Datadog à la conférence Goldman Sachs Communacopia + Technologie 2026

Le jeudi 10 septembre 2026, Datadog (DDOG) a profité de la conférence Goldman Sachs Communacopia + Technologie 2026 pour affirmer que sa croissance future reposera sur un mélange de migration vers le cloud, de surveillance de l’IA et de nouveaux outils d’automatisation. Le message de l’entreprise était optimiste, mais elle a également reconnu la pression sur les coûts des clients, la monétisation encore précoce de l’IA et la nécessité de continuer à investir massivement pour conserver son avance.

Points clés à retenir

• Datadog affirme que ses données d’observabilité lui confèrent une position solide dans le domaine de l’IA, car elle peut développer des modèles capables de prédire les problèmes applicatifs et, à terme, de prendre en charge la remédiation automatique.
• L’entreprise perçoit l’émergence d’une « économie de l’inférence », les grandes entreprises commençant seulement à dépenser de manière significative sur les charges de travail et la surveillance liées à l’IA.
• Le taux de rétention brut reste dans la tranche supérieure des 90 %, tandis que le taux de rétention net est en hausse, ce qui témoigne d’une expansion continue de l’utilisation de la plateforme par les clients.
• Datadog s’appuie sur des évolutions produits telles que les métriques à cardinalité infinie (Infinite Cardinality Metrics), Flex Logs et Federated Logs pour aider les clients à maîtriser leurs coûts sans quitter la plateforme.
• La direction a indiqué que seulement 20 % à 30 % des applications sont actuellement dans le cloud, laissant une large marge de progression pour les ventes aux grandes entreprises et la migration vers le cloud.

Positionnement stratégique : l’observabilité rencontre l’IA

David, directeur financier de Datadog, a indiqué que l’entreprise perçoit une opportunité à long terme dans la combinaison des données d’observabilité avec l’intelligence artificielle. Il a précisé que les données de séries temporelles de Datadog, collectées depuis la création de la société, lui confèrent un avantage concurrentiel que les concurrents ne peuvent pas facilement reproduire.

• Datadog a récemment acquis Adaptive ML, une société spécialisée dans l’apprentissage par renforcement appliqué à la gestion informatique et à l’observabilité.
• L’entreprise a créé un laboratoire de recherche et lancé Toto, un premier modèle propriétaire.
• La direction a indiqué que certains modèles seront en open source, tandis que d’autres resteront propriétaires et constitueront un élément de l’avantage concurrentiel de l’entreprise.
• Datadog investit dans des GPU, des systèmes d’inférence et des infrastructures de recherche pour soutenir le développement et le déploiement de modèles.

David a précisé que l’objectif est d’utiliser ces outils pour anticiper les problèmes de fonctionnement des applications et, progressivement, évoluer vers une ingénierie de fiabilité des sites automatisée. Il a décrit une trajectoire allant de signaux en temps réel plus précis vers des systèmes capables d’agir avec peu ou pas d’intervention humaine.

« La vision ici est de produire des signaux en temps réel plus précis et plus rapides, susceptibles d’améliorer les fonctionnalités de la plateforme et de progresser sur le continuum vers la remédiation automatique ou quelque chose d’approchant », a-t-il déclaré.

Résultats financiers et tendances clients

Datadog n’a pas fourni une mise à jour complète de ses résultats lors de la conférence, mais a partagé plusieurs indicateurs opérationnels et tendances commerciales.

• Le taux de rétention brut se situe dans la tranche supérieure des 90 %, les grandes entreprises clientes se trouvant à l’extrémité haute de cette fourchette.
• Le taux de rétention net est en progression, ce qui suggère que les clients ajoutent des charges de travail plutôt qu’ils ne les réduisent.
• Les dépenses de R&D représentent environ 30 % du chiffre d’affaires, soit plus d’un milliard de dollars par an.
• Les prévisions sont sécurisées car elles n’incluent que les revenus engagés par les grands clients, et non les usages supplémentaires au-delà des minimums contractuels.
• Les clients dépassent souvent leurs engagements, mais Datadog a indiqué ne pas s’appuyer sur cette marge supplémentaire dans ses prévisions.

