Gartners Observability-Quadrant: KI-Agenten rücken ins Rampenlicht

Observability-Plattformen waren früher reine Infrastruktur. Man legte die Leitungen, schloss die Abflüsse an und hoffte, dass am Sonntagabend nichts verstopfte. Das hat sich geändert. Gartner prognostiziert nun, dass der Observability-Markt bis 2028 14,3 Milliarden Dollar erreichen wird – und der Grund liegt nicht darin, dass Logs interessanter geworden sind. Es liegt daran, dass das, was durch diese Leitungen fließt, heute zur Hälfte Telemetrie und zur Hälfte KI-Ausströme sind, und niemand hat eine saubere Methode, das zu messen.

Der aktuelle Magic Quadrant für Observability-Plattformen nennt 19 Anbieter und ordnet das Ranking um eine unbequeme Frage neu: Kann Ihre Plattform tatsächlich dabei zusehen, wie ein KI-Agent seine Arbeit erledigt?

Die Zahlen

Beginnen wir mit der Struktur des Feldes. Wie Network World berichtete, hat Gartner acht Anbieter in den Leaders-Quadranten eingestuft: Chronosphere, Coralogix, Datadog, Dynatrace, Elastic, Grafana Labs, IBM und New Relic. Die Challengers-Liste umfasst Alibaba Cloud, AWS, LogicMonitor, Microsoft und Splunk. Als Visionaries gelten BMC Helix und Honeycomb. Die Niche Players sind Apica, HPE, ScienceLogic und SolarWinds.

Das ist ein überfüllter Leaders-Bereich. Acht Namen in einem Quadranten sind viel – das zeigt, dass die Kategorie so weit gereift ist, dass die Anbieter der Spitzenklasse die meisten Dinge gleich gut beherrschen. Die Differenzierung hat sich anderswo verlagert.

Bei den Ausgabenzahlen wird es unangenehm. Gartner gibt an, dass 5 % seiner Kunden heute mehr als 10 Millionen Dollar jährlich bei einem einzigen Observability-Anbieter ausgeben. Das sollte man zweimal lesen. Jedes zwanzigste Unternehmen hat einen achtstelligen Posten für Logs, Metriken und Traces bei einem einzigen Anbieter. Das ist keine Monitoring-Rechnung mehr. Das ist ein Top-Ten-Infrastrukturposten, der neben Cloud-Computing und lizenzierten Datenbanken steht.

Wer schon einmal mit einem CFO über eine Datadog-Rechnung gestritten hat, weiß, wie dieses Gespräch läuft. Das Finanzteam möchte wissen, warum Observability schneller gewachsen ist als die Mitarbeiterzahl – und die ehrliche Antwort ist, dass das Telemetrievolumen schneller gewachsen ist als beides. Hochkardinale Metriken aus Kubernetes, verteiltes Tracing über Dutzende von Microservices und nun Token-Level-Logs aus LLM-Aufrufen: Das summiert sich.

Die Prognose von 14,3 Milliarden Dollar für 2028 impliziert ein stetiges Wachstum, aber die interessantere Zahl ist die Konzentration. Wenn 5 % der Käufer bereits im achtstelligen Bereich liegen, beginnen die Anbieterökonomien wie das Enterprise-Datenbank-Lizenzgeschäft der 2000er-Jahre auszusehen. Eine Handvoll massiver Accounts subventioniert alle anderen, und der Verlust eines davon bedeutet ein schlechtes Quartal.

Gartners Bewertungsrahmen hat sich entsprechend verschoben. Anbieter werden nun an Full-Stack-Observability und „Roadmap-Glaubwürdigkeit" in den Bereichen AI Observability, OpenTelemetry-Interoperabilität und der Fähigkeit gemessen, KI-Agenten zu beobachten und zu steuern. Das Wort „steuern" leistet dabei still wichtige Arbeit. Es geht nicht nur darum, zu sehen, was Agenten tun. Es geht darum, Prüfern gegenüber nachzuweisen, dass man es gesehen hat.

Was wirklich neu ist

Jeder Observability-Bericht behauptet, dass etwas neu sei. Meistens ist es ein umbenanntes Dashboard. Dieser Zyklus hat tatsächlich Substanz – und zwar in der KI-Observability-Schicht.

