---
title: "DASH 2026 AI の活用:Datadog の最新発表ガイド"
description: "Datadog MCP Apps、Bits Code、AI Observability、Pup CLI など、DASH 2026 で発表したすべての内容のまとめ"
author: "Datadog"
date: 2026-06-09
tags: ["dash"]
blog_type_id: the-monitor
locale: ja
---

AI は、エンジニアリングチームによるコード作成、問題調査、システム運用のあり方を変えつつあります。会話型インターフェイスやエージェント型調査から、緊密な MCP インテグレーション、AI を活用した最適化まで、今年の DASH リリースでは、チームがすでに信頼しているテレメトリを基盤に、ワークフロー全体で AI を活用しやすくなりました。

これにより、Bits Chat で環境を自然言語でクエリしたり、失敗したテストから自律的な調査を開始したり、よく使うコーディングエージェントをライブ Datadog コンテキストに接続したり、AI ツールがデリバリーに与える実際の影響を測定したりできます。これらの機能により、重要な意思決定はエンジニアが主導したまま、チームはより多くの作業を進められます。以下で AI の活用に関するす新機能をご確認ください。また、 [オブザーバビリティ](https://www.datadoghq.com/blog/dash-2026-new-feature-roundup-observability.md)、[スケール](https://www.datadoghq.com/blog/dash-2026-new-feature-roundup-scale.md)、および [セキュリティ](https://www.datadoghq.com/blog/dash-2026-new-feature-roundup-secure.md)の最新のまとめ記事もご覧ください。

## Bits Chat で Datadog 全体の検索、分析、アクション実行を迅速化

Bits Chat は、チームがオブザーバビリティデータ全体を検索、分析し、アクションを実行できるよう支援する Datadog の会話型 AI インターフェイスです。Datadog、Slack、モバイルで利用できる Bits Chat により、ツールを切り替えたりクエリを再構築したりすることなく、より迅速に回答を得られます。Bits Chat では、自然言語インターフェイスを通じて、Datadog 環境全体の検索、ダッシュボードやノートブックなどのリソース生成、インシデントの調査とトラブルシューティングなどを実行できます。

### **Datadog モバイルアプリで Bits AI に音声で話しかける**

Datadog モバイルアプリの Bits AI が音声入力に対応しました。システムの正常性や進行中のインシデントについて、音声またはテキストで Bits に質問すると、Datadog の公開ドキュメント、テレメトリデータ、サービスオーナーシップに基づいたコンテキスト付きの回答を得られます。利用を開始するには、Datadog モバイルアプリを開いて Bits Chat をタップします。

![Bits AI in the Datadog mobile app accepting a voice query about active incidents and returning a SEV-1 and SEV-2 breakdown.](https://web-assets.dd-static.net/42588/1780512675-dash-2026-roundup-ai-bits-ai-mobile.png)

### **Bits Chat の自然言語プロンプトでダッシュボードを作成**

Bits Chat は、単一の自然言語プロンプトから Datadog ダッシュボード全体や個々のウィジェットを生成し、モニタリング目標を数秒でそのまま使える可視化に変換できるようになりました。たとえば、Bits Chat に「web-store サービスのチェックアウトのレイテンシとエラー率をモニタリングするダッシュボードを作成して」と依頼すると、適切なメトリクス、トレース、ログを選択し、適切なウィジェットタイプとグルーピングで完全なダッシュボードを組み立てます。会話形式で調整することもできます:ウィジェットを選択してクエリを変更したり、新しい可視化を追加したり、セクションを再構成したりできるため、ダッシュボード作成の手作業を減らし、チームは質問から回答へとより迅速に進めます。[詳しくは、専用ブログ記事をご覧ください](https://www.datadoghq.com/blog/introducing-bits-chat.md)。

![Datadog の「ダッシュボードを作成」ページ。自然言語プロンプトを入力して Bits AI でダッシュボードを作成するか、事前構成済みテンプレートを使用できます。](https://web-assets.dd-static.net/42588/1780419033-dash-2026-roundup-ai-dashboard-buider.png)

### **Bits Chat のプロンプトで調査ノートブックを作成・更新**

Bits Chat は、単一の自然言語プロンプトから Datadog ノートブック全体を生成し、質問や調査目標を、テキスト、可視化、ライブクエリを含む構造化ドキュメントに数秒で変換できるようになりました。Bits Chat に「web-store サービスで最近発生したエラー急増の調査を作成して」と依頼すると、関連するテレメトリを検索し、仮説、裏付けとなる可視化、主な調査結果を含むノートブックを作成します。既存のノートブックを会話形式で修正することもできます:セクションを選択して Bits に書き直しを依頼したり、別の SQL クエリを追加したり、インシデントからプレイブックを生成したりできます。[詳細については、ドキュメントをご覧ください](https://docs.datadoghq.com/bits_ai/bits_assistant.md#notebooks)。

![Bits Chat の会話と並んで表示された Datadog ノートブック。ユーザーが自然言語プロンプトを使ってこのノートブックを作成した方法を示しています。](https://web-assets.dd-static.net/42588/1780418930-dash-2026-roundup-ai-notebooks-bits-chat.png)

