Datadog en la Conferencia Communacopia + Tecnología 2026 de Goldman Sachs

El jueves 10.09.2026, Datadog (DDOG) aprovechó la Conferencia Communacopia + Tecnología 2026 de Goldman Sachs para argumentar que su crecimiento futuro provendrá de una combinación de migración a la nube, monitorización de inteligencia artificial y nuevas herramientas de automatización. El mensaje de la compañía fue optimista, aunque también reconoció la presión sobre los costes de los clientes, la monetización de la IA en etapas tempranas y la necesidad de seguir invirtiendo de forma significativa para mantenerse a la vanguardia.

Conclusiones clave

• Datadog afirma que sus datos de observabilidad le otorgan una posición sólida en IA, ya que le permiten desarrollar modelos que predicen problemas en las aplicaciones y, con el tiempo, respaldar la corrección automática.
• La compañía percibe una emergente "economía de inferencia", en la que las empresas apenas están comenzando a gastar de forma significativa en cargas de trabajo de IA y su monitorización.
• La retención bruta se mantiene en el rango alto de los 90, mientras que la retención neta está aumentando, lo que indica que los clientes siguen ampliando el uso de la plataforma.
• Datadog está utilizando cambios en sus productos, como Infinite Cardinality Metrics, Flex Logs y Federated Logs, para ayudar a los clientes a gestionar los costes sin abandonar la plataforma.
• La dirección señaló que solo entre el 20% y el 30% de las aplicaciones están en la nube, lo que deja un amplio margen para las ventas empresariales y la migración a la nube.

Posicionamiento estratégico: la observabilidad se encuentra con la IA

David, director financiero de Datadog, indicó que la compañía ve una oportunidad a largo plazo en la combinación de datos de observabilidad con inteligencia artificial. Afirmó que los datos de series temporales de Datadog, recopilados desde la fundación de la empresa, le otorgan una ventaja en datos que los competidores no pueden replicar fácilmente.

• Datadog adquirió recientemente Adaptive ML, una empresa especializada en aprendizaje por refuerzo para la gestión de TI y la observabilidad.
• La compañía ha creado un laboratorio de investigación e introducido Toto, un modelo propietario en fase inicial.
• La dirección indicó que algunos modelos serán de código abierto, mientras que otros permanecerán como propietarios y formarán parte de la ventaja competitiva de la empresa.
• Datadog está invirtiendo en GPU, sistemas de inferencia e infraestructura de investigación para respaldar el desarrollo y la implementación de modelos.

David señaló que el objetivo es utilizar estas herramientas para predecir problemas en el funcionamiento de las aplicaciones y, con el tiempo, avanzar hacia la ingeniería de fiabilidad de sitios automatizada. Describió un camino que va desde mejores señales en tiempo real hasta sistemas capaces de actuar con poca o ninguna intervención humana.

"La visión aquí es producir señales en tiempo real más precisas y rápidas que puedan mejorar la funcionalidad de la plataforma y avanzar en el continuo para permitir la corrección automática o algo cercano a ella", afirmó.

Resultados financieros y tendencias de clientes

Datadog no ofreció una actualización completa de resultados en el resumen de la conferencia, pero sí compartió varias métricas operativas y tendencias comerciales.

• La retención bruta se sitúa en el rango alto de los 90, con los clientes empresariales más grandes en el extremo superior de ese rango.
• La retención neta ha ido aumentando, lo que sugiere que los clientes están añadiendo cargas de trabajo en lugar de reducirlas.
• El gasto en I+D representa aproximadamente el 30% de los ingresos, es decir, más de 1.000 millones de dólares al año.
• Las previsiones están libres de riesgos porque incluyen únicamente los ingresos comprometidos por los clientes más grandes, sin tener en cuenta el uso adicional por encima de los mínimos contractuales.
• Los clientes suelen superar sus compromisos, pero Datadog afirmó que no depende de ese potencial adicional en sus previsiones.

La dirección indicó que la compañía está obteniendo ingresos tempranos de la monitorización de IA a través de su producto Agent Observability, que ya cuenta con miles de clientes. También señaló que el negocio de IA sigue en etapas tempranas, pero que la tracción está aumentando.

David afirmó que Datadog monitoriza "todo lo que pueda afectar al funcionamiento de una aplicación" y que la IA hace que esa tarea sea más importante, ya que las aplicaciones son cada vez más complejas.

"La primera forma de monetizar esto es Datadog para IA", dijo, comparándolo con la monitorización existente de la compañía sobre código, CPU y bases de datos.

Actualizaciones operativas: nuevos productos y cambios de arquitectura

Datadog describió varios cambios en sus productos destinados a ayudar a los clientes a controlar el gasto mientras mantienen más datos y usuarios en la plataforma.

• Infinite Cardinality Metrics permite a los clientes gestionar los datos de métricas antes de que sean procesados.
• Flex Logs, Frozen Logs y Metrics without Limits forman parte de un conjunto más amplio de herramientas para gestionar los costes de observabilidad.
• Federated Logs permite a los clientes almacenar registros en sistemas externos como ClickHouse y Databricks mientras siguen utilizando los análisis de Datadog.
• Data Observability Pipelines y Bring Your Own Cloud ofrecen a los clientes mayor flexibilidad sobre dónde residen los datos.
• Se espera que la línea de productos Bits utilice modelos predictivos y datos para respaldar la detección y corrección automatizada de incidencias.

David señaló que estos cambios pueden reducir la cantidad de datos brutos que fluyen hacia Datadog, pero que aun así pueden mejorar el valor para el cliente y respaldar los márgenes.

"En lo que creo que hemos sido mucho más inteligentes es en entender cómo el cliente utiliza el producto", afirmó. Añadió que la gestión selectiva puede ser mejor para los clientes porque obtienen más valor de sus métricas, y mejor para Datadog porque evita procesar datos costosos que aportan poco valor.