Gartner nennt die spezifischen Metriken, in die Unternehmen nun Einblick haben wollen: Token-Verbrauch, Modelllatenz, Antwortqualität und Halluzinationsraten. Drei dieser vier lassen sich überhaupt nicht auf traditionelles APM übertragen. Token-Verbrauch ist ein Kostensignal, das sich eher wie eine Cloud-Abrechnungsmetrik verhält als wie ein Anfragezähler. Antwortqualität ist subjektiv und erfordert Evaluierungs-Pipelines. Halluzinationsraten benötigen einen Ground-Truth-Vergleichswert, den die meisten Teams nicht einfach zur Hand haben.

Der langweilige Teil der Observability – Anfragezählungen, Fehlerquoten, p99-Latenz – wurde vor einem Jahrzehnt gelöst. Das Problem entsteht dort, wo LLM-gestützte Anwendungen andere Fehlermuster erzeugen. Eine langsame Antwort lässt sich nachverfolgen. Eine selbstsicher falsche Antwort sieht auf Netzwerkebene identisch aus wie eine korrekte. Traditionelle Traces helfen dabei nicht.

Gartner ist erfrischend direkt, was die Marketinglücke betrifft. Der Bericht stellt fest, dass der Übergang „von generativen KI-Assistenten zu autonomen Agenten komplexer ist, als das Anbieter-Marketing suggeriert". Übersetzt: Die Hälfte der Anbieter, die autonome Ermittlungsfähigkeiten behaupten, liefert Demos, keine Produkte. Wer jemals einer Keynote beigewohnt hat, bei der ein Agent auf einem kuratierten Datensatz einen Produktionsvorfall „selbst heilt", weiß das Gefühl.

Das andere wirklich neue Element ist das Pipeline-Management als strategische Schicht. Gartner beschreibt es als zentral für moderne Deployments – eine direkte Folge des Kostenproblems. Sobald Telemetrievolumina die Ingestion-Preise der Plattform übersteigen, benötigt man etwas vor dem Anbieter, das sampelt, aggregiert und Rauschen herausfiltert. Dieses „Etwas" ist inzwischen eine eigene Kategorie, und anbieterneutrale Pipeline-Tools fressen in die Margen der Plattformen, die sie versorgen.

Schließlich hat eBPF-basierte Instrumentierung still und leise einen Wendepunkt erreicht. In Kombination mit OpenTelemetry ist es nun möglich, produktionsreife Telemetrie ohne anbieterspezifische Agenten zu erfassen. Das verändert die Verhandlungsposition grundlegend.

Was für Engineering-Teams bereits eingepreist ist

Einiges davon hat die Community schon von weitem kommen sehen. OpenTelemetry als Grundvoraussetzung ist seit drei Jahren die Richtung. Dass Gartner bestätigt, dass Enterprise-Käufer OTel-Unterstützung nun als „Basisanforderung und nicht als Differenzierungsmerkmal" betrachten, ist keine Überraschung. Es ist das formelle Ende der Ära, in der Anbieter Deals mit der Stärke ihres proprietären Agenten gewinnen konnten.

Die Kostensorge ist ebenfalls eingepreist. Jedes ernsthafte Platform-Team hat das Gespräch geführt: „Warum ist unsere Splunk-Rechnung größer als unsere Postgres-Rechnung?" Was sich ändert, ist, dass dieses Gespräch aus dem Engineering-Bereich entwichen und auf dem Schreibtisch von Einkauf und Finanzabteilung gelandet ist. Sobald der CFO den Observability-Posten verantwortet, hört die Feature-Geschwindigkeit auf, der entscheidende Faktor zu sein. Kostenzuordnung und Nutzungseinblicke werden zum Verkaufsargument.

Was meiner Einschätzung nach noch nicht eingepreist ist, ist der Governance-Aspekt bei KI-Agenten. Die meisten Engineering-Teams betrachten Agenten-Observability noch als Debugging-Problem. Gartners Einordnung legt nahe, dass es sich tatsächlich um ein sich ankündigendes Compliance-Problem handelt. Wenn ein Agent eine Aktion ausführt, die Geld kostet oder Daten bewegt, benötigt man einen revisionssicheren Pfad des Prompts, der Modellversion, der Tool-Aufrufe und der Antwort. Das ist nicht „füge einen Span zu deinem Trace hinzu". Das ist ein neues Datenmodell.