### **DDSQL Editor の Bits Chat で自然言語から高度なクエリを作成**

Bits Chat により、DDSQL Editor で自然言語クエリを使用できます。必要な内容を平易な英語で説明するだけで、クエリをゼロから書かずに SQL を取得できます。構文を覚えなくても、複雑なクエリを作成できます。たとえば、コンテナーと CPU メトリクスを結合して過剰プロビジョニングされたワークロードを特定したり、サービス全体のエラーログを集計してインジェストのレイテンシパターンを特定したり、RUM と Product Analytics をクエリしてユーザーエンゲージメントの傾向を追跡したりできます。また、既存のクエリの仕組みを Bits Chat に説明させたり、単一のプロンプトで遅いクエリを最適化させたりすることもできます。Bits Chat は利用可能なスキーマとデータソースを把握するため、必要なテーブルにスコープを絞ったクエリを生成します。[詳細については、ドキュメントをご覧ください](https://docs.datadoghq.com/bits_ai/bits_assistant.md#ddsql)。

![DDSQL Editor と Bits Assistant の会話。高度なクエリを作成するために、ユーザーが Bits AI と自然言語でやり取りしている様子を示しています。](https://web-assets.dd-static.net/42588/1780418645-dash-2026-roundup-ai-ddsql-bits-chat.png)

### **Bits Chat で遅延・失敗したトレースを分析する**

リクエストが遅延または失敗した場合、開発者は多くの場合、どのサービス、操作、依存関係が問題に関係しているかを把握するために、トレースをスパンごとに確認する必要があります。Bits Chat の APM Trace Analysis は、個々のトレースに対するこのレビューを自動化します。APM のトレースから [Fix with Bits] をクリックして分析を開始できます。Bits Chat はトレースをレビューし、関連するログがある場合は関連スパンと相関させ、スタックトレースとエラーコンテキストを提示して、何が問題だったのか、リクエストパスのどこで発生したのか、次に何を調査すべきかを説明します。Source Code Integration が設定されている場合、Bits Chat はフォローアップとしてコードレベルの修正を提案することもできます。詳細については、[ドキュメントをご覧ください](https://docs.datadoghq.com/bits_ai/bits_assistant.md#trace-analysis)。

![web-store コントローラー内の未定義メソッドが原因で発生した 500 Internal Server Error の分散トレースフレームグラフ。右側の Bits AI パネルでは、ユーザーへの影響とエラー範囲が要約されています。](https://web-assets.dd-static.net/42588/1780418516-dash-2026-roundup-ai-apm-trace-analysis-bits-assistant.png)

### **Bits Chat でサービスのレイテンシを調査する**

レイテンシ調査では多くの場合、正常時と低下時のリクエスト挙動を比較し、時間がかかっている箇所を特定し、どのエンドポイント、依存関係、タグが遅延と最も強く相関しているかを把握する必要があります。Bits Chat の APM レイテンシ調査は、このワークフローを APM のサービスビューやリソースビューから直接利用できる、ガイド付きの自然言語エクスペリエンスにします。ユーザーが Bits Chat にレイテンシ問題の調査を依頼すると、Bits は関連するスパンデータを分析し、遅いトレースを正常なリクエストパターンと比較し、リクエストパス内のボトルネックを特定し、遅延と最も関連の強いディメンションを提示します。これにより、エンジニアはダッシュボード間を手動で切り替えることなく、「何かが遅い」という状態から具体的な次のステップへ進めます。詳細については、[ドキュメントをご覧ください](https://docs.datadoghq.com/bits_ai/bits_assistant.md#latency-investigations)。

![重大な address-service インシデントの APM サービスページ。レイテンシの急増と、単一クラスターに集中する遅いスパンを特定した Bits AI のボトルネック分析が表示されています。](https://web-assets.dd-static.net/42588/1780418413-dash-2026-roundup-ai-apm-latency-investigations-bits-assistant.png)

### Bits Chat の Cloud Cost スキルでコスト急増や予算超過を数分で調査

コスト変動の要因を突き止めるには通常、ダッシュボード間を行き来し、チームやサービスでフィルタリングし、オブザーバビリティデータからコンテキストをつなぎ合わせる必要があるため、1 件の調査に何時間もかかります。Bits Chat の Cloud Cost スキルは、このワークフローを会話形式に変えます。Bits にコスト異常、モニターアラート、予算超過の調査を依頼すると、金額への影響、予測年間コスト、担当チーム、単価と使用量のコンテキストを含むサマリーが返されます。そこから、主なコスト要因を掘り下げ、CPU やリクエスト量などのメトリクスと支出を相関させ、実績を予算と比較し、調査全体を Datadog Notebook に記録して担当チームに引き継ぐことができます。このスキルはクラウド、SaaS、AI、Datadog のコストに対応しており、FinOps 担当者とエンジニアがアドホックなコストの質問に答えるための場所を 1 つに集約します。[詳しくは、ドキュメントをご覧ください](https://docs.datadoghq.com/cloud_cost_management/cloud_cost_skill.md)。

![A viewing showing a conversation with Bits Chat using Cloud Cost Management data to optimize cloud costs.](https://web-assets.dd-static.net/42588/1780586905-dash-2026-roundup-scale-ccm-finops-agent_v2.png)

## Bits AI で問題を調査・解決する

### **RUM Agentic Investigations でフロントエンドの問題をより迅速に診断**

フロントエンドエンジニアが問題を調査する際は通常、スタック全体のデータを相関させるために複数のツールを切り替える必要があります。Datadog RUM Agentic Investigations は、RUM イベント、APM トレース、ネットワークログなどのデータを自動で分析し、優先順位付けされた証拠に基づく検出結果を生成することで、チームによる根本原因の迅速な特定を支援します。エンジニアは、単一のセッション、遅いページ、重要なジャーニーから直接調査を開始し、リアルタイムで UI にストリーミングされる構造化された結果を確認できます。チームは、組み込みのチャットインターフェイスで調査を続けたり、結果を Notebook に保存したり、Bits Code でコンテキストを開いてコード修正を生成したりできます。詳しくは、 [ブログ記事](https://datadoghq.com/blog/rum-ai-investigations) または [ドキュメント](https://docs.datadoghq.com/real_user_monitoring/ai_investigations.md)をご覧ください。

