El impulso de IA de Datadog se enfrenta a una prueba de resultados

Datadog ha vuelto a Google News con un fuerte impulso en IA, aunque su informe de resultados del 6 de agosto plantea ahora una prueba más exigente. Los inversores quieren pruebas de que las operaciones autónomas, la monitorización de IA y los recientes lanzamientos de productos están generando un gasto sostenible por parte de los clientes.

La empresa afronta esta prueba después de registrar un crecimiento interanual de los ingresos del 32% en el primer trimestre. También lanzó más de 100 capacidades en su conferencia DASH y amplió su conjunto de agentes Bits AI. Esta combinación ha reforzado la narrativa de crecimiento en torno a las acciones de Datadog.

Sin embargo, el volumen de productos por sí solo no demuestra éxito comercial. Datadog debe mostrar que los clientes adoptan más módulos, amplían las cargas de trabajo y generan un uso predecible. También debe defender su posición frente a Dynatrace, Splunk de Cisco, Grafana Labs, Elastic y nuevos proveedores de monitorización nativos de IA.

Por tanto, el conflicto central es mayor que una estimación trimestral. Datadog intenta convertirse en la capa de control de las operaciones de IA antes de que la observabilidad se convierta en una función integrada dentro de plataformas más amplias de nube, seguridad o desarrollo.

Por qué Datadog vuelve a Google News antes de los resultados

El impulso más reciente de Datadog se apoya en un crecimiento empresarial cuantificable, seguido de una expansión inusualmente amplia de productos de IA.

Datadog registró ingresos de 1.006 millones de dólares en el primer trimestre, un 32% más que en el mismo periodo de 2025. Los ingresos trimestrales también superaron los 1.000 millones de dólares por primera vez, creando una base más sólida para la narrativa de IA.

La empresa generó 335 millones de dólares en flujo de caja operativo y 289 millones de dólares en flujo de caja libre durante el trimestre. Estas cifras importan porque Datadog está invirtiendo intensamente mientras sigue generando efectivo con su negocio de suscripciones.

Los grandes clientes también siguieron ampliando su gasto. Datadog cerró marzo con unos 4.550 clientes que generaban al menos 100.000 dólares en ingresos recurrentes anuales. Esto representó un crecimiento del 21% desde aproximadamente 3.770 un año antes.

Estos resultados, disponibles en los resultados trimestrales de Datadog, establecieron la base financiera para el próximo informe. También elevaron las expectativas sobre lo que la dirección debe ofrecer a continuación.

Para el segundo trimestre, Datadog proyectó ingresos de entre 1.070 y 1.080 millones de dólares. Ese rango implicaba un crecimiento interanual de entre el 29% y el 31%. La empresa también elevó sus previsiones para el conjunto del año tras el desempeño del primer trimestre.

Esta previsión hace que el informe de agosto sea más exigente. Una empresa puede superar expectativas moderadas sin cambiar su narrativa a largo plazo. Datadog debe ahora continuar tras un trimestre sólido y explicar si su crecimiento sigue siendo amplio y repetible.

Su evento de productos de junio añadió otra capa de expectativas. Datadog anunció más de 100 capacidades que abarcan detección autónoma de incidentes, lanzamientos de software, seguridad, gestión de costes, agentes de IA y flujos de trabajo operativos.

Bits AI se sitúa en el centro de esa expansión. Datadog describe Bits AI como una colección de agentes que investiga problemas y realiza acciones operativas aprobadas. Estas acciones pueden incluir pruebas, corrección, análisis de código y respuesta a incidentes.

La empresa también presentó Agent Console, que supervisa cómo las organizaciones utilizan agentes de programación como Claude Code, Cursor y GitHub Copilot. Está diseñado para conectar la actividad de los agentes con los resultados, la adopción, el rendimiento y el gasto.

Este cambio lleva a Datadog más allá de los paneles tradicionales. El software de observabilidad suele recopilar telemetría, es decir, registros, métricas y trazas que describen cómo se comporta un sistema. Datadog ahora quiere que su plataforma interprete esos datos y actúe sobre ellos.

Esta ambición explica la atención actual. La historia que aparece en Google News no es simplemente que Datadog haya añadido funciones de IA. La empresa sostiene que la IA hace más valiosos sus datos operativos existentes.

