Datadog 的 AI 势头面临财报检验

Datadog 凭借强劲的 AI 势头重返 Google News，但其 8 月 6 日发布的财报如今面临更严峻的检验。投资者希望看到证据，证明自主运维、AI 监控及近期推出的产品正在带来持久的客户支出。

公司在接受这一检验之前，刚刚公布第一季度营收同比增长 32%。它还在 DASH 大会上推出了逾 100 项功能，并扩展了 Bits AI 智能体套件。这一组合强化了围绕 Datadog 股票的增长叙事。

然而，产品数量本身并不能证明商业成功。Datadog 必须展示客户正在采用更多模块、扩大工作负载，并形成可预测的使用量。它还必须捍卫自身地位，抵御 Dynatrace、Cisco 旗下的 Splunk、Grafana Labs、Elastic，以及新兴 AI 原生监控厂商的竞争。

因此，核心博弈远不止于单个季度的预期。Datadog 正试图在可观测性成为更广泛云平台、安全平台或开发者平台中的一项功能之前，成为 AI 运维的控制层。

为什么 Datadog 在财报前重返 Google News

Datadog 近期的势头建立在可量化的业务增长之上，随后又进行了异常广泛的 AI 产品扩张。

Datadog 报告第一季度营收为 10.06 亿美元，较 2025 年同期增长 32%。季度营收也首次突破 10 亿美元，为 AI 叙事奠定了更坚实的基础。

该公司本季度实现运营现金流 3.35 亿美元、自由现金流 2.89 亿美元。这些数据之所以重要，是因为 Datadog 在大力投资的同时，仍能从其订阅业务中持续产生现金。

大客户也在继续扩大投入。截至 3 月底，Datadog 约有 4,550 家客户的年度经常性收入至少达到 10 万美元，较一年前约 3,770 家增长 21%。

这些业绩已在 Datadog 的季度业绩中披露，为即将发布的财报确立了财务基准。它们也提高了市场对管理层下一步表现的预期。

对于第二季度，Datadog 预计营收将在 10.7 亿至 10.8 亿美元之间。这一区间意味着同比增长率将在 29% 至 31% 之间。公司还在第一季度业绩发布后上调了全年展望。

这一指引使 8 月的财报要求更高。一家公司可以超出温和预期，却不改变其长期叙事。Datadog 如今必须在强劲季度之后继续交出表现，同时说明其增长是否仍具广泛性和可复制性。

其 6 月产品活动又增加了一层预期。Datadog 宣布推出逾 100 项功能，涵盖自主事件检测、软件发布、安全、成本管理、AI 智能体和运维工作流。

Bits AI 是这一扩张的核心。Datadog 将 Bits AI 描述为一组能够调查问题并执行获批准运维操作的智能体。这些操作可包括测试、修复、代码分析和事件响应。

公司还推出了 Agent Console，用于监控组织如何使用 Claude Code、Cursor 和 GitHub Copilot 等编码智能体。它旨在将智能体活动与产出、采用情况、性能和支出关联起来。

这一转变让 Datadog 超越了传统仪表板。可观测性软件通常会收集遥测数据，即描述系统行为的日志、指标和追踪信息。Datadog 现在希望其平台能够解读这些数据并据此采取行动。