La direction a indiqué que l’entreprise commence à générer des revenus issus de la surveillance de l’IA via son produit Agent Observability, qui compte déjà des milliers de clients. Elle a également précisé que l’activité IA en est encore à ses débuts, mais que la dynamique se renforce.

David a déclaré que Datadog surveille « tout ce qui pourrait affecter le fonctionnement d’une application », et que l’IA rend cette mission encore plus importante, les applications devenant de plus en plus complexes.

« La première façon de monétiser cela, c’est Datadog pour l’IA », a-t-il dit, faisant le parallèle avec la surveillance existante du code, des CPU et des bases de données.

Mises à jour opérationnelles : nouveaux produits et évolutions architecturales

Datadog a présenté plusieurs évolutions produits visant à aider les clients à maîtriser leurs dépenses tout en conservant davantage de leurs données et d’utilisateurs sur la plateforme.

• Infinite Cardinality Metrics permet aux clients de sélectionner les données métriques avant leur traitement.
• Flex Logs, Frozen Logs et Metrics without Limits font partie d’un ensemble plus large d’outils de gestion des coûts d’observabilité.
• Federated Logs permet aux clients de stocker leurs journaux dans des systèmes externes tels que ClickHouse et Databricks, tout en continuant à utiliser les analyses Datadog.
• Data Observability Pipelines et Bring Your Own Cloud offrent aux clients plus de flexibilité quant à l’emplacement de leurs données.
• La gamme de produits Bits devrait utiliser des modèles prédictifs et des données pour prendre en charge la détection et la remédiation automatisées des incidents.

David a indiqué que ces évolutions pourraient réduire le volume de données brutes transitant par Datadog, mais qu’elles peuvent néanmoins améliorer la valeur apportée aux clients et soutenir les marges.

« Ce en quoi nous avons été, je crois, bien plus habiles, c’est dans la compréhension de la façon dont le client utilise le produit », a-t-il déclaré. Il a ajouté que la sélection des données peut être bénéfique pour les clients, car ils tirent davantage de valeur de leurs métriques, et pour Datadog, car elle évite de traiter des données coûteuses qui apportent peu de valeur.

La direction a indiqué que la conversion proactive vers Infinite Cardinality Metrics s’est avérée à la fois favorable à la rétention et accretive pour les marges. Elle a également précisé que Federated Logs peut réduire les coûts de stockage inutiles tout en maintenant les utilisateurs centrés sur la plateforme Datadog, ce qui peut augmenter le revenu moyen par client.

Organisation commerciale et expansion dans les grandes entreprises

Datadog a indiqué avoir renforcé sa force de vente dédiée aux grandes entreprises à l’échelle mondiale, afin de saisir une opportunité plus large de migration vers le cloud. L’entreprise passe d’une approche commerciale principalement ascendante (bottoms-up) à un modèle d’entreprise plus structuré pour les grands comptes.

• Les équipes dédiées aux comptes clés gèrent désormais un ou deux comptes au lieu d’une dizaine environ, ce qui permet de se concentrer davantage sur les grands projets de transformation.
• Des stratégies de comptes nommés et de comptes majeurs sont déployées en parallèle de l’approche commerciale traditionnelle de l’entreprise.
• Datadog investit également dans des partenaires de distribution et une présence dans les centres de données pour accompagner les migrations des clients.
• Les secteurs mentionnés incluent la banque, l’assurance, l’automobile, l’industrie manufacturière et le transport aérien.

La direction a indiqué que de nombreuses grandes entreprises en sont encore aux prémices de leur transition vers le cloud, certaines n’ayant pas encore lancé de projets majeurs. Datadog estime que seulement 20 % à 30 % des applications sont actuellement dans le cloud, laissant un vaste marché encore à conquérir.

Perspectives : IA, inférence et automatisation

La vision à plus long terme de Datadog est que l’IA va générer davantage de besoins en surveillance, et non l’inverse. L’entreprise a indiqué que la première vague d’adoption de l’IA consistait à appeler des modèles via des API, mais que la prochaine phase devrait impliquer davantage d’infrastructures internes et de besoins en observabilité.

