La dynamique IA de Datadog à l’épreuve des résultats

Datadog est revenu dans Google News avec une forte dynamique autour de l’IA, mais la publication de ses résultats du 6 août constitue désormais un test plus exigeant. Les investisseurs veulent des preuves que les opérations autonomes, la surveillance de l’IA et les récents lancements de produits génèrent des dépenses clients durables.

L’entreprise aborde ce test après avoir fait état d’une croissance de son chiffre d’affaires de 32 % sur un an au premier trimestre. Elle a également lancé plus de 100 fonctionnalités lors de sa conférence DASH et élargi sa suite d’agents Bits AI. Cette combinaison a renforcé le récit de croissance autour de l’action Datadog.

Toutefois, le volume de produits ne suffit pas à établir le succès commercial. Datadog doit démontrer que les clients adoptent davantage de modules, étendent leurs charges de travail et génèrent une consommation prévisible. Elle doit également défendre sa position face à Dynatrace, Splunk de Cisco, Grafana Labs, Elastic et aux nouveaux fournisseurs de solutions de supervision natives de l’IA.

L’enjeu central dépasse donc une seule estimation trimestrielle. Datadog tente de devenir la couche de contrôle des opérations d’IA avant que l’observabilité ne devienne une fonctionnalité intégrée à de plus vastes plateformes cloud, de sécurité ou de développement.

Pourquoi Datadog revient dans Google News avant ses résultats

La dynamique récente de Datadog repose sur une croissance mesurable de l’activité, suivie d’une expansion exceptionnellement large de ses produits d’IA.

Datadog a déclaré un chiffre d’affaires de 1,006 milliard de dollars au premier trimestre, en hausse de 32 % par rapport à la même période en 2025. Le chiffre d’affaires trimestriel a également dépassé 1 milliard de dollars pour la première fois, créant une base plus solide pour le récit autour de l’IA.

L’entreprise a généré 335 millions de dollars de flux de trésorerie opérationnels et 289 millions de dollars de flux de trésorerie disponibles au cours du trimestre. Ces chiffres comptent, car Datadog investit massivement tout en continuant à générer de la trésorerie grâce à son activité d’abonnements.

Les grands clients ont également continué à se développer. Datadog a terminé le mois de mars avec environ 4 550 clients générant au moins 100 000 dollars de revenus récurrents annuels. Cela représentait une croissance de 21 % par rapport aux quelque 3 770 clients enregistrés un an plus tôt.

Ces résultats, disponibles dans les résultats trimestriels de Datadog, ont établi la référence financière pour le prochain rapport. Ils ont également relevé les attentes quant à ce que la direction devra fournir ensuite.

Pour le deuxième trimestre, Datadog prévoyait un chiffre d’affaires compris entre 1,07 milliard et 1,08 milliard de dollars. Cette fourchette impliquait une croissance annuelle comprise entre 29 % et 31 %. L’entreprise a également relevé ses perspectives annuelles après ses résultats du premier trimestre.

Ces prévisions rendent le rapport d’août plus exigeant. Une entreprise peut dépasser des attentes modestes sans modifier son récit à long terme. Datadog doit désormais enchaîner après un trimestre solide tout en expliquant si sa croissance reste large et reproductible.

Son événement produit de juin a ajouté un niveau d’attente supplémentaire. Datadog a annoncé plus de 100 fonctionnalités couvrant la détection autonome des incidents, les livraisons logicielles, la sécurité, la gestion des coûts, les agents d’IA et les flux de travail opérationnels.

Bits AI se trouve au centre de cette expansion. Datadog décrit Bits AI comme une collection d’agents qui enquête sur les problèmes et exécute des actions opérationnelles approuvées. Ces actions peuvent inclure les tests, la correction, l’analyse de code et la réponse aux incidents.

L’entreprise a également présenté Agent Console, qui surveille la manière dont les organisations utilisent des agents de programmation tels que Claude Code, Cursor et GitHub Copilot. Il est conçu pour relier l’activité des agents aux résultats, à l’adoption, aux performances et aux dépenses.

Ce virage conduit Datadog au-delà des tableaux de bord traditionnels. Les logiciels d’observabilité collectent généralement de la télémétrie, c’est-à-dire des journaux, des métriques et des traces décrivant le comportement d’un système. Datadog veut désormais que sa plateforme interprète ces données et agisse en conséquence.

Cette ambition explique l’attention actuelle. Le récit qui apparaît dans Google News ne se résume pas au fait que Datadog a ajouté des fonctionnalités d’IA. L’entreprise soutient que l’IA rend ses données opérationnelles existantes plus précieuses.