El informe de resultados revelará si los clientes coinciden con esa visión con la suficiente intensidad como para aumentar su gasto.

Las cargas de trabajo de IA amplían el problema abordable por Datadog

Las aplicaciones de IA crean más variables operativas, lo que ofrece a los proveedores de observabilidad la oportunidad de gestionar una complejidad que los proveedores de modelos no resuelven.

Una aplicación convencional en la nube puede fallar debido a código defectuoso, latencia de red, infraestructura sobrecargada o una dependencia no disponible. Una aplicación de IA introduce puntos de fallo adicionales en modelos, prompts, bases de datos vectoriales, agentes y herramientas externas.

Los equipos también pueden enrutar solicitudes entre varios proveedores de modelos. Esa decisión mejora la flexibilidad, pero hace más difícil rastrear la latencia, la capacidad, la calidad y el coste a través de un único sistema.

La propia investigación de Datadog para 2026 determinó que el 69% de las organizaciones observadas utilizaba al menos tres modelos. La empresa también informó de que aproximadamente el 5% de las solicitudes a modelos en producción fallaban.

Casi el 60% de esos fallos se asociaron con límites de capacidad, según los datos de ingeniería de IA de la empresa. Datadog analizó el uso anonimizado de miles de clientes que ejecutaban grandes modelos de lenguaje en producción.

Estos hallazgos proceden de la plataforma de Datadog, por lo que no deben tratarse como una encuesta neutral de todo el mercado. Aun así, ilustran el problema operativo que Datadog está en posición de monetizar.

La inteligencia del modelo no evita un límite de tasa, un servicio sobrecargado o una llamada fallida a una herramienta. Un agente capaz aún puede generar una experiencia de cliente deficiente cuando la aplicación circundante carece de capacidad o visibilidad.

Las cargas de trabajo de IA también producen grandes cantidades de telemetría. Cada solicitud a un modelo puede contener un prompt, una respuesta, información de tiempos, consumo de tokens, contexto recuperado, comprobaciones de seguridad y llamadas a otros servicios.

Estos datos crean una oportunidad para Datadog. La empresa puede observar la interacción con el modelo mientras la conecta con información de infraestructura, aplicaciones, bases de datos, redes y seguridad que ya almacena en su plataforma.

Este es el mecanismo detrás del impulso de IA de Datadog. No necesita competir con OpenAI, Anthropic o Google en modelos fundacionales. Se beneficia cuando las empresas implementan esos modelos en sistemas de producción complejos.

La oportunidad se extiende al desarrollo interno. Los agentes de programación pueden crear y modificar software más rápido, pero las organizaciones aún necesitan comprender si esa producción mejora la fiabilidad.

Agent Console de Datadog aborda ese problema de gestión. El producto está destinado a mostrar qué equipos usan agentes de programación, qué tareas realizan y cómo su actividad se relaciona con el gasto.

Esto sitúa a Datadog entre la implementación de IA y la responsabilidad operativa. Si las empresas tratan a los agentes autónomos como sistemas de producción, necesitan registros de lo que esos agentes intentaron y modificaron.

Datadog también puede utilizar la telemetría histórica para dar más contexto a sus propios agentes. Un agente de incidentes resulta más útil cuando puede inspeccionar errores actuales, implementaciones previas, dependencias de servicios e intentos anteriores de corrección.

Esto crea una posible ventaja de datos. Un asistente de IA independiente podría resumir una alerta, pero su valor es limitado cuando no puede acceder al registro operativo que hay detrás de ella.

Datadog ya recopila ese registro para muchos clientes. Su reto consiste en convertir el acceso en acciones fiables sin crear nuevos problemas de seguridad o gobernanza.

Por tanto, la oportunidad de IA de la empresa tiene dos vertientes. Datadog puede supervisar los sistemas de IA de sus clientes y puede integrar agentes de IA dentro de su propia plataforma de monitorización.

Ambas vías dependen del mismo requisito: los clientes deben confiar a Datadog más datos operativos y mayor autoridad sobre los entornos de producción.

Datadog quiere convertir la observabilidad en una capa de acción

La competencia estratégica enfrenta la capa de acción integrada de Datadog con un mercado en el que la monitorización sigue fragmentada entre herramientas especializadas.

