Datadog、Dynatrace与Observability
人工智能热潮最受注目的往往是晶片、数据中心与大模型，但当企业真正把AI接入客服、金融交易、医疗系统及生产流程，另一项支出也会迅速增加：如何知道系统正在做甚么。这正是「可观测性」（observability）市场的投资逻辑，也是Datadog与Dynatrace等软件公司的增长机会。
传统监控主要回答已知问题，例如伺服器是否在线、CPU使用率是否过高；可观测性则把指标、日志和分散式追踪整合起来，协助工程师解释未知故障。到了AI年代，技术链再加入GPU、向量数据库、模型API、提示词、智能代理及外部工具，一次错误可能横跨十多个环节。系统即使没有停机，答案也可能不准确、成本过高或触发错误操作，因此企业不只要监察延迟和流量，还要追踪幻觉、模型漂移、提示词注入、检索质素、每次推理成本及代理行动。
换言之，AI带来的不只是更多运算量，更是更多「不可预测性」。Gartner预计，到2028年，部署AI的机构中有四成会采用专门的AI可观测性工具，监察模型表现、偏差与输出。这类支出逐渐由工程部门的工具预算，升格为企业风险管理与合规基础设施。
Datadog的优势，是由云原生开发者市场切入，再把基础设施监控、应用程式效能、日志、安全、数据及AI代理观测放进同一平台。这种横向扩张模式具有明显的交叉销售效应：客户云端工作量越大、采用的产品越多，平台收入通常越高。2026年第二季，Datadog收入按年增长36%至11.2亿美元，年度经常性收入超过10万美元的客户增至约4,720个；自由现金流达2.79亿美元，反映AI需求已开始转化为真实现金流，而不只是产品发布会上的概念。
Dynatrace走的路线则更偏向大型企业。其核心卖点是透过系统拓扑、因果分析及自动化，把大量警报整理成较确定的根因判断，尤其适合银行、电讯及政府等混合云环境。公司截至2026年6月底季度的年度经常性收入达21.36亿美元，按年增长17%；季度收入增长16%至5.55亿美元，并录得7,100万美元的会计准则营业利润。其日志业务年化使用额在半年内接近倍增至2亿美元，说明企业愿意为整合分析付费。
两者的竞争焦点，已由「谁的仪表板更漂亮」转向「谁能更快找出原因，甚至自动修复」。Datadog推出Bits系列AI工具及代理观测功能；Dynatrace则发展Autonomous SRE等能力。若平台能把事故处理由数小时缩短至数分钟，其价值便可用停机损失、工程师工时及合规风险衡量，定价能力自然高于一般分析软件。
不过，「系统越复杂，监控越值钱」并不等于所有监控公司都会受惠。可观测性平台通常按主机数量、数据摄取量或使用量收费，AI产生海量日志，既能推高收入，也可能令客户帐单失控。企业因而会压缩数据保留期、抽样纪录，或转向OpenTelemetry、Grafana等开放方案；AWS、微软、Google，以及Cisco旗下Splunk也能把监控捆绑进既有云端产品。平台若只替客户储存更多数据，最终可能陷入价格竞争。
真正的护城河，是把数据转化为答案和行动。AI也许能自动编写程式、减少部分人手排错，却会同时加快软件发布频率，创造更多代理、接口与故障路径。这是一种数码版的「复杂度税」：企业愈依赖AI，愈不能容忍它在黑箱中运作。Datadog与Dynatrace的长期价值，因此不只取决于收集多少日志，而在于能否成为企业理解、治理及控制AI系统的操作层。当模型逐渐商品化，让模型可靠运行的能力，反而可能成为更稀缺的资产。
义合控股投资者关系部
(芯片与算力系列之100)
$Datadog(DDOG)$ $Dynatrace Holdings LLC(DT)$ $YEE HOP HLDGS(01662)$ $Dell Technologies Inc.(DELL)$ $Intel(INTC)$
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