Le rapport de résultats révélera si les clients sont suffisamment convaincus pour accroître leurs dépenses.

Les charges de travail d’IA élargissent le problème adressable par Datadog

Les applications d’IA créent davantage de variables opérationnelles, donnant aux fournisseurs d’observabilité l’occasion de gérer une complexité que les fournisseurs de modèles ne résolvent pas.

Une application cloud classique peut échouer à cause d’un code défectueux, de la latence réseau, d’une infrastructure surchargée ou d’une dépendance indisponible. Une application d’IA introduit des points de défaillance supplémentaires liés aux modèles, aux prompts, aux bases de données vectorielles, aux agents et aux outils externes.

Les équipes peuvent également acheminer les requêtes entre plusieurs fournisseurs de modèles. Ce choix améliore la flexibilité, mais il rend la latence, la capacité, la qualité et les coûts plus difficiles à suivre dans un même système.

Les propres recherches de Datadog pour 2026 ont révélé que 69 % des organisations observées utilisaient au moins trois modèles. L’entreprise a également indiqué qu’environ 5 % des requêtes de modèles en production échouaient.

Près de 60 % de ces échecs étaient associés à des limites de capacité, selon les données d’ingénierie IA de l’entreprise. Datadog a analysé une utilisation anonymisée provenant de milliers de clients exécutant des grands modèles de langage en production.

Ces constats proviennent de la plateforme de Datadog ; ils ne doivent donc pas être considérés comme une enquête neutre sur l’ensemble du marché. Ils illustrent néanmoins le problème opérationnel que Datadog est en mesure de monétiser.

L’intelligence des modèles n’empêche pas une limite de débit, un service surchargé ou l’échec d’un appel d’outil. Un agent performant peut toujours générer une expérience client défaillante lorsque l’application qui l’entoure manque de capacité ou de visibilité.

Les charges de travail d’IA produisent également de grandes quantités de télémétrie. Chaque requête de modèle peut contenir un prompt, une réponse, des informations de temporisation, une consommation de jetons, du contexte récupéré, des contrôles de sécurité et des appels à d’autres services.

Ces données créent une opportunité pour Datadog. L’entreprise peut observer l’interaction avec le modèle tout en la reliant aux informations sur l’infrastructure, l’application, la base de données, le réseau et la sécurité déjà stockées sur sa plateforme.

C’est le mécanisme qui sous-tend la dynamique IA de Datadog. Elle n’a pas besoin de concurrencer OpenAI, Anthropic ou Google sur les modèles de fondation. Elle en bénéficie lorsque les entreprises déploient ces modèles dans des systèmes de production complexes.

L’opportunité s’étend au développement interne. Les agents de programmation peuvent créer et modifier des logiciels plus rapidement, mais les organisations doivent toujours comprendre si cette production améliore la fiabilité.

Agent Console de Datadog répond à ce problème de gestion. Le produit vise à montrer quelles équipes utilisent des agents de programmation, quelles tâches elles exécutent et comment leur activité est liée aux dépenses.

Cela place Datadog entre le déploiement de l’IA et la responsabilité opérationnelle. Si les entreprises traitent les agents autonomes comme des systèmes de production, elles ont besoin de traces de ce que ces agents ont tenté et modifié.

Datadog peut également utiliser la télémétrie historique pour fournir davantage de contexte à ses propres agents. Un agent de gestion des incidents devient plus utile lorsqu’il peut examiner les erreurs actuelles, les déploiements antérieurs, les dépendances entre services et les précédentes tentatives de correction.

Cela crée un avantage potentiel lié aux données. Un assistant d’IA autonome peut résumer une alerte, mais sa valeur est limitée lorsqu’il ne peut pas accéder à l’historique opérationnel qui la sous-tend.

Datadog collecte déjà cet historique pour de nombreux clients. Son défi consiste à transformer cet accès en actions fiables sans créer de nouveaux problèmes de sécurité ou de gouvernance.

L’opportunité liée à l’IA de l’entreprise présente donc deux volets. Datadog peut surveiller les systèmes d’IA de ses clients et intégrer des agents d’IA dans sa propre plateforme de supervision.

Les deux voies reposent sur la même exigence : les clients doivent confier à Datadog davantage de données opérationnelles et davantage d’autorité sur les environnements de production.

Datadog veut transformer l’observabilité en couche d’action

Le concours stratégique oppose la couche d’action intégrée de Datadog à un marché où la supervision reste fragmentée entre des outils spécialisés.