这一雄心解释了当前的关注度。Google News 上出现的叙事并不只是 Datadog 增加了 AI 功能。该公司主张，AI 让其现有的运维数据更具价值。

财报将揭示客户是否足够认同这一点，从而增加支出。

AI 工作负载正在扩大 Datadog 可解决的问题范围

AI 应用带来了更多运维变量，使可观测性厂商有机会管理模型提供商无法解决的复杂性。

传统云应用可能因代码缺陷、网络延迟、基础设施过载或依赖服务不可用而发生故障。AI 应用则在模型、提示词、向量数据库、智能体和外部工具等方面引入了额外故障点。

团队还可以在多个模型提供商之间路由请求。这种选择提高了灵活性，但也让延迟、容量、质量和成本更难在单一系统中追踪。

Datadog 自身的 2026 年研究发现，69% 的受观察组织使用了至少三种模型。该公司还报告称，约 5% 的生产环境模型请求失败。

根据该公司的AI 工程数据，近 60% 的失败与容量限制有关。Datadog 分析了数千家在生产环境中运行大语言模型的客户的匿名使用数据。

这些发现来自 Datadog 的平台，因此不应被视为对整个市场的中立调查。尽管如此，它们仍说明了 Datadog 有望从中变现的运维难题。

模型智能并不能防止触及速率限制、服务过载或工具调用失败。当周边应用缺乏容量或可见性时，即使能力出色的智能体也可能带来失效的客户体验。

AI 工作负载还会产生大量遥测数据。每次模型请求都可能包含提示词、响应、时序信息、Token 消耗量、检索上下文、安全检查以及对其他服务的调用。

这些数据为 Datadog 创造了机会。公司可以观察模型交互，同时将其与平台上已存储的基础设施、应用、数据库、网络和安全信息关联起来。

这正是 Datadog AI 势头背后的机制。它不需要在基础模型领域与 OpenAI、Anthropic 或 Google 竞争。当企业将这些模型部署到复杂的生产系统中时，它便能从中受益。

这一机会还延伸至内部开发。编码智能体可以更快地创建和修改软件，但组织仍需了解这些产出是否提升了可靠性。

Datadog 的 Agent Console 正在解决这一管理问题。该产品旨在展示哪些团队在使用编码智能体、它们执行哪些任务，以及其活动与支出之间的关系。

这使 Datadog 处于 AI 部署与运维问责之间。如果企业将自主智能体视为生产系统，它们就需要记录这些智能体尝试了什么、改动了什么。

Datadog 还可以利用历史遥测数据，为其自身的智能体提供更多上下文。当事件智能体能够检查当前错误、先前部署、服务依赖关系和早期修复尝试时，它的价值会更高。

这带来了潜在的数据优势。独立 AI 助手或许可以总结一条告警，但如果无法访问该告警背后的运维记录，其价值就会受限。

Datadog 已为许多客户收集了这些记录。它面临的挑战是，在不制造新的安全或治理问题的前提下，将这种访问能力转化为可靠行动。

因此，公司的 AI 机会有两面：Datadog 可以监控客户的 AI 系统，也可以将 AI 智能体置入自身的监控平台。

两条路径都依赖同一项要求：客户必须信任 Datadog，向其交付更多运维数据，并赋予其对生产环境更大的权限。

Datadog 希望将可观测性转变为行动层

战略竞争存在于 Datadog 的集成行动层，与监控仍分散在各类专业工具中的市场之间。

Datadog 通过将基础设施监控、应用性能、日志、用户体验、网络数据和安全信号整合到一个界面中建立了自身地位。其较新的产品延续了这一整合战略。

公司在年度文件中描述了一种先落地、后扩展的模式。客户可以从一款产品开始，随着云业务规模扩大而增加使用量，并采用额外模块。

这一模式带来了显著扩张。截至 2025 年底，Datadog 约有 32,700 家客户，而一年前约为 30,000 家。

约有 4,310 家客户在年末的年度经常性收入至少达到 10 万美元。根据 Datadog 的年度文件，这些客户占年度经常性收入总额的 90%。

同一文件显示，有 603 家客户的年度经常性收入至少达到 100 万美元。Datadog 过去 12 个月按美元计算的净留存率约为 120%。

净留存率比较一组既有客户的经常性收入与其一年前的收入。结果高于 100% 表明，该客户群的扩张超过了取消订阅和缩减支出。

AI 智能体可能强化这一模式，因为自主运维依赖相互连接的数据。当修复智能体只能看到应用错误，却无法检查基础设施、近期代码变更或安全事件时，其价值有限。

Datadog 利用 DASH 2026 将 Bits AI 展示为跨越这些边界运作的智能体家族。公司宣布推出面向检测、基础设施、代码、发布、测试和数据分析的智能体。

