Datadog 正把雲時代可觀測性領導地位延伸到 AI 時代，通過“觀測 AI”和“用 AI 觀測”雙引擎、資料護城河、整合平台與高效 GTM，瞄準核心市場 5–10 倍空間，並認為可觀測性是 AI 轉型中最後留存、長期關鍵的基礎軟體品類。
深度總結
一、總綱：AI 轉型 = "同一部電影，更大螢幕"，可觀測性是"最後的軟體品類"
Pomel 將公司敘事釘在兩個錨點上：
- 歷史類比：上市 7 年（2019 上市）收入與股價均提升一個數量級，靠雲遷移；未來 10 年目標再拿一個數量級，靠 AI 轉型。"AI 建設的 80%–90% 看起來像雲建設"——同樣的基礎設施、應用、日誌，新增的是 GPU 層和 agent/模型/結果/安全層。
- 終局判斷：無論 AI 承擔什麼工作，"盯住 AI、理解其行為、對齊、結果質量、成本"將是最後留存的軟體品類。可觀測性市場年增 15%–30%（口徑不一），Datadog 份額僅 13%–14%——即便不依賴任何想像力，核心盤就有 5–10 倍空間。
二、當前動能：36% 加速增長，且"非 AI 客戶"同步加速
- 最近季度增速加速至 36% YoY，此前連續多季環比提速；
- 關鍵結構資訊：非 AI 客戶（佔業務約 85%）從一年前的 18% YoY 加速到 high 20s——證明 AI 建設的外溢（基礎設施與能力由 AI native 先建、傳統企業跟進）正在兌現，而非孤立投資；
- Fortune 500 滲透率僅約一半，平均年化合同 40 萬美元以上（主持人補充"比那還高"）；雲時代全滲透客戶把雲帳單的 10%–20% 花在 Datadog，Pomel 認為 AI 時代會保持類似比例——這是 TAM 測算的錨。
三、"Datadog for AI" vs "AI for Datadog" 雙輪
Datadog for AI（面向 AI 的可觀測性，當前增長主力）：
- AI 技術堆疊 70%–80% 與傳統棧相同（AI agent 大部分時間在使用標準工具應用）；新增層：底部 GPU 規模化生產使用，上部 agent/模型/結果/真實世界互動/agent 安全的監控；
- 增長最快的是基礎設施與應用層的建設相關用量；agent trace 流量爆炸更多是指示世界走向，尚非收入主引擎。
AI for Datadog（Bits AI，變現仍在重構中）：
- 從告警調查 agent 起步，已擴展至聊天機器人、程式碼最佳化、在 Datadog 上下文內從零建構 agent/應用；
- 客戶價值案例：日本零售+銀行兩家客戶用 Bits AI 解決了存在多年、反覆靠"創可貼"修復的復發性根因問題，主動寫郵件致謝——"變革性"用法成立；
- 財務體現：尚未單獨披露。正從單一調查 SKU 重構為 AI Credits 跨介面通用額度。Pomel 把"如何為 agent 定價"歸為全行業未解之謎（底層按 token，其上不清晰），Datadog 的態度是"無所謂"——純用量模式可隨時增改 SKU、附著到任意隨活動/資料增長的維度，當前觀察點是客戶接受度與行業標準形態。
四、定價哲學：承諾池 fungible + 用量制不變
- 單一承諾池、跨產品完全可互換（host ↔ logs ↔ APM ↔ AI smarts），是客戶向 Datadog 整合的核心動因（避免管理 12 家廠商 12 個池）；
- 安全 agent 已與 Cloud SIEM 解耦——AI 可作用於客戶不進入 Datadog 的資料來源，率先實踐"收入歸因與資料量脫鉤"；
- 對 OpenTelemetry/開源：定位為降埋點摩擦的順風，非商品化威脅；最新一季披露 5–6 個客戶整合案例（通常整合掉若干開源產品）。
五、護城河再定義：①業務結構 ②資料飛輪
- 業務結構：高效 GTM + 30% 收入再投入研發 + 橫跨個人/SMB 到數千萬美元級超大客戶的全覆蓋（多數公司二選一），三者形成飛輪——用小客戶感知市場下一步，用大客戶賺錢反哺研發。
- 資料飛輪（本年來差異化擴大最多處）：堅持 16 年拒絕本地部署（"銀行想要自管實例，我們始終說不"），換來海量乾淨、營運相關的專有資料（trace/metric/log/網路拓撲）。已開源 Toto、Toto 2.0 時序模型（發佈時 SOTA、模型小、質量全靠資料），並收購 Adaptive ML（強化學習微調定製模型）併入研究團隊——路線是"小而語境富的專用模型"，與前沿 LLM 錯位競爭。
六、"自建 vs 外購"之爭的三段論回答
- 每個工程師都想自建可觀測性——他自己是過來人（由此創了 Datadog）；
- 不經濟：團隊裡大量前超大規模雲廠商內部可觀測負責人，深知自建成本與買 Datadog 相當，而體驗/結果更差；
- 實證：gross retention 高達 90 多（SMB 到企業全覆蓋）；若干最大、完全自建的超大規模雲廠商近期回流——"AI 建設需要你們的幫助"，因為競爭白熱化讓"把聰明人浪費在非核心問題"變得不可接受。自建流失客戶佔極少數，且有人出去又回來。