La dirección indicó que la conversión proactiva a Infinite Cardinality Metrics ha sido tanto retentiva como positiva para los márgenes. También señaló que Federated Logs puede reducir los costes de almacenamiento innecesarios mientras mantiene a los usuarios centrados en la plataforma de Datadog, lo que puede elevar los ingresos medios por cliente.

Organización de ventas y expansión empresarial

Datadog afirmó que ha ampliado su fuerza de ventas empresarial a nivel global para aprovechar una oportunidad de migración a la nube más amplia. La compañía está pasando de un modelo de ventas principalmente ascendente a un modelo empresarial más estructurado para grandes clientes.

• Los equipos de cuentas clave ahora gestionan una o dos cuentas en lugar de unas 10, lo que permite centrar la atención en grandes proyectos de transformación.
• Las estrategias de cuentas nominadas y cuentas principales se utilizan junto con el enfoque de ventas tradicional de la compañía.
• Datadog también está invirtiendo en socios de canal y presencia en centros de datos para apoyar las migraciones de los clientes.
• Los sectores mencionados incluyen banca, seguros, automoción, manufactura y aerolíneas.

La dirección señaló que muchas empresas aún se encuentran en etapas tempranas de su transición a la nube, y algunas todavía no han comenzado proyectos importantes. Datadog estima que solo entre el 20% y el 30% de las aplicaciones están actualmente en la nube, lo que deja un gran mercado por alcanzar.

Perspectivas futuras: IA, inferencia y automatización

La visión a largo plazo de Datadog es que la IA generará más demanda de monitorización, no menos. La compañía señaló que la primera oleada de adopción de IA implicó llamar a empresas de modelos a través de API, pero que la siguiente fase debería involucrar más infraestructura propia y mayores necesidades de observabilidad.

• La dirección describió una "economía de inferencia" que aún se encuentra en sus etapas iniciales.
• Los clientes empresariales apenas están comenzando a asignar gastos operativos a cargas de trabajo de inferencia.
• Datadog indicó que los clientes más sofisticados están comenzando a alejarse de las API puras de laboratorios de frontera y a orientarse hacia sistemas de IA propietarios.
• Algunos clientes nativos de IA ya utilizan Datadog para cargas de trabajo de entrenamiento y postentrenamiento, no solo para inferencia en producción.

La compañía señaló que los clientes nativos de IA son menos numerosos que su base general de clientes nativos de la nube, pero están creciendo más rápido y adoptando más productos. Datadog también indicó que estos clientes suelen optar por externalizar la observabilidad en lugar de desarrollarla internamente.

David afirmó que la compañía espera que sus modelos y la línea de productos Bits evolucionen desde señales en tiempo real hacia la corrección automática. Los clientes podrán elegir el nivel de automatización que deseen, desde acciones sugeridas que requieren aprobación humana hasta respuestas del sistema más independientes.

Aspectos destacados del turno de preguntas: ventaja en datos, competencia y riesgo de optimización

En el turno de preguntas y respuestas, David centró la atención en la ventaja en datos de Datadog y en la capacidad de la compañía para competir frente a soluciones puntuales y nuevas herramientas de observabilidad nativas de IA.

• Afirmó que los datos de observabilidad y la escala de Datadog dificultan que los rivales igualen su desarrollo de modelos.
• Señaló que el gasto en I+D de la compañía, de aproximadamente el 30% de los ingresos, está muy por encima de los niveles de los competidores.
• Argumentó que las plataformas integradas son más atractivas para los clientes que las soluciones puntuales fragmentadas.
• Afirmó que Datadog debe "llegar primero y de forma más escalable" que sus rivales a medida que el mercado evoluciona hacia herramientas modernas de IA y observabilidad.

David también abordó el comportamiento de optimización de los clientes. Señaló que algunos grandes clientes pueden trasladar ciertas cargas de trabajo a sistemas de almacenamiento externos, pero que generalmente permanecen en la plataforma de Datadog. Indicó que esto es diferente a una caída generalizada en el uso.

Contrastó el entorno actual con el ciclo de optimización de 2021 y 2022, señalando que Datadog es más grande, más diversificada y crece a un ritmo más normal que durante el período de tipos de interés cero. Afirmó que la base de clientes de la compañía también se ha vuelto más disciplinada en cuanto al gasto.

"El yin y el yang del crecimiento y la optimización siempre están presentes en el software en la nube", dijo, pero añadió que el equilibrio sigue favoreciendo el crecimiento.

Contexto competitivo e implicaciones para el mercado

Datadog estructuró la conferencia en torno a un mensaje sencillo: la compañía cree que puede seguir ganando combinando una plataforma amplia con un elevado gasto en investigación y una arquitectura de datos flexible.

• La dirección señaló que muchas empresas han intentado construir plataformas integradas, pero pocas lo han hecho de forma orgánica.
• Datadog considera su modelo de panel único como una ventaja frente a las herramientas fragmentadas.
• La compañía afirmó que la modernización de su plataforma debería ayudarla a mantenerse por delante de los competidores emergentes.
• Considera la migración a la nube y la adopción de IA como dos grandes motores de crecimiento que se superponen.

Para los inversores, la principal conclusión es que Datadog está intentando convertir su base de observabilidad existente en una plataforma más amplia de IA y automatización. La compañía aún se encuentra en las primeras etapas de monetización de ese cambio, pero ya está observando adopción por parte de los clientes, tracción en sus productos y una mayor oportunidad de ventas empresariales.

Los lectores pueden consultar la transcripción completa a continuación para obtener más detalles.

Este artículo ha sido generado y traducido con el apoyo de AI y revisado por un editor. Para más información, consulte nuestros T&C.