Bits Agent Builder 还允许客户针对特定运维工作流创建智能体。Datadog 表示，这些智能体可在客户定义的控制范围内解决事件、生成报告并执行标准。

DASH 产品发布展示了这一战略与仅在仪表板中加入聊天机器人的不同。Datadog 希望在其平台发现问题的任何位置嵌入智能体。

设想一次导致数据库延迟上升的软件发布。传统监控工具可以向工程师发出告警，随后工程师再检查部署、追踪信息和数据库指标。

以行动为导向的平台则可以将性能放缓与该次发布关联起来，收集相关证据、建议回滚，并执行获批准的响应。这能减少事件处置过程中的交接环节。

不过，这一价值取决于集成深度。对于分别使用不同工具处理日志、应用监控、安全和事件管理的客户而言，单个智能体可能无法获得足够的上下文。

因此，Datadog 正推动买方将更多运维工作整合到其平台上。与此同时，竞争对手也在推出各自版本的统一可观测性和 AI 辅助运维。

Dynatrace 长期强调自动发现和因果分析。Cisco 则可将 Splunk 的可观测性和安全数据，与规模更大的网络及企业软件版图相连接。

Grafana Labs 和 Elastic 吸引寻求灵活数据架构或希望更好控制遥测数据的组织。OpenTelemetry 是一种用于生成和传输可观测性数据的开放标准，也降低了对专有采集方式的依赖。

这些替代方案不会抹去 Datadog 的优势。但它们确实让该公司无法将 AI 辅助运维视为一个没有竞争的市场。

胜负不取决于谁宣布推出的智能体最多，而取决于哪个平台能将可靠的建议与客户已信赖的数据连接起来。

AI 势头仍未能证明什么

Datadog 已证明市场对其平台存在需求，但尚未证明自主智能体将成为独立且可持续的增长引擎。

第一个不确定性是采用深度。产品可以正式全面推出，却未必会成为客户日常运营的核心。

Datadog 已在整个平台发布多项 AI 功能。投资者仍需要更明确的证据，了解有多少客户在持续使用这些功能，以及这些使用是否会带动合同扩张。

这一差异至关重要，因为部分 AI 功能可以提升留存，却未必带来可观的增量收入。它们或许改善了现有产品，但客户的总体支出基本不变。

第二个不确定性涉及可靠性。事故响应的标准与普通办公助手不同。

不准确的摘要会浪费时间；错误的生产环境操作则可能中断服务、暴露数据，或掩盖事故的原始原因。

Datadog 表示，客户可为自动化操作设置护栏。不过，公司仍需证明：团队在真实环境中测试后，愿意赋予智能体有意义的权限。

人工审批可以控制风险，但也可能减少节省的时间。完全自主可提升潜在价值，同时也会加大错误决策的后果。

第三个不确定性关乎数据量与成本。AI 系统会产生更多遥测数据，但客户不一定愿意无限期存储每一个信号。

组织本就会过滤日志、调整保留期限，并将数据转移至成本更低的存储。AI 工作负载可能加剧这些取舍，因为提示词、追踪记录、评估和智能体操作都会增加采集量。

这在 Datadog 按使用量扩张的模式中形成了一种张力。不断增长的数据量可以支撑收入，但不可预测的账单可能促使客户转向采样或替代存储方案。

第四项风险来自平台竞争。云服务商已掌握基础设施数据、模型服务和客户关系。

Amazon Web Services、Microsoft Azure 和 Google Cloud 可以将监控功能整合进 AI 应用运行的环境中。模型提供商也可以持续改进自身的追踪、评估和安全工具。