![Categorized AI investigation findings for a single user session, with the highest priority issue displayed.](https://web-assets.dd-static.net/42588/1780418287-dash-2026-roundup-ai-rum-agentic-investigations.png)

### **プロファイリングと Bits AI で実用的なパフォーマンスインサイトを得る**

Continuous Profiler は、アプリケーションが CPU、メモリ、その他のリソースをどのように消費しているかをコードレベルで可視化します。一方で、プロファイリングデータは密度が高く、専門家でないと扱いにくいことが多いため、多くの開発者に十分活用されていません。Datadog は、新しい MCP ツール、Bits Chat、Bits Investigation を通じてプロファイリングデータを AI エージェントに公開するようになりました。これにより、どのエンジニアでも「このサービスの過去 15 分間の主なボトルネックは何ですか?」と質問するだけで済みます。Bits は、指定されたサービスと時間枠に適したプロファイリングデータを自動で見つけ、CPU、メモリ、ウォールタイム全体で顕著な急増や CPU 使用量の多い箇所を提示し、結果を次の推奨ステップ付きの平易なサマリーに変換します。プロファイリングを開発者がすでに使用しているエージェント型フローに組み込むことで、Datadog の高度なデータセットの 1 つをより広く活用できるようになり、インシデント時の修正までの時間を短縮できます。

![product-recommendation サービスの Datadog APM Service Summary。右側の Bits AI パネルで、プロファイリングデータに基づくパフォーマンス問題が要約されています。](https://web-assets.dd-static.net/42588/1780416037-dash-2026-roundup-ai-apm-performance-issues-profiling-data.png)

### Bits Code Automations で定期プロンプトと修正をスケジュール

チームが修正すべき技術的負債を正確に把握していても、その作業は機能開発の優先事項の後回しになりがちです。Bits Code Automations は、エンジニアが毎回手動でセッションを開始するのを待つのではなく、Bits Code をスケジュールまたはテレメトリトリガーで実行できるようにし、バックログを継続的なワークフローへと変えます。チームのペースに合わせて定期プロンプトをスケジュールし、毎週 5 件の不安定なテストを修正する、毎朝新しいエラーの上位項目をトリアージするなど、同種の問題を解消できます。また、サービス、シグナル、重大度に関して定義したルールに基づき、条件に合致するテレメトリシグナルが現れた時点で Bits が修正を開始するよう設定することもできます。すべての自動化は引き続きレビュー可能なプルリクエストを生成するため、何をマージするかは人が制御できます。また、スケジュール実行やトリガー実行はすべて、結果や PR ステータスとともに単一ビューから追跡できます。自動化は現在、Error Tracking、Test Optimization、APM Recommendations、Code Security、一般的なコーディングタスク向けのカスタムプロンプトで利用でき、今後さらに多くの Datadog 画面に追加される予定です。詳細については、[ブログ記事](https://www.datadoghq.com/blog/bits-code.md) および [ドキュメント](https://docs.datadoghq.com/bits_ai/bits_ai_dev_agent.md)をご覧ください。

![Bits Code assistant view showing scheduled and triggered remediation runs with PR outcomes.](https://web-assets.dd-static.net/42588/1780422433-bits-code-automations-prompt-export.png)

### **Bits Investigation で Synthetic テストの失敗を迅速にトリアージ**

Synthetic のブラウザーテストまたは API テストが失敗すると、すぐに 2 つの疑問が生じます:これは実際の問題なのか、そうであれば原因は何か。この 2 つに答えるには、範囲を確認したり原因を特定したりする前に、トレース、ログ、インフラストラクチャメトリクス、テスト履歴を手作業で調べる必要がある場合が少なくありません。Bits Investigation は Synthetic Monitoring に AI 支援トリアージを導入し、失敗をリグレッションの可能性が高いもの、またはテストの誤設定として自動分類し、APM トレース、インフラストラクチャメトリクス、デプロイアクティビティからのリンクされた証拠に基づいて根本原因の仮説を生成します。調査はオンデマンドで開始することも、モニターの重要度に基づいて自動でトリガーされるよう設定することもできます。[詳細はブログ記事をご覧ください](https://www.datadoghq.com/blog/bits-investigation-synthetic-tests.md)。

![Datadog AI failure summary classifying a Synthetic Browser test failure at checkout as a backend/service issue and suggesting launching a Bits Investigation.](https://web-assets.dd-static.net/42588/1780590100-bits-investigation-test-details.png)

### ライブインフラストラクチャダイアグラム上でアラートを可視化し、Bits AI 調査を開始

インフラストラクチャやサービスで障害が発生した場合、影響範囲をすばやく把握して修正する必要があります。Bits Investigation に対応した新しい Monitors ダイアグラムでは、すべてのモニターを可視化できます。アラート通知を受けた際に、関連するインフラストラクチャで他にどのアラートが発生しているかを確認し、影響範囲を評価できます。さらに、ダイアグラム上の任意のリソースやサービスにカーソルを合わせると、Bits AI が調査を開始し、根本原因を追跡します。今すぐ任意の [アラート対象リソースのモニター](https://app.datadoghq.com/monitors/triggered)でお試しください。特定のイベントをクリックするとダイアグラムを表示できます。または、 [Cloudcraft Monitors ダイアグラム](https://app.datadoghq.com/cloud-maps?Overlay=Monitors)内の任意のリソースから調査を開始できます。