Datadog a bâti sa position en réunissant la supervision de l’infrastructure, les performances des applications, les journaux, l’expérience utilisateur, les données réseau et les signaux de sécurité dans une seule interface. Ses produits plus récents prolongent cette stratégie de consolidation.

Le rapport annuel de l’entreprise décrit un modèle d’expansion progressive. Les clients peuvent commencer avec un produit, augmenter leur utilisation et adopter des modules supplémentaires à mesure que leur empreinte cloud grandit.

Ce modèle a généré une expansion considérable. Datadog a terminé 2025 avec environ 32 700 clients, contre quelque 30 000 un an plus tôt.

Environ 4 310 clients généraient au moins 100 000 dollars de revenus récurrents annuels à la fin de l’année. Ces clients représentaient 90 % des revenus récurrents annuels totaux, selon le rapport annuel de Datadog.

Le même rapport indiquait que 603 clients généraient au moins 1 million de dollars de revenus récurrents annuels. Le taux de rétention nette des revenus, fondé sur le dollar et calculé sur les 12 derniers mois, de Datadog s’élevait à environ 120 %.

La rétention nette compare les revenus récurrents d’un groupe de clients établis avec leurs revenus un an plus tôt. Un résultat supérieur à 100 % indique que l’expansion a dépassé les annulations et les réductions au sein de ce groupe.

Les agents d’IA pourraient renforcer ce modèle, car les opérations autonomes dépendent de données connectées. Un agent de correction a une valeur limitée lorsqu’il voit des erreurs applicatives mais ne peut pas examiner l’infrastructure, les modifications de code récentes ou les événements de sécurité.

Datadog a utilisé DASH 2026 pour présenter Bits AI comme une famille d’agents opérant au-delà de ces frontières. L’entreprise a annoncé des agents dédiés à la détection, à l’infrastructure, au code, aux livraisons, aux tests et à l’analyse de données.

Bits Agent Builder permet également aux clients de créer des agents pour des flux de travail opérationnels spécifiques. Datadog indique que ces agents peuvent résoudre des incidents, produire des rapports et appliquer des normes au sein de contrôles définis par les clients.

Le lancement de produits lors de DASH montre en quoi la stratégie diffère de l’ajout d’un chatbot à un tableau de bord. Datadog veut intégrer des agents partout où sa plateforme détecte un problème.

Prenons le cas d’une livraison logicielle qui augmente la latence de la base de données. Un outil de supervision traditionnel peut alerter un ingénieur, qui vérifie ensuite les déploiements, les traces et les métriques de la base de données.

Une plateforme orientée vers l’action peut relier le ralentissement à la livraison, recueillir les éléments probants pertinents, recommander un retour en arrière et exécuter une réponse approuvée. Cela réduit les transferts entre équipes lors d’un incident.

Cependant, cette valeur dépend de la profondeur de l’intégration. Les clients qui utilisent des outils distincts pour les journaux, la supervision des applications, la sécurité et la gestion des incidents pourraient ne pas fournir à un seul agent suffisamment de contexte.

Datadog pousse donc les acheteurs à consolider davantage de travail opérationnel sur sa plateforme. Dans le même temps, les concurrents présentent leurs propres versions de l’observabilité unifiée et des opérations assistées par l’IA.

Dynatrace met depuis longtemps l’accent sur la découverte automatique et l’analyse causale. Cisco peut relier les données d’observabilité et de sécurité de Splunk à une empreinte bien plus vaste dans les réseaux et les logiciels d’entreprise.

Grafana Labs et Elastic séduisent les organisations à la recherche d’architectures de données flexibles ou d’un contrôle accru sur la télémétrie. OpenTelemetry, une norme ouverte pour produire et transmettre des données d’observabilité, réduit également la dépendance aux méthodes de collecte propriétaires.

Ces alternatives n’effacent pas l’avantage de Datadog. Elles empêchent toutefois l’entreprise de considérer les opérations assistées par l’IA comme un marché sans concurrence.

Le gagnant ne sera pas déterminé par celui qui annonce le plus d’agents. Il dépendra de la plateforme qui associe des recommandations fiables à des données auxquelles les clients font déjà confiance.

Ce que l’élan de l’IA ne prouve toujours pas

Datadog a démontré qu’il existe une demande pour sa plateforme, mais n’a pas encore montré que les agents autonomes deviendront un moteur de croissance distinct et durable.

