Cloudflare与Datadog收入增速恰好相同，却站在AI基础设施的不同位置

8月6日，Datadog交出一份很难用“差”来形容的财报。

财报显示Datadog Q2收入11.2亿美元，同比增长36%；非GAAP EPS为0.65美元；自由现金流2.79亿美元，自由现金流率25%。公司将2026年全年收入指引提高至44.5亿—44.7亿美元。更重要的是最大客户将在Q3开始降低Datadog使用量。

Datadog的最大客户是一家领先AI公司，刚完成九位数规模续约，并在使用Datadog 17款产品。双方合作仍在合同期，产品渗透也已经相当深，却开始降低使用量。其中的原因，公司管理层并没有具体解释，只强调已经将影响纳入Q3及全年指引。

这一细节指向AI基础设施更精细的经营阶段：算力、模型、网络、数据库、日志、安全、监控，每一层支出都开始接受成本归因。FinOps Foundation发布的《State of FinOps 2026》显示，98%的受访团队已经管理AI支出，观测与安全工具也进入FinOps重点管理的软件类别。

随着AI需求的继续扩大，企业同时开始追问：付出的支出到底创造了多少业务价值？

在工程系统里，机器产生的数据越来越多，稀缺资源也已经从数据本身转向理解数据、识别异常并采取行动的能力。

Datadog的机会和压力，都从这里开始。

AI客户规模越大，基础设施供应商越需要证明每一美元支出的必要性

Q2公司客户数约3.34万，ARR超过10万美元的客户约4720家，该部分客户贡献约91%的ARR。剔除AI客户后，传统客户收入增速升至20%高段；750多家AI客户中，31家年支出超过100万美元，8家超过1000万美元。管理层还表示，扣除最大客户后，其余业务已经连续五个季度加速。

从基本面看，Datadog没有出现广泛降温，这让大客户降用量更适合从商业模式理解。

Datadog的大型客户通常同时存在合同commitment与实际usage，CFO David Obstler在电话会上明确提到，大客户围绕承诺金额仍然存在使用量波动。换句话说，签约金额、客户黏性和短期收入增量无法完全画等号。

在规模相对较小的时候，监控费用只是研发预算的一部分；规模扩大以后，logs、traces、metrics、GPU监控开始成为可以单独拆解的成本中心。工程部门希望获得更多数据，财务部门希望知道每一份数据为什么需要保存，由此FinOps从“削减云账单”逐渐进入产品架构和技术采购。

FinOps Foundation今年的调查中也得到：AI成本管理成为企业最希望加强的能力之一，FinOps管理边界也从公有云继续扩展至SaaS、AI、数据中心和软件许可。

对于Datadog来说，下面的问题比获取客户更难：随着客户自身规模扩大，观测平台能否证明故障减少、工程效率提升和资源利用率改善，长期高于不断增加的监控账单？

Datadog自己的《State of AI Engineering 2026》显示，基于数千家生产环境客户的数据，大约5%的AI模型请求会发生失败，其中接近60%的失败与容量限制相关；69%的企业已经同时使用三个或更多模型。系统越复杂，理解系统运行状态的需求反而越强。问题逐渐从“需不需要监控”转向“应该为监控支付多少钱”。

AI公司压缩某一项的使用量，并不代表observability就需求见顶。但也在提醒供应商必须不断提高产品所处的价值层级。

Cloudflare与Datadog的差异，正在暴露AI基础设施收入弹性的不同来源

同一天发布财报的Cloudflare提供了一个很好的参照。

Cloudflare Q2收入6.961亿美元，同比增长36%；大客户数量达到4698家，同比增长27%；美元净留存率升至120%。公司还披露，Q2首次有超过一半的Cloudflare网络流量来自非人类请求，AI Agent请求继续增长。

Cloudflare连接网络、安全、边缘计算和开发平台。Agent调用越频繁，机器之间交互越密集，更多工作会经过网络层。目前Cloudflare Q2已经拥有超过740万开发者，仅一个季度就增加接近200万名开发者，Workers也被管理层称为越来越重要的收入贡献来源。