![A view showing the new Monitors diagram in Cloudcraft.](https://web-assets.dd-static.net/42588/1780621132-dash-2026-roundup-ai-cloudcraft-bits-investigation.mp4)

### Bits Investigation をインシデントレスポンスのワークフローに組み込む

エンジニアがインシデントを宣言すると、多くの場合、調査を始める前に複数のツールからコンテキストを手動で集める必要があります。現在は、インシデントの Slack チャンネルまたは Datadog Incident Management から直接 Bits Investigation をトリガーでき、インシデントタイムライン、リンクされた Datadog テレメトリデータ、共有済みコンテキストをアクティブな調査に自動で取り込めます。Bits AI は、リアルタイムの検出結果と根本原因の仮説を Slack チャンネルのスレッドに投稿し、インシデント記録では名前付きの対応者として表示されます。エンジニアは、インシデントが宣言された瞬間から、手動設定なしで並行して動く AI 共同調査者を利用できます。詳しくは、 [Incident AI ドキュメント](https://docs.datadoghq.com/incident_response/incident_management/investigate/incident_ai.md#bits-ai-investigation)をご覧ください。

![Triggering a Bits AI investigation from the incident's Slack channel.](https://web-assets.dd-static.net/42588/1780513522-dash-2026-roundup-ai-bits-investigation-triggers.webp)

### **Governance Console の Bits Investigations でガバナンス検出結果を数分で調査**

Governance Console は Datadog 組織全体でコストの高いテレメトリパターンや古い構成を提示しますが、検出結果に対応するには、何が変わったのか、誰が所有しているのか、どのコントロールを適用すべきかを手作業でつなぎ合わせる必要があります。Bits Investigations を備えた Governance Agent は、そのギャップを解消します。管理者は、製品の Insight または Control から、ガバナンスコンテキストを取り込んだ Bits Investigations を開始できます。Bits は、増加が始まったタイミング、主な要因となっているサービスとチーム、その背後にある根本原因の構成変更を返し、管理者を適切なコントロールに誘導して緩和を支援します。本番環境のインシデント調査を支えるものと同じ Bits Investigations エンジンが、ガバナンスワークフローに直接組み込まれました。詳細については、[ドキュメントをご覧いただくか](https://docs.datadoghq.com/account_management/governance_console.md) 、アカウント担当者までお問い合わせください。

![Datadog Bits Investigations list filtered by Governance Console source, showing two completed AI investigations with fixes available.](https://web-assets.dd-static.net/42588/1780878055-dash-2026-roundup-ai-governance-console-bits-investigations.png)

### 統合インシデントタイムラインで AI 生成の会議サマリーを確認

ブリッジコールは、インシデントに関する多くの意思決定が行われる場ですが、発言内容を記録するにはこれまで誰かがメモを取る必要がありました。Incident Meeting Summaries は、Zoom、Microsoft Teams、Google Meet のブリッジコールについて AI 生成サマリーを自動作成し、インシデントタイムラインと Slack チャンネルに直接投稿します。サマリーは各通話の終了時と、進行中の通話中は 10 分ごとに生成されるため、途中参加者も会話を中断せずに状況を把握できます。サービス、重大度、可視性、タグに基づいて、どのインシデントを要約するかを制御できます。詳しくは、 [Zoom Incident Management](https://docs.datadoghq.com/integrations/zoom-incident-management.md)  のドキュメントをご覧ください。

![Example configuration of AI-generated meeting summaries for Zoom.](https://web-assets.dd-static.net/42588/1780513763-dash-2026-roundup-ai-ai-generated-meeting-summaries-unified-incident-timeline.png)

## Datadog のコンテキストを AI ワークフローに取り込む

### ネイティブインテグレーションでライブ Datadog テレメトリを AI エージェントに取り込む

Claude Code、Claude Desktop、Claude Cowork、ChatGPT apps、Codex CLI、Cursor など、主要な AI エージェントプラットフォーム全体に対応した Datadog のコネクタとプラグインにより、開発者は日常的に使用しているツールから Datadog オブザーバビリティスタックの全機能に直接アクセスできます。Datadog に接続すれば、AI エージェントはエディター、ターミナル、チャットインターフェイスを離れることなく、最近のエラーログの取得、メトリクス急増の可視化、未解決インシデントの要約、分散トレースの確認を行えます。すべての Web ベースのエージェントは MCP Apps にも対応しており、開発者が Datadog で使い慣れているものと同じリッチな可視化エクスペリエンスを利用できます。[詳細はブログ記事をご覧ください](https://www.datadoghq.com/blog/datadog-ai-agent-integrations.md)。利用可能なすべてのコネクタとプラグインを確認するには、 [Datadog Agent Directory](https://www.datadoghq.com/product/ai/agent-directory/) にアクセスしてください。

![A view showing the Datadog connection directory for any AI agent.](https://web-assets.dd-static.net/42588/1780415221-dash-2026-roundup-ai-mcpthirdparty.png)