Datadog construyó su posición al reunir en una interfaz la monitorización de infraestructura, el rendimiento de aplicaciones, los registros, la experiencia de usuario, los datos de red y las señales de seguridad. Sus productos más recientes amplían esa estrategia de consolidación.

La presentación anual de la empresa describe un modelo de expansión progresiva. Los clientes pueden comenzar con un producto, aumentar el uso y adoptar módulos adicionales a medida que crece su presencia en la nube.

Ese modelo ha generado una expansión considerable. Datadog cerró 2025 con aproximadamente 32.700 clientes, frente a unos 30.000 un año antes.

Alrededor de 4.310 clientes generaban al menos 100.000 dólares en ingresos recurrentes anuales al cierre del año. Esos clientes representaban el 90% del total de ingresos recurrentes anuales, según la presentación anual de Datadog.

La misma presentación mostró que 603 clientes generaban al menos 1 millón de dólares en ingresos recurrentes anuales. La tasa de retención neta basada en dólares de Datadog en los últimos 12 meses fue de aproximadamente el 120%.

La retención neta compara los ingresos recurrentes de un grupo establecido de clientes con sus ingresos un año antes. Un resultado superior al 100% indica que la expansión superó las cancelaciones y reducciones dentro de ese grupo.

Los agentes de IA podrían reforzar ese modelo porque las operaciones autónomas dependen de datos conectados. Un agente de corrección tiene un valor limitado cuando ve errores de aplicaciones, pero no puede inspeccionar infraestructura, cambios recientes de código o eventos de seguridad.

Datadog utilizó DASH 2026 para presentar Bits AI como una familia de agentes que opera a través de esos límites. La empresa anunció agentes para detección, infraestructura, código, lanzamientos, pruebas y análisis de datos.

Bits Agent Builder también permite a los clientes crear agentes para flujos de trabajo operativos específicos. Datadog afirma que estos agentes pueden resolver incidentes, elaborar informes y aplicar estándares dentro de controles definidos por el cliente.

El lanzamiento de productos de DASH muestra cómo la estrategia difiere de añadir un chatbot a un panel. Datadog quiere incorporar agentes allí donde su plataforma detecte un problema.

Consideremos un lanzamiento de software que incrementa la latencia de la base de datos. Una herramienta de monitorización tradicional puede alertar a un ingeniero, que luego revisa las implementaciones, las trazas y las métricas de la base de datos.

Una plataforma orientada a la acción puede conectar la ralentización con el lanzamiento, reunir pruebas relevantes, recomendar una reversión y ejecutar una respuesta aprobada. Esto reduce las transferencias entre equipos durante un incidente.

Sin embargo, este valor depende de la profundidad de la integración. Los clientes que utilizan herramientas independientes para registros, monitorización de aplicaciones, seguridad y gestión de incidentes podrían no proporcionar a un solo agente suficiente contexto.

Por ello, Datadog está presionando a los compradores para que consoliden más trabajo operativo en su plataforma. Al mismo tiempo, los competidores presentan sus propias versiones de observabilidad unificada y operaciones asistidas por IA.

Dynatrace lleva tiempo destacando el descubrimiento automático y el análisis causal. Cisco puede conectar los datos de observabilidad y seguridad de Splunk con una presencia mucho mayor en redes y software empresarial.

Grafana Labs y Elastic atraen a organizaciones que buscan arquitecturas de datos flexibles o un mayor control sobre la telemetría. OpenTelemetry, un estándar abierto para producir y transmitir datos de observabilidad, también reduce la dependencia de métodos de recopilación propietarios.

Estas alternativas no eliminan la ventaja de Datadog. Sí impiden que la empresa trate las operaciones asistidas por IA como un mercado sin competencia.

El ganador no se determinará por quién anuncie más agentes. Dependerá de qué plataforma conecte recomendaciones fiables con datos en los que los clientes ya confían.

Lo que el impulso de la IA todavía no demuestra

Datadog ha demostrado demanda por su plataforma, pero aún no ha demostrado que los agentes autónomos se convertirán en un motor de crecimiento independiente y duradero.

La primera incertidumbre es la profundidad de adopción. Un producto puede alcanzar la disponibilidad general sin volverse central para las operaciones diarias de un cliente.