La première incertitude concerne la profondeur de l’adoption. Un produit peut être disponible de manière générale sans devenir central dans les opérations quotidiennes d’un client.

Datadog a lancé de nombreuses fonctionnalités d’IA sur l’ensemble de sa plateforme. Les investisseurs ont encore besoin d’éléments plus clairs sur le nombre de clients qui les utilisent régulièrement et sur la capacité de cette utilisation à accroître les contrats.

La distinction est importante, car certaines fonctionnalités d’IA peuvent soutenir la rétention sans créer de revenus additionnels substantiels. Elles peuvent améliorer un produit existant tout en laissant les dépenses totales du client largement inchangées.

La deuxième incertitude porte sur la fiabilité. La réponse aux incidents répond à des exigences différentes de celles d’un assistant professionnel ordinaire.

Un résumé inexact fait perdre du temps. Une action incorrecte en production peut perturber un service, exposer des données ou masquer la cause initiale d’un incident.

Datadog affirme que les clients peuvent encadrer les actions automatisées par des garde-fous. Pourtant, l’entreprise doit démontrer que les équipes accorderont une autorité significative aux agents après les avoir testés dans des environnements réels.

L’approbation humaine peut maîtriser les risques, mais elle peut aussi réduire le temps gagné. L’autonomie complète accroît la valeur potentielle tout en augmentant les conséquences d’une décision erronée.

La troisième incertitude concerne le volume et le coût des données. Les systèmes d’IA génèrent davantage de télémétrie, mais les clients ne souhaitent pas nécessairement conserver chaque signal indéfiniment.

Les organisations filtrent déjà les journaux, ajustent les durées de conservation et déplacent les données vers des stockages moins coûteux. Les charges de travail d’IA peuvent intensifier ces arbitrages, car les prompts, les traces, les évaluations et les actions des agents augmentent le volume de collecte.

Cela crée une tension au sein du modèle d’expansion fondé sur l’usage de Datadog. L’augmentation des volumes de données peut soutenir les revenus, mais des factures imprévisibles peuvent pousser les clients vers l’échantillonnage ou des solutions de stockage alternatives.

Le quatrième risque vient de la concurrence entre plateformes. Les fournisseurs de cloud contrôlent déjà les données d’infrastructure, les services de modèles et les relations clients.

Amazon Web Services, Microsoft Azure et Google Cloud peuvent intégrer la supervision aux environnements dans lesquels s’exécutent les applications d’IA. Les fournisseurs de modèles peuvent également améliorer leurs propres outils de traçage, d’évaluation et de sécurité.

Datadog doit rester utile sur l’ensemble des clouds et des modèles. Sa neutralité est un atout lorsqu’un client utilise plusieurs fournisseurs, mais des alternatives intégrées peuvent sembler suffisantes pour des déploiements plus restreints.

La concurrence vient aussi d’en bas. Les outils open source et les standards ouverts permettent aux équipes d’ingénierie d’assembler des systèmes d’observabilité sur mesure sans placer chaque signal au sein d’une seule plateforme commerciale.

Cette voie exige davantage d’expertise interne. Elle peut néanmoins séduire de grandes organisations qui privilégient le contrôle, la portabilité ou des considérations économiques spécifiques liées aux données.

La cinquième incertitude réside dans la concentration de l’opportunité liée à l’IA. Datadog a évoqué une forte demande de la part d’entreprises natives de l’IA, dont certaines des plus grandes du secteur.

Ces clients peuvent croître rapidement, mais leur usage peut également évoluer brutalement. Datadog a reconnu appliquer une prudence supplémentaire à ses perspectives concernant son plus grand client.

Une thèse saine sur l’IA nécessite donc deux composantes. Les entreprises natives de l’IA doivent continuer à se développer, tandis que les entreprises traditionnelles mettent davantage d’applications d’IA en production.

Le second groupe est particulièrement important. L’adoption par les entreprises peut élargir la demande au-delà d’un petit nombre d’entreprises de modèles et d’infrastructure à forte croissance.

Les résultats devraient indiquer si cette expansion est en cours. De solides revenus globaux ne répondront pas à toutes les questions si la croissance reste inhabituellement dépendante d’un groupe limité de clients.

Les investisseurs devraient également distinguer les affirmations sur les produits des résultats vérifiés. Datadog affirme que ses agents peuvent automatiser des flux de travail importants, mais l’adoption par les clients et les données de performance restent les tests les plus probants.

Cette exigence sceptique ne rejette pas la stratégie. Elle identifie les preuves nécessaires pour rendre cette stratégie crédible.