### コマンドラインから AI エージェントにライブ Datadog アクセスを提供

AI エージェントは、エンジニアがソフトウェアを作成、デプロイ、トラブルシューティングするための標準的な手段になりつつありますが、多くのエージェントには本番環境のライブテレメトリへ直接アクセスする手段がなく、CI パイプラインやシェル環境に広がる長期間有効な API キーに依存しています。[ ](https://github.com/DataDog/pup)Pup CLI は、200 以上のコマンドを備えた単一バイナリを通じて、シェル型エージェントに Logs、APM、RUM、Cloud SIEM、Incident Management など 33 以上の Datadog 製品ドメインへの OAuth スコープ付きアクセスを提供します。エージェントは  `pup agent schema` でコマンドスキーマを動的に取得し、構造化された JSON または YAML 出力を解析して、 `jq` や `grep`。インシデントトリアージとログ・トレース相関のためのバンドルスキルは、Claude Code と Cursor のワークフローに直接インストールされます。Pup CLI は、IDE やアシスタント内のチャット型エージェントに対応する Datadog MCP Server と組み合わせて使用できます。[ブログ記事をお読みいただくか](https://www.datadoghq.com/blog/pup-cli.md) 、[ GitHub の Pup](https://github.com/DataDog/pup) をご覧ください。

![Terminal output showing Pup CLI commands retrieving logs, monitor data, and incidents from Datadog.](https://web-assets.dd-static.net/42588/1780079042-pup-cli-command-terminal.png)

### MCP Apps で Datadog テレメトリを AI ワークフローに取り込む

Datadog MCP Server は MCP Apps に対応し、Claude、Cursor、Codex、ChatGPT などの AI ツール内で Datadog テレメトリを直接可視化できるようになりました。これにより、対応 AI ツール内で時系列、円グラフ、ツリーマップ、トップリストなどのインタラクティブなエクスペリエンスを利用できるようになり、AI ワークフローはテキストや表を超えて拡張されます。「最近のデプロイ後にチェックアウトのレイテンシが急増したのはなぜか」「今月のチェックアウトコンバージョンはどう推移しているか」といった自然言語クエリを使えば、AI ツールでライブのレイテンシグラフや Product Analytics ファネルを取得でき、別ウィンドウを開かずにエンドツーエンドの調査を実施できます。

既存の AI ワークフローを MCP Apps がどのように強化するかについて詳しくは、 [専用ブログ記事](https://www.datadoghq.com/blog/datadog-mcp-apps.md)をご覧ください。また、 [Datadog が新たにリリースしたその他の AI インテグレーションはこちらでご確認ください](https://www.datadoghq.com/blog/datadog-ai-agent-integrations.md)。 

![A flow showing an agent retrieving live graphs, widgets, and dashboards for end-to-end investigations.](https://web-assets.dd-static.net/42588/1780669456-dash-2026-roundup-ai-developer-autonomy-mcp-apps.mp4)

### **AI コーディングツールがソフトウェアデリバリーに与える影響を測定**

エンジニアリングリーダーは AI コーディングアシスタントに大きく投資していますが、その投資を具体的なデリバリー成果に結び付けることに苦労しています。Datadog AI Impact は、Claude Code、Cursor、Copilot などの AI コーディングツールの使用テレメトリをデリバリーメトリクスに接続し、コードがプルリクエストから本番環境へ流れる過程で、各コミットに支援したツールとモデルをタグ付けすることで、このギャップを埋めます。AI 支援コードの正確な割合を確認し、AI 支援の作業と人が書いた作業を速度と安定性の観点から並べて比較し、第三者のランキングではなく自社チームのデータに基づいてツールとモデルをベンチマークできます。これにより、導入や更新に関するすべての判断をデリバリーデータに基づいて行えます。詳しくは、[ブログ記事](https://www.datadoghq.com/blog/ai-impact.md) と [ドキュメント](https://docs.datadoghq.com/delivery_performance/ai_impact.md)をご覧ください。

![An overview of how AI assists on PRs and their relative failure rates.](https://web-assets.dd-static.net/42588/1780413472-dash-2026-roundup-ai-ai-impact.png)

### **Datadog MCP ツールでマルチクラスター Kubernetes の可視性を統合**

複数のクラスターにわたる Kubernetes の問題を調査するには、各クラスターに対して同じ  `kubectl`  コマンドを実行し、 `kubectl`  では得られないオーナーシップ、サービス、環境のコンテキストを手動でつなぎ合わせる必要があります。Datadog MCP Server には、MCP 対応の AI エージェントがクラスター全体のリソースを 1 回の呼び出しでクエリできる Kubernetes ツールセットが含まれ、結果には Datadog メタデータが付加されます。エージェントは、ツールセットの検索、記述、マニフェスト取得ツールを組み合わせ、インシデントトリアージ、影響範囲のマッピング、ドリフト検出、ガバナンスチェック、PR リスク分析のワークフローに組み込めます。[ブログ記事](https://www.datadoghq.com/blog/kubernetes-mcp-tools.md) で詳細をご確認ください。

![A code-level view showing MCP-compatible AI agents querying resources across your entire cluster fleet in a single call, with results enriched by Datadog metadata.](https://web-assets.dd-static.net/42588/1780415667-dash-2026-roundup-ai-kubernetes-mcp-tools.png)

### **APM MCP ツールセットで AI エージェント向けの APM コンテキストを拡張**

Datadog MCP Server はすでに、トレース検索やスパン検索などのツールを通じて、AI エージェントに主要な APM テレメトリデータへのアクセスを提供しています。現在プレビュー中の拡張版 APM MCP ツールセットは、スパンタグの検出、APM Recommendations、Change Tracking のデプロイメントなど、より多くの APM データを MCP レイヤーに取り込みます。この追加コンテキストにより、エージェントはサービスの問題を調査し、関連するスパンディメンションを把握し、最適化の機会を見つけ、問題に関係している可能性のある最近のデプロイメントを提示できます。APM MCP ツールセットを利用開始するには、 [Datadog MCP Server Tools のドキュメント](https://docs.datadoghq.com/bits_ai/mcp_server/tools.md#apm) をお読みいただくか、 [プレビューにサインアップしてください](https://www.datadoghq.com/product-preview/apm-mcp-toolset/)。

