可能看起来相似，却有不同原因。检索服务可能运行正常，但新的提示词可能将代理引向不合适的工具。

这种区别对责任归属至关重要。第一类故障部分属于运维问题，第二类则更直接属于 AI 开发工作流。

全生命周期系统应当保持这些事实之间的关联，而不应将每个 AI 问题都简化为传统基础设施事故。

同样的原则也适用于成本。模型支出的增加可能源于客户流量增长、更长的提示词、重复的工具调用，或低效的代理循环。

生产可观测性平台能够识别资源和使用量变化。AI 原生追踪则可以解释造成这些变化的决策序列。

安全性又增加了一层复杂性。代理在完成任务时可能访问多个内部系统。

运营监控可以记录服务调用和权限失败。AI 追踪则可显示，是哪条提示词、检索到的上下文或中间决策导致了该操作。

这份联合记录可支持审计和事故复盘，也能帮助团队界定在哪些环节仍需要人工审批。

但可观测性本身也会带来数据管理问题。提示词和响应可能包含个人信息、机密文档，或被错误纳入上下文的凭据。

组织必须决定捕获、脱敏、保留和暴露哪些数据。更多遥测数据并不会自动带来更安全的运营。

因此，产品必须为团队提供细粒度控制。有效的追踪应保留诊断价值，而不将每项敏感输入复制到另一个系统中。

Dynatrace 尚未公布组合架构的全部细节。该公司表示，整合将通过共享的产品和平台路线图逐步推进。

这使整合机制显得可信，但仍不完整。两家公司提供互补层级，但客户仍需要证据证明导航和数据模型能够对齐。

身份体系是另一项整合挑战。开发工具和生产平台通常使用不同的项目、环境、角色和命名约定。

来自实验的追踪必须能够与面向客户系统生成的追踪区分开来。访问策略也必须遵循这种区别。

评估结果同样需要上下文。分数变化可能是因为模型改善、测试数据集发生变化，或评估器发生变化。

可靠的比较需要对提示词、数据集、模型、工具和评估标准进行版本管理。生产事故必须能够回溯并关联到这些确切产物。

Dynatrace 对 Arize 的收购为建立这类记录提供了一条合理路径。成功取决于该平台能否在整个生命周期中保留数据溯源关系。

它还取决于性能。捕获详细的代理轨迹可能产生大量遥测数据和可观的存储成本。

团队需要采样、过滤和保留控制，且不能因此抹去罕见故障。低频安全问题可能比常见的延迟模式更重要。

最后的机制是组织性的，而非技术性的。AI 工程师、应用开发者、SRE、安全团队和业务负责人必须就共享信号达成一致。

统一产品可以将证据置于同一个系统中，但无法解决责任争议，也无法为客户定义可接受的 AI 行为。

整合风险如今是核心不确定性

Dynatrace 必须证明，平台整合能够改善调查，同时不会削弱 Arize 的开发者体验或开源信誉。

收购通常先产生吸引人的架构图，随后才形成统一工作流。客户应区分战略契合度与已交付的整合成果。

Dynatrace 和 Arize 显然在解决相邻的问题。困难工作涉及数据模型、权限、用户界面、计费、支持和产品优先级。

薄弱的整合会让客户继续在两个冠以不同品牌的体验之间切换。这种结果将延续该交易声称要解决的碎片化问题。

仓促的整合则可能带来另一种问题。Dynatrace 可能会简化 Arize 工作流，使其符合广泛企业平台的惯例。

AI 工程师需要快速实验、灵活评估以及对详细追踪的访问。运维团队通常需要标准化仪表板、告警和服务级别目标。

任何一种工作流都不应主导每个界面。组合产品需要共享上下文，但不应迫使两类团队执行完全相同的任务。

开源构成另一项考验。Phoenix 和 OpenInference 帮助 Arize 触达那些可能永远不会通过企业销售流程开始使用的开发者。

这些用户会关注代码仓库活跃度、问题响应时间、发布频率、兼容性和治理。营销承诺的重要性将低于可观察到的维护情况。

OpenTelemetry 的代码捐赠为降低对单一公司依赖提供了一定保护。捐赠的插桩代码可以在更广泛的开源项目中继续发展。

但标准插桩并不能替代 Arize 完整的评估体验。数据集、实验、评估器和调查工作流仍是产品差异化领域。

客户还应审视数据可移植性。导出追踪很有用，但评估、标注、数据集和实验历史可能更难迁移。

财务状况增加了压力。Dynatrace 预计，该交易将在 2027 财年降低其非 GAAP 营业利润率。

因此，管理层有动力创造收入协同效应和运营效率。这可能支持投资，但也可能推动更快的产品整合。

对经常性收入增长的预期贡献为投资者提供了可衡量的目标，但并未揭示增长将来自新客户、交叉销售还是合同扩张。