Les résultats doivent relier l’expansion des produits aux dépenses des clients

Le prochain rapport doit relier les annonces de Datadog sur l’IA à l’expansion des clients, à la rétention et à des perspectives de croissance fiables.

Le premier signal est le chiffre d’affaires du deuxième trimestre par rapport à la fourchette annoncée par Datadog. Une performance supérieure à cette fourchette renforcerait l’idée que la dynamique du premier trimestre s’est poursuivie durant l’été.

La composition de cette croissance compte autant que le chiffre principal. Les investisseurs devraient prêter attention aux évolutions de l’usage chez les clients natifs de l’IA, les charges de travail cloud conventionnelles et les grands comptes d’entreprise.

Une croissance généralisée renforcerait l’argument selon lequel Datadog bénéficie de deux cycles. La migration vers le cloud reste active, tandis que l’IA introduit une nouvelle couche de demande opérationnelle.

Une croissance étroite exposerait davantage l’entreprise à l’évolution de l’usage chez quelques grands clients. Elle rendrait également les comparaisons trimestrielles moins prévisibles.

Le deuxième signal est le nombre de grands clients. Le groupe de clients de Datadog générant 100 000 dollars de revenus récurrents annuels a atteint environ 4 550 à la fin mars.

La poursuite de la croissance de ce groupe montrerait que davantage de clients étendent leurs déploiements au-delà de cas d’usage limités. Elle soutiendrait également la stratégie de consolidation de plateforme de Datadog.

Les commentaires de la direction sur les clients générant un million de dollars apporteraient un contexte supplémentaire. Ces comptes sont davantage susceptibles d’utiliser plusieurs produits et de relier Datadog à plusieurs équipes.

Le troisième signal est l’adoption des produits. Datadog indique régulièrement le pourcentage de clients utilisant plusieurs produits, ce qui montre si sa stratégie de plateforme s’approfondit.

La mise à jour la plus utile distinguerait l’adoption générale de plusieurs produits de l’adoption spécifiquement portée par la supervision de l’IA, Bits AI, la sécurité ou les flux de travail d’agents.

Les investisseurs ne devraient pas s’attendre à ce que chaque produit fasse l’objet d’un chiffre d’affaires individuel. Ils devraient attendre de la direction qu’elle explique quelles fonctionnalités influencent l’expansion et les décisions des nouveaux clients.

Le quatrième signal est la rétention. Le taux de rétention net d’environ 120 % de Datadog à la fin de 2025 a montré que les clients existants augmentaient leurs dépenses globales.

Un taux stable ou en amélioration soutiendrait l’idée que la croissance des charges de travail et l’adoption des produits l’emportent sur les efforts d’optimisation. Une détérioration indiquerait que les clients deviennent plus sélectifs.

Le cinquième signal est la perspective pour l’ensemble de l’année. Datadog a relevé ses prévisions après le premier trimestre, ce qui signifie que les attentes intègrent déjà une performance plus forte.

Une nouvelle hausse renforcerait la confiance dans la demande à court terme. Des prévisions inchangées pourraient néanmoins rester raisonnables, notamment si la direction conserve une approche prudente.

Une réduction ou une explication inhabituellement prudente remettrait en cause la dynamique actuelle. Les investisseurs devraient alors déterminer si le problème provient d’un client, d’une optimisation plus large ou d’un déploiement plus lent de l’IA.

Le rapport prévu est particulièrement important, car il suit DASH. La direction peut désormais évoquer les premières réactions des clients aux nouvelles fonctionnalités d’agents plutôt que de parler uniquement de futures versions.

Les premiers retours ne suffiront pas à établir une activité durable. Ils peuvent révéler si les clients testent des actions autonomes, étendent leur collecte de télémétrie ou considèrent les produits comme des expérimentations facultatives.

Les meilleures preuves associeraient adoption et expansion financière. Un client qui ajoute Bits AI tout en augmentant son utilisation des journaux, de la supervision applicative, de la sécurité ou de l’automatisation des flux de travail démontre la valeur de la plateforme.

Un client qui active un assistant inclus sans modifier son usage apporte une preuve moins convaincante. Les deux activités peuvent améliorer la rétention, mais leurs implications financières diffèrent.

Datadog doit également expliquer comment ses dépenses de recherche soutiennent ces produits. L’entreprise a déclaré lors de DASH qu’elle investit régulièrement environ 30 % de son chiffre d’affaires dans la recherche et le développement.