![A code-level view showing the Datadog MCP layer providing deeper APM context.](https://web-assets.dd-static.net/42588/1780415516-dash-2026-roundup-ai-apm-mcp-tools.png)

### **DDSQL API と MCP ツールで Datadog テレメトリデータを柔軟にクエリ**

DDSQL API と MCP ツールを使用すると、DDSQL Editor で利用できるものと同じ Postgres 互換 SQL を使って、Datadog テレメトリデータに対する DDSQL クエリをプログラムから実行できます。MCP ツールセットは、Claude や ChatGPT などのエージェントに対し、ユーザーに代わって DDSQL クエリを作成するために必要なコンテキストも提供します。これには、利用可能なテーブルと列を参照するスキーマ検出ツール、データソース全体のフィールド検索、DDSQL 構文リファレンスが含まれます。これにより、AWS、GCP、Azure アカウント全体の自動タグガバナンス、ログエラー率とスパンレイテンシを結合した劣化サービスの提示、LLM Observability トレースの分析による AI パイプライン全体のトークン使用量とモデルパフォーマンスの追跡などのユースケースが可能になります。[詳しくはドキュメントをご覧ください。](https://docs.datadoghq.com/ddsql_editor.md)または、 [Datadog MCP Server](https://docs.datadoghq.com/bits_ai/mcp_server/tools.md#ddsql)で開始できます。

![DDSQL query in a user’s terminal session, showing calls to the Datadog MCP Server to obtain error rates from Datadog.](https://web-assets.dd-static.net/42588/1780955777-dash-2026-roundup-ai-ddsql.png)

### **Bits Agent Builder でアラート対応と修復のためのエージェント型ワークフローを構築**

システムがスケールするにつれて、アラート対応や修復を処理するためにチームが構築する自動ワークフローには、より複雑でハードコードされたロジック分岐が必要になります。一般提供が開始された Bits Agent Builder は、[ Datadog Workflow Automation](https://docs.datadoghq.com/actions/workflows.md)に AI 駆動型オーケストレーションを追加します。これにより、エンジニアは固定スクリプトに従うのではなく、複雑な状況を推論できる目的特化型エージェントを作成できます。エンジニアは、エージェントの目標を自然言語で記述し、アクセス可能なデータソースとツールを制御し、Datadog オブザーバビリティデータやサードパーティのシグナルを解釈して自動またはチャット経由のオンデマンドでアクションを実行するエージェントをデプロイできます。[詳しくはブログ記事をご覧ください](https://www.datadoghq.com/blog/bits-agent-builder.md)。

![Bits Agent Builder showing a Scorecard Fixer Agent responding to a chat query, with instructions, actions, and MCP server configuration visible in the right panel.](https://web-assets.dd-static.net/42588/1780415323-dash-2026-roundup-ai-bits-agent-builder.png)

### **Agentic Onboarding で開発環境を離れずに Datadog 向けにアプリを計測する**

Agentic Onboarding により、Datadog は AI Setup CLI または Datadog MCP Server を通じて、開発者がすでに使用しているワークフローに計測とセットアップを直接組み込みます。これにより、開発者は環境を離れたり、ドキュメントを探し回ったり、複雑な設定を手作業で適用したりすることなく、オブザーバビリティをセットアップできます。Setup CLI はターミナルで実行され、スタックを検出し、IaC 構成またはアプリケーションコードを計測して Datadog をセットアップします。MCP Server は同じオンボーディングツールを AI コーディングアシスタントに組み込むため、設定は IDE 内で完結します。チームは、開発環境を離れたり Datadog の専門家を必要としたりすることなく、数分でゼロから完全に計測された状態へ移行できます。詳しくは、[ドキュメント](https://docs.datadoghq.com/agentic_onboarding/setup.md?tab=claudecode)。

![A view of an MCP Server successfully instrumenting LLM Observability.](https://web-assets.dd-static.net/42588/1780678214-dash-2026-roundup-ai-agentic-onboarding.png)

### **Datadog Agent MCP で AI エージェントと開発者ツールにインフラストラクチャホストへの安全で監査可能なアクセスを提供する**

Datadog Agent MCP は、Datadog MCP サーバーを拡張する新しいリモートアクションツールセットです。これにより、AI システムや開発者 CLI は、Private Action Runner を使用したバックエンドプロキシ経由のチャネルを通じて、インフラストラクチャホストへの直接的でライブかつ安全、監査可能なオンデマンドシェルアクセスを得られます。自然言語を使用して、SSH アクセスやホストからのデータ送信なしで、ログファイルの読み取り、プロセス状態の確認、Kubernetes の Pod とイベントの確認、ネットワーク問題の診断を行えます。Claude Code、OpenAI Codex、Bits AI などの AI エージェントは、シェルコマンドを実行し、ホスト上でオンデマンドスクリプトを直接呼び出すことができます。

この [プレビュー](https://www.datadoghq.com/product-preview/datadog-agent-mcp/)に参加するには、Datadog Agent (v7.80 以降) をすでに実行しており、環境に Private Action Runner をインストールできる必要があります。

