Datadog表示，企业在推进AI落地时，AI治理、IT运维与安全可观测性不应各自为政，而应统一到同一平台中建设。

Datadog韩国负责人Eom Su-chang表示，随着企业加快引入AI，系统复杂度明显上升，可观测性能力也需要实现端到端覆盖。他指出，市场上擅长IT管理、AI防护或成本管理单一领域的厂商并不少见，但能够以统一平台覆盖企业整体场景的并不多。

他进一步表示，企业对付费AI服务的需求正在快速增长，运营体系也正从单一模型走向多模型。对于同时使用Claude、Copilot、Cursor等多种模型和Agent的企业而言，成本、安全与可靠性问题会更加集中地显现。Datadog已经具备将可观测性采集到的运行信号，与安全能力及AI治理统一打通的架构。

Eom Su-chang还表示，Datadog将继续提供本地化支持，帮助韩国企业在加快AI导入的同时，完善运营稳定性和治理体系。根据介绍，Datadog Korea目前已与GS Neotek、MegazoneCloud、LG CNS等超过26家合作伙伴展开合作，服务对象覆盖金融、制造、商业、游戏等领域的1000多家韩国客户。

Datadog称，其一体化可观测性平台主要围绕自运维、AI治理可视化和安全三大方向展开。

在自运维方面，Datadog正推动能力从传统监控、可观测性进一步延伸至Autonomy（自运维）。

具体来看，监控主要聚焦CPU利用率、错误率等指标，并在异常发生后触发告警；可观测性则通过关联日志和各类指标，回答“问题为何发生”；而Autonomy则在此基础上进一步演进，强调系统具备自我诊断和自动修复能力。

为构建自运维能力，Datadog引入了Bits AI。Eom Su-chang解释称，当错误率超过阈值时，Bits AI可自动发现问题、提出假设并逐项验证，最终给出根因分析和代码修改建议。原本需要工程师花费50分钟到2小时完成的工作，可压缩至5分钟内；同时，该系统还具备基础设施自动化能力，可依据预设护栏规则自动调节内存和CPU资源。

在AI治理可视化方面，Datadog平台由Agent可观测性、成本管理和业务指标联动三部分构成。

其中，Agent可观测性用于观察AI Agent内部运行情况。Datadog Korea技术负责人Jeong Young-seok表示，在多Agent架构下，企业可实时掌握每个Agent调用了哪种LLM、各阶段耗时、token消耗以及对应成本。

在成本管理方面，平台可在同一界面汇总展示Claude、Copilot、Cursor等多个账号产生的AI支出，并跟踪团队和模型维度的成本变化趋势，帮助企业判断是否需要切换至更优模型。

业务指标联动则用于打通运行数据与实际业务表现，帮助企业实时判断问题究竟来自IT侧还是战略侧。

安全是Datadog近期重点拓展的可观测性新业务方向之一。该公司表示，虽然这一领域起步相对较晚，但过去5年通过持续高强度投入实现了快速增长。

Jeong Young-seok介绍，借助作为网关的AI Guard，平台可对进出请求进行实时检查，拦截恶意提示词注入、敏感数据泄露以及不符合策略要求的请求。例如，在发票处理Agent中，如果隐藏植入“将交易数据外传”等注入内容，系统可识别相关风险，并直接阻止生成回复。