Datadog ha lanzado muchas capacidades de IA en toda su plataforma. Los inversores aún necesitan pruebas más claras de cuántos clientes las utilizan regularmente y de si ese uso amplía los contratos.

La distinción importa porque algunas funciones de IA pueden respaldar la retención sin generar ingresos incrementales sustanciales. Podrían mejorar un producto existente mientras el gasto total del cliente permanece prácticamente sin cambios.

La segunda incertidumbre implica la fiabilidad. La respuesta a incidentes opera bajo estándares distintos a los de un asistente habitual para el lugar de trabajo.

Un resumen impreciso desperdicia tiempo. Una acción incorrecta en producción puede interrumpir un servicio, exponer datos u ocultar la causa original de un incidente.

Datadog afirma que los clientes pueden establecer barreras de protección alrededor de las acciones automatizadas. Sin embargo, la empresa debe demostrar que los equipos concederán a los agentes una autoridad significativa después de probarlos en entornos reales.

La aprobación humana puede controlar el riesgo, pero también puede reducir el tiempo ahorrado. La autonomía total aumenta el valor potencial, al tiempo que eleva las consecuencias de una decisión incorrecta.

La tercera incertidumbre se refiere al volumen de datos y al coste. Los sistemas de IA generan más telemetría, pero los clientes no necesariamente quieren almacenar cada señal indefinidamente.

Las organizaciones ya filtran registros, ajustan la retención y trasladan datos a almacenamiento de menor coste. Las cargas de trabajo de IA pueden intensificar esas decisiones porque los prompts, trazas, evaluaciones y acciones de los agentes aumentan el volumen de recopilación.

Eso crea una tensión dentro del modelo de expansión basado en el uso de Datadog. El crecimiento del volumen de datos puede respaldar los ingresos, pero las facturas impredecibles pueden impulsar a los clientes hacia el muestreo o el almacenamiento alternativo.

El cuarto riesgo proviene de la competencia entre plataformas. Los proveedores de nube ya controlan los datos de infraestructura, los servicios de modelos y las relaciones con los clientes.

Amazon Web Services, Microsoft Azure y Google Cloud pueden integrar la monitorización con los entornos en los que se ejecutan las aplicaciones de IA. Los proveedores de modelos también pueden mejorar sus propias herramientas de trazado, evaluaciones y seguridad.

Datadog necesita seguir siendo valioso en distintas nubes y modelos. Su neutralidad ayuda cuando un cliente utiliza varios proveedores, pero las alternativas agrupadas pueden parecer adecuadas para implementaciones más limitadas.

La competencia también llega desde abajo. Las herramientas de código abierto y estándares abiertos permiten a los equipos de ingeniería ensamblar sistemas de observabilidad personalizados sin colocar cada señal dentro de una única plataforma comercial.

Esa vía requiere más experiencia interna. Aun así, puede atraer a grandes organizaciones que priorizan el control, la portabilidad o economías de datos específicas.

La quinta incertidumbre es la concentración dentro de la oportunidad de IA. Datadog ha hablado de una fuerte demanda por parte de negocios nativos de IA, incluidas algunas de las empresas más grandes del sector.

Esos clientes pueden crecer rápidamente, pero su uso también puede cambiar de forma brusca. Datadog ha reconocido que aplica un conservadurismo adicional a las perspectivas de su mayor cliente.

Por lo tanto, una tesis saludable sobre la IA necesita dos componentes. Las empresas nativas de IA deben seguir expandiéndose, mientras las empresas tradicionales llevan más aplicaciones de IA a producción.

El segundo grupo es especialmente importante. La adopción empresarial puede ampliar la demanda más allá de un pequeño número de empresas de modelos e infraestructura de rápido crecimiento.

Los resultados deberían aclarar si esa expansión está ocurriendo. Un fuerte crecimiento de los ingresos totales por sí solo no responderá todas las preguntas si el crecimiento sigue dependiendo de forma inusual de una cohorte limitada de clientes.

Los inversores también deben separar las afirmaciones sobre productos de los resultados verificados. Datadog afirma que sus agentes pueden automatizar flujos de trabajo importantes, pero la adopción por parte de clientes y los datos de rendimiento siguen siendo pruebas más sólidas.

Ese criterio escéptico no desestima la estrategia. Identifica la evidencia necesaria para hacerla creíble.