![A root cause analysis investigation through the Datadog Agent MCP.](https://web-assets.dd-static.net/42588/1781022558-dash-2026-roundup-ai-agent-mcp-png.png)

## AI でコストを削減し、パフォーマンスを向上させる

### **Kubernetes オートスケーリングのデプロイと管理を一元化**

Kubernetes ワークロードをフリート全体で適正化することは、最も効果の大きいコスト最適化の 1 つですが、これまではサービスごとの専門知識が必要で、スケールさせることが困難でした。Datadog Kubernetes Autoscaling では、アプリ内セットアップページからの一括有効化、GitOps クラスタープロファイルによる Policy as Code 管理、AI 支援によるマニフェスト生成という 3 つのロールアウト方法により、クラスター全体でワークロードオートスケーリングをより迅速かつ安全に拡張できるようになりました。インプレース垂直リサイズでは、Pod の再作成よりも少ない中断で、コンテナーのリソースリクエストに適正化の変更を適用できます。[ブログ記事](https://www.datadoghq.com/blog/deploy-kubernetes-autoscaling-at-scale.md) で詳細をご確認ください。

![Screenshot of the Datadog Kubernetes Autoscaling setup page showing selected workloads, estimated monthly savings, scaling templates, and a button to deploy autoscalers.](https://web-assets.dd-static.net/42588/1779903097-deploy-kubernetes-autoscaling-at-scale-in-app.png)

### **AI Recommendations でより幅広いサービス最適化を提示**

APM の AI Recommendations は、AI を使用して、キャッシュ不足、テールレイテンシ、リソース競合、接続プール枯渇、過剰なシリアライズ、制限のないペイロードなど、より幅広いサービス最適化の機会を提示することで、既存の APM Recommendations エクスペリエンスを拡張します。チームは、APM 内で AI Recommendations を確認、トリアージし、解決まで追跡できます。Source Code Integration が設定されている場合、Datadog はコードコンテキストを使用して推奨事項の精度を高め、チームが修正箇所を特定できるよう支援します。詳しくは、[ドキュメントをご覧ください](https://docs.datadoghq.com/tracing/recommendations.md?recommendation_prerequisite=APM+%2B+AI+Recs+%28Preview%29#supported-recommendations)。

![AI 生成のテールレイテンシ検出結果を含む Lambda サービスの APM Recommendations パネル。p99 コールドスタートレイテンシを低減するための修正案が表示されています。](https://web-assets.dd-static.net/42588/1780414866-dash-2026-roundup-ai-apm-ai-recommendations.png)

### **Datadog Storage Management と Bits Chat でクラウドストレージの無駄をより速く解消する**

AI やその他のデータ集約型ワークロードによってオブジェクトストレージが指数関数的に増加する中、最も影響の大きいコストパターンはバケットレベルより下に隠れていることが増えています。Datadog Storage Management の新しい推奨事項と Bits インテグレーションにより、エンジニアリングチームと FinOps チームは、クラウドストレージにおける最大のコスト要因を見つけて削減できます。Storage Management は、小さなファイルによるオブジェクト単位のオーバーヘッド増大、重複オブジェクト、高価な階層に残っているコールドデータなど、無駄や非効率がある領域を自動で提示します。Bits Chat インテグレーションを使用すると、自然言語でストレージバケットのコスト要因を分析し、データレイアウト、アクセスパターン、既存の構成に合わせた検出結果を生成できます。Amazon S3 向け Storage Management は現在一般提供されており、Google Cloud Storage と Azure Blob Storage はプレビュー中です。詳しくは、[ドキュメント](https://docs.datadoghq.com/infrastructure/storage_management.md)をご覧ください。

![Bits Chat との会話から生成された Datadog Storage Management のコスト削減推奨事項。](https://web-assets.dd-static.net/42588/1780414723-dash-2026-roundup-ai-storage-mgmt.png)

### **AI と Datadog Jobs Monitoring で Spark・Databricks ジョブを最適化する**

Spark と Databricks のジョブは数時間実行され、月に数千ドルのコストがかかる場合があります。一方で、構成、クエリ設計、コード、インフラストラクチャ全体から適切なボトルネックを見つけるには、依然として何時間もの手動調査が必要です。Datadog Jobs Monitoring は、実際の本番実行データに基づく削減見積もりとともに、パイプライン全体で優先順位付けされた推奨事項を提示します。また、Datadog MCP Server は Spark の実行コンテキストをコーディングエージェントに直接取り込むため、エディターを離れずにジョブを調査して修正できます。詳しくは、[ブログ記事](http://datadoghq.com/blog/optimize-spark-and-databricks-jobs-with-datadog)をご覧ください。

![A view surfacing recommendations for optimizing Databricks jobs and estimated monthly cost savings.](https://web-assets.dd-static.net/42588/1780514334-dash-2026-roundup-ai-spark-recs-overview.png)

### **すべてのログを自動で解析・正規化する**

ログパイプラインは、生のログメッセージを構造化属性に変換し、Datadog 全体の検索、フィルタリング、ダッシュボード、モニターを支えます。Datadog は多くのログソースに対して標準パイプラインを提供していますが、カスタムアプリケーションログでは依然として、エンジニアが Grok 解析ルール、プロセッサー、リマッパーを手作業で構築する必要があります。このプロセスには専門知識が必要であり、ログ形式が変化するたびに継続的なメンテナンスも必要になります。Auto-Processing は、インジェスト時に未解析ログを自動で検出し、解析ルールを生成し、タイムスタンプ、ステータス、サービス、トレース ID、スパン ID などの主要属性をリマッピングすることで、この作業を削減します。設定は一切不要です。Auto-Processing は完全にマネージドであるため、Datadog が精度を継続的に監視し、ログ形式の変化に合わせて適応します。これにより、チームが Grok ルールを保守する必要はなくなります。[Auto-Processing Preview にサインアップ](https://www.datadoghq.com/product-preview/auto-processing/) して利用を開始してください。