七、風險敞口的自我評估：AI native 集中度可控
- AI native 客戶從兩年前不足 100 家增至約 750 家（8 倍），是全球創新最前沿且 Day 0 即嵌入 Datadog；
- 但管理層主動對比疫情教訓：當年 cloud native 敞口峰值約 40%，經歷擴張-收縮之痛；今天 AI native 敞口"遠低於那個水平"，業務更大、更分散；且 AI native 的建設正外溢為非 AI 客戶的加速（其餘 85% 業務對成本謹慎、追求可持續）。
- 結論：算式裡上行遠大於下行，且公司已建立識別"不健康增長/不健康用量"的紀律。
八、安全：被 AI"壓平"的市場 = 在位者優勢清零
- 現狀：安全 SKU 滲透約 1/4 客戶，ARR 1 億美元；
- 論斷：安全責任將散佈到所有角色，"向安全團隊賣安全產品"將終結；過去 3 個月安全工具被徹底顛覆——模型太強太快，幾年前建的安全產品全部過時；"幾十個產品彙入中央庫+人工評審"模式死亡，需要完全整合、機器速度響應、agent 持續探測——這壓平了整個領域、抹平在位者優勢；
- 對跨界競爭（安全大廠做可觀測性、ServiceNow 收購進安全）：差異化=平台體驗（海量日常使用者）+ 真正整合（對手多為"為管道整合"的資產拼裝者）。
九、內部營運與資本紀律
- Dogfooding：客服人力曲線已隨客戶規模反轉（轉向主動服務/FDE）；工程側全組織轉向 agent 建構；同時體驗到客戶端同樣的關卡——交付生產、質量保證、token 帳單失控；
- R&D 盤子保持 30%，構成遷移：token 與 GPU 支出上升（模型從小規模走向規模化訓練）；人力仍擴張——瓶頸是產品產能與分銷，效率紅利被再投資為更多產品、更深產品、更多鄰近品類，而非縮編；
- 團隊結構：8 人團隊→3 人團隊可行，但終局未定，塵埃落尚需數年。
十、增長路線圖
- 第四支柱：digital experience（RUM + Synthetic Testing）被單列為第四支柱，增速隨規模加快，被列為"下一個 10 億美元產品"頭號候選；候選其實"有很多，希望全部都是"（新品目標線：1 億美元起、沖 10 億）；
- 鄰近方向：安全、業務價值層（使用者行為→創收/留存）、data agent（內部已全量自用）；
- M&A：無"必須買"的品類；歷史邏輯是買團隊/產品優勢省 2–3 年，未來可為差異化分銷收購；更大交易"沒有硬性規則"，標準只有兩條——能加速通向目標方向、能匯入統一平台。
十一、需要跟蹤的變數
- AI Credits 定價的行業形態：客戶接受度與是否會演進出"結果計費"等新範式；
- 第四支柱（RUM/Synthetic）增速與獨立披露；
- AI native 750 家的留存與擴張質量： feast-famine 風險是否重演（管理層自認紀律成熟，但樣本僅 3 年）；
- 自建回流的可持續性：超大雲廠商"AI 建設需要你們"是周期性採購還是結構性轉向；
- 安全業務的兌現速度："壓平在位者"的窗口期能轉化多少份額（目前僅 1/4 滲透、1 億 ARR）；
- 小模型+專有資料路線 vs 前沿 LLM 能力的此消彼長：Adaptive ML 整合後的模型產出（Toto 後續）能否持續拉開身位。
Datadog, Inc.（DDOG）Citi 2026 全球 TMT 大會
2026 年 9 月 8 日 美東時間上午 11:30
公司出席人
Olivier Pomel —— 聯合創始人、CEO 兼董事
會議出席人
Fatima Boolani —— 花旗集團研究部
陳述
Fatima Boolani（花旗）
參加網路直播的各位晚上好。我先給大家幾分鐘就座，話不多說，先做幾個介紹。我叫 Fatima Boolani，在花旗共同主管企業軟體研究。今天下午我非常榮幸能主持與 Datadog 創始人兼 CEO Olivier Pomel 的主題對話。Olivier，非常感謝你今天下午抽出時間與我坐下來交流。
Olivier Pomel
謝謝邀請。我們公司離這兒走路就 15 分鐘，所以我待會兒可以直接回去上班。
問答環節
Fatima Boolani： 很好，你順便把步數也刷了。我們今天想給你安排一個勞逸平衡的日程。我想用"甜蜜 16 年（Sweet 16）"這個詞開場——Datadog 到今年 6 月就 16 歲了，作為上市公司也接近其中一半的時間（2019 年上市）。我想問你：Datadog 當下的最新全貌是什麼？公司在過去 16 年、尤其是作為上市公司的這段時間裡如何演進？特別是最近 12 到 18 個月有什麼變化？
Olivier Pomel： 首先，是大量的增長。公司上市時，我們正處於雲遷移的早期階段——這正是我們的立身之本。而今天，我們處在 AI 轉型之中——我認為這兩者很大程度是同一回事，只是規模再大一點。自上市以來我們走過了很長的路：收入大約提升了一個數量級，股價我認為也提升了一個數量級。這些都很好。