Los resultados deben conectar la expansión de productos con el gasto de los clientes

El próximo informe debe conectar los anuncios de IA de Datadog con la expansión de clientes, la retención y una perspectiva de crecimiento fiable.

La primera señal son los ingresos del segundo trimestre en relación con el rango declarado por Datadog. Un rendimiento por encima de ese rango reforzaría la visión de que la fortaleza del primer trimestre continuó durante el verano.

La composición de ese crecimiento importa tanto como la cifra principal. Los inversores deberían escuchar cambios en el uso de los clientes nativos de IA, las cargas de trabajo de nube convencionales y las grandes cuentas empresariales.

Un crecimiento amplio reforzaría el argumento de que Datadog se beneficia de dos ciclos. La migración a la nube sigue activa, mientras que la IA introduce otra capa de demanda operativa.

Un crecimiento limitado dejaría a la empresa más expuesta a cambios en el uso de unos pocos clientes grandes. También haría que las comparaciones trimestrales fueran menos predecibles.

La segunda señal es el número de grandes clientes. La cohorte de ingresos recurrentes anuales de 100.000 dólares de Datadog alcanzó aproximadamente 4.550 al final de marzo.

Un crecimiento continuado en ese grupo mostraría que más clientes están expandiéndose más allá de implementaciones limitadas. También respaldaría la estrategia de consolidación de plataforma de Datadog.

Los comentarios de la dirección sobre los clientes de un millón de dólares añadirían contexto. Es más probable que estas cuentas utilicen varios productos y conecten Datadog entre múltiples equipos.

La tercera señal es la adopción de productos. Datadog informa regularmente del porcentaje de clientes que utilizan varios productos, lo que indica si su estrategia de plataforma está ganando profundidad.

La actualización más útil separaría la adopción general de múltiples productos de la adopción impulsada específicamente por la monitorización de IA, Bits AI, seguridad o flujos de trabajo de agentes.

Los inversores no deberían esperar que cada producto reciba una cifra de ingresos individual. Deberían esperar que la dirección explique qué capacidades influyen en la expansión y en las decisiones de nuevos clientes.

La cuarta señal es la retención. La tasa de retención neta aproximada del 120 % de Datadog al final de 2025 mostró que los clientes existentes aumentaron su gasto total.

Una tasa estable o en mejora respaldaría el argumento de que el crecimiento de las cargas de trabajo y la adopción de productos están superando los esfuerzos de optimización. Un deterioro sugeriría que los clientes se están volviendo más selectivos.

La quinta señal es la previsión para todo el año. Datadog elevó su guía después del primer trimestre, lo que significa que las expectativas ya incorporan un rendimiento más fuerte.

Otro aumento reforzaría la confianza en la demanda a corto plazo. Una previsión sin cambios aún podría ser razonable, especialmente si la dirección mantiene un enfoque conservador.

Una reducción o una explicación inusualmente cautelosa pondría en duda el impulso actual. Entonces, los inversores tendrían que determinar si el problema procedía de un cliente, de una optimización más amplia o de un despliegue de IA más lento.

El informe programado es especialmente importante porque sigue a DASH. La dirección ahora puede comentar las primeras respuestas de los clientes a las nuevas capacidades de agentes en lugar de hablar solo de futuros lanzamientos.

Los comentarios iniciales no establecerán un negocio duradero. Pueden revelar si los clientes están probando acciones autónomas, ampliando la recopilación de telemetría o tratando los productos como experimentos opcionales.

La mejor evidencia combinaría la adopción con la expansión financiera. Un cliente que añade Bits AI mientras aumenta su uso de registros, monitorización de aplicaciones, seguridad o automatización de flujos de trabajo demuestra el valor de la plataforma.

Un cliente que habilita un asistente incluido sin cambiar el uso ofrece una prueba más débil. Ambas actividades pueden mejorar la retención, pero tienen implicaciones financieras diferentes.

Datadog también debe explicar cómo su gasto en investigación respalda estos productos. La empresa dijo en DASH que invierte sistemáticamente alrededor del 30 % de los ingresos en investigación y desarrollo.

Ese compromiso respalda lanzamientos rápidos, pero crea una prueba de ejecución continua. Los productos deben terminar reforzando el crecimiento de los ingresos, la diferenciación competitiva o la eficiencia operativa.