![Datadog Auto-Processing detecting unparsed custom application logs and generating Grok parsing rules with a matched log sample and parsed JSON preview.](https://web-assets.dd-static.net/42588/1780621782-dash-2026-roundup-ai-pipeline-simulation.png)

### **ワンクリックで AI ベースの Grok 解析ルールを生成する**

DevOps チームは、構造化されていない、形式が不適切、または未解析の大量のカスタムログを扱うことがよくあります。しかし、そのデータを解析するためのカスタム Grok ルールを作成するのは難しく、構文エラーが発生しやすく、時間もかかります。Datadog Observability Pipelines は AI 支援 Grok 解析に対応し、チームは UI でワンクリックで解析ルールを生成できるようになりました。ログサンプルを貼り付けるだけで、データを目的の分類体系に正規化する解析ルールを自動生成できます。詳しくは、[ドキュメントをご覧いただくか、](https://docs.datadoghq.com/observability_pipelines/processors/grok_parser.md) アカウント担当者までお問い合わせください。

![A view showing the AI-assisted generation of Grok parsing rules.](https://web-assets.dd-static.net/42588/1780514719-dash-2026-roundup-ai-grok-parsing.png)

### **Datadog Apps でエージェント支援の社内アプリを構築する**

AI コーディングエージェントにより社内アプリケーションの作成は迅速になりますが、それらのアプリには、信頼性の高い実行方法、外部システムへの接続、チームが日常的に使用するワークフローへの組み込みが依然として必要です。Datadog Apps は、チームがすでに使用しているエージェント、IDE、CI パイプラインからアプリケーションを構築できるコードファーストの方法を提供します。コンテキストスイッチを増やすスタンドアロンツールをデプロイする代わりに、チームはこれらのアプリを Datadog ダッシュボード、[ノートブック](https://docs.datadoghq.com/notebooks.md)、[サービスページ](https://docs.datadoghq.com/tracing/services/service_page.md)、および [Developer Homepage に直接埋め込めます。](https://docs.datadoghq.com/internal_developer_portal/developer_homepage.md) アプリは Datadog のアイデンティティと権限モデルを使用し、設定された接続を通じて外部システムに接続できます。Datadog はアプリも計測し、エラー、ユーザーアクティビティ、使用傾向など、正常性とパフォーマンスのモニタリングを支援します。 

利用を開始するには、[ブログ記事](https://www.datadoghq.com/blog/internal-applications-datadog-apps.md) または [ドキュメント](https://docs.datadoghq.com/actions/datadog_apps.md) をお読みいただき、 [プレビューにサインアップしてください](https://www.datadoghq.com/product-preview/apps/)。

![A Datadog App application embedded inside a dashboard. The app includes a searchable table that helps teams identify feature flags that need to be cleaned up.](https://web-assets.dd-static.net/42588/1780586260-datadog-apps-sample-app.png)

### **Datadog AI インテグレーションで AI の利用状況、パフォーマンス、支出を可視化**

主要な AI ツールやプロバイダーに対応した新しい Datadog インテグレーションにより、チームは AI の導入状況を追跡し、生産性への影響を測定し、コストを管理するための場所を 1 つに集約できます。トークン消費量、モデル使用パターン、コスト傾向を  [Anthropic API ワークロード](https://www.datadoghq.com/blog/anthropic-usage-and-costs.md) 全体で可視化します。持ってきて、 [OpenAI](https://www.datadoghq.com/solutions/openai/)  の請求データと使用状況データを Datadog に取り込み、モデル、プロジェクト、期間別に支出を内訳化できます。  [GitHub Copilot](https://www.datadoghq.com/blog/monitor-github-copilot-with-datadog.md)  のシート利用状況、提案の採用率、組織全体でのアクティブな使用状況を可視化します。  [Microsoft Copilot](https://docs.datadoghq.com/integrations/microsoft-copilot.md)  のアクティビティ指標と導入指標を Datadog に取り込み、どのチームが AI 支援を積極的に使用しているか、また Copilot が測定可能な生産性向上を実現しているかを把握できます。開発チームによる  [Cursor の ](https://docs.datadoghq.com/integrations/cursor.md?tab=cursorintegrationindatadog) AI 搭載コーディング機能の使用状況を追跡できます。これには、モデルとのインタラクション、使用頻度、導入傾向が含まれます。  [Supabase Cloud](https://docs.datadoghq.com/integrations/supabase-cloud.md)  インフラストラクチャをモニタリングできます。データベースパフォーマンスや接続プーリングから、API リクエスト量や認証アクティビティまでを対象にできます。さらに、既存の AI ゲートウェイを Datadog LLM Observability に接続し、独自の API キーとモデルアクセスを使用して評価を実行できます。  [Datadog の AI インテグレーション](https://docs.datadoghq.com/integrations.md#cat-aiml)の詳細については、ドキュメントをご覧ください。

![Datadog の Anthropic インテグレーションで利用できる各種メトリクスを示す Datadog 内の Anthropic ダッシュボード。モデル別のトークン使用量や最も使用されているモデルなどが表示されています。](https://web-assets.dd-static.net/42588/1776291510-anthropic-usage-and-costs-anthropic_dashboard_overview.png)