Datadog 需要在不同云和模型之间保持价值。客户同时使用多家提供商时，其中立性具有优势；但对范围较窄的部署而言，捆绑式替代方案可能已显得足够。

竞争也来自更底层。开源与开放标准工具让工程团队能够构建定制化可观测性系统，而无需将每个信号都放入单一商业平台。

这条路径需要更多内部专业能力。但对于重视控制力、可移植性或特定数据成本结构的大型组织而言，它仍可能具有吸引力。

第五个不确定性是 AI 机会中的客户集中度。Datadog 曾讨论来自 AI 原生企业的强劲需求，其中包括该领域一些规模最大的公司。

这些客户可以快速增长，但其使用量也可能剧烈变化。Datadog 已承认，对最大客户的展望采取了额外的审慎态度。

因此，健康的 AI 叙事需要两个组成部分。AI 原生公司必须持续扩张，同时传统企业也要将更多 AI 应用投入生产环境。

第二类客户尤其重要。企业采用可将需求扩展至少数快速增长的模型和基础设施公司之外。

财报应能说明这种扩张是否正在发生。如果增长仍异常依赖于有限的客户群体，即使总收入强劲，也无法回答所有问题。

投资者还应将产品宣称与经验证的结果区分开来。Datadog 表示其智能体可自动化重要工作流，但客户采用情况和性能数据仍是更有力的检验。

这种审慎标准并非否定该战略，而是指出让战略具备可信度所需的证据。

财报必须将产品扩张与客户支出联系起来

下一份报告需要将 Datadog 的 AI 公告与客户扩张、留存及可靠的增长前景联系起来。

第一个信号是第二季度收入相对于 Datadog 所给区间的表现。若业绩超过该区间，将强化第一季度的强劲势头延续至夏季的判断。

增长构成与整体数字同样重要。投资者应留意 AI 原生客户、传统云工作负载和大型企业客户的使用变化。

广泛增长将强化这样一种观点：Datadog 正受益于两个周期。云迁移仍在持续，而 AI 又带来一层新的运营需求。

狭窄的增长则会让公司更容易受到少数大客户使用量变化的影响，也会使季度间比较更难预测。

第二个信号是大客户数量。截至 3 月底，Datadog 年度经常性收入达到 10 万美元的客户群约有 4,550 家。

该群体持续增长将表明，更多客户正在从有限部署走向更广泛的扩张，也将支持 Datadog 的平台整合战略。

管理层对百万美元级客户的评论将提供更多背景。这些客户更可能使用多项产品，并在多个团队之间连接 Datadog。

第三个信号是产品采用情况。Datadog 会定期披露使用多项产品的客户比例，这反映其平台战略是否正在深化。

最有价值的更新，应将一般的多产品采用与由 AI 监控、Bits AI、安全或智能体工作流具体推动的采用区分开来。

投资者不应期待每项产品都披露单独的收入数字，但应期待管理层解释哪些能力正在影响客户扩张和新客户决策。

第四个信号是留存。截至 2025 年底，Datadog 约 120% 的净留存率表明，现有客户增加了整体支出。

稳定或改善的比率将支持这样一种判断：工作负载增长和产品采用正在超过优化举措的影响。若该比率恶化，则意味着客户正变得更加谨慎。

第五个信号是全年展望。Datadog 在第一季度后上调了指引，这意味着市场预期已纳入更强劲的表现。

再次上调将增强对近期需求的信心。维持预测不变也可能是合理的，尤其是在管理层保持审慎态度的情况下。

下调预测或给出异常谨慎的解释，将挑战当前的势头。届时，投资者需要判断问题是来自单一客户、更广泛的优化，还是 AI 部署放缓。

这份预定发布的报告尤其重要，因为它紧随 DASH 之后。管理层现在可以讨论客户对新智能体能力的早期反馈，而不只是谈论未来发布计划。