人們有時會問我：為什麼你還在這裡？我的回答是：我為下一個 10 年而來，為我們面前認為還能再拿到的那個數量級而來。看最近一個季度——一個月前我們剛發財報，數字我可能記不太準——在連續幾個季度環比加速之後，我們加速到了 36% 的同比增長。
尤其令我們興奮的是，這次加速貫穿整個客戶群：不只是 AI 客戶增長飛快（他們確實快），而是其餘業務——非 AI 客戶、AI 時代之前就存在且主業不是 AI 的公司——過去一年到兩年也在加速。我們在財報電話會上說過，這部分業務從一年前的 18% 同比增長加速到了 20 大幾（high 20s），提速非常明顯。
這說明 AI 轉型真實發生，並且觸及我們整個客戶群。正如在雲遷移中可觀測性是轉型的關鍵部分，我們看到在 AI 轉型中可觀測性同樣是關鍵部分。這體現在客戶側，也體現在我們思考終局時：一切將走向何方？5 年或 10 年後終局如何？可觀測性可能是最後留存的品類。如果 AI 承擔了更多工作——不管是什麼工作——盯住 AI、理解它在做什麼、為什麼這麼做、它是否對齊、是否產出了正確結果、成本是否合適，我認為這大概是最後留下來的軟體品類。所以我們對此非常興奮，也在非常忙碌地建構它。
Fatima Boolani： Oli，你觸碰了很多熱點區域，我想花很多時間逐一拆解。但在那之前——你有幸親歷了不止一場、而是正處在第二場大規模技術與計算範式轉移的門檻上。我知道我自己、以及這間屋子裡很多投資者，都習慣用歷史先例和類比來建立心智模型，推測 3 年、5 年後的技術格局和企業軟體/基礎設施軟體棧的樣子。
那麼，以親歷雲端運算轉型後見之明，能否談談：在這輪 AI 的創新與範式轉移周期中，你觀察到那些與雲端運算周期的相似與平行之處？
Olivier Pomel： 其實非常相似。想想法雲時代我們成功的要素之一：角色在融合。你需要更快交付、更快迭代，結果原來完全分離的開發（development）與維運（operations）角色走到了一起。我認為 AI 時代這種融合會更深——不僅是開發與維運，還有安全，甚至部分業務職能。你看看現在人們建構軟體的方式：非技術背景的產品經理也能建構軟體。所有這些角色被擠壓到一起，這有利於我們的業務，因為我們的生意就是把這些人匯聚到一個平台上，用一個貫穿所有關切領域的、對世界的統一表徵。
就可觀測的內容而言，我們看到大量相同的基礎：企業需要更數位化、需要數位化地與客戶互動、需要建設基礎設施、需要性能良好的應用。所以我想說，AI 建設中 80% 到 90% 看起來就像雲建設。然後出現了少數新層：AI 轉型有一整套非常深的棧需要被觀測和管理，這些我們都看得到。
回過頭說一句：我們談了很多 AI、很多淨新增空間、很多可進入的新領域。但即便你只把自己限制在可觀測性和我們的核心內，這也是個我們是領導者、份額約 13%–14% 的市場；這個市場的年增速按不同口徑是 15%、20%、25%、30%。所以不需要太多想像力就能理解我們如何在此基礎上增長 5 倍乃至 10 倍。僅僅是把核心延伸到一套現在增長更快的棧上，就已經構成一個很好的商業故事。
Fatima Boolani： 現在做可觀測性公司再幸福不過。如果我把你的機會簡化為二分：一邊是"面向 AI 的可觀測性（observability for AI）"，一邊是"用 AI 做可觀測性（AI for observability）"。請解析這兩個不同機會。今天業務中，來自監控這些新型 AI 系統、agentic AI 系統的收入佔多少，來自嵌入並產品化你們自己的 AI 能力、幫助客戶更高效使用 Datadog 的收入佔多少？你如何度量或歸類這兩類機會及其對業務的影響？
Olivier Pomel： 謝謝，這幾乎就是我們的品牌口號："Datadog for AI，AI for Datadog"，我們就是這樣呈現業務各部分的。目前增長最快的部分是 Datadog for AI——我們如何觀測整個棧。其實這個棧的大部分與非 AI 是相同的：大多數 AI 公司都建構在別人也在用的基礎設施之上；大多數 AI agent 實際上大部分時間都在使用工具——而 agent 使用的工具是標準應用，這些應用同樣需要被建構、被監控。所以很大程度上是一樣的，今天大概 70%–80% 的棧是相同的；然後有一些新層：棧底部，GPU 是一類存在很久的基礎設施，但從未真正在大規模生產環境中被使用、也從未以可跨大量客戶複製的方式被使用——這正在發生，我們在產品覆蓋它。在更高的層級上，你現在需要監控的不只是應用，還有 agent、agent 使用的模型、agent 達成的結果、agent 與現實世界互動的方式、agent 的安全。這是一整套需要可觀測性解決的新問題。
今天，增長最快的部分是與基礎設施層和應用層建設相關的部分。我們也看到所有 AI 介面流量爆炸——比如來自 agent 的海量 trace——但我認為這更多是向我們展示世界走向何方，而非今天已經成為業務的驅動部分。
