要約

  • NETSCOUT は、MELTデータだけを使う場合に比べ、社内試験でAIのトークン消費が25％超減ったと発表した。顧客の総費用が同じ割合で減った証拠ではない。
  • 商機はモデルの推論前にネットワーク情報を整える段階にある。利用者がデータを選別する機能は、9月の発表以前から説明されていた。

障害の原因をAIに尋ねるとき、問いの前提となる情報は誰が整えるのか。NETSCOUT が広げようとしているのは、その準備作業の市場だ。9月3日の発表では、観測したパケットの動きを、企業向けAIや既存の運用ツールが利用できる、簡潔で文脈を備えたSmart Dataに変換するデータ基盤を説明した。

Sanjay Munshi 最高執行責任者は、社内試験の結果として二つの数字を挙げている。メトリクス、イベント、ログ、トレースを指すMELTだけの場合に比べ、AIのトークン消費は25％超減り、MTTKは75％超短縮したという。ただし、モデル名、課題の構成、標本数、所要時間の実数、回答品質をそろえた比較結果は公開していない。現時点で確認できるのは供給側の試験報告であり、第三者が再現した顧客の採算ではない。

二つの改善率は、どちらも運用全体の効果より狭い。トークンは費用の一要素にすぎず、収集、加工、保存、接続作業、保守の費用がなくなるわけではない。MTTKは問題を理解するまでの平均時間を指す。NETSCOUT 自身の過去の解説では、解決までの四つの段階の一つとされる。この時間の短縮率を、そのまま修理やサービス停止全体の短縮率に読み替えることはできない。

製品説明が示す仕組みは、モデルに渡す前の作業分担だ。観測点でパケットを検査し、分析することで、構造化され情報を補ったメタデータを作る。データを減らす前に運用上の意味を抽出し、その後、密度の高い文脈へ整える。個々のツールが断片的な記録から出来事を組み立て直す手間を減らす、という考え方である。

この準備が複数の調査や分析モデルに再利用できれば、一度整えた情報の価値は広がる。NETSCOUT は既存の可観測性ツールやAI投資を補完すると説明しており、すべてを入れ替えることを前提にはしていない。購入側が比べるべきなのは入力の短さだけでなく、同じ課題について同等に有用な結果を得るための総費用だ。

一方、選別機能をすべて9月の新機能と捉えるのも違う。2月19日の通信事業者向け発表では、Omnis AI Streamerが信号を抽出、集約、分類し、Playbook Builderを通じて運用担当者がデータの流れを構成できると説明していた。一部の流れには、機械学習による追加処理を任意で適用する。受け手は、供給者が決めた要約をそのまま読むだけの存在ではない。

9月のニュースは、企業向けAIへの位置付けを広げ、社内指標を示した点にある。基盤全体が初めて登場したことや、価格、顧客の純節減額、追加売上を立証するものではない。また、観測したパケットに基づくメタデータでも、関連するすべてのアプリケーション状態を知っているとは限らない。

NETSCOUT の狙いは、推論するモデルが変わっても、その手前に残る仕事を担うことだ。その仕事を買う意味は、文脈をどう選び、いくらで整え、どの結果を得たのかを顧客が確かめられるかにかかっている。