El informe de agosto no resolverá todo el debate. Puede establecer si la ambición de producto y el comportamiento de los clientes avanzan en la misma dirección.

Tres señales decidirán si el repunte tiene respaldo

La amplitud de los ingresos, la adopción de agentes y la expansión de clientes determinarán si el impulso de IA de Datadog sobrevive más allá del ciclo de noticias.

La primera señal es la amplitud de los ingresos. Datadog necesita un crecimiento continuado de las empresas tradicionales junto con la demanda de clientes nativos de IA.

Esa combinación reforzaría la posición de la empresa como infraestructura para una amplia transición tecnológica. También reduciría la dependencia del gasto de un pequeño número de clientes que cambian rápidamente.

Si la dirección destaca fortaleza en distintos sectores, tamaños de empresa y tipos de carga de trabajo, la tesis de IA se vuelve más duradera. Si los comentarios se centran en una cuenta importante, la concentración seguirá siendo la preocupación dominante.

La segunda señal es el uso real de agentes. Datadog ha pasado de la investigación a la detección y acción autónomas, pero los anuncios de productos son solo la etapa inicial.

El mercado necesita evidencia de que los clientes utilizan esos agentes en producción. Los indicadores útiles incluyen implementaciones activas, flujos de trabajo repetidos, expansiones de clientes y acciones de remediación aprobadas.

Datadog también debería explicar dónde siguen participando los humanos. Límites claros entre recomendaciones, aprobaciones y ejecución autónoma ayudarían a los compradores a evaluar el riesgo operativo.

Una adopción significativa respaldaría la visión de que la observabilidad se está convirtiendo en una capa de acción. Las pruebas limitadas sugerirían que los clientes aún ven a los agentes de IA principalmente como asistentes.

La tercera señal es la expansión continuada de grandes clientes. El modelo de negocio de Datadog se fortalece cuando los clientes añaden cargas de trabajo y productos después de su implementación inicial.

El crecimiento de la cohorte de ingresos recurrentes anuales de 100.000 dólares mostraría que la consolidación de plataforma continúa. Una retención estable indicaría que los clientes no están compensando los nuevos datos de IA con recortes más profundos en otras áreas.

Estas medidas proporcionan una prueba mejor que la atención a corto plazo en Google News. Los titulares pueden captar entusiasmo antes de los resultados, pero el comportamiento recurrente de los clientes determina si ese entusiasmo tiene respaldo financiero.

Para los desarrolladores y equipos de operaciones, las mismas señales responden a una pregunta práctica. ¿Datadog se está convirtiendo en un sistema de automatización de confianza o sigue siendo principalmente un lugar para investigar problemas?

Los equipos que evalúan operaciones de IA deberían observar cómo Datadog gestiona los permisos, las pistas de auditoría, las acciones fallidas y el contexto entre herramientas. Esos detalles importarán más que el número de agentes anunciados.

También deberían preservar el razonamiento detrás de los incidentes y las decisiones operativas. Una base de conocimiento de ingeniería consultable puede complementar la telemetría al conservar el contexto de diseño, los manuales operativos y las investigaciones anteriores.

Los compradores empresariales se enfrentan a una elección más amplia. Consolidarse con Datadog puede dar a los agentes acceso a datos más conectados, mientras que una pila modular puede proporcionar mayor control y portabilidad.

Ninguna de las dos vías elimina el trabajo operativo. La decisión depende de si la automatización de Datadog reduce suficiente investigación y coordinación como para justificar una dependencia más profunda de la plataforma.

Datadog llega a los resultados con un impulso creíble. Cuenta con un fuerte crecimiento reciente, grandes cuentas en expansión, una generación sustancial de efectivo y una estrategia de producto clara para las operaciones de IA.

La cuestión pendiente es la conversión. La empresa debe demostrar que los clientes están transformando las nuevas capacidades de IA en un uso sostenido, contratos más amplios y flujos de trabajo de producción fiables.

Siga el informe del 6 de agosto en busca de estas tres señales, en este orden: crecimiento generalizado de los ingresos, adopción de agentes en producción y expansión continuada entre los grandes clientes. En conjunto, mostrarán si el repunte refleja un cambio operativo duradero o expectativas que se adelantan a la evidencia.