Fatima Boolani： Bits AI 是一組相當重要的產品發佈，能力組合擴展非常迅速。我知道你們引入了新的產品負責人。希望你談談 Bits AI 的進展——在我看來它是"AI for observability"諸多用例的集中體現。它在財務結果的那個地理分佈上體現出來？
Olivier Pomel： 這就是"AI for Datadog"——我們如何通過 AI 自動化讓 Datadog 做的一切都更好。Bits AI 是我們的 AI agent，底層是一組執行不同任務、統一以 Bits AI 品牌呈現的 agent。去年我們發佈了第一版，聚焦調查（investigations）：出現告警時 Bits AI 觸發調查，告訴你發生了什麼、為什麼，並幫你修復。現在它已擴展到許多介面：Bits AI 有聊天機器人，可以最佳化程式碼，可以在 Datadog 上下文內從零建構 agent 和建構應用，能做很多以前做不到的事。
已有大量客戶使用它，從調查場景開始。對某些客戶它相當變革性。其實今早我在讀日本團隊發來的兩份客戶反饋——也許因為他們周末沒休息，我收到了郵件。恰好是兩家不同客戶：一家大型零售商、一家銀行，都在用 Bits AI，喜歡到專門發郵件說"這太棒了，效果極好"。兩個案例的共同點是：都遇到了存在多年的復發性老問題，一直沒能真正搞清根因，只能靠創可貼式修復讓系統恢復，然後問題復發。這兩個客戶都借助 Bits AI 找到了根因，並修復了流程，讓問題不再復發。他們印象深到直接給我們發郵件。所以對客戶相當變革性。
至於體現在財務結果的那裡——目前還看不到。我們正在重新打包這些產品：過去調查功能是一個單獨 SKU，現在我們改為一組 AI Credits（AI 額度），可跨多個介面使用，因為產品已擴展到很多場景。未來我們可能會就此披露更多。眼下收費方式正在轉型。順帶說一句，放大看，全世界也還不知道如何給 agent 定價：底層模型公司按 token 收費，再往上一層就不太清晰了。對我們來說無所謂——我們完全是按用量計費，可以很容易地增加 SKU、改變 SKU、把它附著到任何隨客戶活動或資料量增長的東西上。我們的問題更多是弄清什麼最契合客戶，以及行業最終會把"為智能定價"的正確方式定成什麼樣。
Fatima Boolani： 定價與打包這個話題很重要。我認為從技術格局和採購角度看，決策者從未像現在這樣預算吃緊，同時又必須把變革性能力嵌入 IT 棧。在這種背景下，考慮到普通大企業現在必須產品化的 AI 創新體量，你預計 Datadog 按 host、日誌量這類單位計費的戰略會如何演進？你和客戶在"收入歸因與資料單位解耦"上的接受度分別處於什麼階段？
我知道你做過一些嘗試，這並非無人區。但當 Bits AI 產品組合最終可能根本不接觸資料、按結果計費時，這個範式如何轉變？你對"採購變革"的哲學是什麼？你如何影響買家？
Olivier Pomel： 桌面上有很多種可能方案，所有人——包括客戶——都在同時摸索各自偏好。雲時代，按用量銷售是我們賣、客戶買的最佳方式；AI 時代會是某種類似形態。你說得對，最初我們按收到的資料量給一切定價，因為資料量足以建模我們對客戶的使用量和價值。未來我們交付 AI agent，有些 agent 甚至作用於我們不攝取的資料——例如我們宣佈把安全 agent 與 Cloud SIEM 解耦，你今天就能把我們的 AI 用在其他資料來源上。我們還能生成程式碼、做很多不必然大量操縱資料的事。
目前我們把它打包為 AI Credits，客戶可在其餘資料消費之上購買。到目前為止接受度很好，但我們會觀察走向。如果需要以不同方式重新打包、附著到資料量、host 或其他任何東西上，我們很容易做到。
關於客戶向我們整合的最近案例：原因之一是，與其管理 12 個不同廠商的不同承諾池、還要確保每個都用到正確數量，不如在一家廠商擁有一個大的承諾池。客戶與我們簽約時（尤其大客戶），他們在 Datadog 各產品間的用量是可互換的（fungible）：可以說"我們改主意了，不需要那麼多 host，需要更多 smarts"，或"多用 APM、少用一些日誌因為這樣更高效"。客戶不必操心——所有這些都是可互換、完全可轉換的。這是他們向我們整合的原因之一。
Fatima Boolani： 順著這個線索，我想拉遠談談可定址市場。你之前說 AI/agentic AI 的底層動因與當初推動上雲的 80%–90% 相同。如果我把 TAM 討論提煉為"價 × 量"：以前監控模式的侷限在於滲透率——組織會在某一刻認定"只有 80% 或 40% 的環境值得埋點"。這個算式如何徹底改寫？你在做什麼來推動對你最有利的變化？
Olivier Pomel： 首先，相對當前水平，我們在市場上還有巨大的滲透空間。前面提到即便我們是領導者也只有 13%–14% 份額；Fortune 500 中我們大約只進入一半；平均年化合同約 40 萬美元——