• La direction a décrit une « économie de l’inférence » encore à ses débuts.
• Les grandes entreprises commencent seulement à allouer des dépenses opérationnelles aux charges de travail d’inférence.
• Datadog a indiqué que les clients les plus sophistiqués commencent à s’éloigner des API de laboratoires Frontière purs pour se tourner vers des systèmes d’IA propriétaires.
• Certains clients nés avec l’IA utilisent déjà Datadog pour les charges de travail d’entraînement et de post-entraînement, et pas seulement pour l’inférence en production.

L’entreprise a précisé que les clients nés avec l’IA sont moins nombreux que sa base de clients nés avec le cloud, mais qu’ils croissent plus rapidement et adoptent davantage de produits. Datadog a également indiqué que ces clients choisissent souvent d’externaliser l’observabilité plutôt que de la développer en interne.

David a déclaré que l’entreprise prévoit que ses modèles et la gamme de produits Bits évolueront des signaux en temps réel vers la remédiation automatique. Les clients pourront choisir le niveau d’automatisation souhaité, des actions suggérées nécessitant une validation humaine aux réponses système plus autonomes.

Points saillants des questions-réponses : avantage des données, concurrence et risque d’optimisation

Lors de la session de questions-réponses, David a mis en avant l’avantage des données de Datadog et la capacité de l’entreprise à faire face à la concurrence des solutions ponctuelles et des nouveaux outils d’observabilité natifs de l’IA.

• Il a indiqué que les données d’observabilité et l’échelle de Datadog rendent difficile pour les concurrents de rivaliser dans le développement de modèles.
• Il a précisé que les dépenses de R&D de l’entreprise, représentant environ 30 % du chiffre d’affaires, sont bien supérieures à celles des concurrents.
• Il a soutenu que les plateformes intégrées sont plus attractives pour les clients que les solutions ponctuelles fragmentées.
• Il a affirmé que Datadog doit « y parvenir en premier et de manière plus évolutive » que ses concurrents, à mesure que le marché évolue vers des outils modernes d’IA et d’observabilité.

David a également abordé le comportement d’optimisation des clients. Il a indiqué que certains grands clients pourraient transférer certaines charges de travail vers des systèmes de stockage externes, mais qu’ils restent généralement sur la plateforme Datadog. Il a précisé que cela est différent d’un ralentissement plus général de l’utilisation.

Il a établi un contraste avec le cycle d’optimisation de 2021 et 2022, en soulignant que Datadog est aujourd’hui plus grande, plus diversifiée et croît à un rythme plus normal que durant la période de taux d’intérêt nuls. Il a ajouté que la base de clients de l’entreprise est également devenue plus rigoureuse dans ses dépenses.

« Le yin et le yang de la croissance et de l’optimisation sont toujours présents dans les logiciels cloud », a-t-il déclaré, tout en ajoutant que l’équilibre penche encore en faveur de la croissance.

Contexte concurrentiel et implications pour le marché

Datadog a structuré la conférence autour d’un message simple : l’entreprise estime pouvoir continuer à s’imposer en combinant une plateforme large, des dépenses de recherche importantes et une architecture de données flexible.

• La direction a indiqué que de nombreuses entreprises ont tenté de construire des plateformes intégrées, mais que peu y sont parvenues de manière organique.
• Datadog considère son modèle de tableau de bord unifié (single-pane-of-glass) comme un avantage par rapport aux outils fragmentés.
• L’entreprise a indiqué que la modernisation de sa plateforme devrait lui permettre de garder une longueur d’avance sur les concurrents émergents.
• Elle considère la migration vers le cloud et l’adoption de l’IA comme deux moteurs de croissance importants et complémentaires.

Pour les investisseurs, le principal enseignement est que Datadog cherche à transformer sa base d’observabilité existante en une plateforme plus large d’IA et d’automatisation. L’entreprise en est encore aux premières étapes de la monétisation de cette transition, mais elle constate déjà une adoption par les clients, une dynamique produit et une opportunité commerciale plus large auprès des grandes entreprises.

Les lecteurs peuvent consulter la transcription complète ci-dessous pour plus de détails.

Cet article a été généré et traduit avec l’aide de l’IA et revu par un rédacteur. Pour plus d’informations, consultez nos T&C.