Cet engagement soutient des lancements rapides, mais il crée un test d’exécution continu. Les produits doivent à terme renforcer la croissance des revenus, la différenciation concurrentielle ou l’efficacité opérationnelle.

Le rapport d’août ne tranchera pas l’ensemble du débat. Il peut établir si l’ambition produit et le comportement des clients évoluent dans la même direction.

Trois signaux détermineront si la hausse est soutenue

L’étendue des revenus, l’adoption des agents et l’expansion des clients détermineront si la dynamique de Datadog dans l’IA survit au-delà du cycle médiatique.

Le premier signal est l’étendue des revenus. Datadog a besoin d’une croissance continue auprès des entreprises traditionnelles, parallèlement à la demande des clients natifs de l’IA.

Ce mix renforcerait la position de l’entreprise comme infrastructure d’une vaste transition technologique. Il réduirait également la dépendance aux dépenses d’un petit nombre de clients évoluant rapidement.

Si la direction met en avant une dynamique solide dans plusieurs secteurs, tailles d’entreprises et types de charges de travail, la thèse sur l’IA devient plus durable. Si les commentaires se concentrent sur un compte majeur, la concentration demeure la principale préoccupation.

Le deuxième signal est l’usage réel des agents. Datadog est passé de l’investigation à la détection et à l’action autonomes, mais les annonces de produits ne constituent que l’étape initiale.

Le marché a besoin de preuves que les clients utilisent ces agents en production. Parmi les indicateurs utiles figurent les déploiements actifs, les flux de travail répétés, les expansions chez les clients et les actions de remédiation approuvées.

Datadog devrait également expliquer où les humains restent impliqués. Des limites claires entre recommandations, approbations et exécution autonome aideraient les acheteurs à évaluer le risque opérationnel.

Une adoption significative soutiendrait l’idée que l’observabilité devient une couche d’action. Des tests limités suggéreraient que les clients considèrent encore les agents d’IA principalement comme des assistants.

Le troisième signal est la poursuite de l’expansion des grands clients. Le modèle économique de Datadog se renforce lorsque les clients ajoutent des charges de travail et des produits après leur déploiement initial.

La croissance du groupe générant 100 000 dollars de revenus récurrents annuels montrerait que la consolidation de plateforme se poursuit. Une rétention stable indiquerait que les clients ne compensent pas les nouvelles données d’IA par des réductions plus profondes ailleurs.

Ces mesures offrent un meilleur test que l’attention à court terme sur Google News. Les titres peuvent capter l’enthousiasme avant les résultats, mais le comportement récurrent des clients détermine si cet enthousiasme bénéficie d’un soutien financier.

Pour les développeurs et les équipes d’exploitation, les mêmes signaux répondent à une question pratique. Datadog devient-il un système d’automatisation de confiance, ou reste-t-il principalement un lieu où enquêter sur les problèmes ?

Les équipes qui évaluent les opérations d’IA devraient observer la manière dont Datadog gère les autorisations, les pistes d’audit, les actions échouées et le contexte entre outils. Ces détails compteront davantage que le nombre d’agents annoncés.

Elles devraient également préserver le raisonnement à l’origine des incidents et des décisions opérationnelles. Une base de connaissances d’ingénierie consultable peut compléter la télémétrie en conservant le contexte de conception, les guides d’exploitation et les enquêtes antérieures.

Les acheteurs d’entreprise font face à un choix plus large. Une consolidation avec Datadog peut donner aux agents accès à davantage de données connectées, tandis qu’une pile modulaire peut offrir davantage de contrôle et de portabilité.

Aucune de ces voies n’élimine le travail opérationnel. La décision dépend de la capacité de l’automatisation de Datadog à réduire suffisamment les investigations et la coordination pour justifier une dépendance plus profonde à la plateforme.

Datadog aborde la publication de ses résultats avec une dynamique crédible. L’entreprise affiche une forte croissance récente, des grands comptes en expansion, une importante génération de trésorerie et une stratégie produit claire pour les opérations d’IA.

La question non résolue est celle de la conversion. L’entreprise doit démontrer que ses clients transforment les nouvelles capacités d’IA en une utilisation durable, des contrats plus étendus et des flux de travail de production fiables.

Surveillez le rapport du 6 août pour ces trois signaux, dans cet ordre : une croissance généralisée des revenus, l’adoption d’agents en production et la poursuite de l’expansion auprès des grands clients. Ensemble, ils montreront si la hausse reflète une évolution opérationnelle durable ou des attentes qui devancent les preuves.