Fatima Boolani： 比這還要高一點。
Olivier Pomel： 我認為與這些客戶我們還能增長很多——不需要 AI、不需要想像力就能看到還能增加 5 倍乃至 10 倍的空間。隨客戶擴張並做更多 AI，驅動他們購買我們的是複雜性的升級。他們的生產力普遍大增——我定義的生產力是產出與所花時間（人力時間）之比——這個比率過去 40、50 年在軟體工程中持續爆炸，現在 AI 會讓它炸得更快。由此產生瘋狂的複雜性，我們的工作就是幫客戶應對複雜性，這是客戶最終花錢的原因。
在雲時代，與客戶完全滲透後，他們在可觀測性、安全及我們其他產品上的花費約佔其雲帳單的 10%–20%。我認為 AI 世界會有某種類似形態：客戶在我們這裡的花費，是他們總帳單的某個百分比——這筆開銷是合理的，因為它帶來的不只是底層算力或應用的節省，還有交付想要結果的能力、以及對結果質量的信任。我們相信這一點將長期成立，這正是長期機會如此巨大的原因。
Fatima Boolani： 你還有一個一貫堅持的觀察：AI native 與非 AI native 客戶的收入二分。你的立場一直是二者行為相同、痛點相同。但能否解釋，為什麼 AI native 與非 AI native 的運作方式仍存在巨大差別？
Olivier Pomel： 我們把它們分開報告是因為增長曲線不同。AI native 是更年輕的公司——大多是私企，也有不是的；有些被歸為 AI native 是因為業務實質上全是 AI，即便公司本身並不新。它們都在進行大規模基礎設施與應用建設、大規模投資，因此我們單列。長期看我們大概不會再分開列，因為隨著 AI 普及成為後視鏡裡的往事，這個區分不再有意義——現在新公司幾乎全是 AI native，AI 也在向其餘世界擴散。
就使用動態而言， striking 的是二者多麼相似：大家都從基礎設施、應用和日誌開始；都要讓東西在生產環境跑起來；都要確保最終人類能理解發生了什麼。部分日常用法不同：在前沿實驗室（Frontier Labs）裡，你會看到使用者個體操縱數千乃至數萬個 agent。其中一些用法會傳導到市場其他部分，我們預計會發生；另一些不會。顯然，當你享受免費推理、有全世界的動機把模型壓榨到極限時，你與企業客戶不處在同一個世界——企業為每個推理 token 收到月底帳單。但作為公司，服務這一波新公司中相當大的一部分——一端是前沿實驗室，另一端是規模稍小但增長極快的 AI native——讓我們很好地預知世界走向，以及最終需要為其餘客戶群建構什麼。產品 footprint 上，大部分是一樣的。
Fatima Boolani： 你提到 AI native 客群的增長。兩年前這群客戶不到 100 家，現在接近 8 倍——約 750 家。我們花很多時間談你的超大客戶，這個先放一放。這是一個 750 家的大客群：他們在棧建構上的行為、姿態、取向如何？硬幣的另一面是：這些公司裡資本高度集中。疫情期間我們都看過那部電影：消費網際網路/discretionary 公司終端使用者活動飆升，隨後出現 feast-famine 周期，接著是最佳化周期。這些是全球最具創新力的公司，從第 0 天起就把你設計進了技術堆疊。但這些企業本質上只有 3 歲，集中度很高——挑戰和考量是什麼？
Olivier Pomel： 這是我們非常謹慎對待的問題。我們經歷過 COVID 的高峰和之後的低谷，見過那批雲原生/數字原生公司先瘋狂擴張、再明顯收縮，當時我們的敞口約佔總業務的 40%，隨後承受了壓縮。因此我們現在評估這些帳戶、監控客戶不健康行為方面非常、非常謹慎，過去幾年我們學會了提前預判，這方面已經非常成熟。
但有一點要說：我們對 AI native 的敞口小得多。我們業務已增長很多、非常多元，今天對 AI native 的敞口遠低於當年對 cloud native 的峰值。在這個算式裡，我們認為上行遠大於潛在下行。我們對客戶擴張、健康增長與非健康增長、健康用量及最終演化，都有非常嚴格的紀律。
還有一點：AI native 的這些建設最終服務於其餘客戶群。我開場就提到非 AI 客戶大規模加速，而這正是建立在 AI native 的基礎設施建設與能力輸出之上。所以在我們看來，這不是生態某一部分孤立的失控投資，而是貫穿整個生態的擴散——我們其餘 85% 的客戶對成本方程非常謹慎，確保建構可持續的業務。
Fatima Boolani： 順著談價格通縮。你一直很坦率：客戶給你更多體量、把你當作環境健康的單一事實來源和"盯屏之眼"，伴隨更多體量的是價格通縮壓力。這是特性不是 bug。再考慮開源（OpenTelemetry）可能民主化甚至商品化"按資料定價"的能力，這如何影響你的市場戰略？以及你如何在 R&D 流程中嵌入開源？