它也无法显示现有 Arize 用户是否会接受新的所有权。客户留存和产品使用情况将提供更有力的证据。

竞争加剧了这种压力。Datadog 已在广泛的监控平台中提供 AI 可观测性。

New Relic 也已围绕 AI 代理和工具交互扩展其平台。专业厂商可通过开放性、专注度或更容易的采用方式参与竞争。

Dynatrace 不能将收购公告作为持久的差异化因素。竞争对手可以增加评估能力、改进追踪，或与独立 AI 工具合作。

该公司更深层的机会在于 Davis AI 及其现有的因果分析能力。Dynatrace 可以利用关联遥测数据，将代理行为与下游技术和业务影响联系起来。

这仍是一项产品方向，而非此次收购已确立的完成结果。买家应要求使用自身架构和故障案例进行演示。

他们还应测试多供应商环境。企业可能使用多个模型供应商、代理框架、云平台和可观测性后端。

令人信服的平台必须能够处理这种多样性，而无需进行完整的基础设施迁移。在快速 AI 开发期间，技术栈中立性尤其重要。

隐私控制同样值得严格审查。团队应验证两个既有及整合后产品中的脱敏、保留、区域存储、访问日志和删除机制。

他们还应询问评估数据是否会训练共享系统，还是始终留在受控环境中。合同条款比笼统保证更重要。

正确的审慎立场并非认为整合必然失败，而是此次收购的价值仍取决于实施证据。

Dynatrace 已获得成熟的技术、经验丰富的创始团队，以及既有的开发者社区。如今，它需要证明整合后的系统能够减少运营摩擦。

三个信号将显示该战略是否奏效

下一轮产品发布、开源活跃度和财务披露将揭示 Dynatrace 打造的是一个生命周期平台，还是仅仅拼接了相邻资产。

第一个信号是明确的整合路线图。客户应关注已发布的工作流是否将 Arize 评估与 Dynatrace 的生产环境上下文连接起来。

一项有意义的发布应保留提示词、模型、数据集和评估器的版本信息，同时将它们与服务、基础设施、用户影响和业务结果关联起来。

共享登录或嵌入式仪表盘还不够。关键衡量标准在于，团队能否在无需手动关联记录的情况下调查一次故障。

如果 Dynatrace 能迅速推出该工作流，整合平台的论点将更有说服力。反复含糊的路线图表述则会削弱这一论点。

第二个信号是 Phoenix 和 OpenInference 的健康状况。发布频率、外部贡献、问题处理以及后端中立性，都是公开可见的指标。

持续支持多个平台，将强化 Dynatrace 重视开放、面向构建者方法的主张。中立性下降则会使专业替代方案更具吸引力。

OpenTelemetry 的采用情况同样重要。更广泛地支持共享的生成式 AI 规范，将使市场竞争更充分，并减少对专有埋点的依赖。

这未必会损害 Dynatrace。即使数据采集保持可移植性，强大的平台仍可凭借分析能力和工作流质量展开竞争。

第三个信号是财务和商业表现。投资者应比较经常性收入增长、营业利润率、客户留存率，以及管理层对整合的评论。

Dynatrace 在宣布该协议时预计，这笔交易将为 2027 财年带来增长贡献，同时造成暂时性的利润率成本。后续业绩将显示这些预期是否兑现。

客户案例同样重要。应关注那些在发布前使用评估、并在发布后于同一连通工作流中开展事故分析的部署案例。

泛泛的客户标识价值有限。详细案例应说明哪些团队参与其中、发现了何种故障，以及响应时间如何变化。

竞争对手的反应将使局面更加清晰。Datadog 和 New Relic 可以通过更深入的评估功能、合作伙伴关系或更简便的迁移路径作出回应。

专业厂商可以强调独立性和框架覆盖范围。云服务提供商则可以将可观测性与模型托管、智能体平台和安全控制打包提供。

对于企业买家而言，眼下应采取的行动是评估，而非迁移。梳理 AI 实验、追踪、评估、运营遥测和事故知识目前分别位于何处。

随后识别那些延误诊断的交接环节。这些缺口决定了一体化平台能否提供有意义的价值。

要求供应商重现一次跨越开发和生产环境的真实故障。应涵盖模型行为、工具调用、基础设施依赖、用户影响以及敏感数据控制。

Dynatrace 对 Arize 的收购，是一项严肃押注：AI 评估应属于更广泛的运营系统之中。其成败将取决于交易完成后产生的证据，而非交易本身。

未来一个季度，请关注整合路线图、开源代码库和 Dynatrace 的财务披露。这些信号将显示，全生命周期 AI 可观测性是否会成为运营现实。