Desde hace años, la observabilidad se ha consolidado como una herramienta esencial para que las empresas comprendan el rendimiento y los fallos de sus aplicaciones e infraestructuras. Sin embargo, la irrupción de modelos de lenguaje a gran escala (LLM) y agentes de inteligencia artificial ha aumentado la complejidad de estos sistemas, ya que una infraestructura que funciona perfectamente puede no garantizar que un agente de IA responda correctamente o cumpla con la tarea encomendada.
Para afrontar este nuevo desafío, Dynatrace anunció en agosto la compra de la startup Arize por 915 millones de dólares. Con esta operación, la firma austríaca busca fusionar su experiencia en monitorización y seguridad de aplicaciones con las capacidades de Arize para trazar, evaluar y depurar el comportamiento de modelos de IA y agentes automatizados.
La adquisición ya ha sido formalizada y en conversación con The New Stack, el director de producto de Dynatrace, Steve Tack, junto con la cofundadora y directora de producto de Arize, Aparna Dhinakaran, profundizaron en los beneficios que aporta esta integración y en por qué la llegada masiva de agentes y modelos de IA “exige un nuevo tipo de observabilidad”. 
Dos enfoques complementarios de la observabilidad
Dynatrace, fundada en 2005 y con una sólida trayectoria en monitorización del rendimiento de aplicaciones (APM) que ha evolucionado hacia la observabilidad de pila completa y seguridad, ha integrado la inteligencia artificial en su ADN desde hace años. En 2017 lanzó Davis, un asistente digital impulsado por IA para la detección de problemas, que se ha ido ampliando con capacidades predictivas, generativas y agentes autónomos para investigar y resolver incidentes en tiempo real.
Por su parte, Arize surgió en 2020 con un enfoque específico en la observabilidad de IA, ayudando a las empresas a supervisar y solucionar problemas de modelos de aprendizaje automático en producción. Con el aumento de modelos LLM y agentes inteligentes, Arize amplió su alcance para trazar el comportamiento de estos agentes, evaluar sus acciones y detectar fallos que la monitorización tradicional nunca captaría.
Esta especialización hace que Dynatrace y Arize tengan audiencias y enfoques diferentes pero complementarios: Dynatrace se ha centrado en infraestructuras, aplicaciones y servicios dirigidos a equipos de ingeniería y operaciones; mientras que Arize trabaja con ingenieros de IA y desarrolladores que necesitan entender el comportamiento interno de los modelos y agentes.
Sin embargo, ambos mundos se solapan. Como explica Dhinakaran, un agente de IA depende de múltiples componentes y APIs subyacentes para completar sus tareas. Aunque Arize puede identificar problemas en el razonamiento o uso de herramientas por parte del agente, si el fallo se encuentra en servicios o aplicaciones tradicionales, la visibilidad aportada por Dynatrace sigue siendo necesaria para encontrar la raíz del problema.
Con la unión de ambas plataformas, los equipos pueden investigar fallos de agentes a través de todas las capas de software, posibilitando un diagnóstico y una solución más integrales.
De la observación pasiva a la acción autónoma
Una transformación fundamental que apunta Dhinakaran es quién o qué consume realmente los datos masivos que generan los sistemas modernos. Con aplicaciones cada vez más autónomas y voluminosas en términos de telemetría, la observabilidad deja de ser solo una tarea para humanos y se convierte en un proceso en el que agentes inteligentes interpretan y actúan automáticamente sobre la información.
“Ningún humano quiere analizar miles de millones de trazas”, advierte la directiva, por lo que estos agentes pueden leer y comprender los datos para detectar patrones de problemas y proponer soluciones sin intervención directa permanente. Un ejemplo reciente fue la investigación de incidentes de seguridad revelada por Anthropic, donde su propio modelo Claude ayudó a revisar millones de conversaciones para identificar accesos inapropiados a sistemas externos mediante búsquedas automatizadas.
Arize ya aplica esta filosofía con Alyx, un asistente interno capaz de revisar sus propias trazas, reconocer fallos recurrentes y generar solicitudes de cambio (pull requests) para corregirlos. Según Dhinakaran, entre un 65% y 70% de esas modificaciones son aceptadas para producción, lo que convierte al ingeniero responsable en un revisor de propuestas en lugar de un analista manual de datos.
>
“Los agentes se convierten en los primeros en responder, analizan todas las trazas y ejecutan correcciones automáticamente”, señala la cofundadora, que vislumbra un futuro con software auto-sostenible, auto-mantenido y en continua mejora, siempre con revisión humana final.
Por qué comprar y qué esperar a partir de ahora
Antes de la compra, Dynatrace y Arize no mantenían una alianza formal, aunque compartían clientes y demandas de integración. Steve Tack reconoce que estos usuarios solicitaban una experiencia unificada, ya que los agentes de IA no funcionan de forma aislada, sino dentro de ecosistemas complejos que integran aplicaciones, servicios y plataformas cloud, haciendo difusa la frontera entre la observabilidad tradicional y la específica de IA.
Sobre la decisión de adquirir en lugar de desarrollar internamente, Tack destaca las tecnologías ya creadas por Arize, como la plataforma de código fuente abierto Phoenix para rastrear y depurar aplicaciones de IA, y OpenInference, una extensión de OpenTelemetry con convenciones adaptadas a modelos LLM y agentes que permiten capturar llamadas, uso de herramientas y comportamiento.
Construir estas herramientas desde cero sería un desafío importante. Además, una alianza habría permitido cierta colaboración, pero no garantizaría la integración fluida y completa que requiere la experiencia combinada en observabilidad.
Arize seguirá operando como producto independiente inicialmente, manteniendo el soporte a sus plataformas Phoenix y AX, lo que permitirá a clientes que no usan Dynatrace adoptar sus soluciones. A medio y largo plazo, la idea es conectar el ciclo completo de evaluación y operación, desde la construcción de aplicaciones de IA hasta el monitoreo integral en producción.