Olivier Pomel： 16 年來圖景變化不大。做可觀測性的公司一直很多；人們從第一天起主要使用的就是開源，那兒的玩家和技術不斷輪換——有些 16 年前很火，如今不復存在或不火了；有些七八年前很火，今天已過巔峰；今天又有新的當紅者。這是常態，我們一直在與之共處和整合。客戶帶著一堆開源來找我們，我們要確保良好對接；如果他們想在某些領域從開源整合出來，我們也能做到，而且經常做到。看我們最新財報電話會紀要，大概有 5–6 個客戶整合案例，通常都涉及若干被整合掉的開源產品。
OpenTelemetry 很棒：它降低了埋點摩擦、讓我們更快獲得更多工作負載、讓客戶更有信心擴張並適配我們的平台。所以我們支援它、投入它，它是順風。歷史上我們一直善於守住利潤率、守住向客戶交付的價值——因為客戶買產品只有兩種理由：省錢或賺錢。我們很擅長論證和證明這一點；客戶通過最初採用的幾個產品看到價值後，就會整合更多。整體上我們的商業模式和指標是差異化優勢：極高效的 GTM、較高毛利，因此能把收入的約 30% 再投入 R&D，這讓我們能持續 relevant、為客戶建構未來、拓寬平台並成為客戶需求的整合者。
看看是什麼讓我們 5 年、10 年後仍是最好的公司、又是什麼讓我們從六七年前上市走到今天——就是這個：我們能持續投資、長期做到最強。客戶也認可，所以與我們合作，因為他們知道我們會長期在場，而不是今天買到一個低價、兩年後因為廠商不再是最好的而不得不更換。
Fatima Boolani： 關於競爭差異化，可拆的維度很多。我想具體問：過去一年 Datadog 競爭差異化擴大最多的是那裡？在產品深度、AI 能力、分銷與 GTM 之間排序，那些最能支撐你持續擴大差異化？
Olivier Pomel： 兩點。第一是我剛說的業務結構：極精簡、極高效的 GTM，讓我們既能投資又能盈利——我認為這非常獨特。私企可以暫不這樣做，但長期必須做到，這是相當差異化的。業務結構的另一部分是客戶群極寬：從最小的初創、個人使用者，到一年付我們數千萬美元的最大企業，我們都服務。大多數公司只能二選一，我們兼而有之。這形成強大的飛輪：如何獲取新客戶、向誰擴張，以及通過大量小客戶、個人和初創提前感知市場下一步。
第二點——我認為越來越重要的是：我們是擁有海量、極其乾淨、營運相關的資料的 SaaS 廠商，可以據此訓練模型，把客戶維運、安全及其他問題的解決自動化。創業之初這就是意圖：做 SaaS 就是為了這個。這些年不斷有大銀行客戶提出"我們是你的大客戶，但我們想要一個自己管理的本地部署實例"——我們一直說不。原因始終是：我們就是要擁有資料，要能基於資料迭代；而且將來建構更多功能時，如果能直接從客戶用與不用、那些在客戶環境有效那些無效的反饋閉環中學習，我們會快得多。我們堅持下來了。
今天這個承諾開始兌現：前沿實驗室造出了驚人模型，但我們能造不同種類的模型——自己造、按自己需求定製、基於可觀測性特有資料訓練。別把它想成 LLM 那種文字，而是 trace、metric、日誌、網路拓撲等形狀略異的資料——我們能把它們攝取進系統並轉化為預測。我們已開源了時序模型作示範：Toto 和幾個月前發佈的 Toto 2.0，發佈時都是 state-of-the-art。這些是相當小的模型，不需要龐大伺服器農場，而模型質量完全取決於我們資料的質量。幾個月前我們還宣佈了收購 Adaptive ML——一家做強化學習以微調和建構定製模型的公司，該團隊已併入我們的研究團隊，加速下一代模型研發。未來各位會聽到看到更多。
Fatima Boolani： 這自然引出下一個問題，仍在競爭視角下。投資者社區（包括我）對一點感到驚喜：DIY/自建（in-sourcing）之爭。你的客戶是全球最具創新力的公司，做著最前沿的事，但他們敲開你的門請你解決最棘手的難題。請談談他們決策背後的理由——這些可是財力和智力資源最雄厚的公司。你如何平息"這些超大客戶某天會自建"的爭論？
Olivier Pomel： 幾點。其一，每個工程師都認為自己能夠且應該自建可觀測性——我懂，因為我幹過。
Fatima Boolani： 工程師本色發言。
Olivier Pomel： 當年我面對這個問題時，決定和 Alexis Le-Quoc 去圍繞它創辦一家公司。所以我不能怪別人這麼想。我們的生意就是讓人們明白：不自建能獲得多大價值，從而把精力放到別的問題上。對幾乎所有企業——除我們之外的每一家企業——都有別的問題更值得解決，可觀測性和自動化是為之服務的，他們應聚焦主業。這是其一。
其二，對幾乎任何公司來說自建都不經濟。我們知道這一點，因為 Datadog 很多營運產品線的人，此前曾在某些超大廠（前五大超大規模雲廠商之列）內部負責可觀測性，他們清楚在這些公司做大規模可觀測的確切成本——結果與完全交給我們差不多。從這些前員工處我們得知：我們提供的價格/價值、體驗和最終結果，都比他們前東家自建的好。這是其二。
其三，當公司大到一定程度，總有人想自建，有些確實會建。我們有過客戶說"我們要自建"，其中一些流失了，又有一些回流了。我們財報會上點到過這類案例，但這佔客戶群比例極小。看整體數字，我們的總留存率（gross retention）極高，高達 90 多（high 90s），覆蓋從 SMB 到企業的全部業務——基本不可能比這更好了。
