Elastic wird im Gartner® Magic Quadrant™ for Observability Platforms für 2026 als Leader ausgezeichnet

Dank KI explodieren die Telemetriedatenmengen, was die Kosten in der gesamten Branche in die Höhe treibt. Die übliche Reaktion ist, weniger zu speichern: strengere Aufbewahrungsrichtlinien, aggressives Sampling, nachrangige Datentypen. Das Problem bei diesem Ansatz ist, dass sich die Auswirkungen verstärken. Mit jedem verlorenen Telemetrie-Datenpunkt geht der Kontext verloren, und genau auf diesen Kontext sind KI-gestützte Untersuchungen angewiesen.

Elastic geht das anders an. Elasticsearch speichert Logs und Traces bis zu viermal effizienter als Standard-Indexieren und Metriken bis zu 2,5-mal besser als Prometheus. Es führt zwei speziell entwickelte Engines unter einer einzigen Schnittstelle: eine Volltextsuche-Engine optimiert für Logs und Traces und eine vollständig spaltenbasierte Engine, die für Metriken optimiert ist. Jede Engine ist auf die Struktur der von ihr verarbeiteten Daten zugeschnitten – genau darin liegen die Effizienzgewinne. Beide nutzen dieselbe Abfragesprache, dieselben APIs und dieselben Dashboards, sodass Teams über eine einzige Oberfläche hinweg mit allen drei Signaltypen arbeiten können, ohne separate Backends warten zu müssen und ohne zwischen verschiedenen Tools wechseln zu müssen. Die Speicherung aller Daten ist kostengünstiger als die Speicherung nur eines Bruchteils davon auf einer weniger effizienten Plattform.

Logs sind das aussagekräftigste Signal in Bezug auf die Beobachtbarkeit, werden aber oft nicht ausreichend genutzt, da sie unstrukturiert sind und das Speichern in voller Genauigkeit teuer ist. Die meisten Teams nutzen den verfügbaren Speicher entsprechend dem Budget und behandeln die Log-Suche als etwas, das reaktiv von Experten durchgeführt wird, wenn ein Vorfall es erfordert.

Elastic Streams extrahiert automatisch Struktur, Bedeutung und Betriebskontext aus Rohdaten und wandelt so ein reaktives, nur Experten zugängliches Signal in ein proaktives um. Mithilfe von KI werden Wissensindikatoren (KIs) bereitgestellt, ohne dass Entwickler im Voraus wissen müssen, wonach sie suchen. Entitäten und Abhängigkeiten werden aus unstrukturierten Daten extrahiert, sodass der relevante Kontext bereits bei einer Warnmeldung verfügbar ist.

Elastic bietet KI-Agenten und Machine Learning (ML) auf Basis umfassender Kontextinformationen für Untersuchungen und Ursachenanalysen. Da Telemetriedaten so effizient gespeichert werden, dass keine Daten verloren gehen, und Log-Daten so strukturiert sind, dass sie direkt verwertbar sind, verfügt die KI über einen vollständigen Kontext für ihre Arbeit. 

Grundlage all dessen ist die Abfrageschicht. Elasticsearch ruft relevante Logs, Metriken und Traces semantisch ab, nicht nur anhand von Schlüsselwörtern. Die Qualität dieser Abfrage entscheidet darüber, ob die KI den richtigen Kontext oder eine annähernd passende Version findet. Hier Kontext-Engineering wird unerlässlich: Elastic strukturiert und reichert Telemetriedaten bereits bei der Erfassung an, indem es Entitäten taggt, Abhängigkeiten extrahiert und Service-Maps erstellt. So sind die Daten für die KI-Nutzung vorbereitet, noch bevor eine Warnung ausgelöst wird.

Für Teams, die eigene Untersuchungs-Workflows erstellen müssen, bieten Elastic Agent Builder und Workflows die Grundbausteine zum Erstellen benutzerdefinierter KI-Agenten. Elastic bietet außerdem ein offenes Repository von Agent Skills, das Elasticsearch abfragen, ES|QL ausführen und Ergebnisse auswerten kann. Vorkonfigurierte Funktionen zur Anomalieerkennung und Protokollkategorisierung sind seit Jahren ein zentraler Bestandteil der Plattform. All diese Fähigkeiten unterstützen agentengesteuerte Untersuchungen und Abhilfemaßnahmen.

Die Entscheidung für einen geschlossenen Stack bedeutet bei jeder Weiterentwicklung des Ökosystems zusätzlichen Migrationsaufwand. Jede Änderung der Instrumentierung verursacht Entwicklungskosten in Form neuer Pipelines, Schemaübersetzungen und Datenabgleich. Im Bereich der Beobachtbarkeit entwickelt sich OTel zum vorherrschenden Instrumentierungsstandard, während Prometheus häufig als Standard für Metriken dient. 

Elasticsearch ist von Natur aus offen, schemaneutral und basiert vollständig auf OTel. Mit Elasticsearch können Teams beliebige Daten aus beliebigen Quellen – sei es Prometheus, OTel oder ein anderes Format – einlesen, nativ speichern und unverändert abfragen. Die Daten bleiben in ihrem nativen Format erhalten, ohne dass eine Übersetzungsschicht erforderlich ist und ohne dass bei der Konvertierung Daten verloren gehen.

Wir glauben, dass die Auszeichnung als „Leader“ im Gartner Magic Quadrant im dritten Jahr in Folge genau das widerspiegelt, was uns unsere Kunden mitgeteilt haben: dass Observability keine Kompromisse erzwingen sollte, dass Teams in der Lage sein sollten, ihre gesamten Telemetriedaten effizient zu speichern, auf offenen statt auf geschlossenen Standards aufzubauen und sicherzustellen, dass KI-Analysen über den vollständigen Kontext verfügen, den sie benötigen.

Alle vier hier behandelten Bereiche stehen miteinander in Verbindung: Effizienz ermöglicht einen vollständigen Kontext, ein vollständiger Kontext macht KI-Untersuchungen zuverlässig, und offene Standards gewährleisten, dass Investitionen nicht verloren gehen, wenn sich die Branche weiterentwickelt. Wir glauben, dass diese Anerkennung unseren kontinuierlichen Fortschritt in allen vier Bereichen widerspiegelt.

Der Gartner® Magic Quadrant™ 2026 for Observability Platforms und die Gartner® Critical Capabilities 2026 for Observability Platforms sind jetzt verfügbar. 

Lesen Sie die Berichte, um mehr über den Observability-Markt zu erfahren und warum wir glauben, dass Elastic als Marktführer anerkannt wurde..

Erfahren Sie, wie Elastic Observability Unternehmen dabei hilft, Probleme schneller zu untersuchen, KI-gestützte Anwendungen zu überwachen, offene Standards zu nutzen und zuverlässig im großen Maßstab zu arbeiten.