Das Konsolidierungssignal ist ebenfalls ernst zu nehmen. Gartner sagt, der Markt begünstige weiterhin Plattformanbieter, die Full-Stack-Observability mit integrierten KI-Fähigkeiten verbinden. Wenn man ein mittelgroßes Team ist, das derzeit drei Point-Tools betreibt, wird der Druck zur Vereinheitlichung zunehmen – und der eigenständige Log-Anbieter wird es beim nächsten Verlängerungszyklus schwerer haben.

Die Gegenmeinung

Der Konsens lautet, dass KI-Observability die nächste große Plattformschlacht ist und der Anbieter mit der besten Agenten-Monitoring-Geschichte gewinnt. Davon bin ich nicht überzeugt.

Hier ist das Gegenargument: OpenTelemetry und eBPF haben, in Gartners eigenen Worten, „die Hürden für den Wechsel von Observability-Anbietern gesenkt" und die Telemetrieerfassung zur Commodity gemacht. Wenn die Erfassung zur Commodity wird und die Speicherschicht folgt (was sie wird, sobald objektspeicherbasierte Backends ausgereift sind), dann liegt der Burggraben der Plattform nicht in ihren KI-Features. Der Burggraben sind ihre Daten.

Das bedeutet, dass die Gewinner der KI-Observability-Welle möglicherweise gar nicht die aktuellen Leaders des Quadranten sind. Es könnten die Anbieter sein, die Observability-Daten als Substrat für domänenspezifische Werkzeuge behandeln. Honeycombs Präsenz unter den Visionaries deutet darauf hin. Ebenso die Tatsache, dass Chronosphere, das seinen Ruf auf Kostenkontrolle statt auf Funktionsvielfalt aufgebaut hat, zu den Leaders zählt.

Der andere Gegenaspekt: Die Unternehmen, die mehr als 10 Millionen Dollar ausgeben, könnten ein Anti-Pattern darstellen, das kurz vor einer Korrektur steht. Wenn 5 % der Kunden so viel zahlen, werden einige von ihnen anfangen, selbst zu bauen. Interne Observability-Plattformen auf ClickHouse oder Ähnlichem haben sich in etwa achtzehn Monaten von exotisch zu vernünftig entwickelt. Der nächste Magic Quadrant könnte kürzer werden, nicht länger.

Wichtigste Erkenntnisse

• KI-Observability ist die neue Bewertungsachse. Token-Verbrauch, Modelllatenz, Antwortqualität und Halluzinationsraten stehen nun auf dem Anbieter-Scorecard. Wenn Ihre Plattform diese nicht abbilden kann, wird das beim nächsten RFP zur Sprache kommen.
• OpenTelemetry ist Grundvoraussetzung, kein Differenzierungsmerkmal. Anbieter, die mit proprietären Agenten gewinnen, leben auf Pump. Instrumentierungsportabilität ist der Vorteil für den Käufer.
• Telemetrie-Pipelines sind ein echter Budgetposten. Da 5 % der Gartner-Kunden bereits mehr als 10 Millionen Dollar jährlich bei einem einzigen Anbieter ausgeben, rücken Pipeline-Management und Kostenzuordnung vom Wünschenswerten zum Beschaffungspflichtigen.
• Autonomes Agenten-Monitoring ist größtenteils Marketing. Gartner warnt ausdrücklich, dass die Anbieterversprechen bezüglich autonomer Operationen der Realität vorauseilen. Demos sollten mit angemessener Skepsis betrachtet werden.
• Governance ist die versteckte Anforderung. KI-Agenten zu beobachten ist nicht nur Debugging. Es geht darum, den Prüfpfad aufzubauen, den Ihr Compliance-Team in zwölf Monaten einfordern wird.

Zurück zur Infrastruktur. Die Leitungen sind immer noch wichtig, aber das, was durch sie fließt, hat sich verändert. Was früher eine Monitoring-Rechnung war, ist heute eine Datenplattform-Rechnung mit einem Compliance-Aufschlag. Die Anbieter, die erkennen, dass ihr Produkt im Kern ein Governance-System für KI-Workloads ist (mit angehängten Dashboards), werden noch im Leaders-Quadranten sitzen, wenn Gartner diese Übung 2027 wiederholt. Der Rest verkauft Durchflussmesser auf einem Markt, der gerade festgestellt hat, dass er eine Wasseraufbereitungsanlage braucht.