最近還出現一個值得注意的現象（幾個季度前的財報會上點過）：若干最大的超大規模雲廠商找上門來——這些是完全自建、不使用任何外部廠商軟體的公司——回來對我們說："我們的 AI 建設需要你們的幫助。"原因是他們競爭極其激烈，這讓他們想明白了：他們不再假設自己有資源包打天下、可以接受稀釋影響力、可以讓一部分聰明人和一部分算力分散在非核心問題上。現在我們聽到的是：他們的團隊需要以最快速度交付，他們想要最好的工具——無論是因為不想讓使用者側忍受內部自建的劣質方案，還是不想讓管理層把資源浪費在非核心問題上。
Fatima Boolani： 這讓我想到另一個角度：吃自己的狗糧（dogfooding，我更喜歡說"喝自己的香檳"）。Datadog 一直保持很高的研發強度——約收入的 30%，按我的記憶是每年 10 億美元以上投入研發。請談談你們內部對 AI、agent 的使用，如何提升交付速度？另外你提到 Adaptive ML，似乎暗示了"小而語境豐富的模型"相對大語言模型的優勢。這些因素如何融入你的 R&D 戰略和資本配置？
Olivier Pomel： 顯然，公司內部到處都在大量使用 AI。非工程側與很多客戶沒區別，太多事情可以自動化，我們已在路上。比如過去客服支援工單的人力要隨客戶規模同步擴張，現在這條曲線反轉了——從被動響應人力中釋放出來的人，可以去做主動服務：與客戶共建的 Forward Deployed Engineering、做以前沒有的事，這些都是 AI 自動化打開的。
工程側，整個組織正在轉向用 agent 建構，我們當然在 dogfooding。我們發現的與客戶相同的規律是：開發確實能顯著加速，但之後的關卡還在——要交付到生產、要確保真的能用、要確保真正給客戶帶來正確結果。而且在此過程中，我們看到算力帳單/token 帳單爆炸，還搞不清楚那些需要、那些不需要。我們重度 dogfooding 這一切，並據此為客戶建構對的產品。每個環節都有大量機會：交付生產、在生產中持續運行、對終端使用者衡量價值（是否真的交付了正確的東西）、理解該做什麼、以及最佳化寫程式碼和自動化的 token 成本。
至於投入分配，心智模型是總盤子變化不大——我們仍投入 30% 於研發，但內部構成會變：token 支出越來越多（工程師用 agent 更多），GPU 支出也越來越多——前面提到我們在訓練模型，最初那些模型很小，現在開始規模化，相關支出各位會看到更多。
Fatima Boolani： 人力側，這會變成一點哲學討論：經典定義的軟體工程師角色正與開發者、SRE、雲基礎設施工程師融合。Datadog 內部普通工程師/技術人設是不是戴了更多帽子，因為個人能力邊界拓寬了？也請終結這個爭論：AI 帶來的個人產能提升，是否已超過你需要增員的程度？你如何平衡這個等式？
Olivier Pomel： 我們確實看到一個人可以戴很多帽子，也看到小團隊被 AI 賦能：過去需要 8 人、角色多樣的團隊，現在 3 人也許就行。這徹底重寫了團隊組建和擴張的算式。我們確實看到這一點。但我不知道終局是什麼樣子，流程還在打磨、模型還在進化，塵埃落定可能還要幾年。
至於人力——你的問題是 envelope 會移動，token 成本在上升，但……
Fatima Boolani： 人力部分。你說總盤子會變，token 上去，但……
Olivier Pomel： 這方面，我們 definitely 仍在擴張工程團隊。想清楚我們的業務受兩件事限制：一是可供銷售的對的產品有多少，二是分銷有多寬——面向正確客戶的全球銷售容量。兩個都要擴。所以現在如果研發效率提高、每美元研發投入產出更多，我們就會做更多研發：生產更多產品、把產品做深、向鄰近品類擴張、幫助客戶整合更多。客戶側的需求看不到盡頭，我們更多受限於內部產能。
Fatima Boolani： 你志在取得更強立足點的"鄰近品類"有那些？
Olivier Pomel： 前面提過安全。還有不少要向上做、更靠近業務側的空間：我們從基礎設施監控起步，上到應用，再上端到端使用者監控（使用者實際在做什麼）。從終端使用者再往上就是業務價值：這些使用者是否創造價值？在做什麼？買得更多嗎？留存更久嗎？我認為沿這條線還能更進一步。我們還在大會上發佈了 data agent，可用來查詢資料並真正獲得洞察——Datadog 現在所有內部分析都跑在它上面。那裡也有很多機會。
Fatima Boolani： 網路安全這塊——你把我天線撥起來了。產品組合與戰略上：安全 SKU 滲透率約 1/4，是一個 1 億美元 ARR 的業務。進展巨大，但機會仍然很多，你自己也承認還有工作要做。相對最初預期，進展如何？那些做得好？機會和改進空間在那裡？
Olivier Pomel： 回看這個機會：首先我們認為機會巨大。基本面是前面說的角色融合，安全是其中很大一塊。我們非常清楚：向安全人員賣安全產品這件事將不復存在——人人都要承擔責任，這就是未來公司建構產品的方式，DevSecOps 不再是一個新興趨勢，而會成為多數公司的運行方式。