Datadog与Cloudflare不同，其面对的则是另一种经济关系：应用、基础设施、数据库、模型和Agent运行会产生越来越多遥测数据，系统复杂度提高会扩大观测需求；客户同时可以利用数据分层、采样、存储策略和工具整合控制单位观测成本。

因此，AI基础设施很难长期保持同一种增长曲线。虽然两家公司现在收入增速相同，但很快会被改变。

网络、计算等与业务流量高度绑定的环节，更容易跟随AI使用量扩大；软件工具层还需要持续提高产品深度、自动化水平和跨产品整合能力，让成本增长对应更明确的经营收益。

Q2有58%的客户使用至少4款产品，37%使用至少6款产品，13%已经使用10款以上产品；Real User Monitoring业务ARR超过2亿美元，同比增速超过50%。

Datadog目前的数据仍然支持平台化方向。相较之下，Datadog的多产品渗透的动作比单纯增加日志量更重要。

客户关系正在从一个监控工具扩展到应用、基础设施、安全、数据和AI工作负载的统一平台。平台范围越广，Datadog越有机会通过整合零散工具降低企业整体技术成本，也越能缓冲某一个产品被单独优化带来的压力。

AI基础设施行业也由此出现了一条越来越清晰的资本判断标准：客户业务规模扩大之后，供应商收入究竟依赖账单随usage机械增长，还是能够通过更深的平台价值参与客户效率提升？

Datadog正在主动向后者靠近。

从“看见问题”走向“解决问题”，Datadog正在重新定义观测软件的收费理由

Datadog当下正面临不小的成本压力，同时也采取了一系列产品动作回应。

6月DASH大会上，公司一次发布100多项能力。Bits AI开始覆盖自动检测、调查和修复，能够扫描基础设施、发现问题、提出修复建议并在预设规则下执行处理。与此同时，Datadog推出Bring Your Own Cloud日志能力，让数据直接在客户自己的云对象存储中处理和索引。公司在发布稿里直接承认，AI带来的日志增长正在迫使企业在“保留数据”和“控制成本”之间做取舍。

6月底，Datadog又收购Adaptive ML。Adaptive ML主要做的是开发RLOps平台，团队加入Datadog AI Research之后，将参与世界模型和Agentic LLM后训练研究。Datadog还披露，公司每年研发投入已经超过10亿美元。

Datadog通过一系列的投入，走出了一条价值更高的产品路径：从处理更多遥测数据，延伸到交付工程结果。

不过其中仍然存在不确定性。自动化提高之后，部分低价值数据消费可能下降；开源生态、云厂商原生监控和大型科技公司内部工具，也会持续争夺预算。

Datadog拥有的另一面资产，是跨应用、基础设施、安全、数据和AI工作负载积累的实时遥测信息。AI Agent要理解生产系统、建立上下文并执行可靠操作，本身就需要以上数据。平台能否把数据优势转换成可量化的工程结果，会比单纯追求日志和监控数据增长更重要。

AI公司正在持续优化单位成本。复杂度越高，observability越重要；成本约束越强，能够证明ROI的平台越容易整合零散工具。监控软件同样无法长期依赖数据量无限膨胀获取收入。

CEO Olivier Pomel在电话会上把方向概括得很直接：“观测的未来不只在观察，也在修复。”如果Bits AI能够持续减少事故处理时间、提高GPU和云资源利用率，并自动完成部分修复，客户衡量Datadog的方式就可能逐渐从“存了多少日志”转向“节省多少工程时间、减少多少故障、提高多少系统效率”。

AI基础设施的下一轮竞争，是帮客户增长，也帮客户省钱。

若Bits AI、BYOC和Agent产品持续把“观测账单”转换成可以验证的生产力收益，最大客户的usage变化更接近一次商业模式的压力测试；如果大型客户持续压缩观测预算，则意味着usage-based软件还需要寻找更稳定的价值计量方式。

AI基础设施真正成熟的标志，从来不是账单越来越大，而是每一美元支出都能解释清楚。