早期反馈无法证明业务能够长期成立，但可以揭示客户是否正在测试自主操作、扩大遥测数据采集，或只是将这些产品视为可选实验。

最有力的证据将把采用情况与财务扩张结合起来。客户在采用 Bits AI 的同时，增加对日志、应用监控、安全或工作流自动化的使用，便体现了平台价值。

客户启用一项已包含的助手功能，却不改变使用量，所提供的证据则较弱。这两种活动都可能改善留存，但其财务影响不同。

Datadog 还必须解释其研发支出如何支持这些产品。公司在 DASH 上表示，其始终将约 30% 的收入投入研发。

这项投入支持快速发布，但也构成持续的执行考验。产品最终必须强化收入增长、竞争差异化或运营效率。

8 月的报告不会终结整个论证，但可以确立产品雄心与客户行为是否正朝同一方向发展。

三个信号将决定这波上涨是否有支撑

收入广度、智能体采用和客户扩张将决定 Datadog 的 AI 势头能否延续至新闻周期之后。

第一个信号是收入广度。Datadog 需要在 AI 原生客户需求之外，持续获得传统企业的增长。

这种组合将强化公司作为广泛技术转型基础设施的定位，也将降低其对少数快速变化客户支出的依赖。

如果管理层强调跨行业、不同公司规模和各类工作负载的强劲表现，AI 叙事就会更具持久性。如果评论集中在一个主要客户上，客户集中度仍将是首要担忧。

第二个信号是真实的智能体使用。Datadog 已从调查走向自主检测和行动，但产品公告只是开端。

市场需要看到客户在生产环境中使用这些智能体的证据。有价值的指标包括活跃部署、重复工作流、客户扩张和获批的修复操作。

Datadog 还应解释人类在何处仍然参与。对建议、审批和自主执行之间边界的清晰说明，将帮助买方评估运营风险。

有意义的采用将支持可观测性正在成为行动层的观点。有限的测试则意味着客户仍主要将 AI 智能体视为助手。

第三个信号是大型客户持续扩张。当客户在初始部署后增加工作负载和产品时，Datadog 的商业模式会更加强大。

年度经常性收入达到 10 万美元的客户群增长，将表明平台整合仍在持续。稳定的留存率则意味着客户并未以其他领域更深的削减来抵消新增 AI 数据。

这些指标比 Google News 上的短期关注度更能提供检验。财报发布前，新闻标题可以捕捉市场兴奋情绪，但持续的客户行为决定这种兴奋是否具备财务支撑。

对于开发者和运营团队而言，这些信号也回答了一个实际问题：Datadog 正在成为值得信赖的自动化系统，还是仍主要是调查问题的场所？

评估 AI 运营的团队应关注 Datadog 如何处理权限、审计追踪、失败操作和跨工具上下文。这些细节将比宣布的智能体数量更重要。

他们也应保留事故和运营决策背后的推理过程。可搜索的工程知识库可以通过保留设计上下文、运行手册和先前调查，为遥测数据提供补充。

企业买方面临更广泛的选择。与 Datadog 整合可以让智能体访问更多互联数据，而模块化技术栈则可提供更强的控制力和可移植性。

两条路径都无法消除运营工作。关键在于，Datadog 的自动化是否能减少足够多的调查和协调工作，从而证明更深的平台依赖是合理的。

Datadog 在财报发布前拥有可信的势头。它近期增长强劲，大型客户持续扩张，现金生成能力可观，并拥有清晰的 AI 运营产品战略。

尚未解决的关键问题在于转化。公司必须证明，客户正将新的 AI 能力转化为持续使用、更广泛的合同，以及值得信赖的生产级工作流程。

关注 8 月 6 日的报告，按顺序寻找这三个信号：营收增长是否广泛、生产级 AI Agent 的采用情况，以及大客户规模是否继续扩大。它们将共同表明，这波上涨反映的是持久的运营转变，还是市场预期已经走在证据前面。