其二，這一點更新：過去 3 個月我們目睹安全工具被徹底顛覆。模型太強、進化太快，幾年前建構的幾乎所有安全產品都已過時。"裝 12、15、25 個不同安全產品、都匯入一個中央庫、再由人類評審排優先順序"的模式不再可行。現在一切要完全整合、要以機器速度響應；會有 agent 不停探測你側一切可探測之物。我們認為這完全壓平了這個領域，抹平了在位者的任何優勢。所以這是巨大機會，未來數年逐步展開。我們非常願意在這個方向加大投入。
Fatima Boolani： GTM 資訊傳遞層面，當你們將面對一類全新的競爭對手——其中一些也在進入你的核心領地：最大的幾家安全公司更強勢地把可觀測性說成自己的使命；還有 ServiceNow 這類大科技公司也在收購進入安全領域——你的打法和敘事如何變化？
Olivier Pomel： 對我們最重要的是交付真正的平台體驗。我們與其他人的不同在於：我們追求最大數量的使用者、最大用量——開發者、維運等——這通常不是安全產品的特徵，安全產品使用者群很小。第二，我們提供完全整合的平台：無論自建還是收購，我們都匯入平台。安全領域做大的公司多是資產配置者和整合者——買一堆公司，為銷售管道做整合。我們的觀點是：當需要海量使用者每天使用、需要跨不同資料流以機器速度行動時，你需要一個整合平台，而不能是靠銷售員捆綁在一起的一組孤島產品。我們的特殊之處就是這個整合平台，這是公司的 DNA。同時我們的商業模式允許我們通過收購加速成長。
Fatima Boolani： 你說自己本質上受限於想像力——研發速度如今高得多。圍繞這個兩個問題：一，你預計 Datadog 下一個 10 億美元產品是什麼？二，既然建構和創新能力比三五年快了一個數量級，如何改變你的自建 vs 收購決策？你們一直很克制，以 tuck-in 為主。這是同一枚硬幣的兩面。
Olivier Pomel： 下一個 10 億美元產品——內部有多個候選。有一點可以講：當年我們把可觀測性的各個趨勢彙總，稱自己為"三支柱"：metrics、traces、logs（基礎設施、應用、日誌）。現在我們認為有四支柱——把數字型驗（digital experience）拆分為第四支柱：真實使用者監控（RUM）和 Synthetic Testing。它增長很快，規模越大增速反而在加快。它是所有客戶技術堆疊的關鍵部分，無論非 AI 公司還是頂級 AI 實驗室。在 agentic AI 世界裡這一點價值或許更高。所以它是業務中增長很好的部分。當然，業務裡很多部分都可能成為 10 億美元業務，我們希望最終都是。每做一個新產品，我們的目標都是 1 億美元以上，並希望跨過 10 億門檻。
Fatima Boolani： 自建 vs 收購。
Olivier Pomel： 自建 vs 收購上，沒有任何一個品類是我們認為"必須買"的。我們一直非常機會主義，把所有想做的事都看一遍：一切都可以自建，但如果有資產或公司能讓我們加速，我們就評估。歷史上主要買的是團隊和產品優勢——收購一支已深耕兩三年的團隊，可讓我們省去兩三年、更快達到產品-市場匹配。未來也可能為分銷收購：若某公司能給我們帶來面向某類買家、某個市場的差異化分銷，我們也會做。但底層原則不變：我們交付的是整合平台，把使用者和用例匯聚到平台——這才是長期差異化。
Fatima Boolani： 關於規模區間再確認一下：你們一直做 tuck-in，金額較小，但你們有很 robust 的股價貨幣。做更大膽交易的標準在那裡？Oli，能否分享一筆"超歷史節奏"的大交易所需要的參數？
Olivier Pomel： 沒有硬性規則。大交易天然更少：恰好找到資產對、經濟學對、各方意願一致的大交易，機率非常低，但也不是不可能。重點是：只要我們相信它能加速通往我們想去的方向，且能統一到一個平台上交付，一切皆可談。
Fatima Boolani： Oli，最後一個問題，請拿出你的水晶球。如果未來 3 年你大幅超出財務和投資者預期——我們今天談了很多利多——撇開執行因素，投資者會嚴重低估了你的什麼能力，或低估了什麼樣的市場環境？
Olivier Pomel： 我認為整體機會很清楚：可觀測性是任何轉型故事的主要部分，尤其是 AI 故事。同樣清楚的是，可觀測性是最後的前沿——不管活是什麼，盯住 AI、盯住機器、盯住 agent，長期看絕對關鍵。這是巨大、巨大的機會。
還有一點很清楚：問題不是我們會不會在場，而是最終誰會同我們在一起。這是一個偉大市場、偉大機會；終局裡會有我們，也許還有一兩家公司。既然如此，我認為不投資 Datadog 是愚蠢的。這是我的看法。
Fatima Boolani： 很好的收尾。Oli，非常感謝你的洞見，討論非常精彩。
Olivier Pomel： 非常感謝。
Fatima Boolani： 謝謝。 (invest wallstreet)