人工智能熱潮最受注目的往往是晶片、數據中心與大模型，但當企業真正把AI接入客服、金融交易、醫療系統及生產流程，另一項支出也會迅速增加：如何知道系統正在做甚麼。這正是「可觀測性」（observability）市場的投資邏輯，也是Datadog與Dynatrace等軟件公司的增長機會。
傳統監控主要回答已知問題，例如伺服器是否在線、CPU使用率是否過高；可觀測性則把指標、日誌和分散式追蹤整合起來，協助工程師解釋未知故障。到了AI年代，技術鏈再加入GPU、向量數據庫、模型API、提示詞、智能代理及外部工具，一次錯誤可能橫跨十多個環節。系統即使沒有停機，答案也可能不準確、成本過高或觸發錯誤操作，因此企業不只要監察延遲和流量，還要追蹤幻覺、模型漂移、提示詞注入、檢索質素、每次推理成本及代理行動。
換言之，AI帶來的不只是更多運算量，更是更多「不可預測性」。Gartner預計，到2028年，部署AI的機構中有四成會採用專門的AI可觀測性工具，監察模型表現、偏差與輸出。這類支出逐漸由工程部門的工具預算，升格為企業風險管理與合規基礎設施。
Datadog的優勢，是由雲原生開發者市場切入，再把基礎設施監控、應用程式效能、日誌、安全、數據及AI代理觀測放進同一平台。這種橫向擴張模式具有明顯的交叉銷售效應：客戶雲端工作量越大、採用的產品越多，平台收入通常越高。2026年第二季，Datadog收入按年增長36%至11.2億美元，年度經常性收入超過10萬美元的客戶增至約4,720個；自由現金流達2.79億美元，反映AI需求已開始轉化為真實現金流，而不只是產品發布會上的概念。
Dynatrace走的路線則更偏向大型企業。其核心賣點是透過系統拓撲、因果分析及自動化，把大量警報整理成較確定的根因判斷，尤其適合銀行、電訊及政府等混合雲環境。公司截至2026年6月底季度的年度經常性收入達21.36億美元，按年增長17%；季度收入增長16%至5.55億美元，並錄得7,100萬美元的會計準則營業利潤。其日誌業務年化使用額在半年內接近倍增至2億美元，說明企業願意為整合分析付費。
兩者的競爭焦點，已由「誰的儀表板更漂亮」轉向「誰能更快找出原因，甚至自動修復」。Datadog推出Bits系列AI工具及代理觀測功能；Dynatrace則發展Autonomous SRE等能力。若平台能把事故處理由數小時縮短至數分鐘，其價值便可用停機損失、工程師工時及合規風險衡量，定價能力自然高於一般分析軟件。
不過，「系統越複雜，監控越值錢」並不等於所有監控公司都會受惠。可觀測性平台通常按主機數量、數據攝取量或使用量收費，AI產生海量日誌，既能推高收入，也可能令客戶帳單失控。企業因而會壓縮數據保留期、抽樣紀錄，或轉向OpenTelemetry、Grafana等開放方案；AWS、微軟、Google，以及Cisco旗下Splunk也能把監控綑綁進既有雲端產品。平台若只替客戶儲存更多數據，最終可能陷入價格競爭。
真正的護城河，是把數據轉化為答案和行動。AI也許能自動編寫程式、減少部分人手排錯，卻會同時加快軟件發布頻率，創造更多代理、接口與故障路徑。這是一種數碼版的「複雜度稅」：企業愈依賴AI，愈不能容忍它在黑箱中運作。Datadog與Dynatrace的長期價值，因此不只取決於收集多少日誌，而在於能否成為企業理解、治理及控制AI系統的操作層。當模型逐漸商品化，讓模型可靠運行的能力，反而可能成為更稀缺的資產。
義合控股投資者關係部
（芯片與算力系列之100）
