從非洲棉田到AI雲端：Datadog押注預測型監控，搶攻新世代企業雲轉型商機

・ 2026 年 09 月 13 日

雲端監控公司Datadog(NASDAQ:DDOG)大舉投資AI與研發，企圖以預測型監控與自動修復能力成為企業雲轉型與AI應用的「中樞神經」，在全球雲端滲透率僅約三成的情況下，爭奪下一波成長紅利。

在雲端與人工智慧快速疊加的浪潮下，誰能掌握系統運作的關鍵數據，誰就有機會成為企業數位轉型的「控制塔」。雲端監控與可觀測性平台業者Datadog, Inc.(NASDAQ:DDOG)近期明確釋出訊號：公司不只要做監控，更要靠AI將監控升級為「預測型營運中樞」，在全球企業雲轉型加速的節奏中卡位。Datadog財務長David Obstler在最新公司說明中指出，隨著企業導入各種AI模型與雲端架構，系統結構日益複雜，傳統「發生問題再處理」的模式已經不敷使用。Datadog的戰略，是把過去在基礎設施監控、應用效能、日誌分析等累積的大量可觀測性數據，結合自研與開源模型，進一步發展成能預測系統異常、甚至自動修復問題的AI平台。這樣的定位，讓Datadog從單純工具供應商，轉向企業營運風險管理的核心角色。為了實現這個願景，Datadog近年持續強化AI研發佈局。公司建立了專屬研究實驗室，推出自家模型Toto，並收購專精於IT管理與可觀測性強化學習的Adaptive ML，企圖在演算法能力上掌握主導權。Obstler表示，未來Datadog將同時運用專有數據、開源模型與大型基礎模型（foundation models），在Bits等產品線上打造更具預測性的監控能力，讓系統異常不再只是「事後追查」，而是「事前預警」。Datadog構想中的終極型態，是讓平台可根據客戶授權程度，主動對部分問題自動修復，對其他狀況則提供建議、由工程團隊按下「核准」。Obstler直言，這種人機協作模式，對企業在人力效率與故障排除速度上都有「巨大影響」。雖然目前仍在演進階段，相關AI驅動功能已開始在產品線中滲透，其中Agent Observability已看到實際營收貢獻，顯示市場對「AI可觀測性」的需求正在成形。值得注意的是，AI反而在監控領域創造了新的成長動能。Obstler分析，當企業在應用中導入外部商用模型、開源模型與推論（inference）基礎設施，就會衍生更多節點與活動需要監控。這意味着，每多一個AI功能，就多出一串需要追蹤的效能與穩定性問題，Datadog便有機會提供更多服務。AI原生客戶——也就是一開始就建立在雲端、沒有沉重傳統系統包袱的公司——目前在Datadog平台上的工作負載成長強勁，且採用產品範圍更廣，從自建或拼裝的開源監控工具，轉向整合式平台的趨勢明顯。Datadog原先以為AI機會主要來自「推論階段」的正式上線環境，但如今來自大型雲服務商與企業的需求，已延伸到模型訓練與訓練後階段。Obstler觀察，從晚期訓練到進入正式環境的界線正在模糊，雖然公司不認為自己會成為「專門做訓練監控」的業者，但AI工作負載全生命週期的監控需求，顯然正在抬頭。支撐Datadog能大舉押注AI的，是其長期高強度的研發投資。公司多年來穩定將約30%營收投入R&D，累計規模已超過10億美元，並積極測試程式碼代理（coding agents）等工具對內部開發效率的提升，包括透過A/B測試團隊不同使用程度來量化成效。這種「研發先行」的策略，目的在於確保整合式平台在面對各種新興的點狀解決方案時，仍保持競爭力。除了AI本身，Datadog也在產品設計上回應客戶對「資料成本與效率」的現實壓力。像Infinite Cardinality Metrics、Flex Logs、Frozen Logs與Metrics without Limits等功能，都是幫助客戶在資料量爆炸的情況下，區分真正有價值的指標與日誌。以Infinite Cardinality Metrics為例，Datadog會在完全處理前先進行篩選與整理，避免大量無意義或低價值指標消耗成本，提升整體性價比。另方面，Federated Logs則讓客戶能連結外部系統如ClickHouse、Databricks中儲存的日誌，無需把全部資料搬進Datadog，就可套用其分析能力。這對同時面臨資料量、法規與成本考量的企業而言，降低了導入門檻。Obstler坦言，Datadog的策略不是要「吃掉」所有資料，而是要讓使用者的操作與分析都集中在自家平台上，即便底層資料分散在不同儲存系統，只要決策與視覺化都在Datadog完成，就能有效支撐每位客戶的平均營收提升。從更大的產業角度來看，Datadog押注AI與預測監控的時間點，正踩在企業雲轉型仍具龐大空間的節奏上。Obstler引用研究機構估計，目前跑在雲端的應用僅約佔總體的上位2至3成，許多大型企業甚至還未啟動具規模的雲專案。在AI驅動技術變革加速的情況下，這些仍依賴傳統架構的企業，面臨越來越大的壓力，必須升級系統、搬遷到雲端，以接軌新的應用情境。Datadog也順勢擴張企業業務佈局，從大型關鍵客戶、指名帳戶（named & major accounts）到通路及資料中心投資，企圖在新一波雲專案啟動時，成為核心監控與安全合作夥伴。其歷史上毛留存率維持在90%高檔，且最大客戶已續簽並延長承諾合約，顯示即便部分企業採用混合工具策略，Datadog仍具穩固的黏著度。當然，市場上也存在不同聲音。部分企業偏好針對特定工作負載選用極簡、即時性更強的點狀工具，或自行建構開源堆疊，以降低成本與避免過度依賴單一供應商。此外，在AI自動修復領域，如何取得工程團隊信任、避免「AI誤判造成更大災難」，也是Datadog與同業必須面對的關鍵課題。授權層級如何設計、責任如何切割，都將左右技術落地的速度。然而在雲端滲透率仍低、AI應用才剛進入擴張期的當下，可觀測性平台的角色只會愈來愈關鍵。Datadog試圖以大規模研發投資、預測型監控願景與彈性的資料策略，搶在產業結構重組前，把自己嵌入企業日常營運的神經系統。未來真正考驗的，將是其AI模型能否在各種複雜環境下穩定提供高品質訊號、避免「資料噪音」與「過度自動化」的副作用。如果成功，Datadog不僅有機會在雲端與AI監控市場中取得更大版圖，也可能改寫企業IT團隊處理問題的方式——從追著故障跑，變成在風險發生前就提前踩剎車。